基于PCA-GM的电力负荷预测方法、系统、计算机可读存储介质和计算设备技术方案

本发明专利技术公开了一种基于PCA‑GM的电力负荷预测方法、系统、计算机可读存储介质和计算设备，预测方法包括步骤：采集负荷数据和气象数据，气象数据包括与负荷数据指标相关的因素；对气象数据进行关联度分析，根据分析结果剔除关联度较低的因素；采用PCA降维方法对关联度分析处理过的气象数据和负荷数据降维处理；将经过降维处理的数据样本代入GM(1,1)预测模型，获得预测结果。本发明专利技术基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、降维处理，最后利用灰色理论模型进行预测，能够有效减少计算量、提高负荷预测精度，大大增强了预测的准确性。

Power load forecasting method, system, computer readable storage medium and computing equipment based on pca-gm

【技术实现步骤摘要】
基于PCA-GM的电力负荷预测方法、系统、计算机可读存储介质和计算设备
本专利技术涉及短期电力负荷预测
，具体涉及一种能够提高负荷预测精度，且减少计算量的基于PCA-GM的电力负荷预测方法、系统、计算机可读存储介质和计算设备。
技术介绍
在电力进入市场化运行后，电力负荷预测实质上是对电力市场需求的的预测，以电力负荷为对象进行的一系列预测工作，电力供需瞬时平衡的特点决定了电力行业的预测需求比其他行业更加紧迫。从预测对象来看，电力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷曲线的预测，其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据。现有的短期电力负荷预测方法大多采用灰色理论法，大多依据大量历史数据进行预测，计算量大且预测准确性较差，因此迫切需要设计出一种能够降低运算成本、提高预测速度和精度的预测方法和设备等。
技术实现思路
技术目的：针对上述技术问题，本专利技术提供了一种基于PCA-GM的电力负荷预测方法，解决了
技术介绍
中披露的问题。技术方案：为实现上述技术目的，本专利技术采用了如下技术方案：一种基于PCA-GM的电力负荷预测方法，包括以下步骤：S1、采集负荷数据和气象数据，气象数据包括与负荷数据指标相关的因素；S2、对气象数据进行关联度分析，根据分析结果剔除关联度较低的因素；S3、采用PCA降维方法对步骤S2处理过的气象数据和负荷数据降维处理；S4、将经过降维处理的数据样本代入GM(1,1)预测模型，获得预测结果。优选地，所述气象数据包括日最高温度、日平均温度、最低温度和降雨量，所述步骤S2中关联度分析的方法包括步骤：S21、确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，比较数列为四个气象数据；S21、将变量无量纲化；S23、计算关联系数和关联度。优选地，所述步骤S3中，气象数据和负荷指标的降维方法包括步骤：，S31、对采集到的每天的负荷数据和与负荷数据相关的气象数据分别去平均，求其特征协方差矩阵；S32、计算特征协方差矩阵的特征值与特征向量；S33、将特征值降序排列，选取特征值最大的特征向量作为主成分。本专利技术还公开了一种基于PCA-GM的电力负荷预测系统，其特征在于，包括：采集模块，用于采集负荷数据和气象数据；关联度模块，用于对温度数据和气象数据进行关联度分析；降维模块，用于对经关联度分析后的数据进行降维处理；确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，比较数列为四个气象数据；将变量无量纲化；计算关联系数和关联度。预测模块，用于将降维后的预测样本代入建立好的GM(1,1)模型中，获得预测结果。具体地，所述降维模块包括：矩阵求取模块，用于对采集到的气象数据和负荷数据去平均，求其特征协方差矩阵；向量和特征值求取模块，用于计算气象数据的特征值与特征向量；主成分选择模块，用于对特征值降序排列，将特征值最大的特征向量作为主成分。本专利技术还公开了一种计算机可读存储介质，其特征在于：存储有1个或1个以上的计算机程序，所述计算机程序被处理器执行时实现所述基于PCA-GM的电力负荷预测方法。本专利技术还公开了一种计算设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述基于PCA-GM的电力负荷预测方法。有益效果：本专利技术所述基于PCA-GM的电力负荷预测方法、系统、计算机可读存储介质和计算设备，基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、降维处理，最后利用灰色理论模型进行预测，提高负荷预测精度，大大增强了预测的准确性，且本专利技术主要通过短期检测的数据来计算和预测，且对数据进行关联度分析和降维处理，解决了现有技术中主要依赖于大量历史数据进行预测，计算量大的问题，能够有效减少计算量，降低计算成本和设备成本。附图说明图1为本专利技术的基于PCA-GM的电力负荷预测方法的流程图。具体实施方式如图1所示，一种基于PCA-GM的电力负荷预测方法，包括以下步骤S1至S4。S1、采集负荷数据以及与负荷指标相关的气象数据，如日最高温度、日平均温度、日最低温度和降雨量数据。S2、将气象因素与负荷指标进行关联度分析，剔除关联度低的因素。对于两个系统之间的因素，其随时间或者不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势有一致性，即同步变化程度较高，即意为关联度较高。现有的关联分析法有很多，但是考虑数据的特点，这里采用灰色关联分析法进行关联度分析。本专利技术采用的灰色关联度分析法，具体步骤如下：S21、确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，记为y＝y(k),k＝1,2,3Kn；比较数列为四个气象数据，记为xi＝xi(k),k＝1,2Kn,i＝1,2Km；S22、将变量无量纲化，由于系统中各因素列中的数据可能量纲不同，不便于比较，利用均值化处理：其中k对应时间，i对应比较数列中的一行(即一个指标)；S23、计算关联系数，记Δi(k)＝|y(k)-xi(k)|，则其中，ρ∈(0,∞)，称为分辨系数，通常取0.5；计算关联度ri，公式为根据关联度的大小筛选出主要的影响因素，并剔除掉关联度极小的指标。PCA(PrincipalComponentAnalysis)，是一种主成分分析方法，降维可以在压缩数据的同时让信息损失最小化，并且使数据通过可视化更容易理解。本专利技术的步骤S3中，对关联度分析后的气象数据、负荷数据进行PCA降维处理，具体过程如下：S31、将每天的最高温度、平均温度、最低温度、降雨量和负荷值分别去平均，求其特征协方差矩阵，协方差矩阵由数据集中两两变量的协方差组成：其中,x,y,z,a,b分别为最高温度、平均温度、最低温度、降雨量和负荷数据。S32、计算协方差矩阵的特征向量和特征值；S33、将特征值降序排列，将特征值最大的特征向量作为主成分。S4、将降维后的数据代入GM(1,1)模型，获得预测结果。本专利技术的方法基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、降维处理，最后利用灰色理论模型进行预测，大大增强了预测的准确性。经上述优选配置，与现有的技术中的其他预测算法的预测结果作比较，结果如下：通过该比较结果，本专利技术的预测方法所得结果的均方差误差，均小于现有的三种BP、Elman神经网络、ARMA预测方法。本专利技术在预测结果的准确度、稳定性上，均明显优于现有的算法。本专利技术还公开了一种基于PCA-GM的电力负荷预测系统，包括：...

