CN105373855A - 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 - Google Patents

Abstract

本发明公开了一种用于特殊天气和特殊日期的电力系统日负荷预测方法，包括以下步骤：A、采集电网历史负荷数据，分离形成特殊日期负荷时间序列和特殊天气负荷时间序列；B、基于时间序列和回归分析法对特殊日期负荷时间序列进行筛选，并对特殊天气负荷时间序列进行小波分解；C、分别对特殊日期负荷输入序列和特殊天气负荷输入序列进行离散小波变换，得到各序列的近似分量和细节分量；D、基于神经网络和相关性分析分别对各近似分量和细节分量进行数据标准化处理；E、采用神经网络预测模型分别对特殊日期负荷和特殊天气负荷进行预测。本发明能够对特殊天气和特殊日期的电力负荷进行精确预测，提高了电力系统日负荷预测的鲁棒性和准确性。

Description

一种用于特殊天气和特殊日期的电力系统日负荷预测方法

技术领域

本发明涉及电力系统短期负荷预测技术领域，尤其涉及一种用于特殊天气和特殊日期的电力系统日负荷预测方法。

背景技术

电力短期负荷预测对于电力系统的可靠性和经济运行意义重大，其预测精度对放松管制下的输变电公司等市场参与者有着举足轻重的影响，准确的负荷预测可以帮助其建立更有效的运作流程、投标策略以及最有效的电力配给。目前，许多学者针对电力负荷混合预测模型中的数据处理技术进行了大量研究，包括回归分析、Akaike的信息准则和相关性分析等，虽然研究证明了相关性分析对于特征提取的有效性，但仅限于普通日数据和周数据的预测，并没有考虑天气以及特殊日期对电力负荷的影响，故所得预测结果精度较低，不利于智能电网和智慧城市的建设与发展。

发明内容

本发明的目的在于提供一种用于特殊天气和特殊日期的电力系统日负荷预测方法，能够对特殊天气和特殊日期的电力系统负荷进行精确预测。

为实现上述目的，本发明采用的技术方案是：

一种用于特殊天气和特殊日期的电力系统日负荷预测方法，包括以下步骤：

A、采集电网历史负荷数据，通过子序列分离形成特殊日期负荷时间序列和特殊天气负荷时间序列，然后进入步骤B；

B、取特殊日期负荷时间序列作为输入数据，采用时间序列法对特殊日期负荷进行预测，得到初级预测结果，然后利用回归分析法计算初级预测结果与输入数据之间的相关性，选择与特殊日期相关性最强的输入数据作为特殊日期负荷输入序列，采用Daubechies小波函数对特殊天气负荷时间序列进行小波分解，将分解得到小波分量作为特殊天气负荷输入序列，然后进入步骤C；

C、分别对特殊日期负荷输入序列和特殊天气负荷输入序列进行离散小波变换，得到特殊日期负荷输入序列的近似分量和细节分量，以及特殊天气负荷输入序列的近似分量和细节分量，然后进入步骤D；

D、基于神经网络和相关性分析分别对特殊日期负荷输入序列的近似分量和细节分量，以及特殊天气负荷输入序列的近似分量和细节分量进行数据标准化处理，得到特殊日期负荷的标准子序列和特殊天气负荷的标准子序列，然后进入步骤E；

E、采用贝叶斯方法建立神经网络预测模型并进行训练，利用神经网络预测模型分别对特殊日期负荷的标准子序列和特殊天气负荷的标准子序列进行输出预测，然后分别综合特殊日期负荷各标准子序列的预测结果和特殊天气负荷各标准子序列的预测结果，得到特殊日期负荷预测数据和特殊天气负荷预测数据。

所述的步骤A中特殊天气负荷时间序列所在的日期包括暴雨，大雪，高温，严寒以及上述天气发生的前一天和后两天，特殊日期负荷时间序列所在的日期包括周六，周日，周一，周五，节假日以及节假日的前一天和前两天。

