一种基于时间序列和卡尔曼滤波的负荷预测方法技术

本发明专利技术公开了一种基于时间序列和卡尔曼滤波的负荷预测方法，所述方法包括：通过一阶差分法将电力负荷数据进行平稳化处理；根据AIC准则，选取时间序列模型；将平稳化处理后的数据代入选择的时间序列模型，获得时间序列预测方程；建立卡尔曼滤波方程，对建立的卡尔曼滤波方程进行改进，得到自适应卡尔曼滤波方程；将得到的时间序列预测方程代入自适应卡尔曼滤波方程，得到基于时间序列‑自适应卡尔曼滤波的电力负荷预测模型；将已知电力负荷数据代入电力负荷预测模型，获得下一时刻的电力负荷预测数据；解决了现有的电力负荷预测方法存在不准确的技术问题，实现了提高电力负荷预测的精度的技术效果。

A load forecasting method based on time series and Calman filter

The invention discloses a method for time series prediction and Calman filter based on the load, the method includes: using one order difference method of power load data smooth processing; according to the AIC criteria, select the time series model; time series model to smooth the data generation selection, time sequence establish a prediction equation; Calman filter equation of Calman filter equation is improved by adaptive Calman filtering equation; time series prediction equations of the adaptive Calman filtering equation, the power load time series adaptive Calman filter based prediction model; the known power load data into the load forecasting model, forecast electric load data of next time; to solve the existing power load forecasting method does not exist The technical effect of improving the precision of the power load forecasting is realized by the accurate technical problems.

