电力负荷预测方法技术

本发明专利技术公开了一种电力负荷预测方法，首先收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立下一时刻的负荷预测误差值与前ny个时刻的实际负荷预测误差值、前nu个时刻的负荷预测值及前ne个时刻的系统影响因素之间的关系；按下式建立数据模型；建立伪偏导数估计准则函数；按下式建立预测控制输入准则函数；重复上述步骤，直至获取所需目标时间的预测值。本发明专利技术不涉及负荷特性指标，并未建立负荷特性指标与影响因素之间的关系。针对多维度多级别的电力负荷预测体系，本发明专利技术采用数据驱动理论的无模型负荷预测控制得出最优的负荷预测值；并大幅提高了负荷预测的精度和实时性。

【技术实现步骤摘要】
电力负荷预测方法
本专利技术涉及一种电力负荷预测方法。
技术介绍
就我国目前情况来看，对负荷特性的现状、影响负荷特性的主要因素和未来负荷特性的变化趋势等都进行了系统的分析和研究，得出了一些对电力规划和电网运行有指导意义和参考价值的结论，但这些研究更多停留在理论层面，没有足有的做足够的数据推演和验证，其主要的不足表现在：1、影响负荷相关因素维度局限。现有的负荷预测系统其预测影响因子主要还是局限于历史负荷、气象数据等常用数据。2、对气象要素与负荷的内在规律分析深度不够。已有系统所建立的气象因素影响模型尚不能完全反映出负荷的真实变化情况，且在如温度的累积效应、延迟效应等方面所做的工作有限，研究的深度尚待深入。3、负荷特性指标是时点指标，不同地区、不同时间的负荷特性不能直接叠加，使得进行大范围区域负荷特性分析的难度明显增加；并且各行业典型负荷特性曲线、非电网统调负荷特性曲线的获取和加工处理较为困难。4、缺乏对地调负荷与省调负荷之间的相似性研究。5、缺乏对影响负荷的相关因素分析。限于过去的条件，在绝大多数系统中没有考虑气象等因素对负荷的影响，或只是利用有限的气象信息(最高、最低和平均温度)，预测精度不高。
技术实现思路
本专利技术的目的是提供一种适应多维度多级别电力大数据且能获取最优预测值的电力负荷预测方法。本专利技术提供的这种电力负荷预测方法，该方法包括如下步骤：步骤一，收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立一种函数关系：y(k+1)＝f(y(k),…,y(k-ny),u(k),…,u(k-nu),e(k),…,e(k-ne))(1)式中，u(k)表示k时刻系统的负荷预测值，且u(k)∈R；y(k)表示k时刻系统的负荷预测误差值，且y(k)∈R；e(k)表示系统的影响量，e(k)∈R；ny表示负荷预测误差值y(k)的时间窗口跨度；nu表示负荷预测值u(k)的时间窗口跨度；ne表示系统影响量e(k)的时间窗口跨度；f(…)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y(k+1)与前ny时间跨度内的实际负荷预测误差值、前nu时间跨度内的负荷预测值及前ne时间跨度内的系统影响因素之间的关系；步骤二，按下式建立数据模型：Δy(k+1)＝φT(k)ΔH(k)(2)式中，Δy(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之差，定义Δy(k+1)＝y(k+1)-y(k)；定义ΔH(k)＝[Δy(k),…,Δy(k-ny+1),Δu(k),…,Δu(k-nu+1),Δe(k),…,Δe(k-ne+1)]T；Δy(k)表示k时刻系统的负荷预测误差值与上一时刻k-1负荷预测误差值之差，定义为Δy(k)＝y(k)-y(k-1)；Δu(k)表示k时刻系统的负荷预测值与上一时刻k-1负荷预测值之差，定义Δu(k)＝u(k)-u(k-1)；Δe(k)表示k时刻系统影响量与上一时刻k-1系统影响量之差，定义Δe(k)＝e(k)-e(k-1)；k表示当前时刻；ny表示负荷预测误差值从当前k时刻开始往前推ny个时刻，负荷预测误差值的时间窗口