CN107067162B - 基于时域及环境特征的自学习短期负荷预测方法 - Google Patents

Abstract

本发明涉及一种基于时域及环境特征的自学习短期负荷预测方法，其包括以下步骤：S1：选取历史负荷数据，并通过温湿度影响因子方法得到温湿度影响因子；S2：利用步骤S1中所得的温湿度影响因子，对所述的历史负荷数据的温湿度影响进行还原；S3：运用灰度理论预测模型对已去除温湿度影响的历史负荷数据进行预测，并对预测结果进行温湿度影响叠加；S4：通过负荷结果的预测值与实际值进行比较，进行温湿度影响因子的回归适应。优点在于：具有能够对温湿度影响因子自学习回归，提高预测准确度等优点。

Description

基于时域及环境特征的自学习短期负荷预测方法

技术领域

本发明属于电力系统的负荷预测领域，尤其涉及一种基于时域及环境特征的自学习短期负荷预测方法。

背景技术

随着国家经济的快速发展，社会对电力的需求越来越大，伴随着这种电力需求，必须不断扩大电力系统的规模。但是电力行业的发展，需要巨大的投资和一次能源，并且对国民经济其它部门有巨大的影响，故合理的电力系统规划不仅可以获得巨大的经济效益，也能获得巨大的社会效益，实现这一目标的第一步就是做好负荷预测。

目前，电力负荷预测领域的研究工作主要从时间序列法、回归分析法等经典预测方法进行，发展到运用专家控制法、小波分析法等现代预测方法，并取得了瞩目的研究成果。但是在气象等因素对预测结果的影响方面的研究方面还有待完善，比如在夏季温度、湿度等因素对电力负荷有着很大的影响，不充分考虑这些因素，将影响负荷预测结果的准确性。

为避免负荷预测结果出现较大误差的事件，尤其是夏季、冬季等天气极端的用电高峰季节，必须充分考虑温度、湿度等气象因素，建立完善的负荷预测方法，这对于电力合理系统规划、保障电力系统安全稳定运行等具有重要意义。

为了解决上述技术问题，人们进行了长期的探索，例如中国专利公开了一种基于全过程技术提升的短期电力需求分析方法[申请号：201610100143.9]，它对短期电力需求预测前、中、后的全过程技术进行整合和提升，所述的预测前技术包括数据预处理和数据分析，数据预处理包括不良数据智能辨识与修正、节假日影响的去除、负荷自然增长影响的去除和充分考虑近日历史数据的累积效应，数据分析包括日、周、月、季、年负荷分析、稳定性分析和建立典型曲线库；所述的预测中技术包括气象影响效应分析和负荷预测模型集合，所述的预测后技术包括预测评估机制。

上述方案有助于完善短期电力需求预测技术和提高短期负荷预测精度，但是该方案仅仅提到人体在大气环境中舒适与否的公式和地区差异与天气因素来预测，并没有自学习进行回归适应的过程，而且存在对异常数据处理过于笼统，精确度不够高等缺点。

发明内容

本发明的目的是针对上述问题，提供一种能够对温湿度影响因子自学习回归的基于时域及环境特征的自学习短期负荷预测方法；

为达到上述目的，本发明采用了下列技术方案：本发明的基于时域及环境特征的自学习短期负荷预测方法包括以下步骤：

S1：选取历史负荷数据，并通过温湿度影响因子算法得到温湿度影响因子；

S2：利用步骤S1中所得的温湿度影响因子，对所述的历史负荷数据的温湿度影响进行还原；

S3：运用灰度理论预测模型对已去除温湿度影响的历史负荷数据进行预测，并对预测结果进行温湿度影响叠加；

S4：通过负荷结果的预测值与实际值进行比较，进行温湿度影响因子的回归适应。

通过上述技术方案，对温度、湿度气象因素对负荷预测结果的准确性可能存在的影响进行充分考虑，并且通过系统的自学习过程不断将温湿度影响影子进行回归适应，使预测结果不断接近实际值，使算法在使用的过程中预测的结果不断趋于准确值。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，在步骤S1中，根据时间特征对历史数据进行判定和选取，且所述的时间特征根据节假日进行分组：

