基于气温和非线性自回归时序模型的短期负荷预测方法
【专利摘要】本发明公开了一种基于气温和非线性自回归时序模型的短期负荷预测方法，包括：获取若干个历史日的电力负荷和若干个历史日的气温数据以及待预测日的预报气温；确定所述非线性自回归时序模型阶次和各阶子项记忆步长，估计模型参数，得到负荷预测模型；根据所述的待预测日的预报气温和所述的负荷预测模型预测所述的待预测日的负荷。针对负荷与气温相关性较强的特点，本发明将气温因素加入到对负荷的短期预测当中，提高了短期负荷的预测精度,为电网调度控制提供依据,为电网安全运行提供保障。
【专利说明】基于气温和非线性自回归时序模型的短期负荷预测方法
【技术领域】
[0001] 本发明涉及电力预测【技术领域】，尤其涉及基于气温和非线性自回归时序模型的 短期负荷预测方法。
【背景技术】
[0002] 无论微网还是大电网，提高短期负荷预测精度都是改善电能质量、使电网安全和 经济运行的关键一环。短期负荷数据是按一定的时间间隔记录的，带有时间特征、非线性和 较强的随机性，时间序列分析方法是对此类数据建模和预测的成熟且有效的方法。典型的 非线性时间序列模型通用性不强，对负荷序列平稳性要求较高，仅仅考虑历史数据，较少 考虑外部环境因素的影响及自身数据的规律性，而电力负荷的变化既有自身的规律性，又 受某些相关因素的影响，在影响负荷的相关因素中，气温是最敏感的因素之一。非线性自回 归时间序列模型建模时无须对序列进行平稳性检验，所能拟合的非线性范围广，通用性好， 允许将影响输出的某些关键因素加入到建模过程中，可提高时序模型的建模预测精度。
【发明内容】
[0003] 本发明的目的在于，为了提高短期负荷预测准确率，根据以上分析，提出基于气温 和非线性自回归时序模型的短期负荷预测方法。
[0004] 基于气温和非线性自回归时序模型的短期负荷预测方法，包括以下步骤。
[0005] 获取若干个历史日的电力负荷和若干个历史日的气温数据以及待预测日的预报 气温。
[0006] 确定所述非线性自回归时序模型阶次和各阶子项记忆步长，估计模型参数，得到 负荷预测模型。
[0007] 根据所述的待预测日的预报气温和所述的负荷预测模型预测所述待预测日的负 荷。
[0008] 与一般的时间序列短期负荷预测方法相比，本发明基于气温和非线性自回归时序 模型的短期负荷预测方法将气温因素加入到所述的负荷预测模型的建模过程，充分体现了 气温因素对于负荷的巨大影响作用，无须对序列平稳性进行检验，简化了建模过程，提高了 短期负荷的预测精度，为电网调度控制提供依据，为电网安全运行提供保障。
【专利附图】
【附图说明】
[0009] 图1是本发明基于气温和非线性自回归时序模型的短期负荷预测方法的流程示 意图。
【具体实施方式】
[0010] 以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实 施例仅用于说明和解释本发明，并不用于限定本发明。
[0011] 请参阅图1，为本发明基于气温和非线性自回归时序模型的短期负荷预测方法的 流程示意图，本发明基于气温和非线性自回归时序模型的短期负荷预测方法，包括以下步 骤。
[0012] SlOl获取若干个历史日电力负荷和若干个历史日气温数据以及待预测日的预报 气温。
[0013] 首先，获取若干个历史日的电力负荷和若干个历史日的气温数据以及待预测日的 预报气温。
[0014] 将所获得的电力负荷数据排成负荷序列,将所获得的历史气温数据据排成气温序 列，记[Fj负荷序列，为气温序列，々=1，2, 3,…。
[0015] S102确定所述非线性自回归时序模型阶次和各阶子项记忆步长，估计模型参数， 得到负荷预测模型。
[0016] 短期负荷具有非线性特征，所述的负荷预测模型包括线性子项即一阶子项和非线 性子项即二阶以及二阶以上阶次子项，所述的各阶子项记忆步长包括负荷序列关于该阶次 的记忆步长和气温序列关于该阶次的记忆步长。
[0017] 设所述模型阶次为r，在J阶项中c/=l，2,…，r)，负荷序列和气温序列{:?} 关于该阶项的记忆步长分别记为，flw.，令?。
[0018] 设向量为所述模型中所有J阶项所组成的有序数组。
[0019] 设向量厶J;i(i二1，2,…J)为4」.中的Y次因子。
【权利要求】
