[发明专利]一种基于回声状态网络的短期负荷预测方法及系统

说明书

本发明提供了一种基于回声状态网络的短期负荷预测方法，包括收集历史负荷数据和负荷影响因素信息；对历史负荷数据进行预处理；基于负荷影响因素信息使用模糊聚类分析法筛选出与待测日特征相似的相似日；基于相似日的经过预处理后的历史负荷数据建立回声状态网络负荷预测模型；基于回声状态网络负荷预测模型对待测日进行负荷预测。本发明考虑了负荷影响因素，筛选出了历史相似日，再用历史相似日的数据作为训练样本，极大提高了预测模型的预测精度；同时采用L1/2范数正则化方法对预测模型进行训练，增强了预测模型的泛化能力，进一步提高了预测结果的准确度。本发明还公开了一种基于回声状态网络的短期负荷预测系统。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种基于回声状态网络的短期负荷预测方法及系统。

背景技术

电力负荷预测是能量管理系统的重要组成部分，短期负荷预测不但为电力系统的安全、经济运行提供保障，也是市场环境下编排调度计划、供电计划、交易计划的基础。

短期负荷预测，通常指未来1年以内的预测，以月、周、日、小时为单位的负荷预测，包括未来一天24小时中的负荷预测。短期负荷在电力系统的日调度工作中起着至关重要的作用，它能够为系统的安全分析、计算机在线对电网的控制以及基本的发电计划提供重要的数据依据，有效地促进供电、运电、用电三方的协调。因此，有必要对其进行深入的研究。目前已经出现了很多不同的电力负荷预测方法，这些方法大致可被分为两类：传统预测方法和智能预测方法。传统预测方法主要是基于统计学原理的思想，有外推法、指数平滑法、相关分析法、回归分析法、时间序列法和灰色系统法等；智能预测方法是迅速发展的人工智能技术，典型的预测方法诸如：人工神经网络(Artificial Neural Network,ANN)，模糊逻辑以及小波分析方法等。传统预测方法很难满足对非线性的电力负荷曲线做出准确的预测，相对而言，智能预测方法可以有效的反映负荷序列与影响因素之间的非线性关系，可以有效的弥补传统预测方法的不足，同时，人工神经网络可以满足对任意函数的逼近，因此被广泛应用于非线性系统的建模中，其中，多层感知器网络和径向基函数(Radial BasisFunction,RBF)神经网络具有相对简单的网络结构和学习算法，但由于其前馈网络结构使得其动态记忆能力和时间嵌入能力有限，难以满足对复杂动态系统的建模。递归神经网络虽然可以弥补前馈神经网络记忆渐消的问题，但其学习算法复杂，进而使其学习效率低下。

电力负荷受到很多复杂因素的影响，例如突发事件、季节更替、天气情况、社会活动等，这些影响因素中有些非常重要的影响因素是定性的，如气象因素、日期类型等。普通的电力负荷预测方法没有办法考虑这些定性的影响因素，就将之忽略，预测精度必然会因预测方法考虑的不够全面而降低。

短期负荷由于受天气变化、社会活动和节日类型等各种因素的影响，在时间序列上表现为非平稳的随机过程，但是影响系统负荷的各因素中大部分具有规律性，从而为实现有效的预测奠定了基础。电力负荷预测研究的核心问题是如何利用现有的历史数据，建立预测模型，对未来时刻或时间段内的负荷值进行预测，因此，历史数据信息的可靠性和预测模型是影响短期负荷预测精度的主要因素。随着现在电力系统管理信息系统的逐步建立，以及天气预测水平的提高，准确获取各种历史数据已不再困难。因此，短期负荷预测的核心问题是预测模型的水平高低。

现有的短期负荷预测方法主要有以下几种：

1.回归分析法

回归分析预测方法是根据历史数据的变化规律和影响负荷变化的因素，寻找自变量与因变量之间的相关关系及其回归方程式，确定模型参数，据此推断将来时刻的负荷值。

回归分析法的优点是计算原理和结构形式简单，预测速度快，外推性能好，对于历史上没有出现的情况有较好的预测。存在的不足是对历史数据要求较高，采用线性方法描述比较复杂的问题，结构形式过于简单，精度较低；该模型无法详细描述各种影响负荷的因素，模型初始化难度较大，需要丰富的经验和较高的技巧。

2.时间序列法