CN104598986B - 基于大数据的电力负荷预测方法 - Google Patents

基于大数据的电力负荷预测方法 Download PDF

Info

Publication number
CN104598986B
CN104598986B CN201410767438.2A CN201410767438A CN104598986B CN 104598986 B CN104598986 B CN 104598986B CN 201410767438 A CN201410767438 A CN 201410767438A CN 104598986 B CN104598986 B CN 104598986B
Authority
CN
China
Prior art keywords
load
value
prediction
time
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410767438.2A
Other languages
English (en)
Other versions
CN104598986A (zh
Inventor
陈毅波
陈乾
姚建刚
姜辉翔
黄伟峰
胡其辉
刘星
刘迅
石倩
蒋破荒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HUNAN TONGFEI POWER SWITCHING INFORMATION CO Ltd
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Hunan Electric Power Co Ltd
Original Assignee
HUNAN TONGFEI POWER SWITCHING INFORMATION CO Ltd
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Hunan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by HUNAN TONGFEI POWER SWITCHING INFORMATION CO Ltd, State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Hunan Electric Power Co Ltd filed Critical HUNAN TONGFEI POWER SWITCHING INFORMATION CO Ltd
Priority to CN201410767438.2A priority Critical patent/CN104598986B/zh
Publication of CN104598986A publication Critical patent/CN104598986A/zh
Application granted granted Critical
Publication of CN104598986B publication Critical patent/CN104598986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于大数据的电力负荷预测方法，步骤一，提供N个时间段的数据信息；针对同一数据信息，采用强化学习负荷预测的数据模型获取第N+1个时间段的电力负荷预测值一；同时采用数据驱动方式获取第N+1个时间段的电力负荷预测值二；步骤二，采用D‑S证据理论对电力负荷预测结果一和电力负荷预测结果二进行信息融合，获取第N+1个时间段的最终预测结果。针对包含空间、时间、属性等多维度多级别的电力负荷预测体系，本发明将基于数据驱动理论的无模型负荷预测控制器与基于小波神经网络的积累学习型预测相结合，采用信息融合技术将两者预测值在决策级进行信息融合，得出最优的预测值，大幅提高了负荷预测的精度和实时性。