A.周一、特殊节假日后一天；

B.周二、周三、周四；

C.周五、特殊节假日前一天；

D.周六、周日、特殊节假日。

通过上述技术方案，按照人们的生活习惯将时间特征分为5个部分，充分考虑人们在不同的时间特征下温度和湿度对负荷预测不同的影响程度。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，在步骤S1中，所述的温湿度影响因子算法为公式①，即

F＝T(t)*α+H(h)*(1-α) (α为常量,0<α<1) ①

其中，

T(t)为量化后的温度数据，其量化方法为公式②，即

其中，x,y为温度影响参变量，初始取值为x＝0.015,y＝0.025，其中h代表湿度值；

H(h)为量化后的湿度数据，其量化方法为公式③，即

其中，s,j为湿度影响参变量，初始取值为s＝0.15，j＝0.0075，其中h代表湿度值。

通过上述技术方案，将影响因子根据温湿度分为多个区间，提高基于影响因子预测负荷的准确度。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，在步骤S2中，通过还原算法对历史负荷数据的温湿度影响进行还原，所述的还原算法为公式④，即

S′＝{s(1)/1+F,s(2)/1+F,...s(n)/1+F} ④

其中，S＝{s(1),s(2),...s(n)}(n＝96)：历史某日的实际日负荷；

F：温湿度影响因子，其参变量t、h分别取历史负荷数据日的平均温度与湿度。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，在步骤S3之前先对异常数据进行判断和处理，且异常数据包括缺数数据和毛刺数据。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，所述的缺数数据处理方法包括：

S3-1：设实际日负荷为公式⑤，即

S＝{s(1),s(2),...s(n)} (n＝96) ⑤

S3-2：通过缺数处理算法对某点数据缺失进行处理，所述的缺数处理算法为公式⑥

s(i)＝[s(i-1)+s(i+1)]/2(i＝2,3,4…95) ⑥。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，所述的毛刺数据通过毛刺数据判定算法进行判定，所述的毛刺数据判定算法为公式⑦，即

其中，当两点间的负荷值满足公式⑦方程式中的一个时，则判定其存在负荷突变，为毛刺数据。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，所述的毛刺数据处理方法包括：

对于首端负荷数据，用右邻的级比生成进行修正；对于末端负荷数据，用左邻的级比生成修正；对于中间段负荷数据，取其前后负荷的加权平均。

通过上述技术方案，将异常数据划分为毛刺数据和缺数数据，针对异常原因采取不同的修正手法，具有更强的针对性，修复后的还原性更高。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，在步骤S3中，通过叠加算法对负荷预测结果的计算值进行温湿度影响叠加处理，所述的叠加算法为公式⑧，即

G'＝{g(1)*(1+F)，g(2)*(1+F)，...g(n)*(1+F)} ⑧

其中，G＝(g(1),g(2),...g(n)) (n＝96)：预测日负荷；

F：温湿度影响因子，其参变量t、h分别取负荷预测日的平均预报温度与湿度。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，在步骤S4中，进行回归适应的方法包括：

根据预测日负荷：G＝(g(1),g(2),...g(n)) (n＝96)，和实际日负荷：S＝{s(1),s(2),...s(n)} (n＝96)，通过公式⑨对实际值与预测值逐点求相对误差：