跨度；nu表示负荷预测值从当前k时刻开始往前推nu个时刻，负荷预测值的时间窗口跨度；ne表示系统影响量从当前k时刻开始往前推ne个时刻，系统影响量时间窗口跨度；φT(k)定义为系统偏微导数，目的为建立Δy(k+1)与ΔH(k)之间的函数关系；步骤三，建立伪偏导数估计准则函数：式中，定义φLy,Lu,Le(k)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的伪偏导数φ(k)，φLy,Lu,Le(k)＝[φ(k),…φLy(k),φLy+1(k),…,φLy+Lu(k),φLy+Lu+1(k),…,φLy+Lu+Le(k)]；定义ΔHLy,Lu,Le(k-1)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的ΔH(k-1)，HLy,Lu,Le(k)＝[y(k),…,y(k-Ly+1),u(k),…,u(k-Lu+1),e(k),…,e(k-Le+1)]T；φTLy,Lu,Le(k)是φLy,Lu,Le(k)的转置矩阵；其中，μ是关于参数估计变化量的惩罚因子；对求极值，得伪偏导数的估计算法为：其中，η是步长因子一；为φLy,Lu,Le(k)的待估计值；步骤四，按下式建立预测控制输入准则函数：J(u(k))＝|y*(k+1)-y(k+1)|2+λ1|u(k)-u(k-1)|2+λ2|e(k)-e(k-1)|2(4)式中，λ1和λ2均是权重因子；y*(k+1)为期望的负荷预测误差值；将式(1)代入准则函数式(4)中，对u(k)求导，并令其等于零，得到预测控制输入值u(k)：式中，ρi是步长因子二；i是正整数，且其取值为i＝1,2,…,Ly+Lu+Le；步骤五，重复上述步骤，直至获取所需目标时间的预测值。所述影响因素包括负荷影响因素、日售与日用电量影响因素、月售与月用电量影响因素以及年售与年用电量影响因素。所述负荷影响因素包括温度、湿度、降雨、风速、日期类型。所述负荷影响因素在数据库气象缺失的情况下，采用线型插值法，弥补各点气象特征。所述日售与日用电量影响因素包括该日的各点气温、湿度、降雨量及当日最高气温、最低气温、平均气温、日期类型。所述月售与月用电量影响因素包括电价、各区段气温、假期天数。所述年售与年用电量影响因素包括人口、GDP、消费系数、物价指数、全社会用电量、人均产值、人均耗电量及产值单耗。所述年售与年用电量影响因素采用格兰杰因果检验，筛选适当的影响因素；其还采用主成分分析，提取主要影响因素。所述日期类型包括工作日和节假日。所述惩罚因子μ的值的适当选取能限制用动态线性系统替代非线性系统时的适用范围，只要μ＞0，所述估计算法能避免出现奇异的情况，并且μ的加入能使所述估计算法对个别的反常数据具有鲁棒性。所述步长因子一η满足η∈(0,2]能使所述估计算法更加具有灵活性。所述步长因子二ρi满足ρi∈(0,1]使所述控制算法更具一般性。与现有方案相比，本专利技术具有如下优势：(1)本专利技术不涉及负荷特性指标，并未建立负荷特性指标与影响因素之间的关系。本专利技术没有固定预测模型，是在预测过程中不断建立预测误差(即系统输出)与系统输入及系统影响量之间的关系(这种关系是Δy,Δu、Δe之间的局部线性关系)，并通过预测误差来矫正下一个时刻的输入。针对包含空间、时间、属性等多维度多级别的电力负荷预测体系，本专利技术采用数据驱动理论的无模型负荷预测控制得出最优的负荷预测值；大幅提高了负荷预测的精度和实时性。(2)利用可以获取的实时气象信息建立新的预测模型，分析出实时气象因素、日特征气象因素与实时负荷的相关性，全面考虑气象信息对负荷预测的影响，提出基于负荷分解和实时气象因素的短期负荷预测方法；通过研究气象因素对负荷影响的延迟效应，提出气象对负荷影响延迟性的处理策略，并引入积温概念，研究气象因素对负荷影响的累积效应，提出气象对负荷温度累积效应的处理策略。(3)系统采用的预测模型紧密结合预测地区的实际情况，实现根据不同季节、时段的温度、湿度本文档来自技高网...

