本发明专利技术提供一种非正常工况下的城市中长期用电量预测方法，对城市电力系统非正常工况运行场景进行定义，实现对正常和非正常工况运行场景的划分；对多重复杂影响因素进行量化处理，进而对预测模型的输入进行特征筛选处理，同时降低模型的运算复杂度。根据定义的两种不同场景模型，在正常工况条件下建立分数阶灰色预测模型实现城市用电量预测，进而获得非正常工况事件发生后的用电量缺额时间序列；在非正常工况下利用限制向量自回归模型在用电量缺额时间序列和各特征之间建立非线性映射关系，实现非正常工况条件下用电量缺额的预测；最后将电量缺额预测结果与正常工况下的用电量预测结果相结合，得到非正常工况条件下的城市用电量预测结果。
1、在新能源装机比例逐渐增高的现代电力系统里，电力行业受非正常工况事件影响的持续时间和严重程度进一步增加了电力系统的不确定性，对于电网的调度和规划都带来相应的困难，并对电力和能源部门造成了运行可靠性下降、电力市场电价波动和电力规划延迟等不利影响。但目前对于上述非正常工况事件的发生对电力行业影响的研究相对较少，缺少对非正常工况条件下电力系统中长期时间尺度的电量预测。因此为了分析非正常工况事件对城市用电量的影响，建立公共卫生事件、战争事件等的发生后电力电量变化的预测模型，进一步分析其城市电力电量的未来发展趋势，为中长期电力系统运行调度的可靠性和经济性提供有力支撑。
3、s2：近n年城市月用电量的时间序列作为正常工况状态下的数据集，利用数学方法进行季节波动矩阵的定义以及划分，实现用电量时间序列的季节波动特征提取，用作正常工况场景下预测模型的驱动；其中，n为正整数；
>6、s5：根据s4中构建的数据集，对降维后的数据进行冲击响应分析来实现输入参数x对输出用电量缺额预测值y的影响程度的可视化；7、s6：对于非正常工况下的城市用电量场景，采用限制向量自回归模型，实现预测模型的构建；将s5步骤中得到的数据集作为预测模型的输入，从而得出月用电量缺额时间序列的预测结果，将s3中得到的正常工况用电量预测结果与非正常工况下的用电量缺额预测结果进行组合，得到非正常工况下的用电量预测结果。
8、优选地，所述s2中，首先利用排序函数f(xij)计算月用电量时间序列中相关元素的序位关系并挖掘其变化规律，在此基础上给出周期性波动矩阵与排序矩阵的定义，用电量时间序列初始矩阵式(1)，其排序矩阵式(2)，
9、
10、
11、上式中排序函数f(xij)将用电量矩阵w中的对应元素转变为其位置序号，矩阵f即为得到的排序矩阵；设变量m1和m2分别为排序矩阵f中第i个行向量的最大最小值，δ为调节系数，且0＜δ＜m，式(3)，若满足
12、m1i-m2i≤δ (3)
13、称矩阵w在第i行具有近似周期性，s为矩阵w中具有近似周期性的行数之和；当s＝m时称之为完全周期性波动矩阵，当s≥0.5m时称之为近似周期性波动矩阵，然后从近似周期性波动矩阵中提取出驱动项：
14、f＝(f1,f2,…,fm)
15、fi＝(fi1,fi2,…,fin)
16、称f为驱动项，将f与w一起作为s3步骤中的输入，构建分数阶双变量灰色预测模型。
17、优选地，所述s3中，得到月用电量缺额时间序列的方式为：采用分数阶灰色预测模型，将季节波动特征作为模型的驱动项，季节波动排序后的用电量时间序列作为预测模型的输入，得到未考虑非正常工况事件发生时的城市月用电量时间序列，将正常工况用电量时间序列与非正常工况事件发生后的实际用电量时间序列作差。
18、优选地，所述s3中，根据s2中经波动特征处理过后的正常工况数据集，用前一定比例的数据作为训练数据训练分数阶多变量灰色预测模型，用后剩余比例的数据作为测试数据用于检验模型预测误差，并通过粒子群优化算法对其模型的参数及阶数r*进行优化：
19、
20、其中，[b2,a,h1,h2]为分数阶灰色预测模型中的待求参数，进一步根据参数序列计算中间参数μ1、μ2、μ3、μ4：
21、
22、
23、最后得到其最后的预测模型式(4)：
24、
25、利用非正常工况下的实际用电量序列与正常工况下的预测序列作差得到非正常工况下的用电量缺额时间序列
26、
27、优选地，所述s4中，构建出非正常工况下的特征参数数据集的方式为：进行非正常工况条件下的特征参数定义，根据其参数特点进行实义量化和归一化处理。
28、优选地，所述s5中，对s4中构建的数据集，利用格兰杰因果关系处理实现特征参数的融合和降维以降低模型输入数据的复杂度，利用granger因果关系分析有效剔除数据集中的以下两类特征因子：一类是与城市用电量缺额无关的因素，为冗余变量；另一类是在电量缺额条件下造成的结果，为结果变量；
