本发明属于智能电网电力负荷预测
技术领域：
，具体地说，是一种基于多指标动态匹配的实时电力负荷预测系统及其方法。
背景技术：
电力负荷预测是指，将电力系统运行特性、增容以及自然情况考虑进来，利用历史数据对未来的负荷进行预测。负荷预测是电网能量管理系统的重要的功能，是智能电网系统经济、安全、可靠运行的基础。电力系统的负荷有其本身固有的周期性规律，同时也受到诸多因素的影响，如气候条件、经济因素等等。由于各地区的负荷特性的差异，针对不同地区之间负荷特性的差异，针对地区的负荷预测工作都应该结合当地的实际情况，在负荷特性的基础上考虑负荷的影响因素，再选用合适的方法进行预测，以提高预测的精度。负荷预测的精度直接影响电力系统的安全性、经济性和供电质量，对电网的投资、调度、布局以及运营的科学性具有重要影响，是进行发展规划以及实时控制的重要依据。因此，如何提高预测精度是目前负荷预测技术研究的重点。目前常用的负荷预测方法包括传统预测方法和现代预测方法两大类，其中传统预测方法包括时间序列方法、回归分析法、灰色预测法等等。其中以时间序列方法应用最为广泛。时间序列方法是对一维的时间序列数据，以历史负荷数据为依据推断未来一段时间的负荷数据。灰色预测法仅需要在少量的历史数据，从中发现影响负荷的规律，计算量小。在此基础上建立起的负荷预测模型，同时难以应对波动性较大的电力负荷。而且历史数据少量且离散程度较大时，预测精度较差。现代预测方法主要有专家系统法、支持向量机、神经网络算法等。其中神经网络由于自学习能力和处理复杂非线性的能力，成为负荷预测的一种重要的方法。然而，神经网络的结构和网络参数大多需要靠主观经验判定。因此，难以保证预测结果的准确性，有些方法在预测时没有考虑当地的气象因素、经济因素对于负荷预测的影响，造成重要的信息的缺失。即使考虑了单个因素与负荷数据的影响关系，也不能反映所有的因素对于负荷预测的影响程度，容易造成分析结果出现误差，从而影响负荷预测的精度。如果将各种影响因素都包含在输入变量中，会造成输入变量过多，加重训练负担，非但不能提高精度，反而降低了模型预测的性能。因此，既考虑影响负荷预测的各种因素，又适当的压缩输入变量，成为负荷预测必须解决的问题。针对现有的负荷预测方法的不足，本发明目的是提出一种基于多指标动态匹配的实时电力负荷预测系统，该系统的模型综合考虑了多个指标对于负荷的影响，在处理负荷数据的过程中，随着负荷的影响因素的不同、时间的变化，各个因素的权重会随着时间的变化而变化。本发明充分考虑了属性的直接和间接对于负荷的影响，使最后权重的分配更加科学合理，从而选择关键指标建立指标体系用于负荷预测，有效减少负荷预测的工作量，提高负荷预测的准确性和可靠性。同时建立一个a-gpr实时电力负荷预测模型，实现智能电网下电力供应的及时性和新能源的有效利用。技术实现要素：本发明的目的是，克服现有技术的不足，提出一种结构合理，功能负荷预测的准确性和可靠性高的基于多指标动态匹配的实时电力负荷预测系统，并提供科学合理。实现本发明目的之一采用的技术方案是：一种基于多指标动态匹配的实时电力负荷预测系统，其特征是，它包括：用于采集负荷、气象、经济数据并进行分类管理，构建系统数据库的数据采集模块；基于midm算法计算影响因素与负荷之间的相关性，进行排序，筛选出关键属性，构建综合指标体系的数据分析模块；能够根据不同地区和时间的随机变化，将模型中固定的惯性因子转化成动态变化的惯性因子，构建a-gpr模型的多指标动态匹配模块；能够根据构建的综合指标体系和a-gpr模型进行实时电力负荷预测的实时电力负荷预测模块；所述的数据采集模块与数据分析模块信号连接，数据分析模块与多指标动态匹配模块信号连接，多指标动态匹配模块与实时电力负荷预测模块信号连接。