本发明属于预测或优化技术领域，尤其涉及一种复杂特性影响的电力负荷预测方法、计算机信息处理系统。
背景技术：
目前，业内常用的现有技术是这样的：随着我国经济的快速发展，对能源的需求持续增加。电能作为方便、重要的二次能源，在社会的方方面面都发挥着极其重要的作用。但电能不能大量贮存的特点使得电力系统必须时刻保持供需平衡，并向各类用户尽可能经济地提供可靠的、合乎标准的电能，以满足他们对负荷的需求。因此，为保证电力系统的安全、稳定运行，必须掌握负荷变化规律及其未来的变化趋势。随着电力体制改革的进一步深化和市场经济的进一步发展，电力市场主体应将工作重心放在电力市场的供需形势研究上，做好电力负荷预测工作是准确把握市场发展趋势、分析未来电力需求走势的必要工具。电力负荷预测作为电力系统规划的重要组成部分，决定了发电、输电和配电的合理安排，既是电力系统经济调度、实时控制、运行计划和发展规划的前提，又是提高电力企业经济效益和促进国民经济发展的重要因素之一。所以，提高电力负荷预测准确度对保证电网安全、稳定和经济运行调度都起着非常重要的作用。目前提出的预测方法大致可分为两大类：一类是以时间序列法为代表的传统方法，比如趋势外推法、时间序列法、多元线性回归法等；另一类是以人工神经网络法为代表的新型人工智能方法，比如灰色理论法、专家系统法、模糊逻辑法等。传统方法虽然比较成熟，但大多都是线性模型方法，在遇到本质是非线性问题时就显得无能为力。相比较而言，作为备受学者青睐的新型人工智能方法虽说在非线性领域也能够取得一定的预测效果，但只是根据负荷的历史规律进行预测，在预测过程中完全没有考虑到各类影响因素对电力负荷的影响，导致预测结果准确率低，有时甚至会偏离实际情况。在实际的工作中，电力负荷会受到经济、电力政策、气象、时间、随机干扰等因素不同程度地的影响，使得负荷序列具有一定的随机性。所以，要想准确预测电力负荷就必须在预测模型中综合考虑各个影响因素的影响。常用影响因素分析方法中，数理统计中的线性相关分析法必须假定影响因素之间满足线性相关性，否则所得结果与实际序列曲线相差较远；相关分析法中各因素彼此相互影响，使得定量分析较为困难；层次分析法定量数据较少，定性成分较多，使得分析结果主观色彩较浓，不易让人接受，而且指标过多时，数据统计量大，相应参量的计算比较复杂，权重难以确定；灰色关联度分析法虽说对数据要求较低，但在关联度计算中一般取相同的权重计算，体现不出此重彼轻的程度，而且不同分辨系数对应的关联度也不同，甚至有时不能正确反映曲线相似的实质；主成分分析法虽然能够使从各因素中提取的主成分相互独立，但当主成分的因子负荷符号有正有负时，综合评价函数意义不明确，命名清晰性较低。
综上所述，现有技术存在的问题是：目前电力负荷预测方法存在影响因素变量过多时，分析复杂度高、权重确定方法主观性强、预测可靠性低的问题。
解决上述技术问题的难度和意义：提高电力负荷预测准确度对保证电网安全、稳定和经济运行调度都起着非常重要的作用。
技术实现要素：
针对现有技术存在的问题，本发明提供了一种复杂特性影响的电力负荷预测方法、计算机信息处理系统。
本发明是这样实现的，一种复杂特性影响的电力负荷预测方法，所述复杂特性影响的电力负荷预测方法包括：输入历史电力负荷特性及其影响因素数据；对原始数据序列进行标准化，以消除因单位不同而造成的干扰；对标准化后的序列进行主成分分析，并得到主成分表达式；计算各主成分得分及综合得分，最终得到新数据序列，并对其进行灰色关联度分析；根据近大远小原则确定各关联度系数的权值；根据得到的加权关联度进行排序，并代入预测模型，得到电力负荷特性预测值。
进一步，所述复杂特性影响的电力负荷预测方法具体包括以下步骤：
第一步，确定电力负荷特性及其影响因素数据后，进行标准化处理，主成分分析和灰色关联度分析，得到各影响因素对电力负荷特性的关联系数；
第二步，根据数据历史时间对现有数据的影响程度不一致，即“近大远小”原则，对电力负荷特性与各影响因素的关联系数进行加权处理；
第三步，根据得到的加权关联度定量判断出各影响因素对电力负荷特性的影响程度大小，选择影响程度最大的因素，即主要影响因素，代入预测模型进行预测。
进一步，所述标准化处理包括均值化处理、求标准差过程、z-score处理三个过程；
