一种提升电网日前负荷预测准确率的方法及装置制造方法及图纸

本发明专利技术提供一种提升电网日前负荷预测准确率的方法及装置，属于电网日前负荷预测技术领域，所述方法步骤如下：根据天气预报变化趋势对天气预报信息进行修正，建立气象因子负荷预测模型，使用修正后天气预报信息对气象因子负荷预测模型进行训练，再对日前负荷进行预测；对历史负荷数据进行修正及归一化处理，建立负荷预测的BP神经网络模型，使用处理后历史负荷数据对BP神经网络模型进行训练，对日前负荷进行预测；整合气象因子负荷预测模型与BP神经网络模型预测的日前负荷数据。本发明专利技术通过引入气象因子的负荷预测模型和对历史负荷数据进行修正的神经网络模型提升日前负荷预测准确率，有利于电网运行方式的调整，提高电网负荷控制能力。荷控制能力。荷控制能力。

【技术实现步骤摘要】
一种提升电网日前负荷预测准确率的方法及装置


[0001]本专利技术属于电网日前负荷预测
，具体涉及一种提升电网日前负荷预测准确率的方法及装置。

技术介绍

[0002]电力系统日前负荷预测是调度计划、运行方式安排、调度运行的重要依据，是电力系统安全稳定运行的重要保障。现有的日负荷预测准确率计算公式为：
[0003][0004]其中，n为日内负荷预测点数，E
i
为i点负荷预测的相对误差，公式为：
[0005][0006]电力调度部门对电力系统日前负荷预测准确率有要求，过低的日前负荷率不能满足调度要求，当前的日前负荷预测率主要有四部分系统负荷预测准确率、母线负荷预测准确率、最高负荷预测准确率以及最低负荷预测准确率乘以各自的权重系数后求和得到，通过统计分析发现系统负荷预测率低主要导致了日前负荷预测率低的问题。
[0007]造成系统负荷预测率低的主要因素：一是天气因素，温度、降水等因素对日前系统负荷影响较大，温度变化影响居民用电和商业负荷中制冷负荷制热负荷，降水变化对农业负荷影响较大，当前的系统日前负荷准确率预测未结合天气因素。二是负荷预测算法未修正正确的历史数据，历史负荷数据是负荷预测工作的重要基础，数据的准确性对后续负荷预测的准确度有很大影响。电力调度自动化系统的表码跳变、缺失等都会造成数据不准确，负荷的不正常波动也会形成异常数据，现有日前负荷预测使用的历史数据中存在大量异常数据，没有进行修正。
[0008]综上，造成电网日前负荷预测准确率低的因素是未结合天气因素和使用没有修正的电网历史数据。
[0009]此为现有技术的不足，因此，针对现有技术中的上述缺陷，提供一种提升电网日前负荷预测准确率的方法及装置，是非常有必要的。

技术实现思路

[0010]针对现有技术的上述造成电网日前负荷预测准确率低的因素是未结合天气因素和使用没有修正的电网历史数据的缺陷，本专利技术提供一种提升电网日前负荷预测准确率的方法及装置，以解决上述技术问题。
[0011]第一方面，本专利技术提供一种提升电网日前负荷预测准确率的方法，包括如下步骤：
[0012]S 1.根据天气预报变化趋势对天气预报信息进行修正，建立气象因子负荷预测模型，使用修正后天气预报信息对气象因子负荷预测模型进行训练，再使用训练好的气象因
子负荷预测模型进行日前负荷预测；
[0013]S 2.对历史负荷数据进行修正及归一化处理，建立负荷预测的BP神经网络模型，使用处理后历史负荷数据对BP神经网络模型进行训练，再使用训练好的BP神经网络模型进行日前负荷预测；
[0014]S 3.整合气象因子负荷预测模型与BP神经网络模型预测的日前负荷数据。
[0015]进一步地，步骤S1具体步骤如下：
[0016]S 11.获取区域范围内次日天气预报信息，结合设定时间段内天气预报变化趋势，对次日天气预报信息进行修正，得到天气预测敏感度数据；
[0017]S 12.选取气象因素的负荷因子及对应数据样本，使用Elman神经网络建立气象因子负荷预测模型，并使用负荷因子的数据样本对气象因子负荷预测模型进行训练；
[0018]S 13.建立气象信息输入模块，将天气预测敏感度数据输入训练好的气象因子负荷预测模型，得到第一日前负荷预测数据。
[0019]进一步地，步骤S11具体步骤如下：
[0020]S 111.对设定区域范围查阅各渠道的具体天气信息，并将具体天气信息进行整合得到详细天气预报信息；
[0021]S 112.获取当前设定时间段内天气预报与实际天气的偏差预测天气预报变化趋势，生成天气预报偏差度；
[0022]S 113.根据天气预报偏差度对详细天气预报信息进行修正，得到天气预测敏感度数据。详细天气预报信息包括次日温度、降水、风力、光照强度、天气预警信息以及预设设定周期天气预报信息，其中风力包括风速和风向。
[0023]进一步地，步骤S12具体步骤如下：
[0024]S 121.选取气象因素的负荷因子，并引入气象负荷因子，建立气象负荷因子与气象因素的负荷因子的关联多项式；
[0025]S 122.选择受气象因素影响且温度变化超过阈值的负荷，建立该负荷与气象因素的负荷因子的量化关系，结合设定时间段的历史数据得到气象因素的负荷因子的数据样本，设定为第一数据样本；
[0026]S 123.建立多项式回归模型拟合气象因素的负荷因子对负荷的变化规律，并求取多项式系数及阶数；
[0027]S 124.设计E lman神经网络模型，并采用快速傅里叶变化对负荷曲线进行频谱分析；
[0028]S 125.确定E lman神经网络模型输入神经元所需的历史数据，并从气象因素的负荷因子的第一数据样本中进行选取；
[0029]S 126.使用第一数据样本选取的数据对Elman神经网络模型进行训练，得到基于气象负荷因子的E lman神经网络负荷模型。
[0030]进一步地，气象因素的负荷因子选取气温因子、光照因子、雨量因子、风力因子以及湿度因子。
[0031]进一步地，步骤S 2具体步骤如下：
[0032]S 21.对历史负荷数据进行修正处理生成历史负荷样本数据，并对历史负荷样本数据进行归一化处理；
[0033]S 22.建立高阶的负荷预测BP神经网络，并使用归一化处理后的历史负荷样本数据训练负荷预测BP神经网络模型；
[0034]S 23.将训练完成的负荷预测BP神经网络模型烧录到神经计算棒；
[0035]S 24.对完成负荷预测BP神经网络模型烧录的神经计算棒进行调试；
[0036]S 25.使用神经计算棒加速后的负荷预测BP神经网络模型预测日前负荷，得到第二日前负荷预测数据。
[0037]进一步地，步骤S 21具体步骤如下：
[0038]S 211.获取历史负荷数据；
[0039]S 212.判断历史负荷数据是否有缺失；
[0040]若是，进入步骤S 213；
[0041]若否，进入步骤S 214；
[0042]S 213.对缺失的历史负荷数据进行补全；
[0043]S 214.对历史负荷数据从垂直与水平两个维度分别进行修正；
[0044]S 215.对完成修正的历史负荷数据进行归一化处理。
[0045]第二方面，本专利技术提供一种提升电网日前负荷预测准确率的装置，包括：
[0046]负荷预测气象因子引入单元，用于根据天气预报变化趋势对天气预报信息进行修正，建立气象因子负荷预测模型，使用修正后天气预报信息对气象因子负荷预测模型进行训练，再使用训练好的气象因子负荷预测模型进行日前负荷预测；
[0047]负荷预测历史负荷修正单元，用于对历史负荷数据进行修正及归一化处理，建立负荷预测的BP神经网络模型，使用处理后历史负荷数据对BP神经网络模型进行训练，再使用训练好的BP神经网络模型进行日前负荷预测；...