Δ＝{δ(1),δ(2),...δ(n)} (n＝96) ⑨

其中，δ(i)＝(g(i)-s(i))/s(i) (i＝1,2...n)；

当δ(i)>10％,m＝m+1；

当δ(i)<10％,n＝n+1.(m,n初始值为0)；

当日的预测偏差为m-n；若m-n>8,M＝M+1,

若m-n<-8,N＝N+1(M,N初始值为0)；

当M≥5时，对x,y,s,j反向调节；

当N≥5时，对x,y,s,j正向调节，调节的粒度为0.0005。

本发明的优点在于：1、对异常数据分类处理，更具有针对性，处理结果更接近正常数据；2、将温湿度影响分区间考虑，使各个区间内的影响更具有针对性；3、通过实际值与预测值的比较不断更新影响因子，以不断提高预测准确度。

附图说明

图1是本发明的流程图。

具体实施方式

以下是本发明的优选实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

如图1所示，本发明的基于时域及环境特征的自学习短期负荷预测方法包括以下步骤：

S1：选取历史负荷数据，并通过温湿度影响因子算法得到温湿度影响因子；

进一步地，在步骤S1中，根据时间特征对历史数据进行判定和选取，且所述的时间特征根据节假日进行分组：A.周一、B.周二～周四、C.周五、D.周六、周日，特殊节假日按照D处理，特殊节假日的前一天按C处理，特殊节假日的后一天按A处理，对调休的周六周日按B处理，处理后的分组如下：

A.周一、特殊节假日后一天；

B.周二、周三、周四；

C.周五、特殊节假日前一天；

D.周六、周日、特殊节假日。

通过上述技术方案，按照人们的生活习惯将时间特征分为5个部分，充分考虑在不同的时间特征下温度和湿度对负荷预测不同的影响程度。

为了提高基于影响因子预测负荷的准确度，根据所规定的影响因子将温湿度分为几个区间，在区间内，温湿度的影响是线性的。

在步骤S1中，温湿度影响因子算法为公式①，即

F＝T(t)*α+H(h)*(1-α) (α为常量,0<α<1，推荐取0.85) ①

其中，

T(t)为量化后的温度数据，其量化方法为公式②，即

其中，x,y为温度影响参变量，初始取值为x＝0.015,y＝0.025，其中的t代表温度值；

H(h)为量化后的湿度数据，其量化方法为公式③，即

其中，s,j为湿度影响参变量，初始取值为s＝0.15，j＝0.0075，其中的h代表湿度值。

S2：利用步骤S1中所得的温湿度影响因子，对所述的历史负荷数据的温湿度影响进行还原；

在步骤S2中，根据所述影响因子的计算值通过还原算法对历史负荷数据的温湿度影响还原，采用还原算法计算历史中某天去除温湿度影响的负荷，具体地，温湿度影响还原的还原算法为公式④：S′＝{s(1)/1+F,s(2)/1+F,...s(n)/1+F} ④

其中，S＝{s(1),s(2),...s(n)} (n＝96)：历史中某日的实际日负荷；

F：温湿度影响因子，其参变量t、h分别取历史负荷数据日的平均温度与湿度，该历史负荷数据日即对应着历史中实际负荷的某天，例如S＝{s(1),s(2),...s(n)} (n＝96)代表的是历史中2017年3月1日这一天的实际负荷，t、h就取这一天的平均温度和湿度。

S3：运用灰度理论预测模型对已去除温湿度影响的历史负荷数据进行预测，并对预测结果进行温湿度影响叠加；

为了解决异常数据的影响，在步骤S3之前先对异常数据进行判断和处理，且异常数据包括缺数数据和毛刺数据。

缺数数据处理方法包括：

S3-1：设实际日负荷为公式⑤，即

S＝{s(1),s(2),...s(n)} (n＝96) ⑤

S3-2：通过缺数处理算法对某点数据缺失进行处理，缺数处理算法为公式⑥

s(i)＝[s(i-1)+s(i+1)]/2 (i＝2,3,4…95)⑥。

进一步地，毛刺数据通过毛刺数据判定算法进行判定，所述的毛刺数据判定算法为公式⑦，即

其中，当两点间的负荷值满足公式⑦方程式中的一个时，则判定其存在负荷突变，为毛刺数据。

进一步地，毛刺数据处理方法包括：

对于首端负荷数据，用右邻的级比生成进行修正；对于末端负荷数据，用左邻的级比生成修正；对于中间段负荷数据，取其前后负荷的加权平均。

通过上述技术方案，将异常数据划分为毛刺数据和缺数数据，针对异常原因采取不同的修正手法，具有更强的针对性，修复后的还原性更高。

具体地，灰度理论预测模型的建模原理过程如下：

设原始序列为:

