[发明专利]一种中长期负荷预测曲线筛选算法

说明书

本发明提供一种中长期负荷预测曲线筛选算法，该算法采用相邻两点负荷之间的变化率作为分析研究对象。同时,对关联系数的权重设置方法也作了改进,从而得到最终的关联度。通过上述算法,可以从多种模型中筛选出行之有效的若干个模型作为最终预测模型；最后通过方差—协方差方法对筛选出的预测模型进行组合优化。

技术领域

本发明涉及负荷预测算法领域，更具体地，涉及一种中长期负荷预测曲线筛选算法。

背景技术

随着经济快速发展及人民生活水平日益提高，我国电网装机容量不断增大，用电结构也发生了变化。第一产业用电量呈逐年下降趋势，第二、三产业用电量呈逐年上升势头，导致电网峰谷差逐渐增大，尤其是耗电大的省市，用电峰谷差大的问题更加突出。电力系统表现出高峰负荷时段集中、峰谷差持续增大等一系列新的特点。全面客观地分析电力系统负荷特性，一直是科研工作者努力探索与研究的课题。过去，由于计量条件有限，缺乏足够的负荷数据支持，导致电力负荷特性分析研究深度不够。随着智能电表的推广，系统负荷特性与用户用电特性的研究将成为一项不可或缺的工作，并将为负荷管理提供有力支持。

发明内容

本发明提供一种预测效果较好的中长期负荷预测曲线筛选算法。

为了达到上述技术效果，本发明的技术方案如下：

一种中长期负荷预测曲线筛选算法，包括以下步骤：

S1：利用改进的灰色关联分析方法评价各单一预测曲线与实际负荷曲线的拟合程度；

S2：分析预测曲线与实际曲线的趋势拟合程度，从多种预测模型中选择出若干个优越模型；

S3：用方差—协方差方法优化组合筛选出优越模型，从而计算得到最终的预测结果。

进一步地，所述步骤S1中改进的灰色关联分析方法的过程是：

S11：构造序列矩阵；

S12：对构造的序列矩阵进行无量纲化处理；

S13：对无量纲化处理后的序列计算关联系数；

S14：对无量纲化处理后的序列计算关联度。

进一步地，所述步骤S1中的改进的灰色关联分析方法中，由于相邻两个时点的负荷变化率更能反映负荷的趋势变化情况，选择采用变化率序列作为负荷序列的生成序列,通过计算预测变化率序列和实际变化率序列之间的关联度来分析预测曲线和实际曲线的趋势接近程度。

进一步地，所述步骤S1中的改进的灰色关联分析方法中，通过预测序列与实际序列的关联度评判两者之间的关联程度，关联度越大，则对应的预测模型正确描述负荷发展趋势的能力越强，预测效果也就越好。

进一步地，在得到各预测序列与实际序列的关联度的基础上,从多个备选预测模型中挑选出较优，挑选方法包括以下两种：

第一种：计算所有关联度的均值，并选择关联度大于该均值的模型作为优选模型；

第二种：预设阈值,选择关联度大于该阈值的模型作为优选模型。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供一种中长期负荷预测曲线筛选算法，该算法采用相邻两点负荷之间的变化率作为分析研究对象。同时,对关联系数的权重设置方法也作了改进,从而得到最终的关联度。通过上述算法,可以从多种模型中筛选出行之有效的若干个模型作为最终预测模型。最后,通过方差—协方差方法对筛选出的预测模型进行组合优化。

附图说明

图1为本发明算法流程图。

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；