[发明专利]一种基于fisher信息处理的单气象因素短期负荷预测方法

摘要

本发明涉及一种基于fisher信息处理的单气象因素短期负荷预测方法，对历史样本数据进行分析，得到对应负荷的单气象因素Fisher信息窗口数据，以此为基础计算出单气象因素Fisher信息窗口数据的Fisher信息值，并通过对其加权处理获得Fisher信息加权的输入变量，输入变量和历史负荷数据输入人工智能预测模型，通过对单气象因素进行Fisher信息加权处理，使气象因素对负荷的累积效应体现得更加全面和合理，从而能够实现对气象敏感负荷的精确预测。 1

主权项

1.一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，包括：

步骤1：读取历史样本数据，所述历史数据为电力部门提供的预测日前以及预测日的单气象因素数据及历史负荷数据；

步骤2：对步骤1中的历史样本数据进行分析，得到一个对应负荷的单气象因素Fisher信息窗口数据；

步骤3：以步骤2中获得的负荷单气象因素Fisher信息窗口数据为基础，计算出单气象因素Fisher信息窗口数据的Fisher信息值，即FI值；

步骤4：对步骤3中单气象因素的Fisher信息值加权处理，获得Fisher信息加权的输入变量；

步骤5：将步骤4获得的Fisher信息加权的输入变量和历史负荷数据输入人工智能预测模型即可实现对气象敏感负荷的精确预测。

2.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤2中以电网每5分钟采集1个数据点，对历史样本数据采集单变量气象因素，构建Fisher信息的窗口数据。

3.根据权利要求2所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤2中构建Fisher信息的窗口数据步骤为：

2.1：以预测当日当前时段3小时内36个点气象采集数据，为第一部分的Fisher信息窗口数据：(X_d，tX_d，t‑1、、、X_d，t‑35)；

2.2：以预测前一日当前时段2小时内24个点气象采集数据，为第二部分的Fisher信息窗口数据：(X_d‑1，tX_{d‑1，t‑1}、、、X_{d‑1，t‑23})；

2.3：以预测前二日当前时段1小时内12个点气象采集数据，为第三部分的Fisher信息的窗口数据：(X_d‑2，tX_{d‑2，t‑1}、、、X_{d‑2，t‑11})；

2.4：根据上述步骤获得72个数据点组成了单次计算Fisher信息的数据窗口：

{(X_d，tX_d，t‑1、、、X_d，t‑35)，(X_d‑1，tX_{d‑1，t‑1}、、、X_{d‑1，t‑23})，(X_d‑2，tX_{d‑2，t‑1}、、、X_{d‑2，t‑11})}，

其中X指的是单气象因素值，d是日期值，t是时刻值。

4.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤3包括：

3.1：以Fisher信息的窗口数据为基础，构造一个基于观测气象因素变化状态的可能性的概率密度函数P(Zi)，Zi为第i个区间；

3.2：根据步骤3.1中概率密度函数P(Zi)，计算出变量的强度q(Zi)，

3.3：将上述变量的强度q(Zi)代入Fisher信息实用计算公式中，计算出该数据窗口的Fisher信息值，即FI值：

FI＝4∑[q(Z_i)‑q(Z_i‑1)]²。

5.根据权利要求4所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤3.1中构造概率密度函数P(Zi)为：

3.1.1以Fisher信息的数据窗口集合做为观察数据序列集D＝{d(k),k＝1,…,N}，其中N为序列总长度，d(k)为气象因素的值，窗宽为w∈N,滑动因子为δ∈N，滑动窗W描述为：

W(m,w,δ)＝{d(k),k＝1+m*δ,…,w+m*δ}，

式中m＝1,2,…,M，M为窗口个数，M＝(N‑w)/δ；

3.1.2将每个滑动窗划分成如下I个区间：

式中{Zi＝[Si‑1,Si),i＝1,2,…,I},互不相交；

S₀＜S₁＜S₂＜…＜SI，

S₀＝min[W(m,w,δ)]＝min[{d(k),k＝1+m*δ,…,w+m*δ}]，

S_I＝max[W(m,w,δ)]＝max[{d(k),k＝1+m*δ,…,w+m*δ}]，

其中，Si为代表系统即气象因素值所构成的某一特定状态，S₀代表状态0，S₁代表状态1，…,S_I代表状态I；

3.1.3气象因素的值d(k)∈W(m,w,δ)落入区间Zi的概率P(Zi)等于d(k)∈W(m,w,δ)落入区间Zi的数目与W(m,w,δ)中总数据个数w之比值计算窗口中相应于Zi区间上的概率密度分布P(Zi)：

。

6.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤4包括：

对Fisher信息值加权处理，将步骤3中获得的Fisher信息值与当前气象变量相乘，获得Fisher信息加权的输入变量，即：Fisher信息加权的输入变量＝FI*当前气象变量值。

7.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法，其特征在于，所述步骤5中人工智能预测模型为BP神经网络预测模型。