一种基于快速周期分量提取的电力短期负荷预测方法
【专利摘要】本发明公布了一种基于快速周期分量提取的电力短期负荷预测方法，本发明对训练数据信号进行频谱分析，依次提出信号的周期及非周期分量，再对周期分量进行循环预测，非周期分量进行差分自回归滑动平均模型预测，得到预测日一天的负荷情况，本发明为电力系统短期负荷预测提供了一种新的快速检测方法，解决了目前电力系统网络结构复杂、参数不稳定的非线性系统中负荷短期预测的问题。
【专利说明】一种基于快速周期分量提取的电力短期负荷预测方法【技术领域】[0001]本发明涉及一种信号处理方法，具体是指基于快速周期分量提取和非周期分量自回归滑动模型估计的电力系统短期负荷预测的信号处理方法。
【背景技术】
[0002]电力系统己成为现代社会的基石，如今随着电力市场环境的形成，供电也已经成为一种商业服务行为，电能成为了一种具有多种质量参数指标、与电力企业经济效益直接相关的特殊商品。电力负荷分类估计(分离)与短期预测是电网经济与安全调度的依据和基础，其在电力系统的安全运行和经济运行中起着重要的作用，是电力系统优化调度(如经济调度，机组最优组合，最优潮流调度)的基础。准确的预测电力系统负荷有助于增强电力系统的安全性和可靠性，有效的制定发电计划，维修计划和能源销售计划，并且是做好电网供需平衡的关键。
[0003]目前，经典的短期负荷预测方法包括时间序列法，线性回归法，指数平滑法，卡尔曼滤波法，人工神经网络法，专家系统法等。根据预测使用的方法不同，上述方法可以分为两类。第一类方法是把负荷看成是一组时间序列信号，然后使用不同的时间序列分析方法对负荷进行预测。第二类则更多的考虑影响负荷的温度，湿度等因素，预测的实现是找到这些天气因素及负荷之间线性或者非线性的关系。上述方法大都是建立在电网具有良好的可观测性之基础上，需要知道电网参数和电网拓扑结构，且网络结构与参数不能有较大的变化。然而电力系统本质上是一个复杂的非线性时变系统，加之测量成本及电网中可能存在的不同产权归属问题，对电网进行良好的观测是不现实的，要求网络特性静态化也是不现实的。因此，目前的对电力负荷估计与预测的方法是有局限性的，不适合电网参数与结构未知的情况。
【发明内容】
[0004]本发明的目的在于提供一种基于快速周期分量提取的电力短期负荷预测方法，在已知预测日期之前几周的历史负荷数据的情况下，对下一天的电力负荷数据进行预测、估计。
[0005]本发明的目的通过下述技术方案实现:
[0006]一种基于快速周期分量提取的电力短期负荷预测方法，其特征在于，包括以下步骤:
[0007](A)选取要预测日期之前一段时间序列的负荷作为历史负荷数据信号，对得到的信号去均值处理，并进行快速离散傅立叶变换，得到信号的频域变换；
[0008](B)将步骤(A)得到的信号进行最大谱峰搜索，提取各频率分量及信号相应的低频趋势分量，并把各分量还原到观测域，再把提取的周期分量进行循环平移处理消噪，提取的非周期分量不做循环平移处理，直到提取的某一分量的幅值小于一给定的阈值；
[0009](C)步骤(B)中得到的周期分量相加，并把开始一天的负荷值作为周期分量的预测值，对剩余的非周期部分利用差分自回归滑动平均(ARMA)模型直接一次预测下一天非周期分量的负荷值；
[0010](D)步骤(C)中周期分量的预测负荷值、非周期分量的预测负荷值与原数据中直流分量相加，即可得到要预测日期一天的负荷。
[0011]利用离散傅里叶变换(DFT)对去均值后的数据进行频域变换来分析信号的频谱性质。
[0012]进一步讲，所述步骤(A)按照以下公式进行处理:
[0013]7(11)1(11)4[1(11)]，式中￡为统计期望^(11)为历史负荷数据，y(n)为去均值后
