一种基于长相关farima模型的短期电力负荷预测方法
【专利摘要】本发明涉及一种基于长相关FARIMA模型的短期电力负荷预测方法，包括以下步骤：1)根据预测日之前的电力负荷数据，获得预测样本数据；2)对预测样本数据进行预处理，剔除异点以及零均值化，得到电力负荷序列{Xt}；3)利用重标极差分析法计算电力负荷序列{Xt}的Hurst指数的估计值H；4)根据得到的Hurst指数的估计值H，判断电力负荷序列是否满足长相关过程，若满足，则计算分数差分参数d，若不满足，则返回步骤1)；5)根据得到的分数差分参数d建立电力负荷序列{Xt}的FARIMA模型；6)根据FARIMA模型预测电力负荷值，并对预测电力负荷值进行反差分得到实际预测值，用以调整用电调度方案。与现有技术相比，本发明具有结果准确、实用性强等优点。
【专利说明】-种基于长相关FARIMA模型的短期电力负荷预测方法
【技术领域】
[0001] 本发明涉及一种电力负荷预测方法，尤其是涉及一种基于长相关FARIMA模型的 短期电力负荷预测方法。
【背景技术】
[0002] 电力负荷的预测在电力系统生产规划与电网稳定运行、机组检修计划、地区间功 率传送方案、负荷调度方案等方面发挥重要作用。电力系统的稳定运行要求发电量能紧跟 系统负荷的变化，电能必须能够平衡线路负荷，如果不事先预测负荷或者负荷预测不准确， 将会导致大量电能浪费，因此准确预测负荷不但对系统运行和生产计划有重要作用，而且 对确定运行方式、电力系统优化调度也有关键作用。
[0003] 短期电力负荷预测提供未来一段时间电力负荷的变化趋势，是保证电网安全，实 现企业电力系统智能控制，运行和计划安排合理的购电计划、自动发电控制（AGC)的前提， 但是由于电力负荷受天气、温度等自然因素的影响外，负荷本身还具有随机性特征，故短期 电力负荷预测是一个复杂的问题。目前国内外对短期负荷预测的研究主要有趋势外推法、 回归分析法、灰色理论预测法、神经网络预测、时间序列预测等，各研究的侧重点互不相同， 但由于负荷影响因素很多，很多预测方法受预测精度与预测范围受到限制而不能推广使 用。
【发明内容】
[0004] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种结果准确、实用 性强的基于长相关FARIMA模型的短期电力负荷预测方法。
[0005] 本发明的目的可以通过以下技术方案来实现：
[0006] 一种基于长相关FARIMA模型的短期电力负荷预测方法，包括以下步骤：
[0007] 1)根据预测日之前的电力负荷数据，获得预测样本数据；
[0008] 2)对预测样本数据进行预处理，剔除异点以及零均值化，得到电力负荷序列 {XJ;
[0009] 3)利用重标极差分析法计算电力负荷序列{Xt}的Hurst指数的估计值H;
[0010] 4)根据得到的Hurst指数的估计值H，判断电力负荷序列是否满足长相关过程，若 满足，则计算分数差分参数d，d的计算式为：
[0011]d=H-0. 5，
[0012] 若不满足，则返回步骤1);
[0013] 5)根据得到的分数差分参数d建立电力负荷序列{Xt}的FARIMA模型；
[0014]FARIMA模型为分数差分自回归滑动平均模型，ARMA模型为自回归滑动平均模型， 是一个基本的随机过程理论模型。
[0015]ARMA模型对于样本电力负荷序列{Xt}表达式为：
[0016] Xt = Ah+ 2Xt_2+... + pXt_p+ e t- 0 i et_「0 2 e t_29qe t-q，
[0017] 其中，Xt =小iXH+c^XH+.-. +c^Xh为{Xt}的AR模型，
[0018]Xt =Et-B1Et_j- 9 2et_2Q,e "为IXj的MA模型。
