一种基于ARIMA和相空间重构SVR的母线净负荷预测方法技术

本发明专利技术公开了一种基于ARIMA和相空间重构SVR的母线净负荷预测方法，具体包括以下几个步骤：步骤一，确定ARIMA模型的参数，建立ARIMA模型；步骤二，基于CC法对ARIMA模型残差序列进行相空间重构；步骤三，基于重构后的残差矩阵利用SVR建立净负荷非线性部分预测模型；步骤四，获得净负荷预测最终结果。本发明专利技术提出的预测模型充分利用ARIMA模型对线性变化的较强追踪能力以及SVR对非线性变化较强的捕捉能力；CC法相空间重构以嵌入空间维数和时间延迟的选取是相互依赖的为理论基础，计算量小、可靠性高且抗噪能力较强；SVR模型对非线性变化有较强的跟踪与捕捉能力，可以有效分析净负荷的非线性成分。

【技术实现步骤摘要】
一种基于ARIMA和相空间重构SVR的母线净负荷预测方法
本专利技术涉及一种电力系统自动化
的负荷预测方法，具体涉及一种基于ARIMA和相空间重构SVR的母线净负荷预测方法。
技术介绍
电力系统需要向用户提供安全、可靠的电能，由于电能本身不能大量存储的特点，实时的供电和负荷平衡是电力系统稳定运行的关键因素之一，负荷预测则是保证这种平衡的一个重要手段。随着新能源技术的不断发展，风电、光伏等分布式电源并入电网，其强烈的随机性及波动性将进一步对电网的稳定运行造成威胁，所以准确的母线净负荷预测对电网的安全、经济运行具有重要意义。母线净负荷受到作息时间、生产工艺、气候、节假日及其他突发事件等的影响，具有时间性和随机性等特点，难于精确建模和预测。迄今为止，国内外专家学者在净负荷预测的理论和方法方面已经取得了卓有成效的研究成果。净负荷预测方法主要分为经典预测方法和现代预测方法。经典预测方法主要包括时间序列预测法及回归预测法，通过对净负荷历史的观测数据进行统计分析，建立数学模型，从而实现对未来净负荷的预测。由于电力系统负荷的随机性和很强的非线性，经典方法的应用往往存在一定局限性，现代预测方法的研究为负荷预测提供了强有力的工具。目前较多使用的主要包括神经网络、模糊逻辑、灰色理论和小波分析等。肖白等采用相似日的负荷预测技术，将历史数据以一周为周期进行分组选取与预测日相似的负荷情况进行预测。汤庆峰等首先采取最优交集、并行化等对样本数据进行优化，在保证预测精度的基础上减少了工作量。钟清等考虑了电力系统负荷自身的变化特点及分布式电源接入的影响建立综合的净负荷预测模型。沈沉等提出了基于小波变换和层次聚类分析的配变短期负荷预测方法，通过数据分析，验证了提出方案对所研究案例的适用性。曾鸣等提出了一种兼容需求侧资源的负荷预测新方法，通过多层次叠加技术测算到预测区域内考虑需求侧资源的最大负荷。这些方法存在的缺点是：计算量大、可靠性低且抗噪能力较弱，且不能有效分析净负荷的非线性成分。
技术实现思路
为克服现有技术的不足，本专利技术提供一种基于ARIMA和相空间重构SVR的母线净负荷预测方法，计算量小、可靠性高且抗噪能力强，且能有效分析净负荷的非线性成分。本专利技术的一种基于ARIMA和相空间重构SVR的母线净负荷预测方法，具体包括以下几个步骤：步骤一，确定自回归积分滑动平均模型ARIMA模型的(p,q,d)参数，建立ARIMA模型；步骤二，基于CC法对ARIMA(p,q,d)模型残差序列进行相空间重构；步骤三，基于重构后的残差矩阵利用SVR建立净负荷非线性部分预测模型；步骤四，获得净负荷预测最终结果。步骤一中，所述ARIMA模型是对母线净负荷{p′bus,t,t＝1,2,...N}进行建模；N为母线净负荷数据样本数量。上述母线净负荷是指：设定时刻母线负荷与相应时刻分布式电源出力之差PN-Bus,t＝PBus,t-PDG,t(1)其中，PN-Bus,t为母线设定时刻净负荷；PBus,t为母线负荷，该数据来源于变电站电量计量系统；PDG,t为相应母线时刻分布式光伏电源出力，该数据来源于光伏监测系统。