[发明专利]一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置

说明书

本发明提供了一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置，先以获取的气象数据和数值化处理后的时间数据为聚类特征，对以获取的负荷数据进行聚类，然后根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测，其中的贝叶斯网络模型根据聚类结果构建，本发明在外界影响因素变化较大时预测结果偏差较小，学习速率快，能够处理大规模样本。本发明中能够有效处理不完整数据，和其他技术结合进行因果分析，使先验知识和数据有效结合，且有效避免对数据的过渡拟合，对环境因素变化较大时依然具有较高的准确度。

技术领域

本发明涉及用电预测技术领域，具体涉及一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置。

背景技术

近年来，随着国民经济的快速增长，居民的生活水平不断提高，电能在终端能源消费中占比也越来越高，电力负荷整体呈现较高的增长速度，尤其负荷峰值的增长速度更是高于电力负荷的增长速度。目前中国负荷峰值不断创新高，高峰时期的供需不平衡不断加深。因此，非常有必要加强对电力负荷峰值的预测研究，以便为电网的运营和交易等提供更加科学有效的决策依据，实现系统安全、可靠及经济运行。现有技术中电力负荷峰值预测方法有多元线性回归模型、人工神经网络、支持向量机和小波变换算法等方法，其中的多元线性回归模型进行电力负荷峰值的预测，根据历史负荷变化的趋势预测电力负荷峰值，但是当外界影响因素变化较大时，预测的电力负荷峰值偏差较大；其中的人工神经网络虽然能够处理海量信息输入，具备自适应学习能力，但是神经网路模型学习速率慢，面对海量数据时模型学习耗时较长且大多结果无法解释其因果关系；其中的支持向量机有难以处理大规模训练样本的缺点；其中的小波变换算法则通常需与其他算法相结合等。综上所述，现有技术中的电力负荷峰值预测方法具有当外界影响因素变化较大时预测结果偏差较大、学习速率慢、学习结果无法解释以及无法处理大规模样本的缺点。

发明内容

为了克服上述现有技术中在外界影响因素变化较大时预测结果偏差较大、学习速率慢、无法处理大规模样本的不足，本发明提供一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置，先以获取的气象数据和数值化处理后的时间数据为聚类特征，对以获取的负荷数据进行聚类，然后根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测，其中的贝叶斯网络模型根据聚类结果构建，本发明在外界影响因素变化较大时预测结果偏差较小，学习速率快，能够处理大规模样本。

为了实现上述发明目的，本发明采取如下技术方案：

一方面，本发明提供一种基于贝叶斯网络模型的电力负荷峰值预测方法，包括：

以获取的气象数据和数值化处理后的时间数据为聚类特征，对获取的负荷数据进行聚类；

根据预先构建的贝叶斯网络模型对电力负荷峰值进行预测；

所述贝叶斯网络模型根据聚类结果构建。

所述贝叶斯网络模型按下述过程构建：

基于聚类结果，采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构；

基于聚类结果和贝叶斯网络结构，采用极大似然估计方法学习贝叶斯网络参数。

所述基于聚类结果，采用智能搜索算法和贝叶斯评分准则学习贝叶斯网络结构，包括：

设最佳贝叶斯网络结构与初始贝叶斯网络结构相同，根据贝叶斯评分准则计算预设步数内每一步的贝叶斯网络结构评分；

判断预设步数内第一步以外的每一步的贝叶斯网络结构评分是否均低于预设步内第一步的贝叶斯网络结构评分；若是，则停止搜索，输出预设步数内第一步的贝叶斯网络结构作为最优网络结构；否则，通过智能搜索算法继续搜索最优网络结构。

根据贝叶斯评分准则，按下式计算预设步数内每一步的贝叶斯网络结构评分：