[发明专利]基于多气象要素的电力负荷预测方法

权利要求书

1.基于多气象要素的电力负荷预测方法，其特征在于：包括以下步骤：

步骤一：分别获取电力负荷数据以及气象数据；

步骤二：将步骤一获取的电力负荷数据进行分解处理；

步骤三：通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，并输出结果。

2.根据权利要求1所述的基于多气象要素的电力负荷预测方法，其特征在于：步骤二中的负荷数据通过STL分解成趋势负荷、季节分量和剩余分量，且通过以下公式表示：

Y_t＝T_t+S_t+R_t；

其中：Y_t为t时刻原始负荷；T_t为趋势负荷，S_t为季节分量，R_t为剩余分量。

3.根据权利要求2所述的基于多气象要素的电力负荷预测方法，其特征在于：STL包括内循环和外循环，内循环得到的趋势分量T_t和季节分量S_t，外循环通过内循环得到的趋势分量T_t和季节分量S_t计算剩余分量R_t。

4.根据权利要求3所述的基于多气象要素的电力负荷预测方法，其特征在于：内循环包括以下步骤：

S1：去趋势：在内循环迭代第k+1次时，用原始序列Y减去上一轮迭代结果中的趋势分量即

S2:周期子序列平滑:每个周期相同位置的样本点组成一个子序列，通过Loess对每个子序列进行回归平滑，平滑后子序列记为

S3：周期子序列的低通量过滤：对S2获取的依次做长度为n_p、n_p、3的滑动平均，其中n_p为一个周期中样本数，用Loess做回归后得到周期子序列的低通量

S4：去除平滑周期子序列趋势：记周期季节分量为

S5：去周期：原始序列Y减去S4获取的周期季节分量

S6：趋势平滑：利用Loess对S5得到的平滑后得到趋势分量

5.根据权利要求4所述的基于多气象要素的电力负荷预测方法，其特征在于：Loess通过将样本划分成一个个小区间，对区间中样本进行多项式拟合，不断重复该过程得到各区间的加权回归曲线，最终得到完整且平滑的回归曲线，设待拟合的点为x，在Loess回归时，选择q个该点附近的邻居x_i，i∈[1，...，q]来拟合x，每个邻居根据其与x的相对距离进行加权；定义λ_q(x)为最远邻居到x的距离，则每个x_i的权重为：

其中：W为三次权重函数；v_i(x)为x_i的权重，距离x越近的点具有更高的权重，随着距离增大，权重逐渐减小，直至最远邻居的权重为0。

6.根据权利要求4所述的基于多气象要素的电力负荷预测方法，其特征在于：当序列中存在多周期性时，通过多级分解的方法剥离周期性元素，分解顺序为由小周期到大周期：首先通过STL得到小周期对应的周期季节分量、趋势分量和剩余分量；再使用STL从剩余分量分解出大周期对应周期季节分量、趋势分量以及剩余分量；各级周期季节分量、趋势分量分别进行叠加得到最终分量。

7.根据权利要求3所述的基于多气象要素的电力负荷预测方法，其特征在于：当序列中有异常值时则剩余分量较大，由此计算每个数据点的鲁棒权重，定义：h＝6median(|R_t|)；

对于t时刻的数据点，其鲁棒权重为：

ρ(t)＝B(|R_t|/h)；

式中：B函数为bisquare函数：

8.根据权利要求1所述的基于多气象要素的电力负荷预测方法，其特征在于：步骤三中的最大信息系数分时段通过互信息和网格划分计算：对于给定变量A＝{a_i，i＝1，2，...，n}和B＝{b_i，i＝1，2，...，n}，其中n为样本数，两者互信息为：

其中，p(a，b)为A和B联合概率密度；p(a)和p(b)分别为A和B的边缘概率密度；

对有序对集合D＝{(a_i，b_i)，i＝1，2，…，n}，定义划分G将变量A的值域划分为x段，将变量B的值域划分为y段，得到的G为x×y的网格，计算每一种划分方式对应的互信息MI(A，B)，取其中互信息最大值作为网格x×y的互信息值，定义网格x×y下D的最大互信息公式为：

式中：D|G表示在划分G下的数据集D；Ω为x×y网格对应的所有划分方式集合，将不同x×y网格下得到的最大互信息归一化后组成特征矩阵：

式中：M(D)_x，y为所有x×y网格组成的最大互信息特征矩阵，而最大信息系数定义为该矩阵中最大值：

式中：Q(n)为样本数n的函数，且Q(n)＝n^0.6；

并通过公式计算两个变量A和B的相互关联程度，计算公式为：

其中：为变量A的均值；为变量B的均值。