短期电力负荷预测方法
【专利摘要】本发明公开了一种短期电力负荷预测方法，所述方法包括：采用小波阈值处理法将获取的原始负荷数据进行噪声处理；以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态模型，所述灰色动态模型的输出为负荷数据序列；将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。本发明实施例的方法，在短期电力负荷的预测精度上有很大的提高。
【专利说明】
短期电力负荷预测方法
技术领域
[0001] 本发明设及短期电力负荷预测技术领域，特别是设及一种短期电力负荷预测方 法。
【背景技术】
[0002] 由于短期电力负荷预测容易被很多不确定的因素所影响，如历史负荷数据、溫度、 相对湿度、风速等;信道噪声等因素会对历史负荷数据产生银齿状波动，影响预测的精度； 并且现少有对预测后结果的修正，因此需要一种基于小波转换法处理数据且通过马尔科夫 法对预测结果修正的多变量灰色预测方法。
【发明内容】
[0003] 为解决现有存在的技术问题，本发明实施例提供一种短期电力预测方法。
[0004] 为达到上述目的，本发明实施例的技术方案是运样实现的：
[0005] -种短期电力负荷预测方法，所述方法包括：
[0006] 采用小波阔值处理法将获取的原始负荷数据进行噪声处理；
[0007] W处理后的原始负荷数据W及获取的天气特征数据作为输入，建立多变量的灰色 动态模型，所述灰色动态模型的输出为负荷数据序列；
[000引将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法， 将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待 测日的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。
[0009] 其中，所述方法包括：
[0010] 选择预测日前m个同类型日期的负荷信号；
[0011] 获取针对所选择m个日期及预测日的气象特征数据；
[0012] 对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阔值处理， 利用处理后的小波系数重构所述负荷信号；
[0013] W小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征数据序列 作为输入，预测的负荷信号序列作为输出，建立灰色动态GM(1，N)模型，预测第m+1天各时刻 的灰色预测负荷值；
[0014] 将前m天的灰色预测负荷值与实际负荷值构成误差序列，通过马尔科夫方法分析 所述误差序列，将误差分为η个状态，每个状态取一个误差的修正值ei，i = l，2, ···，!!，分析 待预测时刻的误差状态，将所述待预测时刻的灰色预测负荷值和误差的修正值相加得到实 际负荷预测值。
[0015] 其中，所述的阔值处理表达式为：
[0016]
[0017]其中，?, ,;为经过阔值处理过后的小波系数；为第j层分解后的第k个高频系 数;λ为加权因子;T为阔值；
[001引加权因子λ的表达式为:
[0019]其中，所述阔值Τ的计算方式：
[0020]
[0021 ]其中，0为噪声标准方差;L为信号的尺寸或长度；
[0022] σ通过分解的高频系数的绝对值来求得；
[0023] 其中，所述预测的负荷信号序列为：
[0024]
[002引其中，Xi,t化)是第k天第t时刻的负荷信号值;是预测日前一天第t时刻的 负荷信号值。
[0026] 其中，所述建立GM( 1，N)模型的过程，包括：
[0027] 将处理后的预测日前m天的负荷信号和气象特征数据构成输入变量序列：
[002引
[0029] 其中，序列巧为预测日前第k天任一时刻的负荷信号序列， Xf > (巧，Xf作)…X；八巧为气象特征数据序列；
[0030] 将义/0>做累加生成，得到新的数据序列：
[0034] 用最小二乘法的途径对式.
