[发明专利]基于量子遗传算法的FARIMA模型电力负荷预测方法

权利要求书

1.一种基于量子遗传算法的FARIMA模型电力负荷预测方法，其特征在于，包括步骤：

(1)选取预测日之前的电力负荷数据作为预测样本数据；

(2)对预测样本数据进行预处理；

(3)对经过预处理的预测样本数据进行分数差分，把经过分数差分的数据输入到ARMA模型；

(4)运用AIC信息准则对ARMA模型进行定阶；

(5)将寻找AIC信息准则的最小值作为量子遗传算法的适应度函数，由量子遗传算法得到最优的AIC(p,q)值，以对ARMA模型进行优化，其中p值为AR模型的自回归阶数，q值为MA模型的移动平均阶数，ARMA模型为AR模型与MA模型的结合；

(6)对ARMA模型进行反分数差分，以得到优化的FARIMA模型；

(7)采用FARIMA模型预测未来的电力负荷数据。

2.如权利要求1所述的基于量子遗传算法的FARIMA模型电力负荷预测方法，其特征在于，在步骤(2)中，所述预处理至少包括：剔除预测样本数据中的异点和/或对预测样板数据进行均值化。

3.如权利要求1所述的基于量子遗传算法的FARIMA模型电力负荷预测方法，其特征在于，在步骤(3)中，对经过预处理的预测样本数据进行分数差分具体包括步骤：

对预测样本数据的序列X＝{X_t,t＝1,2,3…,N}进行分数差分得到Y＝{Y_t,t＝1,2,3…,N}，其中分数差分公式为：

式中，其中d表示分数差分的参数，z表示滞后算子，N表示样本序列个数，k表示第k个样本。

4.如权利要求3所述的基于量子遗传算法的FARIMA模型电力负荷预测方法，其特征在于，分数差分的参数d通过下述步骤获得：通过Hurst参数估计法得到Hurst指数的值H，再由d＝H-0.5得到分数差分参数d的值。

5.如权利要求4所述的基于量子遗传算法的FARIMA模型电力负荷预测方法，其特征在于，Hurst指数的值H在0.5～1之间。

6.如权利要求1所述的基于量子遗传算法的FARIMA模型电力负荷预测方法，其特征在于，AIC信息准则被定义为：

AIC(p,q)＝-2lnL+2θ(p,q)。

其中，基于上述计算得到AIC去最小值时p、q的值，式中的lnL表示FARIMA的似然函数，θ(p,q)表示FARIMA的阶数函数。

7.如权利要求1所述的基于量子遗传算法的FARIMA模型电力负荷预测方法，其特征在于，在步骤(5)中，由量子遗传算法得到最优的AIC(p,q)值具体包括步骤：

501：初始化p值与q值；

502：对每个染色体基因位进行测量，以得到一个状态；对每个状态计算适应度，记录最佳个体及适应度；

503：遗传进化设定的代数，其中采用量子旋转门对每一代染色体进行遗传变异；

504：达到终止条件，输出最佳个体的AIC(p,q)，即为最优的AIC(p,q)值。

8.一种基于量子遗传算法的FARIMA模型电力负荷预测系统，其特征在于，其执行如权利要求1-7中任意一项所述的FARIMA模型电力负荷预测方法。