29、设城市月用电量缺额数据为{wt}，影响月用电量缺额的特征因素数据为{xm,t,m＝1,2,…,m}，m为特征因素的总个数，并进行两个回归模型的构建；利用两个回归模型的残差rt和ru来进行因果关系假设的判断；按照granger因果关系分析的结果筛选出同城市月用电量缺额变化趋势相关的特征影响因子，从而完成预测模型的训练数据准备；
30、对降维后的数据进行冲击响应分析；
31、根据受到此冲击后的一段时间内的动态变化画出冲击响应图形，以实现输入参数x对输出用电量缺额预测值y的影响程度的可视化；
32、假设用电量缺额时间序列的回归模型为：
33、wt＝a1+a2wt-1+bixi
34、将其进行一系列变形简化得到：
35、
36、其中系数φ(i)为来自εwt-i的冲击对用电量缺额时间序列wt的影响，根据其余特征影响因子的冲击影响，作出其各影响因子的冲击响应图形。
37、优选地，所述s6中，采用限制向量自回归模型，捕捉多个时间序列之间的映射关系，实现预测模型的构建,将前一定比例的数据集作为训练集，进行限制var模型参数的训练：
38、wdef,t＝c+a1xt-1+…+apxt-p+et
39、
40、式中，wdef,t为月用电量缺额时间序列，ai为回归矩阵，为所选的n个参数变量，包括确诊病例的数量num、居家人口的规模inpeo、商业用电份额ecopower、移动设备位置mobsite、现场工人人口规模outpeo、零售数据缺失retaildef、gdp月增长率δgdp、用电量历史时间序列wpast，c和et分别为截距和随机误差的列向量，时间符号t-p表示变量的第p次滞后；
41、将s5步骤中得到的数据集的后一比例的数据作为预测模型的输入，得出月用电量缺额时间序列的预测结果；
42、将s3中得到的正常工况用电量预测结果与月用电量缺额预测结果进行线性组合，得到非正常工况下的用电量预测结果：
43、wreal本文档来自技高网...
【技术保护点】
1.一种非正常工况下的城市中长期用电量预测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述S2中，首先利用排序函数f(xij)计算月用电量时间序列中相关元素的序位关系并挖掘其变化规律，在此基础上给出周期性波动矩阵与排序矩阵的定义，用电量时间序列初始矩阵式(1)，其排序矩阵式(2)，
3.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述S3中，得到月用电量缺额时间序列的方式为：采用分数阶灰色预测模型，将季节波动特征作为模型的驱动项，季节波动排序后的用电量时间序列作为预测模型的输入，得到未考虑非正常工况事件发生时的城市月用电量时间序列，将正常工况用电量时间序列与非正常工况事件发生后的实际用电量时间序列作差。
4.根据权利要求3所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述S3中，根据S2中经波动特征处理过后的正常工况数据集，用前一定比例的数据作为训练数据训练分数阶多变量灰色预测模型，用后剩余比例的数据作为测试数据用于检验模型预测误差，并通过粒子群优化算法对其模型的参数及阶数r*进行优化：
5.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述S4中，构建出非正常工况下的特征参数数据集的方式为：进行非正常工况条件下的特征参数定义，根据其参数特点进行实义量化和归一化处理。
6.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述S5中，对S4中构建的数据集，利用格兰杰因果关系处理实现特征参数的融合和降维以降低模型输入数据的复杂度，利用Granger因果关系分析有效剔除数据集中的以下两类特征因子：一类是与城市用电量缺额无关的因素，为冗余变量；另一类是在电量缺额条件下造成的结果，为结果变量；
7.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述S6中，采用限制向量自回归模型，捕捉多个时间序列之间的映射关系，实现预测模型的构建,将前一定比例的数据集作为训练集，进行限制VAR模型参数的训练：
8.根据权利要求7所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
11.一种非正常工况下的城市中长期用电量预测装置，其特征在于，包括：
12.如权利要求11所述的一种非正常工况下的城市中长期用电量预测装置，其特征在于，