的数据，对I(n)做离散傅里叶变换(DFT)得到Y(k)，有
【权利要求】
1.一种基于快速周期分量提取的电力短期负荷预测方法，其特征在于，包括以下步骤: (A)选取要预测日期之前一段时间序列的负荷作为历史负荷数据信号，对得到的信号去均值处理，并进行快速离散傅立叶变换，得到信号的频域变换； (B)将步骤(A)得到的信号进行最大谱峰搜索，提取各频率分量及信号相应的低频趋势分量，并把各分量还原到观测域，再把提取的周期分量进行循环平移处理消噪，提取的非周期分量不做循环平移处理，直到提取的某一分量的幅值小于一给定的阈值； (C)步骤(B)中得到的周期分量相加，并把开始一天的负荷值作为周期分量的预测值，对剩余的非周期部分利用差分自回归滑动平均(ARIMA)模型直接一次预测下一天非周期分量的负荷值； (D)步骤(C)中周期分量的预测负荷值、非周期分量的预测负荷值与原数据中直流分量相加，即可得到要预测日期一天的负荷。
2.根据权利要求1所述的基于快速周期分量提取的电力短期负荷预测方法，其特征在于，所述步骤(A)按照以下公式进行处理: 7(11)=1(11)4[1(11)]，式中￡为统计期望，1(11)为历史负荷数据，y(n)为去均值后的数
N-1— -27Tnj:据，对y (n)做离散傅里叶 变换(DFT)得到Y(k)，有Y(k) =N ，其中N为数据长度，k=0~N-1为各离散频域点。
3.根据权利要求1所述的基于快速周期分量提取的电力短期负荷预测方法，其特征在于，所述步骤(B)中的主分量分析按照以下步骤进行: (BI)取离散傅里叶变换的Y(k)的前M个点数据，若数据长度N为偶数，M=N/2，若N为奇数，M= (N-1)/2，并保留前I个数据点作为提取的趋势分量G1GO ; (B2)对剩余的1+1到M个点的数据，进行最大谱峰搜索，最大值处视为谱峰，得到谱峰位置r，由于DFT变换后数据的对称性，保留Y(k)的谱峰位置r和N_r+1及它们左右入个点的数据，并令其他点处的数据为0，得到提取最大谱峰的信号G2GO ; (B3)对提取的各分量信号GiQO做反离散傅里叶变换(IDFT)，得到观测域上的信号 IJ2^nkSM) = -^(^ V ，其中N为数据长度，n=0~N-1为各离散时域点，i为提取的分
N k=Q量序号；从7(11)中消去gi(n)分量，得到剩余的信号t(n)，并重复(B2)步骤，直到剩余的最大谱峰的值小于一给定的阈值e。
4.根据权利要求1所述的基于快速周期分量提取的电力短期负荷预测方法，其特征在于，所述步骤(C)按照以下步骤进行处理:
I Li (Cl)对其中为周期的分量gi(n)进行消噪处理g,(?) = ^~+mT,)，其中Li
A + I m=0为第i分量循环次数，Ti为第i分量的周期； (C2)把所有周期分量相加，并取开始一天的数据点作为下一天满足周期分量的负荷预测数据ya(n)；(C3)从去均值后的数据中消去所有周期分量gi(n)，保留剩余的非周期分量及趋势分量，并对其进行差分自回归滑动平均(ARIMA)模型预测，得到下一天的非周期预测负荷数据yb (n)。
5.根据权利 要求1所述的基于快速周期分量提取的电力短期负荷预测方法，其特征在于，所述步骤(D)按照以下公式进行处理:yc (n) =ya (n) +yb (n) +E [x (n)]。
【文档编号】G06Q50/06GK103745272SQ201410005072
【公开日】2014年4月23日 申请日期:2014年1月6日 优先权日:2014年1月6日
【发明者】李琪林, 贺含峰, 舒勤, 马哲, 谢正军 申请人:国家电网公司, 国网四川省电力公司电力科学研究院