[發明專利]一種基于通用分布的負荷預測方法及負荷預測系統

有效

• 申請號: 202010322604.3
• 申請日: 2020-04-22
• 公開（公告）號: CN111552923B
• 公開（公告）日: 2021-05-04
• 發明（設計）人: 陶葉煒;徐箭;董甜;華夏;麥錦雯;柏筱飛;項敏;周力;童充;錢藝琳;李荷婷;王丹;陸峰;廖思陽;吳迪;楊昊;沈韻
• 申請（專利權）人: 國網江蘇省電力有限公司蘇州供電分公司;武漢大學
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06Q10/04;G06Q50/06
• 代理公司: 北京智繪未來專利代理事務所(普通合伙) 11689
• 代理人: 肖繼軍;張紅蓮

一種基于通用分布的負荷預測方法及預測系統，以實現電力系統短期負荷功率預測。該方法將歷史氣象信息數據和電氣數據相結合，針對不同的溫度增量水平分別構建相應的統計分析模型。首先采用直方圖模型來近似表征實際分布，然后選取適當的模型對實際分布進行擬合，本文采用通用分布函數模型進行擬合，并且依據通用分布CDF函數的逆函數的閉合解析表達式，得出一定置信水平下預測功率的置信區間。

技術領域：

本發明屬于電力負荷預測技術領域，具體涉及一種基于通用分布的氣象因素對負荷用電影響的負荷預測方法及預測系統。

背景技術：

隨著國民經濟水平的提高，對電力的需求也越來越大，要進行電力的科學合理的調度，需要考慮的因素很多，其中氣溫是重要的影響因素。氣溫的變化在民用電和工業用電上都會造成區域負荷功率的顯著變化。一方面，民用大功率耗電設備(例如制冷、取暖等用電設備)的使用與溫度等氣象因素密切相關；另一方面，氣溫變化同樣會影響企業生產計劃從而造成工業負荷功率的變化。因此，分析負荷功率與氣溫的定量關系并將其應用到負荷預測過程中是極為必要的。

目前，現有的用電量預測的研究方法可以分為兩大類，一類是基于概率統計的間接計算方法，較為常見的是多元回歸模型。在回歸分析中，回歸方程的因變量往往是電力負荷，可以是短期負荷，也可以是長期負荷，自變量是影響電力負荷的各種因素，比如經濟、政策、電價和氣候等。而回歸分析的缺點在于它的實現要求有一定的樣本數量，并且樣本要有較好的分布規律和確定的發展趨勢，計算工作量較大。另一類是基于用電量歷史數據的間接法。比如常規數學模型，例如灰色預測模型和神經網絡模型。對于電力系統，對其影響的供電機組、電網容量、用戶情況、等信息是已知的，但是，影響負荷的其他很多因素，比如氣象情況、行政與管理政策的變化、地區經濟活動等是難以確切知道的，因此，電力負荷是灰色系統。灰色理論將無規律的歷史數據列經累加生成后，使其變為具有指數增長規律的上升形狀數列，由于一階微分方程解的形成即是指數增長形式，所以可對生成后數列建立微分方程模型。所以灰色模型實際上是生成數列所建模型。GM模型所得數據必須經過逆生成，即累減生成做還原后才能應用。其缺點在于預測過程沒有考慮負荷受經濟、氣候、政策的影響，而是直接對用電量的時間序列數據進行處理分析，此外，原始數據離散程度越大，灰度越大，預測精度越低。神經網絡理論利用神經網絡的學習功能，讓計算機學習包含在歷史負荷數據中的映射關系，再利用這種映射關系預測未來負荷。BP神經網絡能夠模擬任意輸入和輸出之間的非線性映射關系。一個三層BP網絡由輸入層、隱含層和輸出層組成。訓練方法是，對于一組輸入樣本，通過BP神經網絡計算實際輸出。用BP網絡的實際輸出與輸出樣本之間的誤差來修正網絡的連接權值，直至二者的誤差達到設定值。一般輸入樣本包含負荷、溫度、天氣情況和日期類型，訓練時的目標樣本是分時段負荷，模型應用是由前一條的負荷數據來預測第二天的負荷值。其缺點在于處理非文本類歷史數據信息和調度人員的已有經驗知識時存在一定的困難；對輸入數據要求高，在樣本數比較小的情況下，預測精度降低；對于離訓練樣本比較遠的數據，預測效果也不理想。

現有技術中，基于數值天氣預報集合預報結果的風電功率概率預測方法，具體方法步驟為：1.對數值天氣預報集合預報的每個成員建立短期風電功率預測模型，分別輸入數值天氣預測結果后獲得各個所述成員的風功率預測結果，得到天氣預報集合預報的集合的風功率預測結果。2.根據所述集合中各成員的所述風電功率預測結果識別各個所述集合的誤差類型。3.根據所述集合的風功率預測結果將各個所述集合的功率水平進行劃分。4.計算不同誤差類型和功率水平的集合的相對誤差的集合。5.用核估計的方法得到所述集合中各個樣本的概率密度函數。6.采用非參數擬合的方法擬合概率密度分布和擬合回歸函數。7.對擬合回歸結果進行回歸校驗。8.計算一定置信水平下的誤差上限和誤差下限。9.根據誤差上下限計算得到一定置信度水平下功率預測的估計區間。

在現有的用電量預測的研究方法中，多元回歸模型的模型簡單、理論完善，能夠充分考慮各種影響因素，但容易因為因素選取不當而造成預測精度不高。常規數學模型短期預測效果好，但是過度依賴于數學物理機制，在長期預測和現實應用中有較大的局限性。

發明內容：