【技术实现步骤摘要】
一种时间粒度可调节的电网负荷预测方法
本专利技术属于数据挖掘领域，具体涉及一种针对高采样频率特征的电网负荷数据预测方法，所述方法能够提供可变的时间粒度及可调节的采样频率，为整年电网负荷预测提供多种备选方案。
技术介绍
时间序列数据预测是数据挖掘领域重要的研究内容之一。电网负荷预测是指在充分考虑设备、自然和社会环境的影响下，构建一个用于处理电网负荷数据的数学模型，在满足一定精度的要求下，确定未来特定时刻的负荷数值。电网负荷预测技术水平的提高有利于合理安排电网运行方式和机组检修计划，有利于节约资源降低发电成本，有利于提高电力系统的经济和社会效益。因此，电网负荷预测已经成为实现电力系统智能化的重要内容之一，是现代化电力系统不可或缺的组成部分。电网负荷预测受天气和社会活动等影响，在时间序列上表现为非平稳的随机过程，但这些影响因素中大部分都具有一定的规律性，从而为实现有效的预测奠定了基础。目前针对电网负荷预测的方法包括神经网络法、支持向量机法和模糊预测法等。神经网络法和支持向量机法的不足在于超参数的选择和可解释性低等，模糊预测...
【技术保护点】
1.一种时间粒度可调节的高频率电网负荷预测方法，所述方法包括以下步骤：/n步骤1：按所需采样频率形成电网负荷历史数据集，具体为：/n设可变采样频率为δ分钟/次，按照一天24小时，每小时60分钟计算，一天的总采样点数N＝24×60/δ；例如δ＝15分钟/次，则单位日内共有96个检测点；则单位日内电网负荷历史数据集可表示为以下形式/nData
【技术特征摘要】
1.一种时间粒度可调节的高频率电网负荷预测方法，所述方法包括以下步骤：
步骤1：按所需采样频率形成电网负荷历史数据集，具体为：
设可变采样频率为δ分钟/次，按照一天24小时，每小时60分钟计算，一天的总采样点数N＝24×60/δ；例如δ＝15分钟/次，则单位日内共有96个检测点；则单位日内电网负荷历史数据集可表示为以下形式
Datai，j＝{X1，X2，...，XN}，i＝year1，year2，...，j＝1，2，...，
其中，i表示年份，为保证用电单位的用电结构相对稳定，只采用近5年内的历史数据；j表示该年份的自然天数，X为一个采样点上的功率值(MW)；
步骤2：按所需时间粒度对电网负荷数据集进行分割，具体为：
所谓时间粒度是指拟合曲线所能代表的时间跨度，不同的时间粒度可表达不同时间跨度内的电网负荷数据的变化规律；时间粒度M可分为季度(s)、月(m)、周(w)、天(d)，即M∈{d，w，m，s}；譬如，以季度作为时间粒度，则整年的数据事实上被分为了4个区段，在每一区段中我们将计算一个拟合曲线，这个曲线将表达此季度内共同的负荷变化趋势；
根据时间粒度M和采样点数N，历史负荷数据集可表示为
Tp＝{Datai，j|j∈p}，p＝1，2，...，
其中，p表示按照时间粒度将整年数据划分的区段数，则每个p包含该时间跨度下的所有天数；例如，当M是以s(季度)为粒度时，该粒度下的历史负荷数据集可表示为
Tp＝{Datai，j|j∈p}，p＝1，2，3，4；
步骤3：构建多项式拟合模型，采用差分进化算法进行拟合模型的优化，具体为：
多项式拟合的最大优点就是可以通过增加高次项对实测点进行逼近，直至拟合结果满足要求为止；我们将通过多项式拟合模型刻画一个时间粒度中所有数据的共同变化规律，即通过一条拟合曲线表达一个时间粒度内所有自然天的变化规律；多项式拟合模型可表示如下
y＝a0+a1x+a2x2+…+anxn，x＝1，2，...，N，
其中ai为拟合函数的系数；根据多项式拟合模型计算所得的第k(k＝1，2，...，N)个采样点的功率值为Yk，故一个时间粒度内电网负荷的多项式拟合结果可表示为以下形式：
Poly＝{Y1，Y2，...，YN}，
建立多项式拟合模型后，我们将通过差分进化算法对模型进行拟合优化；根据前文定义，以M为时间粒度，以N为采样点的数据组合...
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。