[发明专利]一种融合环境反馈的智慧电网短期电力负荷预测方法

摘要

本发明公开了一种融合环境反馈的智慧电网短期电力负荷预测方法，根据各用电单位的电力负荷数据变化的本质规律进行聚类分析，将目标预测区域划分区块，针对区块分别建立预测模型组，避免过量相关模型的干扰；以天为单位分析一周内各区块的电力负荷时间序列并根据其波动规律划分时段分别建立预测模型，提升电力负荷预测的预测精度；同时，考虑到电力负荷突变的影响因素，建立平均温度、平均湿度和风速同电力负荷预测误差之间的映射关系，智能嵌入外部环境因素，得到融合环境反馈的电力负荷预测模型，极大提升了预测模型对电力负荷突变事件的敏感度和适应能力，保证了预测方法的鲁棒性，提高了短期电力负荷预测的预测精度。

主权项

1.一种融合环境反馈的智慧电网短期电力负荷预测方法，其特征在于，包括以下步骤：步骤1，获取目标预测区域内所有用电单位N1个连续周次的电压和电流历史数据，对各用电单位的电压和电流历史数据进行处理得到对应的功率序列，所有用电单位的功率序列组成目标预测区域的功率训练样本；与功率训练样本的获取方法相同，获取目标预测区域的另一历史时间段N1个连续周次的功率测试样本；同时获取目标预测区域在功率测试样本的历史时间段内每一天的平均温度、平均湿度和风速数据，构成目标预测区域的环境样本；步骤2，根据功率训练样本中各用电单位的功率序列，对各用电单位进行聚类，将目标预测区域划分为N3个区块；步骤3，利用功率训练样本，建立基于PID神经网络的电力负荷预测模型组；步骤3.1，利用各区块内的功率训练样本中所有功率序列，分别建立与N3个区块对应的N3个区块电力负荷预测模型组；每个区块电力负荷预测模型组均包括7个天次电力负荷预测模型组，其中7个天次电力负荷预测模型组分别与一周7天相对应；每个天次电力负荷预测模型组包括N4个基于PID神经网络的电力负荷预测模型，其中N4个电力负荷预测模型分别与一天N4个时段相对应；步骤3.2，对每个区块内的的功率训练样本中所有功率序列进行处理，每个区块均得到对应的电力负荷训练样本；步骤3.3，依次以第a区块的电力负荷训练样本中任意两个连续周次的第b天次第n2时段的电力负荷值作为输入数据、以下一周次的第b天次第n2时段的电力负荷值作为输出数据，训练第a区块的第b天次第n2时段的基于PID神经网络的电力负荷预测模型；其中，a＝1,2,…,N3，b＝1,2,…,7，n2＝1,2,…,N4；步骤4，利用功率测试样本和环境样本，建立基于支持向量机的环境反馈模型：步骤4.1，按步骤3.2对功率测试样本进行处理，每个区块得到对应的电力负荷测试样本；步骤4.2，任意确定模拟预测当前周次、模拟预测周次w0+m0和模拟预测天次b0；步骤4.3，选择各区块对应模拟预测天次b0的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0‑1周次b0天次和第w0周次b0天次各区块各时段的电力负荷值作为对应区块对应天次b0对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+1周次b0天次各区块各时段的电力负荷模拟预测值；步骤4.4，选择各区块对应模拟预测天次b0的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0周次b0天次各区块各时段的电力负荷值和第w0+1周次b0天次各区块各时段的电力负荷模拟预测值作为对应区块对应天次b0对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+2周次b0天次各区块各时段的电力负荷模拟预测值；步骤4.5，依此类推，直到获得第w0+m0周次b0天次各区块各时段的电力负荷模拟预测值，将第w0+m0周次b0天次各区块各时段的电力负荷预测值求和，获得第w0+m0周次b0天次的电力负荷模拟预测值；步骤4.6，对比模拟预测周次为w0+m0、模拟预测天次为b0的电力负荷模拟预测值与电力负荷测试样本中周次为w0+m0、天次为b0的各区块各时段的电力负荷值之和，获得第w0+m0周次的天次为b0的电力负荷模拟预测误差值；步骤4.7，重复步骤4.2‑4.6共N5次，得到N5个电力负荷模拟预测值和N5个电力负荷模拟预测误差值；步骤4.8，将每个电力负荷模拟预测值和环境样本中模拟预测天次的平均温度、平均湿度和风速作为输入数据，将每个电力负荷模拟预测误差值作为输出数据，训练支持向量机，得到基于支持向量机的环境反馈模型；步骤5，利用步骤3获得的各基于PID神经网络的电力负荷预测模型和步骤4获得的基于支持向量机的环境反馈模型，对目标预测周次为w+m、目标预测天次为d的电力负荷进行最优预测；其中包含天次d的最近周次为w；步骤5.1，获取所有用电单位的第w‑1周次和第w周次的电压和电流数据，并按步骤1进行处理得到目标预测区域的功率预测样本；步骤5.2，按步骤3.2对功率预测样本进行处理，每个区块得到对应的电力负荷预测样本；步骤5.3，选择各区块天次为d的天次电力负荷预测模型组；依次将电力负荷预测样本中第w‑1周次d天次和第w周次d天次各区块各时段的电力负荷值作为对应区块对应天次d对应时段的各基于PID神经网络的电力负荷预测模型的输入数据，获得第w+1周次d天次各区块各时段的电力负荷预测值；步骤5.4，选择各区块天次为d的天次电力负荷预测模型组，依次将电力负荷预测样本中第w周次d天次各区块各时段的电力负荷值和第w+1周次d天次各区块各时段的电力负荷预测值作为对应区块对应天次d的基于PID神经网络的电力负荷预测模型的输入数据，获得第w+2周次d天次各区块各时段的电力负荷预测值；步骤5.5，依此类推，直到获得第w+m周次d天次各区块各时段的电力负荷预测值，将第w+m周次d天次各区块各时段的电力负荷预测值求和，获得第w+m周次d天次电力负荷预测值；步骤5.6，根据天气预报和气象局信息，获得目标预测区域的目标预测周次为w+m、目标预测天次为d的平均温度、平均湿度和风速数据，并将目标预测周次为w+m、目标预测天次为d的平均温度、平均湿度、风速数据和电力负荷预测值作为基于支持向量机的环境反馈模型的输入数据，获得目标预测区域的目标预测周次为w+m、目标预测天次为d的电力负荷最优预测值。