CN112801363B - 一种电力负荷损失预测方法、介质、电子设备和系统 - Google Patents

Abstract

本发明涉及一种电力负荷损失预测方法、介质、电子设备和系统，所述预测方法包括以下步骤：1)获取电力负荷损失数据序列；2)利用R/S法计算所述电力负荷损失数据序列的赫斯特指数H，判断是否该电力负荷损失数据序列是否满足长相关性，若是，则执行步骤3)，若否，则返回步骤1)；3)计算所述电力负荷损失数据序列的分形维数D；4)基于所述赫斯特指数H和分形维数D，采用预先建立的广义柯西模型预测获得电力负荷损失数据。与现有技术相比，本发明具有预测精度高、适用范围广等优点。

Description

一种电力负荷损失预测方法、介质、电子设备和系统

技术领域

本发明涉及电力系统的供电可靠性技术领域，尤其是涉及一种电力负荷损失预测方法、介质、电子设备和系统。

背景技术

电力负荷预测是电力系统调度、计划、用电等管理部门的重要工作之一。对电力负荷数据准确的预测可以降低发电成本、制定合理的规划、提高电力系统的经济效益。电力负荷数据不仅与当前状况有关，还与历史状态有关，具有长相关的特点。因此有效地建立一种长相关预测模型，通过对电力负荷数据预测实现电力负荷损失可靠性分析具有重要的指导意义。

目前对电力负荷损失预测的理论和方法进行了深入的研究，主要包括神经网络、小波分析、模糊预测、支持向量机、时间序列分析等，各种研究方法的侧重点有所不同。随着经济的不断增长，很多地区的大型电网同时存在着局部供电过剩或是季节性缺电的问题，对电能的需求具有较大的起伏。电网的局部供电过剩或是季节性缺电的问题引起的电网故障具有随机性和长相关性，，因此研究电力负荷损失可靠性问题就需要建立一种长相关模型对电力损失负荷数据进行预测。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种预测精度高、适用范围广的电力负荷损失预测方法、介质、电子设备和系统。

本发明的目的可以通过以下技术方案来实现：

第一方面，本发明提供一种电力负荷损失预测方法，包括以下步骤：

1)获取电力负荷损失数据序列；

2)利用R/S法计算所述电力负荷损失数据序列的赫斯特指数H，判断是否该电力负荷损失数据序列是否满足长相关性，若是，则执行步骤3)，若否，则返回步骤1)；

3)计算所述电力负荷损失数据序列的分形维数D；

4)基于所述赫斯特指数H和分形维数D，采用预先建立的广义柯西模型预测获得电力负荷损失数据。

进一步地，所述赫斯特指数H通过以下步骤获得：

基于R/S法获得：

式中，X(i,n)为离差，R为极差，S为标准差；

重复上述公式得到n组不同的R_n/S_n；

对公式R_n/S_n＝bn^H求对数得到ln(R_n/S_n)＝lnb+Hlnn，再将求对数的公式进行直线拟合，直线斜率即为赫斯特指数H的值。

进一步地，所述赫斯特指数H满足0.5＜H＜1时，则判定所述电力负荷损失数据序列满足长相关性。

进一步地，所述分形维数D的计算公式为：

式中，l为正方形的边长，N_l为电力负荷损失数据序列占据的小正方形总格数。

进一步地，构建所述广义柯西模型时，先利用广义柯西的自相关函数构造广义柯西时间序列，再用广义柯西时间序列的增量构造广义柯西模型，具体地：

构造的广义柯西时间序列表示为：

x(t)＝w(t)*F^-1{F[(1+|τ|^(4-2D))^-(1-H)/(2-D)]}^0.5

式中，w(t)为高斯白噪声时间序列，*为卷积符号，F为傅里叶变换，F^-1为傅里叶逆变换；

利用所述广义柯西时间序列的差分得到广义柯西增量时间序列：

dGC(t)＝x(t+1)-x(t)

根据所述广义柯西增量时间序列建立广义柯西模型，具体表达式为：

dX(t)＝+μ(t,X(t))dt+σ(t,X(t))dGC(t)

