电网负荷预测方法技术

一种电网负荷预测方法，包括：获取历史数据，所述历史数据包括日最大负荷数据列和日平均气温数据列；对所述日最大负荷数据列中每一日期的最大负荷数据进行校正；构建GM(1,2)模型；计算以指数增加的所述日最大负荷数据与累加处理后的所述日最大负荷数据的比值得到第一校正系数，以及计算以指数增加的日平均气温数据与累加处理后的所述日平均气温数据的比值，得到第二校正系数；根据所述第一校正系数和所述第二校正系数分别对日最大负荷数据参数和日平均气温数据的参数进行校正，得到校正后的GM(1,2)模型；对校正后的GM(1,2)模型进行累减运算得到电网日负荷预测模型，并利用电网日负荷预测模型对下一日期的电网进行预测。

【技术实现步骤摘要】
电网负荷预测方法
本专利技术涉及电网
，特别是涉及一种电网负荷预测方法。
技术介绍
电力系统是集合发电、变电、输电、配电、用电功能的与国民经济紧密相关的系统，其不仅要确保供电的可靠性、运行的经济性，还要保障良好的电能质量，这些性能的高低也被作为评定一个国家综合国力的标准。电力负荷预测是提高系统可靠性、经济性与电能质量的重要环节之一。其主要是在未来近期或长期时段内对一个或多个地区负荷数据的变化进行预测，为该地区的电力系统的经济调度提供帮助，也为电网规划提供了重要依据，因此，负荷预测结果的准确性就显得格外重要。如何提高负荷预测结果的精度是电气领域学者们一直着重研究的问题之一。传统的负荷预测方法有回归分析法、线性外推法、时间序列法和最小二乘法等。但这些预测方法都没有考虑到电网负荷的波动性，而且又因为模型对原始数据的处理以及预测的过程太过于死板，使得结果往往存在比较大的误差，模型预测结果的精确度较低。
技术实现思路
鉴于上述状况，有必要针对现有技术中模型对电网预测的精确度低的问题，提供一种电网负荷预测方法。一种电网负荷预测方法，包括：获取历史数据，所述历史数据包括日最大负荷数据列和日平均气温数据列；对所述日最大负荷数据列中每一日期的最大负荷数据进行校正，以使所述日最大负荷数据的变化量控制在预设范围内；根据校正后的所述日最大负荷数据列以及所述日平均气温数据列进行累加处理，并根据累加处理后的数据列构建GM(1,2)模型；计算以指数增加的所述日最大负荷数据与累加处理后的所述日最大负荷数据的比值得到第一校正系数，以及计算以指数增加的日平均气温数据与累加处理后的所述日平均气温数据的比值，得到第二校正系数；根据所述第一校正系数和所述第二校正系数分别对所述GM(1,2)模型中日最大负荷数据参数和日平均气温数据的参数进行校正，得到校正后的GM(1,2)模型；对校正后的GM(1,2)模型进行累减运算得到电网日负荷预测模型，并利用电网日负荷预测模型对下一日期的电网进行预测；所述对所述日最大负荷数据列中每一日期的最大负荷数据进行校正采用下述公式：若，则令；若，则令；其中，,为日最大负荷数，e为常数，为所述日最大负荷数据列的平均值。进一步的，上述电网负荷预测方法，其中，e取值为0.1~0.3。进一步的，上述电网负荷预测方法，其中，所述根据校正后的所述日最大负荷数据列以及所述日平均气温数据列构建GM(1,2)模型的步骤包括：分别对所述日最大负荷数列，以及所述日平均气温数例进行一次累加生成，得到如下公式，根据得到的公式构建一阶线性微分方程，GM(1,n)模型，所述GM(1,n)模型为：，，其中，a为最大负荷数据的参数，b1为日平均气温数据的参数。进一步的，上述电网负荷预测方法，其中，所述第一校正系数的计算公式为：，其中，为以指数增加的日最大负荷数据，为所述GM(1,2)模型预测的日最大负荷预测值数据，；所述第二校正系数的计算公式为：，其中，为历史数据中的日平均气温数据。进一步的，上述电网负荷预测方法，其中，校正后的GM(1,2)模型为：；其中，为日最大负荷数，为日最大负荷预测值，为日平均气温预测值，，为衰减系数，a为最大负荷数据的参数，b1为日平均气温数据的参数。本专利技术实施例考虑到电网负荷的波动性，通过对电网日最大负荷数据进行校正处理，并基于校正处理后的最大负荷数据列以及获取的日平均气温数据构建GM(1,2)模型，并对该GM(1,2)模型中日最大负荷数据的参数和日平均气温数据的参数进行优化处理，使之为随负荷浮动而变化的变值。校正后的GM(1,2)模型进行累减运算得到电网日负荷预测模型，根据该方法得到的电网日负荷预测模型电网负荷预测精确度远远高于常规的预测模型。附图说明图1为本专利技术实施例中的电网负荷预测方法的流程图。具体实施方式下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。参照下面的描述和附图，将清楚本专利技术的实施例的这些和其他方面。在这些描述和附图中，具体公开了本专利技术的实施例中的一些特定实施方式，来表示实施本专利技术的实施例的原理的一些方式，但是应当理解，本专利技术的实施例的范围不受此限制。相反，本专利技术的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。请参阅图1，为本专利技术实施例中的电网负荷预测方法，包括步骤S11~S16。步骤S11，获取历史数据，所述历史数据包括日最大负荷数据列和日平均气温数据列。本专利技术实施例中的电网负荷预测基于灰色理论模型GM(1,n)，GM（1,n）模型表示对n个变量用一阶微分方程建立的灰色模型。用于建立负荷和若干个影响变量之间的预测模型。本实施例中考虑到日最大负荷和日平均气温两个变量，因此采用GM(1,2)模型进行电网负荷预测。从电网系统中获取历史数据中的日最大负荷数据和日平均气温数据，该日最大负荷数据指的是一天中电网负荷最大的数值，该日平均气温数据为一天中的平均气温值，其可通过气象监控数据中获取。获取到的日平均气温数据为，其中，i=1,2,…,n,。日最大负荷数据例即为。日平均气温数据例为。步骤S12，对所述日最大负荷数据列中每一日期的最大负荷数据进行校正，以使所述日最大负荷数据的变化量控制在预设范围内。在实际情况对于负荷往往是一种波动的，且变化较为明显的数列。如该日最大负荷数列列中某个值突变比较大，对预测结果会影响很大。因此，本实施例中对获取到的日最大负荷数据进行校正，使其变化量控制在预设范围内。在本专利技术的一实施例中，将日最大负荷数据列中的日最大负荷数据进行校正，使其变化控制在预设范围内。具体实施时可对进行改进，先设一数列，且，然后对进行下述处理使这个变值更具代表性：若，则令；若，则令；其中，为的日最大负荷数，e为精度值，其为常数，为所述日最大负荷数据列的平均值。该常数e取值0.1~0.3。优选的，在本专利技术的一实施例中，e可取值为0.2。步骤S13，根据校正后的所述日最大负荷数据列以及所述日平均气温数据列构建GM(1,2)模型。灰色理论模型中，令原始数据数列为，将数列中的数据按一定的规则进行数据处理。电力系统中常用的生成方式有累加生成、均值化生成、累减生成、级比生成、灰色的白话函数生成等。由于这里采用的是GM（1，2）模型，所以使用累加生成法，即对原始数据数列做累加处理。这里令生成的新的数列为，则两者的关系如下：以此类推，r次生成后的数列为，且有以下关系：生成的主要作用是使生成的数列呈现出一种规律，以便于利用这规律对未来的负荷进行预测。...

