[发明专利]一种基于马尔科夫链的负荷预测方法

说明书

本发明涉及电力负荷预测的技术领域，更具体地，涉及一种基于马尔科夫链的负荷预测方法，包括：S10.获取负荷电流数据并形成第一训练样本；S20.构建第一神经网络模型，并计算得到负荷电流的初步计算值；S30.计算得到每组第一训练样本对应的网络输出值，求取每组第一训练样本对应的实际值和网络输出值的差，构建计算误差序列状态转移概率矩阵；S40.构建第二神经网络模型，以计算误差序列中计算误差的绝对值为第二训练样本，得到第二计算误差绝对值；S50.计算网络计算的最终误差值；S60.计算神经网络的最终计算值。本发明将马尔科夫链模型与神经网络模型结合进行负荷预测，只需要少量的样本就可以进行预测，运行速度快、运算时间短，并且可以得出概率预测的结果。

技术领域

本发明涉及电力负荷预测的技术领域，更具体地，涉及一种基于马尔科夫链的负荷预测方法。

背景技术

在配网规划相关技术中，负荷预测是极其关键的一个环节，其直接对规划质量和投资效率产生影响。在配网规划相关技术中，负荷预测是极其关键的一个环节，其直接对规划质量和投资效率产生影响。

目前，求取负荷系数的方法为按负荷性质粗略分为工业用电、商业用电、居民用电、农业用电和其他用电几类，对每一类负荷，选取几个典型用户，根据报装容量和年最大用电负荷求取相关实用系数；传统的电力负荷特征分析方法主要有两类：一是按影响因素分析，即在其余变量保持不变的前提下逐个提取因变量，定性或者定量描述其对自变量的影响程度；二是按行业分类分析，即先对各行业或者细化到某类型用户的用电特征进行分析，定性或者定量得到各类型用户对区域电网用电特征的影响。但是，由于负荷种类繁多，特征差异大，负荷变化随机性强，准确计算需求响应的基线负荷难度大，特别是单一考虑某一因素的基线负荷预测准确度非常低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于马尔科夫链的负荷预测方法，将马尔科夫链模型与神经网络模型结合进行负荷预测，只需要少量的样本就可以进行预测，运行速度快、运算时间短，并且可以得出概率预测的结果。

为解决上述技术问题，本发明采用的技术方案是：

提供一种基于马尔科夫链的负荷预测方法，包括以下步骤：

S10.获取负荷电流数据并形成第一训练样本；

S20.构建第一神经网络模型，基于步骤S10中所述的第一训练样本，对所述第一神经网络模型进行训练，得到训练好的第一神经网络模型；利用训练好的第一神经网络模型，得到负荷电流的初步计算值；

S30.将每组第一训练样本输入到训练好的第一神经网络模型，得到每组第一训练样本对应的网络输出值，求取每组第一训练样本对应的实际值和网络输出值的差，得到计算误差序列，并构建计算误差序列状态转移概率矩阵；

S40.构建第二神经网络模型，以步骤S30中计算误差序列中计算误差的绝对值为第二训练样本，得到第二神经网络模型输出的第二计算误差绝对值；

S50.利用步骤S30所述的计算误差序列状态转移概率矩阵和步骤S40所述的第二计算误差绝对值，得到网络计算的最终误差值；

S60.利用步骤S20的初步计算值和步骤S50的最终误差值，得到神经网络的最终计算值。

本发明的基于马尔科夫链的负荷预测方法，将马尔科夫链模型与神经网络模型结合进行负荷预测，只需要少量的样本就可以进行预测，运行速度快、运算时间短，并且可以得出概率预测的结果，有效提高负荷预测的准确性。

优选地，步骤S10按以下步骤进行：

S11.记时刻t对应的负荷电流为I_t，则负荷电流数据序列为I＝(I₁,I₂,I₃,....I_t....I_T)，T为数据个数；