CN103870887A - 基于改进型自适应滤波法的城市电网短时负荷预测方法 - Google Patents

Abstract

本发明提供一种基于改进型自适应滤波法的城市电网短时负荷预测方法，包括：步骤1，对负荷进行采样得到负荷数据采样点的观测值，设置各个观测值对应的观测值权数；步骤2，基于自适应滤波法的基本预测公式得到第N+1个负荷数据采样点的预测值，计算第N+1个负荷数据采样点的预测误差为所述预测值与所述观测值的差值；步骤3，调整前N个负荷数据采样点的观测值权数的值；在判断负荷数据采样点的预测误差和与上一轮负荷数据采样点的预测误差和的差值在设定范围外时执行所述步骤2，否则计算得到负荷数据采样点的预测值。本发明提供的一种城市电网短时负荷预测方法，可以得到时间上无滞后、数值上精确的负荷预测值，从而提高电力系统运行稳定性。

Description

基于改进型自适应滤波法的城市电网短时负荷预测方法

技术领域

本发明涉及电力系统负荷预测领域，具体涉及一种基于改进型自适应滤波法的城市电网短时负荷预测方法。

背景技术

安全、优质、经济、可靠是对电力系统的基本要求，同时也是未来电网中的发展目标。随着全球经济和科学技术的发展，电力系统的运行和需求正在发生巨大的变化，其存在电力负荷峰谷差增大，系统装机容量难以满足峰值负荷的需求，导致电网在负荷高峰时拉闸限电，而低谷时，要停掉很多机组，机组频繁启停不仅增加能耗，而且影响机组寿命，使电力设备平均利用时间下降、发电效率下降、经济效益降低。同时大量非线性负载，对供电系统造成很大的谐波污染，复杂大电网受到扰动后的安全稳定性问题日益突出。

无论是调峰问题，还是稳定问题，其根源都在于能量的不平衡，或者说是电能的生产、输送、消费的瞬时不平衡。电能存储技术可以提供一种简单的解决电能供需不平衡问题的办法。各种形式的储能装置可以在电网负荷低谷的时候作为负荷从电网获取电能充电，在电网负荷峰值时刻改为发电机方式运行，向电网输送电能，这种方式有助于减少系统输电网络的损耗，对负荷实施削峰填谷，从而获取经济效益。如果将储能装置用于系统稳定控制，则有可能采用小容量的储能，通过快速的电能存取，实现较大的功率环节，快速地吸收“剩余能量”或补充“功率缺额”，从而提高电力系统运行稳定性。

城市建设和居民生活水平的提高，不但使城市电网负荷以较高的速度增长，也使负荷峰谷差日趋增大，全年用电高峰由原来夏季一个高峰，向夏季和冬季两个高峰发展。日用电负荷曲线也发生明显变化，从原来早晚两个峰的“驼峰”形状转变为两峰之间负荷趋向平坦，日高峰负荷持续时间延长。居民用电和第三产业用电负荷占比重较大，故负荷曲线随气温变化较大，而且负荷曲线的季节性变化显著，春（秋）、夏、冬季节的负荷曲线走势明显不同。城市电网的高峰负荷快速增长、负荷峰谷差日益增大和负荷的季节性变化大等特性使得城市电网配置的储能装置将受到很大的冲击，减少使用寿命。因此在配置储能的城市电网中，需要对负荷进行预测。

现有的短时负荷预测方法有神经网络、混沌理论、支持向量机、模糊理论和回归分析等，但是这些方法建立预测模型所需考虑的因素较多，理论性太强，不太实用，可操作性差，实现成本太高。

发明内容

本发明针对现有技术的不足，提供一种基于改进型自适应滤波法的城市电网短时负荷预测方法，包括：步骤1，对负荷进行采样得到负荷数据采样点的观测值，设置各个观测值对应的观测值权数；

步骤2，根据前N个负荷数据采样点的观测值及其对应的观测值权数，基于自适应滤波法的基本预测公式得到第N+1个负荷数据采样点的预测值，计算第N+1个负荷数据采样点的预测误差为所述预测值与所述观测值的差值；

