[发明专利]一种基于解耦机制的配电线路负荷预测方法

说明书

本发明公开一种基于解耦机制的配电线路负荷预测方法，该预测方法将神经网络方法和概率方法相结合，利用神经网络方法和概率方法实现未来一天负荷预测的基础上体现负荷数据变化的时序性。该方法充分考虑影响负荷变化的多种因素，并通过负荷累积分布函数概率结果体现负荷的时序性特征，对短期负荷预测具有较高的预测精度。

技术领域

本发明属于电力负荷短期预测技术领域，具体涉及一种基于解耦机制的配电线路负荷预测方法，根据历史负荷数据及对应的气象因素数据与日期因素数据，采用负荷标幺曲线与负荷基准值分开预测的解耦机制，并考虑到负荷数据间的时序相关性，建立配电线路负荷短期预测模型。

背景技术

准确的短期负荷预测能够为发电厂制定合理的电力生产计划，为保障电力系统稳定运行提供数据支撑。电力系统中电能难以大量存储且电力需求处于时刻变化之中，电能的生产和消耗需要保持动态平衡，因此负荷预测在现代电力系统的规划和运行中起着尤为重要的作用。

电力负荷波动的随机性和非线性是建立负荷预测模型的核心与难点。电力负荷受季节、天气、日期等多元化因素的影响。现有的负荷预测方法是对大量历史负荷数据和影响负荷变化的多元因素进行统计分析，通过神经网络直接预测未来一天的负荷值，这种方法难以体现负荷数据之间的时序性与趋势性且单一的神经网络难以充分学习历史数据的短时波动。

发明内容

本发明的目的在于提供一种基于解耦机制的配电线路负荷预测方法。本发明预测方法将神经网络方法和概率方法相结合，利用神经网络方法和概率方法实现未来一天负荷预测的基础上体现负荷数据变化的时序性，预测结果更符合负荷变化的时序性。

为达到本发明目的，采用如下技术方案：一种基于解耦机制的配电线路负荷预测方法，其特征在于，该预测方法包括下述步骤：

第一步，获得同一地区历史负荷数据以及对应的气象因素数据和日期因素数据，构成历史数据集M；其中历史负荷数据为经固定时间间隔采集到的实际负荷数据，为一个带时刻标签的负荷值的时间序列数据，一条历史负荷数据的时长为一天；

第二步，建立负荷标幺曲线预测模型，具体包括下述步骤：

步骤2.1：基于历史数据集M，将日最高温度、日最低温度、日平均温度、天气类型、季节、月份、星期类型、日期类型共8个因素作为分析影响负荷变化的研究对象，通过MIC定量分析各个影响因素与日最大负荷的非线性相关性强弱，计算公式如式(1)-(2)所示：

式中，p(x,y)为随机变量x和y的联合概率密度函数，p(x)和p(y)为随机变量的边缘概率密度函数；N为数据总数目，B(N)为网格划分总数的约束条件，B(N)＝N^0.6；MIC取值范围为[0,1]，两变量之间的相关性越强，MIC结果越接近于1；

将通过MIC分析，选择MIC0.3的m个主要因素的数据用于构造日特征向量，待预测日的日特征向量为T₀，选取待测日前p天历史日作为相似日筛选样本，以相同方法构造待预测日前p天的m维历史日特征向量T₁,T₂,…,T_p；

式中，T₀为待预测日特征向量，T_i为第i个历史日特征向量，T_0k为第k维影响因素特征值；

步骤2.2：计算待预测日与各历史日影响因素灰色关联系数，组成灰色关联矩阵，从而得到待预测日与各历史日的灰色关联度；