[发明专利]一种考虑气象因素的短期电力负荷预测方法

说明书

技术领域

本发明属于电力负荷预测技术领域，特别涉及一种考虑气象因素的短期电力负荷预测方法。

背景技术

短期负荷预测是电网能量管理系统的重要功能，是电力系统安全、经济、可靠运行的基础。负荷预测的精度直接影响电力系统的安全性、经济性和供电质量。因此如何提高预测精度是目前短期负荷预测技术研究的重点。

目前用于短期负荷预测的方法主要有传统预测方法和现代预测方法两大类。传统预测方法包括指数平滑法、回归分析法、时间序列法、灰色预测法等。其中以时间序列法应用最为广泛。时间序列法针对一维时间序列，以历史负荷数据为依据推断未来负荷的数值变化，没有考虑气象因素对负荷的影响，造成重要信息的缺失。有些方法即使考虑了气象因素的影响，也多是分析日负荷与最高温度、最低温度等单个气象因素的关系，不能反映所有的气象信息，容易造成分析结果出现误差，从而影响短期负荷预测的精度，难以满足地区负荷预测的需要。现代预测方法主要有专家系统法、遗传算法、神经网络法、支持向量机等。神经网络由于自学习能力和对复杂非线性系统处理能力，成为短期负荷预测的一种重要方法。由于神经网络的结构和参数多依据主观经验确定，因此难以保证预测的效果。合理确定神经网络的结构和参数可有效提高负荷预测的精度。

针对现有短期负荷预测方法存在的不足，本发明目的是提供一种考虑气象因素的短期电力负荷预测方法，该方法综合考虑了多个气象因素对负荷的影响， 选择关键气象因素用于负荷预测，有效减少负荷预测的工作量，提高负荷预测的准确性和可靠性；采用萤火虫优化算法优化Elman神经网络的参数，进一步提高负荷预测的精度和实时性，为电网运行人员制定发电计划提供可靠依据，保障电网安全、高效和稳定运行。

发明内容

本发明的目的在于提出一种考虑气象因素的短期电力负荷预测方法，其特征在于，包括如下步骤：

1)收集地区电网的历史负荷数据以及对应的历史气象数据，并按日期类型对负荷数据和气象数据进行分类筛选，检测并修正异常数据；

2)采用相关性分析方法，分析步骤1)得到的负荷数据与各气象因素的相关程度，确定影响该地区负荷的关键气象因素；

3)根据地区电力负荷与关键气象因素的相关性建立综合气象因素；

4)采用快速傅里叶变换，对步骤1)得到的负荷数据进行频谱分析，总结地区电网日负荷曲线的变化特性，找出预测日的典型相似日，并按日期排序；

5)利用选定负荷与综合气象因素建立Elman神经网络，确定Elman神经网络的结构，采用萤火虫算法训练Elman神经网络并优化网络参数，对训练好的Elman神经网络进行测试以建立Elman神经网络短期负荷预测模型；

6)获取待预测时刻的气象预报数据，计算综合气象因素，将综合气象因素和相应负荷数据生成测试输入向量，输入Elman神经网络短期负荷预测模型，其输出即为待预测时刻的负荷预测值；

7)显示负荷预测值。

所述历史气象数据包括：温度、相对湿度、风速、降雨量、气压、辐射、温湿指数、人体舒适度指数。

所述相关性分析方法的公式为：

式(1)中，x_i为需要辨识其相关性的气象因素，如温度、湿度、风速等，y_i为负荷数据，为该气象因素的平均值，为负荷的平均值

所述采用萤火虫算法训练Elman神经网络并优化网络参数的步骤为：

步骤401：初始化萤火虫种群规模n，最大迭代次数T_max，每个萤火虫依次编码Elman神经网络的连接权值、结构层初始输入和自反馈增益因子；

步骤402：计算各萤火虫的适应度函数f_i，并将其作为萤火虫的亮度，按照f_i的值越小萤火虫亮度越高的原则，对萤火虫进行排序，找到最亮的萤火虫。适应度函数的计算公式如下：

式(2)中，为预测值，y_j为真实值，N为样本总数。

步骤403：计算各萤火虫的吸引度β，计算公式如下：

式(3)中，β₀为萤火虫的最大吸引度；β_min为最小吸引度；γ为介质吸收因子。

步骤404：更新所有非最亮萤火虫的位置，公式如下：