短期电力负荷预测方法技术

本发明专利技术公开了一种短期电力负荷预测方法，所述方法包括：采用小波阈值处理法将获取的原始负荷数据进行噪声处理；以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态模型，所述灰色动态模型的输出为负荷数据序列；将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。本发明专利技术实施例的方法，在短期电力负荷的预测精度上有很大的提高。

【技术实现步骤摘要】

本专利技术涉及短期电力负荷预测
，特别是涉及一种短期电力负荷预测方法。
技术介绍
由于短期电力负荷预测容易被很多不确定的因素所影响，如历史负荷数据、温度、相对湿度、风速等；信道噪声等因素会对历史负荷数据产生锯齿状波动，影响预测的精度；并且现少有对预测后结果的修正，因此需要一种基于小波转换法处理数据且通过马尔科夫法对预测结果修正的多变量灰色预测方法。
技术实现思路
为解决现有存在的技术问题，本专利技术实施例提供一种短期电力预测方法。为达到上述目的，本专利技术实施例的技术方案是这样实现的：一种短期电力负荷预测方法，所述方法包括：采用小波阈值处理法将获取的原始负荷数据进行噪声处理；以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态模型，所述灰色动态模型的输出为负荷数据序列；将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。其中，所述方法包括：选择预测日前m个同类型日期的负荷信号；获取针对所选择m个日期及预测日的气象特征数据；对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阈值处理，利用处理后的小波系数重构所述负荷信号；以小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征数据序列作为输入，预测的负荷信号序列作为输出，建立灰色动态GM(1，N)模型，预测第m+1天各时刻的灰色预测负荷值；将前m天的灰色预测负荷值与实际负荷值构成误差序列，通过马尔科夫方法分析所述误差序列，将误差分为n个状态，每个状态取一个误差的修正值ei，i＝1,2,…,n，分析待预测时刻的误差状态，将所述待预测时刻的灰色预测负荷值和误差的修正值相加得到实际负荷预测值。其中，所述的阈值处理表达式为：其中，为经过阈值处理过后的小波系数；ωj,k为第j层分解后的第k个高频系数；λ为加权因子；T为阈值；加权因子λ的表达式为：其中，所述阈值T的计算方式：其中，σ为噪声标准方差；L为信号的尺寸或长度；σ通过分解的高频系数的绝对值来求得：其中，所述预测的负荷信号序列为：其中，X1,t(k)是第k天第t时刻的负荷信号值；X1,t(m)是预测日前一天第t时刻的负荷信号值。其中，所述建立GM(1，N)模型的过程，包括：将处理后的预测日前m天的负荷信号和气象特征数据构成输入变量序列：其中，序列为预测日前第k天任一时刻的负荷信号序列，为气象特征数据序列；将做累加生成，得到新的数据序列：由紧邻均值生成其中，用最小二乘法的途径对式的参数进行估计确认；其中，其中，α为系统发展系数，为驱动项，bi为驱动系数；得到G(1，N)模型的时间表达式为：还原负荷信号的模拟值：当k＝m时，即为该时刻的灰色预测值。其中，将灰色预测负荷值与实际负荷值构成误差序列通过马尔科夫法，将误差序列划分为n个状态区间，并在每个区间取一个修正误差值eii＝1,2,…,n；通过统计状态转移概率矩阵P，预测出m+1天的误差状态，则最终的预测值为：其中，表示最终的预测值，为第m+1天的灰色预测负荷值，ei为第m天的误差所在的状态i对应的修正误差值。其中，所述转移概率矩阵P为：其中，pij为由状态i一步转移到状态j的概率；ni为状态i出现的次数；nij为由状态i一步转移到状态j的次数；所述i、j表示修正误差值所处的不同状态，误差分为n个状态时i、j的取值范围为1、2、3、……、n。本专利技术实施例提供一种短期电力负荷预测方法，将短期电力负荷预测分为三个部分，其中第一部分为数据处理部分，数据处理对预测的精度有着重要的作用，本专利技术实施例采用小波阈值处理法，将获取的原始负荷数据进行噪声处理；将处理后的数据以及获取的天气特征数据作为输入，建立一个多变量的灰色动态模型GM(1，N)，其中输出为负荷数据的序列，将这个输出的序列与原始的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵，预测出预测日的误差状态，最终的预测值就是灰色预测负荷值和马尔科夫法修正值的加和。最终的预测精度有很大的提高。附图说明在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本专利技术实施例中所讨论的各个实施例。图1为本专利技术实施例短期电力负荷预测方法的流程图；图2为本专利技术实施例GM(1，N)模型建立过程示意图。具体实施方式本专利技术实施例提供一种短期电力负荷预测方法，具体是一种小波去噪的灰色马尔科夫短期电力负荷预测方法，灰色马尔科夫是灰色预测与马尔科夫方法组合预测的方法，如图1所示，本专利技术实施例的具体流程可以包括如下步骤：步骤101，选择预测日前m个同类型日期的48点(每30min采样一次)的负荷信号；这里，同类型日期包括：工作日、双休日和重大节假日等。其中，重大节日包括春节、中秋节等。实际应用中，m为不小于1的整数，经过多次试验验证m取6或7时，预测的精度较高。这里，短期负荷一般指采样时间为1h，24点或30Min，48点，此处选择48点是为了采样时间更小，预测的范围更广。步骤102，获取针对所选择m个日期及预测日的气象特征数据；其中，所述气象特征数据可以包括平均温度、平均相对湿度、平均风速等。步骤103，对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阈值处理，利用处理后的小波系数重构所述负荷信号；步骤104，以小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征数据序列作为输入，预测的负荷信号序列作为输出，建立灰色动态模型GM(1，N)，预测第m+1天各时刻的灰色预测负荷值；步骤105，通过马尔科夫方法修正阈值：将前m天的灰色预测负荷值与实际负荷值构成误差序列，通过马尔科夫方法分析所述误差序列，将误差分为n个状态(n≥0)，每个状态取一个误差的修正值ei，分析待预测时刻的误差状态，将所述待预测时刻的灰色预测负荷值和误差的修正值相加得到实际负荷预测值。这里，n>＝0，n的取值取决于误差值的分布。其中，步骤103中所述的阈值处理通过如下式(1)～(4)实现：其中，为经过阈值处本文档来自技高网...

