[发明专利]基于连续功率谱分析的电力负荷预测优化方法

说明书

技术领域

本发明属于电力系统技术领域，具体涉及一种基于连续功率谱分析的电力负荷预测优化方法。

背景技术

电力系统负荷是指系统中所有用电设备消耗功率的总和，也称电力系统综合用电负荷。综合用电负荷加上电网中的损耗和发电厂的厂用电，就是系统中所有发电机应发的总功率，也称电力系统发电负荷。电力负荷是影响系统安全稳定运行的重要因素。电力负荷预测是指通过对电力负荷历史记录的分析研究，综合考虑影响电力负荷变化的各种因素，如社会发展规划、经济状况、气象变化因素以及节假日等，对未来电力负荷的发展做出预先估计。电力负荷预测是电力系统规划、计划、调度、用电的依据。提高电力负荷预测技术水平，有利于制定合理的电源建设规划，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于计划用电管理，有利于提高电力系统的经济效益和社会效益。因此，电力负荷预测是实现电力系统管理现代化的重要内容之一。由于受天气情况和人们社会活动等因素的影响，电力负荷数据存在大量的随机性和非线性关系，影响电力负荷时间序列的因素可划分为内在随机因素和外在随机因素，其中外在因素包括气象、社会、经济等，而内在因素是由电力系统内部非线性因素影响的结果，电力负荷是系统内在和外在随机性影响因素共同作用的结果，其预测不准确的原因不仅仅是外在随机因素的影响，更重要的是由系统内在动力学特征所决定。

为此，涌现了多种预报方法，从一般统计模型，如ARIMA时间序列模型、灰色模型等到各类智能模型，如神经网络模型、支持向量机模型等等，算法的改进有望提高电力负荷的预报精度，但最根本的还是在于所使用的预测方法对于数据的学习和泛化性能。电力负荷受人类生产生活影响具有明显的规律性，但这种规律性中又存在大量的随机性，影响模型的学习和泛化能力。

发明内容

为了解决上述技术问题，本发明旨在提供一种基于连续功率谱分析的电力负荷预测优化方法，通过连续功率谱分析，提取原始电力负荷时间序列中隐含的显著周期序列并分离得到残差序列，由于显著周期序列占原序列比重大，并且规律性强，因此可以高精度预测，而残差序列由于占原序列比重小因而误差有限，从而保证了可以有效提高电力负荷预报的精度。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于连续功率谱分析的电力负荷预测优化方法，包括

读入原始采样电力负荷时间序列，并按预报间隔要求将其转换为平均电力负荷时间序列，然后计算出平均电力负荷时间序列的距平序列；

采用连续功率谱分析方法，提取平均电力负荷时间序列的距平序列中隐含的显著周期序列，并分离得到残差序列；

采用粒子群算法优化的BP神经网络对显著周期序列进行预测，获得各显著周期序列的预测结果；

采用粒子群算法优化的RBF神经网络对残差序列的一阶差分序列进行预测，后经差分反运算得到残差序列的预测结果；

将平均电力负荷时间序列的平均值与各显著周期序列的预测结果以及残差序列的预测结果相加获得最终预测结果。

进一步地，所述原始采样电力负荷时间序列为p＝{p(i),i＝1,2,...,N}，其中N为原始电力负荷采样点个数；

所述平均电力负荷时间序列为p’＝{p’(j),j＝1,2,...,M}，其中M为按预报间隔要求转换后的平均电力负荷序列的采样点个数，p’的平均值为令

所述平均电力负荷时间序列的距平序列为

进一步地，所述显著周期序列为{P₁,P₂,…,P_k,…,P_K}，其中K为P中隐含的显著周期序列的个数，P_k＝{P_k(1),P_k(2),…,P_k(M)}，其中P_k(1),P_k(2),…,P_k(M)分别为显著周期序列P_k的值；所述残差序列为R＝P-P₁-P₂-…-P_K。

进一步地，所述采用连续功率谱分析方法，提取平均电力负荷时间序列的距平序列中隐含的显著周期序列，具体为：利用连续功率谱方法，分析平均电力负荷时间序列的距平序列的显著周期带，并利用快速傅立叶变换的频域滤波方法提取各显著周期带对应的时间序列，从而获得显著周期序列。