一种智能短期负荷预测方法及系统
技术领域
本发明属于负荷预测,具体涉及一种智能短期负荷预测方法及系统。
背景技术
智能电网是现代化电网的发展方向,以自愈、安全、兼容、电力用户交互、电力市场协调、资源优化高效、电能质量优质、信息系统集成为主要特点,精确的负荷预测成为了智能电网建设实现的基石。智能短期负荷预测是在新型电网环境下,考虑多样化的影响因素,采用智能化的预测技术、精细化的预测流程,对电力负荷进行高精度、多对象、高密度的预测。智能电网下负荷预测精度、密度要求越来越高,而短期负荷预测时间周期短,受经济因素、天气因素、时间因素、随机因素的影响比较大,因此智能短期负荷预测的难度加大。
随着智能电网的不断建设发展以及物联网、计算机视觉等信息技术的发展,电网各类信息管理系统积累了大量的信息数据,历史数据呈指数规模增长,呈现出信息爆炸的趋势。海量信息的获取是为更好的优化电能的生产、分配以及交易、消费,提高电网运行的经济性、安全性。如何充分有效地利用智能电网信息管理系统中的宝贵数据,采用合适的数据分析和处理技术,使之变为决策型的信息,并为短期负荷预测提供指导,成为目前亟待解决的问题。
发明内容
智能电网环境下信息系统中积累了与负荷预测相关的海量信息数据,数据类型多且繁杂,使得负荷预测的相关输入量巨大,使得短期负荷预测建模难度较大,严重影响了负荷预测的精度。本发明提供了一种智能负荷预测方法,该方法充分考虑实时电价和电力用户用电行为之间的紧密耦合和交互影响,给出了基于关联规则的电价-需求耦合短息负荷预测方法。
本发明提供一种智能短期负荷预测方法,包括:
获取历史负荷实际值、历史电价实际值以及与负荷预测相关的历史数据;
根据与负荷预测相关的历史数据进行负荷与电价预测,得到预测目标时刻的预测初始值以及历史预测值;
根据历史负荷实际值、历史电价实际值以及历史预测值,提取电价-需求耦合关联规则;
基于预测目标时刻前一时刻的电价实际值、提取的电价-需求耦合关联规则以及预测目标时刻的预测初始值得到预测偏差值;
用预测偏差值对目标时刻的预测初始值进行修正得到目标时刻负荷预测值。
所述目标时刻预测初始值包括:目标时刻的负荷预测初始值和目标时刻电价预测初始值;
所述历史预测值包括:历史负荷预测值和历史电价预测值。
所述用预测偏差值对目标时刻的预测初始值进行修正得到目标时刻的负荷预测值的计算公式如下所示:
式中,DDFt,d为目标日第d天t时刻的预测偏差值,为目标日第d天t时刻的负荷预测初始值,Dt,d为目标日第d天t时刻修正后的负荷预测值。
所述根据历史负荷实际值、历史电价实际值以及历史预测值,提取电价-需求耦合关联规则包括:
根据历史负荷预测值、历史负荷实际值、历史电价预测值以及所述历史电价预测值对应时刻前一时刻的电价实际值,用量化概念格方法得到电价-需求耦合关联规则。
所述根据历史负荷实际值、历史电价实际值以及历史预测值,提取电价-需求耦合关联规则还包括:将电价-需求耦合关联规则建立规则库,根据需求从所述规则库中提取电价-需求耦合关联规则。
所述基于预测目标时刻前一时刻的电价实际值、提取的电价-需求耦合关联规则以及预测目标时刻的预测初始值得到预测偏差值包括:
将所述电价-需求耦合关联规则、预测目标时刻前一时刻的电价实际值、预测目标时刻的负荷预测初始值以及预测目标时刻的电价预测初始值输入模糊推理系统,进行模糊化,模糊推理系统根据系统中的知识库,对模糊化后的数据进行模糊推理,得出预测偏差值。
所述根据与负荷预测相关的历史数据进行负荷与电价预测包括:
对与负荷预测相关的历史数据进行属性约简处理后,输入到多变量LS-SVM模型进行负荷与电价的预测。
所述对与负荷预测相关的历史数据进行属性约简处理包括:
用关联规则分析方法确定与短期负荷预测相关的因素,根据设定的阈值,确定条件属性和决策属性;
在与负荷预测相关的历史数据中提取条件属性和决策属性对应的数据。
所述与负荷预测相关的历史数据包括:气候数据、日期数据、负荷水平数据、季节数据、经济社会环境数据;
所述气候数据包括:气温、湿度、降雨、风力、日照。
本发明提供一种智能短期负荷预测系统,包括:
