[發明專利]基于連續功率譜分析的電力負荷預測優化方法

在審

• 申請號: 201710477986.5
• 申請日: 2017-06-21
• 公開（公告）號: CN107301475A
• 公開（公告）日: 2017-10-27
• 發明（設計）人: 杜杰;彭麗霞;王雷
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00;G06N3/08
• 代理公司: 南京縱橫知識產權代理有限公司32224
• 代理人: 董建林

技術領域

本發明屬于電力系統技術領域，具體涉及一種基于連續功率譜分析的電力負荷預測優化方法。

背景技術

電力系統負荷是指系統中所有用電設備消耗功率的總和，也稱電力系統綜合用電負荷。綜合用電負荷加上電網中的損耗和發電廠的廠用電，就是系統中所有發電機應發的總功率，也稱電力系統發電負荷。電力負荷是影響系統安全穩定運行的重要因素。電力負荷預測是指通過對電力負荷歷史記錄的分析研究，綜合考慮影響電力負荷變化的各種因素，如社會發展規劃、經濟狀況、氣象變化因素以及節假日等，對未來電力負荷的發展做出預先估計。電力負荷預測是電力系統規劃、計劃、調度、用電的依據。提高電力負荷預測技術水平，有利于制定合理的電源建設規劃，有利于合理安排電網運行方式和機組檢修計劃，有利于節煤、節油和降低發電成本，有利于計劃用電管理，有利于提高電力系統的經濟效益和社會效益。因此，電力負荷預測是實現電力系統管理現代化的重要內容之一。由于受天氣情況和人們社會活動等因素的影響，電力負荷數據存在大量的隨機性和非線性關系，影響電力負荷時間序列的因素可劃分為內在隨機因素和外在隨機因素，其中外在因素包括氣象、社會、經濟等，而內在因素是由電力系統內部非線性因素影響的結果，電力負荷是系統內在和外在隨機性影響因素共同作用的結果，其預測不準確的原因不僅僅是外在隨機因素的影響，更重要的是由系統內在動力學特征所決定。

為此，涌現了多種預報方法，從一般統計模型，如ARIMA時間序列模型、灰色模型等到各類智能模型，如神經網絡模型、支持向量機模型等等，算法的改進有望提高電力負荷的預報精度，但最根本的還是在于所使用的預測方法對于數據的學習和泛化性能。電力負荷受人類生產生活影響具有明顯的規律性，但這種規律性中又存在大量的隨機性，影響模型的學習和泛化能力。

發明內容

為了解決上述技術問題，本發明旨在提供一種基于連續功率譜分析的電力負荷預測優化方法，通過連續功率譜分析，提取原始電力負荷時間序列中隱含的顯著周期序列并分離得到殘差序列，由于顯著周期序列占原序列比重大，并且規律性強，因此可以高精度預測，而殘差序列由于占原序列比重小因而誤差有限，從而保證了可以有效提高電力負荷預報的精度。

實現上述技術目的，達到上述技術效果，本發明通過以下技術方案實現：

一種基于連續功率譜分析的電力負荷預測優化方法，包括

讀入原始采樣電力負荷時間序列，并按預報間隔要求將其轉換為平均電力負荷時間序列，然后計算出平均電力負荷時間序列的距平序列；

采用連續功率譜分析方法，提取平均電力負荷時間序列的距平序列中隱含的顯著周期序列，并分離得到殘差序列；

采用粒子群算法優化的BP神經網絡對顯著周期序列進行預測，獲得各顯著周期序列的預測結果；

采用粒子群算法優化的RBF神經網絡對殘差序列的一階差分序列進行預測，后經差分反運算得到殘差序列的預測結果；

將平均電力負荷時間序列的平均值與各顯著周期序列的預測結果以及殘差序列的預測結果相加獲得最終預測結果。

進一步地，所述原始采樣電力負荷時間序列為p＝{p(i),i＝1,2,...,N}，其中N為原始電力負荷采樣點個數；

所述平均電力負荷時間序列為p’＝{p’(j),j＝1,2,...,M}，其中M為按預報間隔要求轉換后的平均電力負荷序列的采樣點個數，p’的平均值為令

所述平均電力負荷時間序列的距平序列為

進一步地，所述顯著周期序列為{P₁,P₂,…,P_k,…,P_K}，其中K為P中隱含的顯著周期序列的個數，P_k＝{P_k(1),P_k(2),…,P_k(M)}，其中P_k(1),P_k(2),…,P_k(M)分別為顯著周期序列P_k的值；所述殘差序列為R＝P-P₁-P₂-…-P_K。

進一步地，所述采用連續功率譜分析方法，提取平均電力負荷時間序列的距平序列中隱含的顯著周期序列，具體為：利用連續功率譜方法，分析平均電力負荷時間序列的距平序列的顯著周期帶，并利用快速傅立葉變換的頻域濾波方法提取各顯著周期帶對應的時間序列，從而獲得顯著周期序列。