基于类气象分区综合评价的大电网负荷预测方法与流程

本发明涉及电力系统负荷预测相关
技术领域：
，具体地说，涉及一种基于类气象分区综合评价的大电网负荷预测方法，用于电力系统短期负荷预测。
背景技术：
：为保证电力系统发电功率和负荷功率的动态平衡，必须对电力系统负荷做出科学的预测。负荷预测是调度中心及电网发展策划部门的一项重要工作，负荷预测的结果对电网运行、控制、调度、规划、建设等方面具有重要的指导价值，它是电网科学发展和科学调度的基础。提高负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于提高电力系统的经济效益和社会效益。因此，负荷预测已成为实现电力系统管理现代化的重要内容。目前利用区域负荷预测全网系统负荷的方法为“子网累加法”，“子网累加法”的预测流程如图1所示。其预测基本可以分成以下三步：1、在各个区域内充分考虑各种影响短期负荷预测的因素，选择合适的预测方法，然后根据各区域历史数据对各个区域进行短期负荷预测；得出各个子网的96点负荷预测结果。2、汇总各区域负荷预测结果，把每个区域的96点预测数据进行累加得到各个时刻点的累加和。3、计算待预测日的96点的厂用电和网损，并对累加和进行修正得出最终的安徽电网负荷预测结果。由于该方法要对每个区域子网进行预测，而对于短期负荷预测来说，由于各个区域的负荷稳定度不同，预测难度迥异，与此同时，厂用电和网损数据也需要预测，因此，当利用全部区域的预测负荷进行子网累加时，全网系统负荷预测的准确性效果可能不够理想。为了解决上述问题，本申请人在申请号为CN201310648023.9的发明专利申请中，提出了一种基于区域负荷预测值综合评价准确率的全网负荷预测方法，该方法在一定程度上提高了电力系统短期负荷预测的准确性。但上述方法在进行区域划分时，是以地理位置所处的行政区域对区域进行划分，但各个行政区域气象条件的变化趋势是不同的，尤其是在气象条件变化剧烈的夏季，因此可能导致各个行政区域的负荷与全网的负荷的比值在连续几日中变化较大，不利于各个行政区域与全网负荷比例系数的预测；根据综合评价指标的结果选择q个区域预测全网负荷，由于不同的q值，将有不同的预测效果，故设置不同的预测方案及其选择的区域数，可避免预测极限误差的存在。技术实现要素：本发明是针对现有基于区域负荷预测值综合评价对大电网负荷进行预测时，采用地理位置所处的行政区域对大电网进行区域划分所存在的问题，提供一种基于类气象分区综合评价的大电网负荷预测方法，以提高电力系统短期负荷预测准确率。同时，本方法同样只选取部分区域负荷预测值来预测全网负荷，可避免有些区域负荷预测专责上报区域预测结果不及时而影响全网负荷预测。本发明所需要解决的技术问题，可以通过以下技术方案来实现：一种基于类气象分区综合评价的大电网负荷预测方法，其特征在于，包括如下步骤：(1)获取在待预测日负荷预测值已上报的M个行政区域的负荷预测值；获取近期一个样本时段内的历史数据作为历史数据样本空间，所述历史数据中的负荷数据为全网及M个行政区域的实际负荷和预测负荷；(2)获取样本时段内M个行政区域内的至少2个历史气象条件数据，通过历史气象条件数据，划分为N个气象条件差异较大的气象区域；(3)计算所述N个气象区域在时刻点t的平均比例系数用指数平滑法动态预测待预测日N个气象区域在相同时刻点t的比例系数，得到N个气象区域在时刻点t的比例系数矩阵Ct；(4)通过多个单一评价指标及每个单一评价指标的权重，构建时刻点t综合评价指标FAL,t；(5)对于N个气象区域在时刻点t按各区域的综合评价指标FAL,t从小到大的优先级排序，并以综合评价指标FAL,t最小为优先级最高。