采集模块,用于获取历史负荷实际值和历史电价实际值以及与负荷预测相关的历史数据;
初始值预测模块,用于根据与负荷预测相关的历史数据进行负荷与电价预测,得到预测目标时刻的预测初始值以及历史预测值;
规则提取模块,用于根据历史负荷实际值、历史电价实际值以及历史预测值,提取电价-需求耦合关联规则;
偏差值计算模块,用于基于预测目标时刻前一时刻的电价实际值、提取的电价-需求耦合关联规则以及预测目标时刻的预测初始值得到预测偏差值;
修正模块,用于根据预测偏差值对目标时刻的预测初始值进行修正得到目标时刻的负荷预测值。
所述规则提取模块根据历史负荷预测值、历史负荷实际值、历史电价预测值以及与所述历史电价预测值对应时刻前一时刻的电价实际值,用量化概念格方法得到电价-需求耦合关联规则。
所述偏差值计算模块包括模糊推理系统子模块;
所述模糊推理系统子模块包括:
模糊化单元,用于将输入模糊推理系统子模块的电价-需求耦合关联规则、预测目标时刻前一时刻的电价实际值以及预测目标时刻的负荷和电价预测初始值,进行模糊化;
推理单元,用于根据模糊推理系统子模块中的知识库,对模糊化后的数据进行模糊推理,得出预测偏差值。
所述初始值预测模块包括多变量LS-SVM模型。
与最接近的现有技术比,本发明提供的技术方案具有以下有益效果:
本发明提供的技术方案,从大量历史数据中发现、提取与负荷预测相关性高的电价-需求之间的动态耦合关系,有效利用了智能电网负荷数据库中存储的海量历史数据,提高了负荷预测的精度以及系统的运行速率;
本发明提供的技术方案,根据电价-需求之间的动态耦合关系对负荷预测初始值进行修正,减小了预测误差,提高了预测精度;
本发明提供的技术方案,利用关联规则分析进行负荷预测属性约简,考虑智能电网需求响应条件下电价-需求之间的动态耦合关系,利用多变量LS-SVM模型得到初始预测值,利用量化概念格的关联规则分析方法法提取负电价-需求耦合作用的关联规则,分析电价-需求动态耦合关系,利用所提取的关联规则结合模糊推理系统得到负荷预测的偏差值,对初始预测值进行修正,提高了预测的精度。
附图说明
图1为本发明一种智能短期负荷预测方法流程图;
图2为本发明实施例基于量化概念格得到电价-需求耦合关联规则流程图;
图3为本发明实施例一种智能短期负荷预测方法实施过程示意图。
具体实施方式
下面结合附图对本发明做进一步详细的说明:
实施例一:
如图1所示,本发明提供一种智能短期负荷预测方法,包括:
获取历史负荷实际值和电价实际值以及与负荷预测相关的历史数据;
根据所述历史数据进行负荷与电价预测,得到预测目标时刻的预测初始值以及历史预测值;
根据历史负荷实际值和电价实际值以及历史预测值,提取电价-需求耦合关联规则;
基于预测目标时刻前一时刻的电价实际值、提取的电价-需求耦合关联规则以及预测目标时刻的预测初始值得到预测偏差值;
用预测偏差值对目标时刻的预测初始值进行修正得到目标时刻的负荷预测值。
所述目标时刻预测初始值包括:目标时刻的负荷预测初始值和电价预测初始值;
所述历史预测值包括:历史的负荷预测值和电价预测值。
所述用预测偏差值对目标时刻的预测初始值进行修正得到目标时刻的负荷预测值的计算公式如下所示:
式中,DDFt,d为目标日第d天t时刻的预测偏差值,为目标日第d天t时刻的负荷预测初始值,Dt,d为目标日第d天t时刻修正后的负荷预测值。
所述根据历史预测值,提取电价-需求耦合关联规则包括:
根据历史负荷的预测值和实际值以及历史电价的预测值和历史预测时刻前一时刻的电价实际值,用量化概念格方法得到电价-需求耦合关联规则。
所述根据历史预测值,提取电价-需求耦合关联规则还包括:将电价-需求耦合关联规则建立规则库,根据需求从所述规则库中提取电价-需求耦合关联规则。
所述基于预测目标时刻前一时刻的电价实际值、提取的电价-需求耦合关联规则以及预测目标时刻的预测初始值得到预测偏差值包括:
将所述电价-需求耦合关联规则、预测目标时刻前一时刻的电价实际值以及预测目标时刻的负荷和电价预测初始值输入模糊推理系统,进行模糊化,模糊推理系统根据系统中的知识库,对模糊化后的数据进行模糊推理,得出预测偏差值。