【技术保护点】
一种电力负荷预测方法，其特征在于，该方法包括如下步骤：步骤一，收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立一种函数关系：y(k+1)＝f(y(k),Λ,y(k‑ny),u(k),Λ,u(k‑nu),e(k),Λ,e(k‑ne))     (1)式中，u(k)表示k时刻系统的负荷预测值，且u(k)∈R；y(k)表示k时刻系统的负荷预测误差值，且y(k)∈R；e(k)表示系统的影响量，e(k)∈R；ny表示负荷预测误差值y(k)的时间窗口跨度；nu表示负荷预测值u(k)的时间窗口跨度；ne表示系统影响量e(k)的时间窗口跨度；f(Λ)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y(k+1)与前ny时间跨度内的实际负荷预测误差值、前nu时间跨度内的负荷预测值及前ne时间跨度内的系统影响因素之间的关系；步骤二，按下式建立数据模型：Δy(k+1)＝φT(k)ΔH(k)             (2)式中，Δy(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之差，定义Δy(k+1)＝y(k+1)‑y(k)；定义ΔH(k)＝[Δy(k),Λ,Δy(k‑ny+1),Δu(k),Λ,Δu(k‑nu+1),Δe(k),Λ,Δe(k‑ne+1)]T；Δy(k)表示k时刻系统的负荷预测误差值与上一时刻k‑1负荷预测误差值之差，定义为Δy(k)＝y(k)‑y(k‑1)；Δu(k)表示k时刻系统的负荷预测值与上一时刻k‑1负荷预测值之差，定义Δu(k)＝u(k)‑u(k‑1)；Δe(k)表示k时刻系统影响量与上一时刻k‑1系统影响量之差，定义Δe(k)＝e(k)‑e(k‑1)；k表示当前时刻；ny表示负荷预测误差值从当前k时刻开始往前推ny个时刻，负荷预测误差值的时间窗口跨度；nu表示负荷预测值从当前k时刻开始往前推nu个时刻，负荷预测值的时间窗口跨度；ne表示系统影响量从当前k时刻开始往前推ne个时刻，系统影响量时间窗口跨度；φT(k)定义为系统偏微导数，目的为建立Δy(k+1)与ΔH(k)之间的函数关系；步骤三，建立伪偏导数估计准则函数：J(φLy,Lu,Le(k))=|y(k)-y(k-1)-φLy,Lu,LeT(k)ΔHLy,Lu,Le(k-1)|2+μ||φLy,Lu,Le(k)-φ^Ly,Lu,Le(k-1)||2]]>式中，定义φLy,Lu,Le(k)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的伪偏导数φ(k)，φLy,Lu,Le(k)=[φ(k),LφLy(k),φLy+1(k),LφLy+Lu(k),θLy+Lu+1(k),L,θLy+Lu+Le(k)]]]>为系统偏微导数；定义ΔHLy,Lu,Le(k‑1)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的ΔH(k‑1)，HLy,Lu,Le(k)＝[y(k),L,y(k‑Ly+1),u(k),L,u(k‑Lu+1),e(k)L,e(k‑Le+1)]T；φTLy,Lu,Le(k)是φLy,Lu,Le(k)的转置矩阵；其中，μ是关于参数估计变化量的惩罚因子；对求极值，得伪偏导数的估计算法为：φ^Ly,Lu,Le(k)=φ^Ly,Lu,Le(k-1)+ηΔHLy,Lu,Le(k-1)(y(k)-y(k-1))μ+||ΔHLy,Lu,Le(k-1)||2-ηΔHLy,Lu,Le(k-1)(φ^Ly,Lu,LeT(k-1)ΔHLy,Lu,Le(k-1))μ+||ΔHLy,Lu,Le(k-1)||2]]>其中，η是步长因子一；为φLy,Lu,Le(k)的待估计值；步骤四，按下式建立预测控制输入准则函数：J(u(k))＝|y*(k+1)‑y(k+1)|2+λ1|u(k)‑u(k‑1)|2+λ2|e(k)‑e(k‑1)|2     (4)式中，λ1和λ2均是权重因子；y*(k+1)为期望的负荷预测误差值；将式(1)代入准则函数式(3)中，对u(k)求导，并令其等于零，得到预测控制输入值u(k)：u(k)=u(k-1)+ρLy+1φLy+1(k)(y*(k+1)-y(k))λ1+|φLy+1(k)|2-φLy+1(k)Σi=1Lyρiφi(k)Δy(k-i+1)λ1+|&ph...

