一种短期负荷预测的平滑数据预处理方法技术

本发明专利技术公开了一种短期负荷预测的平滑数据预处理方法，该方法包括获取原始训练集数据；所述原始训练集数据包括原始电网负荷数据以及原始电网影响因素数据；分别对所述原始电网负荷数据以及所述原始电网影响因素数据进行预处理。本申请提供的短期负荷预测的平滑数据预处理方法，在选取训练集时，考虑由于人为操作造成误差和测量误差（电网发生干扰造成测量误差等）会对负荷预测造成影响，提出一种数据预处理方法，对训练集数据进行预处理，然后再进行相似日的选取，最后将布谷鸟算法应用到神经网络中，对负荷进行预测。通过对误差数据的修复可以极大地提高负荷预测的准确率。值得大面积推广使用。

A smooth data preprocessing method for short-term load forecasting

The invention discloses a smooth data preprocessing method for short-term load forecasting, which includes obtaining the original training set data; the original training set data includes the original grid load data and the original grid influence factor data; preprocessing the original grid load data and the original grid influence factor data respectively. For the smooth data preprocessing method of short-term load forecasting provided in this application, when selecting the training set, considering that the error caused by human operation and measurement error (measurement error caused by grid interference, etc.) will affect the load forecasting, a data preprocessing method is proposed to preprocess the training set data, and then select similar days. Finally, the cuckoo bird will be selected The algorithm is applied to neural network to predict the load. The accuracy of load forecasting can be greatly improved by repairing the error data. It is worth popularizing in a large area.

【技术实现步骤摘要】
一种短期负荷预测的平滑数据预处理方法
本专利技术涉及数据预处理
，特别是涉及一种短期负荷预测的平滑数据预处理方法。
技术介绍
随着世界经济的发展和电力电子技术的进步，负荷的种类不断地增多，其功率也在不断的增大，而一些负荷的大小因其所需参数复杂，难以通过表达式来描述这类负荷的物理过程，这时候就需要通过智能算法来进行负荷预测，负荷预测是基于可知性、可能性、可控性和系统性原理而对未来负荷进行的科学的预测。负预测在电力系统的许多方面都起着重要的作用。中长期负荷预测不仅提供电源、电网规划的基础数据，也是制定年度检修计划和确定运行方式等的前提。短期负荷预测对于机组最优组合、安排停机计划和发电计划以及实时安全分析等意义非凡。负荷预测精度越高，不仅有利于提高发电设备的利用率和经济调度的有效性，而且有利于电力部门掌握需求变化情况，做好电力市场营销工作。目前，国内外许多专家学者对负荷预测理论和方法作了大量的研究工作，取得了卓有成效的进展。常用的预测方法：卡尔曼滤波算法、线性趋势外推法，以及智能算法，智能算法包括：径向基函数(RBF)神经网络算法、Elman算法、支持向量机(SVM)算法等。这些预测方法或多或少都存在一定的缺陷，如卡尔曼滤波算法和线性趋势外推法没有考虑负荷的非线性和随机性，而BP神经网络则存在易陷入局部最优和对未来样本的泛能力差的缺点，GA算法存在编码复杂且搜索速度慢的缺点，其中神经网络算法预测是现如今使用最多的智能算法之一。但是，BP神经网络预测方法的收敛速度较慢，容易陷入局部极值，布谷鸟算法可以避免算法陷入局部最优解，还具有较强的全局搜索能力，因此有学者利用布谷鸟算法对BP神经网络的权值和阈值进行优化。但是没有考虑到选取的数据误差会对负荷预测造成影响。
技术实现思路
本专利技术提供了一种短期负荷预测的平滑数据预处理方法。本专利技术提供了如下方案：一种短期负荷预测的平滑数据预处理方法，包括：获取原始训练集数据；所述原始训练集数据包括原始电网负荷数据以及原始电网影响因素数据；分别对所述原始电网负荷数据以及所述原始电网影响因素数据进行预处理；对所述原始电网负荷数据进行判断获取错误数据，并将所述错误数据进行修复获得处理后的电网负荷数据；对所述原始电网影响因素数据采用平均值法进行计算获得主要影响因素，将所述主要影响因素作为处理后的电网影响因素数据；将所述处理后的电网负荷数据以及处理后的电网影响因素数据作为布谷鸟-神经网络算法训练用的数据进行模型训练。优选地：所述对所述原始电网负荷数据进行判断获取错误数据，包括：对所述原始训练集数据进行判断获取错误数据，判断依据为横向相邻数据不突变，纵向数据相似，其表达式如下：式中：Dij表示所选数据；纵向时间在第d天t时刻的数据；纵向时间在第d天t时刻的数据；κ、λ分别表示权重值，取值范围(0,1)；当时，表示此时刻的数据为错误数据；表示数据阈值。优选地：所述并将所述错误数据进行修复获得处理后的电网负荷数据，包括：基于纵横时间的负荷修复用表达式如下式：式中：表示综合纵横时间在第d天t时刻的负荷大小；表示纵向时间在第d天t时刻的负荷大小；表示横向时间在第d天t时刻的负荷大小；α、β分别为和的权重值；i、j分别表示纵向数据和横向数据。优选地：式中：表示纵向时间在第d-1天t时刻的负荷大小；ξa表示自适应指数平滑值，即权重系数；ξ表示平滑系数，为定常值，取值范围(0,1)；式中：表示纵向时间在第d天t-1时刻的负荷大小；ζb表示自适应指数平滑值，即权重系数；ζ表示平滑系数，为定常值，取值范围(0,1)。优选地：所述对所述原始电网影响因素数据采用平均值法进行计算获得主要影响因素，包括：利用平均影响值算法找到对负荷影响度最大的z种影响因素，根据这些影响因素构建历史日负荷的主影响因素矩阵；式中，adt(z)表示第d天第z个主影响因子向量在第t个时间点的值。优选地：基于纵横时间的影响因素表达式如下式：Ai,j＝χ·Ai+δ·Aj式中：Ai,j表示综合纵横时间的影响因素数据矩阵；Ai表示纵向时间的影响因素数据矩阵；Aj表示横向时间的影响因素数据矩阵；χ、δ分别为Ai和Aj的权重值；i、j分别表示纵向数据和横向数据；式中：表示纵向时间在第d-1天t时刻的影响因素数据；μs表示自适应指数平滑值，即权重系数；μ表示平滑系数，为定常值，取值范围(0,1)；式中：表示纵向时间在第d天t-1时刻的影响因素数据；ωx表示自适应指数平滑值，即权重系数；ω表示平滑系数，为定常值，取值范围(0,1)。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：通过本专利技术，可以实现一种短期负荷预测的平滑数据预处理方法，在一种实现方式下，该方法可以包括获取原始训练集数据；所述原始训练集数据包括原始电网负荷数据以及原始电网影响因素数据；分别对所述原始电网负荷数据以及所述原始电网影响因素数据进行预处理；对所述原始电网负荷数据进行判断获取错误数据，并将所述错误数据进行修复获得处理后的电网负荷数据；对所述原始电网影响因素数据采用平均值法进行计算获得主要影响因素，将所述主要影响因素作为处理后的电网影响因素数据；将所述处理后的电网负荷数据以及处理后的电网影响因素数据作为布谷鸟-神经网络算法训练用的数据进行模型训练。本申请提供的短期负荷预测的平滑数据预处理方法，在选取训练集时，考虑由于人为操作造成误差和测量误差(电网发生干扰造成测量误差等)会对负荷预测造成影响，提出一种数据预处理方法，对训练集数据进行预处理，然后再进行相似日的选取，最后将布谷鸟算法应用到神经网络中，对负荷进行预测。通过对误差数据的修复可以极大地提高负荷预测的准确率。值得大面积推广使用。当然，实施本专利技术的任一产品并不一定需要同时达到以上所述的所有优点。附图说明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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种短期负荷预测的平滑数据预处理方法的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。实施例参见图1，为本专利技术实施例提供的一种短期负荷预测的平滑数据预处理方法，如图1所示，该方法包括：S101:获取原始训练集数据；所述原始训练集数据包括原始电网负荷数据以及原始电网影本文档来自技高网...