的参数进行估计 确认；
[0035] 其中，
为系统发展系数4义^>为驱动项，b功驱动系数；
[0038] 得到G (1，N)模型的时间表达式为：
[0039]
[0040] 还原负荷信号乂^>的模拟值：
当k = m时，即为该时刻的 灰色预测值。
[0041] 其中，将灰色预测负荷值！与实际负荷值乂 构成误差序列通过马尔科 夫法，将误差序列划分为η个状态区间，并在每个区间取一个修正误差值ei i = 1，2，…， η;通过统计状态转移概率矩阵P，预测出m+1天的误差状态，则最终的预测值为：
其中，表示最终的预测值，
为第m+1天的灰 色预测负荷值，ei为第m天的误差(耐所在的状态i对应的修正误差值。
[0042] 其中，所述转移概率矩阵P为：
[0043]
[0044] 其中 口^为由状态i 一步转移到状态j的概率;m为状态i出现的次数;nij t 为由状态i 一步转移到状态j的次数;所述i、j表示修正误差值所处的不同状态，误差分为η 个状态时i、j的取值范围为1、2、3、……、n。
[0045] 本发明实施例提供一种短期电力负荷预测方法，将短期电力负荷预测分为Ξ个部 分，其中第一部分为数据处理部分，数据处理对预测的精度有着重要的作用，本发明实施例 采用小波阔值处理法，将获取的原始负荷数据进行噪声处理;将处理后的数据W及获取的 天气特征数据作为输入，建立一个多变量的灰色动态模型GM(1，N)，其中输出为负荷数据的 序列，将运个输出的序列与原始的序列构成一个误差序列，通过马尔科夫法，将误差分为多 个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵，预测出预测日的误差状 态，最终的预测值就是灰色预测负荷值和马尔科夫法修正值的加和。最终的预测精度有很 大的提局。
【附图说明】
[0046] 在附图（其不一定是按比例绘制的）中，相似的附图标记可在不同的视图中描述相 似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图W示例而 非限制的方式大体示出了本发明实施例中所讨论的各个实施例。
[0047] 图1为本发明实施例短期电力负荷预测方法的流程图；
[004引图2为本发明实施例GM(1，N)模型建立过程示意图。
【具体实施方式】
[0049] 本发明实施例提供一种短期电力负荷预测方法，具体是一种小波去噪的灰色马尔 科夫短期电力负荷预测方法，灰色马尔科夫是灰色预测与马尔科夫方法组合预测的方法， 如图1所示，本发明实施例的具体流程可W包括如下步骤：
[0050] 步骤101，选择预测日前m个同类型日期的48点(每30min采样一次)的负荷信号；
[0051] 运里，同类型日期包括：工作日、双休日和重大节假日等。其中，重大节日包括春 节、中秋节等。实际应用中，m为不小于1的整数，经过多次试验验证m取6或7时，预测的精度 较高。
[0052] 运里，短期负荷一般指采样时间为比，24点或30Min，48点，此处选择48点是为了采 样时间更小，预测的范围更广。
[0053] 步骤102，获取针对所选择m个日期及预测日的气象特征数据；
[0054] 其中，所述气象特征数据可W包括平均溫度、平均相对湿度、平均风速等。
[0055] 步骤103,对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阔 值处理，利用处理后的小波系数重构所述负荷信号；
[0056] 步骤104, W小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征 数据序列作为输入，预测的负荷信号序列作为输出，建立灰色动态模型GM(1，N)，预测第m+1 天各时刻的灰色预测负荷值；
[0057] 步骤105,通过马尔科夫方法修正阔值:将前m天的灰色预测负荷值与实际负荷值 构成误差序列，通过马尔科夫方法分析所述误差序列，将误差分为η个状态(η ^ 0)，每个状 态取一个误差的修正值ei，分析待预测时刻的误差状态，将所述待预测时刻的灰色预测负 荷值和误差的修正值相加得到实际负荷预测值。
[0060]
[005引运里，n〉= 0，n的取值取决于误差值的分布。[0059] 其中，步骤103中所述的阔值处理通过如下式(1)~(4)实现：
(1)
[0061] 其中，为经过阔值处理过后的小波系数；为第j层分解后的第k个高频系 数，根据本发明所采用采样频率，层数j取3. ;λ为加权因子;T为阔值；
