[发明专利]一种基于贝叶斯分类的电网系统短期负荷预测方法

说明书

本发明公开了一种基于贝叶斯分类的电网系统短期负荷预测方法，属于负荷预测领域。本发明提出一种基于贝叶斯分类的电网系统短期负荷预测方法，首先将建立电网系统短期负荷预测指标；接着基于贝叶斯分类建立隶属度模型，最后实现模型计算数据并行化处理，实现对电网系统短期负荷进行精准预测。本发明提供的基于贝叶斯分类的电网系统短期负荷预测方法，打破了传统的预测方法预测时间长的缺陷，缩短预测时间提升预测效率。

技术领域

本发明涉及负荷预测技术领域，特别是涉及一种基于贝叶斯分类的电网系统短期负荷预测方法。

背景技术

科学的不断进步带来了各行各业技术的提升，电力行业中，配电网中的设备也在不断地更新换代。配电系统是供电企业中最重要的组成部分，是电网将电向用户输送的桥梁。社会用电需求不断地增加运行负担也在急剧加重，配电网的电网系统短期负荷的各种预测技术也在不断地发展，电网预测的目的是提升电网资产的有效利用率，减少电网在预测过程中的电流损失。可持续发展理念的引入，使电气设备的高速发展与新能源的融合让电网的发展方向产生了一定的改变。不同类型的新能源接入导致电网的负荷在短时间内产生较大的变化，目前电网的抗容能力很难应对能源替代中的短期电流负荷变化，交流配电网需要采用电网系统短期负荷预测的方式，对电网系统短期负荷进行计算，以便满足配电网系统的电负荷变化需求。

大数据时代让很多传统行业朝着新的方向发展，电网系统的数据和控制系统变为开放访问的模式，国内外学者开始对电网系统短期负荷预测方法进行研究，基于配电系统的直流电和交流电的不同特征，研究了电网的安全可靠性。文献《基于深度递归神经网络的电力系统短期负荷预测模型》研究了深度递归神经网络短期负荷预测模型。在深度神经网络多隐层结构的基础上，深度递归神经网络增设了关联层，并以改进粒子群算法作为网络的优化学习算法，对模型权值空间进行深度优化。但是该方法的预测误差大。文献《基于多层融合神经网络模型的短期电力负荷预测方法》分析了多层融合神经网络模型的预测原理，预测了该预测方式对直流配电网的预测效果，研究了该预测方式的未来发展形式，并对其缺陷提出了未来改进的方式。

基于上述分析，本发明提出一种基于贝叶斯分类的电网系统短期负荷预测方法，首先将建立电网系统短期负荷预测指标；接着基于贝叶斯分类建立隶属度模型，最后实现模型计算数据并行化处理，实现对电网系统短期负荷进行精准预测。

发明内容

本发明的目的是提供一种基于贝叶斯分类的电网系统短期负荷预测方法，为实现上述目的，本发明提供了如下方案：

一种基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，包括以下步骤：

S1，建立电网系统短期负荷预测指标；

S2，基于贝叶斯分类建立隶属度模型；

S3，实现模型计算数据并行化处理。

根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S1中，建立电网系统短期负荷预测指标，具体包括：

S101，将采集后的数据进行数据预处理，将异常的数据进行过滤，再利用数据去噪的方式进行去噪：

式中，AE(T)为数据去噪后的数值，t₁为原始数据，t₂为数据异常，A为去噪的滤波系数；

S102，进行负荷数据的统一处理：

式中，n为数据样本，p为样本n在时刻i的短期负荷。

根据权利要求1所述的基于贝叶斯分类的电网系统短期负荷预测方法，其特征在于，所述步骤S2中，基于贝叶斯分类建立隶属度模型，具体包括：

S201，采用随机变量的独立特征方式建立父节点给定的构成规则：