步骤3，根据所述第N+1个负荷数据采样点的预测误差和设置的学习常数调整前N个负荷数据采样点的观测值权数的值；在判断负荷数据采样点的预测误差和与上一轮负荷数据采样点的预测误差和的差值在设定范围外时执行所述步骤2，否则确定当前各个负荷数据采样点的观测值权数为最佳权数，根据所述最佳权数计算得到负荷数据采样点的预测值。

本发明提供的第一优选实施例中：所述步骤2中所述自适应滤波法的基本预测公式为：

${\hat{y}}_{t+1}=w_1*y_t+w_2*y_{t-1}+...+w_N*y_{t+N+1}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i*y_{t-i+1}---\left(1\right)$

式中，

为第t+1期的预测值，w_i为第t-i+1期的观测值权数，y_t-i+1为第t-i+1期的观测值权，i=1,2,……,N，t表示负荷数据采样的时期数，t=N,N+1,……,n，N为权数的个数，n为序列数据的个数；

所述第N+1个负荷数据采样点的预测误差为：

$e_{t+1}={\hat{y}}_{t+1}-y_{t+1}---\left(2\right).$

本发明提供的第二优选实施例中：所述步骤3中根据所述第N+1个负荷数据采样点的预测误差和设置的学习常数调整前N个负荷数据采样点的观测值权数的值的公式为：

w_i'＝w_i+2k*e_t+1*y_t-i+1   （3）

式中，w_i为调整前的第i个观测值权数，w_i'为调整后的第i个观测值权数，k为学习常数，e_t+1为第t+1期的预测误差。

本发明提供的第三优选实施例中：所述步骤3中计算负荷数据采样点的预测误差和为：

err=e_t-N+1+e_t-N+2……+e_t+e_t+1   （4）

在计算err与上一轮err的差值在人为设定的范围内时，确定获得了一组最佳权数，所述范围为(-0.01～0.01)。

本发明提供的第四优选实施例中：所述步骤3之后包括：

步骤4，建立t+T时期负荷数据采样点的预测值的直线趋势预测模型；

步骤5，根据t+T之前的t～t-N+1时期负荷数据采样点的观测值计算得到t+T时期负荷数据采样点的预测值的直线趋势预测模型的平滑系数；

步骤6，根据所述求得的平滑系数的值计算修正后预测值。

本发明提供的第五优选实施例中：所述步骤4中的所述直线趋势预测模型为：

y_t+T'＝a_t+b_t*T，T＝1,2,...   （5）

其中t为当前时期数；T为由t至预测期的时期数；a_t和b_t为平滑系数，a_t为截距，b_t为斜率；

所述步骤5中计算所述平滑系数的方法包括：

平滑系数的计算公式为：

$\left\{\begin{array}{c}{a}_t=2*{M_t}^{\′}-{M_t}^{\′\′}\\ b_t=\frac{2}{N-1}*({M_t}^{\′}-{M_t}^{\′\′})\end{array}\right.---\left(6\right)$

其中一次移动平均：

${M_t}^{\′}=\frac{y_{t-N+1}+y_{t-N+2}+...+y_t}{N}---\left(7\right)$

二次移动平均：

${M_t}^{\′\′}=\frac{{M_{t-N+1}}^{\′}+{M_{t-N+2}}^{\′}+...+{M_t}^{\′}}{N}---\left(8\right)$

设 $r_i={\hat{y}}_i-y_i;$

i=1,2时

r_i′=r_i   (9)

i=3时

r_i'＝2*r_i-1'-r_i-2'   （10）

在i=4,5,……,2M-1时,取N=[i/2]，[i/2]表示比i/2小的最大整数；

由式（7）、（8）可得：

${M_i}^{\′}=\frac{r_{i-N+1}+r_{i-N+2}+...+r_i}{N}---\left(11\right)$

${M_i}^{\′\′}=\frac{M_{i-N+1}+M_{i-N+2}+...+M_i}{N}---\left(12\right)$

把式（11）、（12）代入式（2）：

a_i＝2*M_i'-M_i″   （13）

$b_i=\frac{2}{N-1}({M_i}^{\′}-{M_i}^{\′\′})---\left(14\right).$

本发明提供的第六优选实施例中：所述步骤6中根据求得的所述平滑系数的值计算修正后预测值的方法包括：

将式（13）、（14）代入式（5），取T=1得到误差预测值：

r_i+1'＝a_i+b_i   （15）

在i=2M,2M+1,…处，取N=M；

计算修正后预测值为所述步骤3中计算的所述预测值与所述误差预测值的和。

本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测方法，相对于最接近的现有技术的有益效果包括：

1、本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测方法，基于自适应滤波法，以时间序列的历史观测值进行加权平均来预测，先给定一组权数来计算一个预测值，然后计算预测误差，在根据预测误差调整权数以减少误差，反复进行直至找出一组最佳权数，使其误差减少到最低限度。

