[发明专利]一种电力负荷预测方法及系统

说明书

本发明公开了一种电力负荷预测方法及系统。过初步分析，初选影响电力负荷的影响因素；从历史数据库中获得影响因素的长期历史数据,借助于互信息关联分析，去掉冗余的相关变量和与电力负荷关联性不大的变量,筛选岀电力负荷预测模型的输入变量；在此基础上，采用支持向量机和自适应模拟退火粒子群算法建立电力负荷的预测模型,实现对未来电力负荷的实时预测。通过本发明，能够有效地及时地指导电厂对于电力的合理分配,提高电力运输效率。

技术领域

本发明涉及电力负荷预测领域，特别涉及一种电力负荷预测方法及系统。

背景技术

电力负荷预测是电力系统运行和规划的基础，准确的负荷预测可以保证电力系统安全稳定运行，降低发电成本，提高经济效益。随着电力行业的发展、分布式能源的增多，短期负荷预测工作显得愈发重要。考虑到电力负荷数据的非线性、异方差、非平稳等特点，短期负荷预测难度也显著增加。

然而，电力负荷数据一般具有一定的周期性如周周期性、月周期性和年周期性，同时电力负荷也会受到多方面外界因素如温度、天气、节假日以及用户行为等的影响，而表现出一定的随机性。这样的随机性导致的不确定性显著增加了短期负荷预测的难度。

发明内容

本发明的目的在于提供一种电力负荷预测方法及系统，以解决上述问题。

为实现上述目的，本发明采用以下技术方案：

一种电力负荷预测方法，其特征在于，包括以下步骤：

收集电力负荷影响因子：采集电力负荷在时间段T内的原始历史负荷数据，以及在T时间段内的温度影响因素和天气温度数据以及日期类型组成电力负荷价格数据集N，其中，T的单位为天；

采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷预测模型，将电力负荷数据集N以9:1的比例划分为训练集以及测试集。将训练集中对应电力负荷历史数据的影响参数作为输入变量，输入电力负荷模型中进行训练，训练完成后通过测试集，对训练结果进行测试；

选使用将实时的电力负荷的影响参数输入至训练好的电力负荷预测模型，输出对应的电力负荷。

进一步的，数据集N包括最高温度、最低温度和平均温度，相对湿度和降雨量以及日期类型。

进一步的，筛选对应电力负荷的历史数据的影响参数的步骤包括：

根据电力负荷的基本参数，初选8个负荷参数作为电力负荷的影响参数；其中，8个负荷参数分别为最高温度、最低温度和平均温度，相对湿度和降雨量，负荷地区，天气类型以及日期类型；

对影响参数进行数据去重和异常值去除，删除影响参数中的重复数据和因噪声干扰因素引起的输出值超出正常范围的数据；

根据互信息理论，对初选的影响参数进行数据特征量的提取，计算各影响参数的权重,选取权重大于预设阈值的影响参数作为电力负荷测量模型的输入变量。

进一步的，作为飞灰含碳量测量模型的输入变量的六个影响参数分别为:最高温度、最低温度和平均温度，相对湿度和降雨量以及日期类型。

进一步的，在采用支持向量机和自适应模拟退火粒子群优化算法建立电力负荷测量模型的步骤中，构建支持向量机的电力负荷预测模型，通过自适应模拟退火粒子群优化算法对电力负荷预测模模型进行优化，构建支持向量机的电力负荷预测模具体包括步骤：

步骤1：支持向量机核函数的内积公式如下所示：

Φ(x_i)^T·Φ(x_j)＝K(x_i,x_j)

其中，Φ(x)为非映射关系，K(x_i,x_j)为支持向量机的核函数。