基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法，包括：獲取若干個(gè)歷史日的電力負(fù)荷和若干個(gè)歷史日的氣溫?cái)?shù)據(jù)以及待預(yù)測日的預(yù)報(bào)氣溫；確定所述非線性自回歸時(shí)序模型階次和各階子項(xiàng)記憶步長，估計(jì)模型參數(shù)，得到負(fù)荷預(yù)測模型；根據(jù)所述的待預(yù)測日的預(yù)報(bào)氣溫和所述的負(fù)荷預(yù)測模型預(yù)測所述的待預(yù)測日的負(fù)荷。針對負(fù)荷與氣溫相關(guān)性較強(qiáng)的特點(diǎn)，本發(fā)明將氣溫因素加入到對負(fù)荷的短期預(yù)測當(dāng)中，提高了短期負(fù)荷的預(yù)測精度,為電網(wǎng)調(diào)度控制提供依據(jù),為電網(wǎng)安全運(yùn)行提供保障。
【專利說明】基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電力預(yù)測【技術(shù)領(lǐng)域】，尤其涉及基于氣溫和非線性自回歸時(shí)序模型的 短期負(fù)荷預(yù)測方法。

【背景技術(shù)】
[0002] 無論微網(wǎng)還是大電網(wǎng)，提高短期負(fù)荷預(yù)測精度都是改善電能質(zhì)量、使電網(wǎng)安全和 經(jīng)濟(jì)運(yùn)行的關(guān)鍵一環(huán)。短期負(fù)荷數(shù)據(jù)是按一定的時(shí)間間隔記錄的，帶有時(shí)間特征、非線性和 較強(qiáng)的隨機(jī)性，時(shí)間序列分析方法是對此類數(shù)據(jù)建模和預(yù)測的成熟且有效的方法。典型的 非線性時(shí)間序列模型通用性不強(qiáng)，對負(fù)荷序列平穩(wěn)性要求較高，僅僅考慮歷史數(shù)據(jù)，較少 考慮外部環(huán)境因素的影響及自身數(shù)據(jù)的規(guī)律性，而電力負(fù)荷的變化既有自身的規(guī)律性，又 受某些相關(guān)因素的影響，在影響負(fù)荷的相關(guān)因素中，氣溫是最敏感的因素之一。非線性自回 歸時(shí)間序列模型建模時(shí)無須對序列進(jìn)行平穩(wěn)性檢驗(yàn)，所能擬合的非線性范圍廣，通用性好， 允許將影響輸出的某些關(guān)鍵因素加入到建模過程中，可提高時(shí)序模型的建模預(yù)測精度。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于，為了提高短期負(fù)荷預(yù)測準(zhǔn)確率，根據(jù)以上分析，提出基于氣溫 和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法。
[0004] 基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法，包括以下步驟。
[0005] 獲取若干個(gè)歷史日的電力負(fù)荷和若干個(gè)歷史日的氣溫?cái)?shù)據(jù)以及待預(yù)測日的預(yù)報(bào) 氣溫。
[0006] 確定所述非線性自回歸時(shí)序模型階次和各階子項(xiàng)記憶步長，估計(jì)模型參數(shù)，得到 負(fù)荷預(yù)測模型。
[0007] 根據(jù)所述的待預(yù)測日的預(yù)報(bào)氣溫和所述的負(fù)荷預(yù)測模型預(yù)測所述待預(yù)測日的負(fù) 荷。
[0008] 與一般的時(shí)間序列短期負(fù)荷預(yù)測方法相比，本發(fā)明基于氣溫和非線性自回歸時(shí)序 模型的短期負(fù)荷預(yù)測方法將氣溫因素加入到所述的負(fù)荷預(yù)測模型的建模過程，充分體現(xiàn)了 氣溫因素對于負(fù)荷的巨大影響作用，無須對序列平穩(wěn)性進(jìn)行檢驗(yàn)，簡化了建模過程，提高了 短期負(fù)荷的預(yù)測精度，為電網(wǎng)調(diào)度控制提供依據(jù)，為電網(wǎng)安全運(yùn)行提供保障。

【專利附圖】

【附圖說明】
[0009] 圖1是本發(fā)明基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法的流程示 意圖。