所述根据历史数据进行负荷与电价预测包括:
对历史数据进行属性约简处理后,输入到多变量LS-SVM模型进行负荷与电价的预测。
所述对历史数据进行属性约简处理包括:
用关联规则分析方法确定与短期负荷预测相关的因素,根据设定的阈值,确定条件属性和决策属性;
在与负荷预测相关的历史数据中提取与条件属性和决策属性对应的数据。
所述与负荷预测相关的历史数据包括:气候数据、日期数据、负荷水平数据、季节数据、经济社会环境数据;
所述气候数据包括:气温、湿度、降雨、风力、日照。
基于相同的构思,本发明提供一种智能短期负荷预测系统,可以包括:
采集模块,用于获取历史负荷实际值和历史电价实际值以及与负荷预测相关的历史数据;
初始值预测模块,用于根据与负荷预测相关的历史数据进行负荷与电价预测,得到预测目标时刻的预测初始值以及历史预测值;
规则提取模块,用于根据历史负荷实际值、历史电价实际值以及历史预测值,提取电价-需求耦合关联规则;
偏差值计算模块,用于基于预测目标时刻前一时刻的电价实际值、提取的电价-需求耦合关联规则以及预测目标时刻的预测初始值得到预测偏差值;
修正模块,用于根据预测偏差值对目标时刻的预测初始值进行修正得到目标时刻的负荷预测值。
所述规则提取模块根据历史负荷预测值、历史负荷实际值、历史电价预测值以及与所述历史电价预测值对应时刻前一时刻的电价实际值,用量化概念格方法得到电价-需求耦合关联规则。
所述偏差值计算模块可以包括模糊推理系统子模块;
所述模糊推理系统子模块可以包括:
模糊化单元,用于将输入模糊推理系统子模块的电价-需求耦合关联规则、预测目标时刻前一时刻的电价实际值以及预测目标时刻的负荷和电价预测初始值,进行模糊化;
推理单元,用于根据模糊推理系统子模块中的知识库,对模糊化后的数据进行模糊推理,得出预测偏差值。
所述初始值预测模块可以包括多变量LS-SVM模型。
所述修正模块可以包括如下计算公式:
式中,DDFt,d为目标日第d天t时刻的预测偏差值,为目标日第d天t时刻的负荷预测初始值,Dt,d为目标日第d天t时刻修正后的负荷预测值。
所述规则提取模块可以包括:
根据历史负荷的预测值和实际值以及历史电价的预测值和历史预测时刻前一时刻的电价实际值,用量化概念格方法得到电价-需求耦合关联规则。
所述系统还可以包括电价-需求耦合关联规则管理模块,用于将电价-需求耦合关联规则建立规则库,根据需求从所述规则库中提取电价-需求耦合关联规则。
所述初始值预测模块可以包括:
约简子模块,用于对历史数据进行属性约简处理;
预测子模块,用于将约简后的历史数据输入到多变量LS-SVM模型进行负荷与电价的预测。
所述约简子模块可以包括:
分析单元,用于用关联规则分析方法确定与短期负荷预测相关的因素,根据设定的阈值,确定条件属性和决策属性;
数据确定单元,用于在与负荷预测相关的历史数据中提取与条件属性和决策属性对应的数据。
所述与负荷预测相关的历史数据包括:气候数据、日期数据、负荷水平数据、季节数据、经济社会环境数据;
所述气候数据可以包括:气温、湿度、降雨、风力、日照。
实施例二:
本发明提供的智能短期负荷预测方法包括:
(1)数据获取:从数据库中获取与负荷预测相关的数据,包括:气候因素(例如,气温、湿度、降雨、风力、日照等)、日期类型(例如,工作日、周末等类型)、负荷水平、季节因素、经济社会环境(例如,GDP发展水平、产业比重等)。
(2)属性约简:利用关联规则分析方法确定与短期负荷预测强相关的因素,根据设定的阈值,最终选择日期类型、温度、湿度、风速、光照程度作为条件属性,历史负荷值作为决策属性。
(3)初始值预测:预测负荷值和电价。实时电价与负荷交互影响的动态博弈过程,需要同时进行负荷与电价预测,由于是多变量、强非线性,本方案采用多变量/多输出的LS-SVM模型进行负荷与电价的初始值预测。由第(2)步可知,将历史负荷值、历史电价、温度、日期类型作为多变量LS-SVM负荷预测模型的相关输入量,生成预测初始值。生成的预测值有两类:第一类是预测目标日的电价和负荷预测值第二类是历史Nhd天的电价和负荷预测值
