基于自適應(yīng)增強(qiáng)算法的短期電力負(fù)荷在線預(yù)測(cè)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了電力負(fù)荷預(yù)測(cè)【技術(shù)領(lǐng)域】中的一種基于自適應(yīng)增強(qiáng)算法的短期電力負(fù)荷在線預(yù)測(cè)方法。包括選取影響氣象數(shù)據(jù)的M個(gè)因素，并提取過(guò)去L天每個(gè)影響氣象數(shù)據(jù)的因素的實(shí)測(cè)值，形成氣象數(shù)據(jù)矩陣SL×M；提取過(guò)去L天中每天n個(gè)時(shí)刻的電力負(fù)荷數(shù)據(jù)，形成電力負(fù)荷數(shù)據(jù)矩陣DL×n；在影響氣象數(shù)據(jù)的因素中，選取與電力負(fù)荷數(shù)據(jù)關(guān)聯(lián)度最大的m個(gè)因素，將其作為有效成分，并根據(jù)過(guò)去L天有效成分的實(shí)測(cè)值，形成有效氣象數(shù)據(jù)矩陣TL×m；利用有效氣象數(shù)據(jù)矩陣TL×m和電力負(fù)荷數(shù)據(jù)矩陣DL×n求解短期電力負(fù)荷預(yù)測(cè)模型；利用短期電力負(fù)荷預(yù)測(cè)模型進(jìn)行電力負(fù)荷預(yù)測(cè)。本發(fā)明可以有效地消除數(shù)據(jù)噪音對(duì)模型預(yù)測(cè)精度的影響，得到較為精確且穩(wěn)定的預(yù)測(cè)結(jié)果。
【專(zhuān)利說(shuō)明】基于自適應(yīng)增強(qiáng)算法的短期電力負(fù)荷在線預(yù)測(cè)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于電力負(fù)荷預(yù)測(cè)【技術(shù)領(lǐng)域】，尤其涉及一種基于自適應(yīng)增強(qiáng)算法的短期電力負(fù)荷在線預(yù)測(cè)方法。
【背景技術(shù)】
[0002]短期電力負(fù)荷在線預(yù)測(cè)是電力負(fù)荷預(yù)測(cè)的重要組成之一，是電網(wǎng)實(shí)現(xiàn)智能控制的基礎(chǔ)。負(fù)荷在線預(yù)測(cè)能力的提聞，不僅有利于提聞電網(wǎng)的安全，指導(dǎo)電網(wǎng)的檢修，還可以有效地降低發(fā)電成本，提高電力系統(tǒng)的經(jīng)濟(jì)效益，讓人民的生產(chǎn)生活水平再上新的臺(tái)階。
[0003]作為制訂發(fā)電計(jì)劃、輸電方案和進(jìn)行電網(wǎng)建設(shè)的主要依據(jù)，電力負(fù)荷預(yù)測(cè)可以對(duì)未來(lái)幾分鐘至幾年的時(shí)間范圍內(nèi)的電力負(fù)荷做出估計(jì)。短期負(fù)荷預(yù)測(cè)有著明顯的周期特性:不同日的工作日24小時(shí)負(fù)荷變化呈現(xiàn)相似規(guī)律；不同日的周末24小時(shí)負(fù)荷變化呈現(xiàn)相似規(guī)律；不同年的重大節(jié)假日24小時(shí)負(fù)荷變化呈現(xiàn)相似規(guī)律。此外，電力負(fù)荷還受到諸如季節(jié)、氣溫、濕度、氣壓、風(fēng)速、陰雨以及突發(fā)事件等情況的影響，這有時(shí)也會(huì)為短期電力負(fù)荷預(yù)測(cè)造成很大的干擾。