Description

基于大数据的电力负荷预测方法
技术领域
本发明涉及发一种基于大数据的电力负荷预测方法。
背景技术
就我国目前情况来看，对负荷特性的现状、影响负荷特性的主要因素和未来负荷特性的变化趋势等都进行了系统的分析和研究，得出了一些对电力规划和电网运行有指导意义和参考价值的结论，但这些研究更多停留在理论层面，没有足有的做足够的数据推演和验证，其主要的不足表现在：
1、影响负荷相关因素维度局限。现有的负荷预测系统其预测影响因子主要还是局限于历史负荷、气象数据等常用数据。
2、对气象要素与负荷的内在规律分析深度不够。已有系统所建立的气象因素影响模型尚不能完全反映出负荷的真实变化情况，且在如温度的累积效应、延迟效应等方面所做的工作有限，研究的深度尚待深入。
3、负荷特性指标是时点指标，不同地区、不同时间的负荷特性不能直接叠加，使得进行大范围区域负荷特性分析的难度明显增加；并且各行业典型负荷特性曲线、非电网统调负荷特性曲线的获取和加工处理较为困难。
4、缺乏对地调负荷与省调负荷之间的相似性研究。
5、缺乏对影响负荷的相关因素分析。限于过去的条件，在绝大多数系统中没有考虑气象等因素对负荷的影响，或只是利用有限的气象信息(最高、最低和平均温度)，预测精度不高。
发明内容
本发明的目的是提供一种适应多维度电力负荷影响因素且预测精度高的基于大数据的电力负荷预测方法。
本发明提供的这种基于大数据的电力负荷预测方法，该方法包括如下步骤：
步骤一，提供N个时间段的数据信息；针对同一数据信息，采用强化学习负荷预测的数据模型获取第N+1个时间段的电力负荷预测值一；同时采用数据驱动方式获取第N+1个时间段的电力负荷预测值二；
步骤二，采用D-S证据理论对电力负荷预测值一和电力负荷预测值二进行信息融合，获取第N+1个时间段的最终预测结果。
所述数据驱动方式获取电力负荷预测值二包括如下步骤：
步骤一，收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立一种函数关系：
y(k+1)＝f(y(k),…,y(k-ny),u(k),…,u(k-nu),e(k),…,e(k-ne)) (1)
式中，u(k)表示k时刻系统的负荷预测值，且u(k)∈R；y(k)表示k时刻系统的负荷预测误差值，且y(k)∈R；e(k)表示系统的影响量，e(k)∈R；ny表示负荷预测误差值y(k)的时间窗口跨度；nu表示负荷预测值u(k)的时间窗口跨度；ne表示系统影响量e(k)的时间窗口跨度；f(…)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y(k+1)与前ny时间跨度内的实际负荷预测误差值、前nu时间跨度内的负荷预测值及前ne时间跨度内的系统影响因素之间的关系；
步骤二，按下式建立数据模型：
Δy(k+1)＝φT(k)ΔH(k) (2)
式中，Δy(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之差，定义Δy(k+1)＝y(k+1)-y(k)；定义
ΔH(k)＝[Δy(k),…,Δy(k-ny+1),Δu(k),…,Δu(k-nu+1),Δe(k),…,Δe(k-ne+1)]T；
Δy(k)表示k时刻系统的负荷预测误差值与上一时刻k-1负荷预测误差值之差，定义为Δy(k)＝y(k)-y(k-1)；Δu(k)表示k时刻系统的负荷预测值与上一时刻k-1负荷预测值之差，定义Δu(k)＝u(k)-u(k-1)；Δe(k)表示k时刻系统影响量与上一时刻k-1系统影响量之差，定义Δe(k)＝e(k)-e(k-1)；k表示当前时刻；ny表示负荷预测误差值从当前k时刻开始往前推ny个时刻，负荷预测误差值的时间窗口跨度；nu表示负荷预测值从当前k时刻开始往前推nu个时刻，负荷预测值的时间窗口跨度；ne表示系统影响量从当前k时刻开始往前推ne个时刻，系统影响量时间窗口跨度；φT(k)定义为系统偏微导数，目的为建立Δy(k+1)与ΔH(k)之间的函数关系；
步骤三，建立伪偏导数估计准则函数；
式中，定义φLy,Lu,Le(k)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的伪偏导数φ(k)，定义ΔHLy,Lu,Le(k-1)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的ΔH(k-1)，HLy,Lu,Le(k)＝[y(k),…,y(k-Ly+1),u(k),…,u(k-Lu+1),e(k)…,e(k-Le+1)]T；
φT Ly,Lu,Le(k)是φLy,Lu,Le(k)的转置矩阵；其中，μ是关于参数估计变化量的惩罚因子；
对求极值，得伪偏导数的估计算法为：
其中，η是步长因子一；为φLy,Lu,Le(k)的估计值；
步骤四，按下式建立预测控制输入准则函数：
J(u(k))＝|y*(k+1)-y(k+1)|2+λ1|u(k)-u(k-1)|2+λ2|e(k)-e(k-1)|2 (4)
式中，λ1和λ2均是权重因子；y*(k+1)为期望的负荷预测误差值；
将式(1)代入准则函数式(4)中，对u(k)求导，并令其等于零，得到预测控制输入值u(k)：
式中，ρi是步长因子二；i是正整数，且其取值为i＝1,2,…,Ly+Lu+Le；
步骤五，重复上述步骤，直至获取所需目标时间的预测值。
所述影响因素包括负荷影响因素、日售与日用电量影响因素、月售与月用电量影响因素以及年售与年用电量影响因素。
所述负荷影响因素包括温度、湿度、降雨、风速、日期类型；所述负荷影响因素在数据库气象缺失的情况下，采用线型插值法，弥补各点气象特征；所述日售与日用电量影响因素包括该日的各点气温、湿度、降雨量及当日最高气温、最低气温、平均气温、日期类型；所述月售与月用电量影响因素包括电价、各区段气温、假期天数；所述年售与年用电量影响因素包括人口、GDP、消费系数、物价指数、全社会用电量、人均产值、人均耗电量及产值单耗。
所述年售与年用电量影响因素采用格兰杰因果检验，筛选适当的影响因素；其还采用主成分分析，提取主要影响因素。
所述日期类型包括工作日和节假日。
