[发明专利]一种基于优化RBF的7日电力负荷峰值预测方法

说明书

本发明提供了一种基于优化RBF的7日电力负荷峰值预测方法，包含数据采集、数据分析及数据预处理；划分数据集为训练集和验证集；基于训练集，利用遗传算法对RBF网络进行参数优化，确定适用在本发明的电力负荷峰值预测中RBF网络的中心向量、中心点宽度和权重这三个参数的最优值，并将训练集作为输入，基于优化的RBF网络来预测未来7日的电力负荷峰值，根据模型输出的7天的电力负荷峰值与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，得到模型的预测准确度。通过本发明的预测方法，提高了预测准确性和时效性，预测效果较现有电力负荷预测方法更好。

技术领域

本发明涉及电力系统规划和调度等领域，具体涉及一种基于优化RBF的7日电力负荷峰值预测方法。

背景技术

伴随着电力设备的各方面影响，使得电力负荷预测有着极高的商业和研究价值。准确地预测短期的电力负荷，能够使电力公司及时调整负荷设备，减少资源浪费，提高性能和电力网络的稳定性。电力负荷预测其本质是寻找负荷数据集之间的隐含关系，利用已知的离散数据建立拟合模型，推测未来某一时刻或某一时间段内的数据值。短期电力负荷预测技术一般主要用来预测未来1天至1周的电力负荷，其预测的精度直接影响到电力市场下各运营商的经济成本,因而在现代电力需求侧管理当中占有重要地位。

目前有关短期电力负荷预测的研究已经小有建树，但所用方法针对性较强，普适性较差。因此短期电力负荷研究仍然面临部分问题：(1)数据源异构且维度差异较大，在采集数据时，数据结构不同，数据精度也存在差异；此外，负载数据的维度可能会包含风力、湿度、温度等其他可能影响负荷的因素，导致各地区之间的数据维度差异较大；(2)时序性的负荷数据之间的关系复杂，预测难度较大。电力负荷数据为时序性的数据流，由于影响负荷数据的因素较多，因此数据之间的关系较难模拟；电力负荷数据呈动态变化，也是因为颇多的不确定因素影响，给电力负荷预测带来困难；(3)短期电力负荷预测对时效性要求更高，短期电力负荷预测需要测量未来一周乃至一天的负荷数据，不仅对硬件方面有要求，也对模型的收敛时间和计算速度都有较高的要求。

现有的短期电力负荷预测技术一般主要用来预测未来1天至1周的电力负荷，且数据源异构且维度差异较大、时序性的负荷数据之间的关系复杂，预测难度较大；其次，传统的电力负荷预测方法，例如回归分析、灰色模型、支持向量机、神经网络、时间序列等，但其预测精度和预测时效性无法满足要求；另外，国内外专家将具有快速计算能力、自学习能力的BP或RBF神经网络用于电力负荷预测研究，但RBF神经网络算法的训练模型受参数影响，其训练速度、收敛结果带有不确定性，且容易陷入局部最优结果，预测准确性和时效性不足。

发明内容

针对现有技术中所存在的不足，本发明提出一种基于优化RBF的7日电力负荷峰值预测方法，仅以电力负荷时序数据作为输入，减少其他因素的影响比重，克服了现有短期电力负荷预测方法中数据源异构且维度差异较大的缺陷；并通过遗传算法来优化RBF网络，确定适用在本发明的电力负荷峰值预测中RBF网络的参数，并基于优化的RBF网络来预测7日的电力负荷峰值，提高了电力负荷峰值预测方法的准确性和时效性，解决了现有技术中短期电力负荷预测技术中存在的数据源异构且维度差异较大、时序性的负荷数据之间的关系复杂，预测难度较大、预测准确性和时效性不足的技术问题。

为实现上述目的，本发明采用了如下的技术方案：

一种基于优化RBF的7日电力负荷峰值预测方法，其特征在于，包括如下步骤：

步骤S1、获取历史电力负荷数据集；

步骤S2、数据分析：获取的电力负荷数据间具有很强的时间相关性，呈现出平稳的周期性变化，通过绘制电力负荷曲线图，得到电力负荷数据的一些普适特性，包括波动性，连续性，周期性，掌握电力负荷的周周期性和日周期性规律，为短期电力负荷预测的研究提供更准确的数据支撑；

步骤S3、数据预处理：