[發明專利]一種基于大數據簡約的短期電力負荷預測方法

有效

• 申請號: 201611165569.9
• 申請日: 2016-12-16
• 公開（公告）號: CN106651020B
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 張淑清;楊振寧;張航飛;馬燦;李盼;宿新爽;李軍鋒
• 申請（專利權）人: 燕山大學
• 主分類號: G16Y10/00
• 分類號: G16Y10/00
• 代理公司: 秦皇島一誠知識產權事務所(普通合伙) 13116
• 代理人: 李合印

本發明提供一種基于大數據簡約的短期電力負荷預測方法，所述方法包括：首先利用Lasso原理將大數據中冗余數據和壞數據進行剔除，然后通過主成分分析PCA對環境因素變量進行降維及特征提取。提取的特征向量以及簡約處理后的歷史負荷數據共同作為Elman神經網絡的輸入進行訓練預測。本發明方法明顯提高了短期電力負荷的預測精度和速度。

技術領域

本發明涉及電力負荷預測技術領域，特別是涉及一種基于大數據簡約的短期電力負荷預測方法。

背景技術

電力負荷預測是供電部門的重要工作之一，是保證電力系統可靠供電和安全運行的前提。準確的負荷預測可以經濟合理地安排電網內部發電機組的啟停，做到提高經濟效益和社會效益。面對如今智能電網的快速發展，電力負荷影響因素增加，數據呈指數級增長，逐步構成了大數據多維化的特點，傳統的數據分析模式已無法滿足需求。如何做到高效準確的預測此特點的電力負荷成為現在解決的關鍵問題。目前的短期電力負荷預測模型中，應用較廣泛的BP神經網絡是利用靜態前饋網絡對動態網絡進行辨識，將動態時間建模問題變為靜態空間建模問題從而使得預測精度較低，而且訓練時需要大量的樣本數據，使得預測速度也較慢，這都將導致電力的運行成本大幅增加，即面對電力負荷的大數據特點，當前的短期負荷預測方法已不能完全滿足智能電網的需求。因此，我們提出了一種基于大數據簡約的短期電力負荷預測方法。

發明內容

本發明目的在于提供一種智能電網下明顯提高短期電力負荷的預測精度和速度的基于大數據簡約的短期電力負荷預測方法。

為實現上述目的，采用了以下技術方案，本發明方法包括以下步驟：

步驟1，選擇預測日之前的n個同類型日期的采樣點負荷序列，每個日期的采樣點為48點，即每30min采樣一次；

步驟2，獲取選擇n個同類型日期及預測日的影響負荷相關天氣因素數據；

步驟3，利用最小絕對值收縮(Lasso)原理將獲取的原始電力負荷及相關天氣因素大數據進行高維數據簡約，剔除壞數據，獲得有用的負荷序列；

步驟4，通過主成分分析(PCA)對天氣環境因素變量進行降維及特征提取，獲取環境特征因子；

步驟5，建立Elman動態神經網絡短期電力負荷預測模型，將提取的特征向量以及歷史負荷數據共同作為Elman神經網絡的輸入進行訓練預測，通過Elman方法預測第n+1天的各時刻的負荷值。

所述步驟2中的相關天氣因素負荷數據包括：晴天(X1)、陰天(X2)、雨天(X3)、最高氣溫(X4)、最低氣溫(X5)、氣壓(X6)、濕度(X7)、輻射(X8)、風速(X9)、云量(X10)等10個，這10個相關的天氣因素數據將作為仿真數據輸入；

所述步驟3)中的最小絕對值收縮(Lasso)原理如下：

利用Lasso算法對負荷大數據進行數據挖掘，剔除冗余數據，從而為負荷預測算法提供簡約而有效的特征數據；Lasso方法是一種壓縮估計，通過構造一個罰函數得到一個較為精煉的模型，使得它壓縮一些系數，同時設定一些系數為零，因此保留了子集收縮的特點；

設有線性回歸模型：

y＝α+β₁x₁+β₂x₂+…+β_px_p+ε (1)

式中，α為常數項；β₁,β₂,…β_p為回歸系數；ε是隨機擾動項；(x_i1,x_i2,...,x_ip；y_i)，i＝1,2,...,n是變量的n組觀測值，需滿足其中j＝1,2,...,p；