[发明专利]一种需求响应下的短期负荷预测方法

说明书

技术领域

本发明属于电力系统技术领域，具体涉及一种短期负荷预测方法，对电力系统负荷进行预测。

背景技术

电力负荷预测是电力系统调度、用电、计划、规划等管理部门的重要工作之一。准确的负荷预测，有助于合理安排发电机组的起停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，有效地降低发电成本，提高经济效益和社会效益。因此，负荷预测己成为实现电力系统管理现代化的重要内容之一。

全球资源环境压力逐年增大，社会对环保和可持续发展的要求日益提高，要求未来电网必须能够提供更加安全、清洁、可靠、优质的电力供应，能够适应多种类型发电方式的需要，能够适应客户的自主选择需要，提供更加优质的服务。为此不同国家和组织同时提出建设智能电网，将智能电网作为未来电网的发展方向，而需求响应(Demand response，DR)则是需求侧管理在竞争性电力市场中的最新发展。智能电网的一个内涵就是要求把用户的积极性调动起来，实现用户与电网的双向互动，最终达到削峰填谷、提高能源利用率的目的。需求响应作为互动的解决方案，近年来得到了广泛的关注。DR是指电力用户针对市场价格信号或激励机制做出响应并改变正常电力消费模式的市场参与行为。实时电价作为DR一个重要手段，能改变不同用户固有的习惯，达到减少某时段的用电负荷，从而保障电网的安全、稳定运行，并抑制电价上升的短期行为，在提高系统可靠性与经济性方面发挥了重要作用。

需求响应下的负荷预测需要迎合智能电网的特性，应该更具有自适应性，用户可以根据电能需求结合需求侧实时电价选择经济的用电方式，甚至实现与电网互动供电。因此，在智能电网条件下，影响负荷预测准确性的因素除了传统的历史负荷、天气和日类型，实时电价数据将是一个非常重要的因素，如果忽略这个因素，负荷预测的结果将产生较大的偏差，从而失去应用价值，造成不必要的损失。

传统的负荷预测方法有很多，诸如人工神经网络、支持向量机、相关向量机等都已经得到了广泛的使用。然而在实际应用过程中，当输入影响因素过多时，将会导致预测模型结构过于复杂，训练效率低，因此，需要对模型的输入因素进行合理的选择来提高预测的精度。需求响应下的负荷预测还处在初级阶段，常用的还是传统负荷预测的方法。

因此，需要一种新的需求响应下的短期负荷预测方法以解决上述问题。

发明内容

发明目的：本发明针对现有技术中电力负荷预测存在的缺陷，提供一种基于支持向量机的需求响应下的短期负荷预测方法。

技术方案：为解决上述技术问题，本发明的需求响应下的短期负荷预测方法采用如下技术方案：

一种需求响应下的短期负荷预测方法，包括以下步骤：

1)、分析并选取负荷预测的影响因素，采集负荷的历史数据，得到训练样本集；

2)、根据步骤1)选取的影响因素的历史数据生成输入变量，以所对应的负荷值的历史数据作为输出，得到训练样本；

3)、利用步骤2)的所述训练样本对支持向量机模型进行训练，得到训练后的支持向量机模型；

4)、根据步骤1)选取的所述影响因素的待预测时刻的实际数据生成测试输入向量，并将测试输入向量输入到所述训练后的支持向量机模型，其输出即为待预测时刻的负荷预测值。

有益效果：本发明的需求响应下的短期负荷预测方法是基于支持向量机的短期负荷预测方法，利用支持向量机良好的非线性函数逼近能力，改善了预测模型的精度和泛化能力。

更进一步的，步骤1)所述的影响因素包括：预测点前一时刻负荷值、预测点前两个时刻负荷值、前一天预测点同时刻负荷值、前一天预测点前一小时负荷值、前一天预测点前两个时刻负荷值、前两天预测点同时刻负荷值、前两天预测点前一小时负荷值、前两天预测点前两个时刻负荷值、前一周预测点负荷值、预测日日类型、预测日平均温度、预测点电价、预测点前一时刻电价、预测点前两个时刻电价、前一天预测点同时刻电价、前两天预测点同时刻电价、前一周预测点同时刻电价和日类型。

更进一步的，步骤2)中根据所述影响因素的历史数据生成输入变量的具体步骤如下：首先利用所选取的影响因素的历史数据构造特征向量，然后对所述特征向量进行降维处理，得到所述输入变量。输入向量可由各影响因素的数据直接生成，但当所选取的影响因素较多时，过多的变量会导致计算复杂度高，从而影响预测效率。为此，作为本发明的进一步改进方案。通过对原始数据样本进行降维处理(特征提取)来降低预测的计算复杂度，提高效率。