CN105760952A - 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 - Google Patents

Abstract

本发明公开了基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，步骤一，利用时间序列分析方法建立电网负荷的时间序列模型；步骤二，利用时间序列分析方法建立电网负荷的训练样本，利用建立的训练样本和自适应模糊神经网络对电网负荷进行预测；步骤三，根据建立的时间序列模型的预测值和自适应模糊神经网络预测值确定卡尔曼方程，时间序列模型的预测值作为卡尔曼滤波的真实值，自适应模糊神经网络的预测值作为卡尔曼滤波的测量值，从而建立基于卡尔曼滤波的预测模型，对电网负荷进行预测。本发明提出了一种基于卡尔曼滤波、神经网络以及时间序列分析的电网负荷预测分析方法，提高电网负荷预测可靠性，降低电网的供电风险，加强电网的坚强性。

Description

一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法

技术领域

本发明涉及电网负荷预测分析领域，尤其涉及一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法。

背景技术

随着经济的发展以及环境压力的增大，利用新能源的呼声越来越高，随着新能源渗透率的增大，对电网的冲击也越来越大，同时传统的电网负荷预测方法面临挑战。电力系统负荷预测是电力系统调度运营部门的一项重要的日常工作，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。由于电力负荷本身具有一定的不确定性、非线性、随机性等内在特点，负荷预测一直是学术研究的前沿与热点问题。随着电力市场的发展，负荷变化规律的更加复杂，而传统的单一预测方法自适应能力较差，致使负荷预测的复杂性与求解方法的局限性之间的矛盾更加突出，预测不能得到满意的结果。所以，亟需开发一种计算简单，精度较高的预测方法来解决这一难题。

电网负荷的预测方法主要有模型法和神经网络方法，这两种方法各有特点。模型法包括时间序列分析、回归分析法，卡尔曼滤波法等，神经网络方法主要有BP神经网络、遗传算法以及其改进的方法等。模型法计算简单所需数据较少，但预测精度不高，神经网络方法预测精度较高，但计算复杂，对数据要求较高。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，改善了单一预测方法的预测性能，提高了电网负荷的预测性能。

为了实现上述目的，本发明采用如下技术方案：

基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，包括以下步骤：

步骤一，利用时间序列分析方法建立电网负荷的时间序列模型；

步骤二，利用时间序列分析方法建立电网负荷的训练样本，利用建立的训练样本和自适应模糊神经网络对电网负荷进行预测；

步骤三，根据步骤一建立的时间序列模型的预测值和自适应模糊神经网络预测值确定卡尔曼方程，时间序列模型的预测值作为卡尔曼滤波的真实值，自适应模糊神经网络的预测值作为卡尔曼滤波的测量值，从而建立基于卡尔曼滤波的预测模型，对电网负荷进行预测。

所述步骤一中时间序列模型选用季节性时间序列模型。

所述步骤二中，人口数量和GDP作为自适应模糊神经网络模型的输入，输出为电网的负荷。

季节性时间序列模型的建立步骤包括：

(1)通过傅里叶周期分析方法得出序列的周期长度s；

(2)识别时间序列的平稳性；

(3)模型识别；

(4)参数估计，用极大似然估计或者最小二乘法估计得到模型中所有参数的估计值；

(5)模型检验；

(6)模型优化，通过赤池信息准则和施瓦茨准则从中选出最合适的模型阶数；

(7)电网负荷的预测，得到卡尔曼滤波的真实值。

在识别时间序列的平稳性之前把不平稳的时间序列转化为平稳序列，转化方法包括：

1)如果序列呈线性趋势，均值不平稳，则利用一阶差分；

2)如果序列呈现二次趋势，均值不是常数，则利用二阶差分；

3)如果序列呈现随时间的上升或下降偏差，方差不是常数，则利用自然对数将其平稳化。

所述步骤(3)确定相应季节性时间序列模型的阶数p、q、P、Q的取值，通过观察自相关和偏相关图估计阶数p,q,Q的可能取值，取值为0、1或2。

所述步骤(5)模型检验包括：

a.参数检验，模型变量的参数所对应的p值小于给定的检验水平0.05，通过统计性检验；

b.残差序列检验，通过对原始时间序列与建的模型之间的残差序列a_t进行检验，若残差序列a_t具有随机性，意味着所建立的模型已包含了原始时间序列的所有趋势，从而将所建立的模型应用与预测是合适的；反之，若残差序列a_t不具有随机性，则说明所建立的模型有待改善，应该对模型进行修正。