[0004]目前常見(jiàn)的一種短期電力負(fù)荷預(yù)測(cè)的方法是，通過(guò)低通濾波與壓縮聚類(lèi)等數(shù)據(jù)預(yù)處理方法，提高對(duì)歷史電力負(fù)荷數(shù)據(jù)的擬合精度。然而，在實(shí)際應(yīng)用中，新產(chǎn)生的電力負(fù)荷數(shù)據(jù)并沒(méi)有條件進(jìn)行以上預(yù)處理，因而不適用于在線負(fù)荷預(yù)測(cè)。另一種常見(jiàn)的短期電力負(fù)荷預(yù)測(cè)的方法是，通過(guò)獨(dú)立訓(xùn)練多個(gè)學(xué)習(xí)機(jī)并將其集成的方式，獲得比單個(gè)學(xué)習(xí)機(jī)更好的泛化性能和學(xué)習(xí)精度，大大提高預(yù)測(cè)模型的精確度。然而，對(duì)于部分規(guī)律性的突變點(diǎn)模型依然無(wú)法精確預(yù)測(cè)，且不易進(jìn)行在線預(yù)測(cè)。
[0005]鑒于短期電力負(fù)荷存在的明顯周期特性，為了能夠從諸多因素中找到影響系統(tǒng)的關(guān)鍵因素，可以考慮采用灰色關(guān)聯(lián)分析(Grey Relational Analysis)的方法?；疑P(guān)聯(lián)理論認(rèn)為:在兩個(gè)系統(tǒng)發(fā)展過(guò)程中，若兩個(gè)系統(tǒng)之間的因素變化的趨勢(shì)具有一致性，即同步變化程度較高，即可謂二者關(guān)聯(lián)程度較高；反之，則較低。因而，選用灰色關(guān)聯(lián)分析對(duì)影響電力負(fù)荷的因素進(jìn)行篩選可以有效剔除干擾項(xiàng)與無(wú)關(guān)項(xiàng)，提高短時(shí)電力負(fù)荷的預(yù)測(cè)精度。

【發(fā)明內(nèi)容】

[0006]本發(fā)明的目的在于，提供一種基于自適應(yīng)增強(qiáng)算法的短期電力負(fù)荷在線預(yù)測(cè)方法，用于解決現(xiàn)有技術(shù)在短期電力負(fù)荷在線預(yù)測(cè)時(shí)存在的不足。
[0007]為了實(shí)現(xiàn)上述目的，本發(fā)明提出的技術(shù)方案是，一種基于自適應(yīng)增強(qiáng)算法的短期電力負(fù)荷在線預(yù)測(cè)方法，其特征是所述方法包括:
[0008]步驟1:選取影響氣象數(shù)據(jù)的M個(gè)因素，并提取過(guò)去L天每個(gè)影響氣象數(shù)據(jù)的因素的實(shí)測(cè)值，形成氣象數(shù)據(jù)矩陣Sum ;其中，M和L為設(shè)定值；
[0009]步驟2:提取過(guò)去L天中每天η個(gè)時(shí)刻的電力負(fù)荷數(shù)據(jù)，形成電力負(fù)荷數(shù)據(jù)矩陣Wxn;其中，η為設(shè)定值；
[0010]步驟3:在影響氣象數(shù)據(jù)的因素中，選取與電力負(fù)荷數(shù)據(jù)關(guān)聯(lián)度最大的m個(gè)因素，將所述m個(gè)因素作為有效成分，根據(jù)過(guò)去L天有效成分的實(shí)測(cè)值，形成有效氣象數(shù)據(jù)矩陣Tlxdi ;其中，m為設(shè)定值；
[0011]步驟4:利用有效氣象數(shù)據(jù)矩陣IYxm和電力負(fù)荷數(shù)據(jù)矩陣Dixn求解短期電力負(fù)荷預(yù)測(cè)模型；
[0012]步驟5:利用短期電力負(fù)荷預(yù)測(cè)模型進(jìn)行電力負(fù)荷預(yù)測(cè)。
[0013]所述選取與電力負(fù)荷數(shù)據(jù)關(guān)聯(lián)度最大的m個(gè)因素采用灰色關(guān)聯(lián)分析法，包括:
[0014]子步驟Al:采用公式
【權(quán)利要求】