【技术特征摘要】
1.一种电力负荷预测方法，其特征在于，该方法包括如下步骤：步骤一，收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立一种函数关系：y(k+1)＝f(y(k),…,y(k-ny),u(k),…,u(k-nu),e(k),…,e(k-ne))(1)式中，u(k)表示k时刻系统的负荷预测值，且u(k)∈R；y(k)表示k时刻系统的负荷预测误差值，且y(k)∈R；e(k)表示系统的影响量，e(k)∈R；ny表示负荷预测误差值y(k)的时间窗口跨度；nu表示负荷预测值u(k)的时间窗口跨度；ne表示系统影响量e(k)的时间窗口跨度；f(…)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y(k+1)与前ny时间跨度内的实际负荷预测误差值、前nu时间跨度内的负荷预测值及前ne时间跨度内的系统影响因素之间的关系；步骤二，按下式建立数据模型：Δy(k+1)＝φT(k)ΔH(k)(2)式中，Δy(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之差，定义Δy(k+1)＝y(k+1)-y(k)；定义ΔH(k)＝[Δy(k),…,Δy(k-ny+1),Δu(k),…,Δu(k-nu+1),Δe(k),…,Δe(k-ne+1)]T；Δy(k)表示k时刻系统的负荷预测误差值与上一时刻k-1负荷预测误差值之差，定义为Δy(k)＝y(k)-y(k-1)；Δu(k)表示k时刻系统的负荷预测值与上一时刻k-1负荷预测值之差，定义Δu(k)＝u(k)-u(k-1)；Δe(k)表示k时刻系统影响量与上一时刻k-1系统影响量之差，定义Δe(k)＝e(k)-e(k-1)；k表示当前时刻；ny表示负荷预测误差值从当前k时刻开始往前推ny个时刻，负荷预测误差值的时间窗口跨度；nu表示负荷预测值从当前k时刻开始往前推nu个时刻，负荷预测值的时间窗口跨度；ne表示系统影响量从当前k时刻开始往前推ne个时刻，系统影响量时间窗口跨度；φT(k)定义为系统偏微导数，目的为建立Δy(k+1)与ΔH(k)之间的函数关系；步骤三，建立伪偏导数估计准则函数：式中，定义φLy,Lu,Le(k)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的伪偏导数φ(k)，定义ΔHLy,Lu,Le(k-1)是表示实际负荷预测误差值时间窗口跨度为Ly、负荷预测值时间窗口跨度为Lu及系统影响因素时间窗口跨度为Le的ΔH(k-1)，φTLy,Lu,Le(k)是φLy,Lu,Le(k)的转置矩阵；其中，μ是关于参数估计变化量的惩罚因子；对求极值，得伪偏导数的估计算法为：

【专利技术属性】
技术研发人员：陈毅波，姚建刚，姜辉翔，黄伟峰，陈乾，胡其辉，刘永卫，李娜，蒋破荒，刘盈盈，
申请(专利权)人：国家电网公司，国网湖南省电力公司，国网湖南省电力公司信息通信公司，
类型：发明
国别省市：北京;11