x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2)...x⁽⁰⁾(n)}

一次累加后：

x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2)...x⁽¹⁾(n)}

其中:

建立微分方程：

dx⁽¹⁾(t)/dt+ax⁽¹⁾(t)＝μ

利用最小二乘法求解参数a、μ:

其中:

求出模型的时间响应方程:

对上式进行累减还原，得原始数列x^(o)的灰色预测模型为：

对S′通过GM(1，1)模型得到预测值：

G＝(g(1),g(2),...g(n)) (n＝96)

且在步骤S3中，通过叠加算法对负荷预测结果的计算值进行温湿度影响叠加处理，叠加算法为公式⑧，即

G'＝{g(1)*(1+F)，g(2)*(1+F)，...g(n)*(1+F)} ⑧

其中，G＝(g(1),g(2),...g(n)) (n＝96)：通过灰度理论预测模型得到的预测日负荷；

F：温湿度影响因子，其参变量t、h分别取负荷预测日的平均预报温度与湿度。

S4：通过负荷结果的预测值与实际值进行比较，进行温湿度影响因子的回归适应。温湿度影响因子的初始取值来自于经验与历史值的结合，但随着经济、气候的变化，温湿度对能耗的影响程度也会发生变化，因此主张通过预测值与实际值的比对，对所述参变量x,y,s,j的调整，实现温湿度影响因子F的回归适应。

其中回归比较可以每月一次，随机取连续7天的预测值与实际值，进行回归适应的方法具体包括：

根据预测日负荷的负荷预测曲线：G＝(g(1),g(2),...g(n))(n＝96)，和实际日负荷的负荷实际曲线：S＝{s(1),s(2),...s(n)}(n＝96)，通过公式⑨对实际值与预测值逐点求相对误差：

Δ＝{δ(1),δ(2),...δ(n)} (n＝96) ⑨

其中，δ(i)＝(g(i)-s(i))/s(i) (i＝1,2...n)；

当δ(i)>10％,m＝m+1；

当δ(i)<10％,n＝n+1.(m,n初始值为0)；

当日的预测偏差为m-n；若m-n>8,M＝M+1,

若m-n<-8,N＝N+1(M,N初始值为0)；

当M≥5时，对x,y,s,j反向调节；

当N≥5时，对x,y,s,j正向调节，调节的粒度为0.0005。

本实施例对温度、湿度气象因素对负荷预测结果的准确性可能存在的影响进行充分考虑，并且通过系统的自学习过程不断将温湿度影响影子进行回归适应，使预测结果不断接近实际值，使算法在使用的过程中预测的结果不断趋于准确值。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了温湿度影响因子、缺数数据和毛刺数据等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (6)