所述惩罚因子μ的值的适当选取能限制用动态线性系统替代非线性系统时的适用范围，只要μ＞0，所述估计算法能避免出现奇异的情况，并且μ的加入能使所述估计算法对个别的反常数据具有鲁棒性；所述步长因子一η满足η∈(0,2]能使所述估计算法更加具有灵活性；所述步长因子二ρi满足ρi∈(0,1]使所述控制算法更具一般性。
所述N个时间段应是相似日的同一小时、连续年的同一个月(季度)，不能是任意小时、年、季度。
所述采用强化学习负荷预测的数据模型获取电力负荷预测值一，包括如下步骤：
步骤1，输入日期、时刻、日期类型、气象数据的影响因素；
步骤2，对步骤1中的影响因素进行主元分析，筛选出主要影响因素；
步骤3，对步骤2中的主要影响因素进行聚类分析，将同类型时刻聚类；
步骤4，采用已训练好的参数进行电力负荷预测；
步骤5，若步骤4的预测精度达到要求，则输出电力负荷预测值，并结束；若步骤4的预测精度未达到要求，则执行步骤6；
步骤6，采用小波神经网络训练参数；采用训练好的参数进行电力负荷预测；
步骤7，若步骤6的预测精度达到要求，则输出电力负荷预测值，并将该训练好的参数存入数据库，结束；
若步骤6的预测精度未达到要求，则执行步骤8；
步骤8，修改训练日期，采用小波神经网络再次训练参数；采用训练好的参数进行电力负荷预测；
步骤9，若步骤8的预测精度达到要求，则输出电力负荷预测值，并将该训练好的参数存入数据库，结束；
若步骤8的预测精度未达到要求，则转至步骤8。
所述步骤二采用Dempster合成法则，将电力负荷预测值一和电力负荷预测值二的进行权重融合，获取第N+1个时间段的最终预测结果。
所述权重融合是对预测精度较高的预测值赋予较大的权重，对精度较低的预测值赋予较小的权重。
与现有方案相比，本发明具有如下优势：
(1)本发明的数据驱动方式获取预测值的方案不涉及负荷特性指标，并未建立负荷特性指标与影响因素之间的关系，其没有固定预测模型，是在预测过程中不断建立预测误差(即系统输出)与系统输入及系统影响量之间的关系(这种关系是Δy,Δu、Δe之间的局部线性关系)，并通过预测误差来矫正下一个时刻的输入。采用基于数据驱动的无模型自适应控制方法，仅利用闭环被控负荷预测系统的输入输出量测数据来实现负荷预测控制器的设计，而不显含或隐含被控系统动态模型的结构信息和参数信息，可将被控系统所有可能的复杂行为特征，如非线性、时变参数、时变结构等，都被压缩融入到时变参数——伪偏导数，只需通过在线调整伪偏导数这一唯一变量，即可实现无模型自适应预测。
(2)针对包含空间、时间、属性等多维度多级别的电力负荷预测体系，本发明将基于数据驱动理论的无模型负荷预测控制器与基于小波神经网络的积累学习型预测相结合，采用信息融合技术将两者预测值在决策级进行信息融合，得出最优的预测值，大幅提高了负荷预测的精度和实时性。
(3)系统采用的预测模型紧密结合预测地区的实际情况，实现根据不同季节、时段的温度、湿度、等气象要、负荷、用电量、售电量、购电量、新装、增容及变更用电数据，大用户供用电合同管理数据，电能信息采集数据，抄表计费数据、经济数据素进行自适应灵活修正。预测模型的参数采用自适应滚动优化，采用多种技术相结合进行综合分析，保证预测模型的自适应性和鲁棒性，充分利用数据中心日益庞大的结构化数据、非结构化数据、海量历史数据等进行采集与转换；通过研究与数据挖掘以发现其关联性，重新设计预测模型，显著提高了负荷预测精度。
附图说明
图1是本发明的数据驱动型预测系统的功能模块图。
图2是本发明的数据驱动方式预测流程图。
图3是本发明的强化学习负荷预测的数据模型预测流程图。
图4是本发明的总流程图。
图5是本发明的实施效果对比图一。
图6是本发明的实施效果对比图二。
具体实施方式
近年来，随着电力供需矛盾的变化以及用电结构的变化，各大电网负荷特性发生了较大的变化，各地区最大负荷持续增长，峰谷差不断扩大，负荷率和年最大负荷利用小时数呈现下降趋势。而另一方面，智能电网的发展、需求侧管理技术的推广、能效电厂的引入，对改善电网的用电特性，提高能源效率会产生积极影响。因此，亟需深入了解电网以及各个地区负荷特性的现状，把握负荷变化的规律和发展趋势，以达到提高电力需求预测准确性水平的目标，有效提高电网规划运行研究工作的效率。
针对气象数据、负荷、用电量、售电量、购电量、新装、增容及变更用电数据，大用户供用电合同管理数据，电能信息采集数据，抄表计费数据、经济数据等更多维度，本发明基于无模型自适应控制理论，采用数据驱动模式实现负荷预测。
本发明通过研究电力大数据的特点，以及相应的数据采集与转换技术，实现基于数据中心结构化数据、非结构化数据、海量历史数据等多源采集与转换；研究符合电力行业大数据特点的存储、计算架构，实现多类型数据的综合存储与计算；通过无模型的自适应控制理论，将售电量、全社会用电量、发电负荷、日发电量、各产业用电量、行业用电量等关键指标数据，结合季节变化、自然增长、GDP、人口结构等外部因素作为模块的输入以数据驱动理论为基础的无模型预测控制器中,并预测出下一时刻的预测输出值，预测未来售电预判和用电走势分析；同时采用基于强化学习负荷预测的数据模型对同一数据信息进行预测，即采用小波神经网络的积累学习型模式，训练学习得出最优预测模型库，预测未来售电预判和用电走势分析；同时采用灰色模型匹配当前预测时刻最优预测模型，预测未来售电预判和用电走势分析。通过采用信息融合技术D-S证据理论，在决策级将两种方案的预测值进行进一步的融合，得出更为准确的预测值，提高本发明的及时性和准确性。
为了更好的说明本发明的采用数据驱动方式进行电力负荷预测的方法，可先构建一个如图1所示的数据驱动型预测系统。如图1所示，本发明的数据驱动型预测系统包括预测控制器、影响因素(e)、预测值(u)、预测误差(y)。
首先将影响因素(e)、预测值(u)、预测误差(y)均输入至预测控制器，预测控制器的输出是下一次的预测值。首次执行时，由于没有系统上一次的输出值(预测误差)，预测控制器的首次输入可不考虑预测误差(y)。之后，持续不断的将前面的各个输出、输入以及相关影响因素作为后一次输入传至预测控制器，再由其进行输出，如此反复迭代，直至获得最优预测结果。
下面结合实施例对本发明作进一步的说明。
假设有2001到2004年的用电量数据及每一年的影响因素数据，预测求出所需预测年X的用电量预测值。
一、采用数据驱动方式预测求出所需预测年X的用电量预测值