(6)设置G(1≤G≤N)个预测方案及各个预测方案中选择的气象区域数q(q为介于1至N的数值)，且每个预测方案的q的数值是不同的；(7)对于某个预测方案g，选择时刻点t优先级较高的q个气象区域，用所选择的q个气象区域分别预测时刻点t的全网系统负荷，得到q个不同的预测结果；(8)对q个不同的预测结果建立时刻点t的最优综合模型，计算所选择的各气象区域的最优权重，得到时刻点t的全网系统负荷最终预测结果为其中，为由预测方案g的气象区域k预测出的全网系统负荷在时刻点t的最优权重，为预测方案g的用第k个气象区域预测出来的时刻点t的全网系统负荷；(9)对于待预测日全天T个时刻点，分别建立最优综合模型，得到预测方案g的全天负荷预测序列(10)对于G个预测方案G个不同的预测结果，分别建立全天T个时刻点的最优综合模型，得到待预测日的最终负荷预测结果(L1,L2,…,LT)：其中，为预测方案g预测出的全网系统负荷在时刻点t的最优权重。本发明中，所述至少2个历史气象条件数据为一个样本时段内，行政区域的最高温度、最低温度、平均温度、人体舒适度、天气类型、风速、温湿指数、寒冷指数中的2个或者2个以上的任意组合。所述至少2个历史气象条件数据为一个样本时段内，行政区域的最高温度、最低温度和平均温度，根据M个行政区域的历史气象条件数据形成气象数据矩阵X：X＝(X1,X2,…Xi,…,XM)其中，Xi为第i个行政区域在一个样本时段内n天的气象条件数据集合，为第i个行政区域在一个样本时段内n天的最高温度；为第i个行政区域在一个样本时段内n天的最低温度；为第i个行政区域在一个样本时段内n天的平均温度。本发明中，采用基于概率距离的同步回代消除技术对矩阵X进行聚合，划分为N个气象条件差异较大的气象区域：首先，对矩阵X中M个列向量指定一个发生的概率ps＝1/M(s＝1,2,…,M)。集合S表示最初的行政区域，令ξs表示矩阵X中的第s个行政区域，DTs,s'表示行政区域s和行政区域s'的距离，其值为行政区域s和行政区域s'之间的向量2范数，设置向量DA＝[1,2,…,M]T，DB为所有元素都为0的M×M的方阵。同步回代消除的基本步骤如下：1)计算每对行政区域之间的距离DTs,s'，DTs,s'＝||ξs,ξs'||。2)对于每个行政区域k，找出与行政区域k距离最短的行政区域r，即DTk(r)＝minDTk,s'。3)计算PDk(r)＝pk*DTk(r),k∈S，在k中找出行政区域索引h，使得PDh＝minPDk,k∈S。4)令S＝S-ξDA(h)，且pr＝pr+ph。DB(h,h)＝DA(r)，DA(h)设为空。5)重复2)-4)，直至剩余的行政区域数目为N为止。DA仅剩下N个元素，对应方阵DB(DA(i)，DA(i))＝0，i＝1,2,…N，即需要保留N个气象条件差异较大的气象区域。DA中N个气象条件差异较大的气象区域各自聚合的行政区域搜索步骤如下：1)令i＝1，P＝DA(i)。2)找出满足要求的m，使得DB(m,m)＝P，则气象区域i中包含的行政区域有P＝[P,m]。3)找出满足要求的l，使得DB(l,l)＝m，P＝[P,l]，该搜索过程直至DB的对角元素没有等于l的为止；4)i＝i+1，P＝DA(i)，重复2)-4)，直至i＝N。