所述标准化处理具体按如下过程进行：
第一步，对历史电力负荷特性及其影响因素数据组成的原始数据序列x进行均值化处理，如下式所示，得到均值化序列
第二步，根据原始数据序列和均值化序列求标准差序列s，如下式所示，其中si(i＝1,2,...,m)表示第i个指标的标准差；
第三步，根据z-score处理得到原始数据序列的标准化序列z，其中zji表示第i个指标的第j个标准值；
进一步，所述主成分分析，用于通过降维技术把多个影响因素转化为少数几个主成分影响因素，得到前k(k≤m)个主成分表达式如下式所示，其中m为电力负荷特性及其影响因素指标变量的个数，lij(i＝1,2,...,k；j＝1,2,...,m)为主成分表达式的系数，pi(i＝1,2,...k)表示第i个主成分。
进一步，所述主成分分析的判断依据是前k个主成分的累积贡献率超过85％，且对应的特征值大于1；
所述主成分分析具体按如下过程进行：
第一步，根据标准化序列z求其相关系数序列r；
第二步，求解相关系数序列的特征值、特征向量及其贡献率，并判断是否满足条件；
第三步，根据公式
第四步，根据主成分表达式得到各主成分的得分，并根据下式得到各主成分的综合得分y，其中yj表示第j个综合得分值；
进一步，所述灰色关联度分析具体按如下过程进行：
第一步，利用得到的综合得分代替原来标准化序列中的z0，形成新的数据序列x'；
第二步，对新数据序列进行初值化处理，得到初值化象序列xi如下式所示，其中m为指标个数，n为指标变量的个数，x'ji表示新数据中第i个指标的第j个变量，x'1i表示相应第i个指标的第1个值，xiji表示第i个指标初值化象序列的第j个值；
第三步，求差值序列δji＝|xij1-xiji|(j＝1,2,...,n；i＝1,2,...,m-1)，并确定最大差
第四步，由式子
进一步，所述加权处理具体按如下过程进行：
第一步，根据数据对应历史时间“近大远小”的原则，确定模糊互补优先关系矩阵
第二步，将模糊互补优先关系矩阵f转换成模糊一致矩阵
第三步，计算电力负荷特性与某一影响因素关联系数的权重值w，如下式所示：
其中参数
第四步，计算加权关联度wξ：
得到的加权关联度大小为影响电力负荷特性的因素的定量分析，确定主要影响因素后就可以代入预测模型进行电力负荷特性的预测。
本发明的另一目的在于提供一种所述的复杂特性影响的电力负荷预测方法，所述预测模型采用多变量灰色预测模型；
进一步，所述多变量灰色预测模型具体包括以下步骤：
第一步，输入历史电力负荷特性及所选主要影响因素数据；
第二步，对原始数据序列y0根据公式y1(k)＝y0(k)+y0(k-1)进行一阶累加，弱化原始数据序列中的随机波动性，提高数据平滑性，得到变化较为平滑的一阶累加序列y1；
第三步，根据公式l(k)＝0.5×(y1(k-1)+y1(k))计算预测模型背景值l，并得到数据矩阵
第四步，根据灰色预测公式
第五步，根据累减还原公式yf0(k)＝yf1(k)-yf1(k-1)计算得到原始数据序列y0的预测序列yf0。
进一步，所述多变量灰色预测模型能在预测模型中全面考虑影响因素对电力负荷特性的影响，使得电力负荷特性预测结果更接近实际发展趋势，有利于预测可靠性、预测精度的提高。
本发明的另一目的在于提供一种所述的复杂特性影响的电力负荷预测方法的预测系统，所述预测系统包括：
输入模块，用于输入电力负荷特性及其影响因素数据；
数据处理模块，利用均值化处理、求标准差过程、z-score处理三个过程依次对原始数据进行处理；
主成分分析模块，对标准化后的数据进行主成分分析，得到各主成分的综合得分；
数据重构模块，用于将所选主成分的综合得分代替原始标准序列中的数据，组成新的数据序列；
灰色关联度分析模块，对新数据序列进行灰色关联度分析，挖掘出各影响因素与电力负荷特性间的关联关系；
加权处理模块，根据数据对应历史时间对现有数据的影响程度不一致，即“近大远小”原则，对电力负荷特性与各影响因素的关联系数进行加权处理，使整个预测系统包含最新的数据信息，以符合实际情况；
排序模块，根据所得的加权关联度大小对各影响因素进行排序，得到加权关联度最大的影响因素；
预测模块，根据所得主要影响因素，代入历史数据，采用灰色预测模型进行预测；