(1)建立2004年用电量与2001年到2003年用电量及影响因素之间的关系，可求出2004年的预测值u(此为数据驱动型预测系统的输入值)，再求出2004年的预测误差值y(实际值与误差值之差，此为系统输出值)(刚开始没有系统前一时刻的输出值，此时可对此项不予考虑)。
(2)建立2005年用电量与2002年到2004年用电量、影响量及预测误差之间的关系，可求出2005年的预测值，再求出2005年的预测误差值；
(3)建立2006年用电量与2003年到2005年用电量、影响量及预测误差之间的关系，可求出2006年的预测值，再求出2006年的预测误差；
(4)依次类推，每一次求出一年的预测值，最终预测求出X年(所需预测年)的用电量预测值。
对于影响因素，本发明可采用如下措施：
1、负荷影响因素：输入相关性强的各点时刻的温度、湿度、降雨量、风速、日期类型等影响因素，然后匹配出同气象特征日期。如果数据库气象缺失，采用线性插值法，弥补各点气象特征。
2、日售(用)电量预测：输入该日的各点气温、湿度、降雨量及当日最高气温、最低气温、平均气温、日期类型等特征参数的数据。
3、月售(用)电量预测：输入电价、各区段气温、假期天数等数据。
4、年售(用)电量预测：输入人口、GDP、消费系数、物价指数、全社会用电量、人均产值、人均耗电量及产值单耗等各类影响因素，由于参数过多，引入格兰杰因果检验筛选适当的影响因素，引入主成分分析提取主要影响因素。
如图2所示，针对该实施例，本发明可采取如下步骤完成实现。
步骤一：收集利用历史数据，输入日期、时刻、气象等影响因素，采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立一种数据关系：
y(k+1)＝f(y(k),…,y(k-ny),u(k),…,u(k-nu),e(k),…,e(k-ne)) (1)
式中，u(k)表示k时刻系统的负荷预测值，且u(k)∈R；y(k)表示k时刻系统的负荷预测误差值，且y(k)∈R；e(k)表示系统的影响量，e(k)∈R；ny表示负荷预测误差值y(k)的时间窗口跨度；nu表示负荷预测值u(k)的时间窗口跨度；ne表示系统影响量e(k)的时间窗口跨度；f(…)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y(k+1)与前ny时间跨度内的实际负荷预测误差值、前nu时间跨度内的负荷预测值及前ne时间跨度内的系统影响因素之间的关系；步骤二，按下式建立数据模型。
Δy(k+1)＝φT(k)ΔH(k) (2)
式中，Δy(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之差，定义Δy(k+1)＝y(k+1)-y(k)；定义
ΔH(k)＝[Δy(k),…,Δy(k-ny+1),Δu(k),…,Δu(k-nu+1),Δe(k),…,Δe(k-ne+1)]T；
Δy(k)表示k时刻系统的负荷预测误差值与上一时刻k-1负荷预测误差值之差，定义为Δy(k)＝y(k)-y(k-1)；Δu(k)表示k时刻系统的负荷预测值与上一时刻k-1负荷预测值之差，定义Δu(k)＝u(k)-u(k-1)；Δe(k)表示k时刻系统影响量与上一时刻k-1系统影响量之差，定义Δe(k)＝e(k)-e(k-1)；k表示当前时刻；ny表示负荷预测误差值从当前k时刻开始往前推ny个时刻，负荷预测误差值的时间窗口跨度；nu表示负荷预测值从当前k时刻开始往前推nu个时刻，负荷预测值的时间窗口跨度；ne表示系统影响量从当前k时刻开始往前推ne个时刻，系统影响量时间窗口跨度；φT(k)定义为系统偏微导数，目的为建立Δy(k+1)与ΔH(k)之间的函数关系；
由式(2)可以看出，φT(k)是可通过Δy(k+1)、ΔH(k)进行估计。
步骤三，建立伪偏导数估计准则函数；
式中，定义φLy,Lu,Le(k)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的伪偏导数φ(k)，定义ΔHLy,Lu,Le(k-1)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的ΔH(k-1)，φT Ly,Lu,Le(k)是φLy,Lu,Le(k)的转置矩阵。
μ是关于参数估计变化量的惩罚因子，通过对其适当选取可限制用动态线性系统替代非线性系统时的适用范围，只要μ＞0，本发明就可避免出现奇异的情况，并且μ的加入可使本发明对个别的反常数据具有鲁棒性。
对求极值，得伪偏导数的估计算法为：
其中，η是步长因子一，η满足η∈(0,2]可使本发明更加具有灵活性。为φLy,Lu,Le(k)的估计值。
此公式是通过前Ly时刻输入量，前Lu时刻输出量，前Le时刻影响量通过步骤三推倒出下一时刻的函数。代入前Ly时刻输入量，前Lu时刻输出量，前Le时刻影响量即可求出下一时刻的估计值
步骤四，按下式建立预测控制输入准则函数：
J(u(k))＝|y*(k+1)-y(k+1)|2+λ1|u(k)-u(k-1)|2+λ2|e(k)-e(k-1)|2 (4)
式中，λ1和λ2均是权重因子；y*(k+1)为期望的输出信号，即期望的负荷预测误差值，该期望输出的最佳结果是0；这个函数是建立一个准则函数，期望求出下一时刻的输出，即u(k)。
将式(1)代入准则函数式(4)中，对u(k)求导，并令其等于零，得到预测控制输入值u(k)：
式中，ρi是步长因子二，其中i是正整数，且其取值为i＝1,2,…,Ly+Lu+Le；若ρi满足ρi∈(0,1]可使本发明更具一般性。上述公式是由步骤四推倒出来的下一时刻u(k)代入公式，目的是求出下一时刻的输入u(k)。
步骤五，重复上述步骤，直至获取所需预测年X的用电量预测值。
本发明采用基于数据驱动的无模型自适应控制算法，仅利用闭环被控负荷预测系统的输入输出量测数据来实现负荷预测控制器的设计，而不显含或隐含被控系统动态模型的结构信息和参数信息，可将被控系统所有可能的复杂行为特征，如非线性、时变参数、时变结构等，都被压缩融入到时变参数——伪偏导数，只需通过在线调整伪偏导数这一唯一变量，即可实现无模型自适应预测。
无模型自适应控制算法包括紧格式、偏格式、全格式三种控制方式。为充分挖掘输入输出数据的隐含信息，本发明可采用全格式无模型自适应控制。
