[发明专利]基于时域及环境特征的自学习短期负荷预测方法

权利要求书

1.一种基于时域及环境特征的自学习短期负荷预测方法，其特征在于，包括以下步骤：

S1：选取历史负荷数据，并通过温湿度影响因子算法得到温湿度影响因子；

S2：利用步骤S1中所得的温湿度影响因子，对所述的历史负荷数据的温湿度影响进行还原；

S3：运用灰度理论预测模型对已去除温湿度影响的历史负荷数据进行预测，并对预测结果进行温湿度影响叠加；

S4：通过负荷结果的预测值与实际值进行比较，进行温湿度影响因子的回归适应；

在步骤S1中，所述的温湿度影响因子算法为公式①，即

F＝T(t)*α+H(h)*(1-α) (α为常量,0α1) ①

其中，

T(t)为量化后的温度数据，其量化方法为公式②，即

其中，x,y为温度影响参变量，初始取值为x＝0.015,y＝0.025，t表示温度值；

H(h)为量化后的湿度数据，其量化方法为公式③，即

其中，s,j为湿度影响参变量，初始取值为s＝0.15，j＝0.0075，其中h代表湿度值；

在步骤S2中，通过还原算法对历史负荷数据的温湿度影响进行还原，所述的还原算法为公式④，即

S′＝{s(1)/1+F,s(2)/1+F,...s(n)/1+F} ④

其中，S＝{s(1),s(2),...s(n)}(n＝96)：历史某日的实际日负荷；

F：温湿度影响因子，其参变量t、h分别取历史负荷数据日的平均温度与湿度；

在步骤S3中，通过叠加算法对负荷预测结果的计算值进行温湿度影响叠加处理，所述的叠加算法为公式⑧，即

G'＝{g(1)*(1+F)，g(2)*(1+F)，...g(n)*(1+F)} ⑧

其中，G＝(g(1),g(2),…g(n))(n＝96)：预测日负荷；

F：温湿度影响因子，其参变量t、h分别取负荷预测日的平均预报温度与湿度；

在步骤S4中，进行回归适应的方法包括：

根据预测日负荷：G＝(g(1),g(2),…g(n))(n＝96)，和实际日负荷：S＝{s(1),s(2),…s(n)}(n＝96)，通过公式⑨对实际值与预测值逐点求相对误差：

Δ＝{δ(1),δ(2),...δ(n)} (n＝96) ⑨

其中，δ(i)＝(g(i)-s(i))/s(i)(i＝1,2…n)；

当δ(i)10％,m＝m+1；

当δ(i)10％,n＝n+1(m,n初始值为0)；

当日的预测偏差为m-n；若m-n8,M＝M+1,

若m-n-8,N＝N+1(M,N初始值为0)；

当M≥5时，对x,y,s,j反向调节；

当N≥5时，对x,y,s,j正向调节，调节的粒度为0.0005。

2.根据权利要求1所述的基于时域及环境特征的自学习短期负荷预测方法，其特征在于，在步骤S1中，根据时间特征对历史数据进行判定和选取，且所述的时间特征根据节假日进行分组：

A.周一、特殊节假日后一天；

B.周二、周三、周四；

C.周五、特殊节假日前一天；

D.周六、周日、特殊节假日。

3.根据权利要求2所述的基于时域及环境特征的自学习短期负荷预测方法，其特征在于，在步骤S3之前先对异常数据进行判断和处理，且异常数据包括缺数数据和毛刺数据。

4.根据权利要求3所述的基于时域及环境特征的自学习短期负荷预测方法，其特征在于，所述的缺数数据处理方法包括：

S3-1：设实际日负荷为公式⑤，即

S＝{s(1),s(2),…s(n)} (n＝96) ⑤

S3-2：通过缺数处理算法对某点数据缺失进行处理，所述的缺数处理算法为公式⑥

s(i)＝[s(i-1)+s(i+1)]/2(i＝2,3,4…95) ⑥。