所述的步骤C中，离散小波变换的父小波在尺度m和位置n下的扩展函数表示为其中k＝1，2，3……，n，n为自然数，

将与离散信号f(k)求卷积获得尺度m和位置n下的近似系数其中c是英文coefficient的缩写，表示所属符号的属性是系数，

母小波ψ(k)＝ψ_0,0(k)在尺度j和位置n下的扩展函数表示为ψ_j,n(k)，将ψ_j,n(k)与离散信号f(k)求卷积获得尺度j和位置n下的近似系数

$D_{j,n}^c=\underset{k}{\Σ}f\left(k\right){\mathrm{\ψ}}_{m,n}\left(k\right);$

则离散信号f(k)在尺度m下的近似分量Am和在尺度j下的细节分量Dj分别为：

$D_j=\underset{n=-\mathrm{\∞}}{\overset{n=+\mathrm{\∞}}{\Σ}}{D}_{j,n}^c{\mathrm{\ψ}}_{j,n};$

原始输入信号f为特殊日期负荷输入序列或特殊天气负荷输入序列，f为不高于尺度M下的近似分量和细节分量之和：

$f=A_M+\underset{j=1}{\overset{M}{\Σ}}{D}_j$

在M＝m-1和M＝m这两个连续尺度下的原始输入信号f分别为：

$f=A_{m-1}+\underset{j=1}{\overset{m-1}{\Σ}}{D}_j;$

$f=A_m+\underset{j=1}{\overset{m}{\Σ}}{D}_j=A_m+D_m+\underset{j=1}{\overset{m-1}{\Σ}}{D}_j;$

由此得到：

A_m-1＝A_m+D_m

使用已有尺度下的近似分量和细节分量的系数计算任意尺度下的近似分量系数和细节分量系数

$A_{m+1,n}^c=\underset{i}{\Σ}{h}_i{A}_{m,2n+i}^c=\underset{i}{\Σ}{h}_{i-2n}{A}_{m,i}^c;$

$D_{m+1,n}^c=\underset{i}{\Σ}{g}_i{A}_{m,2n+i}^c=\underset{i}{\Σ}{g}_{i-2n}{A}_{m,i}^c;$

式中h_i和g_i分别是低通滤波器和高通滤波器的系数，i＝1,2，……，24。

所述的步骤D中首先利用神经网络模型对输入序列进行输出预测，得到估计数值，然后将估计数值合并到输入序列，构成预测数据的首行，利用相关性分析计算预测数据和训练数据之间的相关系数，选取相关性最高的预测数据作为标准化结果。

本发明通过对电力系统历史负荷数据进行筛选和标准化处理，为神经网络预测模型的输入提供真实反映特殊日期和特殊天气负荷特点的标准数据，不仅提高了电力系统日负荷预测方法的鲁棒性和准确性，而且有利于智能电网的电力调配和智慧城市的用电管理。

具体实施方式

本发明所述的一种用于特殊天气和特殊日期的电力系统日负荷预测方法，包括以下步骤：

A、采集电网历史负荷数据，通过子序列分离形成特殊日期负荷时间序列和特殊天气负荷时间序列，其中特殊天气负荷时间序列所在的日期包括暴雨(HR)，大雪(HS)，高温(HT)，严寒(LT)以及上述天气发生的前一天(1DB)和后两天(2DA)，特殊日期负荷时间序列所在的日期包括周六(SA)，周日(SU)，周一(M)，周五(F)，节假日(WDBH)以及节假日的前一天(1DB)和前两天(2DB)，给定负荷L，第i天的负荷时间序列定义为Pⁱ(t:n)＝L(i,t-n)，n∈[1,j]，n为选取的时间间隔，j＝1,2，……，24。

B、取特殊日期负荷时间序列作为输入数据，采用时间序列法对特殊日期负荷进行预测，得到初级预测结果，然后利用回归分析法计算初级预测结果与输入数据之间的相关性，选择与特殊日期相关性最强的输入数据作为特殊日期负荷输入序列，采用Daubechies小波函数对特殊天气负荷时间序列进行尺度m和位置n下的分解，将分解得到小波分量作为特殊天气负荷输入序列，然后进入步骤C。

C、分别对特殊日期负荷输入序列和特殊天气负荷输入序列进行离散小波变换，得到特殊日期负荷输入序列的近似分量和细节分量，以及特殊天气负荷输入序列的近似分量和细节分量，其中离散小波变换的父小波在尺度m和位置n下的扩展函数表示为

