[发明专利]一种日电力负荷预测方法及预测装置

权利要求书

1.一种日电力负荷预测方法，其特征在于，包括：

(1)对于待预测日中的任意第t个时刻，以每天M个采样点的采样率对S天历史负荷数据进行采样，以得到S个第一负荷序列；

(2)对采样得到的第一负荷序列进行归一化，并从归一化的结果中获得所述S天中每一天的目标负荷序列；

(3)分别获得所述S天中每一天的有效影响因素序列，并获得所述待预测日的有效影响因素序列；

(4)对所获得的有效影响因素序列进行归一化；

(5)以所获得的目标负荷序列和归一化之后的有效影响因素序列为输入，利用已训练好的日电力负荷预测模型预测所述待预测日中第t个时刻的负荷值；

(6)对于所述待预测日中的每一个时刻，分别执行步骤(1)～(5)，以实现对所述待预测日的日电力负荷预测；

其中，所述目标负荷序列包括第t-1个时刻、第t个时刻以及第t+1个时刻的负荷值，所述有效影响因素序列包括一个或多个外部影响因素的取值，M、S和t均为正整数；所述日电力负荷预测模型包括级联的复合网络和第二RBF神经网络，所述复合网络由ELMAN神经网络、BP神经网络以及第一RBF神经网络并列构成，所述复合网络中各神经网络分别用于根据历史负荷数据预测和有效影响因素数据预测日电力负荷，所述第二RBF神经网络用于对所述复合网络中各神经网络的预测结果进行融合与修正，以得到所述待预测日中第t个时刻的负荷值；有效影响因素的识别方法包括：先后进行的长时间段识别和短时间段识别；

所述长时间段识别包括：

(S1)以每天M个采样点的采样率对N₁天历史负荷数据进行采样，以得到N₁个第二负荷序列，并获得所述N₁天中每一天的外部影响因素序列；

(S2)对采样得到的第二负荷序列进行归一化，并利用归一化的结果计算每一天的负荷特征序列；

(S3)对所获得的外部影响因素序列进行归一化；

(S4)利用负荷特征序列和归一化之后的外部影响因素序列，通过灰色关联分析法计算每一个外部影响因素与负荷数据的关联程度，并将关联程度大于预设的第一阈值η₁的外部影响因素识别为有效影响因素；

所述短时间段识别包括：

(T1)以每天M个采样点的采样率对N₂天历史负荷数据进行采样，以得到N₂个第三负荷序列，并获得所述N₂天中每一天的外部影响因素序列；

(T2)对采样得到的第三负荷序列进行归一化，并利用归一化的结果计算每一天的负荷特征序列；

(T3)对所获得的外部影响因素序列进行归一化；

(T4)利用负荷特征序列和归一化之后的外部影响因素序列，通过灰色关联分析法计算每一个外部影响因素与负荷数据的关联程度，并将关联程度大于预设的第二阈值η₂且未被识别为有效影响因素的外部影响因素识别为有效影响因素；

其中，所述负荷特征序列包括日平均负荷值、日最大负荷值以及日最小负荷值，N₁＞31，N₂≤31，η₁＜η₂；

所述日电力负荷预测模型的训练方法包括：

以每天M个采样点的采样率对N天历史负荷数据进行采样，以得到N个第四负荷序列，并获得所述N天中每一天的有效影响因素序列；

对采样得到的第四负荷序列进行归一化，并对获取到的有效影响因素序列进行归一化；

建立所述日电力负荷预测模型，用于根据历史负荷数据和有效影响因素数据对日电力负荷进行预测；

利用归一化之后的第四负荷序列和归一化之后的有效影响因素序列训练所述日电力负荷预测模型进行训练，以得到训练好的日电力负荷预测模型。

2.如权利要求1所述的日电力负荷预测方法，其特征在于，所述S天包括第d-1天、第d-2天以及第d-7天；

其中，d为所述待预测日的序号，d＞7。