[发明专利]基于大数据的电力负荷预测方法

权利要求书

1.一种基于大数据的电力负荷预测方法，该方法包括如下步骤：

步骤一，提供N个时间段的数据信息；针对同一数据信息，采用强化学习负荷预测的数据模型获取第N+1个时间段的电力负荷预测值一；同时采用数据驱动方式获取第N+1个时间段的电力负荷预测值二；

步骤二，采用D-S证据理论对电力负荷预测结果一和电力负荷预测结果二进行信息融合，获取第N+1个时间段的最终预测结果。

2.根据权利要求1所述的基于大数据的电力负荷预测方法，其特征在于，所述数据驱动方式获取电力负荷预测值二包括如下步骤：

步骤一，收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立一种函数关系：

y(k+1)＝f(y(k),Λ,y(k-n_y),u(k),Λ,u(k-n_u),e(k),Λ,e(k-n_e))    (1)

式中，u(k)表示k时刻系统的负荷预测值，且u(k)∈R；y(k)表示k时刻系统的负荷预测误差值，且y(k)∈R；e(k)表示系统的影响量，e(k)∈R；n_y表示负荷预测误差值y(k)的时间窗口跨度；n_u表示负荷预测值u(k)的时间窗口跨度；n_e表示系统影响量e(k)的时间窗口跨度；f(Λ)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y(k+1)与前n_y时间跨度内的实际负荷预测误差值、前n_u时间跨度内的负荷预测值及前n_e时间跨度内的系统影响因素之间的关系；

步骤二，按下式建立数据模型：

Δy(k+1)＝φ^T(k)ΔH(k)    (2)

式中，Δy(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之差，定义Δy(k+1)＝y(k+1)-y(k)；定义

ΔH(k)＝[Δy(k),Λ,Δy(k-n_y+1),Δu(k),Λ,Δu(k-n_u+1),Δe(k),Λ,Δe(k-n_e+1)]^T；

Δy(k)表示k时刻系统的负荷预测误差值与上一时刻k-1负荷预测误差值之差，定义为Δy(k)＝y(k)-y(k-1)；Δu(k)表示k时刻系统的负荷预测值与上一时刻k-1负荷预测值之差，定义Δu(k)＝u(k)-u(k-1)；Δe(k)表示k时刻系统影响量与上一时刻k-1系统影响量之差，定义Δe(k)＝e(k)-e(k-1)；k表示当前时刻；n_y表示负荷预测误差值从当前k时刻开始往前推n_y个时刻，负荷预测误差值的时间窗口跨度；n_u表示负荷预测值从当前k时刻开始往前推n_u个时刻，负荷预测值的时间窗口跨度；n_e表示系统影响量从当前k时刻开始往前推n_e个时刻，系统影响量时间窗口跨度；φ^T(k)定义为系统偏微导数，目的为建立Δy(k+1)与ΔH(k)之间的函数关系；

步骤三，建立伪偏导数估计准则函数；

J(φLy,Lu,Le(k))=|y(k)-y(k-1)-φLy,Lu,LeT(k)ΔHLy,Lu,Le(k-1)|2+μ||φLy,Lu,Le(k)-φ^Ly,Lu,Le(k-1)||2]]>

式中，定义φ_Ly,Lu,Le(k)是表示实际负荷预测误差值时间窗口跨度为L_y、负荷预测值时间窗口跨度为L_u及系统影响因素时间窗口跨度为L_e的伪偏导数φ(k)，φLy,Lu,Le(k)=[φ(k),LφLy(k),φLy+1(k),LφLy+Lu(k),θLy+Lu+1(k),L,θLy+Lu+Le(k)]]]>为系统偏微导数；；定义ΔH_Ly,Lu,Le(k-1)是表示实际负荷预测误差值时间窗口跨度为L_y、负荷预测值时间窗口跨度为L_u及系统影响因素时间窗口跨度为L_e的ΔH(k-1)，HLy,Lu,Le(k)=[y(k),L,y(k-Ly+1),u(k),L,u(k-Lu+1),e(k)L,e(k-Le+1)]T;]]>

φ^T_Ly,Lu,Le(k)是φ_Ly,Lu,Le(k)的转置矩阵；其中，μ是关于参数估计变化量的惩罚因子；

对求极值，得伪偏导数的估计算法为：

φ^Ly,Lu,Le(k)=φ^Ly,Lu,Le(k-1)+ηΔHLy,Lu,Le(k-1)(y(k)-y(k-1))μ+||ΔHLy,Lu,Le(k-1)||2-ηΔHLy,Lu,Le(k-1)(φ^Ly,Lu,LeT(k-1)ΔHLy,Lu,Le(k-1))μ+||ΔHLy,Lu,Le(k-1)||2]]>

其中，η是步长因子一；为φ_Ly,Lu,Le(k)的估计值；

步骤四，按下式建立预测控制输入准则函数：

J(u(k))＝|y^*(k+1)-y(k+1)|²+λ₁|u(k)-u(k-1)|²+λ₂|e(k)-e(k-1)|²    (4)

式中，λ₁和λ₂均是权重因子；y^*(k+1)为期望的负荷预测误差值；

将式(1)代入准则函数式(3)中，对u(k)求导，并令其等于零，得到预测控制输入值u(k)：

u(k)=u(k-1)+ρLy+1φLy+1(k)(y*(k+1)-y(k))λ1+|φLy+1(k)|2-φLy+1(k)Σi=1Lyρiφi(k)Δy(k-i+1)λ1+|φLy+1(k)|2-φLy+1(k)Σi=Ly+2Ly+Luρiφi(k)Δu(k+Ly-i+1)λ1+|φLy+1(k)|2-φLy+1(k)Σi=Ly+Lu+1Ly+Lu+Leρiθi(k)Δe(k+Ly+Lu-i+1)λ1+|φLy+1(k)|2]]>

式中，ρ_i是步长因子二；i是正整数，且其取值为i＝1,2,…,L_y+L_u+L_e；

步骤五，重复上述步骤，直至获取所需目标时间的预测值。