【技术实现步骤摘要】
一种基于时间序列和卡尔曼滤波的负荷预测方法
本专利技术涉及电力负荷预测领域，具体地，涉及一种基于时间序列和卡尔曼滤波的负荷预测方法。
技术介绍
为用户提供优质、稳定的电能是电力系统的主要任务，而实现该任务的前提是电力运行、调度和规划部门必须要掌握用户的用电规律和变化趋势。电力市场化的标志是在电力生产和供应的各个环节打破垄断，引入竞争，实现资源的优化配置，提高社会效益和经济效益。电力市场中的各个企业，必须要准确把握市场脉络，了解用户的用电需求、规律和变化趋势，制定合理的营销计划和发展战略，以追求企业的经济利益。而负荷预测是各企业了解用户的用电需求、规律和变化趋势的有力工具。电网负荷的预测方法主要有持续法、时间序列法、神经网络法。持续法一般用作其他预测方法的比较基准，从而评价某种预测方法的精确度。时间序列法所需数据较少，但是预测精度不高。神经网络法预测精度较高，但是计算复杂，对数据要求较高。
技术实现思路
本专利技术提供了一种基于时间序列和卡尔曼滤波的负荷预测方法，解决了现有的电力负荷预测方法存在不准确或计算复杂的技术问题，实现了提高电力负荷预测的精度且计算简单的技术效果。为实现上述专利技术目的，本申请提供了一种电力负荷预测模型优化方法，所述方法包括：通过一阶差分法将电力负荷数据进行平稳化处理；根据AIC准则，选取时间序列模型；将平稳化处理后的数据代入选择的时间序列模型，获得时间序列预测方程；建立卡尔曼滤波方程，对建立的卡尔曼滤波方程进行改进，得到自适应卡尔曼滤波方程；将得到的时间序列预测方程代入自适应卡尔曼滤波方程，得到基于时间序列-自适应卡尔曼滤波的电力负荷预测模型；将已知电力负荷数据代入电力负荷预测模型，获得下一时刻的电力负荷预测数据。进一步的，电力负荷数据为过去某个时段的电力负荷数据。进一步的，用差分算子进行平稳化处理，用一阶差分变换对{Yt}处理后获得：{Yt}为随时间变化的量y(t)的集合所组成的离散数列,又被称为离散时间序列，B为延迟算子，yt为t时刻的数据集合，为对t时刻的数据集合进行差分后的结果；对式子(2-7)进行1阶差分之后，获得：上式可以记做ARIMA(p,d,q)，其中,p是ARIMA的自回归阶数；d是其差分次数；q是其滑动平均阶数。进一步的，根据AIC准则(最小信息准则，它是对多种模型做选择的判别方法)，选取时间序列模型具体包括：求取不同p和q时AIC的值，当AIC的值为最小时，则此时所得的p和q的值为最佳模型阶数。进一步的，将平稳化处理的数据代入所选择的模型，得到基于时间序列的电力负荷预测方程为ARIMA(p,d,q)。进一步的，建立卡尔曼滤波方程具体为：离散系统表示为其中，X(k)是k时刻的n维状态向量；Z(k)是k时刻的m维观测向量；w(k)是k时刻的n维噪声向量；v(k)是k时刻的m维测量噪声向量；φ(k+1,k)是从k时刻到k+1时刻的状态转移矩阵；Γ(k+1,k)是从时刻k到k+1时刻的激励转移矩阵；H(k+1)是k+1时刻的预测输出矩阵；X(k+1)是k+1时刻的n维状态向量；Z(k+1)是k+1时刻的m维观测相量。进一步的，卡尔曼滤波预测递推方程为：X'(k+1|k+1)＝φ(k+1,k)×X'(k|k)+K(k+1)×[Z(k+1)-H(k+1)×φ(k+1,k)×X'(k|k)]K(k+1)＝P(k+1|k)×HT(k+1)×[H(k+1)×P(k+1|k)×HT(k+1)+R(k+1)]P(k+1|k)＝φ(k+1,k)×P(k|k)×φT(k+1,k)+Γ(k+1,k)×Q(k)×ΓT(k+1,k)P(k+1|k+1)＝[I-K(k+1)×H(k+1)]×P(k+1|k)其中，X'(k+1|k+1)是k+1时刻的状态估计的值；X'(k|k)是k时刻的状态估计值；K(k+1)是k+1时刻卡尔曼增益矩阵的值；Z(k+1)是k+1时刻的m维观测向量；P(k+1|k)是从k时刻到k+1时刻的协方差阵；HT(k+1)是k+1时刻的预测输出矩阵的转秩；P(k+1|k+1)是k+1时刻的误差协方差阵；R(k+1)是关于v(k+1)的协方差阵；P(k|k)是k时刻的误差协方差矩阵；φT(k+1,k)是从k时刻到k+1时刻的状态转移矩阵的转秩；ΓT(k+1,k)是从时刻k到k+1时刻的激励转移矩阵的转秩；Q(k)是关于w(k)的协方差阵；R(k)是关于v(k)的协方差矩阵；I是单位矩阵；进一步的，对获得的卡尔曼滤波方程进行改进，获得自适应卡尔曼滤波方程。引入时变噪声统计估值，采用以下有偏估值式G(k)＝[ΓT(k,k)×Γ(k,k)]-1×ΓT(k,k)Qg(k+1)＝(1-z(k))×Qg(k)+z(k)×{G(k)×[K(k+1)×ε(k+1)×εT(k+1)×KT(k+1)+P(k+1|k+1)]×GT(k)}Rg(k+1)＝(1-z(k))×Rg(k)+z(k)×[ε(k+1)×εT(k+1)]其中：Γ(k,k)是k时刻的激励转移矩阵；ΓT(k,k)是k时刻的激励转移矩阵的转秩；Qg(k)是k时刻的关于w(k)的协方差矩阵；ε(k+1)是k+1时刻的偏差矩阵；εT(k+1)是k+1时刻的偏差矩阵的转秩；KT(k+1)是k+1时刻卡尔曼增益矩阵的转秩；Rg(k)是k时刻的关于v(k)的协方差矩阵。z(k+1)用于指数加权。当依照0<s<1取定遗忘因子s后，有：s0+s1+L+sk＝(1-sk+1)/(1-s)为满足权系数序列要求，令：z(k)＝(1-s)/(1-sk+1)至此，卡尔曼滤波方程每迭代一次，均用计算得到的Qg(k+1)、Rg(k+1)代替取固定值的R(k)、Q(k)，再进行下一次的迭代计算。本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：由于本专利技术将时间序列法和卡尔曼滤波法结合起来，并对卡尔曼滤波预测方程中影响预测精度的关键因子进行了精度改进，故本方法可以缩小两种预测方法分别预测的精度的误差，实现了提高电力负荷预测的精度的技术效果。附图说明此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本申请的一部分，并不构成对本专利技术实施例的限定；图1是本申请中基于时间序列和卡尔曼滤波的负荷预测方法的流程示意图。具体实施方式本专利技术提供了一种基于时间序列和卡尔曼滤波的负荷预测方法，解决了现有的电力负荷预测方法存在不准确或计算复杂的技术问题，实现了提高电力负荷预测的精度且计算简单的技术效果。为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。请参考图1，本申请提供了一种基于时间序列—自适应卡尔曼滤波的电力负荷预测模型优化方法，包括如下步骤：S1、选择过去某时段的电力负荷数据；S2、通过一阶差分将s1所得数据进行平稳化处理；用差分算子进行平稳化处理。用一阶差分变换对{Yt}处理后可以得到对式子(1)进行阶差分之后，可以得到上式可本文档来自技高网...