输出模块，用于在达到预测精度要求的条件下，输出电力负荷特性预测值。
本发明的另一目的在于提供一种包含所述复杂特性影响的电力负荷预测方法的计算机信息处理系统。
综上所述，本发明的优点及积极效果为：本发明首先对原始数据进行了标准化处理，依次经过了均值化处理、求标准差过程、z-score处理，统一了原始数据的量纲，可消除原始数据因单位不同而可能造成的误差和干扰，有助于提高影响因素定量分析的准确度和最终电力负荷预测的精度；然后采用主成分结合灰色关联度的组合分析方法对影响因素进行了分析，通过降维技术把多个影响因素转化为少数几个主成分影响因素，既降低了多因素分析的复杂度，又使各影响因素彼此互不重叠，相互独立，减少了影响因素选择的工作量，有利于确定主要影响因素；同时，根据数据对应历史时间对现有数据的影响程度不一致，即“近大远小”原则，对电力负荷特性与各影响因素的关联系数进行了加权处理，使整个预测系统包含最新的数据信息，更符合实际发展趋势；最后采用多变量灰色模型进行预测，综合考虑了主要影响因素对电力负荷特性的影响，既避免了预测模型过多考虑次要因素而降低预测效率，又进一步提高了预测可靠性。
附图说明
图1是本发明实施例提供的复杂特性影响的电力负荷预测方法流程图。
图2是本发明实施例提供的复杂特性影响的电力负荷预测方法实现流程图。
图3是本发明实施例提供的改进的主成分和加权灰色关联度组合分析方法结构图。
图4是本发明实施例提供的复杂特性影响的电力负荷预测方法的预测系统总体结构图。
图5是本发明实施例提供的电力负荷特性及其影响因素理论关联度分析曲线图。
图6是本发明实施例提供的复杂特性影响的电力负荷预测方法预测值与实际值比较图。
图7是本发明实施例提供的复杂特性影响的电力负荷预测方法预测误差曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供的复杂特性影响的电力负荷预测方法，降低了分析多个影响因素的复杂性，解决了影响因素所含信息互相重叠的问题，预测可靠性高，可以满足复杂特性影响因素下的电力负荷预测要求，以解决未来电网中电力负荷精确预测的问题，继而解决电力系统中准确规划、优化调度的问题。
如图1所示，本发明实施例提供的复杂特性影响的电力负荷预测方法包括以下步骤：
s101：输入历史电力负荷特性及其影响因素数据，组成原始数据序列；
s102：对原始数据序列进行标准化，以统一原始数据量纲，消除原始数据因单位不同而造成的干扰，得到标准化序列；
s103：对标准化后的序列进行主成分分析，并得到主成分表达式；
s104：由主成分表达式计算各主成分的得分，并确定综合得分，最终得到新的数据序列，并对其进行灰色关联度分析；
s105：根据历史时间“近大远小”的原则确定各关联度系数的权值；
s106：根据得到的加权关联度的大小对影响因素进行排序，并依次代入预测模型，得到影响因素影响下的电力负荷特性预测值。
下面结合具体附图对本发明的应用原理作进一步的描述。
如图2所示，本发明实施例提供的复杂特性影响的电力负荷预测方法包括：
首先，输入历史电力负荷特性及其影响因素数据，确定原始数据序列；然后对原始数据序列进行标准化处理，即依次经过均值化处理、求标准差过程、z-score过程，以统一量纲，消除原始数据因单位不同而可能造成的干扰与误差；其次，对标准化后的序列依次进行主成分分析和灰色关联度分析；再次，利用从数据中分离出的相应历史时间根据“近大远小”原则确定各关联度系数的权值，并进行加权处理，得到加权关联度值；最后，将所选主要影响因素与电力负荷特性数据代入预测模型，得到电力负荷特性预测值。
本发明实施例提供的复杂特性影响的电力负荷预测方法具体步骤如下：
第一步，确定电力负荷特性及其影响因素，组成原始数据序列x；
第二步，根据公式
第三步，首先利用主成分分析对标准化后的序列进行主成分提取，然后根据各主成分的综合得分得到新的数据序列，最后再对新的数据序列进行灰色关联度分析，得到各指标变量间的关联度系数；
第四步，分离出数据对应的历史时间，根据数据历史时间对现有数据的影响程度不一致，即“近大远小”原则，对电力负荷特性与各影响因素的关联系数进行加权处理；