【具體實(shí)施方式】
[0010] 以下結(jié)合附圖對本發(fā)明的優(yōu)選實(shí)施例進(jìn)行說明，應(yīng)當(dāng)理解，此處所描述的優(yōu)選實(shí) 施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。
[0011] 請參閱圖1，為本發(fā)明基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法的 流程示意圖，本發(fā)明基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法，包括以下步 驟。
[0012] SlOl獲取若干個(gè)歷史日電力負(fù)荷和若干個(gè)歷史日氣溫?cái)?shù)據(jù)以及待預(yù)測日的預(yù)報(bào) 氣溫。
[0013] 首先，獲取若干個(gè)歷史日的電力負(fù)荷和若干個(gè)歷史日的氣溫?cái)?shù)據(jù)以及待預(yù)測日的 預(yù)報(bào)氣溫。
[0014] 將所獲得的電力負(fù)荷數(shù)據(jù)排成負(fù)荷序列,將所獲得的歷史氣溫?cái)?shù)據(jù)據(jù)排成氣溫序 列，記[Fj負(fù)荷序列，為氣溫序列，々=1，2, 3,…。
[0015] S102確定所述非線性自回歸時(shí)序模型階次和各階子項(xiàng)記憶步長，估計(jì)模型參數(shù)， 得到負(fù)荷預(yù)測模型。
[0016] 短期負(fù)荷具有非線性特征，所述的負(fù)荷預(yù)測模型包括線性子項(xiàng)即一階子項(xiàng)和非線 性子項(xiàng)即二階以及二階以上階次子項(xiàng)，所述的各階子項(xiàng)記憶步長包括負(fù)荷序列關(guān)于該階次 的記憶步長和氣溫序列關(guān)于該階次的記憶步長。
[0017] 設(shè)所述模型階次為r，在J階項(xiàng)中c/=l，2,…，r)，負(fù)荷序列和氣溫序列{:?} 關(guān)于該階項(xiàng)的記憶步長分別記為，flw.，令?。
[0018] 設(shè)向量為所述模型中所有J階項(xiàng)所組成的有序數(shù)組。
[0019] 設(shè)向量厶J;i(i二1，2,…J)為4」.中的Y次因子。