二、采用强化学习负荷预测的数据模型预测求出所需预测年X的用电量预测值
如图3所示，对于实施例的同一数据信息，本发明还可采用强化学习负荷预测的数据模型预测求出所需预测年X的用电量预测值，包括如下步骤：
步骤1，输入日期、时刻、日期类型、气象数据及其他影响因素。
步骤2，对步骤1中的影响因素进行主元分析，筛选出主要影响因素。
步骤3，对步骤2中的主要影响因素进行聚类分析，将同类型时刻聚类。
步骤4，从该数据库中直接调用已训练好的参数，进行用电量预测。
步骤5，若步骤4的预测精度达到要求，则输出预测年X的用电量预测值，并结束。
若步骤4的预测精度未达到要求，则执行步骤6。
步骤6，采用小波神经网络，训练参数；采用训练好的参数进行用电量预测。
步骤7，若步骤6的预测精度达到要求，则输出预测年X的用电量预测值，并将该训练好的参数存入数据库，结束。
若步骤6的预测精度未达到要求，则执行步骤8。
步骤8，修改训练日期，采用小波神经网络再次训练参数；采用训练好的参数进行用电量预测。
步骤9，若步骤8的预测精度达到要求，则输出预测年X的用电量预测值，并将该训练好的参数存入数据库，结束。
若步骤8的预测精度未达到要求，则转至步骤8。
三、采用D-S证据理论信息融合获得所需预测年X的最终用电量预测值
首先，证据理论融合权重数学模型的建立。
D-S证据理论是对贝叶斯统计推断理论的一种推广。D-S理论用“识别框架”表示感兴趣的命题集，设现有一个判决问题，对于该问题，所能认识到的所有可能的结果的集合用Θ表示，所关心的任一命题都对应于Θ的一个子集。集合Θ称为辨识框架。
证据可以对一个或多个命题提供支持，证据对每个命题的支持程度称为信度，可用集函数—基本概率指派函数BPA(basic probability assignment)来表达。
设Θ为辨识框架，如果集函数m：2Θ→[0，1](2Θ为Θ的幂集)满足：
(1)m(φ)＝0；
则称m为框架Θ上的基本概率指派函数或基本可信度分配。
m(A)称为A的基本概率值BPN；若m(A)>0，则称A为焦点元素。在定义了基本概率指派(BPA)后，可定义信任函数(Bel)和似然函数(Pl)，并用(Bel(A)，P l(A))表示A的不确定性。
Dempster合成法则是一个反映证据的联合作用的法则。对于同一辨识框由不同证据到的信任函数，只要证据不是完全冲突的，就可以利用Dempster合成法则计算出一个信任函数，这个信任函数是在不同证据的联合作用下产生的，也称为原来的信任函数的直和。
设Bel 1、Bel 2是同一辨识框架Θ上基于两个独立证据的信任函数，m1和m2分别是其对应的基本概率指派。设焦点元素分别为A1、…、A I和B 1、…、B，且设：∑Ai∩Bj＝m1(Ai)·m2(Bj)<1，其中i＝1,…,I；j＝1,…,L。
那么，由下式定义的函数m:2Θ→[0,1]是新的基本概率指派。至此给出两个信度的合成法则，即
和
此即两信任函数合成的Dempster法则。
如图4所示，针对基于强化学习负荷预测和无模型驱动负荷预测采用D-S证据理论融合，得到最终的预测结果使得预测结果更精确，综合两种模型获得结果的最佳一致估计。运用Dempster合成法则进行融合时，可以通过将前两种预测结果的误差值转换为融合时的权重系数进行融合，最后得到融合后的结果。本发明在进行权重融合时，对预测精度较高的预测值赋予较大的权重，对精度较低的预测值赋予较小的权重，即若采用A方法获得的预测精度高于采用B方法获得的预测精度，则对A方法的预测结果赋予的权重较对B方法的赋予的权重大。这与证据理论中基本可信度分配满足的条件类似，因此可以通过类比的思想，利用证据理论的Dempster合成法则对多组权重进行融合，在负荷预测融合模型中，模型权重就类似于证据理论的基本信度值。
通过图5可以看出，在26、46及71-81负荷点时刻，负荷出现了较大的波动，数据驱动预测由于具有更强的快速调整参数，并自适应地及时调整预测参数的能力，所以有更高的预测精度。小波神经网络相比于前向的神经网络,它有明显的优点：首先小波神经网络的基元和整个结构是依据小波分析理论确定的,可以避免BP神经网络等结构设计上的盲目性；其次小波神经网络有更强的学习能力，精度更高。总的而言，对同样的学习任务，小波神经网络结构更简单,收敛速度更快，精度更高。同时，通过不断积累训练预测模型，并自动匹配相似日最优预测模型，进一步强化了小波神经网络预测的学习性、自适应性。由图中可以看出，积累学习型小波神经网络，由于具有更强的自适应匹配最优预测模型的能力，因此预测精度也较高。此外可以看出通过D-S证据理论融合后的预测结果更为精确。
从图6可以看出，在全天96点预测中，数据驱动及神经网络预测的误差小于2％的预测点数分别达到84和81个，经过D-S证据理论融合后的预测误差小于2％的点数更多达86个，而常规灰色预测模型只有66个，远低于数据驱动及小波神经网络的预测效果。总之，数据驱动预测具有实时根据误差反馈，实现闭环调整参数的能力，而积累学习型小波神经网络具有积累学习，自适应匹配最优模型的能力，使这两种预测方法预测效果均优于常规灰色模型预测。
在具体实施时，本发明架设基于HADOOP2.0的分布式文件系统，采用HBASE列式数据库以满庞大且种类繁多的数据量要求，同时为提高模型的计算能力将基于数据驱动的自适应积累学习型负荷预测模型进行MapReduce分布式算法的改进，以适应多计算机组成的计算集群，并引入SPARK内存计算技术最大化提高计算速度，提升预测的实时性。
本发明对电网运行的意义表现在：(1)可以经济合理地安排电网发电机组的启停；(2)保持电网运行的安全稳定性，减少热备用容量；(3)合理安排机组检修计划，保证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。
通过本发明的实施，有利于决定未来新的发电机组的安装；有利于决定装机容量的大小、地点和时间；有利于决定电网的增容和改造，决定电网的建设和发展。
总之，科学可靠的电力需求预测是进行合理决策电源及电网项目的基础，是电网安全、高效、经济运行的重要保障；在电力市场中，电力需求预测作为交易决策的基础，必须做到准确、可信，才能既保证电力用户可靠供电的同时，又能有效节约基建投资，为企业和社会创造效益。