【技术保护点】
一种基于时间序列和卡尔曼滤波的负荷预测方法，其特征在于，所述方法包括：通过一阶差分法将电力负荷数据进行平稳化处理；根据AIC准则，选取时间序列模型；将平稳化处理后的数据代入选择的时间序列模型，获得时间序列预测方程；建立卡尔曼滤波方程，对建立的卡尔曼滤波方程进行改进，得到自适应卡尔曼滤波方程；将得到的时间序列预测方程代入自适应卡尔曼滤波方程，得到基于时间序列‑自适应卡尔曼滤波的电力负荷预测模型；将已知电力负荷数据代入电力负荷预测模型，获得下一时刻的电力负荷预测数据。

【技术特征摘要】
1.一种基于时间序列和卡尔曼滤波的负荷预测方法，其特征在于，所述方法包括：通过一阶差分法将电力负荷数据进行平稳化处理；根据AIC准则，选取时间序列模型；将平稳化处理后的数据代入选择的时间序列模型，获得时间序列预测方程；建立卡尔曼滤波方程，对建立的卡尔曼滤波方程进行改进，得到自适应卡尔曼滤波方程；将得到的时间序列预测方程代入自适应卡尔曼滤波方程，得到基于时间序列-自适应卡尔曼滤波的电力负荷预测模型；将已知电力负荷数据代入电力负荷预测模型，获得下一时刻的电力负荷预测数据。2.根据权利要求1所述的基于时间序列和卡尔曼滤波的负荷预测方法，其特征在于，电力负荷数据为过去某个时段的电力负荷数据。3.根据权利要求1所述的基于时间序列和卡尔曼滤波的负荷预测方法，其特征在于，用差分算子▽＝1-B进行平稳化处理，用一阶差分变换对{Yt}处理后获得：▽yt＝(1-B)yt＝yt-yt-1(1){Yt}为随时间变化的量y(t)的集合所组成的离散数列,又被称为离散时间序列，B为延迟算子，yt为t时刻的数据集合，▽yt为对t时刻的数据集合进行差分后的结果；对式子(1)进行d阶差分之后，获得：▽dyt＝(1-B)dyt(2)式子(2)记做ARIMA(p,d,q)，其中,p是ARIMA的自回归阶数；d是其差分次数；q是其滑动平均阶数。4.根据权利要求3所述的基于时间序列和卡尔曼滤波的负荷预测方法，其特征在于，根据AIC准则，选取时间序列模型具体包括：求取不同p和q时AIC的值，当AIC的值为最小时，则此时所得的p和q的值为最佳模型阶数。5.根据权利要求4所述的基于时间序列和卡尔曼滤波的负荷预测方法，其特征在于，将平稳化处理的数据代入所选择的模型，得到基于时间序列的电力负荷预测方程为ARIMA(p,d,q)。6.根据权利要求1所述的电力负荷预测模型优化方法，其特征在于，建立卡尔曼滤波方程具体为：离散系统表示为其中，X(k)是k时刻的n维状态向量；Z(k)是k时刻的m维观测向量；w(k)是k时刻的n维噪声向量；v(k)是k时刻的m维测量噪声向量；φ(k+1,k)是从k时刻到k+1时刻的状态转移矩阵；Γ(k+1,k)是从时刻k到k+1时刻的激励转移矩阵；H(k+1)是k+1时刻的预测输出矩阵；X(k+1)是k+1时刻的n维状态向量；Z(k+1)是k+1时刻的m维观测相量。7.根据权利要求6所述的基于时间序列和卡尔曼滤波的负荷预测方法，其特征在于，卡尔曼滤波预测递推方...

【专利技术属性】
技术研发人员：田云翔，柳强，赵君伟，
申请(专利权)人：国网四川雅安电力集团股份有限公司，
类型：发明
国别省市：四川,51