[发明专利]一种基于时间序列和卡尔曼滤波的负荷预测方法

说明书

技术领域

本发明涉及电力负荷预测领域，具体地，涉及一种基于时间序列和卡尔曼滤波的负荷预测方法。

背景技术

为用户提供优质、稳定的电能是电力系统的主要任务，而实现该任务的前提是电力

运行、调度和规划部门必须要掌握用户的用电规律和变化趋势。电力市场化的标志是在电力生产和供应的各个环节打破垄断，引入竞争，实现资源的优化配置，提高社会效益和经济效益。电力市场中的各个企业，必须要准确把握市场脉络，了解用户的用电需求、规律和变化趋势，制定合理的营销计划和发展战略，以追求企业的经济利益。而负荷预测是各企业了解用户的用电需求、规律和变化趋势的有力工具。

电网负荷的预测方法主要有持续法、时间序列法、神经网络法。持续法一般用作其他预测方法的比较基准，从而评价某种预测方法的精确度。时间序列法所需数据较少，但是预测精度不高。神经网络法预测精度较高，但是计算复杂，对数据要求较高。

发明内容

本发明提供了一种基于时间序列和卡尔曼滤波的负荷预测方法，解决了现有的电力负荷预测方法存在不准确或计算复杂的技术问题，实现了提高电力负荷预测的精度且计算简单的技术效果。

为实现上述发明目的，本申请提供了一种电力负荷预测模型优化方法，所述方法包括：

通过一阶差分法将电力负荷数据进行平稳化处理；

根据AIC准则，选取时间序列模型；

将平稳化处理后的数据代入选择的时间序列模型，获得时间序列预测方程；

建立卡尔曼滤波方程，对建立的卡尔曼滤波方程进行改进，得到自适应卡尔曼滤波方程；

将得到的时间序列预测方程代入自适应卡尔曼滤波方程，得到基于时间序列-自适应卡尔曼滤波的电力负荷预测模型；将已知电力负荷数据代入电力负荷预测模型，获得下一时刻的电力负荷预测数据。

进一步的，电力负荷数据为过去某个时段的电力负荷数据。

进一步的，用差分算子进行平稳化处理，用一阶差分变换对{Y_t}处理后获得：

{Y_t}为随时间变化的量y(t)的集合所组成的离散数列,又被称为离散时间序列，B为延迟算子，y_t为t时刻的数据集合，为对t时刻的数据集合进行差分后的结果；

对式子(2-7)进行1阶差分之后，获得：

上式可以记做ARIMA(p,d,q)，其中,p是ARIMA的自回归阶数；d是其差分次数；q是其滑动平均阶数。

进一步的，根据AIC准则(最小信息准则，它是对多种模型做选择的判别方法)，选取时间序列模型具体包括：求取不同p和q时AIC的值，当AIC的值为最小时，则此时所得的p和q的值为最佳模型阶数。

进一步的，将平稳化处理的数据代入所选择的模型，得到基于时间序列的电力负荷预测方程为ARIMA(p,d,q)。

进一步的，建立卡尔曼滤波方程具体为：

离散系统表示为

其中，X(k)是k时刻的n维状态向量；Z(k)是k时刻的m维观测向量；w(k)是k时刻的n维噪声向量；v(k)是k时刻的m维测量噪声向量；φ(k+1,k)是从k时刻到k+1时刻的状态转移矩阵；Γ(k+1,k)是从时刻k到k+1时刻的激励转移矩阵；H(k+1)是k+1时刻的预测输出矩阵；X(k+1)是k+1时刻的n维状态向量；Z(k+1)是k+1时刻的m维观测相量。

进一步的，卡尔曼滤波预测递推方程为：

X'(k+1|k+1)＝φ(k+1,k)×X'(k|k)+K(k+1)×[Z(k+1)-H(k+1)×φ(k+1,k)×X'(k|k)]

K(k+1)＝P(k+1|k)×H^T(k+1)×[H(k+1)×P(k+1|k)×H^T(k+1)+R(k+1)]

P(k+1|k)＝φ(k+1,k)×P(k|k)×φ^T(k+1,k)+Γ(k+1,k)×Q(k)×Γ^T(k+1,k)

P(k+1|k+1)＝[I-K(k+1)×H(k+1)]×P(k+1|k)