[发明专利]一种电力负荷短期预测方法

说明书

本发明涉及一种电力负荷短期预测方法，该方法包括如下步骤：(1)获取历史电力负荷数据序列，计算历史电力负荷数据序列的赫斯特指数H；(2)基于赫斯特指数H建立预测电力负荷的分数布朗运动模型；(3)对分数布朗运动模型中赫斯特指数H进行全局寻优获得赫斯特指数最优值H_gbest，进而得到分数布朗运动优化模型；(4)利用分数布朗运动优化模型预测电力负荷数据。与现有技术相比，本发明能对短期非平稳的电力负荷数据进行高精度的预测。

技术领域

本发明涉及一种电力负荷预测方法，尤其是涉及一种电力负荷短期预测方法。

背景技术

电力负荷预测是电力系统运行的重要环节，是电力调度的重要内容。根据电力调度，电力系统运营商可以确定电网的运行时间，减少潜在损失，因此准确的电力负荷预测有助于运营商把握未来电力发展趋势，更好地调度电网。

目前有很多传统的电力负荷方法，灰色模型(GM)在电力负荷预测中得到广泛应用，然而，电力负荷预测的精度往往受多种因素的影响，GM指数增长规律无法处理这些因素，从而得到合理的预测效果。综合自回归移动平均(ARIMA)被成功地用于估计的电力需求，但不能处理多变量ARIMA和异方差性相关问题。近年来，误差反向传播(BP)算法在电力预测中得到了广泛的应用，但它存在收敛速度慢、易陷入局部空间等缺点。将人工神经网络用于电力负荷预测，保证了精度，然而，人工神经网络也有缺陷，例如，过度拟合的问题和需要的大型训练实例。支持向量回归机(SVM)比神经网络有更好的预测结果，但有一个复杂的计算过程。

目前常采用粒子群优化(PSO)算法来解决优化问题，粒子群优化算法具有一个固有的缺点，由于每个粒子在搜索空间中的粒子群优化算法与移动速度来搜索自己的最优和全局最优，因此，粒子群优化算法容易陷入局部最优解。由于考虑了粒子在量子理论利用QPSO算法，我们不需要速度矢量获得全局最优解。因此，一个能够避免陷入局部最优解，因此，QPSO算法的优化效果优于基于牛顿运动的粒子群优化算法。在本文中，我们采用QPSO优化模型参数，预测电力需求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种电力负荷短期预测方法。

本发明的目的可以通过以下技术方案来实现：

一种电力负荷短期预测方法，该方法包括如下步骤：

(1)获取历史电力负荷数据序列，计算历史电力负荷数据序列的赫斯特指数H；

(2)基于赫斯特指数H建立预测电力负荷的分数布朗运动模型；

(3)对分数布朗运动模型中赫斯特指数H进行全局寻优获得赫斯特指数最优值H_gbest，进而得到分数布朗运动优化模型；

(4)利用分数布朗运动优化模型预测电力负荷数据。

步骤(1)中电力负荷数据序列的赫斯特指数H通过重标极差分析法获取。

步骤(2)分数布朗运动模型具体为：

对于历史电力负荷数据序列{y_t,t＝0，1,2...n}，y_t表示t时刻的历史电力负荷数据，分数布朗运动模型为：

y_t+1＝y_t+uy_tΔt+σy_tw₁(t)(Δt)^H+λy_tw₂(t)(Δt)^2H，

其中，y_t+1表示t+1时刻的电力负荷数据，Δt表示相邻两个历史电力负荷数据的时间间隔，w₁(t)和w₂(t)为服从独立的正态分布的常参数；