[0062] 其中，加权因子λ的表达式为下式(2):
[0064] 其中，阔值Τ的计算方式下式(3):
[0063] (2)
[0065]
(33
[0066] 其中，0为噪声标准方差;L为信号的尺寸或长度。
[0067] 运里，σ可W通过分解的高频系数的绝对值来求得，即根据下式(4)得到：
[006引 (斗）
[0069] 利用阔值处理后的小波系数&Μ对历史的负荷信号进行重构，得到去噪后的负 荷信号。使用经过处理的历史负荷信号建模，会使负荷预测的精度提高。
[0070] 其中，如图2所示，步骤104中GM(1，N)模型建立的过程可W包括如下步骤：
[0071] 步骤al，将处理后的预测日前m天的负荷信号和天气特征数据构成如下式(5)所示 的输入变量序列：
[00巧
C5)
[007引其中，序列为预测日前第k天某一时刻的负荷信号， 40V)，4日)W...4?)W为天气特征信号序列。其中，k=l，2,3,…，m。
[0074]步骤曰2,将输入变量序列进行累加生成，得到新的数据序列，如下式(6)、（7) 所示：
[0077]具体的，预测日前m天的平均溫度序列为：
预测日前m天的平均相对湿度序列为： W此类推，加入其它影响负荷预测的
? ， 其它因素信号：
[007引步骤曰3,由新的数据序列义1^紧邻均值生成如下式(8)所示：
[00 巧]
W[0080] 其中，华V)可W通过下式(9)计算得到：
[0081] / 、 (9)
[0082] 步骤曰4,用最小二乘法的途径对式
的参数a，bi进 行估计确认。
[0083] 其中，
[0086] 步骤曰5,灰色动态模型GM(1，N)的时间表达式为下式(10):
[008引其中，α为系统发展系数4义1<"为驱动项，bi为驱动系数。[0089] 步骤a6,根据下式(11)还原负荷信号乂 ,^>的模拟值：
[0087] C 10)
[0090]
(山 [0091 ]其中，当k=m时，即为该时刻的灰色预测负荷值。
[0092] 本发明实施例中，步骤105中马尔科夫方法修正预测值的过程可W包括:首先将灰 色预测的负荷值ijW与实际负荷值义1^；>构成误差序列通过马尔科夫法将误差序列 划分为η个状态区间，并在每个区间取一个修正误差值ei，其中，i = l，2, ···，!!，通过统 计状态转移概率矩阵P，预测出m+1天的误差状态。
[0093] 其中，转移概率矩阵P的表达式为式(12):
[0094] (心
[0095] 其中，
式（12)中化为由状态i一步转移到状态j的概率;ni为状态i出现 的次数;nu为由状态i 一步转移到状态j的次数。此处的i、j表示修正误差值所处于的不同状 态。将误差分为η个状态(状态是一个取值的区间），则i、j可取1、2、3、……、n。例如，将误差 分为4个状态时，则i、j可取1，2，3，4，此时
[0096] 其中，在得到第m天的误差sf%/,?；)后，判断其在状态i，统计状态矩阵max pu，max Pij指PU中最大的值，则可判断预测日（第m+1天）的误差状态。将该状态所对应的修正误差 值与灰色预测负荷值相加得到最终预测值。最终的预测值为式(13): 晴]
(13)
[009引其中，表示最终预测值，义1^切+ 1)为第m+1天的灰色预测负荷值，ei为得到 第m天误差,sf\w)所在的状态i对应的修正误差值。
[0099] 小波转换法可W同时在时域和频域上对信号进行分析，能够区分信号中的噪声， 从而对信号去噪。运种方法在数据处理中广泛应用，本发明将此方法引入负荷数据处理中， 实现负荷数据的预处理工作。
[0100] 多变量的灰色预测方法，区别于传统的灰色预测只考虑历史负荷一个因素，多变 量的灰色预测法，把对负荷影响较大的其它因素如溫度、相对湿度、风速等加入模型中，使 预测精度更加准确。
[0101] 马尔科夫法具有无后效性，对于预测波动性较强的序列效果较好，因此将该方法 用于预测灰色预测负荷值与实际负荷值之间的误差具有很好的效果，该方法优化并修正了 灰色预测负荷值，使预测的精度得到了提高。
[0102] 本发明实施例的方法将短期电力负荷预测分为Ξ个部分，其中第一部分为数据处 理部分，数据处理对预测的精度有着重要的作用，本发明实施例采用小波阔值处理法，将获 取的原始负荷数据进行噪声处理。将处理后的数据W及获取的天气特征数据作为输入，建 立一个多变量的灰色动态模型GM(1，N)，其中输出为负荷数据的序列，将运个输出的序列与 原始的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间 取一个修正误差值，通过状态转移矩阵，预测出预测日的误差状态，最终的预测值就是灰色 预测负荷值和马尔科夫法修正值的加和。最终的预测精度有很大的提高。
