[发明专利]一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法

摘要

本发明属于电力系统电能量数据处理技术领域，尤其涉及一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，通过对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工业制造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别，然后将电力负荷识别数据进行快速傅里叶变换，得到频谱序列，最后采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，对于每个特定的用电企业待预测的电力负荷，使用的数据仅仅是前后和上一周期的对应数据，本发明提出的电力负荷自适应预测方法预测准确率高，计算量低，抗干扰能力强。

主权项

一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，其特征在于：包括以下步骤：1)、对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工业制造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别；2)、将电力负荷识别数据进行快速傅里叶变换，得到频谱序列s_j，然后取频谱最大的序列下标作为周期T，T等于频谱序列s_j对应的最大的j，则：$s_j=\underset{k=0}{\overset{n-1}{\Σ}}{e}^{-\frac{2\mathrm{\π}}{n}{j}^k}{h}_k,$其中，h_k∈(h₁,h₂,h₃,…,h_n)是电力负荷的真实值序列，k＝1,2,3,…,n，j＝0,1,2,…,n‑1；3)、采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，季节卡尔曼的用电模式进行预测过程满足：x_k+1/k＝Ax_k/k‑1+G_k[y_k‑Hx_k/k‑1],其中，x_k+1/k是基于k时刻的k+1时刻用电负荷的估计值，A是时变相关系数和季节因子的乘积，G_k是预测增益矩阵。