一种基于历史数据修正的法定节假日电量综合预测方法技术

本发明专利技术公开了一种基于历史数据修正的法定节假日电量综合预测方法，首先获取节假日预测年前若干年的节假日历史电量数据、节假日历史气象数据、节假日前3天日用电量数据、节假日前平均日用电量数据；再对节假日历史气象数据和节假日历史电量数据进行相关性分析，筛选气象数据中相关性最大者作为特征值；识别法定节假日重合的情况并进行历史电量修正后，再分别采用多种预测算法对节假日电量进行预测，利用每种预测算法对节假日中的每一日分别进行电量预测，选取历史预测误差最小算法的预测结果作为该日的最终预测结果。该方法能够实现法定节假日电量数据的精准化预测。节假日电量数据的精准化预测。节假日电量数据的精准化预测。

【技术实现步骤摘要】
一种基于历史数据修正的法定节假日电量综合预测方法


[0001]本专利技术属于电力系统负荷预测
，具体涉及一种基于历史数据修正的法定节假日电量综合预测方法。

技术介绍

[0002]电量预测是电力系统制定发展规划和发电计划的基础。提高电量预测精度，有利于降低能耗、平衡发电投资，安排调度计划，从而提高供电可靠性。随着电力市场进一步发展，中长期电量交易及日前现货市场均对电量预测提出了更高的要求，高精度的电量预测是电力市场健康稳定发展的前提。
[0003]用电量的影响因素众多，用户构成、日期类型、气象数据、地域环境、经济水平、政治因素、电价政策等均会造成用电量的变化。通常在针对某一固定区域且时间尺度较短的前提下，地域环境、经济环境和政治环境可视为稳定状态，气象和日期类型为主要影响因素，电量的周期性和波动性较为明显；而在时间尺度较大的情况下，则更能体现出经济人口发展水平、产业结构变化所导致的电量水平变化趋势。
[0004]法定节假日期间，由于工业生产的大规模中断和服务业活动的增加，其日电量与正常日相比有显著的区别，与往年的节假日电量具有较大的相似性。因此，节假日的日用电量预测既要考虑气象因素影响呈现出短期波动性，又要考虑中期经济水平发展带来的趋势性。此外，部分法定假日会出现叠加的情况，进一步破坏了电量数据的规律性。
[0005]如何在少量的样本中综合发掘节假日电量的短期和中期规律性，并通过一定的手段对错误数据进行修正，对提高节假日用电量的预测精度有着不可忽视的意义。

