[发明专利]自适应局部非线性回归偏差补偿的电网短期负荷预测方法

说明书

技术领域

本发明涉及一种自适应局部非线性回归偏差补偿的电网短期负荷预测方法，属于电力系统负荷预测技术领域。

背景技术

短期负荷预测指的是对未来几小时、一天甚至几天电力系统负荷的预测，短期负荷预测的精度直接影响到检修计划、机组组合、经济调度等的编排，进而对电力系统安全、经济运行产生影响。

短期负荷预测一直是国内外学者的研究重点，过去几十年来他们提出了很多种预测方法。这些预测方法主要分为三大类：第一类是以时间序列法、回归预测法等为代表的传统方法；第二类是以专家系统预测法、支持向量机法、人工神经网络法等为代表的智能预测方法；第三类方法是将传统方法与智能预测方法结合，应用于短期负荷预测。已有研究(Tomonobu Senjyu,Paras Mandal,Katsumi Uezato,Toshihisa Funabashi,“Next Day Load Curve Forecasting Using Hybrid Correction Method,”IEEE Trans.Power Syst.)将短期负荷预测分为三个阶段，第一阶段提出了负荷校正方法，以获取更加合适的历史负荷数据；第二阶段，考虑到相关因素的影响，采用人工神经网络算法对第一阶段所获取的历史负荷进行处理；第三阶段，采用模糊逻辑的方法对天气的季节性变化进行处理。尽管以该方法为代表的现有文献提出的一些方法极大提高了短期负荷预测的精度，但可能不一定适合中国的实际情况。发明“基于智能偏差补偿的短期负荷预测方法”将短期负荷预测分为两个阶段：将负荷分为趋势成分和偏差成分，第一阶段采用时间序列法等传统方法预测趋势成分；第二阶段采用支持向量机方法根据历史负荷、温度、湿度等数据预测未来时段负荷的偏差成分；最后将未来时段负荷的趋势成分与偏差成分相加得到最终的预测负荷。然而，实际算例测试表明，在第二阶段中，若不分析数据特征，盲目的选择专家系统预测法、支持向量机法、人工神经网络法等智能预测方法，预测的精度和效率将会有相当大的损失。因此，很有必要首先对数据特征进行分析，然后根据数据的不同特征，选择不同的智能预测方法。

发明内容

本发明的目的是提出一种自适应局部非线性回归偏差补偿的电网短期负荷预测方法，以克服已有技术的不足之处，结合不同预测模型的具体特征，选择不同的预测方法，使电网短期负荷预测具有适应性强、预测精度高等特点。

本发明提出的自适应局部非线性回归偏差补偿的电网短期负荷预测方法，包括以下步骤：

(1)从电网负荷预测系统获取电网负荷预测所需的基础数据，包括预测日之前设定时段N天内每天的电网有功功率负荷曲线P_i,t、该设定时段待负荷预测的电网所在地区的温度曲线T_i,t、待负荷预测的电网所在地区的湿度曲线H_i,t、待预测日该负荷预测电网所在地区的温度曲线T_f,t和湿度曲线H_f,t，其中，i是预测日之前设定时段N天内任意一天，取值1，2，…N，t为预测时刻，t的取值为1，2，…96，f为待预测日，P_i,t、T_i,t和H_i,t均为矩阵，T_f,t和H_f,t为向量；

(2)将上述步骤(1)中的有功功率负荷P_i,t分为趋势成分和偏差成分ΔP_i,t，根据上述步骤(1)中预测日之前N天中N^S天的有功功率负荷曲线，进行模拟测试，采用指数平滑预测方法，利用下式，计算历史趋势成分

上式中，n为指数平滑预测的天数，j与k分别为n天中的任意一天，j与k的取值分别为1，2，…n，α为指数平滑预测参数，取值范围为0<α<1；

将待预测日的有功功率负荷曲线分为趋势成分和偏差成分采用指数平滑预测方法，利用下式，计算待预测日趋势成分

上式中，n为指数平滑预测的天数，j与k分别为n天中的任意一天，j与k的取值分别为1，2，…n，α为指数平滑预测参数，取值范围为0<α<1；

(3)根据上述步骤(1)中的温度曲线和湿度曲线T_i,t、和采用指数平滑预测方法，利用下式，计算气象影响因素的平滑值和