将与离散信号f(k)求卷积获得尺度m和位置n下的近似系数

母小波ψ(k)＝ψ_0,0(k)在尺度j和位置n下的扩展函数表示为ψ_j,n(k)，将ψ_j,n(k)与离散信号f(k)求卷积获得尺度j和位置n下的近似系数

$D_{j,n}^c=\underset{k}{\Σ}f\left(k\right){\mathrm{\ψ}}_{m,n}\left(k\right);$

则离散信号f(k)在尺度m下的近似分量Am和在尺度j下的细节分量Dj分别为：

$D_j=\underset{n=-\mathrm{\∞}}{\overset{n=+\mathrm{\∞}}{\Σ}}{D}_{j,n}^c{\mathrm{\ψ}}_{j,n};$

原始输入信号f为特殊日期负荷输入序列或特殊天气负荷输入序列，f是不高于尺度M下的近似分量和细节分量之和：

$f=A_M+\underset{j=1}{\overset{M}{\Σ}}{D}_j;$

在M＝m-1和M＝m这两个连续尺度下的原始输入信号f分别为：

$f=A_{m-1}+\underset{j=1}{\overset{m-1}{\Σ}}{D}_j;$

$f=A_m+\underset{j=1}{\overset{m}{\Σ}}{D}_j=A_m+D_m+\underset{j=1}{\overset{m-1}{\Σ}}{D}_j;$

由此得到：

A_m-1＝A_m+D_m；

使用已有尺度下的近似分量和细节分量的系数计算任意尺度下的近似分量系数和细节分量系数

$A_{m+1,n}^c=\underset{i}{\Σ}{h}_i{A}_{m,2n+i}^c=\underset{i}{\Σ}{h}_{i-2n}{A}_{m,i}^c;$

$D_{m+1,n}^c=\underset{i}{\Σ}{g}_i{A}_{m,2n+i}^c=\underset{i}{\Σ}{g}_{i-2n}{A}_{m,i}^c;$

式中h_i和g_i分别是低通滤波器和高通滤波器的系数，i＝1,2，……，24。

D、基于神经网络和相关性分析分别对特殊日期负荷输入序列的近似分量和细节分量，以及特殊天气负荷输入序列的近似分量和细节分量进行数据标准化处理，得到特殊日期负荷的标准子序列和特殊天气负荷的标准子序列。具体来说，首先利用神经网络模型对输入序列进行输出预测，得到估计数值，然后将估计数值合并到输入序列，构成预测数据的首行，利用相关性分析计算预测数据和训练数据之间的相关系数，选取相关性最高的预测数据作为标准化结果，最终得到特殊日期负荷的标准子序列和特殊天气负荷的标准子序列。

E、采用贝叶斯方法建立神经网络预测模型并进行训练，利用神经网络预测模型分别对特殊日期负荷的标准子序列和特殊天气负荷的标准子序列进行输出预测，然后分别综合特殊日期负荷各标准子序列的预测结果和特殊天气负荷各标准子序列的预测结果，得到特殊日期负荷预测数据和特殊天气负荷预测数据。本发明通过对电力系统历史负荷数据进行筛选和标准化处理，为神经网络预测模型的输入提供真实反映特殊日期和特殊天气负荷特点的标准数据，不仅提高了电力系统日负荷预测方法的鲁棒性和准确性，而且有利于智能电网的电力调配和智慧城市的用电管理。

Claims (4)

1.一种用于特殊天气和特殊日期的电力系统日负荷预测方法，其特征在于，包括以下步骤：

A、采集电网历史负荷数据，通过子序列分离形成特殊日期负荷时间序列和特殊天气负荷时间序列，然后进入步骤B；

B、取特殊日期负荷时间序列作为输入数据，采用时间序列法对特殊日期负荷进行预测，得到初级预测结果，然后利用回归分析法计算初级预测结果与输入数据之间的相关性，选择与特殊日期相关性最强的输入数据作为特殊日期负荷输入序列，采用Daubechies小波函数对特殊天气负荷时间序列进行小波分解，将分解得到小波分量作为特殊天气负荷输入序列，然后进入步骤C；

