[发明专利]一种气象因素影响下基于负荷特性的改进短期负荷的预测方法

说明书

本发明公开了一种气象因素影响下基于负荷特性的改进短期负荷的预测方法，具体涉及短期负荷预测技术领域，其具体操作步骤如下：步骤1：从SCADA实时数据库和气象数据库导入原始的用户负荷数据并预处理；步骤2：依据负荷特性细分为典型五类负荷；步骤3：使用聚类算法结合相关影响因素分别对每一类典型负荷进行相似日细分。本发明通过采用负荷物理特性与属性聚类算法相结合的方法完成负荷二次细分，使用精度较高的优化改进粒子群优化径向基神经网络和最小二乘支持向量机回归模型等算法建立负荷短期改进预测模型，既能得到准确的负荷预测结果，又方便需求侧用户就地进行各类负荷针对性调控。

技术领域

本发明涉及短期负荷预测技术领域，更具体地说，本发明涉及一种气象因素影响下基于负荷特性的改进短期负荷的预测方法。

背景技术

负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因数，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数据，其中负荷是指电力需求量(功率)或用电量。负荷预测是电力系统经济调度中的一项重要内容，是能量管理系统(EMS)的一个重要模块。需要人们采用适当的预测技术，推知负荷的发展趋势和可能达到的状况。

但是随着现代技术理论的不断提升，负荷预测的方法从回归分析法、时间序列法、趋势外推法等发展到人工神经网络法、支持向量机法等。传统负荷预测方法将重点放在负荷数据序列本身，应用于需求侧用户出现了收敛速度慢、预测精度低等问题。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种气象因素影响下基于负荷特性的改进短期负荷的预测方法，通过采用负荷物理特性与属性聚类算法相结合的方法完成负荷二次细分，使用精度较高的优化改进粒子群优化径向基神经网络(MPSO-RBF)和最小二乘支持向量机回归模型(LS-SVM)等算法建立负荷短期改进预测模型，既能得到准确的负荷预测结果，方便需求侧用户就地进行各类负荷针对性调控，又方便管理者宏观掌控需求侧用户负荷情况，有效推动能源互联网的发展，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种气象因素影响下基于负荷特性的改进短期负荷的预测方法，其具体操作步骤如下：

步骤1：从SCADA实时数据库和气象数据库导入原始的用户负荷数据并预处理，其中，实时数据库为用电企业或者设备的用电负荷情况、电流、电压数据，以及企业或者设备的实时生产时间表数据，气象数据库为气温、湿度、风力以及风向数据；

步骤2：依据负荷特性细分为典型五类负荷，其中，典型五类负荷分别为基本保障负荷、生产计划负荷、气象敏感负荷、照明调控负荷以及随机负荷；

步骤3：使用聚类算法结合相关影响因素分别对每一类典型负荷进行相似日细分；

步骤4：使用分布式预测模型对不同类型负荷分别预测，且所采用的预测方法为误差较小的优化改进粒子群优化径向基神经网络和最小二乘支持向量机回归模型算法；

步骤5：通过耦合预测数据得到适用于需求侧响应的准确短期负荷预测数据，其中，耦合预测数据为根据各种负荷的关联程度以数据参数来量化出一个具体值。

在一个优选地实施方式中，所述步骤1中的预处理过程用于对坏数据进行处理，且该坏数据包括数据缺失和数据突变。

在一个优选地实施方式中，所述步骤1的坏数据中的数据突变所满足的方程为

式中：β₁为负荷峰值的阀值；β₂为负荷谷值的阀值，依据不同类型负荷分别取值，对于首端负荷，使用右侧的级比生成进行修正，而末端使用左侧数据修正，中间段取其前后负荷加权平均。