[0019] 6)根据FARIMA模型预测电力负荷值，并对预测电力负荷值进行反差分得到实际 预测值，用以调整用电调度方案。
[0020] 所述的步骤3)具体包括以下步骤：
[0021]31)对于电力负荷序列{Xt:t=l，2,3*"n}，其R/S统计的计算式为：
【权利要求】
1. 一种基于长相关FARIMA模型的短期电力负荷预测方法，其特征在于，包括以下步 骤： 1) 根据预测日之前的电力负荷数据，获得预测样本数据； 2) 对预测样本数据进行预处理，剔除异点以及零均值化，得到电力负荷序列{Xt}; 3) 利用重标极差分析法计算电力负荷序列{Xt}的Hurst指数的估计值Η; 4) 根据得到的Hurst指数的估计值Η，判断电力负荷序列是否满足长相关过程，若满 足，则计算分数差分参数d，d的计算式为： d=H-0. 5， 若不满足，则返回步骤1); 5) 根据得到的分数差分参数d建立电力负荷序列{Xt:t= 1，2,3···η}的FARMA模型； 6) 根据FARIM模型预测电力负荷值，并对预测电力负荷值进行反差分得到实际预测 值，用以调整用电调度方案。
2. 根据权利要求1所述的一种基于长相关FARIMA模型的短期电力负荷预测方法，其特 征在于，所述的步骤3)具体包括以下步骤： 31) 对于电力负荷序列{Xt:t= 1，2,3…η}，其R/S统计的计算式为：
其中，R(n)为样本电力负荷序列的极差，S(n)为样本电力负荷序列的标准差，?(η)为 电力负荷序列的平均值，η为样本容量，xk为电力负荷序列{Xt}中第k个元素； 32) 根据R/S统计的计算式，在对数坐标下，绘制R/S曲线； 33) 对R/S曲线进行最小二乘拟合，得到Hurst指数的估计值H。
3. 根据权利要求1所述的一种基于长相关FARIMA模型的短期电力负荷预测方法，其特 征在于，所述的步骤5)具体包括以下步骤： 51) 根据Yule-Walker方程计算ARMA模型的AR模型的自回归参数向量Φ[ΦρΦ2，…， ΦΡ]:
其中，r(ρ)为电力负荷序列{Xt}的自相关函数； 52) 根据AIC准则求得AR模型的自回归系数p和MA模型的移动平均系数q，并且建立 AR模型，AIC准则的计算式为： Λ minAIC=nlnae2+2{p+q+l) 建立的AR(cKp)模型为： Xt = Φ lXt-l+ Φ 2Xt-2+…+ Φ pXt-p+ ε t 其中，εt为零均值、方差为12的平稳白噪声，^^是σE2的估计值； 53) 建立电力负荷序列{Xt}的MA模型，具体包括以下步骤： 531) 根据分数差分参数d对电力负荷序列{Xt:t=···，_1，0，1，···}进行分数差分计 算差分序列Y，Y的计算式为：
其中，Λd为d阶差分算子，B为滞后算子，N为差分序列Y的样本总数； 532) 将差分序列Y经过FIR滤波器Z(扔= 1 + 虑波，获得输出Z= {Zt，t= 1， 2,3?"肩，并建立2的111阶41?模型； 533) 根据Z的m阶AR模型求得其AR参数，并计算Z的逆相关系数，获得Z的q阶AR 模型； 534) 根据Z的q阶AR模型，根据Yule-Walker方程计算电力负荷序列{Xt}的MA模型 的移动平均系数[Q1,θ2，…，0q]。 54) 建立电力负荷序列{Xt}的FARIMA模型。
4.根据权利要求1所述的一种基于长相关FARIMA模型的短期电力负荷预测方法，其特 征在于，所述的步骤4)中判断电力负荷序列是否满足长相关过程的方法为： 当0. 5 <H< 1时，电力负荷序列满足长相关过程； 当H=0. 5时，电力负荷序列不具有自相似性，不满足长相关过程。
【文档编号】G06Q50/06GK104318334SQ201410597336
【公开日】2015年1月28日 申请日期:2014年10月29日 优先权日:2014年10月29日
【发明者】李庆, 宋万清 申请人:上海工程技术大学