本发明的有益效果：

本发明提出了一种基于卡尔曼滤波、自适应模糊神经网络以及时间序列分析的电网负荷预测分析方法，很好了融合了时间序列分析、自适应模糊神经网络以及卡尔曼滤波的优点。时间序列分析重点分析了电网负荷数据本身的内在联系，能够很好的保留数据的趋势性、季节性以及随机性；自适应模糊神经网络是具有学习算法的模糊神经网络系统，依靠数据信息来对模糊神经系统的参数进行调整，通过训练改变其内部表示，使输入输出能够向好的方向发展；同时很好的解决了神经网络训练复杂、训练精度取决于网络训练精度的缺点，能够很好地表达人脑的推理功能。卡尔曼滤波是一种有效的以最小均方误差来估计系统状态的计算方法，即通过前一时刻预报误差反馈到原来预报方程中，及时修正预报方程系数，以提高下一时刻的预报精度。卡尔曼滤波预测法存在动态修改预测权值的优点，依靠预测递推方程可以获得较高的精度。

所以，本发明能够提高电网负荷预测可靠性，降低电网的供电风险，增加电网调度的智能型，加强电网的坚强性，保证供电的可靠性。

附图说明

图1为两输入一阶模糊推理模型；

图2为ANFIS运算示意图；

图3为ANFIS的结构图；

图4为建立ARIMA模型流程图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

利用时间序列分析方法建立电网负荷的时间序列模型，由此建立卡尔曼滤波的状态方程和测量方程。

利用时间序列分析建立电网负荷的训练样本，利用自适应模糊神经网络实现电网负荷的预测分析。

根据时间序列模型(本发明选用ARIMA模型)和自适应模糊神经网络预测值确定卡尔曼方程，实现卡尔曼滤波对电网负荷的预测。

其中ARIMA模型的预测值作为卡尔曼滤波的真实值，神经网络的预测值作为卡尔曼滤波的测量值，从而建立基于卡尔曼滤波融合的预测模型。

1.卡尔曼滤波

卡尔曼滤波的基本思想是：以最小均方误差为最佳估计准则，采用信号与噪声的状态空间模型，利用前一时刻的估计值和当前时刻的观测值来更新对状态变量的估计，求出当前时刻的估计值，算法根据建立的系统方程和观测方程对需要处理的信号做出满足最小均方误差的估计。

假定电网负荷状态可以描述为包含确定性输入u_k的一般线性随机系统，其状态空间可描述为：

卡尔曼滤波的基本方程为：

P_0，0＝V_ar(x₀)

P_k，k＝(I-G_kC_k)P_k，k-1

k＝1，2，…

A、B、C、D、τ为系统参数矩阵(一般为常值矩阵)，u_k为k时刻的确定性输入，若无确定性输入，u_k＝0，ξ_k和η_k分别为k时刻的量测噪声和系统噪声，假设两者皆为零均值高斯白噪声，其方差分别为Q_k、R_k，两者协方差是S_k。

为了能够实现上述卡尔曼滤波对电能负荷的预测分析需要，需要确定ξ_k和η_k、v_k(实际测量值)。本发明中v_k采用自适应模糊神经网络模型的输出，作为卡尔曼滤波的测量值，ξ_k由ARIMA季节模型的输出结果可得。

2.计算卡尔曼滤波的测量值

人口数量(POP)，GDP作为自适应模糊神经网络模型(ANFIS)的输入，输出为电网的负荷。ANFIS是一种基于Sugeno模型的模糊推理系统，将模糊推理和神经网络有机的结合，其模糊隶属度及模糊规则是通过大量数据的学习完成的，经典的两输入网络结构如图2-3所示。ANFIS结构第一层是输入参数和模糊化，x、y是输入变量；A_i、B_i与该节点相关的模糊变量；O_1，i，O_2，i分别是模糊集A_i，B_i的隶属函数，其中

第二层，计算模糊激励强度，计算公式如下：

第三层，计算第i个激励强度与总的激励强度的比值，

第四层，该层所有的节点都是自适应的，计算输出

p_i,q_i,r_i,是模型参数集，称为模糊推理的后件参数，可通过最下二乘法或者似然估计得到。

第五层计算第四层输入信号的总结

输出结果作为v_k值。

构造如图1所示的自适应模糊神经网络模型。

3.计算卡尔曼滤波的真实值

在时间序列预测模型中选择ARIMA季节模型，ARIMA季节模型的输出结果作为卡尔曼滤波的真实值。设电网负荷x_t(t＝1,2，……)为随机序列，则一般季节模型为：

