[发明专利]一种考虑气象因素的逐日分段短期负荷预测算法

说明书

本发明公开了一种考虑气象因素的逐日分段短期负荷预测算法，要解决的是现有预测方法没有采用分时段预测的问题。本发明具体步骤如下：将负荷曲线分为凌晨、白天、夜晚三段，筛选出与凌晨、夜晚负荷相关系数最强的气象指标；对筛选后的气象指标与电力负荷进行回归建模，实现凌晨、夜晚的负荷预测；对于白天的负荷，结合相似日算法预测白天负荷；最后将三段负荷预测结果进行合并形成最终的预测结果。该方法考虑了单一气象指标、综合气象指标、气象累积效应等影响因素，有助于充分把握气象与负荷的相关关系，同时白天时段的负荷预测采用相似日方法代替气象负荷回归算法，规避了由于新能源导致气象负荷规律多变的影响，提高了短期负荷预测准确率。

技术领域

本发明涉及电力系统短期负荷预测研究领域，具体是一种考虑气象因素的逐日分段短期负荷预测算法。

背景技术

短期负荷预测是电力调度部门日常工作中非常重要的部分，其目的是为了合理地制定发电计划，保证系统供需平衡。而近年来，在新能源的大规模发展、电力市场化改革的新形势下，短期负荷预测的难度增加，尤其白天的负荷受新能源影响明显，负荷的历史规律性由于新能源出力的随机性而变得更加复杂，加上气象等因素的影响，使得常规短期负荷预测方法的适用性降低。另外，短期负荷预测的准确性与电网的经济利益息息相关，若预测值高于实际值，由于电能不能实时存储而导致能源浪费；若预测值太小，又影响正常供电及安全运行。因此，只有充分考虑新能源、气象等因素对负荷的影响，才能更好地进行短期负荷预测。

短期负荷预测方法包括传统方法以及人工智能方法两大类。传统方法主要有趋势外推法、回归分析法、时间序列法、灰色预测法等；人工智能的方法主要包括人工神经网络、模糊控制、遗传算法等。

传统预测方法中，趋势外推法是按照负荷的变化趋势，对未来负荷情况做出判定。此方法计算简单，方法实用性较强，但当历史数据序列存在明显的波动时，预测结果不甚理想；回归分析法是对历史数据进行拟合建模，常用于分析负荷与气象之间的相关关系并利用气象数据对负荷进行预测，但目前由于新能源的影响使得白天时段负荷与气象相关性减弱，预测效果欠佳；时间序列法是以时间为自变量来分析负荷的变化情况，主要利用了负荷在时间上的延续性规律，算法简单，但对数据平稳性要求较高；灰色预测法是利用少量的数据做微分方程建立起预测的模型，优点在于不要求掌握负荷数据分布规律和变化趋势，但其局限性在于方法仅适合具有指数增长趋势的负荷指标，对非指数增长指标会形成拟合灰度较大，当数据离散程度较大时，预测效果差。

人工智能的方法中，人工神经网络算法应用广泛，其优点在于能够对大量非线性模型进行训练，但不足在于训练时间长，尤其在结构确定上较为复杂，理解难度大；模糊控制预测方法主要是根据专家经验，采用函数关系与映射，其映射关系常常比较粗略；遗传算法是采用不断进化的思想，可避免神经网络陷入局部最小的问题，但适用性差。

以上方法均有各自的优缺点和适应性，但大多采用非分段预测法，将一天的负荷曲线看成整体来预测，但随着新能源规模的不断发展，其出力随机性对白天电网负荷影响较大，导致白天与凌晨或夜晚负荷的主导影响因素不同，所以针对这种情况，分时段预测非常必要。加上有些地区，尤其在夏季和冬季，负荷受气象影响很大，所以采用考虑气象因素的逐日分段短期负荷预测算法，可实现较为准确的负荷预测，人们也在进行相关方面的研究。

发明内容

本发明的目的在于提供一种考虑气象因素的逐日分段短期负荷预测算法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种考虑气象因素的逐日分段短期负荷预测算法，具体步骤如下：