【技术保护点】
1.一种基于PCA-GM的电力负荷预测方法，其特征在于，包括以下步骤：/nS1、采集负荷数据和气象数据，气象数据包括与负荷数据指标相关的因素；/nS2、对气象数据进行关联度分析，根据分析结果剔除关联度较低的因素；/nS3、采用PCA降维方法对步骤S2处理过的气象数据和负荷数据降维处理；/nS4、将经过降维处理的数据样本代入GM(1,1)预测模型，获得预测结果。/n

【技术特征摘要】
1.一种基于PCA-GM的电力负荷预测方法，其特征在于，包括以下步骤：
S1、采集负荷数据和气象数据，气象数据包括与负荷数据指标相关的因素；
S2、对气象数据进行关联度分析，根据分析结果剔除关联度较低的因素；
S3、采用PCA降维方法对步骤S2处理过的气象数据和负荷数据降维处理；
S4、将经过降维处理的数据样本代入GM(1,1)预测模型，获得预测结果。


2.根据权利要求1所述的一种基于PCA-GM的电力负荷预测方法，其特征在于，所述气象数据包括日最高温度、日平均温度、最低温度和降雨量，所述步骤S2中关联度分析的方法包括步骤：
S21、确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，比较数列为四个气象数据；
S21、将变量无量纲化；
S23、计算关联系数和关联度。


3.根据权利要求1所述的一种基于PCA-GM的电力负荷预测方法，其特征在于，所述步骤S3中，气象数据和负荷指标的降维方法包括步骤：，
S31、对采集到的每天的负荷数据和与负荷数据相关的气象数据分别去平均，求其特征协方差矩阵；
S32、计算特征协方差矩阵的特征值与特征向量；
S33、将特征值降序排列，选取特征值最大的特征向量作为主成分。

【专利技术属性】
技术研发人员：卞海红，王倩，徐天，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32