[发明专利]一种基于大数据简约的短期电力负荷预测方法

说明书

本发明提供一种基于大数据简约的短期电力负荷预测方法，所述方法包括：首先利用Lasso原理将大数据中冗余数据和坏数据进行剔除，然后通过主成分分析PCA对环境因素变量进行降维及特征提取。提取的特征向量以及简约处理后的历史负荷数据共同作为Elman神经网络的输入进行训练预测。本发明方法明显提高了短期电力负荷的预测精度和速度。

技术领域

本发明涉及电力负荷预测技术领域，特别是涉及一种基于大数据简约的短期电力负荷预测方法。

背景技术

电力负荷预测是供电部门的重要工作之一，是保证电力系统可靠供电和安全运行的前提。准确的负荷预测可以经济合理地安排电网内部发电机组的启停，做到提高经济效益和社会效益。面对如今智能电网的快速发展，电力负荷影响因素增加，数据呈指数级增长，逐步构成了大数据多维化的特点，传统的数据分析模式已无法满足需求。如何做到高效准确的预测此特点的电力负荷成为现在解决的关键问题。目前的短期电力负荷预测模型中，应用较广泛的BP神经网络是利用静态前馈网络对动态网络进行辨识，将动态时间建模问题变为静态空间建模问题从而使得预测精度较低，而且训练时需要大量的样本数据，使得预测速度也较慢，这都将导致电力的运行成本大幅增加，即面对电力负荷的大数据特点，当前的短期负荷预测方法已不能完全满足智能电网的需求。因此，我们提出了一种基于大数据简约的短期电力负荷预测方法。

发明内容

本发明目的在于提供一种智能电网下明显提高短期电力负荷的预测精度和速度的基于大数据简约的短期电力负荷预测方法。

为实现上述目的，采用了以下技术方案，本发明方法包括以下步骤：

步骤1，选择预测日之前的n个同类型日期的采样点负荷序列，每个日期的采样点为48点，即每30min采样一次；

步骤2，获取选择n个同类型日期及预测日的影响负荷相关天气因素数据；

步骤3，利用最小绝对值收缩(Lasso)原理将获取的原始电力负荷及相关天气因素大数据进行高维数据简约，剔除坏数据，获得有用的负荷序列；

步骤4，通过主成分分析(PCA)对天气环境因素变量进行降维及特征提取，获取环境特征因子；

步骤5，建立Elman动态神经网络短期电力负荷预测模型，将提取的特征向量以及历史负荷数据共同作为Elman神经网络的输入进行训练预测，通过Elman方法预测第n+1天的各时刻的负荷值。

所述步骤2中的相关天气因素负荷数据包括：晴天(X1)、阴天(X2)、雨天(X3)、最高气温(X4)、最低气温(X5)、气压(X6)、湿度(X7)、辐射(X8)、风速(X9)、云量(X10)等10个，这10个相关的天气因素数据将作为仿真数据输入；

所述步骤3)中的最小绝对值收缩(Lasso)原理如下：

利用Lasso算法对负荷大数据进行数据挖掘，剔除冗余数据，从而为负荷预测算法提供简约而有效的特征数据；Lasso方法是一种压缩估计，通过构造一个罚函数得到一个较为精炼的模型，使得它压缩一些系数，同时设定一些系数为零，因此保留了子集收缩的特点；

设有线性回归模型：

y＝α+β₁x₁+β₂x₂+…+β_px_p+ε (1)

式中，α为常数项；β₁,β₂,…β_p为回归系数；ε是随机扰动项；(x_i1,x_i2,...,x_ip；y_i)，i＝1,2,...,n是变量的n组观测值，需满足其中j＝1,2,...,p；