第五步，根据得到的加权关联度大小进行排序，选择影响程度最大的因素代入预测模型进行预测，最终得到电力负荷特性的预测值。
所述加权关联度是对影响因素进行主成分分析和灰色关联度分析之后再加权得到的，具体过程如图3所示：
第一步，首先求解标准化序列z的相关系数序列r，然后求解r的特征值λ、特征向量e及其贡献率，最后判断前k个主成分的累积贡献率是否超过85％，且对应的特征值是否大于1；
第二步，选择满足条件的前k个主成分对应的特征值和特征向量，首先根据关系式
第三步，利用得到的综合得分代替原来标准化序列中的z0，形成新的数据序列x'，首先对新数据序列进行公式
第四步，根据数据对应历史时间“近大远小”的原则，确定模糊互补优先关系矩阵
第五步，将模糊互补优先关系矩阵f根据公式
第六步，根据公式
如图4所示，所述复杂特性影响的电力负荷预测方法的预测系统包括：输入模块、数据处理模块、主成分分析模块、数据重构模块、灰色关联度分析模块、加权处理模块、排序模块、预测模块、输出模块。输入模块，用于输入电力负荷特性及其影响因素数据；数据处理模块，用于对原始数据进行标准化处理，以统一原始数据的量纲，消除原始数据因单位不同而可能造成的干扰与误差；主成分分析模块，对标准化后的数据进行主成分分析，把多个影响因素转化为少数几个主成分影响因素，使其彼此互不相关，所包含的信息互不重叠，降低影响因素选择的工作量，并得到各主成分的综合得分；数据重构模块，用于将所选主成分的综合得分代替原始标准序列中的数据，组成新的数据序列；灰色关联度分析模块，对新数据序列进行灰色关联度分析，挖掘出各影响因素与电力负荷特性间的关联关系；加权处理模块，根据数据对应历史时间对现有数据的影响程度不一致，即“近大远小”原则，对电力负荷特性与各影响因素的关联系数进行加权处理，使整个预测系统包含最新的数据信息，以符合实际情况；排序模块，根据所得的加权关联度大小对各影响因素进行排序，得到加权关联度最大的影响因素，即影响程度最大的主要影响因素；预测模块，根据所得主要影响因素，代入历史数据，采用灰色预测模型进行预测；输出模块，用于在达到预测精度要求的条件下，输出电力负荷特性预测值。
如图5所示，x0为电力负荷特性，x1～x9分别为电力负荷特性的影响因素，利用数据计算电力负荷特性与各影响因素曲线间距离依次为：1.9316、0.7246、1.6342、4.9986、1.2724、1.1698、3.0955、15.5785、0.3787，根据相关性及曲线相似的实质，电力负荷特性与影响因素曲线间的距离越小，说明其相关程度越高，按照相关程度大小排序为：x9＞x2＞x6＞x5＞x3＞x1＞x7＞x4＞x8，说明电力负荷特性与影响因素x9的相关程度最高，与影响因素x8的相关程度最低，即x9为主要影响因素。编程实现所述复杂特性影响因素下的电力负荷预测算法，并将其应用于电力负荷预测中，得到各影响因素的加权关联度大小分别为：0.9173、0.9685、0.9276、0.8232、0.9426、0.9473、0.8745、0.6323、0.9839，从大到小排序为：x9＞x2＞x6＞x5＞x3＞x1＞x7＞x4＞x8，说明影响因素x9对电力负荷特性的影响最大，影响因素x8对电力负荷特性的影响最小，即x9为主要影响因素。所得计算结论与理论结论一致，说明复杂特性影响的电力负荷预测方法对影响因素的分析效果良好，与实际情况相符，方法切实可行。
将所述复杂特性影响因素下的电力负荷预测算法应用于电力负荷预测中，用前10个数据进行建模，后10个数据进行预测验证，得到单变量预测模型预测值、多变量预测模型预测值与实际值的对比结果如图6所示，从图中可以看出，相比较于没有考虑影响因素的预测模型而言，考虑了影响因素的多变量预测模型得到的预测值与实际值变化趋势更为接近，效果更为良好。相应的预测误差如图7所示，从图中可以看出，多变量预测模型比单变量预测模型误差小，单变量预测模型最大误差为5.33％，平均误差为3.96％，而多变量预测模型最大误差为3.74％，平均误差为2.30％，对比发现综合考虑了影响因素的多变量预测模型预测误差更低，预测精度更高，且满足电力负荷预测要求。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。