【權(quán)利要求】
1. 基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法，其特征在于，包括以下步 驟： 步驟一：獲取若干個(gè)歷史日電力負(fù)荷和若干個(gè)歷史日的氣溫?cái)?shù)據(jù)以及待預(yù)測日的預(yù)報(bào) 氣溫； 步驟二：確定所述非線性自回歸時(shí)間序列模型階次和各階子項(xiàng)記憶步長，估計(jì)模型參 數(shù)，得到負(fù)荷預(yù)測模型； 步驟三：根據(jù)所述的待預(yù)測日預(yù)報(bào)氣溫和所述的負(fù)荷預(yù)測模型預(yù)測所述待預(yù)測日負(fù) 荷。
2. 根據(jù)權(quán)利要求1所述的基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法，其 特征在于，所述的負(fù)荷預(yù)測模型包括線性子項(xiàng)即一階子項(xiàng)和非線性子項(xiàng)即二階以及二階以 上階次子項(xiàng)，所述的各階子項(xiàng)記憶步長包括負(fù)荷序列關(guān)于該階次的記憶步長和氣溫序列關(guān) 于該階次的記憶步長，確定所述的模型階次和各階子項(xiàng)記憶步長包括以下步驟： 步驟二（101):定義線性定階指標(biāo)和非線性定階指標(biāo)； 步驟二（201):根據(jù)所述的線性定階指標(biāo)確定所述模型的一階子項(xiàng)記憶步長，短期負(fù)荷 非線性較強(qiáng)，線性部分占比較小，在確定所述模型的一階子項(xiàng)記憶步長時(shí)，可令所述的負(fù)荷 序列關(guān)于該階次的記憶步長等于所述的氣溫序列關(guān)于該階次的記憶步長； 步驟二（301):根據(jù)所述的非線性定階指標(biāo)確定所述模型的非線性階次和非線性各階 子項(xiàng)的記憶步長，每一階非線性子項(xiàng)均有該階子項(xiàng)所對應(yīng)的非線性定階指標(biāo)，短期負(fù)荷對 氣溫因素較敏感，主要通過調(diào)節(jié)所述的氣溫序列關(guān)于各階非線性子項(xiàng)的記憶步長來尋找最 優(yōu)模型，而對所述的負(fù)荷序列關(guān)于各階非線性子項(xiàng)的記憶步長的調(diào)節(jié)起輔助作用。
3. 根據(jù)權(quán)利要求2所述的基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法，其 特征在于，確定所述模型的一階子項(xiàng)記憶步長，包括以下步驟： 步驟二（202):令所獲得的負(fù)荷序列和氣溫序列關(guān)于一階子項(xiàng)的記憶步長的初始值為 1，估計(jì)模型參數(shù)，計(jì)算線性定階指標(biāo)； 步驟二（203):令所述的負(fù)荷序列和氣溫序列關(guān)于一階子項(xiàng)的記憶步長都增加1，估計(jì) 模型參數(shù)，計(jì)算所述的線性定階指標(biāo)，與前一個(gè)計(jì)算所得的線性定階指標(biāo)相比較； 步驟二（204):若所述的線性定階指標(biāo)未減小，則此時(shí)負(fù)荷序列和氣溫序列的記憶步長 即為所述模型的一階子項(xiàng)記憶步長，若所述的線性定階指標(biāo)減小，則重復(fù)上一步驟，直到所 述的線性定階指標(biāo)不再減小為止，此時(shí)負(fù)荷序列和氣溫序列的記憶步長即為所述模型的一 階子項(xiàng)記憶步長。
4. 根據(jù)權(quán)利要求2所述的基于氣溫和非線性自回歸時(shí)序模型的短期負(fù)荷預(yù)測方法，其 特征在于，確定所述模型的非線性階次和非線性各階子項(xiàng)的記憶步長，包括以下步驟： 步驟二（302):設(shè)所述的非線性階次r=2 ; 步驟二（303):令所獲得的負(fù)荷序列和氣溫序列關(guān)于r階子項(xiàng)的記憶步長的初始值為 1，估計(jì)模型參數(shù)，計(jì)算非線性定階指標(biāo)； 步驟二（304):令所述的負(fù)荷序列和氣溫序列關(guān)于r階子項(xiàng)的記憶步長都增加1，估計(jì) 模型參數(shù)，計(jì)算非線性定階指標(biāo)，與前一個(gè)計(jì)算所得的非線性定階指標(biāo)相比較； 步驟二（305):若所述的非線性定階指標(biāo)未減小，此時(shí)負(fù)荷序列的記憶步長即為所述模 型的負(fù)荷序列關(guān)于r階子項(xiàng)的記憶步長，若所述的非線性定階指標(biāo)減小，則重復(fù)上一步驟， 直到所述的非線性定階指標(biāo)不再減小為止，則此時(shí)負(fù)荷序列的記憶步長即為所述模型的負(fù) 荷序列關(guān)于r階子項(xiàng)的記憶步長； 步驟二（306):令所述的氣溫序列關(guān)于r階子項(xiàng)的記憶步長增加1，估計(jì)模型參數(shù)，計(jì)算 非線性定階指標(biāo)，與前一個(gè)計(jì)算所得的非線性定階指標(biāo)相比較； 步驟二（307):若所述的非線性定階指標(biāo)未減小，此時(shí)氣溫序列的記憶步長即為所述模 型的氣溫序列關(guān)于r階子項(xiàng)的記憶步長，此時(shí)的非線性定階指標(biāo)即為所述的r階子項(xiàng)非線 性定階指標(biāo)，若所述的非線性定階指標(biāo)減小，則重復(fù)上一步驟，直到所述的非線性定階指標(biāo) 不再減小為止，此時(shí)氣溫序列的記憶步長即為所述模型的氣溫序列關(guān)于r階子項(xiàng)的記憶步 長，此時(shí)的非線性定階指標(biāo)即為所述的r階子項(xiàng)非線性定階指標(biāo)； 步驟二（308):令r=r+l，重復(fù)權(quán)利要求4中的步驟二（303)至步驟二（307)，得到所述 的r階子項(xiàng)非線性定階指標(biāo)，并與所述的r-1階子項(xiàng)非線性定階指標(biāo)相比較； 步驟二（309):若所述的r階子項(xiàng)非線性定階指標(biāo)不小于所述的r-1階子項(xiàng)非線性定 階指標(biāo)，則模型的階次為r-1階，若所述的r階子項(xiàng)非線性定階指標(biāo)小于所述的r-1階子項(xiàng) 非線性定階指標(biāo)，則令r=r+l，重復(fù)權(quán)利要求4中的步驟二（303)至步驟二（307)，直到所述 的r階子項(xiàng)非線性定階指標(biāo)不再小于所述的r-1階子項(xiàng)非線性定階指標(biāo)為止，此時(shí)的階次 r即為所述模型的階次。
【文檔編號】G06Q50/06GK104376367SQ201410228489
【公開日】2015年2月25日 申請日期:2014年5月28日 優(yōu)先權(quán)日:2014年5月28日
【發(fā)明者】沈艷霞, 高超 申請人:江南大學(xué)