[发明专利]基于多气象要素的电力负荷预测方法

说明书

本发明涉及基于多气象要素的电力负荷预测方法，包括以下步骤：步骤一获取电力负荷数据以及气象数据，步骤二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；本发明的优点：由于步骤二对负荷数据进行分解处理，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，能更加直观的把握气象数据与电力负荷之间的关联特性，能自动根据预测目标所在电网、时间段选择合适影响因子与较优预测模型，充分利用历史负荷数据的规律性，结合天气，用户特征等不同因素的影响，提高其预测的效率及精度，提高经济效益和社会效益，相比较传统时间序列预测模型可提高3～5个百分点。

技术领域

本发明涉及电力负荷预测技术领域，具体涉及基于多气象要素的电力负荷预测方法。

背景技术

电力负荷预测是电力系统中的一项重要工作，精确的负荷预测，电力系统负荷预测受气象因素的影响非常大，其中温度对负荷的影响最为显著，比如夏季连续高温天气会导致电力系统中出现一个夏季峰值负荷，冬季的寒流也会使负荷急剧增加，其他影响因子包括相对湿度、风速等天气状况也会对电力负荷产生影响，传统的负荷预测基本只使用了较为简单的统计算法，缺乏对各地区负荷特性的综合考虑和气象条件对负荷变化的影响，在很大程度上限制了负荷预测的准确率和精细化程度，进而影响了电力调度和电力交易的效率性和效益性。

发明内容

本发明的目的就是解决现有传统的负荷预测无法考虑气象要素从而导致存在负荷预测的准确率低的技术问题，提出基于多气象要素的电力负荷预测方法，通过气象因子与电力负荷之间的关联特性来预测电力负荷，实现自动化且高准确性的负荷预测。

为了解决上述技术问题，本发明是通过以下技术方案实现的：基于多气象要素的电力负荷预测方法，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。

步骤一：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。

优选的，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。

优选的，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