[发明专利]一种区域配电网负荷需求混合预测方法

说明书

本发明涉及一种区域配电网负荷需求混合预测方法，包含数据收集、数据处理、不同方法预测、不同方法预测结果综合计算。数据预处理结合收集的数据，对数据信息中存在的异常值、遗漏数据等进行处理。组合预测方法，包含了多元线性回归、灰色预测、支持向量机预测三种预测方法，结合样本收集，计算出不同方法的预测偏差。组合预测方法结果的权重确定是应用变异系数方法，根据预测偏差对不同方法的权重进行最终确定。该组合方法有效避免了无关数据和异常数据的干扰及其影响，同时结合不同方法的组合应用并结合相应的预测误差效果确定各个方法计算结果的权重，能够有效提升预测结果的精确程度，从而实现区域配电网电力需求的精准预测。

技术领域

本发明涉及属于区域配电网用负荷预测应用领域，特别是一种区域配电网负荷需求混合预测方法。

背景技术

电力工业是国民经济的基础产业，电网企业投资策略的科学性、合理性是企业管理策略研究的核心内容之一。当前经济社会发展与内外部环境变化，给电网公司经营带来了严峻挑战。因此结合负荷需求的增长，科学合理的确定投资规模，优化投资策略是重中之重，通过系统分析结合区域发展现状，结合不同类型预测方法，精准确定负荷需求，能够为资源的科学合理配置提供辅助决策支撑，实现投入产出成效清晰化、投资安排科学合理化、业务管理精益化。

目前，当前主要的区域配电网负荷需求预测方法主要有线性规划、灰色预测、神经网络等智能预测方法。该类方法各有特点，适用性较为单一，预测精度无法满足当前精准规划需求，例如灰色预测只考虑数据的内在联系，没有充分结合当前负荷需求的复杂影响要素，BP神经网络预测模型在小样本数据处理上存在一定的问题，在学习样本数量有限时，精度难以保证；样本数量很多时，泛化性能又不高。综上所述，单一模型相对简单，且由于负荷需求受多种内外部复杂因素影响，因此单一方法对于区域负荷需求的预测存在一定的缺陷与问题。

支持向量机是一种以结构风险最小化原理为基础的新算法，具有其它以经验风险最小化原理为基础的算法难以比拟的优越性，同时由于它是一个凸二次优化问题，能够保证得到的极值解是全局最优解。即支持向量机能在有限样本情况下，精度既高同时泛化性能也强。随着深度学习算法的引用与运用能够为负荷需求的精准预测提供一定支撑与参考，但是当前研究深度不足，实践性不强，仍存在训练效率低以及迭代次数多等问题，且没有充分考量当前电网企业投资惯性等特点，没有充分考量不同形势下负荷需求的变化特性，预测精准程度有待进一步加强。

发明内容

有鉴于此，本发明的目的是提供一种区域配电网负荷需求混合预测方法，该方法有效避免了相关方法模型单一的影响，充分融合不同方法模型特点，并结合预测偏差科学设定不同方法模型预测结果权重，可以保证负荷需求的预测结果科学合理，并且综合考量电网企业发展以及社会经济发展的相关特点。

本发明采用以下方案实现：一种区域配电网负荷需求混合预测方法，包括以下步骤：

步骤S1：获取基础数据；

步骤S2：进行数据预处理；

步骤S3：进行组合预测模型构建；

步骤S4：通过步骤S3构建的模型进行混合预测。

进一步地，所述基础数据包括历史负荷数据、经济总量、经济结构、经济布局和供电面积。

进一步地，步骤S2中所述数据预处理包括但不限于直接删除、暂且保留、使用统计量替换、缺失值填补和稳健统计量与稳健回归。

进一步地，所述步骤S3的具体内容为：

步骤S31：搭建灰色预测模型；

步骤S32：搭建多元线性回归预测模型；

步骤S33：搭建支持向量机预测模型。

进一步地，所述步骤S31的具体内容为：