1. 基于气温和非线性自回归时序模型的短期负荷预测方法，其特征在于，包括以下步 骤： 步骤一：获取若干个历史日电力负荷和若干个历史日的气温数据以及待预测日的预报 气温； 步骤二：确定所述非线性自回归时间序列模型阶次和各阶子项记忆步长，估计模型参 数，得到负荷预测模型； 步骤三：根据所述的待预测日预报气温和所述的负荷预测模型预测所述待预测日负 荷。
2. 根据权利要求1所述的基于气温和非线性自回归时序模型的短期负荷预测方法，其 特征在于，所述的负荷预测模型包括线性子项即一阶子项和非线性子项即二阶以及二阶以 上阶次子项，所述的各阶子项记忆步长包括负荷序列关于该阶次的记忆步长和气温序列关 于该阶次的记忆步长，确定所述的模型阶次和各阶子项记忆步长包括以下步骤： 步骤二（101):定义线性定阶指标和非线性定阶指标； 步骤二（201):根据所述的线性定阶指标确定所述模型的一阶子项记忆步长，短期负荷 非线性较强，线性部分占比较小，在确定所述模型的一阶子项记忆步长时，可令所述的负荷 序列关于该阶次的记忆步长等于所述的气温序列关于该阶次的记忆步长； 步骤二（301):根据所述的非线性定阶指标确定所述模型的非线性阶次和非线性各阶 子项的记忆步长，每一阶非线性子项均有该阶子项所对应的非线性定阶指标，短期负荷对 气温因素较敏感，主要通过调节所述的气温序列关于各阶非线性子项的记忆步长来寻找最 优模型，而对所述的负荷序列关于各阶非线性子项的记忆步长的调节起辅助作用。
3. 根据权利要求2所述的基于气温和非线性自回归时序模型的短期负荷预测方法，其 特征在于，确定所述模型的一阶子项记忆步长，包括以下步骤： 步骤二（202):令所获得的负荷序列和气温序列关于一阶子项的记忆步长的初始值为 1，估计模型参数，计算线性定阶指标； 步骤二（203):令所述的负荷序列和气温序列关于一阶子项的记忆步长都增加1，估计 模型参数，计算所述的线性定阶指标，与前一个计算所得的线性定阶指标相比较； 步骤二（204):若所述的线性定阶指标未减小，则此时负荷序列和气温序列的记忆步长 即为所述模型的一阶子项记忆步长，若所述的线性定阶指标减小，则重复上一步骤，直到所 述的线性定阶指标不再减小为止，此时负荷序列和气温序列的记忆步长即为所述模型的一 阶子项记忆步长。
4. 根据权利要求2所述的基于气温和非线性自回归时序模型的短期负荷预测方法，其 特征在于，确定所述模型的非线性阶次和非线性各阶子项的记忆步长，包括以下步骤： 步骤二（302):设所述的非线性阶次r=2 ; 步骤二（303):令所获得的负荷序列和气温序列关于r阶子项的记忆步长的初始值为 1，估计模型参数，计算非线性定阶指标； 步骤二（304):令所述的负荷序列和气温序列关于r阶子项的记忆步长都增加1，估计 模型参数，计算非线性定阶指标，与前一个计算所得的非线性定阶指标相比较； 步骤二（305):若所述的非线性定阶指标未减小，此时负荷序列的记忆步长即为所述模 型的负荷序列关于r阶子项的记忆步长，若所述的非线性定阶指标减小，则重复上一步骤， 直到所述的非线性定阶指标不再减小为止，则此时负荷序列的记忆步长即为所述模型的负 荷序列关于r阶子项的记忆步长； 步骤二（306):令所述的气温序列关于r阶子项的记忆步长增加1，估计模型参数，计算 非线性定阶指标，与前一个计算所得的非线性定阶指标相比较； 步骤二（307):若所述的非线性定阶指标未减小，此时气温序列的记忆步长即为所述模 型的气温序列关于r阶子项的记忆步长，此时的非线性定阶指标即为所述的r阶子项非线 性定阶指标，若所述的非线性定阶指标减小，则重复上一步骤，直到所述的非线性定阶指标 不再减小为止，此时气温序列的记忆步长即为所述模型的气温序列关于r阶子项的记忆步 长，此时的非线性定阶指标即为所述的r阶子项非线性定阶指标； 步骤二（308):令r=r+l，重复权利要求4中的步骤二（303)至步骤二（307)，得到所述 的r阶子项非线性定阶指标，并与所述的r-1阶子项非线性定阶指标相比较； 步骤二（309):若所述的r阶子项非线性定阶指标不小于所述的r-1阶子项非线性定 阶指标，则模型的阶次为r-1阶，若所述的r阶子项非线性定阶指标小于所述的r-1阶子项 非线性定阶指标，则令r=r+l，重复权利要求4中的步骤二（303)至步骤二（307)，直到所述 的r阶子项非线性定阶指标不再小于所述的r-1阶子项非线性定阶指标为止，此时的阶次 r即为所述模型的阶次。
【文档编号】G06Q50/06GK104376367SQ201410228489
【公开日】2015年2月25日 申请日期:2014年5月28日 优先权日:2014年5月28日
【发明者】沈艳霞, 高超 申请人:江南大学