式中，dX(t)为电力负荷损失数据序列的增量，μ(t,X(t))为漂移函数，σ(t,X(t))GC(t)为扩散函数，dGC(t)为广义柯西增量时间序列。

进一步地，所述广义柯西模型参数采用极大似然估计法估计获得。

进一步地，采用所述极大似然估计法时，基于广义柯西的重尾参数估计所述广义柯西模型参数。

第二方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由电子设备的处理器加载并执行如上所述的电力负荷损失预测方法的步骤。

第三方面，本发明提供一种电子设备，包括处理器和计算机可读存储介质，处理器用于实现各指令，计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如上所述的电力负荷损失预测方法的步骤。

第四方面，本发明提供一种电力负荷损失预测系统，包括：

数据爬取模块和如上所述的电子设备；

数据爬取模块，被配置为从用电信息采集系统采集海量的电力负荷损失数据，并发送至所述电子设备。

与现有技术相比，本发明具有以下有益效果：

(1)本发明步骤简单，操作简便，有效地减少了人员调度工作量，同时利用历史电力负荷损失数据实现对将来电力负荷损失数据的预测，减少了经济损失，为企业、电力部门带来具大的收益。

(2)由于电网的局部供电过剩或是季节性缺电的问题引起的电网故障具有随机性和长相关性，因此采用传统的模型无法达到精确预测电力负荷损失数据。本发明利用R/S法求出电力负荷损失数据的赫斯特指数H，并判断是否满足长相关性，建立具有长相关的特性的广义柯西模型，实现对电力负荷损失数据的高精度预测，适用范围广。

(3)本发明采用广义柯西模型进行电力负荷损失数据的预测，预测精度高。

(4)本发明采用极大似然估计法估计广义柯西模型参数，估计准确度高，进行提高了预测的准确性。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种电力负荷损失预测方法，可基于获得的电力负荷损失数据进行电力系统可靠性判定，如图1所示，包括以下步骤：

步骤S1、获取历史的电力负荷损失数据序列，这些历史数据由采集设备采集并存储。

步骤S2、利用R/S法计算所述电力负荷损失数据序列的赫斯特指数H，判断是否该电力负荷损失数据序列是否满足长相关性，若是，则执行步骤S3，若否，则返回步骤S1。

所述赫斯特指数H通过以下步骤获得：

基于R/S法获得：

式中，X(i,n)为离差，R为极差，S为标准差；

重复上述公式得到n组不同的R_n/S_n；

对公式R_n/S_n＝bn^H求对数得到ln(R_n/S_n)＝lnb+Hlnn，再将求对数的公式进行直线拟合，直线斜率即为赫斯特指数H的值。

赫斯特指数H若满足0.5＜H＜1，则判定所述电力负荷损失数据序列满足长相关性，若不满足，则该数据不能用于广义柯西模型预测。

步骤S3、计算所述电力负荷损失数据序列的分形维数D：

式中，l为正方形的边长，N_l为电力负荷损失数据序列占据的小正方形总格数。

步骤S4、基于所述赫斯特指数H和分形维数D，采用预先建立的广义柯西模型预测获得电力负荷损失数据。构建所述广义柯西模型时，先利用广义柯西的自相关函数构造广义柯西时间序列，再用广义柯西时间序列的增量构造广义柯西模型，具体地：

广义柯西的自相关函数为：

R(τ)＝(1+|τ|^4-2D)^-(1-H)/(2-D)

式中，τ为时间差，H为赫斯特指数，D为分形维数；

构造的广义柯西时间序列表示为：

x(t)＝w(t)*F^-1{F[(1+|τ|^(4-2D))^-(1-H)/(2-D)]}^0.5

式中，w(t)为高斯白噪声时间序列，*为卷积符号，F为傅里叶变换，F^-1为傅里叶逆变换；

利用所述广义柯西时间序列的差分得到广义柯西增量时间序列：

dGC(t)＝x(t+1)-x(t)

根据所述广义柯西增量时间序列建立广义柯西模型，具体表达式为：

dX(t)＝+μ(t,X(t))dt+σ(t,X(t))dGC(t)

