[發明專利]一種需求響應下的短期負荷預測方法

無效

• 申請號: 201210390738.4
• 申請日: 2012-10-15
• 公開（公告）號: CN102930347A
• 公開（公告）日: 2013-02-13
• 發明（設計）人: 衛志農;劉亞南;孫國強;許曉慧;黃莉;韋延方;楊雄;袁陽;陸子剛;張偉;陳凡;劉玉娟;潘春蘭;李升
• 申請（專利權）人: 河海大學;中國電力科學研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

技術領域

本發明屬于電力系統技術領域，具體涉及一種短期負荷預測方法，對電力系統負荷進行預測。

背景技術

電力負荷預測是電力系統調度、用電、計劃、規劃等管理部門的重要工作之一。準確的負荷預測，有助于合理安排發電機組的起停，保持電網運行的安全穩定性，減少不必要的旋轉儲備容量，合理安排機組檢修計劃，有效地降低發電成本，提高經濟效益和社會效益。因此，負荷預測己成為實現電力系統管理現代化的重要內容之一。

全球資源環境壓力逐年增大，社會對環保和可持續發展的要求日益提高，要求未來電網必須能夠提供更加安全、清潔、可靠、優質的電力供應，能夠適應多種類型發電方式的需要，能夠適應客戶的自主選擇需要，提供更加優質的服務。為此不同國家和組織同時提出建設智能電網，將智能電網作為未來電網的發展方向，而需求響應(Demand?response，DR)則是需求側管理在競爭性電力市場中的最新發展。智能電網的一個內涵就是要求把用戶的積極性調動起來，實現用戶與電網的雙向互動，最終達到削峰填谷、提高能源利用率的目的。需求響應作為互動的解決方案，近年來得到了廣泛的關注。DR是指電力用戶針對市場價格信號或激勵機制做出響應并改變正常電力消費模式的市場參與行為。實時電價作為DR一個重要手段，能改變不同用戶固有的習慣，達到減少某時段的用電負荷，從而保障電網的安全、穩定運行，并抑制電價上升的短期行為，在提高系統可靠性與經濟性方面發揮了重要作用。

需求響應下的負荷預測需要迎合智能電網的特性，應該更具有自適應性，用戶可以根據電能需求結合需求側實時電價選擇經濟的用電方式，甚至實現與電網互動供電。因此，在智能電網條件下，影響負荷預測準確性的因素除了傳統的歷史負荷、天氣和日類型，實時電價數據將是一個非常重要的因素，如果忽略這個因素，負荷預測的結果將產生較大的偏差，從而失去應用價值，造成不必要的損失。

傳統的負荷預測方法有很多，諸如人工神經網絡、支持向量機、相關向量機等都已經得到了廣泛的使用。然而在實際應用過程中，當輸入影響因素過多時，將會導致預測模型結構過于復雜，訓練效率低，因此，需要對模型的輸入因素進行合理的選擇來提高預測的精度。需求響應下的負荷預測還處在初級階段，常用的還是傳統負荷預測的方法。

因此，需要一種新的需求響應下的短期負荷預測方法以解決上述問題。

發明內容

發明目的：本發明針對現有技術中電力負荷預測存在的缺陷，提供一種基于支持向量機的需求響應下的短期負荷預測方法。

技術方案：為解決上述技術問題，本發明的需求響應下的短期負荷預測方法采用如下技術方案：

一種需求響應下的短期負荷預測方法，包括以下步驟：

1)、分析并選取負荷預測的影響因素，采集負荷的歷史數據，得到訓練樣本集；

2)、根據步驟1)選取的影響因素的歷史數據生成輸入變量，以所對應的負荷值的歷史數據作為輸出，得到訓練樣本；

3)、利用步驟2)的所述訓練樣本對支持向量機模型進行訓練，得到訓練后的支持向量機模型；

4)、根據步驟1)選取的所述影響因素的待預測時刻的實際數據生成測試輸入向量，并將測試輸入向量輸入到所述訓練后的支持向量機模型，其輸出即為待預測時刻的負荷預測值。

有益效果：本發明的需求響應下的短期負荷預測方法是基于支持向量機的短期負荷預測方法，利用支持向量機良好的非線性函數逼近能力，改善了預測模型的精度和泛化能力。

更進一步的，步驟1)所述的影響因素包括：預測點前一時刻負荷值、預測點前兩個時刻負荷值、前一天預測點同時刻負荷值、前一天預測點前一小時負荷值、前一天預測點前兩個時刻負荷值、前兩天預測點同時刻負荷值、前兩天預測點前一小時負荷值、前兩天預測點前兩個時刻負荷值、前一周預測點負荷值、預測日日類型、預測日平均溫度、預測點電價、預測點前一時刻電價、預測點前兩個時刻電價、前一天預測點同時刻電價、前兩天預測點同時刻電價、前一周預測點同時刻電價和日類型。

更進一步的，步驟2)中根據所述影響因素的歷史數據生成輸入變量的具體步驟如下：首先利用所選取的影響因素的歷史數據構造特征向量，然后對所述特征向量進行降維處理，得到所述輸入變量。輸入向量可由各影響因素的數據直接生成，但當所選取的影響因素較多時，過多的變量會導致計算復雜度高，從而影響預測效率。為此，作為本發明的進一步改進方案。通過對原始數據樣本進行降維處理(特征提取)來降低預測的計算復雜度，提高效率。