一种电力负荷预测的方法
【专利摘要】本发明属于电力负荷的预测、管理和控制领域，具体为一种电力负荷预测的方法，涉及数据采集模块、学习模块和预测模块。数据采集模块负责采集采集电力负荷的历史数据，并对数据进行筛选，得出负荷时间序列Y，然后对负荷时间序列Y进行归一化处理得出预处理序列O。学习模块负责对预处理序列O进行学习得出预测正弦函数模型W(t)。预测模块根据预测正弦函数模型求出预测数据序列F。本发明基于分析电力负荷的这一周期性变化趋势的特点，采用正弦函数模型作为预测数据的基础模型，与现有技术相比，具有贴合电力负荷数据实际变化的优点，为了克服采用正弦函数作为基础模型误差相对较大的缺点，本发明还采用重复学习的方法，提高预测的准确性。
【专利说明】
一种电力负荷预测的方法
技术领域
[0001]本发明属于电力负荷的预测、管理和控制领域，具体为一种电力负荷预测的方法。
【背景技术】
[0002]经济和科技等各行各业的迅速发展导致了对电力资源的需求越来越大，然而对电力资源的使用缺乏规范和指导，而这与电力资源日益紧张的现实相矛盾。因此对电力负荷的有效分析和预测，有助于更合理规划电力资源的建设，使电力资源分配更加合理。
[0003]方法大多基于经典的数值方法(如ARMA模型、BP神经网络)，虽然学习误差会显得较小，但针对电力负荷数据整体上呈现一定的规律性，同时由于其是由许多用电个体组合而成的，其局部又存在随机性，利用这些经典数值方法建立的预测模型，不能很好地结合实际，体现电力负荷数据的周期性。
【发明内容】
[0004]本发明的目的在于克服现有技术的不足，提供一种能结合电力负荷历史数据的规律，良好体现电力负荷周期性特点的电力负荷预测的方法。
[0005]为了解决上述技术问题，本发明采用以下技术方案:一种电力负荷预测的方法，涉及数据采集模块、学习模块和预测模块，上述模块执行以下步骤:
[0006](a)数据采集模块按时间顺序采集电力负荷的历史数据，得出负荷时间序列Y，对负荷时间序列进行归一化处理，得出预处理序列O;
[0007](b)学习模块将预处理序列O拟合得出一个正弦函数S(t)，根据正弦函数S(t)得出基础序列L1;
[0008](c)学习模块将预处理序列O和基础序列1^相减得出基础残差序列e;
[0009](d)学习模块求出基础残差序列e的均方根误差，将该均方根误差与预设的阀值对比；
[0010]若小于预设阀值，则正弦函数S(t)为预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F；
[0011]若大于预设阀值，则继续执行以下步骤(e)至(g);
[0012](e)学习模块对基础残差序列e进行拟合，得出残差正弦函数Q(t)，根据残差正弦函数Q(t)得出残差序列M;
[0013](f)学习模块求出残差序列M的均方根误差，将该均方根误差与预设的阀值对比；
[0014]若小于预设阀值，则将正弦函数S(t)和残差正弦函数Q(t)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F;
[0015]若大于预设阀值，则进入重复学习步骤:
[0016]根据残差序列Mi(i= l，2，3，…，η)，拟合得出预测残差正弦函数Pi(t)(i = l，2，3，...，n)，根据Pi(t)得出预测残差序列Ni，利用公式Mi+i = M1-Ni，求出下一个残差序列Mi+i，根据M1+1拟合得出P1+1(t)，根据P1+1⑴得出预测残差序列N1+1;
[0017]每次运算得出的预测残差序列化后，计算该预测残差序列化均方根误差，将该均方根误差与预设的阀值对比，若小于预设阀值，则停止重复学习步骤，若大于预设阀值，则继续重复学习步骤；
[0018](g)停止重复学习步骤后，将正弦函数S(t)和与残差正弦函数Q(t)和所有预测残差正弦函数Pi(t)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测序列F。
[0019]—般日常生活用电或者工业用电的电力负荷数据都具有一定的周期性，一个周期内一般具有多个用电高峰和多个用电低潮。本发明基于分析电力负荷的这一周期性变化趋势的特点，采用正弦函数模型作为预测数据的基础模型，与现有技术相比，具有贴合电力负荷数据实际变化的优点，为了克服采用正弦函数作为基础模型误差相对较大的缺点，本发明还采用重复学习的方法，提高预测的准确性。
[0020]进一步地，所述预设阀值为预处理序列O最大值和最小值的差的T%,Te [0.1，I]。根据测量对象的不同，预测精度也会相应地不同，根据不同的预测精度需求，设定对应的阀值。
