[发明专利]一种日电力负荷预测方法及预测装置

说明书

本发明公开了一种日电力负荷预测方法及预测装置，属于电力系统短期负荷预测领域，方法包括：对于待预测日中的任意第t个时刻，对S天历史负荷数据采样以得到S个第一负荷序列；对第一负荷序列进行归一化，并从归一化结果中获得S天中每一天的目标负荷序列；分别获得S天中每一天以及待预测日的有效影响因素序列并进行归一化；以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待预测日中第t个时刻的负荷值；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，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。本发明能够提高对电力系统日负荷的预测精度和数据利用效率。

技术领域

本发明属于电力系统短期负荷预测领域，更具体地，涉及一种日电力负荷预测方法及预测装置。

背景技术

电力负荷预测是在考虑电力系统运行特性以及外部影响因素(如自然条件、环境条件、社会条件)的情况下，确定未来某特定时刻(短期或长期)负荷数据的行为，并且其结果需要满足一定的精度要求。

人工神经网络由于具备自适应、自学习和自组织能力而被广泛应用于电力负荷预测领域。现有的应用于电力负荷预测领域的神经网络种类繁多，如BP神经网络、ELMAN神经网络、RBF神经网络等等，这些神经网络各有利弊且适用范围不尽相同，对于不同的实际应用情况，各种算法所得到的预测精度也有所差异。

短期负荷预测，尤其是日电力负荷，在电力调度等方面具有重要意义。在利用神经网络进行短期负荷预测时，不仅仅需要历史负荷数据，往往还需要外部的影响因素数据(如气象因素、节假日类型因素、社会因素等等)，如何从繁多的外部影响因素中筛选出有价值的外部影响因素数据并提供给神经网络是进行高精度负荷预测必须考虑的问题。外部影响因素选取过多，可能会导致神经网络过于冗杂，影响预测精度；外部影响因素选取过少，又会导致数据利用效率低。此外，现有的利用神经网络进行短期电力负荷预测的方法，往往使用单一的神经网络，由于单一神经网络在不同预测环境下的预测效果不同，并且单一的神经网络容易陷入局部最优值而导致预测精度不理想，从而带来较大的预测误差风险，因此，现有的利用神经网络进行短期电力负荷预测的方法的预测精度往往得不到保证。

总的来说，现有的基于神经网络进行短期电力负荷预测的方法，在预测精度和数据利用效率方面还存在优化空间。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种日电力负荷预测方法及预测装置，其目的在于，提高对电力系统日负荷的预测精度和数据利用效率。

为实现上述目的，按照本发明的第一方面，提供了一种日电力负荷预测方法，包括：

(1)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S天中每一天的目标负荷序列；

(3)分别获得S天中每一天的有效影响因素序列，并获得第d天的有效影响因素序列；

(4)对所获得的有效影响因素进行归一化；

(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待预测日中第t个时刻的负荷值；

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