Claims (9)

1.一种基于大数据的电力负荷预测方法，该方法包括如下步骤：
步骤一，提供N个时间段的数据信息；针对同一数据信息，采用强化学习负荷预测的数据模型获取第N+1个时间段的电力负荷预测值一；同时采用数据驱动方式获取第N+1个时间段的电力负荷预测值二；
所述采用强化学习负荷预测的数据模型获取电力负荷预测值一，包括如下步骤：
步骤1，输入日期、时刻、日期类型、气象数据的影响因素；
步骤2，对步骤1中的影响因素进行主元分析，筛选出主要影响因素；
步骤3，对步骤2中的主要影响因素进行聚类分析，将同类型时刻聚类；
步骤4，采用已训练好的参数进行电力负荷预测；
步骤5，若步骤4的预测精度达到要求，则输出电力负荷预测值，并结束；若步骤4的预测精度未达到要求，则执行步骤6；
步骤6，采用小波神经网络训练参数；采用训练好的参数进行电力负荷预测；
步骤7，若步骤6的预测精度达到要求，则输出电力负荷预测值，并将该训练好的参数存入数据库，结束；
若步骤6的预测精度未达到要求，则执行步骤8；
步骤8，修改训练日期，采用小波神经网络再次训练参数；采用训练好的参数进行电力负荷预测；
步骤9，若步骤8的预测精度达到要求，则输出电力负荷预测值，并将该训练好的参数存入数据库，结束；
若步骤8的预测精度未达到要求，则转至步骤8；
所述数据驱动方式获取电力负荷预测值二包括如下步骤：
S1.收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立一种函数关系：
y(k+1)＝f(y(k),…,y(k-ny),u(k),…,u(k-nu),e(k),…,e(k-ne)) (1)
式中，u(k)表示k时刻系统的负荷预测值，且u(k)∈R；y(k)表示k时刻系统的负荷预测误差值，且y(k)∈R；e(k)表示系统的影响量，e(k)∈R；ny表示负荷预测误差值y(k)的时间窗口跨度；nu表示负荷预测值u(k)的时间窗口跨度；ne表示系统影响量e(k)的时间窗口跨度；f(…)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y(k+1)与前ny时间跨度内的实际负荷预测误差值、前nu时间跨度内的负荷预测值及前ne时间跨度内的系统影响因素之间的关系；
S2.按下式建立数据模型：
Δy(k+1)＝φT(k)ΔH(k) (2)
式中，Δy(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之差，定义Δy(k+1)＝y(k+1)-y(k)；定义
ΔH(k)＝[Δy(k),…,Δy(k-ny+1),Δu(k),…,Δu(k-nu+1),Δe(k),…,Δe(k-ne+1)]T；
Δy(k)表示k时刻系统的负荷预测误差值与上一时刻k-1负荷预测误差值之差，定义为Δy(k)＝y(k)-y(k-1)；Δu(k)表示k时刻系统的负荷预测值与上一时刻k-1负荷预测值之差，定义Δu(k)＝u(k)-u(k-1)；Δe(k)表示k时刻系统影响量与上一时刻k-1系统影响量之差，定义Δe(k)＝e(k)-e(k-1)；k表示当前时刻；ny表示负荷预测误差值从当前k时刻开始往前推ny个时刻，负荷预测误差值的时间窗口跨度；nu表示负荷预测值从当前k时刻开始往前推nu个时刻，负荷预测值的时间窗口跨度；ne表示系统影响量从当前k时刻开始往前推ne个时刻，系统影响量时间窗口跨度；φT(k)定义为系统偏微导数，目的为建立Δy(k+1)与ΔH(k)之间的函数关系；
S3.建立伪偏导数估计准则函数；
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>|</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <msubsup> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> <mi>T</mi> </msubsup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msub> <mi>&amp;Delta;H</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mi>&amp;mu;</mi> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>
式中，定义φLy,Lu,Le(k)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的伪偏导数φ(k)，φLy,Lu,Le(k)＝[φ(k),…φLy(k),φLy+1(k),…,φLy+Lu(k),φLy+Lu+1(k),…,φLy+Lu+Le(k)]；定义ΔHLy,Lu,Le(k-1)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的ΔH(k-1)，
φT Ly,Lu,Le(k)是φLy,Lu,Le(k)的转置矩阵；其中，μ是关于参数估计变化量的惩罚因子；
对求极值，得伪偏导数的估计算法为：
<mrow> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mrow> <msub> <mi>&amp;eta;&amp;Delta;H</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mi>y</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;mu;</mi> <mo>+</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Delta;H</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mfrac> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&amp;eta;&amp;Delta;H</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msubsup> <mover> <mi>&amp;phi;</mi> <mo>^</mo> </mover> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> <mi>T</mi> </msubsup> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> <msub> <mi>&amp;Delta;H</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mo>(</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <mi>&amp;mu;</mi> <mo>+</mo> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;Delta;H</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>,</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mfrac> </mrow>
其中，η是步长因子一；为φLy,Lu,Le(k)的估计值；
S4.按下式建立预测控制输入准则函数：
J(u(k))＝|y*(k+1)-y(k+1)|2+λ1|u(k)-u(k-1)|2+λ2|e(k)-e(k-1)|2 (4)
