一种基于经验日局部校正多点外推算法的负荷预测方法
【专利摘要】一种基于经验日局部校正多点外推算法的负荷预测方法，它包括如下步骤：1)样本数据的选择；它主要考虑日期类型、距预测日的时间等；取与预测日相隔不超过两个月，或是预测日前一年的同一月的个历史日构成负荷预测的样本集；2)异常数据的检测和处理；它包括数据垂直处理、数据水平处理和缺失数据处理；3)利用概率统计预测未来负荷的变化趋势；将相近两点的负荷变化趋势分为:上升趋势、下降趋势、水平趋势三种；利用概率统计分析原理预测未来负荷变化的趋势；4)利用局部校正的多点外推算法逐一对待预测点进行预测；它采用最小二乘法估计未来负荷变化值；设置提高负荷预测模型精度的方法主要是采用经验日局部校正的多点外推方法。
【专利说明】一种基于经验日局部校正多点外推算法的负荷预测方法
【技术领域】
[0001] 本发明涉及的是一种基于经验日局部校正的多点外推算法来提高电力系统负荷 预测精度的负荷预测方法。
【背景技术】
[0002] 超短期负荷预测是电力系统调度运营和用电服务部门的一项重要的日常工作， 其预测精度的高低直接影响到电力系统运行的安全性、经济性和供电质量，它的特点可以 归纳为：要预测的数据个数多、影响预测的物理因素复杂且具有随机性和预测精度要求高 等。短期负荷预测软件是电力部门自动化的要求。
[0003] 电力系统超短期负荷预测方法众多，单一的预测模型由于自身的优缺点以及用到 的信息有限，预测精度难以在原有基础上取得突破。
【发明内容】
[0004] 本发明的目的在于克服现有技术存在的不足，而提供一种就是通过经验日局部校 正的多点外推算法来对超短期负荷趋势预测，缩小平均绝对误差，达到对超短期负荷预测 精度提高的效果，实时预测节点负荷，实现了配电系统节点负荷实时跟踪的基于经验日局 部校正多点外推算法的负荷预测方法，该方法既抑制不良数据的影响，又提高了状态估计 的精度和算法的收敛性。
[0005] 本发明的目的是通过如下技术方案来完成的，一种基于经验日局部校正多点外推 算法的负荷预测方法，所述的负荷预测方法包括如下步骤：
[0006] 1)样本数据的选择；它主要考虑日期类型、距预测日的时间等；为保证预测的精 度，取与预测日相隔不超过两个月，或是预测日前一年的同一月的个历史日构成负荷预测 的样本集；按照周一、周五、其他工作日、休息日和特殊节假日（如元旦、端午、中秋、国庆 等）进行日期类型划分，不同日期类型采用直接赋值的方式进行量化处理；样本距预测日 的时间采用近大远小的原则，根据经验数据进行量化处理，并利用相似度计算对样本数据 进行选择；
[0007] 2)异常数据的检测和处理；对样本中的异常数据进行检测和处理，包括数据垂直 处理、数据水平处理和缺失数据处理，保证样本数据的准确度；
[0008] 3)利用概率统计预测未来负荷的变化趋势；相似日样本数据可能存在负荷变化 趋势上的差异，将相近两点的负荷变化趋势分为：上升趋势、下降趋势、水平趋势三种；利 用概率统计分析原理预测未来负荷变化的趋势，即对未来负荷的变化趋势采用概率统计的 方法进行分析判定；
[0009] 4)利用局部校正的多点外推算法逐一对待预测点进行预测；它采用最小二乘法 估计未来负荷变化值；设置提高负荷预测模型精度的方法主要是采用经验日局部校正的多 点外推方法，此外，考虑特殊因素或事件对预测时刻的影响，对于有影响的预测时刻的值进 行局部修正。
[0010] 2、根据权利要求1所述的基于经验日局部校正多点外推算法的负荷预测方法，其 特征在于：
[0011] 所述的步骤1)中，样本数据相似度的计算方法是：
[0012] 分别计算各历史日与待预测日的相似度，获得相似矩阵M为：
[0013] M = [mid], i = I, 2, . . . , N ；d = I, 2, . . . , D
[0014] 其中，M--相似度矩阵，mid--每个历史日的每个因素与待测日对应因素的相似 度。
[0015] 根据M计算各历史日与待测日的总相似度。采用将历史日各因素的相似度相乘， 即
【权利要求】
