[发明专利]一种基于ARIMA和相空间重构SVR的母线净负荷预测方法

说明书

本发明公开了一种基于ARIMA和相空间重构SVR的母线净负荷预测方法，具体包括以下几个步骤：步骤一，确定ARIMA模型的参数，建立ARIMA模型；步骤二，基于CC法对ARIMA模型残差序列进行相空间重构；步骤三，基于重构后的残差矩阵利用SVR建立净负荷非线性部分预测模型；步骤四，获得净负荷预测最终结果。本发明提出的预测模型充分利用ARIMA模型对线性变化的较强追踪能力以及SVR对非线性变化较强的捕捉能力；CC法相空间重构以嵌入空间维数和时间延迟的选取是相互依赖的为理论基础，计算量小、可靠性高且抗噪能力较强；SVR模型对非线性变化有较强的跟踪与捕捉能力，可以有效分析净负荷的非线性成分。

技术领域

本发明涉及一种电力系统自动化技术领域的负荷预测方法，具体涉及一种基于ARIMA和相空间重构SVR的母线净负荷预测方法。

背景技术

电力系统需要向用户提供安全、可靠的电能，由于电能本身不能大量存储的特点，实时的供电和负荷平衡是电力系统稳定运行的关键因素之一，负荷预测则是保证这种平衡的一个重要手段。随着新能源技术的不断发展，风电、光伏等分布式电源并入电网，其强烈的随机性及波动性将进一步对电网的稳定运行造成威胁，所以准确的母线净负荷预测对电网的安全、经济运行具有重要意义。母线净负荷受到作息时间、生产工艺、气候、节假日及其他突发事件等的影响，具有时间性和随机性等特点，难于精确建模和预测。

迄今为止，国内外专家学者在净负荷预测的理论和方法方面已经取得了卓有成效的研究成果。净负荷预测方法主要分为经典预测方法和现代预测方法。经典预测方法主要包括时间序列预测法及回归预测法，通过对净负荷历史的观测数据进行统计分析，建立数学模型，从而实现对未来净负荷的预测。由于电力系统负荷的随机性和很强的非线性，经典方法的应用往往存在一定局限性，现代预测方法的研究为负荷预测提供了强有力的工具。目前较多使用的主要包括神经网络、模糊逻辑、灰色理论和小波分析等。肖白等采用相似日的负荷预测技术，将历史数据以一周为周期进行分组选取与预测日相似的负荷情况进行预测。汤庆峰等首先采取最优交集、并行化等对样本数据进行优化，在保证预测精度的基础上减少了工作量。钟清等考虑了电力系统负荷自身的变化特点及分布式电源接入的影响建立综合的净负荷预测模型。沈沉等提出了基于小波变换和层次聚类分析的配变短期负荷预测方法，通过数据分析，验证了提出方案对所研究案例的适用性。曾鸣等提出了一种兼容需求侧资源的负荷预测新方法，通过多层次叠加技术测算到预测区域内考虑需求侧资源的最大负荷。这些方法存在的缺点是：计算量大、可靠性低且抗噪能力较弱，且不能有效分析净负荷的非线性成分。

发明内容

为克服现有技术的不足，本发明提供一种基于ARIMA和相空间重构SVR的母线净负荷预测方法，计算量小、可靠性高且抗噪能力强，且能有效分析净负荷的非线性成分。

本发明的一种基于ARIMA和相空间重构SVR的母线净负荷预测方法，具体包括以下几个步骤：

步骤一，确定自回归积分滑动平均模型ARIMA模型的(p,q,d)参数，建立ARIMA模型；

步骤二，基于CC法对ARIMA(p,q,d)模型残差序列进行相空间重构；

步骤三，基于重构后的残差矩阵利用SVR建立净负荷非线性部分预测模型；

步骤四，获得净负荷预测最终结果。

步骤一中，所述ARIMA模型是对母线净负荷{p′_bus,t,t＝1,2,...N}进行建模；N为母线净负荷数据样本数量。

上述母线净负荷是指：设定时刻母线负荷与相应时刻分布式电源出力之差

P_N-Bus,t＝P_Bus,t-P_DG,t (1)