【技术实现步骤摘要】
本专利技术涉及超短期负荷预测，特别涉及一种系统超短期负荷预测方法。
技术介绍
1、负荷预测对电力系统的安全稳定运行及可持续发展起着重要作用，其预测结果有助于电力系统的调度管理，合理规划电力系统的运行、发电、购电等计划，避免出现负荷过大或过小的情况以及电力系统的过剩或不足从而提高电力系统的运行效率，减少运行成本。
2、超短期负荷预测是电力系统运行管理中最紧迫的需求之一，主要目的是为电力系统的实时调度、控制和安全运行提供参考依据。其预测精度要求高，需要考虑多种因素对负荷的影响，如天气因素、用电负荷等。由于超短期负荷预测计算速度、预测的要求较高，其研究具有一定难度。
3、系统超短期负荷预测的研究方法主要包括基于时间序列模型、统计模型、机器学习模型和集成方法等。时间序列模型可以直接预测，统计模型可以考虑多个因素的影响，但二者可能忽略了负荷预测中的非线性关系和复杂交互影响；而机器学习可以自适应学习数据特征，例如，神经网络模型可以处理非线性关系，即非线性拟合能力较强，适用于母线负荷数据的预测，但是当样本规模较大时，机器学习的训练时间较长，效率低。当前的预测方法都需要对数据进行前期处理和特征提取，在应对复杂的负荷变化和电力系统的不确定性方面还存在一定的局限性，因此，对于系统超短期负荷预测算法的精度和效率问题都需要进一步研究，以提高系统超短期负荷预测的精度和实时性，进一步提高电力系统的调度和运营水平。
技术实现思路
1、针对上述现有技术存在的不足，本专利技术提供了一种系统超
2、具体技术方案如下：
3、获取电力系统的历史负荷数据、历史气象数据以及对应的时间数据；
4、对历史气象、负荷数据进行预处理，采用标准差法对数据进行异常识别，并根据数据异常及缺失情况进行线性插值修正或相似日数据插值修正；
5、结合处理好的历史负荷数据、历史气象数据以及时间数据，分别构建适当的负荷特征、气象特征和时间特征，并分别与预测时刻点对应的实际负荷进行pearson相关性分析，选取高相关的特征；
6、将选取出的高相关的特征进行合并作为xgb多元输出预测模型的输入向量，训练xgb多元输出预测模型；将预测时刻点对应的特征变量输入xgb多元输出预测模型，进行负荷的初步预测，获取初步预测结果向量result；
7、result＝[result1,result2,…,resultt]
8、其中，t为超短期的预测时刻点长度；
9、利用bp神经网络构建二层模型，将待预测时刻前一时刻的实际值x0与xgb初步预测结果resultz,z＝1,2,…,t作为神经网络模型的两个输入元，输出最终的负荷预测结果last_resultz。
10、优选地，对历史负荷、气象数据进行预处理，采用标准差法对数据进行异常识别，并根据数据异常及缺失情况进行线性插值修正或相似日数据插值修正；包括：
11、标准差法采用基于滑动窗口的三倍标准差的计算方式，三倍标准差原则为：p(x≤3σ)＝99.7％，即表示检测值与其均值的误差有99.7％的概率都在三倍的标准差以内，设定滑动窗口时长为3日，每1天滑动一次，以负荷数据为例，则对于某三日待检测的负荷数据集x＝[x1,x2,…,xi,…,xn]；
12、先计算出负荷数据集x的其均值μ和标准差σ，计算公式如下：
13、
14、
15、其中，n为3日的负荷数据长度；
16、根据正态分布的假设，若待检测的数据，数据点其值超出了[μ-3σ,μ+3σ]的数据范围，判定其为异常数据点；
17、对识别出的异常数据进行连续数量分析：
18、若不超过一小时的连续异常或缺失数据，直接采用线性插值的方式进行修正；否则，利用相似日方法进行修正。
19、优选地，所述相似日方法标准如下：
20、记录连续异常或缺失数据的个数为n，取连续异常或缺失数据前m个点作为相似日修正算法的待匹配数据wait_match_period，取历史10天内的同时段数据作为历史匹配数据his_match_period，i＝1,2,...,10，公式如下：