技术实现思路

[0006]专利技术目的：本专利技术的专利技术目的是提供一种基于历史数据修正的法定节假日电量综合预测方法。
[0007]技术方案：本专利技术所述的一种基于历史数据修正的法定节假日电量综合预测方法，该方法包括具体步骤如下：
[0008](1)获取节假日预测年前若干年的节假日历史电量数据、节假日历史气象数据、节假日前3天日用电量数据、节假日前平均日用电量数据；
[0009](2)对节假日历史气象数据和节假日历史电量数据进行相关性分析，筛选气象数据中相关性最大者作为特征值；
[0010](3)识别法定节假日重合的情况并进行历史电量修正；
[0011](4)分别采用不少于2种预测算法对节假日电量进行预测，利用每种预测算法对节假日中的每一日分别进行电量预测，选取历史预测误差最小算法的预测结果作为该日的最终预测结果。
[0012]优选的，步骤(1)中节假日历史气象数据包括节假日期间每日的日最高气温T
max
、日最低气温T
min
、日平均气温T
ave
、日平均降水量R
ave
。
[0013]优选的，步骤(1)中节假日前平均日用电量数据Q
ave
的计算方法如下：
[0014][0015]式中，q
ave
为矩阵Q
ave
中的元素；q
i
为历史年第i天的电量；N为法定假日第一天在一年中的位置。
[0016]优选的，步骤(2)中气象数据与历史电量数据相关性的计算方法如下：
[0017][0018]式中：ψ
j
为气象数据序列，当j＝1,2,3,4时，ψ
j
分别对应日最高气温序列T
max
、日最低气温序列T
min
、日平均气温序列T
ave
和日平均降水量R
ave
；ρ
j
为ψ
j
与Q
holiday
的相关系数；cov、λ分别为协方差函数和标准差函数；
[0019]选取max(ρ
j
)对应的气象数据序列作为特征值。
[0020]优选的，步骤(3)中识别法定节假日重合的具体方法如下：
[0021](S1)识别历史节假日重合的日期区域，选取重合年前2年的同期历史电量数据和重合日期前2天的电量数据作为特征值；
[0022](S2)以重合年前3年的特征值作为训练集输入量，以重合年前3年的同期节假日数据为训练集输出量，导入径向基函数神经网络进行训练；
[0023](S3)将重合年的特征值输入训练好的神经网络，得到重合日期对应的预测值并修正实际数据。
[0024]优选的，将预测年前3年节假日用电量、预测日前3天用电量、预测年已有日平均用电量、预测日气象数据的特征值均进行min
‑
max归一化处理。
[0025]优选的，步骤(3)中采用生成对抗网络GAN对修正后的节假日历史数据集进行增广，具体方法如下：
[0026](R1)生成对抗网络由两生成网络G，和辨别网络D构成；
[0027](R2)由随机噪声p作为先验输入生成网络，映射为生成数据G(z)；将经过前序处理后的实际样本数据输入变别忘了D，作为辨别特征依据，由D对G(z)进行识别；
[0028](R3)由G和D进行博弈运算，直到D无法识别G(z)，博弈过程如下：
[0029][0030]式中，D(x)是对真实样本的辨别，logD(x)是其损失函数；D(G(z))是对生成的噪声映射数据的辨别，在博弈的过程中，分别对min
G
和max
D
进行优化，使得D(x)尽可能接近于1，而D(G(z))尽可能接近于0；
[0031](R4)最终辨别网络D无法识别出G(z)，即D(G(z))＝0.5，此时的G(z)作为增广数据集，添加进实际样本数据集中，参与之后的预测训练。
[0032]优选的，步骤(4)中对节假日电量进行预测的预测算法包括决策树预测算法、极端随机森林预测算法、逻辑回归预测算法和支持向量机预测算法。
[0033]优选的，步骤(4)中选取历史预测误差最小算法的预测结果作为最终预测结果，具体步骤为：记预测节假日的范围为D＝(d1,d2,
…
,d
n
)，分别计算d
i
日采用决策树预测算法、
极端随机森林预测算法、逻辑回归预测算法和支持向量机预测算法的平均历史预测误差；选择d
i
日平均历史预测误差最小的算法结果作为d
i
日的最终预测结果。
[0034]优选的，步骤(1)中一般获取节假日预测年前至少五年的节假日历史电量数据、节假日历史气象数据、节假日前3天日用电量数据、节假日前平均日用电量数据。
[0035]有益效果：第一，本专利技术以预测年前3年节假日用电量和预测年已有日平均用电量为特征值表征法定节假日电量预测的中期趋势性，以预测日前3天用电量、预测日气象数据为特征值表征法定节假日电量预测的短期波动性，综合考虑了节假日电量在不同时间尺度中的规律，提高了建模的合理性。
[0036]第二，针对法定节假日存在重合的情况，本专利技术方案中基于径向基函数神经网络对错误数据进行修正，保证了历史样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于历史数据修正的法定节假日电量综合预测方法，其特征在于：该方法包括具体步骤如下：(1)获取节假日预测年前若干年的节假日历史电量数据、节假日历史气象数据、节假日前3天日用电量数据、节假日前平均日用电量数据；(2)对节假日历史气象数据和节假日历史电量数据进行相关性分析，筛选气象数据中相关性最大者作为特征值；(3)识别法定节假日重合的情况并进行历史电量修正；(4)分别采用不少于2种预测算法对节假日电量进行预测，利用每种预测算法对节假日中的每一日分别进行电量预测，选取历史预测误差最小算法的预测结果作为该日的最终预测结果。2.根据权利要求1所述的基于历史数据修正的法定节假日电量综合预测方法，其特征在于：所述的步骤(1)中节假日历史气象数据包括节假日期间每日的日最高气温T
max
、日最低气温T
min
、日平均气温T
ave
、日平均降水量R
ave
。3.根据权利要求2所述的基于历史数据修正的法定节假日电量综合预测方法，其特征在于：所述的步骤(1)中节假日前平均日用电量数据Q
ave
的计算方法如下：式中，q
ave
为矩阵Q
ave
中的元素；q
i
为历史年第i天的电量；N为法定假日第一天在一年中的位置。4.根据权利要求3所述的基于历史数据修正的法定节假日电量综合预测方法，其特征在于：所述的步骤(2)中气象数据与历史电量数据相关性的计算方法如下：式中：ψ
j
为气象数据序列，当j＝1,2,3,4时，ψ
j
分别对应日最高气温序列T
max
、日最低气温序列T
min
、日平均气温序列T
ave
和日平均降水量R
ave
；ρ
j
为ψ
j
与Q
holiday
的相关系数；cov、λ分别为协方差函数和标准差函数；选取max(ρ
j
)对应的气象数据序列作为特征值。5.根据权利要求1所述的基于历史数据修正的法定节假日电量综合预测方法，其特征在于：所述的步骤(3)中识别法定节假日重合的具体方法如下：(S1)识别节假日重合的日期区域，选取重合年前2年的同期历史电...

【专利技术属性】
技术研发人员：陈玉辰，张思，沈茂亚，朱耿，昌力，蒋正威，吴一峰，徐立中，陈东海，王波，唐律，虞殷树，贺旭，张静，胡真瑜，章杜锡，周洋，袁士超，
申请(专利权)人：国网浙江省电力有限公司国网浙江省电力有限公司宁波供电公司，
类型：发明
国别省市：