[發(fā)明專利]一種基于經(jīng)驗日局部校正多點外推算法的負荷預(yù)測方法

在審

• 申請?zhí)枺?/td>: 201410704701.3
• 申請日: 2014-11-27
• 公開（公告）號: CN104463445A
• 公開（公告）日: 2015-03-25
• 發(fā)明（設(shè)計）人: 韓志軍;王堅敏;嚴耀良;朱偉;陳國恩;趙仰東;王躍強;吳琳;張磊;任志翔;羅里志;屠一艷;郭劍虹
• 申請（專利權(quán)）人: 國網(wǎng)浙江省電力公司嘉興供電公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06F17/30
• 代理公司: 杭州九洲專利事務(wù)所有限公司 33101
• 代理人: 翁霽明

1.一種基于經(jīng)驗日局部校正多點外推算法的負荷預(yù)測方法，其特征在于所述的負荷預(yù)測方法包括如下步驟：

1)樣本數(shù)據(jù)的選擇；它主要考慮日期類型、距預(yù)測日的時間等；為保證預(yù)測的精度，取與預(yù)測日相隔不超過兩個月，或是預(yù)測日前一年的同一月的個歷史日構(gòu)成負荷預(yù)測的樣本集；按照周一、周五、其他工作日、休息日和特殊節(jié)假日(如元旦、端午、中秋、國慶等)進行日期類型劃分，不同日期類型采用直接賦值的方式進行量化處理；樣本距預(yù)測日的時間采用近大遠小的原則，根據(jù)經(jīng)驗數(shù)據(jù)進行量化處理，并利用相似度計算對樣本數(shù)據(jù)進行選擇；

2)異常數(shù)據(jù)的檢測和處理；對樣本中的異常數(shù)據(jù)進行檢測和處理，包括數(shù)據(jù)垂直處理、數(shù)據(jù)水平處理和缺失數(shù)據(jù)處理，保證樣本數(shù)據(jù)的準確度；

3)利用概率統(tǒng)計預(yù)測未來負荷的變化趨勢；相似日樣本數(shù)據(jù)可能存在負荷變化趨勢上的差異,將相近兩點的負荷變化趨勢分為:上升趨勢、下降趨勢、水平趨勢三種；利用概率統(tǒng)計分析原理預(yù)測未來負荷變化的趨勢，即對未來負荷的變化趨勢采用概率統(tǒng)計的方法進行分析判定；

4)利用局部校正的多點外推算法逐一對待預(yù)測點進行預(yù)測；它采用最小二乘法估計未來負荷變化值；設(shè)置提高負荷預(yù)測模型精度的方法主要是采用經(jīng)驗日局部校正的多點外推方法，此外，考慮特殊因素或事件對預(yù)測時刻的影響，對于有影響的預(yù)測時刻的值進行局部修正。

2.根據(jù)權(quán)利要求1所述的基于經(jīng)驗日局部校正多點外推算法的負荷預(yù)測方法，其特征在于：

所述的步驟1)中，樣本數(shù)據(jù)相似度的計算方法是：

分別計算各歷史日與待預(yù)測日的相似度，獲得相似矩陣M為：

M＝[m_id]，i＝1,2,...,N；d＝1,2,...,D

其中，M——相似度矩陣，m_id——每個歷史日的每個因素與待測日對應(yīng)因素的相似度。

根據(jù)M計算各歷史日與待測日的總相似度。采用將歷史日各因素的相似度相乘，即

Fd=Πi=1Nmid]]>

∂Fd∂mid=Πj≠imjd]]>

當(dāng)考察第i個因素時,總相似度對其它因素的偏導(dǎo)數(shù)中,均含有因子m_id。當(dāng)m_id較小時,第i個因素成為主導(dǎo)因素,而主導(dǎo)因素差距明顯時,決定了2個日期不相似；

所述的步驟2)中：

所述數(shù)據(jù)的垂直處理是：相近幾日的負荷應(yīng)維持在一定的范圍內(nèi)，如果超出這個范圍，認為該數(shù)據(jù)是壞數(shù)據(jù)；

