一种基于时间序列ARMA模型的自组织电力负荷预报方法与流程

本发明属于电力系统自动化
技术领域：
，涉及一种基于时间序列arma模型的自组织电力负荷预报方法。
背景技术：
影响电力负荷预的因素很多，既有经济发展水平、又有气象因素、节假日以及偶然事件等诸多随机因素的影响，没有明确的数学机理，数学模型无法准确地描述负荷变化规律。根本上决定负荷变化的是各类型数据，而模型只是数据的支撑。所以精准的负荷预测只有尽可能搜集、发掘影响负荷变化因子的数据，全面考虑各种不同因素对负荷的影响。负荷预测建模是一类复杂系统的建模，应用自组织数据挖掘理论，采用大数据技术，即基于大数据负荷预测方法，是在数据的分析基础上建模预测，是解决预测问题强有力的工具，为负荷预测提供了一种全新的思路，以数据的分析处理为中心，从数据中挖掘出隐含未来发展的信息。目前电力负荷预测常用的基础预测模型有：arma时间序列、holt-winter法、小波变换模型、支持向量机等。这些负荷预测方法各有特点,在一定条件下均能达到预测要求。但由于影响电力系统负荷的因素较多,用单一预测模型对电力负荷进行预测时,其预测精度往往不能令人满意。技术实现要素：本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于时间序列arma模型的自组织电力负荷预报方法，为解决上述技术问题，本发明采用的技术方案是：一种基于时间序列arma模型的自组织电力负荷预报方法，其特征在于，包括以下步骤：s1：预测负荷历史数据分析，形成n组训练样本数据，每组样本数据包括m个数据；s2：创建时间序列arma模型，对s1中的n组样本数据，每组前m-1个数据作为输入，第m个数据作为输出，使用时间序列arma模型预测每组样本数据的第m个数据；s3：创建自组织数据分组处理gmdh模型，每组前m-1个数据作为输入，第m个数据的s2中预测误差值为输出，建立自组织分组数据处理模型来预测时间序列模型的预测结果误差；s4：建立预测模型，将s2和s3中对应模型的预测值相加，得到负荷预测值。进一步的，步骤s1的具体步骤为：抽取选定预测对象的n组历史数据，形成n组电力负荷时间序列，记为x1，x2，…,xn；每组历史数据包括m个数据点，样本数据记为{xi(j)|i＝1,2,…,n；j＝1,2,,…,m}。进一步的，步骤s2的具体步骤为：对步骤s1中的每组样本数据xi(i＝1,2,…,n)，前m-1个数据作为自变量，第m个数据作为因变量，即使用前面m-1个数据来预测第m个数据，采用时间序列arma预测第m时刻电力负荷，各组历史数据对应的m时刻预测值分别为：ya1，ya2，……,yan。进一步的，步骤s3的具体步骤为：在步骤s2使用时间序列arma对n组样本数据第m时刻的预测值ya1，ya2，……,yan对应的实际值为：x1(m),x2(m),……,xn(m)，设时间序列arma预测误差记为u＝(u1,u2,……,un)，则ui＝xi(m)-yai，i＝1,2，……,n，把每组样本数据的第m个数据xi(m)(i＝1,2，……,n)的预测误差ui(i＝1,2，……,n)作为新的因变量，自变量不变，即使用前面m-1个数据来预测第m个数据对应的时间序列arma模型预测值的误差，建立自组织分组数据处理gmdh的模型，进行误差时间序列arma模型预测值误差估计；使用自组织分组处理gdmh模型，得到的各组历史数据对应的m时刻时间序列arma预测值误差的估计值为：ug1，ug2，……,ugn。进一步的，步骤s4的具体步骤为：步骤s2创建的时间序列arma模型和步骤s3创建的自组织分组处理gdmh模型结合在一起，得到本发明的基于时间序列arma模型的自组织电力负荷预报模型，时间序列arma的预测值是ya，自组织分组处理gdmh模型得到的修正值是ug，则最终的预测值为ya+ug，步骤s1中每组样本数据的第m时刻预测值为：ya1+ug1，ya2+ug2，……，yan+ugn。与现有技术相比，有益效果是：本方法采用自组织分组处理gdmh模型来修正时间序列arma模型的预测误差，从而提高电力负荷预测精度。附图说明图1是本发明方法流程示意图。具体实施方式附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。如图1所示，一种基于时间序列arma模型的自组织电力负荷预报方法，其特征在于，包括以下步骤：s1：预测负荷历史数据分析，形成n组训练样本数据，每组样本数据包括m个数据；s2：创建时间序列arma模型，对s1中的n组样本数据，每组前m-1个数据作为输入，第m个数据作为输出，使用时间序列arma模型预测每组样本数据的第m个数据；s3：创建自组织数据分组处理gmdh模型，每组前m-1个数据作为输入，第m个数据的s2中预测误差值为输出，建立自组织分组数据处理模型来预测时间序列模型的预测结果误差；s4：建立预测模型，将s2和s3中对应模型的预测值相加，得到负荷预测值。进一步的，步骤s1的具体步骤为：抽取选定预测对象的n组历史数据，形成n组电力负荷时间序列，记为x1，x2，…,xn；每组历史数据包括m个数据点，样本数据记为{xi(j)|i＝1,2,…,n；j＝1,2,,…,m}。进一步的，步骤s2的具体步骤为：对步骤s1中的每组样本数据xi(i＝1,2,…,n)，前m-1个数据作为自变量，第m个数据作为因变量，即使用前面m-1个数据来预测第m个数据，采用时间序列arma预测第m时刻电力负荷，各组历史数据对应的m时刻预测值分别为：ya1，ya2，……,yan。