[發明專利]一種用于電力系統短期負荷的預測方法

有效

• 申請號: 201810253491.9
• 申請日: 2018-03-26
• 公開（公告）號: CN108256697B
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 武鑫;黃琦;鄧帶雨;李堅;胡維昊;張真源;李晨;井實;易建波;王妮;楊云聰
• 申請（專利權）人: 電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;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: 溫利平

本發明公開了一種用于電力系統短期負荷的預測方法，以負荷數據的有功功率為數據基礎，通過將數據分解頻率由高到低的各個穩定頻率分量，再分別使用多元線性回歸與LSTM神經網絡對其低頻分量與中高頻分量進行預測，最后疊加所預測的結果，從而得到完整的預測結果；這樣解決了傳統負荷預測方法對于高頻局部特征難以進行有效預測的缺點，同時也能夠準確預測出負荷的變化趨勢，提高了復雜情況下的預測有效性。

技術領域

本發明屬于電力負荷預測技術領域，更為具體地講，涉及一種用于電力系統短期負荷的預測方法。

背景技術

隨著電力市場的發展以及用戶需求的逐步提升，電網的安全及經濟運行變得至關重要。對電力負荷進行準確的短期預測，可以有效保障電網安全運行，降低發電成本，滿足用戶需求，提高社會經濟效益。由于電力能源的生產、輸送、分配和供應消費幾乎同時完成，電能作為一種較為特殊的能源，難以大量存儲，這就使得電力系統發電出力應該與系統負荷的變化隨時保持一致，達到動態平衡，滿足供需關系，否則輕則影響供電質量，重則危機整個電力系統的安全與穩定。由于電力系統負荷具有明顯的周期特性(天，周，月，年)，同時影響的因素復雜(天氣、經濟、節假日、觀測誤差等等)，電力系統負荷呈現出較強的隨機性和非周期成分，為短期預測帶來較大難度。

文獻“Zheng J,Xu C,Zhang Z,et al.Electric load forecasting in smartgrids using Long-Short-Term-Memory based Recurrent Neural Network[C]//Information Sciences and Systems.IEEE,2017.”使用LSTM對電力負荷進行了短期預測，并將LSTM與其他常見算法進行了對比，結果表明LSTM的預測誤差要優于其他算法。同時，文中指出季節性差分自回歸滑動平均模型(SARIMA)對于非平穩非季節性的電力負荷系統預測難以發揮作用。

但是，其文中給出結果并沒有對負荷的高頻局部特征進行準確的預測，預測曲線僅擬合了負荷的基本變化趨勢。在負荷隨機波動情況較大的時候方法具有局限性。

在實際應用中，負荷數據往往包含較多的噪音干擾，大大降低了負荷預測精度，另一方面，由于通信延遲等多方面原因，數據存在大量空缺，且空缺位置與長度通常無規律可循，空缺長度過長使得傳統的插值法難以合理的填充空缺，而簡單直接的填充固定值或歷史值，很可能破壞時間序列的周期性、規律性。因此，在有限長度的電力負荷數據中，如何充分挖掘數據包含的信息，是預測模型建立的關鍵。傳統數學模型為充分挖掘數據信息、提高預測精度，常使用增加數據維度或將數據進行細分的方法，在一定條件下能夠實現快速準確的預測，但是當數據維度較低、數據量較小的時候，對于復雜多變的電力負荷，由于其隨機性和非周期性的影響，傳統數學模型難以獲得有效預測精度。而基于人工智能的算法雖然能夠相比之下取得更高的預測精度，但往往存在超參數難以確立，資源耗費較多，計算速度相對較慢的缺點，且對于低維度時間序列數據，由于其各局部特征之間相互影響，使得模型難以從數據中清晰的找出規律建立規則。

發明內容

本發明的目的在于克服現有技術的不足，提供一種用于電力系統短期負荷的預測方法，通過將電力負荷數據進行分解，使得局部特征與變化趨勢分離，最后將預測結果進行疊加，得到精確的預測結果。

為實現上述發明目的，本發明一種用于電力系統短期負荷的預測方法，其特征在于，包括以下步驟：

(1)、從智能電表端提取用戶側負荷數據

(1.1)、從各個智能電表端采集每個用戶的用電負荷數據；

(1.2)、將每個用戶的用電負荷數據進行疊加，得到接近于發電側的區域負荷數據；

(1.3)、對區域負荷數據進行層次聚類，得到N類負荷數據，再以層次聚類得到的類別數N為基準，進行K均值聚類，得到代表用戶側負荷的N類用電負荷數據；