本发明中，所述步骤(1)中，对于所述历史数据按如下方法进行预处理：令：L(d,t)为第d天t时刻的负荷值，L(d,t1)和L(d,t2)为第d天与t时刻相邻的两个时刻t1、t2的负荷值，L(d1,t)和L(d2,t)为与d相邻的两天在时刻点t的负荷值；a)对于缺失数据的处理若第d天t时刻的负荷值L(d,t)缺失，则利用式(1)获得L(d,t)：L(d,t)＝αL(d,t1)+αL(d,t2)+βL(d1,t)+βL(d2,t)(1)式(1)中，α和β为系数，α>β,α+β＝1；b)对于坏点数据的处理定义ε为负荷允许的偏离率，ρ(d,t)为第d天时刻点t实际偏离率，当ρ(d,t)≥ε时，判断L(d,t)为坏数据，对坏数据用进行代替：本发明中，所述步骤(3)表示为：Ct＝(C1,t,C2,t,…,CN,t)其中，为第1个行政区域的历史数据在时刻点t的平均比例系数；为第2个行政区域的历史数据在时刻点t的平均比例系数；为第N个行政区域的历史数据在时刻点t的平均比例系数；C1,t为第1个行政区域在待预测日时刻点t的比例系数；C2,t为第2个行政区域在待预测日时刻点t的比例系数；CN,t为第N个行政区域在待预测日时刻点t的比例系数。所述步骤(3)中的指数平滑法为，建立指数平滑模型为：式(3)中：表示气象区域i在时刻t占全网系统负荷比例的预测值，表示前j天的气象区域i在时刻t占全网系统负荷比例的实际值；n为在一个样本时段内的天数；λj表示权重系数，λj＝λ(1-λ)j-1，λ为常数，且0<λ<1。本发明中，所述步骤(4)中，构建时刻点t的多个单一评价指标体系Ft，采用三个单一评价指标，则每个气象区域的多指标评价体系Ft为：Ft＝(F1,t,F2,t,F3,t)T所述三个单一评价指标分别为：某气象区域负荷在时刻点t的综合稳定度评价指标F1,t，某气象区域负荷在时刻点t的预测综合准确率评价指标F2,t，某气象区域负荷比例系数在时刻点t的稳定度评价指标F3,t；构建时刻点t综合评价指标FAL,t为；FAL,t＝ω×Y其中：ω＝(ω1,ω2,ω3)，ω为三个单一评价指标在时刻点t的权重矩阵；ω1,ω2,ω3为多个单一评价指标体系Ft中每个单一评价指标在时刻点t的权重系数；Y为根据多个单一评价指标体系Ft形成的在时刻点t的决策矩阵。所述某气象区域负荷在时刻点t的综合稳定度评价指标F1,t由式(4)获得：式(4)中：RSDt为某个气象区域在时刻t的气象区域负荷相对标准偏差，为某个气象区域在时刻t时区域负荷占系统负荷的平均比例系数；所述某气象区域负荷在时刻点t的预测综合准确率评价指标F2,t按式(5)获得：式(5)中：Qt为某个气象区域在所选样本空间内的时刻t的平均预测准确率；所述某气象区域负荷比例系数在时刻点t的稳定度评价指标F3,t按式(6)获得：式(6)中：为某个气象区域在时刻t的比例系数的样本标准方差，为某个气象区域在时刻t的比例系数的样本数学期望；或者，所述每个单一评价指标在时刻点t的权重系数ω1,ω2,ω3以及决策矩阵Y按如下方法获得：1)令决策矩阵Y为：Y＝(yil)3×N，其中：式(7)中：Fi,l为气象区域i的第l个评价指标，mini{Fi,l}为N个气象区域中的第l个评价指标的最小值，maxi{Fi,l}为N个气象区域中的第l个评价指标的最大值；2)则有：式(8)中：其中sl为决策矩阵Y中第l项指标的标准方差，为第l项指标的数学期望，ωl即为第l个评价指标在时刻点t的权重系数。本发明中，所述步骤(7)中，对于某个预测方案g得到q个不同的预测结果，表示为：其中，为利用预测方案g的第1个气象区域预测出的时刻点t的全网系统负荷；为利用预测方案g的第2个气象区域预测出的时刻点t的全网系统负荷；为利用预测方案g的第q个气象区域预测出的时刻点t的全网系统负荷，且Lq,t为第q个气象区域在时刻点tt的负荷预测值，Cq,t为第q个气象区域在时刻点t的比例系数预测值。本发明中，所述步骤(8)中最优综合模型按如下方法建立：以式(9)表征时刻点t全网系统负荷预测值的目标函数，式(10)-(11)为目标函数的约束条件：式(9)中：表示预测方案g的第j天时刻点t由气象区域k预测出的全网系统负荷预测值，Lall,t,j表示第j天时刻点t的全网系统负荷实际值；由式(9)、式(10)和式(11)计算得出预测方案g中所选择的q个气象区域在时刻点t的最优权重后，再根据加权得到预测方案g的时刻点t的全网系统负荷预测值。