一种电力负荷预测方法技术

本申请涉及电力信息技术领域，具体涉及一种电力负荷预测方法。智能化方法在建立统一合理的负荷预测模型方面具有很大的优势和潜力，但是当前广泛采用的人工神经网络方法不能对数据进行选择剔除，影响负荷预测结果的准确性。本申请提供一种电力负荷预测方法，所述预测方法包括以下步骤：(1)数据采集；(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；(3)对数据进行训练，建立RBF神经网络模型。使影响较大的因素作为RBF神经网络的训练数据，搭建起神经网络模型，并能够准确预测未来一天甚至多天的负荷，构建的网络可以直接应用于负荷预测中并获得较精确的预测结果。

An electric load forecasting method

The utility model relates to the electric power information technology field, in particular to a power load forecasting method. Intelligent method has great advantage and potential in a unified and rational load forecasting model, but not the artificial neural network method is widely used for data selection removed, affecting the accuracy of load forecasting results. This application provides a prediction method for power load, the prediction method includes the following steps: (1) data acquisition; (2) using the measurement method for parameter identification analysis of influence factors in power load, screened data influence; (3) the data for training, the establishment of RBF neural network model. The influence factors as the training data of RBF neural network to build neural network model, and can accurately predict the future one day or even days of load, the constructed network can be directly applied to the load forecasting and obtain accurate prediction results.