1. 一种基于经验日局部校正多点外推算法的负荷预测方法，其特征在于所述的负荷预 测方法包括如下步骤： 1) 样本数据的选择；它主要考虑日期类型、距预测日的时间等；为保证预测的精度，取 与预测日相隔不超过两个月，或是预测日前一年的同一月的个历史日构成负荷预测的样本 集；按照周一、周五、其他工作日、休息日和特殊节假日（如元旦、端午、中秋、国庆等）进 行日期类型划分，不同日期类型采用直接赋值的方式进行量化处理；样本距预测日的时间 采用近大远小的原则，根据经验数据进行量化处理，并利用相似度计算对样本数据进行选 择； 2) 异常数据的检测和处理；对样本中的异常数据进行检测和处理，包括数据垂直处 理、数据水平处理和缺失数据处理，保证样本数据的准确度； 3) 利用概率统计预测未来负荷的变化趋势；相似日样本数据可能存在负荷变化趋势 上的差异，将相近两点的负荷变化趋势分为：上升趋势、下降趋势、水平趋势三种；利用概 率统计分析原理预测未来负荷变化的趋势，即对未来负荷的变化趋势采用概率统计的方法 进行分析判定； 4) 利用局部校正的多点外推算法逐一对待预测点进行预测；它采用最小二乘法估计 未来负荷变化值；设置提高负荷预测模型精度的方法主要是采用经验日局部校正的多点外 推方法，此外，考虑特殊因素或事件对预测时刻的影响，对于有影响的预测时刻的值进行局 部修正。
2. 根据权利要求1所述的基于经验日局部校正多点外推算法的负荷预测方法，其特征 在于： 所述的步骤1)中，样本数据相似度的计算方法是： 分别计算各历史日与待预测日的相似度，获得相似矩阵M为： M= [mid],i=I, 2,. . . ,N；d=I, 2,. . . ,D 其中，M--相似度矩阵，mid--每个历史日的每个因素与待测日对应因素的相似度。 根据M计算各历史日与待测日的总相似度。采用将历史日各因素的相似度相乘，即
当考察第i个因素时，总相似度对其它因素的偏导数中，均含有因子mid。当mid较小 时，第i个因素成为主导因素，而主导因素差距明显时，决定了2个日期不相似； 所述的步骤2)中： 所述数据的垂直处理是：相近几日的负荷应维持在一定的范围内，如果超出这个范围， 认为该数据是坏数据； 如果
式中：Mt)为最近几日t时刻的负荷平均值；P(i，t)为第i天t时刻的负荷值；ε(t) 为阀值，可根据实际情况人为设定； 所述数据水平处理是：以前后两个时刻的负荷数据为基准，设定数据的最大变化范围， 如果某负荷值与前后两个时刻的负荷数据之差的绝对值都超过最大变化范围，就认为该负 荷值是坏数据； 如果 Z
Z 其中p(i，t)为第i天t时刻的负荷值；a(t)、β(t)为阀值，可根据实际情况进行设 定； 所述数据的缺失处理是：如果某样本缺失数据较多（连续超过2个小时），将该样本直 接剔除；若缺失数据较少，可采用两种方式进行处理。一种修正方法就是将缺失负荷值用数 据库中的预测负荷值代替；如果相应的预测负荷值不存在，利用相邻几个同类型日的正常 数据取加权平均值得到缺失数据；
其中p(i,t)为第i天t时刻的负荷值；N为正常同类型日的个数；p(j,t)为第j天t时刻的负荷值；为p(j，t)的权重，根据第j天与第i天的相似程度和经验数据进行设 置。
3.根据权利要求1所述的基于经验日局部校正多点外推算法的负荷预测方法，其特征 在于： 步骤3)中，利用概率统计分析原理预测未来负荷变化的趋势是：
i= 1，2…，η 其中，η为样本数据个数；yi (t)，yi (t2)分别为第i个样本tpt2时刻的样本数据。 统计各种变化趋势的概率：
最终变化趋势的判别策略：
所述步骤4)中，利用局部校正的多点外推算法逐一对待预测点进行预测是： 根据数学模型 P(tn) =P(V1) +ΔP=P(tj+bΔt 式中：PUlri)为U时刻的负荷值，P(tn)为UAt时刻的负荷值。ΛP为待求时刻 的变化值，b为待求时刻的负荷变化速率。若取得具有相同变化趋势的k个同类型日在待 求时间段内的负荷数据：P(i，，p(i，h)，p(i，t2)，则同一时刻的k天负荷平均值为：
从上面3点的平均负荷值计算在待求时间段内的变化值，采用最小二乘法来进行拟 合，得到
则t2时刻的预测负荷值为： p(t2) =pUJ+bAt 在通过上述算法得到预测负荷值之后，为考虑特殊因素或事件对预测时刻的影响，可 将一些已经预知的因素和事件进行人为设定，对于有影响的预测时刻的值进行局部修正； P(t'）为上述算法推算出的负荷预测值，p(t)为最终负荷预测值，为特殊因素或事件 对负荷的影响大小，a(tj为事件j对t时刻负荷预测的影响系数；
【文档编号】G06Q50/06GK104463445SQ201410704701
【公开日】2015年3月25日 申请日期:2014年11月27日 优先权日:2014年11月27日
【发明者】韩志军, 王坚敏, 严耀良, 朱伟, 陈国恩, 赵仰东, 王跃强, 吴 琳, 张磊, 任志翔, 罗里志, 屠一艳, 郭剑虹 申请人:国网浙江省电力公司嘉兴供电公司