本发明中，所述步骤(4)中，各个预测方案的最优综合模型按如下方法建立：以式(12)表征时刻点t全网系统负荷预测值的目标函数，式(13)-(14)为目标函数的约束条件：式(12)中：表示第j天时刻点t由预测方案g预测出的全网系统负荷预测值，Lall,t,j表示第j天时刻点t的全网系统负荷实际值。由式(12)、式(13)和式(14)计算得出G个气象区域在时刻点t的最优权重后，再根据加权得到待预测日时刻点t的全网系统负荷最终预测值。本发明基于类气象分区综合评价的大电网负荷预测方法，存在以下有益效果：1、本发明方法降低了现有技术中子网累加法中负荷波动性较大而难以预测的区域对全网负荷预测造成的影响；回避了对电厂用电和电网损耗的预测。2、子网累加法中需要提前知道所有区域负荷预测值，而本发明方法只选取部分区域负荷预测值来预测全网负荷，避免了有些区域负荷预测专责上报区域预测结果不及时而影响省调控中心的全网负荷预测。3、本发明方法采用综合指标评价的方法对各区域优先级排序，可以综合考虑各个区域负荷预测值对全网负荷预测值的影响，有利于提高全网负荷预测的准确率。4、区域的划分不再简单采用行政区域进行，通过对行政区域基于气象条件相似度进行处理，避免了当各个行政区域气象条件变化较大时，尤其是在气象条件变化剧烈的夏季，可能导致的各个行政区域的负荷与全网的负荷的比值在连续几日中变化较大产生的影响，通过对气象区域的划分，有利于各个气象区域与全网负荷比例系数的预测；根据综合评价指标的结果选择q个区域预测全网负荷，由于不同的q值，将有不同的预测效果，故设置不同的预测方案及其选择的区域数，可避免预测极限误差的存在。附图说明以下结合附图和具体实施方式来进一步说明本发明。图1为子网累加算法流程。图2为本发明方法流程图。图3为某省电网2016年5月18日的6个预测方案分别预测得到的6个全网负荷预测曲线。图4为某省电网2016年5月18日最终全天的负荷预测曲线与实际负荷曲线对比图。具体实施方式为了使本发明的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。本发明的主旨在于，通过对基于区域负荷预测值对大电网负荷进行预测基本操作方式情况的分析，发现采用地理位置所处的行政区域对区域进行划分所存在的问题，提供一种基于类气象分区综合评价的大电网负荷预测方法，以提高电力系统短期负荷预测准确率。参见图2，基于类气象分区综合评价的大电网负荷预测方法，包括以下步骤：获取近期一个样本时段内(例如n天)的历史数据作为历史数据样本空间，历史数据中的负荷数据为全网及全网内M个行政区域的实际负荷和预测负荷，这里，行政区域是指以地理位置进行划分的区域，例如，全网的范围是一个省的情况下，行政区域可以是该省内以市为单位进行的行政区域划分。对于所述历史数据，可以按如下方法进行预处理：令：L(d,t)为第d天t时刻的负荷值，L(d,t1)和L(d,t2)为第d天与t时刻相邻的两个时刻t1、t2的负荷值，L(d1,t)和L(d2,t)为与d相邻的两天在时刻点t的负荷值；a)对于缺失数据的处理若第d天t时刻的负荷值L(d,t)缺失，则利用式(1)获得L(d,t)：L(d,t)＝αL(d,t1)+αL(d,t2)+βL(d1,t)+βL(d2,t)(1)式(1)中，α和β为系数，α>β,α+β＝1；b)对于坏点数据的处理定义ε为负荷允许的偏离率，ρ(d,t)为第d天时刻点t实际偏离率，当ρ(d,t)≥ε时，判断L(d,t)为坏数据，对坏数据用进行代替：接着获取样本时段内M个行政区域内的至少2个历史气象条件数据，历史气象条件数据较好的是采用样本时段内行政区域的最高温度、最低温度和平均温度这三个历史气象条件数据，当然，出于提升预测准确度的需求，历史气象条件数据还可以采用人体舒适度、天气类型、风速、温湿指数、寒冷指数等，对于天气类型等不是数据的历史气象条件数据，可以采用数据处理转化为数据。