式中，λ1和λ2均是权重因子；y*(k+1)为期望的负荷预测误差值；
将式(1)代入准则函数式(4)中，对u(k)求导，并令其等于零，得到预测控制输入值u(k)：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>+</mo> <mfrac> <mrow> <msub> <mi>&amp;rho;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msup> <mi>y</mi> <mo>*</mo> </msup> <mo>(</mo> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> <mo>-</mo> <mi>y</mi> <mo>(</mo> <mi>k</mi> <mo>)</mo> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <mo>+</mo> <msup> <mrow> <mo>|</mo> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> </munderover> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <msub> <mi>&amp;phi;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mi>&amp;Delta;</mi> <mi>y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>-</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <mo>+</mo> <msup> <mrow> <mo>|</mo> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>2</mn> </mrow> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> </mrow> </munderover> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <msub> <mi>&amp;phi;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mi>&amp;Delta;</mi> <mi>u</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>-</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <mo>+</mo> <msup> <mrow> <mo>|</mo> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>+</mo> <msub> <mi>L</mi> <mi>e</mi> </msub> </mrow> </munderover> <msub> <mi>&amp;rho;</mi> <mi>i</mi> </msub> <msub> <mi>&amp;theta;</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mi>&amp;Delta;</mi> <mi>e</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>+</mo> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <msub> <mi>L</mi> <mi>u</mi> </msub> <mo>-</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;lambda;</mi> <mn>1</mn> </msub> <mo>+</mo> <msup> <mrow> <mo>|</mo> <msub> <mi>&amp;phi;</mi> <mrow> <msub> <mi>L</mi> <mi>y</mi> </msub> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>|</mo> </mrow> <mn>2</mn> </msup> </mrow> </mfrac> </mrow> </mtd> </mtr> </mtable> </mfenced>
式中，ρi是步长因子二；i是正整数，且其取值为i＝1,2,…,Ly+Lu+Le；
S5.重复上述步骤，直至获取所需目标时间的预测值；
步骤二，采用D-S证据理论对电力负荷预测值一和电力负荷预测值二进行信息融合，获取第N+1个时间段的最终预测结果。
2.根据权利要求1所述的基于大数据的电力负荷预测方法，其特征在于，所述影响因素包括负荷影响因素、日售与日用电量影响因素、月售与月用电量影响因素以及年售与年用电量影响因素。
3.根据权利要求2所述的基于大数据的电力负荷预测方法，其特征在于，所述负荷影响因素包括温度、湿度、降雨、风速、日期类型；所述负荷影响因素在数据库气象缺失的情况下，采用线型插值法，弥补各点气象特征；所述日售与日用电量影响因素包括该日的各点气温、湿度、降雨量及当日最高气温、最低气温、平均气温、日期类型；所述月售与月用电量影响因素包括电价、各区段气温、假期天数；所述年售与年用电量影响因素包括人口、GDP、消费系数、物价指数、全社会用电量、人均产值、人均耗电量及产值单耗。
4.根据权利要求2或3所述的基于大数据的电力负荷预测方法，其特征在于，所述年售与年用电量影响因素采用格兰杰因果检验；其还采用主成分分析，提取主要影响因素。
5.根据权利要求3所述的基于大数据的电力负荷预测方法，其特征在于，所述日期类型包括工作日和节假日。
6.根据权利要求1所述的基于大数据的电力负荷预测方法，其特征在于，所述惩罚因子μ的值用于选取能限制用动态线性系统替代非线性系统时的适用范围，当μ＞0时所述估计算法能避免出现奇异的情况；所述步长因子一η满足η∈(0,2]；所述步长因子二ρi满足ρi∈(0,1]。
7.根据权利要求1所述的基于大数据的电力负荷预测方法，其特征在于，所述N个时间段应是相似日的同一小时、连续年的同一个月或同一个季度，不能是任意小时、年、季度。
8.根据权利要求1所述的基于大数据的电力负荷预测方法，其特征在于，所述步骤二采用Dempster合成法则，将电力负荷预测值一和电力负荷预测值二的进行权重融合，获取第N+1个时间段的最终预测结果。
9.根据权利要求1所述的基于大数据的电力负荷预测方法，其特征在于，所述权重融合是对预测精度较高的预测值赋予较大的权重，对精度较低的预测值赋予较小的权重。
CN201410767438.2A 2014-12-12 2014-12-12 基于大数据的电力负荷预测方法 Active CN104598986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410767438.2A CN104598986B (zh) 2014-12-12 2014-12-12 基于大数据的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410767438.2A CN104598986B (zh) 2014-12-12 2014-12-12 基于大数据的电力负荷预测方法

