[发明专利]一种社区负荷预测方法

说明书

本发明提供一种社区负荷预测方法，包括，步骤S1，采集负荷用电细节数据辨别异常数据点，去除其内的高尺度噪声部分并提取特征向量，进行样本空间到特征空间的映射；步骤S2，处理输入向量，将特征空间中的非线性输入量转变为线性量；步骤S3，对全天用电数据进行预测，得到负荷预测值，对负荷预测值进行叠加得到全天的预测数据；步骤S4，对负荷预测结果进行评估反馈。本发明提高了对原始采集数据的利用率，提高用电预测的准确性，提高用电数据预测精度。

技术领域

本发明涉及电力系统技术领域，特别是涉及一种社区负荷预测方法。

背景技术

近年来，我国经济快速发展，各行各业对于电力的需求持续增长，电网调 度层对实现电力负荷精准预测的需求愈发强烈。然而，气候的不断变化使得极 端负荷出现的频率大幅升高，这也给电力负荷预测造成了较大困难。因此，在 充分考虑温度、湿度等用电细节数据的情况下，对我国社会用电数据进行高准 确性的预测，可以为配网侧有效实现源荷资源的调控提供有力支持，满足电力 系统安全、经济运行的需求，同时进一步挖掘用户侧需求响应的潜力，实现能 源的充分利用。

负荷预测是从己知的用电需求出发，考虑政治、经济、气候等相关因素， 对未来的用电需求做出的预测。它是电力系统调度、实时控制、运行计划和发 展规划的前提，是一个电网调度部门和规划部门所必须具有的基本信息。当前， 负荷预测的主要方法有经典回归法、时间序列法，以及最近新兴的智能计算方 法如专家系统法、神经网络法、灰色预测法、小波分析法、变权组合法等。经 典的负荷预测方法无法利用输出修正输入，学习能力较差，准确性无法得到保 证。时间序列法对输入数据的要求极高，同时对环境气象等因子的影响不敏感， 无法准确预测负荷随之产生的波动。智能计算方法性能相对较好，能满足基本 的负荷预测要求，但也存在对数据离散程度要求高、只适应短期或长期预测等 问题。

近年来，随着感知终端设备的不断更新，电网可以获得越来越多的用户侧 细节数据，如温度、湿度等。在这种情况下，基于用电细节数据对负荷数据进 行前期分类与处理，建立合适的负荷预测模型，综合细节数据进行负荷预测， 提高负荷预测的精准度，可以方便配网侧进行用电计划管理，并合理安排电网 运行计划与源荷资源调控方案，有利于提高电力系统整体的经济效益，从而促 进最终社会效益的提升。因此，基于用电细节数据进行负荷预测具有重要的理 论意义和实用价值。

发明内容

本发明实施例所解决的技术问题是对温度、湿度、日类型等用电细节数据 的负荷预测不准确，不合理的问题。

本发明的一方面，提供一种社区负荷预测方法，包括：

步骤S1，采集负荷用电细节数据辨别异常数据点，去除其内的高尺度噪声 部分并提取特征向量，进行样本空间到特征空间的映射；

步骤S2，处理输入向量，将特征空间中的非线性输入量转变为线性量；

步骤S3，对全天用电数据进行预测，得到负荷预测值，对负荷预测值进行 叠加得到全天的预测数据；

步骤S4，对负荷预测结果进行评估反馈。

进一步，在步骤S1中，所述辨别异常数据点具体为，根据以下步骤利用纵 向比较法辨别原始数据中的异常数据点：

根据以下公式求解用电负荷样本的均值，得到比较基值：

其中，L(p，Q)为负荷序列数据组；其中，p＝1，2，...，288，Q＝1，2，...， N；p为按五分钟取样间隔得到的一天中的288个时刻；Q为取样天数；L(p，q)为 电负荷样本；

根据以下公式求解一天内各时刻对应的方差：

其中，L(p，q)为电负荷样本；L(p，Q)为负荷序列数据组；