[0103] W上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
【主权项】
1. 一种短期电力负荷预测方法，其特征在于，所述方法包括： 采用小波阈值处理法将获取的原始负荷数据进行噪声处理； 以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态 模型，所述灰色动态模型的输出为负荷数据序列； 将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误 差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日 的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。2. 根据权利要求1所述的方法，其特征在于，所述方法包括： 选择预测日前m个同类型日期的负荷信号； 获取针对所选择m个日期及预测日的气象特征数据； 对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阈值处理，利用 处理后的小波系数重构所述负荷信号； 以小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征数据序列作为 输入，预测的负荷信号序列作为输出，建立灰色动态GM(1，N)模型，预测第m+1天各时刻的灰 色预测负荷值； 将前m天的灰色预测负荷值与实际负荷值构成误差序列，通过马尔科夫方法分析所述 误差序列，将误差分为η个状态，每个状态取一个误差的修正值^，1 = 1，2，一，11，分析待预 测时刻的误差状态，将所述待预测时刻的灰色预测负荷值和误差的修正值相加得到实际负 荷预测值。3. 根据权利要求2所述的方法，其特征在于，所述的阈值处理表达式为：其中，?Μ为经过阈值处理过后的小波系数；c^,k为第j层分解后的第k个高频系数;λ 为加权因子;Τ为阈值；4. 根据权利要求3所述的方法，其特征在于，所述阈值Τ的计算方式：其中，σ为噪声标准方差;L为信号的尺寸或长度； σ通过分解的高频系数的绝对值来求得：5. 根据权利要求2所述的方法，其特征在于，所述预测的负荷信号序列为：其中，X1>t(k)是第k天第t时刻的负荷信号值;X1>t(m)是预测日前一天第t时刻的负荷信 号值。6.根据权利要求2所述的方法，其特征在于，所述建立GM( 1，N)模型的过程，包括： 将处理后的预测日前m天的负荷信号和气象特征数据构成输入变量序列：其中，序列???)为预测日前第k天任一时刻的负荷信号序列， Xf (/C), ⑷…】T (幻为气象特征数据序列； 将义做累加生成，得到新的数据序列：用最小二乘法的途径对式的参数进行估计确认； 其中，发展系数，?μτ;(1)为驱动项，h为驱动系数；得到G (1，N)模型的时间表达式为： 其中，α为系统 i还原负荷信号;^(())的模拟值：灰色预测值。7. 根据权利要求6所述的方法，其特征在于： ..当k = m时，即为该时刻的 .，： 将灰色预测负荷值与实际负荷值构成误差序列\(())5通过马尔科夫法，将误 差序列划分为η个状态区间，并在每个区间取一个修正误差值ei ? = 1，2，···，η;通过统 计状态转移概率矩阵Ρ，预测出m + 1天的误差状态，则最终的预测值为：1其中，#/?说表示最终的预测值，+ 为第m+Ι天的灰色 预测负荷值，ei为第m天的误差卩(())(岣所在的状态i对应的修正误差值。8. 根据权利要求7所述的方法，其特征在于，所述转移概率矩阵P为：' Pij为由状态i一步转移到状态j的概率;m为状态i出现的次数;nij为由 ，+ 状态i 一步转移到状态j的次数;所述i、j表示修正误差值所处的不同状态，误差分为η个状 态时i、j的取值范围为1、2、3、……、n。
【文档编号】G06F19/00GK105825040SQ201511015928
【公开日】2016年8月3日
【申请日】2015年12月29日
【发明人】蔡渊, 卢继哲, 方连航, 刘红岩, 梁钰, 牛玉广, 胡阳
【申请人】海南电力技术研究院, 华北电力大学