[發明專利]一種基于SARIMA-GRNN-SVM的短期商業電力負荷預測方法

有效

• 申請號: 201910758297.0
• 申請日: 2019-08-16
• 公開（公告）號: CN110570023B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 李娟;葛磊蛟;張章;遲福建;徐晶;張梁;張雪菲;王世舉;李桂鑫;夏冬;崔榮靖;王哲;孫闊;羨一鳴
• 申請（專利權）人: 國網天津市電力公司;國家電網有限公司;天津大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/044;G06N3/08;G06N20/10;G06F18/27;G06F18/214;H02J3/00
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 張文華

1.一種基于SARIMA-GRNN-SVM的短期商業電力負荷預測方法，其特征在于：包括如下步驟：

S1、采集近期當地商業電力負荷數據，并繪制該段時間內的平均負荷曲線或者/和該段時間內某段時間的負荷曲線，通過對負荷曲線的分析得出商業電力負荷波動的影響因素；

S2、對商業電力負荷時間序列預測與多因素回歸預測構建單一預測模型；

S201、建立季節自回歸差分移動平均SARIMA模型，實現對商業電力負荷時間序列的預測；

建立SARIMA模型，公式如下式所示：

其中：

θ(B)=1-θ₁B-…-θ_qB^q

Φ(B^s)＝1-Φ₁B^S-…-Φ_PB^S

Θ(B^s)＝1-Θ₁B^S-…-Θ_QB^S

式中，x(t)為商業電力負荷時間序列，為差分后的平穩時間序列；B表示滯后算子，表示差分算子；為季節自回歸模型，為p階自回歸多項式，為非季節自回歸參數；Φ(B^s)表示季節自回歸多項式，Φ₁，Φ₂，…Φ_P為P階季節自回歸參數；Θ(B^S)θ(B)表示季節移動平均模型，其中θ(B)表示q階移動平均多項式，θ₁，θ₂，…θ_q為非季節移動平均參數，Θ(B^S)表示季節移動平均多項式，Θ₁，Θ₂，…Θ_Q為Q階季節移動平均參數，ε(t)為高斯噪音；

建立SARIMA模型，以預測日前一段連續時間的歷史負荷及時間序列作為輸入，采用Augmented?Dickey-Fuller檢驗使原始時間序列平穩化并確定差分階數，通過自相關系數和偏自相關系數圖來判定可能的模型參數，利用赤池信息量準則和貝葉斯信息準則篩選，輸出預測日的預測值；

S202、采用廣義回歸神經網絡GRNN模型對商業電力負荷進行多因素回歸預測

構建GRNN模型，以預測日前一段連續時間的步驟S1中確定的商業電力負荷波動的影響因素及前一同日期類型日同時刻負荷作為輸入，利用循環交叉驗證的訓練方法，從而使得輸出的預測值最優；

所述GRNN模型由輸入層、模式層、加和層和輸出層構成；輸入層各神經元將輸入的數據直接傳輸至模式層，模式層通過徑向傳遞函數將樣本傳輸至加和層，加和層通過兩種算法求和并將數據傳輸至輸出層，輸出層采用線性函數對結果進行輸出；

S3、構建SVM模型，并利用訓練樣本對SVM模型進行參數優化與訓練，通過網格搜索與交叉驗證法進行SVM模型的參數優化；其中，針對工作日預測，選擇前三個工作日的單一預測模型預測值與負荷實際值作為訓練樣本；針對休息日預測，選擇預測日前兩天與上一同日期類型日的單一預測模型預測值與負荷實際值為訓練樣本；其中，單一預測模型預測值采用利用步驟S201、S202中SARIMA模型、GRNN模型得出的預測值；

S4、將步驟S201、S202中SARIMA模型、GRNN模型得出的預測日的預測值輸入到步驟S3中訓練后的SVM模型中，即得到預測日的商業電力負荷預測值。

2.根據權利要求1所述的一種基于SARIMA-GRNN-SVM的短期商業電力負荷預測方法，其特征在于：所述步驟S3中在對SVM模型訓練之前，用拉依達準則對訓練樣本中的預測日進行判斷，若判斷預測日預測結果為異常值，則將該預測日剔除，訓練樣本向前順延一日。

3.根據權利要求1所述的一種基于SARIMA-GRNN-SVM的短期商業電力負荷預測方法，其特征在于：所述步驟S1中采集的當地商業電力負荷數據最少為近期一年的。