[發明專利]一種電力負荷短期預測方法

有效

• 申請號: 201810542186.1
• 申請日: 2018-05-30
• 公開（公告）號: CN108808657B
• 公開（公告）日: 2020-07-10
• 發明（設計）人: 王海洋;宋萬清;蔣磊立
• 申請（專利權）人: 上海工程技術大學
• 主分類號: H02J3/00
• 分類號: H02J3/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 丁云

本發明涉及一種電力負荷短期預測方法，該方法包括如下步驟：(1)獲取歷史電力負荷數據序列，計算歷史電力負荷數據序列的赫斯特指數H；(2)基于赫斯特指數H建立預測電力負荷的分數布朗運動模型；(3)對分數布朗運動模型中赫斯特指數H進行全局尋優獲得赫斯特指數最優值H_gbest，進而得到分數布朗運動優化模型；(4)利用分數布朗運動優化模型預測電力負荷數據。與現有技術相比，本發明能對短期非平穩的電力負荷數據進行高精度的預測。

技術領域

本發明涉及一種電力負荷預測方法，尤其是涉及一種電力負荷短期預測方法。

背景技術

電力負荷預測是電力系統運行的重要環節，是電力調度的重要內容。根據電力調度，電力系統運營商可以確定電網的運行時間，減少潛在損失，因此準確的電力負荷預測有助于運營商把握未來電力發展趨勢，更好地調度電網。

目前有很多傳統的電力負荷方法，灰色模型(GM)在電力負荷預測中得到廣泛應用，然而，電力負荷預測的精度往往受多種因素的影響，GM指數增長規律無法處理這些因素，從而得到合理的預測效果。綜合自回歸移動平均(ARIMA)被成功地用于估計的電力需求，但不能處理多變量ARIMA和異方差性相關問題。近年來，誤差反向傳播(BP)算法在電力預測中得到了廣泛的應用，但它存在收斂速度慢、易陷入局部空間等缺點。將人工神經網絡用于電力負荷預測，保證了精度，然而，人工神經網絡也有缺陷，例如，過度擬合的問題和需要的大型訓練實例。支持向量回歸機(SVM)比神經網絡有更好的預測結果，但有一個復雜的計算過程。

目前常采用粒子群優化(PSO)算法來解決優化問題，粒子群優化算法具有一個固有的缺點，由于每個粒子在搜索空間中的粒子群優化算法與移動速度來搜索自己的最優和全局最優，因此，粒子群優化算法容易陷入局部最優解。由于考慮了粒子在量子理論利用QPSO算法，我們不需要速度矢量獲得全局最優解。因此，一個能夠避免陷入局部最優解，因此，QPSO算法的優化效果優于基于牛頓運動的粒子群優化算法。在本文中，我們采用QPSO優化模型參數，預測電力需求。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種電力負荷短期預測方法。

本發明的目的可以通過以下技術方案來實現：

一種電力負荷短期預測方法，該方法包括如下步驟：

(1)獲取歷史電力負荷數據序列，計算歷史電力負荷數據序列的赫斯特指數H；

(2)基于赫斯特指數H建立預測電力負荷的分數布朗運動模型；

(3)對分數布朗運動模型中赫斯特指數H進行全局尋優獲得赫斯特指數最優值H_gbest，進而得到分數布朗運動優化模型；

(4)利用分數布朗運動優化模型預測電力負荷數據。

步驟(1)中電力負荷數據序列的赫斯特指數H通過重標極差分析法獲取。

步驟(2)分數布朗運動模型具體為：

對于歷史電力負荷數據序列{y_t,t＝0，1,2...n}，y_t表示t時刻的歷史電力負荷數據，分數布朗運動模型為：

y_t+1＝y_t+uy_tΔt+σy_tw₁(t)(Δt)^H+λy_tw₂(t)(Δt)^2H，

其中，y_t+1表示t+1時刻的電力負荷數據，Δt表示相鄰兩個歷史電力負荷數據的時間間隔，w₁(t)和w₂(t)為服從獨立的正態分布的常參數；