本发明属于电力负荷预测
技术领域：
，特别涉及一种考虑气象因素的短期电力负荷预测方法。
背景技术：
：短期负荷预测是电网能量管理系统的重要功能，是电力系统安全、经济、可靠运行的基础。负荷预测的精度直接影响电力系统的安全性、经济性和供电质量。因此如何提高预测精度是目前短期负荷预测技术研究的重点。目前用于短期负荷预测的方法主要有传统预测方法和现代预测方法两大类。传统预测方法包括指数平滑法、回归分析法、时间序列法、灰色预测法等。其中以时间序列法应用最为广泛。时间序列法针对一维时间序列，以历史负荷数据为依据推断未来负荷的数值变化，没有考虑气象因素对负荷的影响，造成重要信息的缺失。有些方法即使考虑了气象因素的影响，也多是分析日负荷与最高温度、最低温度等单个气象因素的关系，不能反映所有的气象信息，容易造成分析结果出现误差，从而影响短期负荷预测的精度，难以满足地区负荷预测的需要。现代预测方法主要有专家系统法、遗传算法、神经网络法、支持向量机等。神经网络由于自学习能力和对复杂非线性系统处理能力，成为短期负荷预测的一种重要方法。由于神经网络的结构和参数多依据主观经验确定，因此难以保证预测的效果。合理确定神经网络的结构和参数可有效提高负荷预测的精度。针对现有短期负荷预测方法存在的不足，本发明目的是提供一种考虑气象因素的短期电力负荷预测方法，该方法综合考虑了多个气象因素对负荷的影响，选择关键气象因素用于负荷预测，有效减少负荷预测的工作量，提高负荷预测的准确性和可靠性；采用萤火虫优化算法优化Elman神经网络的参数，进一步提高负荷预测的精度和实时性，为电网运行人员制定发电计划提供可靠依据，保障电网安全、高效和稳定运行。技术实现要素：本发明的目的在于提出一种考虑气象因素的短期电力负荷预测方法，其特征在于，包括如下步骤：1)收集地区电网的历史负荷数据以及对应的历史气象数据，并按日期类型对负荷数据和气象数据进行分类筛选，检测并修正异常数据；2)采用相关性分析方法，分析步骤1)得到的负荷数据与各气象因素的相关程度，确定影响该地区负荷的关键气象因素；3)根据地区电力负荷与关键气象因素的相关性建立综合气象因素；4)采用快速傅里叶变换，对步骤1)得到的负荷数据进行频谱分析，总结地区电网日负荷曲线的变化特性，找出预测日的典型相似日，并按日期排序；5)利用选定负荷与综合气象因素建立Elman神经网络，确定Elman神经网络的结构，采用萤火虫算法训练Elman神经网络并优化网络参数，对训练好的Elman神经网络进行测试以建立Elman神经网络短期负荷预测模型；6)获取待预测时刻的气象预报数据，计算综合气象因素，将综合气象因素和相应负荷数据生成测试输入向量，输入Elman神经网络短期负荷预测模型，其输出即为待预测时刻的负荷预测值；7)显示负荷预测值。所述历史气象数据包括：温度、相对湿度、风速、降雨量、气压、辐射、温湿指数、人体舒适度指数。所述相关性分析方法的公式为：式(1)中，xi为需要辨识其相关性的气象因素，如温度、湿度、风速等，yi为负荷数据，为该气象因素的平均值，为负荷的平均值所述采用萤火虫算法训练Elman神经网络并优化网络参数的步骤为：步骤401：初始化萤火虫种群规模n，最大迭代次数Tmax，每个萤火虫依次编码Elman神经网络的连接权值、结构层初始输入和自反馈增益因子；步骤402：计算各萤火虫的适应度函数fi，并将其作为萤火虫的亮度，按照fi的值越小萤火虫亮度越高的原则，对萤火虫进行排序，找到最亮的萤火虫。适应度函数的计算公式如下：式(2)中，为预测值，yj为真实值，N为样本总数。步骤403：计算各萤火虫的吸引度β，计算公式如下：式(3)中，β0为萤火虫的最大吸引度；βmin为最小吸引度；γ为介质吸收因子。步骤404：更新所有非最亮萤火虫的位置，公式如下：xi(t+1)＝xi(t)+β(xj(t)-xi(t))+rand1(xg(t)-xi(t))(4)式(4)中，xi(t+1)为萤火虫xi在第t+1代的位置；xi(f)为萤火虫xi在第f代的位置；xj(f)为萤火虫xj在第t代的位置；xg(t)为最亮萤火虫在第f代的位置；rand1为[0，1]区间服从均匀的随机因子。步骤405：对最亮萤火虫的位置进行随机扰动，避免过早陷入局部最优。公式如下：式(5)中，rand2为[0，1]区间随机数；α为步长因子，是[0，1]区间的常数；步骤406：根据更新后萤火虫的位置，按照公式(2)重新计算萤火虫的适应度函数。步骤407：判断是否满足精度要求或已达到预先定义的迭代次数，若满足，则算法结束；否则，转步骤203，进入下一次搜索。步骤408：输出最亮萤火虫信息，即最优的Elman神经网络的参数。