[发明专利]一种基于日特征向量优化的灰色模型电量预测方法

说明书

技术领域

本发明涉及一种基于日特征向量优化的灰色模型电量预测方法，属于电力营销智能应用技术领域。

背景技术

电力电量预测是电网企业科学合理安排各项生产经营活动，保证电网安全稳定运行的重要基础工作，也是政府部门制定电力相关政策的重要依据。当前经济结构调整日益深化，电力市场环境复杂多变，经济社会发展对电力电量的需求呈现新的变化态势，特别是电力体制改革不断深化，市场开放程度日益扩大，电力市场主体增加，如何有效提高电量预测特别是中短期电量预测准确性成为各市场主体面临的共同课题。月用电量数据的中短期预测有多种方法，其中灰色等维递补预测是一种较为有效的方法。但是，使用某一种预测方法会加大预测的不确定性，多种方法的组合预测可以降低单一方法的预测缺陷带来的问题。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于日特征向量优化的灰色模型电量预测方法，运用日特征向量法及等维递补灰色模型方法，实现月用电量的预测。

为解决上述技术问题，本发明提供一种基于日特征向量优化的灰色模型电量预测方案。首先用日特征向量法预测未来十天的日用电量，然后以12个月的历史月用电量为预测序列，根据灰色模型方法预测出当月的月用电量，利用预测出的未来十天的日用电量结果调整当月用电量预测结果，依据等维递补的概念构建灰色模型，进而预测出下个月的月用电量。

本发明所采用的技术手段如下：

一种基于日特征向量优化的灰色模型电量预测方法，包括以下步骤：

1)根据日特征向量法计算出从预测日开始未来十天的日用电量数据；

2)通过灰色模型算法预测当月的月用电量；

3)基于等维递补和灰色模型算法预测下月的月用电量。

前述的步骤1)日用电量数据的计算方法为：

1-1)计算气象因子，分别计算各历史日最高温度、最低温度、平均温度和湿度四个子因素与预测日的匹配系数，计算公式如下：

其中，S_j为第j个子因素的匹配系数，j＝1,2,3,4，分别代表最高温度、最低温度、平均温度和湿度，min_j为第j个子因素预测日与历史日差值的最小绝对值，max_j为第j个子因素预测日与历史日差值的最大绝对值，value_j为第j个子因素预测日与历史日差值的绝对值，ρ为调整系数；

然后对每个子因素的匹配系数做加权平均即得到气象因子T：

1-2)计算时间因子D，计算公式如下：

D＝β₁^mod(t，7)β₂^int(t/7) (3)

其中，β₁为日衰减系数，β₂为周衰减系数，t为预测日与历史日的日期差值，mod为取余函数，int为取整函数；

1-3)计算星期因子W，计算公式如下：

W＝1-|f(X₁)-f(X₀)| (4)

其中，f(X₁)为历史日的星期类型，f(X₀)为预测日的星期类型，X₁的取值为周一，周二，周三，周四，周五，周六，周日，f(X₁)的取值为：f(周一)＝0.1，f(周二)＝f(周三)＝f(周四)＝0.2，f(周五)＝0.3，f(周六)＝0.7，f(周日)＝1；

1-4)计算综合相似系数，采用气象因子、时间因子、星期因子相乘的方式得到综合相似系数，取综合相似系数最大的前5名作为相似日集合，对相似日的日用电量以相似系数作为权重进行加权平均后作为预测日的日用电量。

前述的历史日为预测日前35天内的日期。

前述的ρ取值为0.5。

前述的β₁取值为0.96，β₂取值为0.94。

前述的步骤2)预测当月的月用电量的过程如下：

2-1)计算平滑系数，用前三年每月的平均月用电量除以平均年用电量计算每月的平滑系数；

2-2)利用历史12个月的月用电量数据构建预测序列x⁽⁰⁾，用月用电量除以平滑系数的方式对预测序列进行平滑处理；

2-3)通过灰色GM(1,1)模型公式预测当月月用电量；