[发明专利]一种面向运行可靠性的短期负荷预测建模方法

说明书

本发明公开了一种面向运行可靠性的短期负荷预测建模方法，在借鉴人工智能与机器学习方法构成的组合预测方法的基础上，通过采用改进的模糊C均值聚类方法提取相似日，其次根据负荷特性和相似日构造数据样本，采用db4小波分解出不同数据样本的低频周期分量以及高频波动分量，再采用改进的粒子群和相关向量机(PSO‑RVM)算法分别对低频周期分量以及高频随机分量进行预测，最后将各小波预测结果叠加，计算得到短期负荷的预测值，以供可靠性评估安全性计算采用，同时可计算给出概率分布，供充裕度计算使用。

技术领域

本发明涉及电力系统运行可靠性计算领域，特别涉及一种面向运行可靠性的短期负荷预测建模方法。

背景技术

电力系统运行可靠性需计及设备自身健康状况、外部环境条件、系统运行条件和系统运行行为，在潮流计算和稳定计算基础上，以得到不同负荷水平下的系统短期充裕度和安全性指标。为反应系统短期运行行为对运行可靠性的影响，仅建立负荷概率模型远远不能满足系统安全性评估的要求，因此，需建立一种面向运行可靠性的短期负荷预测模型，以满足系统短期充裕度和安全性指标的计算精度和速度的要求。

目前，如何利用海量数据建立可靠的预测模型、提出高效的预测方法是短期负荷预测研究的重点和难点，其中以神经网络、支持向量机为代表的人工智能与机器学习方法得到了不断的发展与应用。文献[1-2]综合考虑天气、温度、日期类型等因素的影响建立了短期负荷预测模型，利用改进的粒子群算法对模型的初始参数进行优化，之后采用LM 学习算法对优化后的网络进行训练，以达到提高预测精度的目的。为充分挖掘历史数据特征，文献[3]基于负荷序列分段下模式相似度量原理，采用模糊聚类与函数小波核回归组合预测模型，建立基于数据驱动的非参数模型，从而提高了预测精度，降低了计算量。文献[4]选取历史负荷、气温、气压、相对湿度、降雨量、风向、风速、节假日及电价9 个属性作为多源异构影响因素，利用样本特征分布法、单变量法及核矩阵秩空间差异法来选择多核函数的构成，采用双层多核学习算法，建立了并行化多核支持向量机(SVM) 负荷预测算法流程，并在Hadoop集群上进行了仿真验证。表明了多核SVM能有效处理负荷预测中的多源异构数据，经并行化处理后，能提高负荷预测的速度与精度。文献[5] 提出了一种基于小波-原子稀疏分解(WD-ASD)的超短期负荷预测模型。该模型使用模糊聚类算法提取相似日为历史数据，采用小波分解(WD)作为前置环节，以基于原子表达式的自预测和基于最小二乘支持向量机(LSSVM)的残余分量预测为基础构建原子稀疏分解(ASD)预测模型，分别对负荷的高低频分量进行预测，并将结果相加得到最终预测值。

然而，上述研究均着重在人工智能与机器学习方法构成的组合预测方法上，存在研究成果未给出负荷的概率分布，且当训练样本数量大时计算速度较慢，但训练样本小时精度不够等问题。因此，在借鉴上述学者研究成果的基础上，为建立既能提供充裕度指标评估所需的概率模型，又能提供系统安全性评估所需的精确模型，提出了一种面向运行可靠性的短期负荷预测建模方法。

发明内容

有鉴于此，本发明的目的是一种面向运行可靠性的短期负荷预测建模方法，既能用于充裕度指标评估又能用于安全性指标评估的短期负荷预测模型，可以满足系统短期充裕度和安全性指标的计算要求。

本发明的目的是通过以下技术方案实现的：

该种面向运行可靠性的短期负荷预测建模方法，包括以下步骤：

步骤S1：取样本历史负荷数据，根据影响因素对短期负荷做分类处理，采用模糊C均值聚类方法FCM以提取出与预测日相似特征的负荷数据，从而构成相似日负荷集；

步骤S2：采用db4小波对训练样本进行3层小波分解和重构，每个训练样本得到1个低频分量和3个高频分量子序列，采用各聚类负荷序列对应各层小波构造不同训练样本；

步骤S3：改进PSO-RVM回归拟合，采用粒子群算法PSO对高斯核函数的带宽参数进行优化，以提高带宽；