基于大数据的电力负荷预测方法
【技术领域】
[0001] 本发明涉及发一种基于大数据的电力负荷预测方法。
【背景技术】
[0002] 就我国目前情况来看，对负荷特性的现状、影响负荷特性的主要因素和未来负荷 特性的变化趋势等都进行了系统的分析和研究，得出了一些对电力规划和电网运行有指导 意义和参考价值的结论，但这些研究更多停留在理论层面，没有足有的做足够的数据推演 和验证，其主要的不足表现在：
[0003] 1、影响负荷相关因素维度局限。现有的负荷预测系统其预测影响因子主要还是局 限于历史负荷、气象数据等常用数据。
[0004] 2、对气象要素与负荷的内在规律分析深度不够。已有系统所建立的气象因素影响 模型尚不能完全反映出负荷的真实变化情况，且在如温度的累积效应、延迟效应等方面所 做的工作有限，研究的深度尚待深入。
[0005] 3、负荷特性指标是时点指标，不同地区、不同时间的负荷特性不能直接叠加，使得 进行大范围区域负荷特性分析的难度明显增加；并且各行业典型负荷特性曲线、非电网统 调负荷特性曲线的获取和加工处理较为困难。
[0006] 4、缺乏对地调负荷与省调负荷之间的相似性研究。
[0007] 5、缺乏对影响负荷的相关因素分析。限于过去的条件，在绝大多数系统中没有考 虑气象等因素对负荷的影响，或只是利用有限的气象信息（最高、最低和平均温度），预测 精度不高。
【发明内容】
[0008] 本发明的目的是提供一种适应多维度电力负荷影响因素且预测精度高的基于大 数据的电力负荷预测方法。
[0009] 本发明提供的这种基于大数据的电力负荷预测方法，该方法包括如下步骤：
[0010] 步骤一，提供N个时间段的数据信息；针对同一数据信息，采用强化学习负荷预测 的数据模型获取第N+1个时间段的电力负荷预测值一；同时采用数据驱动方式获取第N+1 个时间段的电力负荷预测值二；
[0011] 步骤二，采用D-S证据理论对电力负荷预测结果一和电力负荷预测结果二进行信 息融合，获取第N+1个时间段的最终预测结果。
[0012] 所述数据驱动方式获取电力负荷预测值二包括如下步骤：
[0013] 步骤一，收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行 聚类，主要依据气象特征因素进行分类，建立一种函数关系：
[0014] y (k+1) = f (y (k), A , y (k-ny), u (k), Λ , u (k-nu), e (k), Λ , e (k-ne)) (I)
[0015] 式中，u(k)表示k时刻系统的负荷预测值，且u(k) e R;y(k)表示k时刻系统的 负荷预测误差值，且y(k) e R;e(k)表示系统的影响量，e(k) e R;ny表示负荷预测误差值 y(k)的时间窗口跨度；nu表示负荷预测值u(k)的时间窗口跨度；表示系统影响量e(k) 的时间窗口跨度；f (Λ)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值 y(k+l)与前ny时间跨度内的实际负荷预测误差值、前n u时间跨度内的负荷预测值及前n e 时间跨度内的系统影响因素之间的关系；
[0016] 步骤二，按下式建立数据模型：
[0017] Δ y (k+Ι) = ΦT (k) Δ H(k) (2)
[0018] 式中，Ay(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差 值之差，定义Ay(k+1) =y(k+l)_y(k);定义
[0019] Δ H (k) = [ Δ y (k)，Λ，Δ y (k_ny+l)，Δ u (k)，Λ，Δ u (k_nu+l)，Δ e (k)，Λ，Δ e (k_ ne+l)]T；
[0020] λ y(k)表示k时刻系统的负荷预测误差值与上一时刻k-ι负荷预测误差值之差， 定义为Ay(k) =y(k)-y(k_l) ;Au(k)表示k时刻系统的负荷预测值与上一时刻k-Ι负荷 预测值之差，定义Διι(1〇 =u(k)-u(k_l) ;Ae(k)表示k时刻系统影响量与上一时刻k-1 系统影响量之差，定义AeGO =e(k)-e(k-l) ;k表示当前时刻；ny表示负荷预测误差值从 当前k时刻开始往前推ny个时刻，负荷预测误差值的时间窗口跨度；n u表示负荷预测值从 当前k时刻开始往前推nu个时刻，负荷预测值的时间窗口跨度；n e表示系统影响量从当前 k时刻开始往前推\个时刻，系统影响量时间窗口跨度；Φ T(k)定义为系统偏微导数，目的 为建立Ay(k+1)与AH(k)之间的函数关系；
[0021] 步骤三，建立伪偏导数估计准则函数；
【主权项】
1. 一种基于大数据的电力负荷预测方法，该方法包括如下步骤： 步骤一，提供N个时间段的数据信息；针对同一数据信息，采用强化学习负荷预测的数 据模型获取第化1个时间段的电力负荷预测值一；同时采用数据驱动方式获取第化1个时 间段的电力负荷预测值二； 步骤二，采用D-S证据理论对电力负荷预测结果一和电力负荷预测结果二进行信息融 合，获取第N+1个时间段的最终预测结果。
2. 根据权利要求1所述的基于大数据的电力负荷预测方法，其特征在于，所述数据驱 动方式获取电力负荷预测值二包括如下步骤： 步骤一，收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类， 主要依据气象特征因素进行分类，建立一种函数关系： }Kk+l) = f (y 化），A，y 化-riy)，U 似，A，U 化-町)，e 化），A，e 化-rie)) (1) 式中，u(k)表示k时刻系统的负荷预测值，且u化）G R;y(k)表示k时刻系统的负荷 预测误差值，且y(k) G R;e(k)表示系统的影响量，e化）G R;ny表示负荷预测误差值y(k) 的时间窗口跨度；n。表示负荷预测值u(k)的时间窗口跨度；n。表示系统影响量e(k)的时间 窗口跨度；f(A)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y化+1) 与前ny时间跨度内的实际负荷预测误差值、前n U时间跨度内的负荷预测值及前n。时间跨 度内的系统影响因素之间的关系； 步骤二，按下式建立数据模型： Ay&+l) = (j5T(k)AHG〇 (2) 式中，Ay (k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之 差，定义 Ay(k+1) =y(k+l)-y〇〇 ;定义 AH 化）=[Ay化)，A, Ay化-riy+1), Au 化)，A, Au 化-riu+1), Ae 化)，A, Ae 化-He+l) ]T; A y (k)表示k时刻系统的负荷预测误差值与上一时刻k-1负荷预测误差值之差，定义 为Ay(k) =y(k)-y化-1) ;Au(k)表示k时刻