步骤一中，所述ARIMA模型的建模方法如下：(1-1)差分处理：对原始序列[PN-Bus,t]进行d阶差分处理得到平稳时间序列[P′N-Bus,t]；(1-2)模型识别与参数定阶：计算平稳时间序列[P′N-Bus,t]自相关和偏自相关系数，初步确定模型类别(AR，MA，ARMA)，利用最小信息准则AIC确定模型参数p，q的取值；(1-3)参数估计：利用相关矩进行自回归系数ai和滑动平均系数bj的参数估计，确定最终ARIMA(p,q,d)模型为：et-j是白噪声序列，为独立误差；(1-4)数据预测：通过建立的ARIMA模型进行单步预测，得到预测结果PFN-Bus,t即为线性成分。步骤二中，基于CC法对ARIMA(p,q,d)模型残差序列进行相空间重构，残差序列REt的表达式为：REt＝PN-Bus,t-PFN-Bus,t(2)其中，残差序列{REt,t＝1,2,...N}包含净负荷序列{PN-Bus,t,t＝1,2,...N}的非线性关系。基于CC法对ARIMA(p,q,d)模型残差序列进行相空间重构，具体方法如下：(2-1)将原始时间序列{REt,t＝1,2,...,N}重构，以m为嵌入维数，τ为重构时延，即：X(t)＝[RE(t),RE(t+τ),…,RE(t+(m-1)τ)]t＝1,2,…,τ(3)(2-2)对每个子序列计算关联积分：其中，M为相空间中相点的个数，M＝N-(m-1)τ；r为计算中所取的搜索半径，r＝0.5σ,σ,1.5σ,2σ，σ为时间序列标准差，θ(x)为Heaviside单位函数，dij为重构后的两个时间序列Xi和Xj之间的距离；(2-3)采用分块平均策略计算检验统计量S：(2-4)计算差量：ΔS(m,τ)＝max{S(m,rj,τ)}-min{S(m,rj,τ)}(6)ΔS(m,τ)度量了S(m,N,r,τ)对半径r的最大偏差；当ΔS(m,τ)为最小值时，此时重构相空间中的点接近均匀分布，重构系统的轨道在相空间完全展开，时间序列的相关性最接近于零；ΔS(m,τ)～τ曲线反映了原始序列的自相关特性；(2-5)计算：ri＝i×0.5×σ，和均反映了原时间序列的自相关性；定义指标：的第一个局部极小值点所对应的τ即为最佳时延τd，Scor(τ)的全局最小值对应的τ即最佳嵌入窗τω，tω＝(m-1)τ从而确定嵌入空间维数m和时间延迟τ。步骤三中，基于重构后的残差矩阵利用SVR建立净负荷非线性部分预测模型，所述重构后的残差矩阵为：利用SVR建立净负荷非线性部分预测模型，训练的输入矩阵X和输出矩阵Y如下所示，输出结果为净负荷非线性成分的预测结果：Y＝[X2+(m-1)τX3+(m-1)τ…Xk+1]T(12)预测阶段则将X'＝[Xk+1-(m-1)τ,Xk+1-(m-2)τ,…,Xk+1]作为SVR模型的输入，则此时SVR模型的输出Y'＝Xk+2即为净负荷非线性成分的预测结果，记为REFt。步骤四中，所述净负荷预测最终结果为：PYt＝PFN-Bus,t+REFt(13)。与最接近的现有技术比，本专利技术提供的技术方案具有以下优异效果：1、相对于传统的净负荷预测方法，本专利技术采取了对净负荷非线性及线性成分分别提取的预测方案，不管是针对平稳还是波动性较强的净负荷情况，均可取得较好的预测效果；2、本专利技术提出的预测模型充分利用ARIMA模型对线性变化的较强追踪能力以及SVR对非线性变化较强的捕捉能力，针对单一数据情况，运用CC法进行原动力系统重建，实现了混合建模。3、CC法相空间重构以嵌入空间维数和时间延迟的选取是相互依赖的为理论基础，计算量小、可靠性高且抗噪能力较强；4、SVR模型对非线性变化有较强的跟踪与捕捉能力，可以有效分析净负荷的非线性成分。附图说明图1为本专利技术工作流程图；图2为ARIMA模型预测结果；图3为Scor(t)和t的关系曲线；图4为相空间重构模型预测结果。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。本专利技术的一种基于ARIMA和相空间重构SVR的母线净负荷预本文档来自技高网...