1.一種基于自適應(yīng)增強(qiáng)算法的短期電力負(fù)荷在線預(yù)測(cè)方法，其特征是所述方法包括: 步驟1:選取影響氣象數(shù)據(jù)的M個(gè)因素，并提取過(guò)去L天每個(gè)影響氣象數(shù)據(jù)的因素的實(shí)測(cè)值，形成氣象數(shù)據(jù)矩陣Slxm ;其中，M和L為設(shè)定值； 步驟2:提取過(guò)去L天中每天η個(gè)時(shí)刻的電力負(fù)荷數(shù)據(jù)，形成電力負(fù)荷數(shù)據(jù)矩陣I\xn ;其中，η為設(shè)定值； 步驟3:在影響氣象數(shù)據(jù)的因素中，選取與電力負(fù)荷數(shù)據(jù)關(guān)聯(lián)度最大的m個(gè)因素，將所述m個(gè)因素作為有效成分，根據(jù)過(guò)去L天有效成分的實(shí)測(cè)值，形成有效氣象數(shù)據(jù)矩陣IYxm ；其中，m為設(shè)定值； 步驟4:利用有效氣象數(shù)據(jù)矩陣IYxm和電力負(fù)荷數(shù)據(jù)矩陣^xn求解短期電力負(fù)荷預(yù)測(cè)模型； 步驟5:利用短期電力負(fù)荷預(yù)測(cè)模型進(jìn)行電力負(fù)荷預(yù)測(cè)。
2.根據(jù)權(quán)利要求1所述的方法，其特征是所述選取與電力負(fù)荷數(shù)據(jù)關(guān)聯(lián)度最大的m個(gè)因素采用灰色關(guān)聯(lián)分析法，包括: 子步驟Al:采用公式
3.根據(jù)權(quán)利要求1或2所述的方法，其特征是所述步驟4包括: 子步驟B1:以第k天有效成分的實(shí)測(cè)值Tk、與第k天日期類(lèi)型相同的前一天的有效成分實(shí)測(cè)值Tlr1、與第k天日期類(lèi)型相同的前一天的電力負(fù)荷數(shù)據(jù)D1^j和第k天的日期類(lèi)型w作為輸入樣本，以第k天的電力負(fù)荷數(shù)據(jù)Dlu作為輸出樣本，建立樣本集合{[Th, Tk, DkU W]，Dk，j},記為{xp, tp};其中，k=2, 3，…，L, j=l, 2，…，η, ρ=1, 2，…，Ln ;子步驟B2:隨機(jī)選取單隱層人工神經(jīng)網(wǎng)絡(luò)，設(shè)定權(quán)重步長(zhǎng)a和收斂閾值ε，令初始迭代次數(shù)iter=l,權(quán)重分布
4.根據(jù)權(quán)利要求3所述的方法，其特征是所述步驟5之后還包括短期電力負(fù)荷預(yù)測(cè)模型的修正步驟，包括: 子步驟Cl:以當(dāng)天有效成分的實(shí)測(cè)值T、與當(dāng)天日期類(lèi)型相同的前一天的有效成分的實(shí)測(cè)值T'、與當(dāng)天日期類(lèi)型相同的前一天的電力負(fù)荷數(shù)據(jù)D/和當(dāng)天的日期類(lèi)型w作為輸入數(shù)據(jù)，輸入到短期電力負(fù)荷預(yù)測(cè)模型中，得到當(dāng)天電力負(fù)荷預(yù)測(cè)值Dp j=l, 2,..., η； 子步驟C2:采集當(dāng)天時(shí)刻s的電力負(fù)荷實(shí)測(cè)值?，以與當(dāng)天日期類(lèi)型相同的前一天有效成分的實(shí)測(cè)值T'、與當(dāng)天日期類(lèi)型相同的前一天時(shí)刻s的電力負(fù)荷數(shù)據(jù)Ds'、當(dāng)天有效成分的實(shí)測(cè)值T和當(dāng)天的日期類(lèi)型w作為輸入數(shù)據(jù)，以當(dāng)天時(shí)刻s的電力負(fù)荷實(shí)測(cè)值或作為輸出數(shù)據(jù)，訓(xùn)練得到單日時(shí)刻s的短期電力負(fù)荷預(yù)測(cè)模型f (χ);其中，χ為輸入數(shù)據(jù)且X=[T' ，T, Ds' , w]； 子步驟C3:根據(jù)公式
【文檔編號(hào)】G06T5/00GK103793887SQ201410053462
【公開(kāi)日】2014年5月14日 申請(qǐng)日期:2014年2月17日 優(yōu)先權(quán)日:2014年2月17日
【發(fā)明者】許剛, 談元鵬, 馬爽 申請(qǐng)人:華北電力大學(xué)