2、采用趋势移动平均法对预测值进行修正，可以有效的完成负荷预测的任务，得到时间上无滞后、数值上精确的负荷预测值，使得储能单元更加经济地吸收“剩余能量”或补充“功率缺额”，从而提高电力系统运行稳定性。

3、方法简单、可操作性强，经济适用，预测结果通过实际校验可行。

附图说明

如图1所示为本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测方法的流程图；

如图2所示为本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测方法的实施例的流程图；

如图3所示为本发明提供的一种趋势移动平均修正方法流程图；

如图4所示为本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测方法的实施例的预测结果图。

具体实施方式

下面根据附图对本发明的具体实施方式作进一步详细说明。

本发明提供一种基于改进型自适应滤波法的城市电网短时负荷预测方法，其流程图如图1所示，由图1可知，该方法包括：

步骤1，对负荷进行采样得到负荷数据采样点的观测值，设置各个观测值对应的观测值权数。

步骤2，根据前N个负荷数据采样点的观测值及其对应的观测值权数，基于自适应滤波法的基本预测公式得到第N+1个负荷数据采样点的预测值，计算第N+1个负荷数据采样点的预测误差为预测值与观测值的差值。

步骤3，根据第N+1个负荷数据采样点的预测误差和设置的学习常数调整前N个负荷数据采样点的观测值权数的值；在判断负荷数据采样点的预测误差和与上一轮负荷数据采样点的预测误差和的差值在设定范围外时执行步骤2，否则确定当前各个负荷数据采样点的观测值权数为最佳权数，根据该最佳权数计算得到负荷数据采样点的预测值。

进一步的，如图2所示为本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测方法的实施例的示意图，步骤2中自适应滤波法的基本预测公式为：

${\hat{y}}_{t+1}=w_1*y_t+w_2*y_{t-1}+...+w_N*y_{t+N+1}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i*y_{t-i+1}---\left(1\right)$

式中，

为第t+1期的预测值，wi为第t-i+1期的观测值权数，y_t-i+1为第t-i+1期的观测值权，i=1,2,……,N，t表示负荷数据采样的时期数，t=N,N+1,……,n，N为权数的个数，n为序列数据的个数。

第N+1个负荷数据采样点的预测误差为：

$e_{t+1}={\hat{y}}_{t+1}-y_{t+1}---\left(2\right).$

步骤3中根据第N+1个负荷数据采样点的预测误差和设置的学习常数调整前N个负荷数据采样点的观测值权数的值的公式为：

w_i'＝w_i+2k*e_t+1*y_t-i+1   （3）

式中，w_i为调整前的第i个观测值权数，w_i'为调整后的第i个观测值权数，k为学习常数，e_t+1为第t+1期的预测误差。

计算出各个w_i'的值后用w_i'替代w_i代入公式（1）进行下一轮计算。

计算负荷数据采样点的预测误差和为：

err=e_t-N+1+e_t-N+2……+e_t+e_t+1   （4）

在计算err的值与上一轮err的差值变化不大，在一个较小的范围内时，即新一轮的预测总误差没有明显改进时，就可以认为获得了一组最佳权数，该较小的范围可以根据需要人为设定，可以为(-0.01～0.01)。

自适应滤波法，以时间序列的历史观测值进行加权平均来预测，先给定一组权数来计算一个预测值，然后计算预测误差，在根据预测误差调整权数以减少误差，反复进行直至找出一组最佳权数，使其误差减少到最低限度。优选的，由于自适应滤波法的预测效果存在一定的偏差，有滞后性，为了达到更高精度的效果，本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测方法，还包括采用趋势移动平均法对步骤3得到的预测值进行修正，如图3所示为本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测方法中趋势移动平均修正方法流程图，具体包括：

