[发明专利]一种短期电力负荷预测方法、设备及可读存储介质

说明书

本发明提供一种短期电力负荷预测方法、设备及可读存储介质，配置电力负荷数据样本序列；将电力负荷数据样本序列配置到隶属度函数；将逆推理论改进模糊均生函数计算方式与最优子集回归算法相结合，推导出电力负荷短期预测模型；基于最优子集回归算法先将模糊均生函数延拓序列定义为自由变量；将自变量进行自由组合；将组合后的序列分别与因变量建立线性回归方程，根据预设筛选标准从所有的回归方程中筛选出模糊均生函数的短期负荷预测模型，得到相应的负荷预测值。充分挖掘了实际负荷数据中隐藏的有用信息，有效解决了传统模型中周期算法的邻近数据失效的问题。

技术领域

本发明涉及电力负荷预测技术领域，尤其涉及一种短期电力负荷预测方法、设备及可读存储介质。

背景技术

短期电力负荷预测是指对电力系统中运行过程未来一段时间段做出预测，短期电力负荷预测是电力系统调度运营部门、用电服务部门和电网规划部门的一项重要日常工作，预测数据可以对制订发电计划、输电方案和电网建设的提供依据。

而且随着电力市场改革的不断深入，先进实用的短期电力负荷预测能为电量生产及配电网经济优化调度提供坚强支撑，同时还能为市场交易主体制定购售电决策提供依据，在新形势下有较强的实际应用价值。

目前，电力负荷预测是电力系统的重要组成部分，对电网中各个台区来讲，为上一级控制端调度提供了精度较高的日负荷预测，使上一级控制端调度在制订发电计划时可以合理安排旋转备用和冷备用容量，减少机组启停次数，降低即日交易电量，在满足用户用电需要的同时减少电能成本和电价，对自身电网而言，日负荷预测数据是校核电网安全的重要依据。负荷预测数据还能够满足电网检修计划。

目前，针对短期负荷预测问题已进行了广泛的研究，通常是以机器学习为理论基础的现代预测方法和以时间序列预测原理为基础的经典预测方法。这种预测方法实际操作性较差，对数据样本的完备性要求较高，在进行预测时容易受到数据采集的制约，而且如果数据样本出现偏差，或者不满足预测方法，将导致短期电力负荷预测结果失真，严重影响后续调度工作。

发明内容

为了提高短期电力负荷预测的精度，针对电力负荷序列的周期性、随机波动性等特点，本发明提出一种基于模糊均生函数与最优子集回归相结合的短期电力负荷预测方法，方法包括：

配置电力负荷数据样本序列；

将电力负荷数据样本序列配置到隶属度函数；

将逆推理论改进模糊均生函数计算方式与最优子集回归算法相结合，推导出电力负荷短期预测模型；

基于最优子集回归算法先将模糊均生函数延拓序列定义为自由变量；

将自变量进行自由组合；

将组合后的序列分别与因变量建立线性回归方程，根据预设筛选标准从所有的回归方程中筛选出模糊均生函数的短期负荷预测模型，得到相应的负荷预测值。

进一步需要说明的是，步骤将电力负荷数据配置到隶属度函数中的隶属度函数为：

其中：_μ根据对过去实际值的预先设定；

若具有时间排序的电力负荷数据样本序列为周期性序列，则隶属度函数为：

其中：l表示序列的周期长度；r为根据经验或者试算确定的常数；

若基于电力负荷数据样本序列中的数据对预测点的作用随距离的变远逐渐下降，并表现出电力负荷数据周期性，则隶属度函数为：

进一步需要说明的是，对具有时间排序的电力负荷数据样本序列x(t)，按下式定义模糊均生函数：