[发明专利]一种基于电力用户数据的短期负荷预测方法

说明书

技术领域

本发明涉及一种负荷预测方法，尤其是涉及一种基于电力用户数据的短期负荷预测方法。

背景技术

传统上的电力负荷预测主要关注的是电力系统生产计划和电力系统运行方式的具体安排，具体方法有以下几种。

1)最小二乘拟合法。

这种方法把负荷序列的发展趋势用方程式表示出来，进而利用趋势方程式来预测负荷未来的变化。最小二乘拟合法具有预测速度快和外推特性好的优势，但是不仅对历史数据要求高，而且仅仅适合负荷序列波动不大的平稳时间序列情况，无法详细地考虑各种影响负荷的因素。

2)回归分析法。

由给定的多组自变量和因变量的资料，研究各自变量和因变量之间的关系，形成回归方程后，如给定各自变量数值，即能求出因变量值，再形成负荷的预测。回归分析法的优缺点和最小二乘拟合法类似，它对历史上从未出现过的情况有较好的预测值，但同时也存在模型初始化难度大以及用线性方法描述比较复杂的情况过于简单的问题。

3)专家系统方法

能模拟人类的思维和决策过程，对求解问题给出相当于专家水平的答案。鉴于运行人员经验的重要性和专家系统理论的日益成熟，一般来说，把专家系统应用于短期负荷预测是切实可行的。有效的专家系统是建立在负荷分布之间的逻辑型和句法型关系基础上的，它能帮助经验不足的运行人员识别各种类型的特殊事件等对负荷的影响，得出较为精确的负荷预测结果。这种方法计算量少、预测精度高，但提取系统的有关规则较为困难，而且须花费大量人力、物力、财力来对数据库进行充分的调查分析。

4)人工神经网络方法

人工神经网络是模仿人脑工作方式的一种信息处理方式，神经网络可以通过“学习”，自适应地产生适合当前情况的新规则。这种方法通过模拟

人脑这种由大量神经元经过复杂的连接而形成的一种高复杂、非线性、并行处理的信息处理系统，来处理大量复杂的数据信息。人工神经网络方法引入了非线性模拟概念，可以充分考虑影响负荷变化规律的因素，因此预测精度较高。但这种方法较为复杂；样本数据要求高，容易出现样本选择困难的问题；网络收敛速度慢，有时陷入局部最小值，出现不收敛的情况。

5)灰色预测方法

在灰色系统理论的研究中，各类系统被分成白色、黑色和灰色三种：“白”和“黑”指信息完全已知和信息完全未知，“灰”则指信息不完全，部分已知、部分未知。灰色系统理论认为任何随机过程都是在一定幅值范围及一定时间变化内的灰色量，在对灰色过程的处理上，是通过原始数据的整理(如累加或者累减)来寻找数据规律，其对随机过程的典型性(如平稳性、概率分布等)无任何限制。由于大多数系统都是广义的能量系统，累加后的指数规律便是普遍的一种变化规律，灰色过程经此处理后生成的数列有了较强的规律，随机性得到弱化，因而有可能对变化过程作较长时间的描述，建立起微分方程模型求解。灰色预测方法的优点是：短期预测精度高、要求负荷数据少、不考虑分布规律、不考虑变化趋势、运算方便易于检验。同时此技术也存在以下缺点：数据离散程度越大则预测精度越差；不适合长期预测。

综上所述，最小二乘拟合法和回归分析法并不适合短期负荷预测；人工神经网络法过于复杂，在统一的系统内不易产生标准解；专家系统法虽然在短期预测上较为精确，但需要耗费太多的人力物力，且无法实现自动化，不适合应用在面向大量用电客户的反窃电系统上；灰色预测法适合大量随机量的和值，不适合单一用户的随机量预测。

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、预测速度快的基于电力用户数据的短期负荷预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于电力用户数据的短期负荷预测方法，其特征在于，包括以下步骤：

1)数据采集单元采集单个电力用户的负荷数据，并将其传输给数据处理单元；

2)数据处理单元根据建立的短期负荷预测模型对接收的数据进行处理，得到下一时刻的负荷预测值。

所述的短期负荷预测模型根据时间序列方法建立，具体过程如下：

1)建立样本数据的自回归滑动平均模型ARMA，该模型如公式(1)所示，