一种基于季节ARIMA和GPR的中期负荷预测方法、系统及设备技术方案

一种基于季节ARIMA和GPR的中期负荷预测方法、系统及设备，该方法先构建训练历史数据集和目标年测试数据集，再将训练历史数据集输入季节ARIMA模型进行训练，得到年份残差以及目标年份的系统负荷预测数据，然后以训练历史数据集中的电力系统负荷与年份残差的和作为更新后的电力系统负荷来替换原始的电力系统负荷，形成新的训练历史数据集，并将新的训练历史数据集输入高斯过程回归模型进行训练，最后将目标年份的系统负荷预测数据与目标年测试数据集合并形成的新测试数据集输入训练后的高斯过程回归模型，得到最终的目标年份系统负荷预测结果。本发明专利技术有效提高了电力系统中期负荷预测的准确度。负荷预测的准确度。负荷预测的准确度。

【技术实现步骤摘要】
一种基于季节ARIMA和GPR的中期负荷预测方法、系统及设备


[0001]本专利技术属于电网负荷预测领域，具体涉及一种基于季节ARIMA和GPR的中期负荷预测方法、系统及设备。

技术介绍

[0002]电力负荷预测是电力系统规划和管理的重要组成部分，是电力部门的重要工作之一，准确的负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保障社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。
[0003]电力负荷预测根据目的的不同可以分为超短期、短期、中期和长期，中期负荷预测(MTLF)是指月至年的负荷预测，主要用于确定机组运行方式和设备大修计划等。目前，实现电力负荷预测的算法或模型有多种，如利用高斯过程回归(Gaussian process regression，GPR)进行短期负荷预测。高斯过程回归是基于高斯分布的无参数随机过程回归算法，能够从选择的训练数据集和过程数据外推中学习到合适的模式，在处理高维数、非线性等复杂回归问题时具有易编程实现、超参数自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于季节ARIMA和GPR的中期负荷预测方法，其特征在于：所述预测方法依次包括以下步骤：S1、构建训练历史数据集和目标年测试数据集，所述训练历史数据集包括历史季节性信息及其对应的电力系统负荷，所述目标年测试数据集包括目标年份的季节性预测信息；S2、将训练历史数据集输入季节ARIMA模型进行训练和预测，得到年份残差以及目标年份的系统负荷预测数据；S3、以训练历史数据集中的电力系统负荷与年份残差的和作为更新后的电力系统负荷，将更新后的电力系统负荷替换训练历史数据集中的电力系统负荷，形成新的训练历史数据集，并将新的训练历史数据集输入高斯过程回归模型进行训练；S4、将目标年份的系统负荷预测数据与目标年测试数据集合并形成的新测试数据集输入训练后的高斯过程回归模型，得到最终的目标年份系统负荷预测结果。2.根据权利要求1所述的一种基于季节ARIMA和GPR的中期负荷预测方法，其特征在于：所述S3中，高斯过程回归模型的核函数分别采用二次有理核函数、Matern5/2核函数、指数核函数，以均方根误差最小的核函数训练模型。3.根据权利要求1或2所述的一种基于季节ARIMA和GPR的中期负荷预测方法，其特征在于：所述S2依次包括以下步骤：S21、对输入的训练历史数据集进行季节性差分和平稳性检验，确定差分阶数d和季节差分阶数D；S22、利用自相关函数和偏自相关函数确定自回归阶数p、移动平均阶数q、季节自回归阶数P和季节移动平均阶数Q；S23、利用AIC准则选择最优模型，并得到年份残差；S24、利用最优模型进行预测，得到目标年份的系统负荷预测数据。4.根据权利要求1或2所述的一种基于季节ARIMA和GPR的中期负荷预测方法，其特征在于：所述S1中，历史季节...

【专利技术属性】
技术研发人员：阮博，黄家祺，叶学程，徐秋实，蔡杰，杨东俊，王博，郑旭，邹炜，邓琼，张丽红，俞德华，范玉宏，陈峰，陈超迁，乐健，郎红科，任意，
申请(专利权)人：国网湖北省电力有限公司黄石供电公司，
类型：发明
国别省市：