【技术保护点】
1.一种电网负荷预测方法，其特征在于，包括：/n获取历史数据，所述历史数据包括日最大负荷数据列和日平均气温数据列；/n对所述日最大负荷数据列中每一日期的最大负荷数据进行校正，以使所述日最大负荷数据的变化量控制在预设范围内；/n根据校正后的所述日最大负荷数据列以及所述日平均气温数据列进行累加处理，并根据累加处理后的数据列构建GM(1,2)模型；/n计算以指数增加的所述日最大负荷数据与累加处理后的所述日最大负荷数据的比值得到第一校正系数，以及计算以指数增加的日平均气温数据与累加处理后的所述日平均气温数据的比值，得到第二校正系数；/n根据所述第一校正系数和所述第二校正系数分别对所述GM(1,2)模型中日最大负荷数据参数和日平均气温数据的参数进行校正，得到校正后的GM(1,2)模型；/n对校正后的GM(1,2)模型进行累减运算得到电网日负荷预测模型，并利用电网日负荷预测模型对下一日期的电网进行预测；/n所述对所述日最大负荷数据列中每一日期的最大负荷数据进行校正采用下述公式：/n若

【技术特征摘要】
1.一种电网负荷预测方法，其特征在于，包括：
获取历史数据，所述历史数据包括日最大负荷数据列和日平均气温数据列；
对所述日最大负荷数据列中每一日期的最大负荷数据进行校正，以使所述日最大负荷数据的变化量控制在预设范围内；
根据校正后的所述日最大负荷数据列以及所述日平均气温数据列进行累加处理，并根据累加处理后的数据列构建GM(1,2)模型；
计算以指数增加的所述日最大负荷数据与累加处理后的所述日最大负荷数据的比值得到第一校正系数，以及计算以指数增加的日平均气温数据与累加处理后的所述日平均气温数据的比值，得到第二校正系数；
根据所述第一校正系数和所述第二校正系数分别对所述GM(1,2)模型中日最大负荷数据参数和日平均气温数据的参数进行校正，得到校正后的GM(1,2)模型；
对校正后的GM(1,2)模型进行累减运算得到电网日负荷预测模型，并利用电网日负荷预测模型对下一日期的电网进行预测；
所述对所述日最大负荷数据列中每一日期的最大负荷数据进行校正采用下述公式：
若，则令；
若，则令；
其中，,为日最大负荷数，e为常数，为所述日最大负荷数据列的平均值。


2.如权利要求1所...

【专利技术属性】
技术研发人员：许惠君，王宗耀，陈敏，饶伟，
申请(专利权)人：南昌工程学院，江西倬云数字产业集团有限公司，
类型：发明
国别省市：江西;36