[发明专利]一种基于粒子群算法的变权组合电力负荷短期预测方法

说明书

本发明公开了一种基于粒子群算法的变权组合电力负荷短期预测方法，针对传统单一负荷预测模型和固定权重组合预测模型预测准确度低的缺点，综合考虑电力负荷的时间相关性和其他相关因素对电力负荷的影响，将多种电力负荷预测模型相结合，建立了一种电力负荷短期预测的变权组合预测模型。同时，针对粒子群优化变权参数组合预测法容易陷入局部最优解的缺点，建立了一种参数动态调整粒子群算法，实现了对变权组合预测模型的权重参数的优化求解，最终实现了电力负荷的短期预测。本发明中的组合预测模型优于传统负荷预测法、固定权重组合预测法以及粒子群优化变权参数组合预测法，具有较高的预测准确度。

技术领域

本发明属于电力系统负荷预测领域，具体涉及一种基于粒子群算法的变权组合电力负荷短期预测方法。

背景技术

电力系统调度是保证电力系统可靠和安全的关键，电力负荷短期预测是电力系统调度的基础。对短期电力负荷进行有效而准确的预测，可以有效提高电网的安全性和经济性。

短期和超短期负荷预测一般针对小时及以下的预测，主要用于电力系统调度。由于其预测周期较短，就要求预测方法具有较快的预测时间。此外，短期预测和超短期预测还需要较高的准确度。

随着我国经济的快速发展，全社会的电力需求越来越大，同时各类用户对电能质量的要求也越来越高。这两方面因素导致全社会对电力系统调度提出了更高的要求。为了实现电力系统调度的可靠性和安全性，就必须对电力负荷实现准确而快速的预测，特别是随着国家节能减排政策的逐步实施，短时间电力负荷预测具有越来越重要的作用。

当前电力负荷短期预测的方法主要包括经典预测方法、统计学方法和机器学习方法。经典预测方法主要包括负荷求导法、相似点法等等，其预测误差较大。统计方法包括时间序列分析法、趋势分析法、回归分析法等，根据一个地区过去时间大量的负荷统计数据，建立预测模型，实现电力负荷的预测。机器学习方法主要包括支持向量机和人工神经网络，根据历史数据，通过不断训练，建立影响因素和电力负荷之间的隐含数学模型，实现对负荷的预测。

目前的电力短期负荷预测在实际的电力调度系统中一般只起到一个参考作用，还需要与人工干预相结合，实现电力系统的调度。主要原因在于无论哪种预测方法，单一的预测模型都不能完全反映电力负荷的变化规律，故当前电力负荷预测的准确性还存在问题。

针对单一预测方法的缺点，组合预测法逐渐发展起来。组合预测法将不同类型的预测方法相结合，将若干类预测效果一般的预测模型结合，可以得到较好的预测效果，因此负荷预测方法越来越受到电力公司的重视。组合预测方法中的组合包含两类含义。第一是根据各种方法的优缺点，分任务进行预测，从而起到互补的作用。第二是多个预测模型分别进行预测，然后进行加权求和并得到最终预测结果。

对于多模型加权组合预测法，其技术关键在于选取各个方法的权重，使得预测精度最高。目前的组合预测法多采用固定权重，根据每一种方法的学习误差，设置每一种方法的固定权重，一般情况下哪种方法的误差高，则该方法的权重就小。固定权重存在着显著的缺点，因为随着训练样本的更新，该方法不能动态的调整每一种方法的权值，最终使得预测精度下降。

发明内容

本发明的目的在于提供一种基于粒子群算法的变权组合电力负荷短期预测方法，以克服现有技术的缺陷，本发明预测结果优于固定权重组合预测法和粒子群优化变权参数组合预测法，具有较高的预测精度。

为达到上述目的，本发明采用如下技术方案：

一种基于粒子群算法的变权组合电力负荷短期预测方法，包括以下步骤：

步骤1：根据ARIMA模型的基本原理，对电力负荷数据作平稳化处理，根据已知平稳信号，建立相应的ARIMA模型，得到ARIMA模型的预测结果yA(t)；

步骤2：读取电力部门所提供的短期负荷数据，构成负荷时间序列矩阵：