[发明专利]一种基于电力系统短期负荷的预测方法

说明书

本发明公开了一种基于电力系统短期负荷的预测方法，涉及电力系统短期负荷预测技术领域，其预测方法包括以下步骤：训练数据获取；训练数据归一化处理；训练数据异常处理；训练数据函数变换；显著性分析；广义回归神经网络模型训练；广义回归神经网络模型预测。本发明利用广义回归神经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输入信号进入广义回归神经网络预测模型，有效提升了预测精度。

技术领域

本发明涉及电力系统负荷预测技术领域，具体是一种基于电力系统短期负荷的预测方法。

背景技术

负荷预测是电力系统的一项基本工作，电力负荷的准确预测对于电力生产和调度、电网安全运行以及国民经济具有重要意义。随着能源互联网的发展、新能源的接入、负荷之间信息的加强，电网对负荷预测中数据处理的实时性提出了更高的要求。电力系统负荷受许多方面因素的影响，准确的短期负荷预测对于确定购售电计划、减少备用、降低辅助服务费用以及提高系统安全性等具有重要意义。

如公开号为CN108074004A一种基于网格法的地理信息系统短期负荷预测方法，通过运用BP、RBF神经网络的短期预测方法，得到短期负荷预测结果，然而BP神经网络容易受局部最优迷惑，并且BP神经网络的训练速度相对较慢，因此，本发明设计了一种基于电力系统短期负荷的预测方法以解决上述的问题。

发明内容

本发明的目的在于提供一种基于电力系统短期负荷的预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于电力系统短期负荷的预测方法，其预测方法包括以下步骤：

1)训练数据获取：将电力调控中心电网能量管理系统中的历史负荷数据、历史气象数据及天气预报数据导入数据库，根据影响因素制作负荷曲线，且该负荷曲线以天为单位，计算各个影响因素条件下负荷曲线的灰色关联结果，将关联结果进行排序得出影响负荷的关键因素，并设置关键因素为测试和训练基础；

2)训练数据归一化处理：将训练数据进行归一化处理；

3)训练数据异常处理：通过莱以特准则删除训练数据中的异常数据；

4)训练数据函数变换：将步骤2中处理好的数据设置为原始训练数据组储存，同时针对原始训练数据组进行函数变换并保存多组变换方案；

5)显著性分析：采用皮尔逊相关系数法对所有训练数据组进行显著性分析，并分别对比多组分析结果；

6)广义回归神经网络模型训练：以显著性分析中提取的变换数据组为输入，具体为预测时段前2天的变换数据，对应未来1天负荷为输出，训练广义回归神经网络模型；

7)广义回归神经网络模型预测：利用训练好的广义回归神经网络模型，选取函数变换数据作输入，电力系统负荷作输出，预测未来1天中电力系统的负荷情况。

作为本发明进一步的方案：步骤2中归一化处理公式为：

其中，所述为样本平均值，所述s为样本标准差。

作为本发明进一步的方案：步骤3中的莱以特准则为：

其中：所述v_f为残差，所述s’为样本标准差。

作为本发明进一步的方案：步骤4采用lnx_g进行函数变换。

作为本发明进一步的方案：所述广义回归神经网络至少包括输入层、隐含层和输出层。

作为本发明进一步的方案：所述隐含层包括模式层和求和层。