【技术保护点】

【技术特征摘要】
1.一种提升电网日前负荷预测准确率的方法，其特征在于，包括如下步骤：S1.根据天气预报变化趋势对天气预报信息进行修正，建立气象因子负荷预测模型，使用修正后天气预报信息对气象因子负荷预测模型进行训练，再使用训练好的气象因子负荷预测模型进行日前负荷预测；S2.对历史负荷数据进行修正及归一化处理，建立负荷预测的BP神经网络模型，使用处理后历史负荷数据对BP神经网络模型进行训练，再使用训练好的BP神经网络模型进行日前负荷预测；S3.整合气象因子负荷预测模型与BP神经网络模型预测的日前负荷数据。2.如权利要求1所述的提升电网日前负荷预测准确率的方法，其特征在于，步骤S1具体步骤如下：S11.获取区域范围内次日天气预报信息，结合设定时间段内天气预报变化趋势，对次日天气预报信息进行修正，得到天气预测敏感度数据；S12.选取气象因素的负荷因子及对应数据样本，使用Elman神经网络建立气象因子负荷预测模型，并使用负荷因子的数据样本对气象因子负荷预测模型进行训练；S13.建立气象信息输入模块，将天气预测敏感度数据输入训练好的气象因子负荷预测模型，得到第一日前负荷预测数据。3.如权利要求2所述的提升电网日前负荷预测准确率的方法，其特征在于，步骤S11具体步骤如下：S111.对设定区域范围查阅各渠道的具体天气信息，并将具体天气信息进行整合得到详细天气预报信息；S112.获取当前设定时间段内天气预报与实际天气的偏差预测天气预报变化趋势，生成天气预报偏差度；S113.根据天气预报偏差度对详细天气预报信息进行修正，得到天气预测敏感度数据。4.如权利要求2所述的提升电网日前负荷预测准确率的方法，其特征在于，步骤S12具体步骤如下：S121.选取气象因素的负荷因子，并引入气象负荷因子，建立气象负荷因子与气象因素的负荷因子的关联多项式；S122.选择受气象因素影响且温度变化超过阈值的负荷，建立该负荷与气象因素的负荷因子的量化关系，结合设定时间段的历史数据得到气象因素的负荷因子的数据样本，设定为第一数据样本；S123.建立多项式回归模型拟合气象因素的负荷因子对负荷的变化规律，并求取多项式系数及阶数；S124.设计Elman神经网络模型，并采用快速傅里叶变化对负荷曲线进行频谱分析；S125.确定Elman神经网络模型输入神经元所需的历史数据，并从气象因素的负荷因子的第一数据样本中进行选取；S126.使用第一数据样本选取的数据对Elman神经网络模型进行训练，得到基于气象负荷因子的Elman神经网络负荷模型。5.如权利要求4所述的提升电网日前负荷预测准确率的方法，其特征在于，气象因素的负荷因子选取气温因子、光照因子、雨量因子、风力因子以及湿度因子。
6.如权利要求1所述的提升电网日前负荷预测准确率的方法，其特征在于，步骤S2具体步骤如下：S21.对历史负荷数据进行修正处理生成历史负荷样本数据，并对历史负荷样本数据进行归一化处理；S22.建立高...

【专利技术属性】
技术研发人员：张雯芳，戴超，陈雪峰，李伦，朱宗锋，李新明，杨鑫，赵长耀，李棕让，王新蕾，陈鹏，郭聪，李明捷，黄帅，
申请(专利权)人：国网山东省电力公司泰安供电公司，
类型：发明
国别省市：