[发明专利]一种电缆线路短时负荷预测方法

说明书

技术领域

本发明涉及负荷预测技术领域，更具体地，涉及一种电缆线路短时负荷预测方法。

背景技术

负荷预测按预测的时间可以分为长期、中期和短期负荷预测。其中，短期负荷的准确预测有利于提高电力经营主体的运行效益。

目前，电力系统短期负荷预测的方法主要包括统计技术、专家系统法和神经网络法。统计技术中所用的短期负荷模型一般可分为时间系统模型和回归模型。时间系统模型不能充分利用对负荷性能有很大影响的气候信息和其他因素，预测不准确且不稳定。回归模型需要事先知道负荷与气象变量之间的函数关系，且计算量大，不能处理气候变量和负荷之间非平衡暂态关系。专家系统法利用专家的经验知识和推理规则，提高了节假日或者重大活动日的负荷预测精度，但将专家知识和经验等准确地转化为一系列规则存在很大困难。

负荷曲线是与很多因素相关的一个非线性函数。对于非线性预测以及推理，神经网络是一种合适的方法。近年来的研究表明，相对于统计技术和专家系统法，利用神经网络法对电力系统短期负荷进行预测可以获得更高的精度。

发明内容

本发明的目的是提供一种电缆线路短时负荷预测方法，克服现有技术中的不足，提供一种电缆线路短时负荷预测方法，解决电缆线路短时负荷预测问题，提高预测精度。

为解决上述技术问题，本发明采用的技术方案是：一种电缆线路短时负荷预测方法，其中，包括以下步骤：

(1)训练样本选取：每组样本里面包括负荷电流和气象特征状态量，其中负荷电流包括时刻t及其前四个时刻t-1，t-2，t-3，t-4对应的负荷电流I_t，I_t-1，I_t-2I_t-3，I_t-4；气象特征状态量包括时刻t对应的平均气温K_1t和天气特征值K_2t；

(2)网络初步训练：以步骤(1)中的负荷电流I_t-1，I_t-2I_t-3，I_t-4，平均气温K_1t以及天气特征值K_2t做为输入，负荷电流I_t做为输出，构建BP神经网络，并使用训练样本对网络进行训练，得到初步训练好的神经网络；

(3)网络进一步训练：对于步骤(2)得到的初步训练好的神经网络，保持网络结构不变，使用训练样本并结合粒子群优化算法，对网络的连接权值和阈值进行进一步的优化，得到最终训练好的神经网络；

(4)负荷预测：将负荷预测时刻对应的平均气温和天气特征值，以及其前四个时刻对应的负荷电流输入到步骤(3)最终训练好的神经网络，即可预测出该时刻的负荷电流。

本发明与现有技术相比，其有益效果是：

本发明不依靠专家经验，只利用监测的数据建立BP神经网络，并使用训练样本对网络进行初步训练，之后使用粒子群优化算法对网络连接权值和阈值进行进一步优化，能够提高负荷预测的精度。

附图说明

图1为本发明的一种电缆线路短时负荷预测方法的流程示意图。

图2为4层的BP神经网络拓扑结构图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

如图1所示，一种电缆线路短时负荷预测方法，其中，包括以下步骤：

(1)训练样本选取：训练样本选取：每组样本里面包括负荷电流和气象特征状态量，其中负荷电流包括时刻t及其前四个时刻t-1，t-2，t-3，t-4对应的负荷电流I_t，I_t-1，I_t-2I_t-3，I_t-4；气象特征状态量包括时刻t对应的平均气温K_1t和天气特征值K_2t，天气特征值K_2t可取为0，0.5，1，分别代表晴天，阴天和雨天。

时刻t对应的平均气温K_1t的计算公式为：

K_1t＝(K_1max+K_1min)/2