[发明专利]一种优化的电力数据短期预测方法

说明书

技术领域

本发明涉及电力数据分析领域，尤其涉及一种优化的电力数据短期预测方法。

背景技术

在城市电网中，短期电力预测是指以月为单位预测未来一个月的电力数据，还指以周、天、小时为单位，预测未来一周、未来一天、未来一个小时的电力数据，短期电力预测是电力系统日常运行中的一项重要工作，是制定发电计划和输电方案的主要依据，精确的电力数据预测，对电力系统的生产安排、经济调度和安全分析都有着重要的作用，也直接影响着电力企业的经济效益。但是，影响用电的因素众多，无法用确切的数学模型来表达电力数据，目前，最常用的预测算法有灰度预测法、时间序列法、回归模型等，其中灰度预测法对于单变量模型的预测有着良好的预测精度，但是由于影响电力数据的因素很多，单一的模型无法做到对电力需求的精准预测，造成电力数据的预测出现误差，影响电力系统的正常运行。

发明内容

本发明的目的在于提供一种优化的电力数据短期预测方法，能够提高电力数据预测的准确性，为制定发电计划和输电方案提供重要依据。

为实现上述目的，本发明采用如下技术方案：

一种优化的电力数据短期预测方法，依次包括以下步骤：

(1)将原始电力数据分为若干相同样本数的子集，记为{C₁，C₂，……C_k，……C_n}，其中C表示原始电力数据的子集，下标k＝1,2，……n，n为自然数；

(2)对原始电力数据的子集建立灰度模型GM(1，1)，对此灰度模型进行计算得到一组灰度预测数列，此灰度预测数列组成灰度预测模型P_bp，求出灰度预测数列与原始数列之间的残差序列ε⁽⁰⁾，ε表示灰度预测数列与原始数列之间的残差，上标0表示第0次迭加；

(3)将步骤(2)得到的灰度预测模型的残差序列输入BP神经网络进行训练，得到BP神经网络模型P_bp，求出BP神经网络模型的实际输出值与期望输出值之间的残差序列δ⁽⁰⁾，δ表示BP神经网络实际输出值与期望输出值之间的残差，上标0表示第0次迭加；

(4)根据步骤(2)和步骤(3)，得出灰度预测模型和BP神经网络模型之间的平均残差序列e⁽⁰⁾，