21、his_match_period＝[his_match_period1,...,his_match_periodi,...,his_match_period10]
22、wait_match_period＝[x1,x2,…,xm]
23、his_match_periodi＝[xi,1,xi,2,…,xi,m]
24、利用余弦相似度方式进行相似度计算，公式如下：
25、
26、取相似度最大的日作为相似日d，计算历史匹配数据his_match_periodd与待匹配数据wait_match_period的平均相对误差errt,i，计算公式如下：
27、
28、修正后的第k个连续异常或缺失的数据值为：errd+xd,m+k,k＝1,2,…,n。
29、优选地，结合处理好的历史负荷数据、历史气象数据以及时间数据，分别构建适当的负荷特征、气象特征和时间特征，并分别与预测时刻点对应的实际负荷进行pearson相关性分析，选取高相关的特征；包括：
30、计算各因素与负荷序列的相关性系数，计算公式如下：
31、
32、其中，x为负荷值序列，fn为第n个相关因素，cov、σ分别为协方差、标准差。
33、优选地，所述xgb多元输出预测模型原理标准如下：
34、基本xgb回归树模型公式为：
35、
36、其中，为回归树得到的负荷预测值，k、k分别为回归树的数量、第k棵树，fk为函数集r的函数，xi为输入的第i个负荷相关的特征变量；
37、目标函数公式为：
38、
39、
40、其中，为预测负荷与实际负荷的误差，表示正则化项，通过添加惩罚项来尽可能避免模型训练过程中的过拟合现象，wj为第j个叶子节点的分数，t为叶子节点数量λ、γ分别为正则化惩罚项系数、惩罚函数系数，分别保证叶子节点分数不会过高、个数不会太大；
41、对xgb回归树模型基于其前一模型的预测误差进行训练，不断地迭代，直至满足模型设定的最大迭代次数。
42、优选地，所述bp神经网络构建步骤步骤如下：
43、(1)确定bp神经网络结构，构建bp神经网络，包括1个输入层、1个隐含层、一个输出层，其中输入、隐含、输出层的节点个数分别为2，3，1；
44、(2)初始化bp神经网络相关参数，包括各连接层之间的权值和阈值，以及学习率；
45、(3)将输入数据输入到上述网络结构本文档来自技高网...
【技术保护点】
1.一种系统超短期负荷预测方法，其特征在于：
2.根据权利要求1所述的一种系统超短期负荷预测方法，其特征在于，对历史负荷、气象数据进行预处理，采用标准差法对数据进行异常识别，并根据数据异常及缺失情况进行线性插值修正或相似日数据插值修正；包括：
3.根据权利要求2所述的一种系统超短期负荷预测方法，其特征在于，所述相似日方法标准如下：
4.根据权利要求2所述的一种系统超短期负荷预测方法，其特征在于，结合处理好的历史负荷数据、历史气象数据以及时间数据，分别构建适当的负荷特征、气象特征和时间特征，并分别与预测时刻点对应的实际负荷进行pearson相关性分析，选取高相关的特征；包括：
5.根据权利要求1所述的一种系统超短期负荷预测方法，其特征在于：所述XGB多元输出预测模型原理标准如下：
6.根据权利要求1所述的一种系统超短期负荷预测方法，其特征在于：所述BP神经网络构建步骤步骤如下：
【技术特征摘要】
1.一种系统超短期负荷预测方法，其特征在于：
2.根据权利要求1所述的一种系统超短期负荷预测方法，其特征在于，对历史负荷、气象数据进行预处理，采用标准差法对数据进行异常识别，并根据数据异常及缺失情况进行线性插值修正或相似日数据插值修正；包括：
3.根据权利要求2所述的一种系统超短期负荷预测方法，其特征在于，所述相似日方法标准如下：
4.根据权利要求2所述的一种系统超短期负荷预测方法，其...
【专利技术属性】
技术研发人员：吕嘉，潘连荣，李培恺，傅源，何井龙，杨潇，杨加意，张元胜，罗添允，傅文倩，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：
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。