【技术实现步骤摘要】
基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置
本专利技术涉及电力系统
，尤其涉及一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置。
技术介绍
近年来随着智能电网的快速发展和基于非侵入式终端的用电信息采集系统渐渐完善，电力大数据逐渐成为人们研究的热点。在大数据背景下分析和挖掘电力负荷数据之间的联系，运用合理的方法探索电力用户负荷的未来发展变化规律，对于提升电网运行的稳定性和经济性具有重大的现实意义。短期负荷由于受天气变化、社会活动等因素的影响，在时间序列上表现为确定性系统的不规则状态，即系统的混沌性质。但是各影响因素中大部分都具有潜在的规律性，从而为电力负荷的有效预测提供了基础条件。目前用于短期负荷预测的算法主要有神经网络法、时间序列法、回归分析法、支持向量机法、模糊预测法等。负荷预测的核心问题是如何利用历史数据建立预测模型，对未来某一时刻的负荷进行预测。随着非侵入式终端的推广应用，以及天气预测水平的不断提高，准确获取海量历史数据已经易于实现。因此，短期负荷预测的核心问题是预测方法的精度高低。另外，基...
【技术保护点】
1.一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，包括步骤：/n获取电力用户负荷数据，作为电力负荷训练数据集；/n基于电力负荷训练数据集进行多维相空间重构，得到电力负荷的多维向量；/n基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到电力负荷预测值。/n
【技术特征摘要】
1.一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，包括步骤：
获取电力用户负荷数据，作为电力负荷训练数据集；
基于电力负荷训练数据集进行多维相空间重构，得到电力负荷的多维向量；
基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到电力负荷预测值。
2.根据权利要求1所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，多维相空间重构的方法为：基于电力负荷训练数据集和延迟坐标方法进行多维相空间重构。
3.根据权利要求2所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，所述延迟坐标方法中的延迟时间确定方法为：
电力负荷训练数据集中的电力负荷时间序列为{x(i)}，i＝1,2,…,n，存在其自相关函数将{x(i)}代入R(τ)后，得到R(τ)随着延迟时间τ变化的轨迹，当R(τ)的值下降到初始值R(0)与设定下降系数的乘积时，所得对应时间τ作为延迟时间；x(i)代表i时刻电力负荷的值，n为电力负荷时间序列的最大长度。
4.根据权利要求2或3所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，所述延迟坐标方法中的嵌入维数确定方法为：
使用虚假最临近点法进行选取，应用电力负荷训练数据集中的电力负荷时间序列，从嵌入维数2开始计算虚假最临近点的比例，逐步增加维数，直至虚假最临近点的比例小于设定比例或者其数目不再随着维数的增加而减少，将此时的维数选作嵌入维数。
5.根据权利要求1所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，基于电力负荷的多维向量对电力负荷进行预测，方法为：
选取k个与电力负荷多维向量中最后一个向量最临近的向量，再取这k个最临近向量的平均值作为下个延迟时间的多维向量，实现下个延迟时间的电力负荷状态的预测。
6.根据权利要求5所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，使用循环计算的方法来确定最临近向量的数目，从k＝1开始，直至电力负荷状态预测误差小于设定值以及计算时间小于设定时间为止。
7.根据权利要求5所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，选取预测值点集得到滤波器数据集合，方法为：
采取对称采样的策略选取2m+1个Sigma点及其权重来表征电...
【专利技术属性】
技术研发人员：付文杰，霍胜利，杨伯青，陈伟，张军朝，郭庚江，张强，孔令号，潘龙懿，张卫国，李化，陈良亮，宋杰，周材，邵军军，许紫晗，梁睿智，
申请(专利权)人：国网河北省电力有限公司保定供电分公司，国电南瑞南京控制系统有限公司，国电南瑞科技股份有限公司，南瑞集团有限公司，国网电力科学研究院有限公司，北京国网普瑞特高压输电技术有限公司，国家电网有限公司，
类型：发明
国别省市：河北;13
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。