为了便于示例，本实施方式中采用行政区域的最高温度、最低温度和平均温度这三个历史气象条件数据进行示例性说明。根据M个行政区域的历史气象条件数据形成气象数据矩阵X：X＝(X1,X2,…Xi,…,XM)其中，Xi为第i个行政区域在一个样本时段内n天的气象条件数据集合，为第i个行政区域在一个样本时段内n天的最高温度；为第i个行政区域在一个样本时段内n天的最低温度；为第i个行政区域在一个样本时段内n天的平均温度。这样，X矩阵的行向量数为3*n，列向量数为M。本发明中，采用基于概率距离的同步回代消除技术对矩阵X进行聚合，划分N个气象条件差异较大的气象区域：首先，对矩阵X中M个列向量指定一个发生的概率ps＝1/M(s＝1,2,…,M)。集合S表示最初的行政区域，令ξs表示矩阵X中的第s个行政区域，DTs,s'表示行政区域s和行政区域s'的距离，其值为行政区域s和行政区域s'之间的向量2范数，设置向量DA＝[1,2,…,M]T，DB为所有元素都为0的M×M的方阵。同步回代消除的基本步骤如下：1)计算每对行政区域之间的距离DTs,s'，DTs,s'＝||ξs,ξs'||。2)对于每个行政区域k，找出与行政区域k距离最短的行政区域r，即DTk(r)＝minDTk,s'。3)计算PDk(r)＝pk*DTk(r),k∈S，在k中找出行政区域索引h，使得PDh＝minPDk,k∈S。4)令S＝S-ξDA(h)，且pr＝pr+ph。DB(h,h)＝DA(r)，DA(h)设为空。5)重复2)-4)，直至剩余的行政区域数目为N为止。DA仅剩下N个元素，对应方阵DB(DA(i)，DA(i))＝0，i＝1,2,…N，即需要保留N个气象条件差异较大的气象区域。DA中N个气象条件差异较大的气象区域各自聚合的行政区域搜索步骤如下：1)令i＝1，P＝DA(i)。2)找出满足要求的m，使得DB(m,m)＝P，则气象区域i中包含的行政区域有P＝[P,m]。3)找出满足要求的l，使得DB(l,l)＝m，P＝[P,l]，该搜索过程直至DB的对角元素没有等于l的为止；4)i＝i+1，P＝DA(i)，重复2)-4)，直至i＝N。实际上，划分成N个气象条件差异较大的气象区域的实质是，将M个行政区域中气象条件差异较小的区域在预测过程中进行聚合(即将气象条件差异较小的行政区域视为同一气象区域))。具体在进行操作时，可以是将M个行政区域基于气象条件的差异划分成N个气象区域，每个气象区域中包含一个或若干个行政区域。完成气象区域的获取后，计算N个气象区域在时刻点t的平均比例系数用指数平滑法动态预测待预测日N个气象区域在相同时刻点t的比例系数，得到N个气象区域在时刻点t的比例系数矩阵Ct；表示为：Ct＝(C1,t,C2,t,…,CN,t)其中，为第1个行政区域的历史数据在时刻点t的平均比例系数；为第2个行政区域的历史数据在时刻点t的平均比例系数；为第N个行政区域的历史数据在时刻点t的平均比例系数；C1,t为第1个行政区域在待预测日时刻点t的比例系数；C2,t为第2个行政区域在待预测日时刻点t的比例系数；CN,t为第N个行政区域在待预测日时刻点t的比例系数。指数平滑法为，建立指数平滑模型为：式(3)中：表示气象区域i在时刻t占全网系统负荷比例的预测值，表示前j天的气象区域i在时刻t占全网系统负荷比例的实际值；n为在一个样本时段内的天数；λj表示权重系数，λj＝λ(1-λ)j-1，λ为常数，且0<λ<1，为保证近期数据的权重大，远期的权重小，λ通常取0.7～0.9之间的常数。