步骤4，建立t+T时期负荷数据采样点的预测值的直线趋势预测模型：

y_t+T'＝a_t+b_t*T，T＝1,2,...   （5）

其中t为当前时期数；T为由t至预测期的时期数；a_t为截距，b_t为斜率，两者又称为平滑系数。

步骤5，根据t+T之前的t～t-N+1时期负荷数据采样点的观测值计算得到t+T时期负荷数据采样点的预测值的直线趋势预测模型的平滑系数。

平滑系数的计算公式为:

$\left\{\begin{array}{c}{a}_t=2*{M_t}^{\′}-{M_t}^{\′\′}\\ b_t=\frac{2}{N-1}*({M_t}^{\′}-{M_t}^{\′\′})\end{array}\right.---\left(6\right)$

其中一次移动平均

${M_t}^{\′}=\frac{y_{t-N+1}+y_{t-N+2}+...+y_t}{N}---\left(7\right)$

二次移动平均

${M_t}^{\′\′}=\frac{{M_{t-N+1}}^{\′}+{M_{t-N+2}}^{\′}+...+{M_t}^{\′}}{N}---\left(8\right)$

修正的方法是基于趋势移动平均数学模型得到的。由于趋势移动平均法需要至少三个误差数据点才可以进行预测，所以对前三个误差数据点做如下处理：前两个误差数据点取误差数据，第三点的误差预测值取前两个误差数据点连线的延长线上的值。从第四个误差数据点到第2M-1个点之间采用N逐渐增大的趋势移动平均法预测；从第2M个数据点之后，采用N=M的趋势移动平均法预测，其中M为窗口时间的数据点数。

设 $r_i={\hat{y}}_i-y_i.$

i=1,2时

r_i′=r_i   (9)

i=3时

r_i'＝2*r_i-1'-r_i-2'   （10）

在i=4,5,……,2M-1时,取N=[i/2]，[i/2]表示比i/2小的最大整数。

由式（7）、（8）可得：

${M_i}^{\′}=\frac{r_{i-N+1}+r_{i-N+2}+...+r_i}{N}---\left(11\right)$

${M_i}^{\′\′}=\frac{M_{i-N+1}+M_{i-N+2}+...+M_i}{N}---\left(12\right)$

把式（11）、（12）代入式（2）：

a_i＝2*M_i'-M_i″   （13）

$b_i=\frac{2}{N-1}({M_i}^{\′}-{M_i}^{\′\′})---\left(14\right).$

步骤6，根据求得的平滑系数的值计算修正后预测值。

将式（13）、（14）代入式（5），取T=1可得误差预测值：

r_i+1'＝a_i+b_i   （15）

在i=2M,2M+1,…处，取N=M，r_i′的计算方法相同。

计算修正后预测值为步骤3中计算的预测值与该误差预测值的和。

如图4所示为本发明提供的一种基于改进型自适应滤波法的城市电网短时负荷预测的实施例的预测结果图，图中，实线为实际的负荷曲线，虚线为预测的负荷曲线，从图4可以看出，在一天24小时内，预测的效果都不错，变化趋势完全一致，同时基本上无滞后性，预测偏差较小，精度较高。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于改进型自适应滤波法的城市电网短时负荷预测方法，其特征在于，所述方法包括：

步骤1，对负荷进行采样得到负荷数据采样点的观测值，设置各个观测值对应的观测值权数；

步骤2，根据前N个负荷数据采样点的观测值及其对应的观测值权数，基于自适应滤波法的基本预测公式得到第N+1个负荷数据采样点的预测值，计算第N+1个负荷数据采样点的预测误差为所述预测值与所述观测值的差值；

步骤3，根据所述第N+1个负荷数据采样点的预测误差和设置的学习常数调整前N个负荷数据采样点的观测值权数的值；在判断负荷数据采样点的预测误差和与上一轮负荷数据采样点的预测误差和的差值在设定范围外时执行所述步骤2，否则确定当前各个负荷数据采样点的观测值权数为最佳权数，根据所述最佳权数计算得到负荷数据采样点的预测值。