式中：

Θ(B^s)＝1-θ₁B^s-…-θ_qB^qs

θ(B)＝1-θ₁B-…-θ_qB^q

ARIMA(p,d,q)×(P,D,Q)模型是非季节ARMA(p,d,q)与季节性ARMA(P,D,Q)的结合，B被称作后移算子，即BX_t＝X_t-1，差分算子{x_t}为自回归整和滑动平均序列(本发明中的电网负荷或者经过差分后的数据)，p,d,q分别为自回归阶数、差分阶数和滑动动平均阶数，自回归系数，φ_P滑动系数，θ_q自回归算子，Θ_Q季节滑动算子，a_t为电网负荷x_t序列的残差。

如图4所示，建立季节模型的步骤为:

(1)通过傅里叶周期分析方法得出序列的周期长度s；

(2)识别时间序列的平稳性，即确定d和D的大小，常用识别工具是自相关图；在确定时间序列模型之前需把不平稳的时间序列转化为平稳序列；通常用下列方法：

1)如果序列X呈线性趋势，均值不平稳，则利用一阶差分；

2)如果序列呈现二次趋势，均值不是常数，则利用二阶差分；

3)如果序列呈现随时间的上升或下降偏差，方差不是常数，则通常可利用自然对数将其平稳化；

(3)模型识别；即确定相应ARIMA模型的阶数p、q、P、Q的取值；一般情况下，可通过观察自相关和偏相关图估计阶数p,q,Q的可能取值，取值一般为0、1或2；

(4)参数估计:用极大似然估计或者最小二乘法估计得到模型中参数的估计值；

(5)模型检验：

a.参数检验，模型变量的参数所对应的p值小于给定的检验水平0.05，通过统计性检验；

b.残差序列检验，通过对原始时间序列与所建的模型之间的残差序列a_t进行检验.若残差序列a_t具有随机性，意味着所建立的模型已包含了原始时间序列的所有趋势，从而将所建立的模型应用与预测是合适的；反之，若残差序列a_t不具有随机性，则说明所建立的模型有待改善，应该对模型进行修正；

(6)模型优化:通过AIC(赤池信息准则)准则、SC准则(施瓦茨准则)等，从中选出最合适的模型阶数，AIC值和SC值都是越小越好；

电网负荷的预测，得到卡尔曼滤波的真实值。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (7)

1.基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，其特征是，包括以下步骤：

步骤一，利用时间序列分析方法建立电网负荷的时间序列模型；

步骤二，利用时间序列分析方法建立电网负荷的训练样本，利用建立的训练样本和自适应模糊神经网络对电网负荷进行预测；

步骤三，根据步骤一建立的时间序列模型的预测值和自适应模糊神经网络预测值确定卡尔曼方程，时间序列模型的预测值作为卡尔曼滤波的真实值，自适应模糊神经网络的预测值作为卡尔曼滤波的测量值，从而建立基于卡尔曼滤波的预测模型，对电网负荷进行预测。

2.如权利要求1所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，其特征是，所述步骤一中时间序列模型选用季节性时间序列模型。

3.如权利要求1所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，其特征是，所述步骤二中，人口数量和GDP作为自适应模糊神经网络模型的输入，输出为电网的负荷。

4.如权利要求2所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，其特征是，季节性时间序列模型的建立步骤包括：

(1)通过傅里叶周期分析方法得出序列的周期长度s；

(2)识别时间序列的平稳性；

(3)模型识别；

(4)参数估计，用极大似然估计或者最小二乘法估计得到模型中所有参数的估计值；

(5)模型检验；

(6)模型优化，通过赤池信息准则准则和施瓦茨准则从中选出最合适的模型阶数；

(7)电网负荷的预测，得到卡尔曼滤波的真实值。

5.如权利要求4所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，其特征是，在识别时间序列的平稳性之前把不平稳的时间序列转化为平稳序列，转化方法包括：

1)如果序列呈线性趋势，均值不平稳，则利用一阶差分；

2)如果序列呈现二次趋势，均值不是常数，则利用二阶差分；

3)如果序列呈现随时间的上升或下降偏差，方差不是常数，则利用自然对数将其平稳化。

6.如权利要求4所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，其特征是，所述步骤(3)确定相应季节性时间序列模型的阶数p、q、P、Q的取值，通过观察自相关和偏相关图估计阶数p,q,Q的可能取值，取值为0、1或2。

7.如权利要求4所述基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，其特征是，所述步骤(5)模型检验包括：

a.参数检验，模型变量的参数所对应的p值小于给定的检验水平0.05，通过统计性检验；

b.残差序列检验，通过对原始时间序列与建的模型之间的残差序列a_t进行检验，若残差序列a_t具有随机性，意味着所建立的模型已包含了原始时间序列的所有趋势，从而将所建立的模型应用与预测是合适的；反之，若残差序列a_t不具有随机性，则说明所建立的模型有待改善，应该对模型进行修正。