实现本发明目的之二采用的技术方案是：一种基于多指标动态匹配的实时电力负荷预测方法，其特征是，它包括的内容有：1)利用数据采集模块的气象数据单元、负荷数据单元以及经济数据单元的各自功能进行数据采集，由气象数据单元负责实时采集所需地区的温度、湿度、降水量、能见度、风向、风速、天气状况数据进行数据整合，传输到系统数据库中生成气象数据表；由负荷数据单元负责实时采集工业用电负荷、农业用电负荷、市政用电负荷、邮电用电负荷、交通用电负荷、生活用电负荷以及商业用电负荷进行数据整合，传输到系统数据库中生成负荷数据表；由经济数据单元负责实时采集政府年度经济报告中的经济数据进行数据整合，传输到系统数据库中生成经济数据表；2)利用数据分析模块的功能采用midm算法对各指标进行相关性分析，分析负荷数据和对应的气象数据、经济数据之间的相关程度，从而确定影响所需地区的关键指标，其中多指标动态匹配算法的步骤为：(1)计算各个指标曲线对于负荷的投影距离：其中xqi代表影响指标曲线上的点在负荷曲线上的投影横坐标，kqi代表负荷曲线这一点的斜率，b1(2)代表影响指标曲线上点的横坐标，b1(1)代表影响指标去向上点的纵坐标，bqi代表负荷曲线在这一点的截距，yqi代表影响指标上的点在在负荷曲线上的投影纵坐标，q代表影响指标一天24小时在曲线上的24个点,i代表某一影响指标，rqi代表影响指标对于负荷的投影距离，xqi2代表影响指标曲线在负荷曲线上投影点后一个点的横坐标，xqi1代表影响指标曲线在负荷曲线上投影点前一个点的横坐标，yqi2影响指标曲线在负荷曲线投影点后一个点的纵坐标，yqi1代表影响指标曲线在负荷曲线投影点的前一个点的纵坐标，rqi代表负荷在两点间的波动距离，yt2代表负荷曲线上后一个点的纵坐标，yt1代表负荷曲线上前一个点的纵坐标，xt2代表负荷曲线上后一个点的横坐标，xt1代表负荷曲线上前一个点的纵坐标，t代表负荷一天24小时在曲线上的点；(2)求各个指标的权重：其中wi表示各个影响因素对于负荷的影响权重，i代表某一影响指标影响指标，rqi代表影响因素对于负荷的投影距离，rt代表负荷在两点间的波动距离；(3)集合指标的权重计算：其中n代表指标的个数，wi,j代表组合指标的间接权重，i,j代表某一项影响指标，wi’代表集合指标的权重，充分表达了各个指标对于负荷的直接和间接的影响；3)利用多指标动态匹配模块的功能，根据不同地区的负荷数据和关键指标的实时性相关性建立综合的动态指标体系；利用选定的负荷数据和综合指标体系建立a-gpr模型，其步骤为:(1)初始化种群规模n,最大迭代次数tmax；(2)粒子当前位置的向量；(3)fitness，向量x的适应度值；(4)粒子的速度，它的维数和向量的相同；(5)pbest，每个粒子飞行过程中遇到的最好位置所对应的适应度值；(6)用于记录粒子飞行过程中遇到的最好位置，pbest它的维数和向量的维数相同；(7)粒子位置的更新公式：xi＝xi+vi其中，vi代表粒子的速度，xi代表粒子的当前位置，i代表每次粒子更新的当前迭代数，gbesti代表种群整体的最优位置，pbesti代表种群中个体的最优位置，w代表惯性权重因子，φ1代表个体认知学习率，φ2代表社会学习率，rand()为区间[0,1]之间的随机数，k代表收敛因子，k可描述为：标准粒子群算法中一般设置惯性权重因子：wt+1