基于多氣象要素的電力負荷預測方法技術

本發明專利技術涉及基于多氣象要素的電力負荷預測方法，包括以下步驟：步驟一獲取電力負荷數據以及氣象數據，步驟二負荷數據進行分解處理，步驟三通過最大信息系數分時段計算各氣象數據與氣象負荷之間的關聯性；本發明專利技術的優點：由于步驟二對負荷數據進行分解處理，通過最大信息系數分時段計算各氣象數據與氣象負荷之間的關聯性，能更加直觀的把握氣象數據與電力負荷之間的關聯特性，能自動根據預測目標所在電網、時間段選擇合適影響因子與較優預測模型，充分利用歷史負荷數據的規律性，結合天氣，用戶特征等不同因素的影響，提高其預測的效率及精度，提高經濟效益和社會效益，相比較傳統時間序列預測模型可提高3～5個百分點。時間序列預測模型可提高3～5個百分點。時間序列預測模型可提高3～5個百分點。

【技術實現步驟摘要】
基于多氣象要素的電力負荷預測方法


[0001]本專利技術涉及電力負荷預測
，具體涉及基于多氣象要素的電力負荷預測方法。

技術介紹

[0002]電力負荷預測是電力系統中的一項重要工作，精確的負荷預測，電力系統負荷預測受氣象因素的影響非常大，其中溫度對負荷的影響最為顯著，比如夏季連續高溫天氣會導致電力系統中出現一個夏季峰值負荷，冬季的寒流也會使負荷急劇增加，其他影響因子包括相對濕度、風速等天氣狀況也會對電力負荷產生影響，傳統的負荷預測基本只使用了較為簡單的統計算法，缺乏對各地區負荷特性的綜合考慮和氣象條件對負荷變化的影響，在很大程度上限制了負荷預測的準確率和精細化程度，進而影響了電力調度和電力交易的效率性和效益性。