[0021]进一步地，所述学习模块设有重复学习限定值R，当重复学习次数达到R次，则停止重复学习，执行步骤(g) ,Re [10，500]，设定重复学习限定值，在运算一定的次数后停止重复学习，避免因源数据的不稳定，导致无法预测。
[0022]进一步地，所述步骤(a )中负荷时间序列Y按照公式:Ok = ( Yk-Ymin) / ( Ymax-Ymin)，将负荷时间序列Y做归一化处理，进而得到归一化的预处理序列O;其中0ke[0，I]为预处理序列O的第k个数据，Ymi4PYmax分别是负荷时间序列Y的最小值和最大值。
[0023]进一步地，所述步骤(d)、(f)和(g)和所得的预测序列f按照公式:Fk=Ymin+(Ymax-Y_)fk进行反归一化处理，从而得到预测数据序列F;其中，YmiJPYmax分别是负荷时间序列Y的最小值和最大值，fk和Fk分别为预测序列f和预测数据序列F的第k个数据。
[0024]进一步地，所述数据采集模块设有筛选数值范围，当数据采集模块按时间顺序采集电力负荷的历史数据时，采集数据中超出筛选数值范围的数据被剔除，根据不同预测对象设置不同的筛选数值范围，有效地剔除异常数据。
[0025]进一步地，当数据采集模块按时间顺序采集电力负荷的历史数据时，采集数据中存在缺失的数据被剔除。
【附图说明】
[0026]图1为本发明提供的电力负荷预测方法中三个模块的职能分配示意图；
[0027]图2为本实施例中的执行步骤示意图。
【具体实施方式】
[0028]以下结合【附图说明】本发明的【具体实施方式】:
[0029]参见图1本发明的包括三个模块:数据采集模块1、学习模块2和预测模块3。
[0030]数据采集模块I负责采集采集电力负荷的历史数据，并对数据进行筛选，得出负荷时间序列Y，然后对负荷时间序列Y进行归一化处理得出预处理序列O。学习模块2负责对预处理序列O进行学习得出预测正弦函数模型W(t)。预测模块3根据预测正弦函数模型W(t)求出预测数据序列F。
[0031]参见图2，本实施例的具体的实施步骤如下:
[0032](I)数据采集模块按时间顺序采集电力负荷的历史数据，根据预设的筛选数值范围对超出筛选数值范围的数据和存在缺失的数据进行剔除，得出负荷时间序列Y;
[0033]( 2 )根据公式:Ok = ( Yk-Ymin) / ( Ymax-Ymin)，对负荷时间序列Y进行归一化处理，得出预处理序列0，其中Oke [O，I]为预处理序列O的第k个数据，Ymin和Ymax分别是负荷时间序列Y的最小值和最大值；
[0034](3)学习模块将预处理序列O拟合得出一个正弦函数S(t)，根据正弦函数S(t)得出基础序列L1;
[0035](4)学习模块将预处理序列O和基础序列1^相减得出基础残差序列e;
[0036](5)学习模块求出基础残差序列e的均方根误差，将该均方根误差与预设的阀值对比，该次运算的预设阀值为预处理序列O最大值和最小值的差的I % ;
[0037]若小于预设阀值，则正弦函数S(t)为预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F；
[0038]若大于预设阀值，则继续执行以下步骤(6)至(8);
[0039](6)学习模块对基础残差序列e进行拟合，得出残差正弦函数Q(t)，根据残差正弦函数Q(t)得出残差序列M;
[0040](7)学习模块求出残差序列M的均方根误差，将该均方根误差与预设的阀值对比，该次运算的预设阀值为预处理序列O最大值和最小值的差的I % ;
[0041 ] 若小于预设阀值，则将正弦函数S(t)和残差正弦函数Q(t)叠加，得出预测正弦函数模型W，预测模块根据预测正弦函数模型W得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F;
[0042]若大于预设阀值，则进入重复学习步骤:
[0043]根据残差序列M1U= I，2，3，…，η)，拟合得出预测残差正弦函数P1UKi = IJ,3，…，η)，根据Pi(t)得出预测残差序列Ni，利用公式Mi+i = M1-Ni，求出下一个残差序列Mi+i，根据M1+1拟合得出P1+1(t)，根据P1+1⑴得出预测残差序列N1+1;
[0044]每次运算得出的预测残差序列化后，计算该预测残差序列N1均方根误差，将该均方根误差与预设的阀值对比，该次运算的预设阀值为预处理序列O最大值和最小值的差的1%;;若小于预设阀值，则停止重复学习步骤，若大于预设阀值，则继续重复学习步骤；
[0045]所述学习模块设有重复学习限定值R，当重复学习次数达到R次，预测残差序列化均方根误差未能符合上款要求，则停止重复学习，执行步骤(8)，R=100。
