[发明专利]一种融合历史数据和实时影响因素的精细化负荷预测方法

说明书

技术领域

本发明属于智能电网背景下的配用电大数据技术领域，其核心在于提高负荷预测的精度。

背景技术

负荷预测是电力系统安全稳定运行的重要依据，也是电力系统规划、计划和调度的一项基本工作。随着智能电网技术的飞速发展，电力生产和消费更加市场化，负荷预测的实时结果数据将成为电力交易中最重要的数据之一，这就对负荷预测的准确性和实时性提出了更高的要求。准确的负荷预测对于保证各经济实体的利益具有基础性的作用，电力系统各环节企业的运行规划都有赖于准确的负荷预测。其中发电企业需要准确的负荷预测以避免其报价过低或者不能满发；输配电企业需要准确的负荷预测以保证各条线路输送的容量经济且安全；配售电企业需要负荷预测以准确地把握用户负荷的需求及时反应市场的变化波动以提髙自身的竞争力。

在负荷预测中，由于影响负荷的因素众多，且不同因素对负荷的影响呈现非线性的特点，这将导致负荷预测的精度不能明显提高。因此，针对如何充分考虑影响负荷的所有因素，提高负荷预测的精度，学者们进行了大量的研究。中国电机工程学报第26卷第18期基于数据挖掘的SVM短期负荷预测方法研究，该方法首先通过天气预报了解待预测日的整日气象特征，再利用数据挖掘技术寻找与待预测日具有同等气象类型的多个历史短期负荷，组成具有高度相似气象特征的数据序列，从而减少SVM的训练数据，据此再构建支持向量机预测模型。电测与仪表第53卷第10期基于数据挖掘技术和支持向量机的短期负荷预测，该方法首先采用层次聚类法对历史日负荷进行聚类，利用层次聚类得到的分类结果建立决策树，根据待预测日的属性在决策树中查询得到支持向量机预测模型输入的历史负荷，建立支持向量机预测模型并对待预测日的负荷进行预测。国家专利局申请号为CN201410851910.0的一种基于大数据技术的电力系统短期负荷预测方法，该发明对待预测日前一年的历史负荷数据进行以天为单位的凝聚层次聚类分析，将形状特征相似的负荷曲线归为一类，结合历史负荷及天气数据计算灰色关联分析结果，并对结果排序得出影响负荷的关键影响因素，以层次聚类分析结果及关键影响因素为输入，采用CART算法建立决策树，得到凝聚层次聚类分析结果，将待预测日的关键因素日特征向量数据输入决策树，得到待预测日的分类结果，选取相应类中的历史负荷数据训练支持向量机模型，根据上述中得出的待预测日的分类结果，选用对应的支持向量机模型完成预测。

本发明提出了一种融合历史数据和实时影响因素的精细化负荷预测方法，首先在SPSS中利用相关系数求解负荷与温度、湿度、降雨、风速、风向各天气影响因素之间的相关系数；然后用函数拟合主要影响因素对负荷的非线性影响趋势；最后针对不同日属性(工作日、周末、节假日)分别建立相应的支持向量机精细化负荷预测模型和在特定地区(浙江省某地级市)建立能够适用于所有日属性的通用型负荷预测模型，并与传统的采用历史相似日作为训练样本的负荷预测方法进行对比，本发明所提方法能够有效地提高负荷预测的精度。

发明内容

本发明的目的在于提高负荷预测的精度，所述方法主要包括以下步骤：

步骤(1)，在SPSS中利用相关系数求解浙江省某地级市2012年春、夏、秋、冬四个季节每日的日96点负荷与温度、湿度、降雨、风速、和风向各天气影响因素之间的相关系数，相关系数如公式(1)所示。

式中ρ为相关系数,N为样本个数，x_i为各天气影响因素的样本数据，为各天气影响因素样本数据的平均值，y_i为负荷样本数据，为负荷样本数据的平均值。

步骤(2)，用函数拟合主要影响因素对负荷的非线性影响趋势，主要影响因素与负荷之间的函数如(2)所示。

y_i＝f(x_i)i＝1,...N (2)

式中x_i为主要影响因素的样本数据，y_i为负荷样本数据，N为样本个数。

步骤(3)，基于步骤(1)和步骤(2)的分析结果，以浙江省某地级市2012年的负荷数据和各天气影响因素数据作为输入样本，对2013年的日96点负荷进行预测，在Matlab中针对不同的日属性(工作日、周末、节假日)分别建立融合历史数据和实时影响因素的支持向量机精细化负荷预测模型，支持向量机负荷预测的数学模型如(3)所示。