技術實現思路

[0003]本專利技術的目的就是解決現有傳統的負荷預測無法考慮氣象要素從而導致存在負荷預測的準確率低的技術問題，提出基于多氣象要素的電力負荷預測方法，通過氣象因子與電力負荷之間的關聯特性來預測電力負荷，實現自動化且高準確性的負荷預測。
[0004]為了解決上述技術問題，本專利技術是通過以下技術方案實現的：基于多氣象要素的電力負荷預測方法，包括以下步驟：
[0005]步驟一：分別獲取電力負荷數據以及氣象數據；
[0006]步驟二：將步驟一獲取的電力負荷數據進行分解處理；
[0007]步驟三：通過最大信息系數分時段計算各氣象數據與氣象負荷之間的關聯性，并輸出結果。
[0008]步驟一：步驟二中的負荷數據通過STL分解成趨勢負荷、季節分量和剩余分量，且通過以下公式表示：
[0009]Y
t
＝T
t
+S
t
+R
t
；
[0010]其中：Y
t
為t時刻原始負荷；T
t
為趨勢負荷，S
t
為季節分量，R
t
為剩余分量。
[0011]優選的，STL包括內循環和外循環，內循環得到的趨勢分量T
t
和季節分量S
t
，外循環通過內循環得到的趨勢分量T
t
和季節分量S
t
計算剩余分量R
t
。
[0012]優選的，內循環包括以下步驟：
[0013]S1：去趨勢：在內循環迭代第k+1次時，用原始序列Y減去上一輪迭代結果中的趨勢分量即
[0014]S2：周期子序列平滑：每個周期相同位置的樣本點組成一個子序列，通過Loess對每個子序列進行回歸平滑，平滑后子序列記為
[0015]S3：周期子序列的低通量過濾：對S2獲取的依次做長度為n
p
、n
p
、3的滑動平均，其中n
p
為一個周期中樣本數，用Loess做回歸后得到周期子序列的低通量
[0016]S4：去除平滑周期子序列趨勢：記周期季節分量為
[0017]S5：去周期：原始序列Y減去S4獲取的周期季節分量
[0018]S6：趨勢平滑：利用Loess對S5得到的平滑后得到趨勢分量
[0019]優選的，Loess通過將樣本劃分成一個個小區間，對區間中樣本進行多項式擬合，不斷重復該過程得到各區間的加權回歸曲線，最終得到完整且平滑的回歸曲線，設待擬合的點為x，在Loess回歸時，選擇q個該點附近的鄰居x
i
，i∈[1，..，q]來擬合x，每個鄰居根據其與x的相對距離進行加權。定義λ
q
(x)為最遠鄰居到x的距離，則每個x
i
的權重為：
[0020][0021][0022]其中：W為三次權重函數；v
i
(x為x
i
的權重，距離x越近的點具有更高的權重，隨著距離增大，權重逐漸減小，直至最遠鄰居的權重為0。
[0023]優選的，當序列中存在多周期性時，通過多級分解的方法剝離周期性元素，分解順序為由小周期到大周期：首先通過STL得到小周期對應的周期季節分量、趨勢分量和剩余分量；再使用STL從剩余分量分解出大周期對應周期季節分量、趨勢分量以及剩余分量；各級周期季節分量、趨勢分量分別進行疊加得到最終分量。
[0024]優選的，當序列中有異常值，則剩余分量較大，由此計算每個數據點的魯棒權重，
[0025]定義：h＝6median(|R
t
|；
[0026]對于t時刻的數據點，其魯棒權重為：
[0027]ρ(t)＝B(|R
t
|/h)；
[0028]式中：B函數為bisquare函數：
[0029][0030]優選的，步驟三中的最大信息系數分時段通過互信息和網格劃分計算：對于給定變量A＝{a
i
，i＝1，2，...，n}和B＝{b
i
，i＝1，2，...，n}，其中n為樣本數，兩者互信息為：
[0031][0032]其中，p(a，b)為A和B聯合概率密度；p(a)和p(b)分別為A和B的邊緣概率密度；
[0033]對有序對集合D＝{(a
i
，b
i
)，i＝1，2，
…
，n}，定義劃分G將變量A的值域劃分為x段，將變量B的值域劃分為y段，得到的G為x
×
y的網格，計算每一種劃分方式對應的互信息MI(A，B)，取其中互信息最大值作為網格x
×
y的互信息值，定義網格x
×
y下D的最大互信息公式為：
[0034][0035]式中：D|G表示在劃分G下的數據集D；Ω為x
×
y網格對應的所有劃分方式集合，將不同x
×
y網格下得到的最大互信息歸一化后組成特征矩陣：
[0036][0037]式中：M(D)
x，y
為所有x
×
y網格組成的最大互信息特征矩陣，而最大信息系數定義
為該矩陣中最大值：
[0038][0039]式中：Q(n)為樣本數n的函數，且Q(n)＝n
0.6
；
[0040]并通過公式計算兩個變量A和B的相互關聯程度，計算公式為：
[0041][0042]其中：為變量A的均值；為變量B的均值。
[0043]綜上所述，本專利技術的優點：通過步驟一獲取電力負荷數據以及氣象數據，步驟二負荷數據進行分解處理，步驟三通過最大信息系數分時段計算各氣象數據與氣象負荷之間的關聯性，并輸出結果的方法進行電力負荷的預測，由于步驟二對負荷數據進行分解處理，通過最大信息系數分時段計算各氣象數據與氣象負荷之間的關聯性，能更加直觀的把握氣象數據與電力負荷之間的關聯特性，能自動根據預測目標所在電網、時間段選擇合適影響因子與較優預測模型，最終實現自動化且高準確性的負荷預測，保持電網運行的安全穩定性，充分利用歷史負荷數據的規律性，結合天氣，用戶特征等不同因素的影響，提高其本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.基于多氣象要素的電力負荷預測方法，其特征在于：包括以下步驟：步驟一：分別獲取電力負荷數據以及氣象數據；步驟二：將步驟一獲取的電力負荷數據進行分解處理；步驟三：通過最大信息系數分時段計算各氣象數據與氣象負荷之間的關聯性，并輸出結果。2.根據權利要求1所述的基于多氣象要素的電力負荷預測方法，其特征在于：步驟二中的負荷數據通過STL分解成趨勢負荷、季節分量和剩余分量，且通過以下公式表示：Y
t
＝T
t
+S
t
+R
t
；其中：Y
t
為t時刻原始負荷；T
t
為趨勢負荷，S
t
為季節分量，R
t
為剩余分量。3.根據權利要求2所述的基于多氣象要素的電力負荷預測方法，其特征在于：STL包括內循環和外循環，內循環得到的趨勢分量T
t
和季節分量S
t
，外循環通過內循環得到的趨勢分量T
t
和季節分量S
t
計算剩余分量R
t
。4.根據權利要求3所述的基于多氣象要素的電力負荷預測方法，其特征在于：內循環包括以下步驟：S1：去趨勢：在內循環迭代第k+1次時，用原始序列Y減去上一輪迭代結果中的趨勢分量即S2:周期子序列平滑:每個周期相同位置的樣本點組成一個子序列，通過Loess對每個子序列進行回歸平滑，平滑后子序列記為S3：周期子序列的低通量過濾：對S2獲取的依次做長度為n
p
、n
p
、3的滑動平均，其中n
p
為一個周期中樣本數，用Loess做回歸后得到周期子序列的低通量S4：去除平滑周期子序列趨勢：記周期季節分量為S4：去除平滑周期子序列趨勢：記周期季節分量為S5：去周期：原始序列Y減去S4獲取的周期季節分量S5：去周期：原始序列Y減去S4獲取的周期季節分量S6：趨勢平滑：利用Loess對S5得到的平滑后得到趨勢分量5.根據權利要求4所述的基于多氣象要素的電力負荷預測方法，其特征在于：Loess通過將樣本劃分成一個個小區間，對區間中樣本進行多項式擬合，不斷重復該過程得到各區間的加權回歸曲線，最終得到完整且平滑的回歸曲線，設待擬合的點為x，在Loess回歸時，選擇q個該點附近的鄰居x
i
，i∈[1，...，q]來擬合x，每個鄰居根據其與x的相對距離進行加權；定義λ
q
(x)為最遠鄰居到x的距離，則每個x...

【專利技術屬性】
技術研發人員：謝鵬林，郭和川，任小勇，劉登云，楊光，張正曉，金蘭，潘豪蒙，陳奇，周威，陳梁，周純巨，李亮，陳仙樂，潘勃利，張業茂，
申請(專利權)人：國網浙江省電力有限公司永嘉縣供電公司，
類型：發明
國別省市：