通过多个单一评价指标及每个单一评价指标的权重，构建时刻点t综合评价指标FAL,t，具体操作为：构建时刻点t的多个单一评价指标体系Ft，采用三个单一评价指标，则每个气象区域的多指标评价体系Ft为：Ft＝(F1,t,F2,t,F3,t)T所述三个单一评价指标分别为：某气象区域负荷在时刻点t的综合稳定度评价指标F1,t，某气象区域负荷在时刻点t的预测综合准确率评价指标F2,t，某气象区域负荷比例系数在时刻点t的稳定度评价指标F3,t；由于多指标评价体系中含有三种单一评价指标，在所选样本空间内三个评价指标可能会出现不同的评价结果，因此如何综合评价这三个指标，从中选取最合适的几个气象区域来预测全网负荷则成为关键，构建时刻点t综合评价指标FAL,t为；FAL,t＝ω×Y其中：ω＝(ω1,ω2,ω3)，ω为三个单一评价指标在时刻点t的权重矩阵；ω1,ω2,ω3为多个单一评价指标体系Ft中每个单一评价指标在时刻点t的权重系数；Y为根据多个单一评价指标体系Ft形成的在时刻点t的决策矩阵。某气象区域负荷在时刻点t的综合稳定度评价指标F1,t由式(4)获得：式(4)中：RSDt为某个气象区域在时刻t的气象区域负荷相对标准偏差，为某个气象区域在时刻t时气象区域负荷占系统负荷的平均比例系数；负荷综合稳定度指标F1,t的物理意义是：当以某个气象区域负荷预测全网负荷时，气象区域负荷波动的大小在全网负荷的体现。当以负荷综合稳定度指标F1,t在每个时刻点上对各个气象区域进行排序，数值最小的区域，表示在该个时刻点上以该气象区域的负荷预测全网负荷时，偏差最小。某气象区域负荷在时刻点t的预测综合准确率评价指标F2,t按式(5)获得：式(5)中：Qt为某个气象区域在所选样本空间内的时刻t的平均预测准确率；负荷综合稳定度指标F2,t的物理意义是：当以某个气象区域负荷预测全网负荷时，气象区域负荷预测偏差的大小在全网负荷的体现。当以负荷综合稳定度指标F2,t在每个时刻点上对各个气象区域进行排序，数值最小的区域，预测准确率最高，表示在该个时刻点上当以该气象区域的负荷预测值预测全网负荷，全网负荷的预测误差最小。当以气象区域负荷预测全网负荷时，全网负荷不仅与气象区域负荷预测值的品质有关，且与在待预测日的气象区域负荷占全网负荷比例系数预测值有关，因此这里提出气象区域负荷占全网负荷比例系数稳定度指标。某气象区域负荷比例系数在时刻点t的稳定度评价指标F3,t按式(6)获得：式(6)中：为某个气象区域在时刻t的比例系数的样本标准方差，为某个气象区域在时刻t的比例系数的样本数学期望。每个单一评价指标在时刻点t的权重系数ω1,ω2,ω3按如下方法获得：由于三个单一评价指标的量纲和数量级不同，首先进行各单一评价指标无量纲化处理得到决策矩阵Y为：Y＝(yil)3×N，其中：式(7)中：Fi,l为气象区域i的第l个评价指标，mini{Fi,l}为N个气象区域中的第l个评价指标的最小值，maxi{Fi,l}为N个气象区域中的第l个评价指标的最大值。则有：式(8)中：其中sl为决策矩阵Y中第l项指标的标准方差，为第l项指标的数学期望，ωl即为第l个评价指标在时刻点t的权重系数。对于N个气象区域在时刻点t按各区域的综合评价指标FAL,t从小到大的优先级排序，并以综合评价指标FAL,t最小为优先级最高。设置G(1≤G≤N)个预测方案及各个预测方案中选择的气象区域数q(q为介于1至N的数值)，且每个预测方案的q的数值是不同的。