【技术实现步骤摘要】
基于后向间隔偏最小二乘法的电力负荷预测方法及装置
本专利技术涉及电力负荷预测
，尤其涉及一种基于后向间隔偏最小二乘法的电力负荷预测方法及装置。
技术介绍
电力负荷进行精准的预测是节能减排工作中的重要一项工作，电力负荷准确预测可以经济合理地安排电网内各机组的启停，有效保障电力系统安全和经济运行，也可以在市场环境中合理编排调度计划、供电计划、交易计划。但是，目前大多数的变电站缺少电力负荷的专门计量。目前主要的电量预测传统预测方法趋势有时间序列法、灰色模型法、外推法，虽然这些算法具有原理简单、反应速度快等优点，但是针对复杂的电力规模系统和急剧增长电力数据资源，数据的“维数灾难”严重影响了电力负荷预测精度，因此，如何提高电力负荷预测精度已成为亟需解决的问题。
技术实现思路
为了解决上述
技术介绍
中提到的至少一个问题，本专利技术提供了一种基于后向间隔偏最小二乘法的电力负荷预测方法及装置。本专利技术实施例提供的具体技术方案如下：第一方面，提供一种基于后向间隔偏最小二乘法的电力负荷预测方法，
【技术保护点】
1.一种基于后向间隔偏最小二乘法的电力负荷预测方法，其特征在于，所述方法包括：/n获取电力负荷数据样本集，其中，所述电力负荷数据样本集包括多个样本电力负荷的历史数据以及各个所述样本电力负荷的影响因素数据；/n将所述电力负荷数据样本集划分为训练集和测试集；/n基于所述训练集和所述测试集，利用后向间隔偏最小二乘法建立电力负荷预测模型；/n利用所述电力负荷预测模型对未来电力负荷进行预测。/n
【技术特征摘要】
1.一种基于后向间隔偏最小二乘法的电力负荷预测方法，其特征在于，所述方法包括：
获取电力负荷数据样本集，其中，所述电力负荷数据样本集包括多个样本电力负荷的历史数据以及各个所述样本电力负荷的影响因素数据；
将所述电力负荷数据样本集划分为训练集和测试集；
基于所述训练集和所述测试集，利用后向间隔偏最小二乘法建立电力负荷预测模型；
利用所述电力负荷预测模型对未来电力负荷进行预测。
2.根据权利要求1所述的方法，其特征在于，所述影响因素数据包括如下至少一项：
输送电量、线路电量、电容电量、110kV母线输出电量、10kV母线有功电量、10kV母线无功电量、月最高温度、月最低温度、月平均最高温度、月平均最低温度、极端天气天数、紧急事件天数、特殊事件数量、第一行业数量及比例、居民家庭数量及用电比例、第二行业数量及用电比例、学校数量及用电比例、第三行业数量及用电比例。
3.根据权利要求1所述的方法，其特征在于，所述将所述电力负荷数据样本集划分为训练集和测试集，包括：
利用SPXY法将所述电力负荷数据样本集划分为训练集和测试集。
4.根据权利要求1至3任一所述的方法，其特征在于，所述基于所述训练集和所述测试集，利用后向间隔偏最小二乘法建立电力负荷预测模型，包括步骤：
a，获取所述电力负荷数据样本集对应的电力负荷样本矩阵，并将所述电力负荷样本矩阵划分为k段等宽的数据区间，k为正整数；
b，依次预留所述k段数据区间中的每一段数据，对每次预留后剩余的k-1段数据分别使用PLS进行建模，得到待测的k个子模型；
c，删除RMSECV值最小的子模型所对应的预留段数据，并将RMSECV值最小的子模型确定为基模型；
d，依次预留未删除的所述k-1段数据区域中的每一段数据，对每次预留后剩余的k-2段数据分别使用PLS进行建模，得到待测的k-1个子模型；
e，重复执行步骤c至步骤d，直至仅剩余一段数据；
f，在所有基模型中选择出RMSECV值最小的基模型，将RMSECV值最小的基模型所对应的数据区间组合确定为最佳组合；
g，采用留一交叉验证选取最佳主成分数，将选出的所述最佳组合中的数据使用PLS进行回归分析，得到电力负荷预测模型。
5.根据权利要求4所述的方法，其特征在于，所述使用PLS进行建模包括：
将k-1段数据分成影响电力负荷的因数矩阵X和电力负荷矩阵Y，其中所述因数矩阵X和所述电力负荷矩阵Y分别采用如下公式得到：
X＝AM+H；
Y＝BN+U；
其中，A矩阵是因数矩阵X的得分矩阵，B矩阵是电力负荷矩Y的得分矩阵，M矩阵是因数矩阵X的载荷矩阵，N矩阵是电力负荷矩Y的载荷矩阵，H是因数矩阵X的拟合残差，U是电力负荷矩阵Y的拟合残差；
建立所述因数矩阵X的得分矩阵A与所述电力负荷矩Y的得分矩阵B之间的线性回归关系；
根据所述线性回归关系，建立待测的子模型。
6.一种基于后向间隔偏最小二乘法的电力负荷预测装置...
【专利技术属性】
技术研发人员：刘强，赵志新，李磊，薛云耀，王奕快，丁历威，雷青松，吴凯槟，
申请(专利权)人：国网浙江省电力有限公司，国网电力科学研究院武汉能效测评有限公司，南瑞集团有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。