＝wt＝1，由于惯性权重因子是影响当前粒子速度的变量，较大的值有利于全局搜索，较小的值有利于局部搜索，为了更好地平衡搜索能力，提出了一种a-gpr模型：其中：wt代表当前迭代次数的惯性权重因子，wmax为惯性最大值，wmin为惯性最小值，t为当前迭代次数，t为最大迭代次数，所以，粒子位置的更新公式为：xi＝xi+vi由于惯性权重因子一直在变化，导致粒子的速度和位置一直在种群的大范围和小范围内一直在不断地更新，从而平衡了算法在全局搜索和局部搜索的能力；(8)根据更新后的粒子的位置，重新计算粒子的适应度函数e，适应度函数可描述为：其中，m是输入样本数，yi表示当前a-gpr模型训练的过程输出值，yi-1为前一代模型的输出值，i代表当前的迭代数；(9)判断是否满足进度要求或者是否达到迭代次数，若符合终止搜索；否则进行下一次搜索；(10)输出最后粒子的信息，即为a-gpr模型的参数；4)利用实时电力负荷预测模块的功能，获取待预测时刻的气象数据、经济数据，建立综合指标体系，将综合指标体系和相应的负荷数据作为输入向量，输入到a-gpr模型中，其输出即为待预测时刻的负荷值。本发明的一种多指标动态匹配的实时电力负荷预测系统及其方法的优点体现在：1.由于采用数据采集模块与数据分析模块信号连接，数据分析模块与多指标动态匹配模块信号连接，多指标动态匹配模块与实时电力负荷预测模块信号连接构成的多指标动态匹配的实时电力负荷预测系统，其结构合理，具有数据采集、数据分析、多指标动态匹配和实时电力负荷预测等功能于一体，能够实现实时提取关键影响因素集合进行短期和超短期的电力负荷预测；2.由于负荷的变化受天气情况、温度、湿度、大气压、能见度、风向、风速、gdp的影响，其变化具有明显的相关性，而且影响负荷的因素具有多样性，而本发明的方法能够充分考虑影响负荷的多重指标，准确的掌握负荷的变化情况，根据midm算法计算出各指标的相关度，并根据它们之间的相关度进行排序，筛选出影响负荷的关键指标，使负荷的变化特性更易于把握，准确性高；3.本发明的实时电力负荷预测模块中的a-gpr方法，使原本固定的模型参数可以根据不同的指标的输入进行自适应实时变化，提高了模型的适应性和鲁棒性，是今后电力系统用电负荷预测的一个全新发展方向，将更加有利于智能电网和能源互联网的发展；4.其方法科学，适用性强，效果佳。附图说明图1为一种多指标动态匹配的实时电力负荷预测系统结构方框图；图2为图1的工作流程图。具体实施方式参照图1和图2，一种基于多指标动态匹配的实时电力负荷预测系统，包括：用于采集负荷、气象、经济数据并进行分类管理，构建系统数据库的数据采集模块；基于midm算法计算影响因素与负荷之间的相关性，进行排序，筛选出关键属性，构建综合指标体系的数据分析模块；能够根据不同地区和时间的随机变化，将模型中固定的惯性因子转化成动态变化的惯性因子，构建a-gpr模型的多指标动态匹配模块；能够根据构建的综合指标体系和a-gpr模型进行实时电力负荷预测的实时电力负荷预测模块；所述的数据采集模块与数据分析模块信号连接，数据分析模块与多指标动态匹配模块信号连接，多指标动态匹配模块与实时电力负荷预测模块信号连接。