对于预测方案g，选择时刻点t优先级较高的q个气象区域，用所选择的q个气象区域分别预测时刻点t的全网系统负荷，得到预测方案g的q个不同的预测结果，表示为：其中，为利用预测方案g的第1个气象区域预测出的时刻点t的全网系统负荷；为利用预测方案g的第2个气象区域预测出的时刻点t的全网系统负荷；为利用预测方案g的第q个气象区域预测出的时刻点t的全网系统负荷，且Lq,t为第q个气象区域在时刻点t的负荷预测值，Cq,t为第q个气象区域在时刻点t的比例系数预测值。对预测方案g的q个不同的预测结果建立时刻点t的最优综合模型，计算所选择的各气象区域的最优权重，得到时刻点t的全网系统负荷最终预测结果为其中，为由预测方案g的气象区域k预测出的全网系统负荷在时刻点t的最优权重，为预测方案g的用第k个气象区域预测出来的时刻点t的全网系统负荷；；预测方案g的时刻点t最优综合模型按如下方法建立：以式(9)表征时刻点t全网系统负荷预测值的目标函数，式(10)-(11)为目标函数的约束条件：式(9)中：表示预测方案g的第j天时刻点t由气象区域k预测出的全网系统负荷预测值，Lall,t,j表示第j天时刻点t的全网系统负荷实际值。对于式(9)-(11)的求解，首先定义各个气象区域预测出的全网系统负荷预测值的虚拟预测残差vkjt、虚拟预测残差平方和及某两个气象区域预测全网系统负荷的虚拟预测结果的协方差如下：则式(9)-(11)在t时段的目标函数转化为如下的矩阵形式：其中：式(12)是二次规划问题的标准形式，直接计算得出预测方案g所选择的q个气象区域在时刻点t的最优权重后，再根据加权得到预测方案g时刻点t的全网系统负荷预测值。对于各个气象区域负荷预测值预测出的全网系统负荷而言，在不同的时刻点呈现出不同的预测效果，因此区别对待“待预测日的各个时刻点”，分别建立综合模型，使得各个气象区域负荷预测值预测出的全网系统负荷在各个时刻的权重都不同，以体现各自在不同时刻点的预测效果。对于待预测日全天T个时刻点，分别建立最优综合模型，得到预测方案g全天负荷预测序列类似地，对于G个预测方案将会有G个全天负荷预测序列，各个预测方案的时刻点t最优综合模型按如下方法建立：以式(13)表征时刻点t全网系统负荷预测值的目标函数，式(14)-(15)为目标函数的约束条件：式(13)中：表示第j天时刻点t由预测方案g预测出的全网系统负荷预测值，Lall,t,j表示第j天时刻点t的全网系统负荷实际值。由式(13)、式(14)和式(15)计算得出G个气象区域在时刻点t的最优权重后，再根据加权得到待预测日时刻点t的全网系统负荷最终预测值。对于式(13)-(15)的求解，与式(9)-(11)的求解是相同的，同样定义全网系统负荷预测值的虚拟预测残差、虚拟预测残差平方和，及某两个预测方案的预测全网系统负荷的虚拟预测结果的协方差，建立如式(12)的二次规划，直接计算得出预测方案g在时刻点t的最优权重后，再根据加权得到待预测日的时刻点t的全网系统负荷最终预测值。对于待预测日全天T个时刻点，分别建立各个预测方案的最优综合模型，得到预测方案g全天负荷预测序列(L1,L2,…,LT)，以所述全天负荷预测序列(L1,L2,…,LT)为全网负荷预测结果。以下以具体的实例，继续说明本发明实施过程：在本发明方法中，采用基于概率距离的同步回代消除技术对各行政区域的气象信息进行聚合，划分为N个气象条件差异较大的气象区域。设置G个预测方案及各个预测方法的选择的气象区域数q。再根据各气象区域的综合评价指标，选择出评价最优的q个气象区域。以预测某省全网负荷为例，该省包括16个地市(分别用地市1，地市2，…，地市16表示，地市编号准则为：以从北向南，由东向西的地理位置对各个地市进行编号)，根据气象条件相似度判断方法，将16个地市划分为6个气象条件差异较大的气象区域，选定6个预测方案，每个预测方案对应选择的气象区域数分别为1、2、3、4、5、6，具体实施按以下步骤进行：1、数据读取：选取2016年5月18日为待预测日，分别获取预测日前30个工作日全网及各地市的实际负荷数据、各地市前30天的气温数据(最高气温、最低气温)以及各地市上报的待预测日负荷预测值。