电力市场短期电力负荷的预测方法、系统、设备和介质技术方案

本发明专利技术属于电力领域，具体涉及电力市场短期电力负荷的预测方法、系统、设备和介质。本发明专利技术的方法通过建立日期、气象和负荷三类日特征量的隶属度值映射数据库，并通过同类型特征量的模糊运算构造相关因素变量，综合考虑多重因素对电力负荷的影响，提升了短期电力负荷预测的准确性。应用经验模态分解算法分解电量数据，并对模态分量进行模糊熵计算，根据模糊熵计算结果，将模态分量和残余分量构造为高频分量、中频分量和低频分量三个新的序列分量，便于后续模型的建立和数据的预估。基于相关因素变量和高频分量、中频分量分别建立最小二乘预测模型，基于低频分量建立倍比平滑法预测模型，进行连续日负荷滚动综合预测。进行连续日负荷滚动综合预测。进行连续日负荷滚动综合预测。

【技术实现步骤摘要】
电力市场短期电力负荷的预测方法、系统、设备和介质


[0001]本专利技术属于电力领域，具体涉及电力市场短期电力负荷的预测方法、系统、设备和介质。

技术介绍

[0002]电力市场是指电能生产者和使用者本着公平竞争、自愿互利的原则，通过协商、竞价等方式，就电能及其相关产品进行交易，通过市场竞争确定价格和数量的市场原则。参与电力市场的各市场主体(包括售电公司、电力用户等)遇到的第一个门槛就是电力负荷预测能力。参与电力市场，尤其是现货交易时，需要各市场主体申报未来一段时间的用电需求计划曲线，历史用电数据的缺失与预测能力缺乏将增加各市场主体的申报策略制定难度，偏差考核风险也大大增加。因此，各市场主体需要建立准确的电力负荷预测机制，并且需要在所有的交易窗口开展。
[0003]电力负荷的预测根据时间跨度可以分为中长期负荷预测、短期负荷预测和超短期负荷预测。中长期负荷预测以月或年为单位，通过动态平滑、回归分析、灰色预测、时间序列分析等方法进行负荷预测。短期和超短期负荷预测，也可以采用中长期负荷预测的方法，但更多的采用神经网络、支持向量机、机器学习、深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.电力市场短期电力负荷的预测方法，其特征在于，包括以下步骤：建立日期、气象和负荷三类日特征量的隶属度值映射数据库，并通过同类型特征量的模糊运算构造相关因素变量；应用经验模态分解算法分解历史电量数据，并对模态分量进行模糊熵计算，根据模糊熵计算结果，将模态分量和残余分量构造为高频分量、中频分量和低频分量三个新的序列分量；基于相关因素变量、高频分量和中频分量分别建立最小二乘预测模型，基于低频分量建立倍比平滑法预测模型，基于最小二乘预测模型和倍比平滑法预测模型进行连续日负荷滚动综合预测。2.如权利要求1所述的电力市场短期电力负荷的预测方法，其特征在于，所述构造相关因素变量的方法，包括以下步骤：S11.计算日期特征量的隶属度值为C1、气象特征量的隶属度值向量为C2＝[c
21
，c
22
]、负荷特征量的隶属度值向量为C3＝[c
31
，c
32
，c
33
，c
34
]；其中，c
21
为气温的隶属度值，c
22
为气象类型的隶属度值，c
31
为工业产能指数的隶属度值，c
32
为居民用能指数的隶属度值，c
33
为工业耗能占比的隶属度值，c
34
为居民耗能占比的隶属度值；S12.通过模糊运算计算气象特征量的总隶属度值为C
′2和负荷特征量的总隶属度值为C
′3，计算公式如下：C
′2＝C2×
W1C
′3＝C3×
W2其中：W1和W2为权重向量；S13.构造电力负荷预测的相关因素向量为X＝[X1，X2，X3]，且X1＝C1，X2＝C
′2，X3＝C
′3，相关因素向量的取值为X
i
＝[X
i1
，X
i2
，
…
，X
iN
]，N为计算数据涉及的总天数。3.如权利要求2所述的电力市场短期电力负荷的预测方法，其特征在于，S12所述权重向量W＝[w1，
…
w
k
]，其中，w
i
为气象特征或负荷特征第i个指标的权重系数，k表示指标的总数量。4.如权利要求3所述的电力市场短期电力负荷的预测方法，其特征在于，所述权重系数w
i
的计算过程如下：构建日特征量指标对目标的影响矩阵L＝(l
ij
)
n
×
n
，l
ij
表示第i个指标相对于第j个指标对目标的重要程度比值；当l
ij
＜1，表示指标i没有指标j重要；当l
ij
＝1，表示指标i和指标j同等重要；当l
ij
＞1，表示指标i比指标j重要；由影响矩阵可得出一致矩阵Γ＝(f
ij
)
n
×
n
，求解矩阵Γ最大特征值对应的单位化特征向量为权重向量w
i
。5.如权利要求1所述的电力市场短期电力负荷的预测方法，其特征在于，所述应用经验模态分解算法分解历史电量数据，并对模态分量进行模糊熵计算的步骤如下：S21.提取计算基准日前n天电量数据Data
i
＝[day
i
，T
i
，P
i
，L
i
，V
i
]，i＝1、2、
…
、n，并对前n天电量数据进行归一化处理，即：
其中：T
i
‑
第i天的用电总量；P
i
‑
第i天的电量峰值；L
i
‑
第i天的电量均值；V
i
‑
第i天的电量谷值；S22.应用自适应噪声完备集合经验模态分解算法分别对电力市场前n天电量数据T
i
，P
i
，L
i
，V
i
进行分解，i＝1、2、
…
、n，得到本征模态函数分量IMF＝{imf1，imf2，
…
，imf
m
}；S23.计算m个本征模态函数分量IMF和残余分量Re的模糊熵，并根据模糊熵的计算结果将本征模态函数分量IMF和残余分量Re划分为高频分量、中频分量和低频分量三个组，分别相加每个组内的本征模态函数分量IMF或残余分量Re分量得到新的序列分量IMF
′
＝{imf
H
，imf
M
，imf
L
}。6.如权利要求5所述的电力市场短期电力负荷的预测方法，其特征在于，S23所述计算m个本征模态函数分量IMF和残余分量Re的模糊熵的过程如下：S231.对数据序列U＝[u1，u2，
…
，u
n

【专利技术属性】
技术研发人员：董玮，
申请(专利权)人：陕西乐般电力科技有限公司，
类型：发明
国别省市：