(4)电价-需求耦合的关联规则提取:将第(3)步得到的第二类预测值,历史Nhd天的负荷和电价预测值作为输入,利用量化概念格方法提取电价-需求耦合作用下的关联规则,即所述量化概念格方法流程如图2所示;
(5)电价-需求耦合规则库的建立:将第(4)步提取的电价-需求耦合关联规则建立规则库,并由模糊推理系统根据知识库得到推理结果,即数值型DDFt,d。
(6)初始预测值修正:在某条规则描述的一定环境下,DDFt,d值就是d天t时刻的负荷偏差值,根据进行初始预测值修正。
实施例三:
如图3所示,本发明提供的一种智能短期负荷预测系统主要分为三个模块:第一个模块为预测值生成模块,利用多变量LS-SVM预测模型得到预测初始值,预测负荷值和电价;第二个模块为关联规则提取模块,利用基于量化概念格的关联规则分析算法提取电价-需求价关联规则,刻画电价和用户用电量之间的动态耦合关系;第三个模块为修正模块,利用所提取的电价-需求动态耦合关联规则和模糊推理系统FIS,可以得到目标时刻初始负荷预测值的偏差值,进而对初始预测值作相应的修正,最后得到精度较高的负荷预测值。
实施例四:
(1)设有某区域短期负荷预测历史数据,包括:气候数据、日期类型数据、负荷水平、季节因素、经济社会环境等数据,根据Apriori-AND算法可提取与负荷预测强相关的影响因素,实现属性约简。分析最大关联规则代表的具体影响负荷的主要因素,其中该区域用户负荷与该区域温度和日期类型所占比例较大,其支持度最高。
(2)根据上述关联规则分析属性约简的结果,将历史负荷值、历史电价、温度、日期类型作为多变量LS-SVM负荷预测模型的相关输入量,生成预测初始值,包括:预测目标日的负荷预测值和历史Nhd天的负荷和电价预测值其中,多变量LS-SVM负荷预测模型如下:
采集数据的最新样本,训练模型的输入变量为:
X(k)=[Ld-N(k),…,Ld-2(k),Ld-1(k),Pd-N(k),…,Pd-2(k),Pd-1(k),Ld(k-m),…,Ld(k-2),Ld(k-1),Pd(k-m),…,Pd(k-2),Pd(k-1),T,Dd]
其中,Ld-N(k)、Pd-N(k)分别指与预测日d局部相似的最近前N天k时刻的负荷值和电价值;Ld(k-m)、Pd(k-m)分别指预测时刻前m个步长点的负荷值和电价值;T表示待预测日的平均温度;Dd表示待预测日的日期类型。
输出变量为Y(k)=[Ld(k),Pd(k)],分别表示目标日预测时刻的预测负荷和预测电价。该模型对每天每个整点共24个预测点的负荷和电价进行逐步预测,得到初步预测结果。
(3)利用量化概念格方法算法电价-需求耦合作用的关联规则,即将基于量化概念格的关联规则分析算法的输入数据定为初始预测负荷初始预测电价预测时刻前一时刻的实际电价负荷差值DDFt,d;输出为电价-需求耦合关联规则。
首先要将智能电网负荷预测数据库构建为形式背景,对各项目集进行离散化并编码,详细处理结果如下:
1)根据竞争聚类(CA)算法将负荷初始预测值数据分为5类。每时刻的负荷水平具体划分标准是:VL(Very Low),L(Low),M(Medium),H(High)和VH(单位是MW)。
2)电价值同理也划分为5个层次:VL、L、M、H、VH。
3)负荷差值DDFt,d也被分为5个层次:HD(High Drop)、LD(Low Drop)、ND(Negligible Deviation)、LR(Low Rise)、HR(High Rise)。
4)其提取出的电价-需求关联规则的一般形式为:
(4)提取的关联规则是语义值,需要使用模糊推理系统将语义值转化为数值,并进行相应的匹配。例如,在某条规则描述的一定环境下,DDFt,d值就是d天t时刻的负荷偏差值。将提取的规则建立一个规则库,将挖掘出的关联规则以程序形式输入到模糊推理系统中。模糊推理系统根据系统中的知识库,对模糊化的事实进行模糊推理,最后得出推理结果即数值型DDFt,d。
(5)利用下列公式修正负荷预测值:
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。