一种基于多指标动态匹配的实时电力负荷预测方法，包括的内容有：1)利用数据采集模块的气象数据单元、负荷数据单元以及经济数据单元的各自功能进行数据采集，由气象数据单元负责实时采集所需地区的温度、湿度、降水量、能见度、风向、风速、天气状况数据进行数据整合，传输到系统数据库中生成气象数据表；由负荷数据单元负责实时采集工业用电负荷、农业用电负荷、市政用电负荷、邮电用电负荷、交通用电负荷、生活用电负荷以及商业用电负荷进行数据整合，传输到系统数据库中生成负荷数据表；由经济数据单元负责实时采集政府年度经济报告中的经济数据进行数据整合，传输到系统数据库中生成经济数据表；2)利用数据分析模块的功能采用midm算法对各指标进行相关性分析，分析负荷数据和对应的气象数据、经济数据之间的相关程度，从而确定影响所需地区的关键指标，其中多指标动态匹配算法的步骤为：(1)计算各个指标曲线对于负荷的投影距离：其中xqi代表影响指标曲线上的点在负荷曲线上的投影横坐标，kqi代表负荷曲线在这一点的斜率，b1(2)代表影响指标曲线上点的横坐标，b1(1)代表影响指标去向上点的纵坐标，bqi代表负荷曲线在这一点的截距。yqi代表影响指标上的点在在负荷曲线上的投影纵坐标，q代表影响指标一天24小时在曲线上的24个点,i代表某一影响指标。rqi代表影响指标对于负荷的投影距离，xqi2代表影响指标曲线在负荷曲线上投影点后一个点的横坐标，xqi1代表影响指标曲线在负荷曲线上投影点前一个点的横坐标，yqi2影响指标曲线在负荷曲线投影点后一个点的纵坐标，yqi1代表影响指标曲线在负荷曲线投影点的前一个点的纵坐标。rqi代表负荷在两点间的波动距离，yt2代表负荷曲线上后一个点的纵坐标，yt1代表负荷曲线上前一个点的纵坐标，xt2代表负荷曲线上后一个点的横坐标，xt1代表负荷曲线上前一个点的纵坐标。t代表负荷一天24小时在曲线上的点。(2)求指标的权重：其中wi表示影响指标对于负荷的影响权重，i代表某一影响指标影响指标，rqi代表影响因素对于负荷的投影距离，rt代表负荷在两点间的波动距离。(3)集合指标的权重计算：其中n代表指标的个数，wij代表组合指标的间接权重，i和j代表某一个影响指标，wi’代表集合指标的权重，充分表达了各个指标对于负荷的直接和间接的影响；3)利用多指标动态匹配模块的功能，根据不同地区的负荷数据和关键指标的实时性相关性建立综合的动态指标体系；利用选定的负荷数据和综合指标体系建立a-gpr模型，其步骤为:(1)初始化种群规模n,最大迭代次数tmax；(2)粒子当前位置的向量；(3)fitness，向量x的适应度值；(4)粒子的速度，它的维数和向量的相同；(5)pbest，每个粒子飞行过程中遇到的最好位置所对应的适应度值；(6)用于记录粒子飞行过程中遇到的最好位置，pbest它的维数和向量的维数相同；(7)粒子位置的更新公式：xi＝xi+vi其中，vi代表粒子的速度，xi代表粒子的当前位置，i代表每次粒子更新的当前迭代数，gbesti代表种群整体的最优位置，pbesti代表种群中个体的最优位置，w代表惯性权重因子，φ1代表个体认知学习率，φ2代表社会学习率，rand()为区间[0,1]之间的随机数，k代表收敛因子，k可描述为：标准粒子群算法中一般设置惯性权重因子：wt+1＝wt＝1，由于惯性权重因子是影响当前粒子速度的变量，较大的值有利于全局搜索，较小的值有利于局部搜索，为了更好地平衡搜索能力，提出了一种a-gpr模型：其中：wt代表每次迭代的惯性权重因子，wmax为惯性最大值，wmin为惯性最小值，t为当前迭代次数，t为最大迭代次数，所以，粒子位置的更新公式为：xi＝xi+vi由于惯性权重因子一直在变化，导致粒子的速度和位置一直在种群的大范围和小范围内一直在不断地更新，从而平衡了算法在全局搜索和局部搜索的能力；(8)根据更新后的粒子的位置，重新计算粒子的适应度函数e，适应度函数可描述为：其中，m是输入样本数，yi表示当前a-gpr模型训练的过程输出值，yi-1为前一代模型的输出值，i代表当前的迭代数；(9)判断是否满足进度要求或者是否达到迭代次数，若符合终止搜索；否则进行下一次搜索；(10)输出最后粒子的信息，即为a-gpr模型的参数；4)利用实时电力负荷预测模块的功能，获取待预测时刻的气象数据、经济数据，建立综合指标体系，将综合指标体系和相应的负荷数据作为输入向量，输入到a-gpr模型中，其输出即为待预测时刻的负荷值。