【技术保护点】
1.一种短期负荷预测的平滑数据预处理方法，其特征在于，所述方法包括：/n获取原始训练集数据；所述原始训练集数据包括原始电网负荷数据以及原始电网影响因素数据；/n分别对所述原始电网负荷数据以及所述原始电网影响因素数据进行预处理；对所述原始电网负荷数据进行判断获取错误数据，并将所述错误数据进行修复获得处理后的电网负荷数据；对所述原始电网影响因素数据采用平均值法进行计算获得主要影响因素，将所述主要影响因素作为处理后的电网影响因素数据；/n将所述处理后的电网负荷数据以及处理后的电网影响因素数据作为布谷鸟-神经网络算法训练用的数据进行模型训练。/n

【技术特征摘要】
1.一种短期负荷预测的平滑数据预处理方法，其特征在于，所述方法包括：
获取原始训练集数据；所述原始训练集数据包括原始电网负荷数据以及原始电网影响因素数据；
分别对所述原始电网负荷数据以及所述原始电网影响因素数据进行预处理；对所述原始电网负荷数据进行判断获取错误数据，并将所述错误数据进行修复获得处理后的电网负荷数据；对所述原始电网影响因素数据采用平均值法进行计算获得主要影响因素，将所述主要影响因素作为处理后的电网影响因素数据；
将所述处理后的电网负荷数据以及处理后的电网影响因素数据作为布谷鸟-神经网络算法训练用的数据进行模型训练。


2.根据权利要求1所述的短期负荷预测的平滑数据预处理方法，其特征在于，所述对所述原始电网负荷数据进行判断获取错误数据，包括：
对所述原始训练集数据进行判断获取错误数据，判断依据为横向相邻数据不突变，纵向数据相似，其表达式如下：



式中：Dij表示所选数据；纵向时间在第d天t时刻的数据；纵向时间在第d天t时刻的数据；κ、λ分别表示权重值，取值范围(0,1)；当时，表示此时刻的数据为错误数据；表示数据阈值。


3.根据权利要求2所述的短期负荷预测的平滑数据预处理方法，其特征在于，所述并将所述错误数据进行修复获得处理后的电网负荷数据，包括：
基于纵横时间的负荷修复用表达式如下式：



式中：表示综合纵横时间在第d天t时刻的负荷大小；表示纵向时间在第d天t时刻的负荷大小；表示横向时间在第d天t时刻的负荷大小；α、β分别为和的权重值；i、j分别表示纵向数据和横向数据。


4.根据权利要求3所述的短期负荷预测的平滑数据预处理方法，其特征在于，

【专利技术属性】
技术研发人员：康丽，金锋，张兆云，张志，赵洋，
申请(专利权)人：东莞理工学院，
类型：发明
国别省市：广东;44