【技术实现步骤摘要】
一种电力负荷预测方法
本申请涉及电力信息
，具体涉及一种电力负荷预测方法。
技术介绍
用户的负荷特性是电力负荷预测的基础，电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据，是实现电力系统安全、经济运行的基础，在电力市场交易中有着重要的意义。负荷预测的精度越高，越有利于提高发电设备的利用率和经济调度的有效性；反之，负荷预测误差较大时，不仅会造成大量运行成本和利润损失，甚至会影响电力系统运行的可靠性和电力市场的供需平衡。因此，对电力负荷进行准确预测非常重要。由于影响电力负荷预测准确性的因素很多，现有的预测方法主要包括常规技术和人工智能方法，常规预测技术的原理比较简单且相对容易实现，但这些方法缺乏建立全面统一地准确描述负荷变化特征的预测模型的能力；与常规的预测方法相比，智能化方法在建立统一合理的负荷预测模型方面具有很大的优势和潜力，但是当前广泛采用的人工神经网络方法不能对数据进行选择剔除，影响负荷预测结果的准确性。
技术实现思路
本专利技术的目的是为了解决上述当前广泛采用的人工神经网络方法不能对数据进行选择剔除，影响负荷预测结果的准确性的问题。为此，本专利技术实施例提供了如下技术方案：一种电力负荷预测方法，所述预测方法包括以下步骤：(1)数据采集；(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；(3)对数据进行训练，建立RBF神经网络模型。可选地，所述步骤(1)中数据采集包括该地区的电力负荷、气温、降雨量、湿度、风力和日期类型。可选地，还包括对所述采集的数据进行归一化处理。可选地，所述步骤(2)中参数辨识方法包括最小二乘法、最小方差或者遗传算法。可选地，所述归一化处理后的数据输入总体测辨法模块进行参数辨识，得到不同影响因素与电力负荷之间的关系系数K1、K2…Kn,n≥6,n为整数；选取K值大的影响因素。可选地，还包括将对电力负荷影响因素大的数据输入RBF神经网络模型，得到当日电力负荷预测值，绘制当日预测负荷与实际负荷曲线对比图。本专利技术实施例提供的技术方案包括以下有益效果：本申请采用总体测辨法，首先通过参数辨识，得到气温、降雨量等各个影响因素与电力负荷的关系,根据参数辨识筛选得到与电力负荷相关性较大的影响因素，剔除影响较小的因素；使影响较大的因素作为RBF神经网络的训练数据，搭建起神经网络模型，并能够准确预测未来一天甚至多天的电力负荷，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例中总体辨测法原理示意图；图2为本专利技术实施例中RBF神经网络原理示意图；图3为本专利技术实施例中预测负荷与实际负荷曲线对比图一；图4为本专利技术实施例中预测负荷与实际负荷曲线对比图二。具体实施方式此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。总体测辨法是一种可以一次性得到不同影响因素与负荷的相关系数的方法，其基本思想是不考虑负荷内部组成和具体结构，把综合负荷看作一个整体，从整体出发研究系统的输入-输出特性，其核心是通过总体参数辨识，通过最优化的方法确定各参数的值，能够一次性地得到电力负荷与各个影响因素的关系，从而为影响因素的选取以及负荷预测模型的建立提供依据。由于电力负荷一般与各影响因素之间往往呈现出非线性的关系，采用传统的多元线性回归法难以实现对负荷的准确预测。而人工神经网络法对非线性问题具有很好的处理能力，广泛应用于电力负荷预测中，根据结构和数学模型的不同，人工神经网络又可分为BP神经网络、RBF神经网络，感知机网络等等。相比于其它人工神经网络，RBF神经网络具有收敛性好，全局最优等优点，因此非常适用于负荷的预测。采用总体测辨法筛选出与负荷相关性较大的影响因素，利用RBF神经网络进行短期电力负荷预测对这些影响因素的历史数据进行自学习或者训练，神经网络对自身的权值进行调整，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。RBF神经网络即径向基函数神经网络(RadicalBasisFunction)。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。实施例一参见图1～4，本申请提供一种电力负荷预测方法，所述预测方法包括以下步骤：(1)数据采集；(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；(3)对数据进行训练，建立RBF神经网络模型。本申请的基于总体测辨和人工神经网络的电力负荷预测模型主要包括数据采集、总体测辨法分析与RBF神经网络电力负荷预测三个部分。选取相关性大的影响因素，剔除相关性小的影响因素，对这些选取的影响因素的历史数据进行训练，建立起RBF神经网络；输入神经网络所需的特性指标，通过已建立起的神经网络来预测输出未来一天或多天的电力负荷，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。实施例二参见图1～4，本申请提供一种电力负荷预测方法，所述预测方法包括以下步骤：(1)数据采集；(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；(3)对数据进行训练，建立RBF神经网络模型。可选地，所述步骤(1)中数据采集包括该地区的电力负荷、气温、降雨量、湿度、风力和日期类型。可选地，还包括对所述采集的数据进行归一化处理。本申请的基于总体测辨和人工神经网络的电力负荷预测模型主要包括数据采集、总体测辨法分析与RBF神经网络负荷预测三个部分。数据采集部分包含了数据的收集与归一化两方面，主要收集该地区的电力负荷、气温、降雨量、湿度、风力、日期类型等历史数据，并对其进行归一化处理；总体测辨法部分主要对影响电力负荷的相关因素进行分析，筛选得到影响较大的因素；选取相关性大的影响因素，剔除相关性小的影响因素，对这些选取的影响因素的历史数据进行训练，建立起RBF神经网络；输入神经网络所需的特性指标，通过已建立起的神经网络来预测输出未来一天或多天的电力负荷，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。实施例三参见图1～4，本申请提本文档来自技高网...

【技术保护点】
一种电力负荷预测方法，其特征在于，所述预测方法包括以下步骤：(1)数据采集；(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；(3)对数据进行训练，建立RBF神经网络模型。

【技术特征摘要】
1.一种电力负荷预测方法，其特征在于，所述预测方法包括以下步骤：(1)数据采集；(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；(3)对数据进行训练，建立RBF神经网络模型。2.如权利要求1所述的预测方法，其特征在于，所述步骤(1)中数据采集包括该地区的电力负荷、气温、降雨量、湿度、风力和日期类型。3.如权利要求2所述的预测方法，其特征在于，还包括对所述采集的数据进行归一化处理。4.如权利要求1所述的预测方法...

【专利技术属性】
技术研发人员：曹敏，邹京希，李照球，董立军，唐立军，赵旭，张林山，
申请(专利权)人：云南电网有限责任公司电力科学研究院，南京新联电子股份有限公司，
类型：发明
国别省市：云南,53