[发明专利]一种时间粒度可调节的高频率电网负荷预测方法

权利要求书

1.一种时间粒度可调节的高频率电网负荷预测方法，所述方法包括以下步骤：

步骤1：按所需采样频率形成电网负荷历史数据集，具体为：

设可变采样频率为分钟δ/次，按照一天24小时，每小时60分钟计算，一天的总采样点数N＝24×60/δ，例如δ＝15分钟/次，则单位日内共有96个检测点，则单位日内电网负荷历史数据集可表示为以下形式：

Data_i，j＝{X₁，X₂，...，X_N}，i＝year₁，year₂，...，j＝1，2，...

其中，i表示年份，为保证用电单位的用电结构相对稳定，只采用近5年内的历史数据，j表示该年份的自然天数，X为一个采样点上的功率值(MW)；

步骤2：按所需时间粒度对电网负荷数据集进行分割，具体为：

所谓时间粒度是指拟合曲线所能代表的时间跨度，不同的时间粒度可表达不同时间跨度内的电网负荷数据的变化规律，时间粒度M可分为季度(s)、月(m)、周(w)、天(d)，即M∈{d，w，m，s}；譬如，以季度作为时间粒度，则整年的数据事实上被分为了4个区段，在每一区段中我们将计算一个拟合曲线，这个曲线将表达此季度内共同的负荷变化趋势；

根据时间粒度M和采样点数N，历史负荷数据集可表示为：

T^p＝{Data_i，j|j∈p}，p＝1，2，...

其中，p表示按照时间粒度将整年数据划分的区段数，则每个p包含该时间跨度下的所有天数；例如，当M是以s(季度)为粒度时，该粒度下的历史负荷数据集可表示为：

T^p＝{Data_i，j|j∈p}，p＝1，2，3，4

步骤3：构建多项式拟合模型，采用差分进化算法进行拟合模型的优化，具体为：

多项式拟合的最大优点就是可以通过增加高次项对实测点进行逼近，直至拟合结果满足要求为止，我们将通过多项式拟合模型刻画一个时间粒度中所有数据的共同变化规律，即通过一条拟合曲线表达一个时间粒度内所有自然天的变化规律，多项式拟合模型可表示如下：

y＝a₀+a₁x+a₂x²+…+a_nxⁿ，x＝1，2，...，N

其中a_i为拟合函数的系数，b为采样点序号，根据多项式拟合模型计算所得的第k(k＝1，2，...，N)个采样点的功率值为Y_k，故一个时间粒度内电网负荷的多项式拟合结果可表示为以下形式：

Poly＝{Y₁，Y₂，...，Y_N}

建立多项式拟合模型后，我们将通过差分进化算法对模型进行拟合优化，根据前文定义，以M为时间粒度，以N为采样点的数据组合中，一个时间粒度内的数据可表示为T^p，则差分进化算法优化的目标是最小化多项式拟合模型与T^p中所有数据的均方差，这一目标函数可表示如下：

其中，

当M是以s(季度)为粒度时，上述优化过程将执行4次，分别针对原始数据被划分成的4个区段，且每个区段上会得到一条对应的最优多项式拟合曲线，而当M是以d(天)为时间粒度时，预测系统会针对每天的原始数据计算一条对应的最优多项式拟合曲线；显然，前者运算量相对较低，而后者拟合曲线与每个区段内的实际数据变化规律更为贴近，其余时间粒度的上述两个特性则居中，故可根据具体问题的需求，通过调整时间粒度来平衡运算量与拟合准确度之间的关系；

步骤4：通过线性拟合预测目标年度整体电网负荷变化幅度，具体为：

在实际计算中，不同年份同一时间段上的数据变化趋势非常接近，但存在一定幅度的变化，主要表现为随着年份微幅递增；此步骤是希望通过拟合得到电网负荷逐年递增的幅度，为了获得电网负荷逐年递增的趋势，首先需要获取不同年度的涨幅值，首先，一个T^p可以根据年份划分为若干个子块：

显然，历史数据包含多少个年份，T^p就将包含几块，接着，从开始直到最后一个子块，计算与之间的平均值的差值，则一个粒度中逐年涨幅可表示为：

其中，表示计算子块中所有数据的平均值；

获取同一时间粒度内的逐年电网负荷涨幅后，接下来对涨幅趋势进行拟合，为了减少由于电网内各用电单位结构变化引起的历史数据与当前实际状态的不一致性，可用历史数据的年份通常不超过5年，这导致可供拟合计算的数据点较少，故此部分采用一个基本线性拟合进行计算，其拟合公式为：

L＝b×year_i+c，year_i＝1，2，…

其中b和c表示拟合系数，根据计算得到的涨幅集合A^p，则线性拟合的目标函数可表示为：

最后，针对粒度数据T^p通过线性拟合公式可计算得到一个预测年度的涨幅值l^p；

步骤5：使用线性拟合得到的涨幅数值来修正多项式拟合曲线，得到目标年度的电网负荷预测结果，具体为：

针对粒度数据T^p得到了Poly＝{Y₁，Y₂，...，Y_N}，采用线性拟合得到目标年度涨幅预测值为l^p，则此时间粒度内修正结果为：

Pred＝{Y_k+l^p|k＝1，2，...，N}

对数据集中所有T^p进行上述修正计算可得到最终结果。