[发明专利]一种基于智能算法的负荷预测方法

权利要求书

1.一种基于智能算法的负荷预测方法，其特征在于，包括如下步骤：

S1：按时间序列采集单个变压器的负荷数据；

S2：采用基于渐消记忆指数加权法对容积卡尔曼滤波模型的噪声估值进行优化，得到优化后的容积卡尔曼滤波模型，利用部分的负荷数据对优化后的容积卡尔曼滤波模型进行训练，得到负荷预测模型；

S3：利用负荷预测模型对其余的负荷数据进行预测，得到预测的负荷值，并与所述其余的负荷数据进行比较，计算得到预测误差序列N＝[N₁,N₂,...,N_k,...,N_n]；其中，N_k表示第k个预测误差，且N_k＝X_k-x_k；X_k表示第k个负荷数据，x_k表示第k个预测的负荷值，k＝1,2,3...n；n表示所述其余的负荷数据的数量；

S4：对所述预测误差序列进行野值处理，得到平滑化的预测误差序列；

S5：在BP神经网络的输入端添加灰化层，在输出端添加白化层，从而得到改进GM-BP模型；

利用部分的平滑化的预测误差序列对改进GM-BP模型进行训练，得到训练后的GM-BP模型；

S6：采用训练后GM-BP模型对其余的平滑化的预测误差序列进行预测，获取预测误差值；

S7：用预测误差值对所述预测的负荷值进行修正，得到修正后的预测负荷值。

2.根据权利要求1所述的智能算法负荷预测方法，其特征在于，所述步骤S2中的噪声估值优化是包括以下步骤：

步骤S2.1：利用式(1)得到k时刻生成的噪声协方差矩阵的加权系数d_k：

式(1)中，e表示常数；

步骤S2.2：利用式(2)计算k+1时刻生成的系统噪声协方差矩阵Q′_k+1：

式(2)中，ε_k表示k时刻的残差值，并由式(3)得到；T表示转置，G_k表示k时刻的增益系数，P_k|k表示k时刻负荷状态量的估计偏差矩阵，F_k-1|k-1表示k-1时刻的状态转移矩阵，表示k-1时刻状态转移矩阵的转置；

式(3)中，表示k时刻的实际值，表示k时刻的预测值，W_k表示k时刻的滤波增益；

步骤S2.3：利用式(4)计算k+1时刻的量测噪声协方差矩阵R′_k+1：

步骤S2.4：以所述系统噪声协方差矩阵Q′_k+1和量测噪声协方差矩阵R′_k+1作为优化后的容积卡尔曼滤波模型中噪声的协方差矩阵。

3.根据权利要求1所述的智能算法负荷预测方法，其特征在于，所述S4包括以下步骤：

S4.1：若n为奇数，则删除N₁后，执行步骤S4.2；若n为偶数，则直接执行步骤S4.2；

S4.2：按照奇偶位置将预测误差序列N＝[N₁,N₂,...,N_k,...,N_n]为两组数据，记为第一次分组的奇数数据和第一次分组的偶数数据对第一次分组的两组数据N_1-O和N_1-E再按照奇偶位置进行第二次分组，得到第二次分组的奇数数据N_2-OO,N_2-OE和第二次分组的偶数数据N_2-EO,N_2-EE；以此类推，从而将预测误差序列N＝[N₁,N₂,...,N_k,...,N_n]分为2^m组的奇数数据和2^m组的偶数数据；

S4.3：分别剔除第一次分组的两组数据N_1-O和N_1-E的异常数据，得到预处理后的第一次分组的奇数数据和预处理后的第一次分组的偶数数据

S4.4：求取预处理后的第一次分组的奇数数据y_1-O的均值和方差σ_1-O，以及预处理后的第一次分组的偶数数据y_1-E的均值和方差σ_1-E；

S4.5：按照步骤S4.3-步骤S4.4的过程对2^m组的奇数数据和2^m组的偶数数据进行处理，得到每组奇数数据和偶数数据的均值和方差；

S4.6：计算预处理后的第一次分组的奇数数据y_1-O中的每个数据与均值之间的残差，并将大于所设定阈值Δ·σ_1-O的残差所对应的数据作为野值，并从预处理后的第一次分组的奇数数据y_1-O中删除；Δ表示倍数；

计算预处理后的第一次分组的偶数数据y_1-E中的每个数据与均值之间的残差，并将大于所设定阈值Δ·σ_1-E的残差所对应的数据作为野值，并从预处理后的第一次分组的奇数数据y_1-O中删除；

S4.6：按照步骤S4.6的过程对2^m组的奇数数据和2^m组的偶数数据进行残差计算和野值判断，从而得到平滑化的预测误差序列。