[发明专利]一种基于混合模型的短期电力负荷预测方法

说明书

本发明涉及一种基于混合模型的短期电力负荷预测方法，包括以下步骤：基于原始电力负荷数据建立自回归差分移动平均模型，得到平稳序列y_t与预测值通过平稳序列y_t与预测值得到残差序列e_t；针对残差序列e_t采用时间卷积网络模型建模，得到结果将自回归差分移动平均模型和时间卷积网络模型的预测结果进行线性组合，得到预测结果；对预测结果，利用步骤S3计算性能指标，来评价预测效果。混合模型结构为自回归差分移动平均模型和时间卷积网络模型的组合。其中，自回归差分移动平均模型学习负荷数据的线性特征；时间卷积网络模型学习负荷数据的非线性特征；两个模型最优参数选择均通过比较性能指标选择最小值来确定。

技术领域

本发明涉及电力系统领域，更具体地，涉及一种基于混合模型的短期电力负荷预测方法。

背景技术

随着智能电网技术的不断发展，以及各种可再生能源在电网中渗透率的不断提升，电力系统的经济稳定运行、资源的有效利用和能量管理等问题变得愈发复杂。如果发电侧未能产生足够量的电能会导致电网故障，而供过于求又会导致能源和资源的浪费。因此，准确的电力系统负荷预测不仅可以减少不必要的发电量，从而降低资源浪费，实现节能使用；还可以为输配电规划、用电需求管理、能源市场中的智能化交易等提供重要数据支撑。

短期负荷预测信息以日度为预测单位，其预测结果对于发电单元的启停安排，提升可再生能源的渗透率以及用电需求侧的有效管理等方面具有重要作用。即基于短期负荷预测信息可以为发电侧设备运行控制提供参考依据，从而尽可能避免因供需之间的不匹配造成的电网故障或资源浪费等问题。短期负荷受用电终端用户的使用习惯和天气因素的影响，使得数据呈现出强非线性、随机性和时变特征，增加了准确预测的难度。在此背景下，高精度和高鲁棒性的短期负荷建模和预测方法的研究一直是负荷预测领域的研究重点。国内外研究学者主要研究目标也大多集中在采用不同的建模和预测方法来提高短期负荷预测的精度。负荷预测精度越高，越有利于提高发电设备的利用率和经济调度的有效性。目前，从建模和预测方法来看，短期负荷预测的实现手段主要有：基于数学统计分析的时间序列预测方法和基于数据驱动的机器学习类方法。时间序列分析类方法主要有：自回归、移动平均、自回归移动平均、自回归差分移动平均和指数平滑等。此类方法在学习数据的线性特征方面具有较好的性能，但对于数据的非线性特性处理较差；机器学习类方法主要有：支持向量回归、高斯过程回归、聚类、神经网络以及深度学习模型等。机器学习方法具有较强的非线性学习能力，因此在处理具有强非线性和随机性等特征的短时负荷数据方面具有更大的潜在优势。但是支持向量回归、高斯过程回归和浅层神经网络等机器学习方法比较适用于小样本的学习。当电力负荷样本数据量比较大时，适合采用深度学习方法来建立模型实现预测。

现有的技术中，中国发明专利CN101231508公开了“采用时间序列分析预测-校正集成电路制造工艺控制方法”，公开日为2008年07月30日，将与集成电路制造工艺结果有关的数据，通过建立工艺模型的方式进行分离，剥离出其中与工艺结果有关且易于进行调控的工艺参数；其他参数的影响值按时间顺序排列，形成时间序列；采用时间序列分析的算法处理，例如应用自回归差分移动平均模型的建模方法，对该时间序列的总的变化趋势(因而工艺结果的可能的变化趋势)进行预测；通过调整易于调控的工艺参数，补偿所预测到的工艺波动，使工艺结果达到平稳，从而实现工艺条件的动态化处理；该发明中，应用自回归差分移动平均模型的建模方法，对该时间序列的总的变化趋势进行预测，自回归差分移动平均模型只能学习线性特征，对于非线性特征的变化趋势无法进行预测。

发明内容

本发明为解决采用单一类型模型(如回归分析、时间序列分析、支持向量回归等)对于含有线性和非线性复合特征的数据预测误差大的缺点，提供了一种基于混合模型的短期电力负荷预测方法。

为实现以上发明目的，采用的技术方案是：

一种基于混合模型的短期电力负荷预测方法，包括以下步骤：