[发明专利]一种基于相似日选取的短期负荷预测方法

说明书

本发明提供了一种基于相似日选取的短期负荷预测方法，包括以下步骤：步骤1：影响因素归一化；步骤2：相似日选择算法；步骤3：确定数据集；步骤4：符合数据预处理；步骤5：建立横向、纵向符合矩阵；步骤6：横向、纵向GRNN预测；步骤7：确定每个采样点横向、纵向预测值权重；步骤8：通过双向组合预测。本专利运用相似日和GRNN神经网络对短期电力负荷进行双向组合预测。通过相似日选择的方法确定数据集以提高输入样本质量，将同一相似日不同时刻的负荷称为横向样本，不同相似日同一时刻的负荷称为纵向样本。把横向样本和纵向样本分别输入GRNN神经网络进行预测，对每一个采样点都采用最小方差法计算横向、纵向预测权重并得出最终预测结果。

技术领域

本发明属于电力负载预测领域，涉及到一种短期负荷预测方法，特别涉及一种基于相似日选取的短期负荷预测方法。

背景技术

负荷预测是电力部门的重要工作内容之一，在电力系统规划、运行、调度中有着重要作用。准确的负荷预测结果能够保证电力系统的可靠、经济运行。

在负荷预测技术发展早期，负荷预测方法主要为传统预测法，一般包括自回归滑动平均法、回归分析法、卡尔曼滤波法和指数平滑法等。。此类方法对数据的时序性要求很高，但非线性拟合能力不强，随着智能电网的发展，电力数据的爆炸式增长，利用此类方法预测的精度已经不能满足社会发展的需要。为解决上述问题。近年来，人工智能算法被大量应用于负荷预测领域，主要包括模糊逻辑法，专家系统法，人工神经网络，支持向量机法等此类机器学习方法很好地解决了数据之间的非线性关系，但是用于负荷预测中，需要人为添加时间特征保证预测精度。

随着经济的发展，人民生活水平逐步提高，空调等用电设备的使用量逐年增加，直接导致气象因素、日类型因素对电力负荷的影响越来越大，传统的预测方法难以准确预测。考虑到历史负荷数据之间有很强的时序性，故本专利使用擅长处理时序性数据的广义回归神经网络(General Regression Neural Network，GRNN)作为基本模型对电力负荷数据进行预测。该网络可以最大限度地挖掘数据之间时序性与非线性的关系。但是此网络容易忽略影响因素导致只考虑了数据时序性与非线性的关系，未考虑到数据的周期性与时序性和非线性三者之间的关系。

发明内容

1、所要解决的技术问题：

现有广义回归神经网络作为基本模型对电力负荷数据进行预测，只考虑了数据时序性与非线性的关系，未考虑到数据的周期性与时序性和非线性三者之间的关系。

2、技术方案：

为了解决以上问题，本发明提供了一种基于相似日选取的短期负荷预测方法，包括以下步骤：步骤1：影响因素归一化；步骤2：相似日选择算法；步骤3：确定数据集；步骤4：符合数据预处理；步骤5：建立横向、纵向符合矩阵；步骤6：横向、纵向GRNN预测；步骤7：确定每个采样点横向、纵向预测值权重；步骤8：通过双向组合预测。

步骤2中，通过灰色关联分析法挑选相似日，然后根据关联度大小，挑选出测试日、训练集标签日和训练日。

在步骤7中，采用最小方差法确定每个采样点横向、纵向预测值权重。

相似日的确定方法为：设影响因素有m种，历史天气记录有n天，样本气象数据序列为子序列。则第i天的影响因素序列表示为:X_i＝(x_1i,x_2i,...,x_mi)，然后挑选测试日、训练集标签和训练日，n的取值不同，分别为26、31和30；m＝1,2…5；i＝1,2…n，选取标签日与待预测日的影响因素序列为母序列，表示为:X₀＝(x₁₀,x₂₀,...,x_m0)，将子序列和母序列中的每个元素都除以各自向量中的第一个数据进行初值化处理，设初值化处理后的向量为X_i'和X'₀，