【技术保护点】
一种基于ARIMA和相空间重构SVR的母线净负荷预测方法，其特征在于，具体包括以下几个步骤：步骤一，确定ARIMA模型的(p,q,d)参数，建立ARIMA模型；步骤二，基于CC法对ARIMA(p,q,d)模型残差序列进行相空间重构；步骤三，基于重构后的残差矩阵利用SVR建立净负荷非线性部分预测模型；步骤四，获得净负荷预测最终结果。

【技术特征摘要】
1.一种基于ARIMA和相空间重构SVR的母线净负荷预测方法，其特征在于，具体包括以下几个步骤：步骤一，确定ARIMA模型的(p,q,d)参数，建立ARIMA模型；步骤二，基于CC法对ARIMA(p,q,d)模型残差序列进行相空间重构；步骤三，基于重构后的残差矩阵利用SVR建立净负荷非线性部分预测模型；步骤四，获得净负荷预测最终结果。2.根据权利要求1所述的基于ARIMA和相空间重构SVR的母线净负荷预测方法，其特征在于，步骤一中，所述ARIMA模型是对母线净负荷{p′bus,t,t＝1,2,...N}进行建模；N为母线净负荷数据样本数量。3.根据权利要求2所述的基于ARIMA和相空间重构SVR的母线净负荷预测方法，其特征在于，所述母线净负荷是指：设定时刻母线负荷与相应时刻分布式电源出力之差PN-Bus,t＝PBus,t-PDG,t(1)其中，PN-Bus,t为母线设定时刻净负荷；PBus,t为母线负荷，该数据来源于变电站电量计量系统；PDG,t为相应母线时刻分布式光伏电源出力，该数据来源于光伏监测系统。4.根据权利要求3所述的基于ARIMA和相空间重构SVR的母线净负荷预测方法，其特征在于，步骤一中，所述ARIMA模型的建模方法如下：(1-1)差分处理：对原始序列[PN-Bus,t]进行d阶差分处理得到平稳时间序列[P′N-Bus,t]；(1-2)模型识别与参数定阶：计算平稳时间序列[P′N-Bus,t]自相关和偏自相关系数，初步确定模型类别(AR，MA，ARMA)，利用最小信息准则AIC确定模型参数p，q的取值；(1-3)参数估计：利用相关矩进行自回归系数ai和滑动平均系数bj的参数估计，确定最终ARIMA(p,q,d)模型为：et-j是白噪声序列，为独立误差；(1-4)数据预测：通过建立的ARIMA模型进行单步预测，得到预测结果PFN-Bus,t即为线性成分。5.根据权利要求4所述的基于ARIMA和相空间重构SVR的母线净负荷预测方法，其特征在于，步骤二中，基于CC法对ARIMA(p,q,d)模型残差序列进行相空间重构，残差序列REt的表达式为：REt＝PN-Bus,t-PFN-Bus,t(2)其中，残差序列{REt,t＝1,2,...N}包含净负荷序列{PN-Bus,t,t＝1,2,...N}的非线性关系。6.根据权利要求5所述的基于ARIMA和相空间重构SVR的母线净负荷预测方法，其特征在于，基于CC法对ARIMA(p,q,d)模型残差序列进行相空间重构，具体方法如下：(2-1)将原始时间序列{REt,t＝1,2,...,N}重构，以m为嵌入维数，τ为重构时延，即：X(t)＝[RE(t),RE(t+τ),…,RE(t+(m-1)τ)]t＝1,2,…,τ(3)(2-2)对每个子序列计算关联积分：其中，M为相空间中相点的个数，M＝N-(m-1)τ；r为计算中所取的搜索半径，r＝0.5σ,σ,1.5σ,2σ，σ为时间序列标准差，θ(x)为Heaviside单位函数，dij为重构后的两个时间序列Xi和Xj之...

【专利技术属性】
技术研发人员：梅飞，刘皓明，李玉杰，袁晓玲，王力，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32