[发明专利]一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法

说明书

技术领域

本发明涉及电网负荷预测分析领域，尤其涉及一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法。

背景技术

随着经济的发展以及环境压力的增大，利用新能源的呼声越来越高，随着新能源渗透率的增大，对电网的冲击也越来越大，同时传统的电网负荷预测方法面临挑战。电力系统负荷预测是电力系统调度运营部门的一项重要的日常工作，预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量。由于电力负荷本身具有一定的不确定性、非线性、随机性等内在特点，负荷预测一直是学术研究的前沿与热点问题。随着电力市场的发展，负荷变化规律的更加复杂，而传统的单一预测方法自适应能力较差，致使负荷预测的复杂性与求解方法的局限性之间的矛盾更加突出，预测不能得到满意的结果。所以，亟需开发一种计算简单，精度较高的预测方法来解决这一难题。

电网负荷的预测方法主要有模型法和神经网络方法，这两种方法各有特点。模型法包括时间序列分析、回归分析法，卡尔曼滤波法等，神经网络方法主要有BP神经网络、遗传算法以及其改进的方法等。模型法计算简单所需数据较少，但预测精度不高，神经网络方法预测精度较高，但计算复杂，对数据要求较高。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，改善了单一预测方法的预测性能，提高了电网负荷的预测性能。

为了实现上述目的，本发明采用如下技术方案：

基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法，包括以下步骤：

步骤一，利用时间序列分析方法建立电网负荷的时间序列模型；

步骤二，利用时间序列分析方法建立电网负荷的训练样本，利用建立的训练样本和自适应模糊神经网络对电网负荷进行预测；

步骤三，根据步骤一建立的时间序列模型的预测值和自适应模糊神经网络预测值确定卡尔曼方程，时间序列模型的预测值作为卡尔曼滤波的真实值，自适应模糊神经网络的预测值作为卡尔曼滤波的测量值，从而建立基于卡尔曼滤波的预测模型，对电网负荷进行预测。

所述步骤一中时间序列模型选用季节性时间序列模型。

所述步骤二中，人口数量和GDP作为自适应模糊神经网络模型的输入，输出为电网的负荷。

季节性时间序列模型的建立步骤包括：

(1)通过傅里叶周期分析方法得出序列的周期长度s；

(2)识别时间序列的平稳性；

(3)模型识别；

(4)参数估计，用极大似然估计或者最小二乘法估计得到模型中所有参数的估计值；

(5)模型检验；

(6)模型优化，通过赤池信息准则和施瓦茨准则从中选出最合适的模型阶数；

(7)电网负荷的预测，得到卡尔曼滤波的真实值。

在识别时间序列的平稳性之前把不平稳的时间序列转化为平稳序列，转化方法包括：

1)如果序列呈线性趋势，均值不平稳，则利用一阶差分；

2)如果序列呈现二次趋势，均值不是常数，则利用二阶差分；

3)如果序列呈现随时间的上升或下降偏差，方差不是常数，则利用自然对数将其平稳化。

所述步骤(3)确定相应季节性时间序列模型的阶数p、q、P、Q的取值，通过观察自相关和偏相关图估计阶数p,q,Q的可能取值，取值为0、1或2。

所述步骤(5)模型检验包括：

a.参数检验，模型变量的参数所对应的p值小于给定的检验水平0.05，通过统计性检验；

b.残差序列检验，通过对原始时间序列与建的模型之间的残差序列a_t进行检验，若残差序列a_t具有随机性，意味着所建立的模型已包含了原始时间序列的所有趋势，从而将所建立的模型应用与预测是合适的；反之，若残差序列a_t不具有随机性，则说明所建立的模型有待改善，应该对模型进行修正。

本发明的有益效果：