[发明专利]一种公共楼宇短期负荷预测方法

说明书

本发明涉及一种公共楼宇短期负荷预测方法，考虑了天气情况、气温、体感温度等外部条件变化对负荷的影响，采用互信息的方法挑选出对负荷影响最大的气象因素；以关键影响因素为基准，采用欧式距离选择相似日，并将相似日按照欧氏距离从小到大的顺序进行排列，提高预测性能和预测的有效性；对采用ARIMA进行初次负荷预测，将其预测值与相似日的负荷值、相似日以及预测日的的关键影响因素值作为BP神经网络的输入，形成ARIMA‑BP混合模型，进行第二次负荷预测，预测结果具有科学性和准确性。

技术领域

本发明涉及一种电力大数据分析技术，特别涉及一种基于相似日选择和ARIMA-BP混合模型的公共楼宇短期负荷预测方法。

背景技术

负荷预测对于确保电力系统正常稳定运行具有重要意义，对电网的短期负荷进行精确预测能够降低电力电网系统的运行和维护成本。短期负荷预测的理论和方法众多，包括回归分析法、时间序列法、指数平滑法、灰色预测法、人工神经网络和支持向量机等。

影响楼宇负荷的因素多样复杂，负荷预测与样本数据密切相关。目前，大部分负荷预测研究只是用预测日前一段时间的负荷和因素数据进行日前负荷预测，没有考虑外部条件变化导致的负荷差异，样本数据输入到神经网络模型中会影响预测的精度，其预测的有效性有待验证。因此，为进一步提升预测性能，需要对待预测日进行相似日选择。

同时，输入样本日的先后顺序对神经网络的学习效果也有一定影响，需要对样本日进行相似度排序。

此外，楼宇负荷数据是一类非线性较强的时间序列数据。神经网络是最常见的解决楼宇用能和相关能源需求预测问题的方法。它的自适应和对多维数据的并行处理优势能够满足负荷预测的需求。在相似日的基础上，若能够对神经网络预测模型进行改进，可进一步提高预测精度。

发明内容

本发明是针对负荷预测研究中没考虑因天气情况等外部条件变化对负荷的影响以及没有进行相似日选择的问题，提出了一种公共楼宇短期负荷预测方法，提高预测性能和预测的有效性。

本发明的技术方案为：一种公共楼宇短期负荷预测方法，具体包括如下步骤：

1)对每日设定的各个采集时刻，对公共楼宇负荷功率数据、气象数据进行时刻序列采集；

2)基于互信息的相似日挑选：

2.1)数据归一化：对步骤1)采集的公共楼宇负荷功率数据和各气象影响因素时刻序列数据进行归一化处理，得到处理后负荷功率序列X和各个气象影响因素数据序列，其中第i个气象影响因素数据序列为Y_i；

2.2)互信息计算：分别计算负荷功率序列X与各个影响因素序列的互信息值，该值越大表明此气象因素越重要；

2.3)相似日选择：以步骤2.2)挑选出的关键气象影响因素，以此气象影响因素对应的数据序列为基准，利用欧氏距离来判定相似度，选择负荷功率预测的相似日；

3)ARIMA-BP混合模型进行预测：

3.1)通过对选出的相似日负荷功率序列进行自相关分析和偏自相关分析,确定ARIMA时间序列模型的参数；

3.4)将相似日的负荷功率序列输入到ARIMA时间序列模型对预测日负荷功率进行预测，得到ARIMA时间序列预测模型的预测结果；

3.3)将通过自相关分析其自相关系数超过设定值的相似日负荷功率序列、相似日对应的关键气象影响因素序列、ARIMA时间序列模型负荷功率预测值、预测日的的关键影响因素序列值，作为BP神经网络预测模型的输入，形成ARIMA-BP混合模型进行负荷功率预测；

3.5)对ARIMA-BP混合模型预测结果进行平均预测误差计算分析，如误差在认可范围，所得ARIMA-BP混合模型用于公共楼宇短期负荷预测。