本发明的有益效果是针对现有短期负荷预测方法存在的不足，提出了一种考虑气象因素的短期电力负荷预测方法，综合考虑多个气象因素对负荷的影响，选择影响负荷的关键气象因素构成综合气象因素用于Elman神经网络负荷预测，可有效减少负荷预测的工作量，保证预测精度，提高预测效率，增强负荷预测模型的适用性；采用萤火虫优化算法快速、合理地确定Elman神经网络的参数，提高了Elman神经网络预测模型的预测精度和实时性；本发明能够精确地预测工作日、周末以及法定节假日的负荷数据，为电网运行人员制定发电计划提供可靠依据，保障电网安全、高效和稳定运行；本发明易于操作、适合于实际的工程应用。附图说明图1为一种考虑气象因素的短期电力负荷预测方法流程图。具体实施方式本发明提出一种考虑气象因素的短期电力负荷预测方法，下面结合附图和具体实施例对本发明作详细说明。图1所示为一种考虑气象因素的短期电力负荷预测方法流程图，包括如下步骤：1)收集地区电网的历史负荷数据以及对应的历史气象数据，并按日期类型对负荷数据和气象数据进行分类筛选，检测并修正异常数据；2)采用相关性分析方法，分析步骤1)得到的负荷数据与各气象因素的相关程度，确定影响该地区负荷的关键气象因素；3)根据地区电力负荷与关键气象因素的相关性建立综合气象因素；4)采用快速傅里叶变换，对步骤1)得到的负荷数据进行频谱分析，总结地区电网日负荷曲线的变化特性，找出预测日的典型相似日，并按日期排序；5)利用选定负荷与综合气象因素建立Elman神经网络，确定Elman神经网络的结构，采用萤火虫算法训练Elman神经网络并优化网络参数，对训练好的Elman神经网络进行测试以建立Elman神经网络短期负荷预测模型；6)获取待预测时刻的气象预报数据，计算综合气象因素，将综合气象因素和相应负荷数据生成测试输入向量，输入Elman神经网络短期负荷预测模型，其输出即为待预测时刻的负荷预测值。7)显示负荷预测值。所述历史气象数据包括：温度、相对湿度、风速、降雨量、气压、辐射、温湿指数、人体舒适度指数。所述相关性分析方法的公式为：式(1)中，xi为需要辨识其相关性的气象因素，如温度、湿度、风速等，yi为负荷数据，为该气象因素的平均值，为负荷的平均值。所述采用萤火虫算法训练Elman神经网络并优化网络参数的步骤为：步骤401：初始化萤火虫种群规模n，最大迭代次数Tmax，每个萤火虫依次编码Elman神经网络的连接权值、结构层初始输入和自反馈增益因子；步骤402：计算各萤火虫的适应度函数fi，并将其作为萤火虫的亮度，按照fi的值越小萤火虫亮度越高的原则，对萤火虫进行排序，找到最亮的萤火虫。适应度函数的计算公式如下：式(2)中，为预测值，yj为真实值，N为样本总数。步骤403：计算各萤火虫的吸引度β，计算公式如下：式(3)中，β0为萤火虫的最大吸引度；βmin为最小吸引度；γ为介质吸收因子。步骤404：更新所有非最亮萤火虫的位置，公式如下：xi(t+1)＝xi(t)+β(xj(t)-xi(t))+rand1(xg(t)-xi(t))(4)式(4)中，xi(t+1)为萤火虫xi在第t+1代的位置；xi(t)为萤火虫xi在第f代的位置；xj(t)为萤火虫xj在第f代的位置；xg(t)为最亮萤火虫在第t代的位置；rand1为[0，1]区间服从均匀的随机因子。步骤405：对最亮萤火虫的位置进行随机扰动，避免过早陷入局部最优。公式如下：式(5)中，rand2为[0，1]区间随机数；α为步长因子，是[0，1]区间的常数；步骤406：根据更新后萤火虫的位置，按照公式(2)重新计算萤火虫的适应度函数。步骤407：判断是否满足精度要求或已达到预先定义的迭代次数，若满足，则算法结束；否则，转步骤203，进入下一次搜索。步骤408：输出最亮萤火虫信息，即最优的Elman神经网络的参数。本发明以某地区实际电网为实施例，收集该地区2010年到2014年历史负荷数据以及对应的历史气象数据。其中，历史气象数据包括温度、相对湿度、风速、降雨量、气压、辐射、温湿指数、人体舒适度指数。日期类型分为工作日和非工作日，其中非工作日又分为法定节假日和周末。按照不同的日期类型对负荷数据和气象数据进行分类，总结其变化的规律。通过数据的垂直处理和水平处理识别异常数据，剔除其中的坏数据，如负荷毛刺；对于缺失数据，利用同类型相邻日的正常数据进行曲线拟合以修正缺失数据。针对众多的气象因素，为辨识各气象因素与负荷的相关性，采用Pearson相关系数公式计算各气象因素与负荷数据的相关程度，计算公式如下：式中，xi为需要辨识其相关性的气象因素，如温度、湿度、风速等，yi为负荷数据，为该气象因素的平均值，为负荷的平均值。在进行相关程度分析之前，需要对各数据进行归一化处理。对2010年到2014年该地区日平均负荷与各气象因素进行相关性分析，负荷与各气象因素的相关系数如表1所示。其中，人体舒适度指数是度量温度、湿度、风速等气象要素对人体的综合作用，表征人体在大气环境中舒适与否。