Publications (2)

Publication Number Publication Date
CN104598986A CN104598986A (zh) 2015-05-06
CN104598986B true CN104598986B (zh) 2018-01-19

Family

ID=53124754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410767438.2A Active CN104598986B (zh) 2014-12-12 2014-12-12 基于大数据的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN104598986B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105305426B (zh) * 2015-10-20 2017-03-22 国网山东省电力公司菏泽供电公司 基于偏差控制机制的Mapreduce化两步法短期负荷预测方法
CN105608512A (zh) * 2016-03-24 2016-05-25 东南大学 一种短期负荷预测方法
CN106096766A (zh) * 2016-06-06 2016-11-09 国网江苏省电力公司 一种基于大数据思维模式的短期负荷预测方法
CN106529747A (zh) * 2017-01-04 2017-03-22 成都四方伟业软件股份有限公司 一种基于大数据的电力负荷预测方法与系统
CN107300857B (zh) * 2017-07-15 2020-07-24 重庆邮电大学 一种感知室内环境信息的电能管理系统
CN109492788B (zh) * 2017-09-13 2020-12-11 中移（杭州）信息技术有限公司 预测人流量以及建立人流量预测模型的方法及相关设备
CN107862476A (zh) * 2017-11-06 2018-03-30 国网山东省电力公司电力科学研究院 一种基于数据分析的计量用表需求计算方法
CN108615091B (zh) * 2018-04-20 2021-02-19 浙江大学 基于聚类筛选和神经网络的电力气象负荷数据预测方法
JP7015740B2 (ja) * 2018-06-14 2022-02-03 株式会社日立物流 予測システム及び予測方法
CN108846528B (zh) * 2018-09-19 2021-07-09 云南电网有限责任公司信息中心 一种大工业电力用户长期负荷预测方法
CN109858700A (zh) * 2019-02-01 2019-06-07 华北水利水电大学 基于相似样本筛选的bp神经网络供暖系统能耗预测方法
CN109902868A (zh) * 2019-02-25 2019-06-18 国网河南省电力公司电力科学研究院 一种基于负荷特性的大用户业扩辅助分析方法和装置
CN111080017A (zh) * 2019-12-20 2020-04-28 河南中睿和能源科技有限公司 一种具有电量预测功能的售电业务综合服务系统
CN112508261B (zh) * 2020-12-03 2021-09-03 广东电网有限责任公司 一种基于神经网络的配电变压器负荷分层预测方法及装置
CN113239029A (zh) * 2021-05-18 2021-08-10 国网江苏省电力有限公司镇江供电分公司 一种电能表缺失日冻结数据的补全方法
CN113283516B (zh) * 2021-06-01 2023-02-28 西北工业大学 一种基于强化学习和d-s证据理论的多传感器数据融合方法
CN113379164B (zh) * 2021-07-16 2024-03-26 国网江苏省电力有限公司苏州供电分公司 基于深度自注意力网络的负荷预测方法及系统
CN114528768B (zh) * 2022-02-22 2022-11-01 国家海洋环境预报中心 近海单点海温智能预报方法、装置及计算机可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020728A (zh) * 2012-11-05 2013-04-03 青海电力科学试验研究院 一种电力系统中变电站短期电能质量预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090032594A (ko) * 2007-09-28 2009-04-01 한국전력공사 검침 데이터를 이용한 전력 설비의 시공간 부하 분석시스템 및 부하 계산방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020728A (zh) * 2012-11-05 2013-04-03 青海电力科学试验研究院 一种电力系统中变电站短期电能质量预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
D_S证据理论融合改进BP网络的短期负荷预测研究;孙奇;《继电器》;20070401;第35卷(第7期);第61-65页 *
基于D_S证据理论的相似日支持向量机短期负荷预测;李鑫滨;《电网技术》;20100731;第34卷(第7期);第143-147页 *
基于D-S证据理论的短期负荷预测模型融合;吴京秋等;《电力自动化设备》;20090430;第29卷(第4期);第66-69页 *
基于证据理论和支持向量机的短期负荷预测;张娟;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20100815(第8期);第2-4章 *
证据理论在短期负荷预测相似日选择中的应用;李如琦等;《继电器》;20080401;第36卷(第7期);第34-37页 *
非参数自回归方法在短期电力负荷预测中的应用;赵渊等;《高电压技术》;20110228;第37卷(第2期);第429-434页 *

Also Published As

Publication number Publication date
CN104598986A (zh) 2015-05-06

Similar Documents

Publication Publication Date Title
CN104598986B (zh) 基于大数据的电力负荷预测方法
Xu et al. Global renewable energy development: Influencing factors, trend predictions and countermeasures
CN110909912B (zh) 基于自适应误差反馈的园区电力系统净负荷组合预测方法
Hsu A genetic algorithm based nonlinear grey Bernoulli model for output forecasting in integrated circuit industry
Shang et al. Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model
CN104598985B (zh) 电力负荷预测方法
CN106408223A (zh) 基于气象相似日及误差校正的短期负荷预测方法
CN111754037B (zh) 区域终端集成供能系统长期负荷混合预测方法
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
CN110796307B (zh) 一种综合能源系统分布式负荷预测方法及系统
CN111191854A (zh) 一种基于线性回归及神经网络的光伏发电预测模型和方法
CN112465256A (zh) 一种基于Stacking模型融合的楼宇用电量预测方法和系统
Wang et al. Deep autoencoder with localized stochastic sensitivity for short-term load forecasting
CN112149890A (zh) 基于用户用能标签的综合能源负荷预测方法及系统
CN115759336A (zh) 一种面向短期电力负荷预测的预测方法及存储介质
Inteha et al. A data driven approach for day ahead short term load forecasting
Zhang et al. Application of decision trees to the determination of the year-end level of a carryover storage reservoir based on the iterative dichotomizer 3
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
Cao et al. A hybrid electricity load prediction system based on weighted fuzzy time series and multi-objective differential evolution
CN115622056A (zh) 一种基于线性加权和选解法的储能优化配置方法及系统
CN109034453A (zh) 一种基于多标记神经网络的短期电力负荷预测方法
Mariano‐Hernández et al. Comparative study of continuous hourly energy consumption forecasting strategies with small data sets to support demand management decisions in buildings
Ogihara et al. A study of risk reduction for daily peak load demand forecasting
Atabay et al. Multivariate time series forecasting using arimax, sarimax, and rnn-based deep learning models on electricity consumption

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant