[发明专利]一种电网负荷预测方法、装置及相关设备

说明书

本申请实施例公开了一种电网负荷预测方法、装置及相关设备，方法包括：采集历史负荷数据序列并进行预处理；利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；基于特征选择算法从各个分量中提取最优输入特征集；将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；叠加各个分量的预测值得到最终的负荷预测结果。上述方法充分考虑了不同外部敏感因素的影响，有效避免过拟合情况的发生，提高了复杂环境下负荷预测的精度，同时减少了负荷预测模型的输入特征数量，有助于提高负荷预测的效率，解决了由于干扰因素或负荷数据的随机性导致的预测精度低的技术问题。

技术领域

本申请涉及电网负荷预测技术领域，尤其涉及一种电网负荷预测方法、装置及相关设备。

背景技术

负荷预测是电力系统安全稳定运行的重要依据，也是电力系统规划、计划和调度的一项基本工作。随着智能电网技术的飞速发展，电力生产和消费更加市场化，负荷预测的实时结果数据将成为电力交易中最重要的数据之一，这就对负荷预测的准确性和实时性提出了更高的要求。准确的负荷预测对于保证各经济实体的利益具有基础性的作用，电力系统各环节的运行规划都有赖于准确的负荷预测。其中发电企业需要准确的负荷预测以避免其报价过低或者不能满发；输配电企业需要准确的负荷预测以保证各条线路输送的容量经济且安全；配售电企业需要负荷预测以准确地把握用户负荷的需求，及时反应市场的变化波动以提高自身的竞争力。

现有技术中所提出的预测方法分为传统算法和人工智能算法，配电网负荷受诸多随机因素干扰，尤其是气象因素对其造成了直接干扰。对于这些干扰因素，传统预测方法既不能剔除干扰因素，也不能将其考虑到负荷预测的模型中去，因而达不到预测精度的要求。人工智能算法(支持向量机、模糊神经网络等)在进行负荷预测时，可以将诸多干扰因素考虑进负荷模型中，但是配电网负荷是非线性数据，由于人工智能算法不能很好地处理非线性数据，在很大程度上降低了训练速度和精确度。

发明内容

本申请实施例提供了一种的方法、相关设备以及系统，解决由于干扰因素或负荷数据的随机性导致的预测精度低的技术问题。

有鉴于此，本申请第一方面提供了一种电网负荷预测方法，其特征在于，包括：

S1，采集历史负荷数据序列并进行预处理；

S2，利用经验模态分解方法将非平稳的历史负荷数据序列分解成具有不同特征尺度的平稳分量；

S3，基于特征选择算法从各个分量中提取最优输入特征集；

S4，将所述最优输入特征集输入到负荷预测模型中，计算得到各个分量的预测值；

S5，叠加各个分量的预测值得到最终的负荷预测结果。

优选的，步骤S3具体包括：

S21，找出原始的历史负荷数据序列x(t)中所有局部极大值点和局部极小值点，然后用两条光滑的曲线将所有的极小值点与极大值点分别连接，形成x(t)的下包络线e_low(t)和上包络线e_up(t)；

S22，计算上包络线e_up(t)和下包络线e_low(t)的平均值m₁(t)，即

S23，计算原始的历史负荷数据序列x(t)和包络线均值m₁(t)的差值h₁(t)，即h₁(t)＝x(t)-m₁(t)；