式中，dX(t)为电力负荷损失数据序列的增量，μ(t,X(t))为漂移函数，σ(t,X(t))GC(t)为扩散函数，dGC(t)为广义柯西增量时间序列。

上述广义柯西模型参数采用极大似然估计法估计获得，具体地：

假设x＝{x₁,x₂,...,x_N}是N个独立同分布的GC时间序列，联合概率密度函数为：

式中，ρ为广义柯西的重尾参数。则对数似然函数为：

参数μ和σ的估计值是以下最大化问题的最优解：

将对数最大似然函数ln(f)分别对参数σ,μ,ρ求偏导数得到以下联立方程组，通过求解联立方程组获得参数μ和σ的估计值：

将得到的σ,μ估计值带入广义柯西预测模型预测电力负荷损失数据。

上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

实施例2

本实施例提供一种电子设备，包括处理器和计算机可读存储介质，处理器用于实现各指令，计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如实施例1所述的电力负荷损失预测方法的步骤。

实施例3

本实施例提供一种电力负荷损失预测系统，包括数据爬取模块和如实施例2所述的电子设备；其中，数据爬取模块，被配置为从用电信息采集系统采集海量的电力负荷损失数据，并发送至所述电子设备。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (6)

1.一种电力负荷损失预测方法，其特征在于，包括以下步骤：

1)获取电力负荷损失数据序列；

2)利用R/S法计算所述电力负荷损失数据序列的赫斯特指数H，判断是否该电力负荷损失数据序列是否满足长相关性，若是，则执行步骤3)，若否，则返回步骤1)；

3)计算所述电力负荷损失数据序列的分形维数D；

4)基于所述赫斯特指数H和分形维数D，采用预先建立的广义柯西模型预测获得电力负荷损失数据；

所述分形维数D的计算公式为：

式中，l为正方形的边长，N_l为电力负荷损失数据序列占据的小正方形总格数；

构建所述广义柯西模型时，先利用广义柯西的自相关函数构造广义柯西时间序列，再用广义柯西时间序列的增量构造广义柯西模型，具体地：

构造的广义柯西时间序列表示为：

x(t)＝w(t)*F^-1{F[(1+|τ|^(4-2D))^-(1-H)/(2-D)]}^0.5

式中，w(t)为高斯白噪声时间序列，*为卷积符号，F为傅里叶变换，F^-1为傅里叶逆变换；

利用所述广义柯西时间序列的差分得到广义柯西增量时间序列：

dGC(t)＝x(t+1)-x(t)

根据所述广义柯西增量时间序列建立广义柯西模型，具体表达式为：

dX(t)＝+μ(t,X(t))dt+σ(t,X(t))dGC(t)

式中，dX(t)为电力负荷损失数据序列的增量，μ(t,X(t))为漂移函数，σ(t,X(t))GC(t)为扩散函数，dGC(t)为广义柯西增量时间序列；

所述广义柯西模型参数采用极大似然估计法估计获得，采用所述极大似然估计法时，基于广义柯西的重尾参数估计所述广义柯西模型参数。

2.根据权利要求1所述的电力负荷损失预测方法，其特征在于，所述赫斯特指数H通过以下步骤获得：

基于R/S法获得：

式中，X(i,n)为离差，R为极差，S为标准差；

重复上述公式得到n组不同的R_n/S_n；

对公式R_n/S_n＝bn^H求对数得到ln(R_n/S_n)＝lnb+Hlnn，再将求对数的公式进行直线拟合，直线斜率即为赫斯特指数H的值。

3.根据权利要求1所述的电力负荷损失预测方法，其特征在于，所述赫斯特指数H满足0.5＜H＜1时，则判定所述电力负荷损失数据序列满足长相关性。

4.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由电子设备的处理器加载并执行如权利要求1-3中任一项所述的电力负荷损失预测方法的步骤。

5.一种电子设备，包括处理器和计算机可读存储介质，处理器用于实现各指令，计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-3中任一项所述的电力负荷损失预测方法的步骤。

6.一种电力负荷损失预测系统，其特征在于，包括：

数据爬取模块和如权利要求5所述的电子设备；

数据爬取模块，被配置为从用电信息采集系统采集海量的电力负荷损失数据，并发送至所述电子设备。