[发明专利]基于多指标动态匹配的实时电力负荷预测系统及其方法

说明书

本发明是一种基于多指标动态匹配的实时电力负荷预测系统及其方法，所述的系统包括：数据采集模块与数据分析模块信号连接，数据分析模块与多指标动态匹配模块信号连接，多指标动态匹配模块与实时电力负荷预测模块信号连接。所述的方法能够通过采集实时电力负荷数据、气象数据和经济数据等多重数据指标；分析电力负荷数据与各个因素指标之间的相关性，自适应的挖掘影响电力负荷预测的动态关键因素集；并根据电力负荷与关键指标之间的依赖关系，建立综合的影响电力负荷预测的自适应指标体系，通过提出的A‑GPR预测模型，实现实时提取关键影响因素集合进行短期和超短期的电力负荷预测。

技术领域

本发明属于智能电网电力负荷预测技术领域，具体地说，是一种基于多指标动态匹配的实时电力负荷预测系统及其方法。

背景技术

电力负荷预测是指，将电力系统运行特性、增容以及自然情况考虑进来，利用历史数据对未来的负荷进行预测。负荷预测是电网能量管理系统的重要的功能，是智能电网系统经济、安全、可靠运行的基础。电力系统的负荷有其本身固有的周期性规律，同时也受到诸多因素的影响，如气候条件、经济因素等等。由于各地区的负荷特性的差异，针对不同地区之间负荷特性的差异，针对地区的负荷预测工作都应该结合当地的实际情况，在负荷特性的基础上考虑负荷的影响因素，再选用合适的方法进行预测，以提高预测的精度。负荷预测的精度直接影响电力系统的安全性、经济性和供电质量，对电网的投资、调度、布局以及运营的科学性具有重要影响，是进行发展规划以及实时控制的重要依据。因此，如何提高预测精度是目前负荷预测技术研究的重点。

目前常用的负荷预测方法包括传统预测方法和现代预测方法两大类，其中传统预测方法包括时间序列方法、回归分析法、灰色预测法等等。其中以时间序列方法应用最为广泛。时间序列方法是对一维的时间序列数据，以历史负荷数据为依据推断未来一段时间的负荷数据。灰色预测法仅需要在少量的历史数据，从中发现影响负荷的规律，计算量小。在此基础上建立起的负荷预测模型，同时难以应对波动性较大的电力负荷。而且历史数据少量且离散程度较大时，预测精度较差。现代预测方法主要有专家系统法、支持向量机、神经网络算法等。其中神经网络由于自学习能力和处理复杂非线性的能力，成为负荷预测的一种重要的方法。然而，神经网络的结构和网络参数大多需要靠主观经验判定。因此，难以保证预测结果的准确性，有些方法在预测时没有考虑当地的气象因素、经济因素对于负荷预测的影响，造成重要的信息的缺失。即使考虑了单个因素与负荷数据的影响关系，也不能反映所有的因素对于负荷预测的影响程度，容易造成分析结果出现误差，从而影响负荷预测的精度。如果将各种影响因素都包含在输入变量中，会造成输入变量过多，加重训练负担，非但不能提高精度，反而降低了模型预测的性能。因此，既考虑影响负荷预测的各种因素，又适当的压缩输入变量，成为负荷预测必须解决的问题。

针对现有的负荷预测方法的不足，本发明目的是提出一种基于多指标动态匹配的实时电力负荷预测系统，该系统的模型综合考虑了多个指标对于负荷的影响，在处理负荷数据的过程中，随着负荷的影响因素的不同、时间的变化，各个因素的权重会随着时间的变化而变化。本发明充分考虑了属性的直接和间接对于负荷的影响，使最后权重的分配更加科学合理，从而选择关键指标建立指标体系用于负荷预测，有效减少负荷预测的工作量，提高负荷预测的准确性和可靠性。同时建立一个可调节的高斯过程回归模型(Adjustable-Gaussian Process Regression)，即A-GPR实时电力负荷预测模型，实现智能电网下电力供应的及时性和新能源的有效利用。

发明内容

本发明的目的是，克服现有技术的不足，提出一种结构合理，功能负荷预测的准确性和可靠性高的基于多指标动态匹配的实时电力负荷预测系统，并提供科学合理。