下面结合附图和具体实施方式对本发明进行详细说明。本发明以某地区实际电网为实施例，收集该地区的2014-2017年的历史负荷数据，以及对应的历史气象数据，其中影响因素数据包括温度、湿度、大气压、降雨量、风向、风速、能见度、gdp。利用多指标动态匹配方法进行分析。表1负荷与各影响因素的相关系数以2016年的数据进行相关性分析，在一年四季每个气象因素的相关度是变化的，在春季天气情况和gdp的相关度最大，在夏季降雨量和湿度的相关度最大，在秋季风速和温度的相关度最大，在冬季温度和gdp的相关度最大。根据预测天的日期进行选择影响因素，建立综合指标体系。gpr预测模型为：其中：y’代表测试样本的输出，y代表训练样本的输出，k(x*,x)为训练输入变量x与测试输入变量x*的n×1阶协方差函数矩阵,k(x,x)为训练输入变量x的n×n阶协方差函数矩阵,i为单位阶矩阵，δn2为模型的超参数。建立模型的难点在于模型超参数的求解，而模型的超参数主要存在于协方差函数及白噪声中；因此为求解模型超参数，首先要确定协方差函数的具体形式。高斯过程的协方差函数的具体表现形式为：δij为kronecher常数，δp2，l，δn2为模型的超参数，δp2为模型的核函数的方差，l为特征宽度，i,j代表矩阵的某一列。为了优化模型的参数，本发明提出一种a-gpr模型，其步骤为：步骤1：以方差作为适应度，根据超参数约束条件，初始化粒子群信息，如飞行速度、当前位置等。步骤2：将超参数速度及位置信息，结合训练样本及影响因素的测试样本输入至gpr回归模型，依据式及对负荷值的测试样本进行滚动预测，并计算粒子的适应度。步骤3：更新粒子个体位置最优值及群体位置最优值，并判断群体最优适应度是否满足要求。若满足，则迭代结束，否则转步骤4。步骤4：依据式和xi＝xi+vi更新粒子的速度及位置信息，转步骤2。设置种群规模n＝200，最大迭代数t＝150，wmax＝0.9,wmin＝0.4。算法结束后即为模型参数的最优信息，然后，对训练好的gpr模型进行测试以建立a-gpr负荷预测模型。通过建立a-gpr实时负荷预测模型，将历史负荷数据和预测时刻的综合气象因素作为改进的a-gpr模型输入量，预测时刻的负荷预测值作为模型的输出量，选取该地区的2016年4月20日作为预测日。利用1月1日到4月19日的数据作为训练样本集，对a-gpr模型进行训练和测试，表2是a-gpr模型进行预测的负荷值和gpr模型的预测值与真实值的误差分析表。表2各时间点误差分析表表3平均误差分析表类别平均误差gpr5.7％a-gpr1.4％从表2和表3可以看出基于多指标动态匹配的实时负荷预测模型具有良好的预测精度，能够取得良好的预测结果。以上所述，是本发明的具体的实施方式，但本发明的保护范围并不仅限于此，任何熟悉本技术的人员在本发明的揭露的范围内，可轻易变化或更换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围都应以权利要求的保护范围为准。当前第1页12