【技术保护点】
一种短期电力负荷预测方法，其特征在于，所述方法包括：采用小波阈值处理法将获取的原始负荷数据进行噪声处理；以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态模型，所述灰色动态模型的输出为负荷数据序列；将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。

【技术特征摘要】
1.一种短期电力负荷预测方法，其特征在于，所述方法包括：
采用小波阈值处理法将获取的原始负荷数据进行噪声处理；
以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态
模型，所述灰色动态模型的输出为负荷数据序列；
将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误
差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日
的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
选择预测日前m个同类型日期的负荷信号；
获取针对所选择m个日期及预测日的气象特征数据；
对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阈值处理，利用
处理后的小波系数重构所述负荷信号；
以小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征数据序列作为
输入，预测的负荷信号序列作为输出，建立灰色动态GM(1，N)模型，预测第m+1天各时刻的灰
色预测负荷值；
将前m天的灰色预测负荷值与实际负荷值构成误差序列，通过马尔科夫方法分析所述
误差序列，将误差分为n个状态，每个状态取一个误差的修正值ei，i＝1,2,…,n，分析待预
测时刻的误差状态，将所述待预测时刻的灰色预测负荷值和误差的修正值相加得到实际负
荷预测值。
3.根据权利要求2所述的方法，其特征在于，所述的阈值处理表达式为：
其中，为经过阈值处理过后的小波系数；ωj,k为第j层分解后的第k个高频系数；λ
为加权因子；T为阈值；
加权因子λ的表达式为：4.根据权利要求3所述的方法，其特征在于，所述阈值T的计算方式：
...

【专利技术属性】
技术研发人员：蔡渊，卢继哲，方连航，刘红岩，梁钰，牛玉广，胡阳，
申请(专利权)人：海南电力技术研究院，华北电力大学，
类型：发明
国别省市：海南;46