使用时间序列arma进行预测的具体算法步骤，属于本行业的公众知识，不属于本申请范围，这里不再给出。进一步的，步骤s3的具体步骤为：在步骤s2使用时间序列arma对n组样本数据第m时刻的预测值ya1，ya2，……,yan对应的实际值为：x1(m),x2(m),……,xn(m)，设时间序列arma预测误差记为u＝(u1,u2,……,un)，则ui＝xi(m)-yai，i＝1,2，……,n，把每组样本数据的第m个数据xi(m)(i＝1,2，……,n)的预测误差ui(i＝1,2，……,n)作为新的因变量，自变量不变，即使用前面m-1个数据来预测第m个数据对应的时间序列arma模型预测值的误差，建立自组织分组数据处理gmdh的模型，进行误差时间序列arma模型预测值误差估计；使用自组织分组处理gdmh模型，得到的各组历史数据对应的m时刻时间序列arma预测值误差的估计值为：ug1，ug2，……,ugn。使用自组织分组处理gdmh模型进行预测的具体算法步骤，属于已有知识，不属于本专利范围，这里不再描述。进一步的，步骤s4的具体步骤为：步骤s2创建的时间序列arma模型和步骤s3创建的自组织分组处理gdmh模型结合在一起，得到本发明的基于时间序列arma模型的自组织电力负荷预报模型，时间序列arma的预测值是ya，自组织分组处理gdmh模型得到的修正值是ug，则最终的预测值为ya+ug，步骤s1中每组样本数据的第m时刻预测值为：ya1+ug1，ya2+ug2，……，yan+ugn。本方法对原始数据进行大数据分析后，形成样本数据，在样本数据上使用时间序列arma模型进行负荷预测，对样本数据采用时间序列arma进行负荷预测的误差作为因变量建立自组织分组数据处理模型，即应用该模型对预测误差进行估计，以修正时间序列arma模型预测误差。与采用基本的时间序列arma模型进行电力负荷预测方式相比，该方法具有明显优势。下面结合图表对本方法进行说明：一种基于时间序列arma模型的自组织电力负荷预测方法，通过采用时间序列arma模型进行负荷预测，基于大数据的训练，采用自组织数据分组处理方法对时间序列arma模型预测误差进行修正，从而提高电力负荷预测精度，该方法包括以下步骤：步骤s1：对预测对象负荷历史数据进行分析，形成预测模型训练样本数据。为方便描述算法，以预测对象负荷12个时间点的历史数据为例来说明本发明方法的具体实施步骤。预测对象12个时间点的历史数据如表1所示。表1负荷历史数据表时间点123456789101112负荷831922986101610971210135614911677183816982061以前面4个时间点的负荷来预测当前时间的负荷，则表1中的历史负荷数据可以形成8组(n＝8)历史数据，每组数据长度为5(m＝5)。8组训练样本数据如表2所示：表2训练样本数据序号xi(5)xi(4)xi(3)xi(2)xi(1)x110971016986922831x2121010971016986922x31356121010971016986x414911356121010971016x516771491135612101097x618381677149113561210x719681838167714911356x820611968183816771491步骤s2：创建时间序列arma模型。采用时间序列arma模型，用步骤s1得到的各组前1-4电力负荷历史数据作为预测输入数据，预测第5时刻电力负荷，各组历史数据对应的m(＝5)时刻预测值、真实值、预测误差见表3：表3样本数据时间序列arma模型预测值序号真实值xi(5)预测值(yai)预测误差(xi(5)-yai)x110971103-6x212101231-21x313561360-4x4149114892x51677161859x61838174791x719681876-178x82061200457步骤s3：创建自组织数据分组处理gmdh模型。把步骤s2中每组样本数据的第5个数据xi(5)(i＝1,2,3,4,5,6,7,8)的预测误差ui＝xi(5)-yai(i＝1,2,3,4,5,6,7,8)作为待预测数据，即时间序列模型预测误差ui替换对应的xi(5)形成新的样本数据。各组前1-4电力负荷历史数据作为预测输入数据，建立自组织分组数据处理gmdh的模型，进行误差时间序列arma模型预测值误差修正。自组织分组数据处理gmdh模型得到的各组样本数据预测误差修估计值为：-22.85,-18.49,-0.84,31.67,51.93,79.59,94.66,33.38步骤s4：建立预测模型。时间序列arma的预测值是ya，自组织分组处理gdmh模型的对时间序列预测误差的估计值是ug，则基于时间序列的自组织预测方法的的预测值为ya+ug。针对该实施实例的步骤s1中每组样本数据的第5时间点的预测值为：ya1+ug1，ya2+ug2，ya3+ug3，ya4+ug4，ya5+ug5，ya6+ug6，ya7+ug7，ya8+ug8使用本发明电力负荷预报方法得到的各组历史数据对应的m(＝5)时刻预测值、真实值、预测误差见表4表4样本数据本方法预测值显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。当前第1页12