2、类气象区域划分：采用基于概率距离的同步回代消除技术对16个地市的气象信息进行聚合，形成N＝6个气象条件差异较大的气象区域。经过同步回代消除技术，DA＝[地市2地市3地市8地市10地市11地市14]，16×16矩阵DB的对角元素为：(1，1)(2，2)(3，3)(4，4)(5，5)(6，6)(7，7)(8，8)20017830(9，9)(10，10)(11，11)(12，12)(13，13)(14，14)(15，15)(16，16)800111001314故形成的6个气象区域如下表所示：3、多指标评价体系求解：三个单一评价指标分别为：某气象区域负荷在时刻点t的综合稳定度评价指标F1,t，某气象区域负荷在时刻点t的预测综合准确率评价指标F2,t，某气象区域负荷比例系数在时刻点t的稳定度评价指标F3,t。下表为实施步骤2中6个气象区域在t＝1时刻点的三项评价指标结果。区域F1,tF2,tF3,t气象区域10.34310.37790.0381气象区域20.19490.17810.0349气象区域30.19980.09300.0239气象区域40.33670.20990.0294气象区域50.16050.12660.0328气象区域60.96660.45780.05554、构建综合评价指标FAL,t：如本发明说明书中所述，首先对6个气象区域的(F1,t,F2,t,F3,t)无量纲处理，得到决策矩阵Y，然后求每个单一指标的变异权重ω＝(ω1,ω2,ω3)，最后求解综合评价指标FAL,t＝ω×Y：通过计算，该6个气象区域在t＝1时刻点的综合评价指标结果排序后为：5、设置预测方案：根据6个气象区域，不失一般性，设置6个预测方案，每个预测方案对应的气象区域数分别为1、2、3、4、5、6。6、选取气象区域分别预测全网负荷：这里以预测方案3为例，其气象区域数q＝3。对于综合评价指标FAL,t，其数值越小，说明该气象区域的负荷越稳定，越有利于利用该气象区域的负荷预测值来预测全网负荷。这里根据FAL,t排序结果，分别对应的是气象区域3、气象区域5、气象区域2。由得到在t＝1时刻点的3个全网负荷预测结果如下：7、单时刻点的最优综合模型：预测t＝1时刻点的全网负荷预测值。对式(9)-(11)进行求解，求解得到的最优权重为：因此预测方案3的t＝1时刻点的全网负荷预测值而在5月18日t＝1时刻点的实际负荷为15069.9MW，预测方案3的t＝1时刻点的预测精度达到98.83％。8、全天多点的负荷预测。对于预测日一天中t从2到96的其他点的负荷预测，重复步骤1到步骤6，就可以得到全天的负荷预测值序列。9、各个预测方案的全天T个时刻点的负荷预测：类似于步骤6、步骤7、步骤8，每个预测方案都对待预测日一天96个时刻进行负荷预测，得到各个预测方案的全天负荷预测值序列。10、各个预测方案的最优综合模型：对于每个时刻点分别建立各个预测方案的最优综合模型，对式(13)-(15)的规划问题进行求解，得到各个预测方案在t＝1时刻点的最优权重为：因此的t＝1时刻点的最终全网负荷预测值为：图3是该省2016年5月18日6个预测方案分别预测得到的6个全网负荷预测曲线，图4为经过各个预测方案最优综合模型求解的最终全天的负荷预测曲线与实际负荷曲线对比图。通过计算，本发明方法的日准确率为98.87％。以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。当前第1页1 2 3