[发明专利]自适应局部非线性回归偏差补偿的电网短期负荷预测方法

摘要

本发明涉及一种自适应局部非线性回归偏差补偿的电网短期负荷预测方法，属于电力系统负荷预测技术领域。包括采用指数平滑预测方法根据历史负荷数据预测负荷；采用指数平滑预测方法根据历史相关因素向量预测相关因素向量；计算历史负荷与预测负荷的偏差以及历史相关因素向量与预测相关因素向量偏差；对负荷偏差和相关因素向量偏差进行线性回归；对模型进行F检验，若未通过F检验，则采用支持向量机方法进行拟合；若通过F检验，则直接采用线性回归方法进行预测；得到最终负荷预测结果；短期负荷预测过程完成。本方法具有适应性强、预测精度高等特点，可用于电力系统短期负荷预测，具有重要的现实意义和良好的应用前景。

主权项

一种自适应局部非线性回归偏差补偿的电网短期负荷预测方法，其特征在于，包括以下步骤：(1)从电网负荷预测系统获取电网负荷预测所需的基础数据，包括预测日之前设定时段N天内每天的电网有功功率负荷曲线Pi,t、该设定时段待负荷预测的电网所在地区的温度曲线Ti,t、待负荷预测的电网所在地区的湿度曲线Hi,t、待预测日该负荷预测电网所在地区的温度曲线Tf,t和湿度曲线Hf,t，其中，i是预测日之前设定时段N天内任意一天，取值1，2，…N，t为预测时刻，t的取值为1，2，…96，f为待预测日，Pi,t、Ti,t和Hi,t均为矩阵，Tf,t和Hf,t为向量；(2)将上述步骤(1)中的有功功率负荷Pi,t分为趋势成分和偏差成分ΔPi,t，根据上述步骤(1)中预测日之前N天中NS天的有功功率负荷曲线，进行模拟测试，采用指数平滑预测方法，利用下式，计算历史趋势成分Pi,t(1)=Σj=1nαn-j+1Σk=1nαkPj,t]]>上式中，n为指数平滑预测的天数，j与k分别为n天中的任意一天，j与k的取值分别为1，2，…n，α为指数平滑预测参数，取值范围为0<α<1；将待预测日的有功功率负荷曲线分为趋势成分和偏差成分采用指数平滑预测方法，利用下式，计算待预测日趋势成分Pf,t(1)=Σj=1nαn-j+1Σk=1nαkPj,t]]>上式中，n为指数平滑预测的天数，j与k分别为n天中的任意一天，j与k的取值分别为1，2，…n，α为指数平滑预测参数，取值范围为0<α<1；(3)根据上述步骤(1)中的温度曲线和湿度曲线Ti,t、和采用指数平滑预测方法，利用下式，计算气象影响因素的平滑值和Xi,t(1)=Σj=1nαn-j+1Σk=1nαkXj,t]]>其中，X指气象影响因素温度T和湿度H，n为指数平滑预测的天数，j与k指n天中的任意一天，取值1，2，…n，α为指数平滑预测参数，取值范围为0<α<1；(4)根据上述步骤(2)得到的历史趋势成分与上述步骤(1)得到的电网有功功率负荷曲线Pi,t，利用下式，计算得到预测日之前设定时段N天内每天的电网有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t：ΔPi,t=Pi,t-Ri,t(1);]]>根据上述步骤(1)得到的历史温度曲线Ti,t、历史湿度曲线Hi,t、待预测日温度曲线Tf,t和待预测日湿度曲线Hf,t和步骤(3)得到的气象影响因素的平滑值和利用下式，得到气象影响因素实际值与平滑值的偏差值ΔTi,t、ΔHi,t、ΔTf,t和ΔHf,t：ΔXi,t=Xi,t-Xi,t(1)]]>ΔXf,t=Xf,t-Xf,t(1)]]>其中，X为气象影响因素温度T和湿度H.(5)对上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t和气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)，利用最小二乘法进行多元线性拟合，得到负荷偏差值与气象影响因素偏差值的多元线性回归方程ΔPt＝a1tΔTt+a2tΔHt+bt中的系数a1t、a2t和bt，回归方程中各项均为长度为96的向量，其中，ΔPt为有功功率负荷曲线偏差成分，ΔTt为温度曲线偏差成分，a1t为ΔTt的系数，ΔHt为湿度曲线偏差成分，a2t为ΔHt的系数，bt为常数项系数；(6)利用下式，计算上述步骤(5)得到的多元线性回归方程ΔPt＝a1tΔTt+a2tΔHt+bt的显著性检验统计量F：F=SSR/pSSE/(N-p-1)]]>其中，SSR为回归平方和，其中ΔPi,t为上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分，为有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t的平均值，SSE为残差平方和，其中为将上述步骤(4)得到的气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)代入上述步骤(5)得到的多元线性回归方程ΔPt＝a1tΔTt+a2tΔHt+bt得到的有功功率负荷曲线预测偏差成分的拟合值，p为上述步骤(5)的多元线性回归方程中的自变量个数，N为预测日之前设定的时段的天数；设定一个显著性水平是F分布的水平上侧分位数，若则判定步骤(5)得到的多元线性回归模型在的置信度内线性不显著，进行步骤(7)，若则判定步骤(5)得到的多元线性回归模型在的置信度内是线性显著的，并进行步骤(9)；(7)采用支持向量机回归方法，对上述步骤(4)得到的有功功率负荷曲线Pi,t的预测偏差成分ΔPi,t和气象影响因素实际值与平滑值的偏差值(ΔTi,t,ΔHi,t)进行多元非线性回归，得到多元非线性回归模型ΔPt＝ft(ΔTt,ΔHt)，其中，ΔPt为有功功率负荷曲线偏差成分，ΔTt为温度曲线偏差成分，ΔHt为湿度曲线偏差成分；(8)将上述步骤(4)得到的待预测日的气象影响因素实际值与平滑值的偏差值ΔTf,t和ΔHf,t代入上述步骤(7)得到的多元非线性回归模型ΔPt＝ft(ΔTt,ΔHt)中，得到待预测日有功功率负荷曲线偏差成分：进行步骤(10)；(9)将上述步骤(4)得到的待预测日的气象影响因素与平滑值的偏差ΔTf,t和ΔHf,t代入上述步骤(5)的负荷偏差值与气象影响因素偏差值的多元线性回归方程ΔPt＝a1tΔTt+a2tΔHt+bt中，得到待预测日有功功率负荷曲线偏差成分：进行步骤(10)；(10)将上述步骤(2)得到的待预测日有功功率负荷曲线趋势成分与步骤(8)或步骤(9)得到的待预测日有功功率负荷曲线偏差成分相加，得到待预测日的有功功率负荷预测值：