[發明專利]一種基于時間序列和卡爾曼濾波的負荷預測方法

在審

• 申請號: 201711064383.9
• 申請日: 2017-11-02
• 公開（公告）號: CN107832259A
• 公開（公告）日: 2018-03-23
• 發明（設計）人: 田云翔;柳強;趙君偉
• 申請（專利權）人: 國網四川雅安電力（集團）股份有限公司
• 主分類號: G06F17/11
• 分類號: G06F17/11;G06F17/18;G06Q10/04;G06Q50/06
• 代理公司: 成都行之專利代理事務所(普通合伙)51220
• 代理人: 梁田

技術領域

本發明涉及電力負荷預測領域，具體地，涉及一種基于時間序列和卡爾曼濾波的負荷預測方法。

背景技術

為用戶提供優質、穩定的電能是電力系統的主要任務，而實現該任務的前提是電力

運行、調度和規劃部門必須要掌握用戶的用電規律和變化趨勢。電力市場化的標志是在電力生產和供應的各個環節打破壟斷，引入競爭，實現資源的優化配置，提高社會效益和經濟效益。電力市場中的各個企業，必須要準確把握市場脈絡，了解用戶的用電需求、規律和變化趨勢，制定合理的營銷計劃和發展戰略，以追求企業的經濟利益。而負荷預測是各企業了解用戶的用電需求、規律和變化趨勢的有力工具。

電網負荷的預測方法主要有持續法、時間序列法、神經網絡法。持續法一般用作其他預測方法的比較基準，從而評價某種預測方法的精確度。時間序列法所需數據較少，但是預測精度不高。神經網絡法預測精度較高，但是計算復雜，對數據要求較高。

發明內容

本發明提供了一種基于時間序列和卡爾曼濾波的負荷預測方法，解決了現有的電力負荷預測方法存在不準確或計算復雜的技術問題，實現了提高電力負荷預測的精度且計算簡單的技術效果。

為實現上述發明目的，本申請提供了一種電力負荷預測模型優化方法，所述方法包括：

通過一階差分法將電力負荷數據進行平穩化處理；

根據AIC準則，選取時間序列模型；

將平穩化處理后的數據代入選擇的時間序列模型，獲得時間序列預測方程；

建立卡爾曼濾波方程，對建立的卡爾曼濾波方程進行改進，得到自適應卡爾曼濾波方程；

將得到的時間序列預測方程代入自適應卡爾曼濾波方程，得到基于時間序列-自適應卡爾曼濾波的電力負荷預測模型；將已知電力負荷數據代入電力負荷預測模型，獲得下一時刻的電力負荷預測數據。

進一步的，電力負荷數據為過去某個時段的電力負荷數據。

進一步的，用差分算子進行平穩化處理，用一階差分變換對{Y_t}處理后獲得：

{Y_t}為隨時間變化的量y(t)的集合所組成的離散數列,又被稱為離散時間序列，B為延遲算子，y_t為t時刻的數據集合，為對t時刻的數據集合進行差分后的結果；

對式子(2-7)進行1階差分之后，獲得：

上式可以記做ARIMA(p,d,q)，其中,p是ARIMA的自回歸階數；d是其差分次數；q是其滑動平均階數。

進一步的，根據AIC準則(最小信息準則，它是對多種模型做選擇的判別方法)，選取時間序列模型具體包括：求取不同p和q時AIC的值，當AIC的值為最小時，則此時所得的p和q的值為最佳模型階數。

進一步的，將平穩化處理的數據代入所選擇的模型，得到基于時間序列的電力負荷預測方程為ARIMA(p,d,q)。

進一步的，建立卡爾曼濾波方程具體為：

離散系統表示為

其中，X(k)是k時刻的n維狀態向量；Z(k)是k時刻的m維觀測向量；w(k)是k時刻的n維噪聲向量；v(k)是k時刻的m維測量噪聲向量；φ(k+1,k)是從k時刻到k+1時刻的狀態轉移矩陣；Γ(k+1,k)是從時刻k到k+1時刻的激勵轉移矩陣；H(k+1)是k+1時刻的預測輸出矩陣；X(k+1)是k+1時刻的n維狀態向量；Z(k+1)是k+1時刻的m維觀測相量。

進一步的，卡爾曼濾波預測遞推方程為：

X'(k+1|k+1)＝φ(k+1,k)×X'(k|k)+K(k+1)×[Z(k+1)-H(k+1)×φ(k+1,k)×X'(k|k)]

K(k+1)＝P(k+1|k)×H^T(k+1)×[H(k+1)×P(k+1|k)×H^T(k+1)+R(k+1)]

P(k+1|k)＝φ(k+1,k)×P(k|k)×φ^T(k+1,k)+Γ(k+1,k)×Q(k)×Γ^T(k+1,k)

P(k+1|k+1)＝[I-K(k+1)×H(k+1)]×P(k+1|k)