一种电力负荷预测方法技术

本发明专利技术公开了一种电力负荷预测方法，涉及电力技术领域，本方法针对完整的电力数据，先采用训练好的最小二乘支持向量机模型进行纵向预测，再采用训练好的容积卡尔曼滤波预测模型进行横向预测，最后采用训练好的灰色神经网络模型将两种算法进行融合，得到最终的预测结果，保证了预测结果的准确性。

A method of power load forecasting

【技术实现步骤摘要】
一种电力负荷预测方法
本专利技术涉及电力
，具体涉及一种电力负荷预测方法。
技术介绍
电力负荷预测作为电力系统重要工作内容之一，预测的精度高低会对经济调度、实时控制、运行计划及发展规划等方面产生很大影响。随着电力市场进一步开放、市场机制更加成熟、市场开放更加全面，电力负荷预测将发挥更大作用。传统的负荷预测方式例如回归预测法、时间序列法等方法在实时性和准确性方面已经不能满足目前的需求，尤其是在多重因素的影响下面临巨大挑战。电力系统作为城市生命线工程的重要环节，对于城市的发展建设和居民生活保障都发挥着重要作用，电力系统的安全和稳定是一切社会活动的基础。一方面随着国家科技进步、社会现代化进程的加快，工程建设、企业生产和国民生活对电能的依赖性更强，电力消耗巨大带来的需求量进一步增加，同时对于供电质量以及可靠性安全性等方面也会有更高的要求。因此，通过智能电网建设可以显著提升电力系统安全稳定运行水平以及供电的可靠性，这样不仅有利于智能化水平和用户互动化水平的提升，在缓解能源压力以及资源有效优化的配置等方面同样受益良多。负荷预测作为现阶本文档来自技高网...

【技术保护点】
1.一种电力负荷预测方法，其特征在于，包括如下步骤：/n以0到30min内任意时长为时间间隔，采集电力负荷数据；/n收集若干天内的电力负荷数据，判断若干天内的电力负荷数据是否缺失，若电力负荷数据缺失，则进行补全；/n建立最小二乘支持向量机模型，训练所述最小二乘支持向量机模型；/n建立容积卡尔曼滤波预测模型，训练所述容积卡尔曼滤波预测模型；/n建立灰色神经网络模型，训练所述灰色神经网络模型；/n利用训练好的最小二乘支持向量机模型对若干天内的电力负荷数据进行计算，得到第一预测结果；/n利用训练好的容积卡尔曼滤波预测模型对若干天内的电力负荷数据进行计算，得到第二预测结果；/n利用训练好的灰色神经网络...

【技术特征摘要】
1.一种电力负荷预测方法，其特征在于，包括如下步骤：
以0到30min内任意时长为时间间隔，采集电力负荷数据；
收集若干天内的电力负荷数据，判断若干天内的电力负荷数据是否缺失，若电力负荷数据缺失，则进行补全；
建立最小二乘支持向量机模型，训练所述最小二乘支持向量机模型；
建立容积卡尔曼滤波预测模型，训练所述容积卡尔曼滤波预测模型；
建立灰色神经网络模型，训练所述灰色神经网络模型；
利用训练好的最小二乘支持向量机模型对若干天内的电力负荷数据进行计算，得到第一预测结果；
利用训练好的容积卡尔曼滤波预测模型对若干天内的电力负荷数据进行计算，得到第二预测结果；
利用训练好的灰色神经网络模型对第一预测结果和第二预测结果进行计算，得到最终预测结果。


2.根据权利要求1所述的电力负荷预测方法，其特征在于：若电力负荷数据缺失，则进行补全包括如下步骤：
建立GABP神经网络；
利用缺失的电力负荷数据之前的电力负荷数据对GABP神经网络进行训练，得到第一GABP神经网络，利用第一GABP神经网络对缺失的电力负荷数据进行计算，得到第一补全数据；
利用缺失的电力负荷数据之后的电力负荷数据对GABP神经网络进行训练，得到第二GABP神经网络，利用第二GABP神经网络对缺失的电力负荷数据进行计算，得到第二补全数据；
建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据；
建立PSO-SVR模型，并训练所述PSO-SVR模型，利用训练好的PSO-SVR模型对所述第三补全数据进行计算，得到完整的电力负荷数据。


3.根据权利要求2所述的电力负荷预测方法，其特征在于：所述建立GABP神经网络具体包括如下步骤：
建立BP神经网络模型，所述BP神经网络模型包括输入层、隐含层和输出层，隐含层的第i个神经元的输入为：



i＝1,2,...,q
其中，xp为输入样本数据，tp为输出样本数据，wij表示隐含层第i个神经元与输入层第j个神经元的连接权值；θi表示隐含层中第i个神经元阈值；表示输入层第j个神经元的输入值，表示输入层第j个神经元的输出值，M代表输入层神经元个数；
隐含层第i个神经元输出为：其中，f(x)为传递函数；
隐含层所含神经元输出的结果与连接权值相乘后，将所有数值相加输入到输出层，所述输出层中，第k个神经元的输入为：其中，wki为输出层第k个神经元与隐含层第i个神经元的连接权值，表示输入层第i个神经元的输出值,θk表示隐含层中第k个神经元阈值；
所述输出层中将输入数值带入所述传递函数中，得到所述输出层的输出结果为


4.根据权利要求2所述的电力负荷预测方法，其特征在于：建立适应度函数，利用适应度函数对第一补全数据和第二补全数据进行计算，得到第三补全数据具体包括如下步骤：
依据适应度函数分别求解不同种群的适应度，所述适应度函数为其中，K为输出层中神经元个数，M’为输入样本数据总数，ypi为BP神经网络的预期输出，yoi表示BP神经网络的实际输出；
再依据以下两条公式计算个体被选中的概率pi以及种群累计概率ppi：


其中，M代表种群中全部个体的数量；
对种群累计概...

【专利技术属性】
技术研发人员：姜淏予，徐沛哲，葛泉波，余彬，
申请(专利权)人：杭州中恒云能源互联网技术有限公司，
类型：发明
国别省市：浙江;33