[發明專利]一種基于卡爾曼濾波與自適應模糊神經網絡的負荷預測方法

在審

• 申請號: 201610086111.8
• 申請日: 2016-02-15
• 公開（公告）號: CN105760952A
• 公開（公告）日: 2016-07-13
• 發明（設計）人: 尹建光;謝連科;劉輝;馬新剛;臧玉魏;王坤;鞏泉泉;竇丹丹
• 申請（專利權）人: 國網山東省電力公司電力科學研究院;國家電網公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 趙妍

技術領域

本發明涉及電網負荷預測分析領域，尤其涉及一種基于卡爾曼濾波與自適應模糊神經網絡的負荷預測方法。

背景技術

隨著經濟的發展以及環境壓力的增大，利用新能源的呼聲越來越高，隨著新能源滲透率的增大，對電網的沖擊也越來越大，同時傳統的電網負荷預測方法面臨挑戰。電力系統負荷預測是電力系統調度運營部門的一項重要的日常工作，預測精度的高低直接影響到電力系統運行的安全性、經濟性和供電質量。由于電力負荷本身具有一定的不確定性、非線性、隨機性等內在特點，負荷預測一直是學術研究的前沿與熱點問題。隨著電力市場的發展，負荷變化規律的更加復雜，而傳統的單一預測方法自適應能力較差，致使負荷預測的復雜性與求解方法的局限性之間的矛盾更加突出，預測不能得到滿意的結果。所以，亟需開發一種計算簡單，精度較高的預測方法來解決這一難題。

電網負荷的預測方法主要有模型法和神經網絡方法，這兩種方法各有特點。模型法包括時間序列分析、回歸分析法，卡爾曼濾波法等，神經網絡方法主要有BP神經網絡、遺傳算法以及其改進的方法等。模型法計算簡單所需數據較少，但預測精度不高，神經網絡方法預測精度較高，但計算復雜，對數據要求較高。

發明內容

本發明的目的就是為了解決上述問題，提供一種基于卡爾曼濾波與自適應模糊神經網絡的負荷預測方法，改善了單一預測方法的預測性能，提高了電網負荷的預測性能。

為了實現上述目的，本發明采用如下技術方案：

基于卡爾曼濾波與自適應模糊神經網絡的負荷預測方法，包括以下步驟：

步驟一，利用時間序列分析方法建立電網負荷的時間序列模型；

步驟二，利用時間序列分析方法建立電網負荷的訓練樣本，利用建立的訓練樣本和自適應模糊神經網絡對電網負荷進行預測；

步驟三，根據步驟一建立的時間序列模型的預測值和自適應模糊神經網絡預測值確定卡爾曼方程，時間序列模型的預測值作為卡爾曼濾波的真實值，自適應模糊神經網絡的預測值作為卡爾曼濾波的測量值，從而建立基于卡爾曼濾波的預測模型，對電網負荷進行預測。

所述步驟一中時間序列模型選用季節性時間序列模型。

所述步驟二中，人口數量和GDP作為自適應模糊神經網絡模型的輸入，輸出為電網的負荷。

季節性時間序列模型的建立步驟包括：

(1)通過傅里葉周期分析方法得出序列的周期長度s；

(2)識別時間序列的平穩性；

(3)模型識別；

(4)參數估計，用極大似然估計或者最小二乘法估計得到模型中所有參數的估計值；

(5)模型檢驗；

(6)模型優化，通過赤池信息準則和施瓦茨準則從中選出最合適的模型階數；

(7)電網負荷的預測，得到卡爾曼濾波的真實值。

在識別時間序列的平穩性之前把不平穩的時間序列轉化為平穩序列，轉化方法包括：

1)如果序列呈線性趨勢，均值不平穩，則利用一階差分；

2)如果序列呈現二次趨勢，均值不是常數，則利用二階差分；

3)如果序列呈現隨時間的上升或下降偏差，方差不是常數，則利用自然對數將其平穩化。

所述步驟(3)確定相應季節性時間序列模型的階數p、q、P、Q的取值，通過觀察自相關和偏相關圖估計階數p,q,Q的可能取值，取值為0、1或2。

所述步驟(5)模型檢驗包括：

a.參數檢驗，模型變量的參數所對應的p值小于給定的檢驗水平0.05，通過統計性檢驗；

b.殘差序列檢驗，通過對原始時間序列與建的模型之間的殘差序列a_t進行檢驗，若殘差序列a_t具有隨機性，意味著所建立的模型已包含了原始時間序列的所有趨勢，從而將所建立的模型應用與預測是合適的；反之，若殘差序列a_t不具有隨機性，則說明所建立的模型有待改善，應該對模型進行修正。

本發明的有益效果：