[发明专利]一种自适应权重的综合短期用电负荷预测方法

权利要求书

1.一种自适应权重的综合短期用电负荷预测方法，其特征在于，包括以下步骤：

S1：定义综合预测模型对应的特征因素和单一预测方法；

S2：针对不同特征因素，通过不同的单一预测方法进行负荷预测得到负荷预测结果；

S3：采用BP神经网络算法对不同特征因素的负荷预测结果综合预测。

2.根据权利要求1所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，所述S1中对应的特征因素包括节假日类型、星期类型和温度。

3.根据权利要求2所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，针对所述节假日类型的特征因素采用逐点增长法，具体的计算步骤为：

S11：计算各年相关日t时刻的负荷平均值，公式为：

其中，1≤y≤Y，y为正整数，Y为拥有的相关历史数据的年数量，1≤t≤T≤24,t为正整数，1≤n，n为正整数，n为相关日的数量，

其中P_yit为已知的第y年的第i相关日的t时刻的负荷，

所述相关日为节假日前d天，d≥7，且d为正整数，

S12:计算比值系数，公式为其中P_y0t为第y年与相关日对应的节假日t时刻的负荷，q_yt为比值系数，

S13:将各年比值系数以及对应的年份按顺序列举形成数列，一个数列为：q1t、q_2t、.......q_yt，另一个数列为q_1t、q_2t、.......q_yt所对应的年份，将所述对应的年份作为自变量，q_1t、q_2t、.......q_yt作为因变量并做一元线性回归，将预测年的第m年的年份带入到一元线性回归方程中计算出预测的第m年的比例系数为q_mt，

S14:依据公式获得第m年t时刻已知的相关日的平均负荷，根据公式变形推导，其中是第m年相关日t时刻的日平均负荷，q_mt是S13中计算获得的预测的第m年的比例系数，P_mt是预估节假日将产生的负荷。

4.根据权利要求2所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，针对所述星期类型的特征因素采用倍比增长法，具体的计算公式为：

其中P_t为待预测日t 时刻的负荷值，A_1t为第一个周期的不同星期类型日t时刻负荷的平滑值，A_2t为第二个周期的不同星期类型日t时刻的负荷的平滑值，P_1t是第一个周期的同一星期类型日t时刻的负荷值，所述第一周期为预测日前7天，所述不同星期类型为除待预测日的一周其他时刻，所述第二周期为预测日前8-14天，所述平滑值是通过指数平滑法获得的值。

5.根据权利要求2所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，针对所述温度的特征因素采用相似度外推法，具体步骤为：

S21：获得多日温度在同一t时刻的量化值；

S22：获得多日t时刻的温度下所对应的负荷值；

S31：获得多日温度的相似度，将温度相似度作为权重，温度的量化值作为因变量，t时刻的负荷量作为自变量，将温度的量化、温度相似度以及t时刻的负荷量做一元线性回归，将预测日的时间带入一元线性回归后的一元方程中获得预测的负荷值，所述温度相似度是温度的量化值与t时刻之间线性相关程度的量。

6.根据权利要求2所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，针对假日类型、星期类型和温度依次获得的计算多个一一对应的结果集合为{X₁₁、X₁₂、......、X_1T}、{X₂₁、X₂₂、......、X_2T}、{X_q1、X_q2、......、X_qT},其中其中q为特征因素个数，T为日预测点个数。

7.根据权利要求6所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，将假日类型、星期类型和温度对应的结果集合输入到BP神经网络的节点中，BP神经网络的节点为{X_1t、X_2t、......、X_qt，V_1t、V_2t......V_qt},t=1、2、3......T;X_qt为q特征因素t时刻的负荷预测结果，V_qt为q特征因素t时刻的值。