2.如权利要求1所述的方法，其特征在于，所述步骤2中所述自适应滤波法的基本预测公式为：

${\hat{y}}_{t+1}=w_1*y_t+w_2*y_{t-1}+...+w_N*y_{t+N+1}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i*y_{t-i+1}---\left(1\right)$

式中，

为第t+1期的预测值，w_i为第t-i+1期的观测值权数，y_t-i+1为第t-i+1期的观测值权，i=1,2,……,N，t表示负荷数据采样的时期数，t=N,N+1,……,n，N为权数的个数，n为序列数据的个数；

所述第N+1个负荷数据采样点的预测误差为：

$e_{t+1}={\hat{y}}_{t+1}-y_{t+1}---\left(2\right).$

3.如权利要求1所述的方法，其特征在于，所述步骤3中根据所述第N+1个负荷数据采样点的预测误差和设置的学习常数调整前N个负荷数据采样点的观测值权数的值的公式为：

w_i'＝w_i+2k*e_t+1*y_t-i+1   （3）

式中，w_i为调整前的第i个观测值权数，w_i'为调整后的第i个观测值权数，k为学习常数，e_t+1为第t+1期的预测误差。

4.如权利要求1所述的方法，其特征在于，所述步骤3中计算负荷数据采样点的预测误差和为：

err=e_t-N+1+e_t-N+2……+e_t+e_t+1   （4）

在计算err与上一轮err的差值在人为设定的范围内时，确定获得了一组最佳权数，所述范围为(-0.01～0.01)。

5.如权利要求1所述的方法，其特征在于，所述步骤3之后包括：

步骤4，建立t+T时期负荷数据采样点的预测值的直线趋势预测模型；

步骤5，根据t+T之前的t～t-N+1时期负荷数据采样点的观测值计算得到t+T时期负荷数据采样点的预测值的直线趋势预测模型的平滑系数；

步骤6，根据所述求得的平滑系数的值计算修正后预测值。

6.如权利要求1所述的方法，其特征在于，所述步骤4中的所述直线趋势预测模型为：

y_t+T'＝a_t+b_t*T，T＝1,2,...   （5）

其中t为当前时期数；T为由t至预测期的时期数；a_t和b_t为平滑系数，a_t为截距，b_t为斜率；

所述步骤5中计算所述平滑系数的方法包括：

平滑系数的计算公式为：

$\left\{\begin{array}{c}{a}_t=2*{M_t}^{\′}-{M_t}^{\′\′}\\ b_t=\frac{2}{N-1}*({M_t}^{\′}-{M_t}^{\′\′})\end{array}\right.---\left(6\right)$

其中一次移动平均：

${M_t}^{\′}=\frac{y_{t-N+1}+y_{t-N+2}+...+y_t}{N}---\left(7\right)$

二次移动平均：

${M_t}^{\′\′}=\frac{{M_{t-N+1}}^{\′}+{M_{t-N+2}}^{\′}+...+{M_t}^{\′}}{N}---\left(8\right)$

设 $r_i={\hat{y}}_i-y_i;$

i=1,2时

r_i′=r_i   (9)

i=3时

r_i'＝2*r_i-1'-r_i-2'   （10）

在i=4,5,……,2M-1时,取N=[i/2]，[i/2]表示比i/2小的最大整数；

由式（7）、（8）可得：

${M_i}^{\′}=\frac{r_{i-N+1}+r_{i-N+2}+...+r_i}{N}---\left(11\right)$

${M_i}^{\′\′}=\frac{M_{i-N+1}+M_{i-N+2}+...+M_i}{N}---\left(12\right)$

把式（11）、（12）代入式（2）：

a_i＝2*M_i'-M_i″（13）

$b_i=\frac{2}{N-1}({M_i}^{\′}-{M_i}^{\′\′})---\left(14\right).$

7.如权利要求6所述的方法，其特征在于，所述步骤6中根据求得的所述平滑系数的值计算修正后预测值的方法包括：

将式（13）、（14）代入式（5），取T=1得到误差预测值：

r_i+1'＝a_i+b_i   （15）

在i=2M,2M+1,…处，取N=M；

计算修正后预测值为所述步骤3中计算的所述预测值与所述误差预测值的和。

Images