如果

|p(i,t)-p‾(t)|>ϵ(t)]]>

則p(i,t)=p‾(t)+ϵ(t)p(i,t)>p‾(t)p‾(t)-ϵ(t)p(i,t)<p‾(t)]]>

式中：為最近幾日t時刻的負荷平均值；p(i,t)為第i天t時刻的負荷值；ε(t)為閥值，可根據(jù)實際情況人為設(shè)定；

所述數(shù)據(jù)水平處理是：以前后兩個時刻的負荷數(shù)據(jù)為基準，設(shè)定數(shù)據(jù)的最大變化范圍，如果某負荷值與前后兩個時刻的負荷數(shù)據(jù)之差的絕對值都超過最大變化范圍，就認為該負荷值是壞數(shù)據(jù)；

如果

|p(i,t)-p(i,t-1)|>α(t)|p(i,t)-p(i,t+1)|>β(t)]]>

則

p(i,t)=y(i,t+1)+y(i,t-1)2+y(i-1,t)-y(i-1,t+1)+y(i-1,t-1)2]]>

其中p(i,t)為第i天t時刻的負荷值；α(t)、β(t)為閥值，可根據(jù)實際情況進行設(shè)定；

所述數(shù)據(jù)的缺失處理是：如果某樣本缺失數(shù)據(jù)較多(連續(xù)超過2個小時)，將該樣本直接剔除；若缺失數(shù)據(jù)較少，可采用兩種方式進行處理。一種修正方法就是將缺失負荷值用數(shù)據(jù)庫中的預(yù)測負荷值代替；如果相應(yīng)的預(yù)測負荷值不存在，利用相鄰幾個同類型日的正常數(shù)據(jù)取加權(quán)平均值得到缺失數(shù)據(jù)；

p(i,t)=1NΣj=1Np(j,t)αj]]>

其中p(i,t)為第i天t時刻的負荷值；N為正常同類型日的個數(shù)；p(j,t)為第j天t時刻的負荷值；α_j為p(j,t)的權(quán)重，根據(jù)第j天與第i天的相似程度和經(jīng)驗數(shù)據(jù)進行設(shè)置。

3.根據(jù)權(quán)利要求1所述的基于經(jīng)驗日局部校正多點外推算法的負荷預(yù)測方法，其特征在于：

步驟3)中，利用概率統(tǒng)計分析原理預(yù)測未來負荷變化的趨勢是：

i＝1,2...,n

其中，n為樣本數(shù)據(jù)個數(shù)；y_i(t₁)，y_i(t₂)分別為第i個樣本t₁、t₂時刻的樣本數(shù)據(jù)。

統(tǒng)計各種變化趨勢的概率：

最終變化趨勢的判別策略：

所述步驟4)中，利用局部校正的多點外推算法逐一對待預(yù)測點進行預(yù)測是：

根據(jù)數(shù)學(xué)模型

P(t_n)＝P(t_n-1)+ΔP＝P(t_n-1)+bΔt

式中：P(t_n-1)為t_n-1時刻的負荷值，P(t_n)為t_n-1+Δt時刻的負荷值。ΔP為待求時刻的變化值，b為待求時刻的負荷變化速率。若取得具有相同變化趨勢的k個同類型日在待求時間段內(nèi)的負荷數(shù)據(jù)：p(i,t₀)，p(i,t₁)，p(i,t₂)，則同一時刻的k天負荷平均值為：

p‾(t0)=Σi=1kp(i,t0)/kp‾(t1)=Σi=1kp(i,t1)/kp‾(t2)=Σi=1kp(i,t2)/k]]>

從上面3點的平均負荷值計算在待求時間段內(nèi)的變化值，采用最小二乘法來進行擬合，得到

a=(Σi-02p‾(ti)-bΣi=02ti)/3b=3Σi=02tip‾(ti)-Σi=02p‾(ti)Σi-02ti3Σi=02ti2-(Σi=02ti2)2]]>

則t₂時刻的預(yù)測負荷值為：

p(t₂)＝p(t₁)+bΔt

在通過上述算法得到預(yù)測負荷值之后，為考慮特殊因素或事件對預(yù)測時刻的影響，可將一些已經(jīng)預(yù)知的因素和事件進行人為設(shè)定，對于有影響的預(yù)測時刻的值進行局部修正；p(t')為上述算法推算出的負荷預(yù)測值，p(t)為最終負荷預(yù)測值，Δp_j為特殊因素或事件對負荷的影響大小，α_(t,j)為事件j對t時刻負荷預(yù)測的影響系數(shù)；

p(t)=p(t,)+Σj=1mα(t,j)Δpj.]]>