[0046](8)停止重复学习步骤后，将正弦函数S(t)和与残差正弦函数Q(t)和所有预测残差正弦函数Pi(t)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测序列F。
[0047]作为一种优选方案，预测序列f按照公式:Fk = Ymin+(Ymax-Ymin)fk进行反归一化处理，从而得到预测数据序列F;其中，Ymin和Ymax分别是负荷时间序列Y的最小值和最大值，fk和Fk分别为预测序列f和预测数据序列F的第k个数据。
[0048]根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的【具体实施方式】，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。
【主权项】
1.一种电力负荷预测的方法，其特征在于:涉及数据采集模块、学习模块和预测模块，上述模块执行以下步骤: (a)数据采集模块按时间顺序采集电力负荷的历史数据，得出负荷时间序列Y，对负荷时间序列Y进行归一化处理，得出预处理序列O; (b)学习模块将预处理序列O拟合得出一个正弦函数S(t)，根据正弦函数S(t)得出基础序列U， (c)学习模块将预处理序列O和基础序列1^相减得出基础残差序列e; (d)学习模块求出基础残差序列e的均方根误差，将该均方根误差与预设的阀值对比； 若小于预设阀值，则正弦函数S(t)为预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F; 若大于预设阀值，则继续执行以下步骤(e)至(g); (e)学习模块对基础残差序列e进行拟合，得出残差正弦函数Q(t)，根据残差正弦函数Q(t)得出残差序列M; (f)学习模块求出残差序列M的均方根误差，将该均方根误差与预设的阀值对比； 若小于预设阀值，则将正弦函数S(t)和残差正弦函数Q(t)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测数据序列F; 若大于预设阀值，则进入重复学习步骤: 根据残差序列M1Q = I，2，3，…，η)，拟合得出预测残差正弦函数P1UKi = IJJ,…，η)，根据Pi(t)得出预测残差序列Ni，利用公式M+i=M1-Ni，求出下一个残差序列Mi+i，根据Mi+i拟合得出P1+1(t)，根据P1+1⑴得出预测残差序列N1+1; 每次运算得出的预测残差序列化后，计算该预测残差序列N1均方根误差，将该均方根误差与预设的阀值对比，若小于预设阀值，则停止重复学习步骤，若大于预设阀值，则继续重复学习步骤； (g)停止重复学习步骤后，将正弦函数S(t)和与残差正弦函数Q(t)和所有预测残差正弦函数P1U)叠加，得出预测正弦函数模型W(t)，预测模块根据预测正弦函数模型W(t)得出预测序列f，并对预测序列f进行反归一化处理，得出预测序列F。2.根据权利要求1所述的一种电力负荷预测的方法，其特征在于:所述预设阀值为预处理序列O最大值和最小值的差的T% ,Te [0.1，I]。3.根据权利要求1所述的一种电力负荷预测的方法，其特征在于:所述学习模块设有重复学习限定值R，当重复学习次数达到R次，则停止重复学习，执行步骤(g) ,Re [10，500]。4.根据权利要求1所述的一种电力负荷预测的方法，其特征在于:所述步骤(a)中负荷时间序列Y按照公式:Ok=(Yk-Ymin)/(Ymax-Ymin)，将负荷时间序列Y做归一化处理，进而得到归一化的预处理序列O;其中Oke [0，I]为预处理序列O的第k个数据，Ymin和Ymax分别是负荷时间序列Y的最小值和最大值。5.根据权利要求1所述的一种电力负荷预测的方法，其特征在于:所述步骤(d)、(f)和(g)和所得的预测序列f?按照公式:Fk=Y_+(Ymax-Y_)fk进行反归一化处理，从而得到预测数据序列F;其中，Ymi4PYmax分别是负荷时间序列Y的最小值和最大值，fk和Fk分别为预测序列f和预测数据序列F的第k个数据。6.根据权利要求1所述的一种电力负荷预测的方法，其特征在于:所述数据采集模块设有筛选数值范围，当数据采集模块按时间顺序采集电力负荷的历史数据时，采集数据中超出筛选数值范围的数据被剔除。7.根据权利要求1所述的一种电力负荷预测的方法，其特征在于:当数据采集模块按时间顺序采集电力负荷的历史数据时，采集数据中存在缺失的数据被剔除。
【文档编号】G06Q50/06GK106056233SQ201610312499
【公开日】2016年10月26日
【申请日】2016年5月11日
【发明人】张雨浓, 张德阳, 马景耀, 丁亚琼, 谭洪舟
【申请人】广东顺德中山大学卡内基梅隆大学国际联合研究院, 中山大学