1.一种基于时域及环境特征的自学习短期负荷预测方法，其特征在于，包括以下步骤：

S1：选取历史负荷数据，并通过温湿度影响因子算法得到温湿度影响因子；

S2：利用步骤S1中所得的温湿度影响因子，对所述的历史负荷数据的温湿度影响进行还原；

S3：运用灰度理论预测模型对已去除温湿度影响的历史负荷数据进行预测，并对预测结果进行温湿度影响叠加；

S4：通过负荷结果的预测值与实际值进行比较，进行温湿度影响因子的回归适应；

在步骤S1中，所述的温湿度影响因子算法为公式①，即

F＝T(t)*α+H(h)*(1-α) (α为常量,0<α<1) ①

其中，

T(t)为量化后的温度数据，其量化方法为公式②，即

其中，x,y为温度影响参变量，初始取值为x＝0.015,y＝0.025，t表示温度值；

H(h)为量化后的湿度数据，其量化方法为公式③，即

其中，s,j为湿度影响参变量，初始取值为s＝0.15，j＝0.0075，其中h代表湿度值；

在步骤S2中，通过还原算法对历史负荷数据的温湿度影响进行还原，所述的还原算法为公式④，即

S′＝{s(1)/1+F,s(2)/1+F,...s(n)/1+F} ④

其中，S＝{s(1),s(2),...s(n)}(n＝96)：历史某日的实际日负荷；

F：温湿度影响因子，其参变量t、h分别取历史负荷数据日的平均温度与湿度；

在步骤S3中，通过叠加算法对负荷预测结果的计算值进行温湿度影响叠加处理，所述的叠加算法为公式⑧，即

G'＝{g(1)*(1+F)，g(2)*(1+F)，...g(n)*(1+F)} ⑧

其中，G＝(g(1),g(2),…g(n))(n＝96)：预测日负荷；

F：温湿度影响因子，其参变量t、h分别取负荷预测日的平均预报温度与湿度；

在步骤S4中，进行回归适应的方法包括：

根据预测日负荷：G＝(g(1),g(2),…g(n))(n＝96)，和实际日负荷：S＝{s(1),s(2),…s(n)}(n＝96)，通过公式⑨对实际值与预测值逐点求相对误差：

Δ＝{δ(1),δ(2),...δ(n)} (n＝96) ⑨

其中，δ(i)＝(g(i)-s(i))/s(i)(i＝1,2…n)；

当δ(i)>10％,m＝m+1；

当δ(i)<10％,n＝n+1(m,n初始值为0)；

当日的预测偏差为m-n；若m-n>8,M＝M+1,

若m-n<-8,N＝N+1(M,N初始值为0)；

当M≥5时，对x,y,s,j反向调节；

当N≥5时，对x,y,s,j正向调节，调节的粒度为0.0005。

2.根据权利要求1所述的基于时域及环境特征的自学习短期负荷预测方法，其特征在于，在步骤S1中，根据时间特征对历史数据进行判定和选取，且所述的时间特征根据节假日进行分组：

A.周一、特殊节假日后一天；

B.周二、周三、周四；

C.周五、特殊节假日前一天；

D.周六、周日、特殊节假日。

3.根据权利要求2所述的基于时域及环境特征的自学习短期负荷预测方法，其特征在于，在步骤S3之前先对异常数据进行判断和处理，且异常数据包括缺数数据和毛刺数据。

4.根据权利要求3所述的基于时域及环境特征的自学习短期负荷预测方法，其特征在于，所述的缺数数据处理方法包括：

S3-1：设实际日负荷为公式⑤，即

S＝{s(1),s(2),…s(n)} (n＝96) ⑤

S3-2：通过缺数处理算法对某点数据缺失进行处理，所述的缺数处理算法为公式⑥

s(i)＝[s(i-1)+s(i+1)]/2(i＝2,3,4…95) ⑥。

5.根据权利要求3所述的基于时域及环境特征的自学习短期负荷预测方法，其特征在于，所述的毛刺数据通过毛刺数据判定算法进行判定，所述的毛刺数据判定算法为公式⑦，即

其中，当两点间的负荷值满足公式⑦方程式中的一个时，则判定其存在负荷突变，为毛刺数据。

6.根据权利要求5所述的基于时域及环境特征的自学习短期负荷预测方法，其特征在于，所述的毛刺数据处理方法包括：

对于首端负荷数据，用右邻的级比生成进行修正；对于末端负荷数据，用左邻的级比生成修正；对于中间段负荷数据，取其前后负荷的加权平均。

Images