[发明专利]基于量子遗传算法的FARIMA模型电力负荷预测方法

说明书

本发明公开了一种基于量子遗传算法的FARIMA模型电力负荷短期预测方法，其包括步骤：(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；(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。

技术领域

本发明涉及一种预测方法及系统，尤其涉及一种用于电力系统的预测方法及系统。

背景技术

近年来随着电力技术的发展和科技的进步，在当今电力能源作为不可或缺的生活需要，保障正常、稳定的电力能源输送是电力机构的核心问题。负荷预测的质量是保障用户侧用电的一个重要因素。因此，精确的短期负载预测，可以为电力调度和规划提供可靠的参考依据，在一定程度能避免欠负荷跳闸危机以及过负荷的能源浪费等问题。并且，精确的短期负载预测可以让调度人员及时或者提早的对各地区的电网的超负荷或欠负荷做出调节，以免造成由于电网波动对二次侧的用电用户造成不必要的损失。

虽然目前有对电力负荷预测进行的大量研究，例如将指数平滑或是大数据的方法运用，以建立短期电力负荷预测模型。然而，由于负荷预测具有模糊性和非线性的特点，因此，导致上述方法的预测精度不高。此外，诸如神经网络或是模糊多目标遗传优化算法，其只考虑单一的影响因素，因此，预测效果不明显。

基于此，期望获得一种电力负荷预测方法，其所需要的参数较少，极少出现过拟合问题，对异常值的鲁棒性好，预测结果较为准确。

发明内容

本发明的目的之一在于提供一种基于量子遗传算法的FARIMA模型电力负荷预测方法，该FARIMA模型电力负荷预测方法利用量子遗传算法根据合适的适应度值进行全局搜索，确定ARMA模型的最佳阶数，并且最终获得优化的FARIMA模型，从而使得通过该FARIMA模型电力负荷预测方法对电力负荷进行预测时，其在提高短期电力负荷预测精度和误差收敛速度方面具有一定的优势，且相较于现有技术，该FARIMA模型电力负荷预测方法的预测精度得到极大的提高。

基于上述目的，本发明提出了一种基于量子遗传算法的FARIMA模型电力负荷预测方法，其包括步骤：

(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。

本发明所述的FARIMA模型电力负荷预测方法中，本案发明人考虑到FARIMA模型具有对长相关序列很好的预测功能，且FARIMA模型训练所需参数较少，较少出现过拟合问题，并且对异常值的鲁棒性好，因此，本案采用采用FARIMA模型对电力负荷进行预测。但若直接对FARIMA模型进行定阶时，Hurst指数定阶准则却不一定是最优解。因此，在本发明所述的技术方案中对经过预处理的预测样本数据进行分数差分后，把经过分数差分的数据输入到ARMA模型，随后运用AIC信息准则对ARMA模型进行定阶。