[发明专利]一种短期负荷预测的平滑数据预处理方法

说明书

本发明公开了一种短期负荷预测的平滑数据预处理方法，该方法包括获取原始训练集数据；所述原始训练集数据包括原始电网负荷数据以及原始电网影响因素数据；分别对所述原始电网负荷数据以及所述原始电网影响因素数据进行预处理。本申请提供的短期负荷预测的平滑数据预处理方法，在选取训练集时，考虑由于人为操作造成误差和测量误差（电网发生干扰造成测量误差等）会对负荷预测造成影响，提出一种数据预处理方法，对训练集数据进行预处理，然后再进行相似日的选取，最后将布谷鸟算法应用到神经网络中，对负荷进行预测。通过对误差数据的修复可以极大地提高负荷预测的准确率。值得大面积推广使用。

技术领域

本发明涉及数据预处理技术领域，特别是涉及一种短期负荷预测的平滑数据预处理方法。

背景技术

随着世界经济的发展和电力电子技术的进步，负荷的种类不断地增多，其功率也在不断的增大，而一些负荷的大小因其所需参数复杂，难以通过表达式来描述这类负荷的物理过程，这时候就需要通过智能算法来进行负荷预测，负荷预测是基于可知性、可能性、可控性和系统性原理而对未来负荷进行的科学的预测。负荷预测在电力系统的许多方面都起着重要的作用。中长期负荷预测不仅提供电源、电网规划的基础数据，也是制定年度检修计划和确定运行方式等的前提。短期负荷预测对于机组最优组合、安排停机计划和发电计划以及实时安全分析等意义非凡。负荷预测精度越高，不仅有利于提高发电设备的利用率和经济调度的有效性，而且有利于电力部门掌握需求变化情况，做好电力市场营销工作。

目前，国内外许多专家学者对负荷预测理论和方法作了大量的研究工作，取得了卓有成效的进展。常用的预测方法：卡尔曼滤波算法、线性趋势外推法，以及智能算法，智能算法包括：径向基函数(RBF)神经网络算法、E lman算法、支持向量机(SVM)算法等。这些预测方法或多或少都存在一定的缺陷，如卡尔曼滤波算法和线性趋势外推法没有考虑负荷的非线性和随机性，而BP神经网络则存在易陷入局部最优和对未来样本的泛能力差的缺点，GA算法存在编码复杂且搜索速度慢的缺点，其中神经网络算法预测是现如今使用最多的智能算法之一。但是，BP神经网络预测方法的收敛速度较慢，容易陷入局部极值，布谷鸟算法可以避免算法陷入局部最优解，还具有较强的全局搜索能力，因此有学者利用布谷鸟算法对BP神经网络的权值和阈值进行优化。但是没有考虑到选取的数据误差会对负荷预测造成影响。

发明内容

本发明提供了一种短期负荷预测的平滑数据预处理方法。

本发明提供了如下方案：

一种短期负荷预测的平滑数据预处理方法，包括：

获取原始训练集数据；所述原始训练集数据包括原始电网负荷数据以及原始电网影响因素数据；

分别对所述原始电网负荷数据以及所述原始电网影响因素数据进行预处理；对所述原始电网负荷数据进行判断获取错误数据，并将所述错误数据进行修复获得处理后的电网负荷数据；对所述原始电网影响因素数据采用平均值法进行计算获得主要影响因素，将所述主要影响因素作为处理后的电网影响因素数据；

将所述处理后的电网负荷数据以及处理后的电网影响因素数据作为布谷鸟-神经网络算法训练用的数据进行模型训练。

优选地：所述对所述原始电网负荷数据进行判断获取错误数据，包括：

对所述原始训练集数据进行判断获取错误数据，判断依据为横向相邻数据不突变，纵向数据相似，其表达式如下：

式中：表示所选数据；纵向时间在第d天t时刻的数据；横向时间在第d天t时刻的数据；κ、λ分别表示权重值，取值范围(0,1)；当时，表示此时刻的数据为错误数据；表示数据阈值。

优选地：所述并将所述错误数据进行修复获得处理后的电网负荷数据，包括：

基于纵横时间的负荷修复用表达式如下式：