[发明专利]基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法

说明书

本发明公开了一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法，其步骤包括：1获取气温、相对湿度、风力和电力负荷时间序列实际数据，对各序列数据进行预处理，划分训练集和测试集数据；2对电力负荷原始数据进行小波阈值去噪处理，还原电力负荷时间序列真实信息；3构建贝叶斯网络模型，得到初始预测区间；4计算区间变化幅值范围，运用混沌人群算法得到最优区间变化幅值；5在最优区间变化幅值邻域采用混沌搜索，得到最终预测区间。本发明能通过构造预测区间测量电力负荷的不确定性，从而能为电力系统优化运行提供有效参考。

技术领域

本发明涉及电力消费领域，主要涉及一种基于小波阈值去噪、贝叶斯网络与混沌人群搜索算法的电力负荷预测模型方法。

背景技术

近年来，消费的增长与产能的不断提高，使得电力的需求正日趋增长。其中，不断增加的信息流与数据流是电力系统中的重要组成部分，通过分析特征数据及电力数据，进行的在线电力负荷预测有助于电网系统的稳定运行及硬件设备的状态评估。与此同时，由于电能在多种能源使用中的高占比，使得对电能的管理调度变得极为重要。而通过对电力负荷做出准确可靠的预测，在一定程度上能够节约电能损耗，同时各种可再生能源发电规模的逐渐扩大，清洁能源的不确定性与弱可控性也给电力系统的安全稳定运行带来了巨大的挑战。有效的电力负荷预测不仅是实施实时电价的基础，也可以帮助电力部门制定精确地调度方案。因此可靠、及时、准确的电力负荷预测已经成为目前急需解决的问题。

电力负荷数据由于受天气因素、系统状态、数据失真等因素影响，导致所收集到的数据经常出现，异常值、缺失值及大噪声给电力负荷预测带来很大难度。同时，由于电力负荷数据规模较大，如不对数据进行一定技术处理，直接对数据进行预测得到的预测结果往往较差。而当前研究普遍针对于处理数据集中存在的异常值、缺失值，对于电力负荷数据的数据特征却没有针对性应对措施，预测结果的精度往往达不到理想水平。

当前，国内外关于电力负荷预测的方法主要有基于人工智能的方法、基于时间序列历史数据的统计方法及两者混合的预测方法。通常而言，针对电力负荷预测能够同时考虑数值天气物理数据和时间序列历史数据的预测模式能够显著提高其预测精度，但如何将两种成分的数据有效结合并进行预测一直以来都是难以解决的问题。数十年来，研究人员在电力负荷预测的点预测领域取得了卓越的研究成果，预测精度已经趋于理想水平。但由于负荷数据本身的特征和模型固有的缺陷，传统的确定性点预测方法存在点预测误差无法消除，无法对结果的不确定性进行度量，不能给出电力负荷的波动范围等问题。

在当前进行电力负荷的概率性预测的方法中，大多使用演化算法对模型进行优化，但传统的进化算法虽然全局寻有能力较强，能有效提升模型收敛速度，但普遍存在后期收敛速度慢，模型易早熟，容易陷入局部最优解的缺陷。在电力负荷预测中会导致算法运行时间长，达不到时间可用性要求；预测精度不高，达不到准确度可用性要求。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法，通过构造区间测量电力负荷的不确定性，从而能为电力调度决策提供有效参考。

本发明为解决技术问题采用如下技术方案：

本发明一种基于混沌人群算法和贝叶斯网络的电力负荷概率性预测方法的特点是按以下步骤进行：

步骤1、获取气温、相对湿度、风力和电力负荷实际值并进行数据预处理：

步骤1.1、采集温度的历史数据构成原始温度序列，并对所述原始温度序列进行缺失值和异常值的填补以及归一化处理，从而得到预处理后的温度序列，记为F＝[f₁,f₂,...f_i,...f_N]，f_i为所述预处理后的温度序列F中第i个时刻点的温度数据；