人体舒适度指数的计算公式如下：式中，D为人体舒适度，T是气温(℃)，U是相对湿度(％)，V是风速(m/s)。温湿指数的计算公式如下：THI＝TH-(0.55-0.55U)×(TH-58)式中，TH为华氏温度，U为相对湿度(％)。表1日平均负荷与各气象因素的相关系数气象因素20102011201220132014平均温度0.82270.69130.78910.70560.8185最高温度0.64440.55330.69170.69830.6980最低温度0.54960.52860.66120.64970.6373平均湿度-0.2349-0.3527-0.3953-0.4722-0.2624平均风速0.02240.01850.02900.1041-0.0483平均气压-0.1650-0.2052-0.3140-0.2079-0.1962平均降水量0.17340.10100.18120.0756-0.0598平均辐射0.38760.26570.31020.28650.2706平均温湿指数0.73320.65280.69240.64890.7264平均舒适度指数0.83340.72150.74120.72980.8165经过计算相关系数发现，该地区的负荷与平均温度和平均舒适度指数相关度最大，说明这两个气象因素对该地区负荷的影响相对其他因素较大。因此，平均温度和平均舒适度指数就是影响该地区负荷的关键因素。由于天气预报通常是针对地市范围的，没有直接针对省网的天气预报，因此在分析省级总负荷与气象因素的关系时，需要对气象条件进行一定的处理。考虑到若将全省各地级市的气象信息进行综合的工作量非常巨大且不易实现，本发明针对平均温度和舒适度指数两个关键负荷因素，选取了4个代表性地级市。利用4个地级市的实际气象因素，结合各市的实际用电情况形成关键气象因素加权平均的综合气象因素，作为电力短期负荷预测模型的气象因素。采用快速傅里叶变换，对该地区历史负荷数据进行频谱分析，比较负荷曲线的频谱位置及相应幅值，总结该地区电网日负荷曲线的变化特性，找出预测日的典型相似日，并按日期排序。建立Elman神经网络短期负荷预测模型。选取3个典型相似日同一时刻的实际负荷值和综合气象因素，3个典型相似日前一小时的实际负荷值和综合气象因素，预测日前一小时的实际负荷值和综合气象因素，预测时刻的综合气象因素，预测时刻的日期类型作为Elman神经网络的输入量，预测时刻的负荷预测值作为Elman神经网络的输出量。Elman神经网络的结构共有4层，包含输入层、隐含层、结构层和输出层，其中输入层和输出层节点的数目由输入量和输出量确定，输入层到隐含层权值、隐含层到输出层权值、结构层初始输入、自反馈增益因子等参数采用萤火虫优化算法优化得到。萤火虫算法的参数设置如下：萤火虫的种群规模n＝100，介质吸收因子γ＝1.0，最大吸引度β0＝1.0，步长因子α＝0.02，最大迭代次数T＝200。萤火虫优化算法训练Elman神经网络，算法结束后输出最优萤火虫的位置信息，即为Elman神经网络最优的参数信息。然后，对训练好的Elman神经网络进行测试以建立Elman神经网络短期负荷预测模型。获取待预测时刻的气象预报数据，计算综合气象因素，将综合气象因素和相应负荷数据生成测试输入向量，输入Elman神经网络短期负荷预测模型，其输出即为待预测时刻的负荷预测值。将预测结果与实际负荷数据进行比对，计算预测的误差。选取该地区2014年7月1日至8月17日的负荷数据和气象数据作为样本数据集，对Elman神经网络进行训练和测试。使用已建立的Elman神经网络预测模型预测2014年8月18日工作日(周一)，2014年8月23日周末(周六)以及2014年10月3日国庆节24小时负荷。表2为三种方法24小时负荷预测的平均误差，其中Elman指没有考虑气象因素且使用梯度下降法训练得到的Elman神经网络，FA-Elman指没有考虑气象因素但是采用萤火虫算法优化参数的Elman神经网络，FA-Elman(考虑气象因素)指本发明的方法。表2三种方法在工作日、周末以及法定节假日(国庆节)的预测结果从表2可以看出，相对于Elman神经网络和FA-Elman神经网络，本发明的方法能够取得最好的预测结果。本发明提出了一种考虑气象因素的短期电力负荷预测方法，综合考虑了多个气象因素，保证了负荷预测的精度和合理性；采用综合气象因素作为Elman神经网络的输入，有效减少了负荷预测的工作量，提高预测的准确度和效率；采用萤火虫优化算法确定Elman神经网络的参数，进一步提高了负荷预测的准确性和实时性；本发明的方法能够准确地预测工作日、周末以及法定节假日的负荷数据。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。当前第1页1 2 3