[发明专利]一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法

说明书

本发明提出一种基于TCN与IPSO‑LSSVM组合模型的短期负荷预测方法，包括以下步骤：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量等气象信息数据，计算综合气象指数，并进行数据预处理；基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；分别构建基于时域卷积网络TCN的短期负荷预测模型和基于改进粒子群法优化的最小二乘支持向量机IPSO‑LSSVM的短期负荷预测模型；基于优势矩阵法构建TCN与IPSO‑LSSVM组合预测模型，作日前负荷预测。本发明充分利用气象因素对负荷的影响，结合气象相似日法，通过建立考虑实时气象因素的短期负荷组合模型预测方法，为电网运行人员做好日前发电计划提供依据。

技术领域

本发明涉及电力系统负荷短期预测技术领域，尤其是涉及一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法。

背景技术

电力系统负荷预测是通过对负荷历史数据以及经济、气象等影响因素进行研究和分析，对未来一段时间内的电力需求提前做出推测，从而提高电力系统管理效率、降低运行成本。负荷预测对于了解用户信息、制定有效合理的发展规划起着重要作用，而短期负荷预测作为负荷预测的重要组成部分，主要是指对未来几个小时、一天至几天的电力负荷作预测。国内外的众多研究表明，在短期负荷预测领域中，气象因素对负荷的影响作用最为明显和普遍。所以，研究气象因素与电力负荷的相关影响机制，并探寻科学合理的处理策略对提高短期负荷预测精度水平具有重要意义。目前多数短期负荷预测研究中对气象因素的应用仅局限于以日为考量单位的日特征气象因素的考虑，例如日最高温度、日最低温度、日平均温度、日最高湿度、日平均湿度、日最低湿度等。然而日特征气象因素存在着一个不可忽略的典型缺陷，即所含信息的“局部性”，这方面难以满足现代短期负荷预测精细化管理需求。气象因素在每日的不同时刻不尽相同，对日负荷曲线产生的影响作用便具有“实时性”特点。因此在短期负荷预测建模中，引入更为细粒度的实时气象信息能够更加真实细致地反映负荷与气象影响因素之间的潜在关系。为避免负荷预测结果出现较大误差的事件，尤其是夏季、冬季等天气极端的用电高峰季节，必须充分考虑温度、湿度等气象因素，建立完善的负荷预测方法，这对于电力合理系统规划、保障电力系统安全稳定运行等具有重要意义。人们进行了长期的探索，例如中国专利公开了一种基于全过程技术提升的短期电力需求分析方法[申请号：201610100143.9]，它对短期电力需求预测前、中、后的全过程技术进行整合和提升，所述的预测前技术包括数据预处理和数据分析，数据预处理包括不良数据智能辨识与修正、节假日影响的去除、负荷自然增长影响的去除和充分考虑近日历史数据的累积效应，数据分析包括日、周、月、季、年负荷分析、稳定性分析和建立典型曲线库；所述的预测中技术包括气象影响效应分析和负荷预测模型集合，所述的预测后技术包括预测评估机制。该方案仅仅提到人体在大气环境中舒适与否的公式和地区差异与天气因素来预测，并没有自学习进行回归适应的过程，而且存在对异常数据处理过于笼统，精确度不够高等缺点。

发明内容

本发明解决了目前短期负荷预测中仅局限于以日为考量单位的日特征气象因素具有局部性缺点的问题，以及解决了现有模型对异常数据处理过于笼统，精确度不够高的问题，提出一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，根据待预测日日类型、气象信息等因素，结合现有的负荷预测模型，挖掘大数据的潜在信息，计及实时气象因素，充分利用气象因素对负荷的影响，结合气象相似日法，通过建立考虑实时气象因素的短期负荷组合模型预测方法，为电网运行人员做好日前发电计划提供依据。

为实现上述目的，本发明提供以下的技术方案：

一种基于TCN与IPSO-LSSVM组合模型的短期负荷预测方法，包括以下步骤：

S1：通过通讯网络采集短期负荷预测所需地区电网历史负荷数据及温度、湿度、风速、降雨量等气象信息数据，计算综合气象指数，并进行数据预处理；

S2：基于加权灰色关联度构建混合日特征量和实时气象因素进行最佳相似日选取的混合特征量相似日选取模型；