C、分别对特殊日期负荷输入序列和特殊天气负荷输入序列进行离散小波变换，得到特殊日期负荷输入序列的近似分量和细节分量，以及特殊天气负荷输入序列的近似分量和细节分量，然后进入步骤D；

D、基于神经网络和相关性分析分别对特殊日期负荷输入序列的近似分量和细节分量，以及特殊天气负荷输入序列的近似分量和细节分量进行数据标准化处理，得到特殊日期负荷的标准子序列和特殊天气负荷的标准子序列，然后进入步骤E；

E、采用贝叶斯方法建立神经网络预测模型并进行训练，利用神经网络预测模型分别对特殊日期负荷的标准子序列和特殊天气负荷的标准子序列进行输出预测，然后分别综合特殊日期负荷各标准子序列的预测结果和特殊天气负荷各标准子序列的预测结果，得到特殊日期负荷预测数据和特殊天气负荷预测数据。

2.如权利要求1所述的一种用于特殊天气和特殊日期的电力系统日负荷预测方法，其特征在于：所述的步骤A中特殊天气负荷时间序列所在的日期包括暴雨，大雪，高温，严寒以及上述天气发生的前一天和后两天，特殊日期负荷时间序列所在的日期包括周六，周日，周一，周五，节假日以及节假日的前一天和前两天。

3.如权利要求1所述的一种用于特殊天气和特殊日期的电力系统日负荷预测方法，其特征在于：所述的步骤C中，离散小波变换的父小波在尺度m和位置n下的扩展函数表示为其中k＝1，2，3……，n，n为自然数，

将与离散信号f(k)求卷积获得尺度m和位置n下的近似系数其中c是英文coefficient的缩写，表示所属符号的属性是系数，

母小波ψ(k)＝ψ_0,0(k)在尺度j和位置n下的扩展函数表示为ψ_j,n(k)，将ψ_j,n(k)与离散信号f(k)求卷积获得尺度j和位置n下的近似系数

$D_{j,n}^c=\underset{k}{\Σ}f\left(k\right){\mathrm{\ψ}}_{m,n}\left(k\right);$

则离散信号f(k)在尺度m下的近似分量Am和在尺度j下的细节分量Dj分别为：

$D_j=\underset{n=-\mathrm{\∞}}{\overset{n=+\mathrm{\∞}}{\Σ}}{D}_{j,n}^c{\mathrm{\ψ}}_{j,n};$

原始输入信号f为特殊日期负荷输入序列或特殊天气负荷输入序列，f为不高于尺度M下的近似分量和细节分量之和：

$f=A_M+\underset{j=1}{\overset{M}{\Σ}}{D}_j$

在M＝m-1和M＝m这两个连续尺度下的原始输入信号f分别为：

$f=A_{m-1}+\underset{j=1}{\overset{m-1}{\Σ}}{D}_j;$

$f=A_m+\underset{j=1}{\overset{m}{\Σ}}{D}_j=A_m+D_m+\underset{j=1}{\overset{m-1}{\Σ}}{D}_j;$

由此得到：

$A_{m-1}=A_m+D_m$

使用已有尺度下的近似分量和细节分量的系数计算任意尺度下的近似分量系数和细节分量系数

$A_{m+1,n}^c=\underset{i}{\Σ}{h}_i{A}_{m,2n+i}^c=\underset{i}{\Σ}{h}_{i-2n}{A}_{m,i}^c;$

$D_{m+1,n}^c=\underset{i}{\Σ}{g}_i{A}_{m,2n+i}^c=\underset{i}{\Σ}{g}_{i-2n}{A}_{m,i}^c;$

式中h_i和g_i分别是低通滤波器和高通滤波器的系数，i＝1,2，……，24。

4.如权利要求1所述的一种用于特殊天气和特殊日期的电力系统日负荷预测方法，其特征在于：所述的步骤D中首先利用神经网络模型对输入序列进行输出预测，得到估计数值，然后将估计数值合并到输入序列，构成预测数据的首行，利用相关性分析计算预测数据和训练数据之间的相关系数，选取相关性最高的预测数据作为标准化结果。