[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

说明书

本发明公开了一种时间粒度可调节的电网负荷预测方法。主要解决依据电网负荷的近期(三到五年)历史数据计算获得一个较长周期内(一整年)电网负荷在密集采样点上的预测数值。其实现步骤为：1.根据预测需求确定数据的时间粒度及数据的采样频度；2.构建多项式回归分析模型，依据近期历史数据通过差分进化算法拟合电网负荷的日变化趋势；3.通过线性回归分析来拟合电网负荷随年度变化的平均涨幅值；4.使用线性拟合得到的目标年份负荷涨幅值修正多项式拟合结果。可变的预测粒度及采样频率的调节提升了长周期负荷预测的灵活性，使得计算过程更易于平衡准确率与计算代价间的关系，为长周期电网负荷预测可同时提供多种备选方案。

技术领域

本发明属于数据挖掘领域，具体涉及一种针对高采样频率特征的电网负荷数据预测方法，所述方法能够提供可变的时间粒度及可调节的采样频率，为整年电网负荷预测提供多种备选方案。

背景技术

时间序列数据预测是数据挖掘领域重要的研究内容之一。电网负荷预测是指在充分考虑设备、自然和社会环境的影响下，构建一个用于处理电网负荷数据的数学模型，在满足一定精度的要求下，确定未来特定时刻的负荷数值。电网负荷预测技术水平的提高有利于合理安排电网运行方式和机组检修计划，有利于节约资源降低发电成本，有利于提高电力系统的经济和社会效益。因此，电网负荷预测已经成为实现电力系统智能化的重要内容之一，是现代化电力系统不可或缺的组成部分。

电网负荷预测受天气和社会活动等影响，在时间序列上表现为非平稳的随机过程，但这些影响因素中大部分都具有一定的规律性，从而为实现有效的预测奠定了基础。目前针对电网负荷预测的方法包括神经网络法、支持向量机法和模糊预测法等。神经网络法和支持向量机法的不足在于超参数的选择和可解释性低等，模糊预测法需要依赖较多的历史数据。由于同一地区电网负荷变化规律稳定的时间较短，故电网负荷预测不宜采用较长的电网负荷历史数据，比较合理的做法是采用最近三到五年内的数据来完成预测。利用短期历史数据能够减少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，更有效地反映当前电网的状态。此外，电网负荷预测往往需要一个长周期、高密度采样点的预测结果(通常是一整年)，这也进一步增大了预测计算的复杂性。

因此，一种适用于长周期、高密度采样点的预测方法更能满足电网负荷的需求。同时这一方法还能够灵活调节运算量和预测精度来满足不同的具体应用场景。基于多项式拟合模型的预测方法能够进行粒度可调节的预测，即时间粒度可以从季度、月逐步细化到周、天，而数据的采样频率可根据需求进行任意设置，甚至精确到分钟或秒。可变的时间粒度及采样频度提高了预测计算的灵活性，提出的基于多项式拟合模型预测方法所需数据少，能够满足任意精度和任意方式的预测要求，预测结果能够反应真实的电网变化规律，具有更强的适用性。

发明内容

针对现有电网负荷预测研究中预测方式缺乏灵活性的问题，本文提出了一种基于多项式拟合模型和时间轴修正的粒度可调节电网负荷预测方法，采用差分进化算法进行拟合模型优化，并对预测结果按照年份进行涨幅修正，得到目标年度的电网负荷。为此，需要解决的关键技术问题包括：按照不同的时间粒度和采样频率整理获得历史电网负荷数据；构建多项式拟合模型，采用差分进化算法(Differential Evolution，DE)进行拟合模型的优化；采用线性拟合学习电网负荷的逐年涨幅计算目标年度的涨幅数值；使用线性拟合得到的涨幅数值修正多项式拟合曲线，得到目标年度的电网负荷预测结果。为实现上述目的，本发明的具体技术方案如下：

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δ分钟/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