13.根据权利要求11所述的一种非正常工况下的城市中长期用电量预测装置，其特征在于，所述序列获取模块中，得到月用电量缺额时间序列的方式为：采用分数阶灰色预测模型，将季节波动特征作为模型的驱动项，季节波动排序后的用电量时间序列作为预测模型的输入，得到未考虑非正常工况事件发生时的城市月用电量时间序列，将正常工况用电量时间序列与非正常工况事件发生后的实际用电量时间序列作差。
14.根据权利要求13所述的一种非正常工况下的城市中长期用电量预测装置，其特征在于，所述序列获取模块，根据特征提取模块中经波动特征处理过后的正常工况数据集，用前一定比例的数据作为训练数据训练分数阶多变量灰色预测模型，用后剩余比例的数据作为测试数据用于检验模型预测误差，并通过粒子群优化算法对其模型的参数及阶数r*进行优化：
15.根据权利要求11所述的一种非正常工况下的城市中长期用电量预测装置，其特征在于，所述数据集构建模块中，构建出非正常工况下的特征参数数据集的方式为：进行非正常工况条件下的特征参数定义，根据其参数特点进行实义量化和归一化处理。
16.根据权利要求11所述的一种非正常工况下的城市中长期用电量预测装置，其特征在于，所述数据分析模块中，对数据集构建模块中构建的数据集，利用格兰杰因果关系处理实现特征参数的融合和降维以降低模型输入数据的复杂度，利用Granger因果关系分析有效剔除数据集中的以下两类特征因子：一类是与城市用电量缺额无关的因素，为冗余变量；另一类是在电量缺额条件下造成的结果，为结果变量；
17.根据权利要求11所述的一种非正常工况下的城市中长期用电量预测装置，其特征在于，所述结果预测模块中，采用限制向量自回归模型，捕捉多个时间序列之间的映射关系，...
【技术特征摘要】
1.一种非正常工况下的城市中长期用电量预测方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述s2中，首先利用排序函数f(xij)计算月用电量时间序列中相关元素的序位关系并挖掘其变化规律，在此基础上给出周期性波动矩阵与排序矩阵的定义，用电量时间序列初始矩阵式(1)，其排序矩阵式(2)，
3.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述s3中，得到月用电量缺额时间序列的方式为：采用分数阶灰色预测模型，将季节波动特征作为模型的驱动项，季节波动排序后的用电量时间序列作为预测模型的输入，得到未考虑非正常工况事件发生时的城市月用电量时间序列，将正常工况用电量时间序列与非正常工况事件发生后的实际用电量时间序列作差。
4.根据权利要求3所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述s3中，根据s2中经波动特征处理过后的正常工况数据集，用前一定比例的数据作为训练数据训练分数阶多变量灰色预测模型，用后剩余比例的数据作为测试数据用于检验模型预测误差，并通过粒子群优化算法对其模型的参数及阶数r*进行优化：
5.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述s4中，构建出非正常工况下的特征参数数据集的方式为：进行非正常工况条件下的特征参数定义，根据其参数特点进行实义量化和归一化处理。
6.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述s5中，对s4中构建的数据集，利用格兰杰因果关系处理实现特征参数的融合和降维以降低模型输入数据的复杂度，利用granger因果关系分析有效剔除数据集中的以下两类特征因子：一类是与城市用电量缺额无关的因素，为冗余变量；另一类是在电量缺额条件下造成的结果，为结果变量；
7.根据权利要求1所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，所述s6中，采用限制向量自回归模型，捕捉多个时间序列之间的映射关系，实现预测模型的构建,将前一定比例的数据集作为训练集，进行限制var模型参数的训练：
8.根据权利要求7所述的一种非正常工况下的城市中长期用电量预测方法，其特征在于，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行...
【专利技术属性】
技术研发人员：叶林，武振荣，沙立成，张再驰，刘辉，于希娟，赵瑞，王海云，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。