[发明专利]一种基于大数据的中长期电力负荷预测方法和系统

权利要求书

1.步骤一、数据选取和整理：根据负荷周期性分析理论, 相似性分析理论以及影响负荷的因素相关性分析, 选取历史负荷数据, 历史气象数据, 建立月份属性二进制参数, 月份小时属性二进制参数, 星期属性二进制参数, 星期小时属性二进制参数，

这其中可以根据预测要求, 调整预测时间单位, 小时, 30分钟或15分钟等，

也可以根据预测对象的负荷特点, 增加或者减少相应的数据属性参数。

2.步骤二、根据步骤一中选取的影响负荷的特征值属性进行数据样本预处理, 以及数据训练集，构造形式如：

其中，代表着不同的数据变量, 以及表示着时间单位, 通常以小时为单位, 选取过去十年的相关数据, 可以根据电力市场规则, 选取不同的时间范围为单位，如十五分钟，20分钟等。

3.步骤三、建立模型, 首先根据已知电力负荷历史数据建立时间序列自回归模型, AR模型，

AR模型对于样本电力负荷序列表达式为：

其中, 表示历史负荷, t表示历史负荷时间单位,参数用来选取过去时段的负荷值，可以根据实际运行中，负荷更新频率来设置，为未知的模型参数，

其次，分析影响负荷的因素，根据已知电力负荷历史数据建立多变量非线性回归模型, MNLR模型。

4.MNLR模型表达式为：

其中, 表示历史负荷, t表示历史负荷时间单位，表示影响负荷的因素, 包括历史气象数据,月份属性二进制参数, 月份小时属性二进制参数, 星期属性二进制参数, 星期小时属性二进制参数等，

为未知的模型参数，

综合, ARMA模型与MNLR模型，表达式为：

。

5.步骤四、预测模型训练,采用最小二乘法, 以及已知历史数据，对模型进行训练，

通过最小化误差的平方进而寻找数据的最佳函数匹配，

模型表达式为：

其中和为已知参数，和为需要求解的模型参数。

6.步骤五、预测计算，

同第一步，首先选取的影响负荷的特征值属性进行典型天气选择，

其中上标表达月份, 表示着时间单位，year代表当前年月，

我们选取过去十一年的天气数据，用气温为主要参考，选择每个月的中位数天气作为典型天气的代表

。