[发明专利]一种负载功率预测方法及系统

说明书

技术领域

本发明涉及智能电网技术领域，更具体地，涉及一种负载功率预测方法及系统。

背景技术

在当下的电网系统中，不论是针对大电网还是微电网，对负载端用电功率的预测一直都十分重要。目前我国很多地区在夏天仍然会受到用电紧张的困扰，尤其是在天气炎热的时候，大量大功率空调运作，需要消耗大量的电能，但可能由于发电总量有限，或者来不及从周边地区调度电能，或者某些发电厂没有做好大量发电的准备，那么有些供电不足的区域就可能发生停电的情况。为了避免这类情况，用电量的合理预测就显得尤为重要。如果可以提前得知用电功率的预测数据，那么发电单位就可以提前做好准备，调配电单位也可以提前准备好一定范围地区内电能的合理调配。

现有的电网系统中，负载功率大部分为居民用电，因此其变化规律也主要受到当地居民的用电习惯的影响，一般的针对负载用电功率建模方法，传统的预测模型使用了线性常微分方程，通过建立负载功率的一个带有线性参数的常微分模型来对负载功率进行求解。

但是，现有技术使用的负载用电功率预测方法，无法描述负载在很短时间内的随机波动，从而导致建立的负载功率预测模型预测的结果存在较大误差。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的一种负载功率预测方法及系统。

根据本发明的一个方面，提供一种负载功率预测方法，包括：

S1、获取历史负载功率数据以及所述历史负载功率数据对应的天气数据；

S2、基于预设的多层感知器神经网络，对每个时刻的所述历史负载功率数据和所述天气数据进行拟合，得到每个时刻的负载功率关于天气的整体波动预测模型；

S3、基于所述整体波动预测模型、预设的粗糙路径随机波动预测模型以及预设的点过程随机波动预测模型，联合预测每个时刻的负载功率。

其中，步骤S2之前所述方法还包括：

基于滑动平均算法，对所述历史负载功率数据进行数据平滑。

其中，步骤S2包括：

基于所述历史负载功率数据和所述天气数据，计算负载功率关于天气的皮尔逊积矩相关系数；

基于所述皮尔逊积矩相关系数和预设的多层感知器神经网络，得到每个时刻的负载功率关于天气的整体波动预测模型。

其中，步骤S3之前所述方法还包括：

基于所述整体波动预测模型，分别建立所述粗糙路径随机波动预测模型和所述预设的点过程随机波动预测模型。

其中，步骤S3包括：

S31、基于所述每个时刻的负载功率关于天气的整体波动模型和预设的粗糙路径随机波动预测模型，计算每个时刻负载功率关于天气的第一随机波动数据；

S32、基于所述每个时刻的负载功率关于天气的整体波动模型和所述预设的点过程随机波动预测模型，计算每个时刻负载功率关于天气的第二随机波动数据；

S33、将每个时刻的负载功率关于天气的整体波动预测模型中的整体波动数据、所述每个时刻负载功率关于天气的第一随机波动数据和所述每个时刻负载功率关于天气的第二随机波动数据对应相加，得到每个时刻的负载功率。

其中，S31具体包括：

基于所述每个时刻的负载功率关于天气的整体波动模型，计算系统参数μ₁和σ₁；

基于所述系统参数μ₁和σ₁以及所述预设的粗糙路径随机波动预测模型，计算每个时刻负载功率关于天气的第一随机波动数据。

其中，所述基于所述系统参数μ₁和σ₁以及所述预设的粗糙路径随机波动预测模型，计算每个时刻负载功率关于天气的第一随机波动数据具体包括：

dP_Le(t)＝μ₁P_Le(t)dt+σ₁dR(t)，

其中，R(t)为所述粗糙路径随机过程、μ₁和σ₁为系统参数、P_Le(t)为所述第一随机波动数据。

根据本发明的第二方面，提供一种负载功率预测系统，其特征在于，包括：

获取模块，用于获取历史负载功率数据以及所述历史负载功率数据对应的天气数据；

拟合模块，用于基于预设的多层感知器神经网络，对每个时刻的所述历史负载功率数据和所述天气数据进行拟合，得到每个时刻的负载功率关于天气的整体波动预测模型；