[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

说明书

本发明涉及一种基于时域及环境特征的自学习短期负荷预测方法，其包括以下步骤：S1：选取历史负荷数据，并通过温湿度影响因子方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。优点在于：具有能够对温湿度影响因子自学习回归，提高预测准确度等优点。

技术领域

本发明属于电力系统的负荷预测领域，尤其涉及一种基于时域及环境特征的自学习短期负荷预测方法。

背景技术

随着国家经济的快速发展，社会对电力的需求越来越大，伴随着这种电力需求，必须不断扩大电力系统的规模。但是电力行业的发展，需要巨大的投资和一次能源，并且对国民经济其它部门有巨大的影响，故合理的电力系统规划不仅可以获得巨大的经济效益，也能获得巨大的社会效益，实现这一目标的第一步就是做好负荷预测。

目前，电力负荷预测领域的研究工作主要从时间序列法、回归分析法等经典预测方法进行，发展到运用专家控制法、小波分析法等现代预测方法，并取得了瞩目的研究成果。但是在气象等因素对预测结果的影响方面的研究方面还有待完善，比如在夏季温度、湿度等因素对电力负荷有着很大的影响，不充分考虑这些因素，将影响负荷预测结果的准确性。

为避免负荷预测结果出现较大误差的事件，尤其是夏季、冬季等天气极端的用电高峰季节，必须充分考虑温度、湿度等气象因素，建立完善的负荷预测方法，这对于电力合理系统规划、保障电力系统安全稳定运行等具有重要意义。

为了解决上述技术问题，人们进行了长期的探索，例如中国专利公开了一种基于全过程技术提升的短期电力需求分析方法[申请号：201610100143.9]，它对短期电力需求预测前、中、后的全过程技术进行整合和提升，所述的预测前技术包括数据预处理和数据分析，数据预处理包括不良数据智能辨识与修正、节假日影响的去除、负荷自然增长影响的去除和充分考虑近日历史数据的累积效应，数据分析包括日、周、月、季、年负荷分析、稳定性分析和建立典型曲线库；所述的预测中技术包括气象影响效应分析和负荷预测模型集合，所述的预测后技术包括预测评估机制。

上述方案有助于完善短期电力需求预测技术和提高短期负荷预测精度，但是该方案仅仅提到人体在大气环境中舒适与否的公式和地区差异与天气因素来预测，并没有自学习进行回归适应的过程，而且存在对异常数据处理过于笼统，精确度不够高等缺点。

发明内容

本发明的目的是针对上述问题，提供一种能够对温湿度影响因子自学习回归的基于时域及环境特征的自学习短期负荷预测方法；

为达到上述目的，本发明采用了下列技术方案：本发明的基于时域及环境特征的自学习短期负荷预测方法包括以下步骤：

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。

通过上述技术方案，对温度、湿度气象因素对负荷预测结果的准确性可能存在的影响进行充分考虑，并且通过系统的自学习过程不断将温湿度影响影子进行回归适应，使预测结果不断接近实际值，使算法在使用的过程中预测的结果不断趋于准确值。

在上述的基于时域及环境特征的自学习短期负荷预测方法中，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；