一种负荷预测方法及其系统与流程

本发明涉及电力负荷预测技术领域，具体涉及一种负荷预测方法及其系统。

背景技术

负荷预测是从已知的电力负荷变化和对此有影响的气象等因素情况出发，探索用电负荷与主要影响因素之间的内在联系和发展变化规律，对未来用电负荷作出预先的预测。为了准确地预测市场对电力这一商品的需求，提高预测精度的途径之一是在预测过程中设法计及各种相关因素(例如气象因素)对预测结果的影响。而目前通用的预测方法很难获得较好的预测精度，因为这些方法没有考虑该地区电力负荷的特点。

技术实现要素：

本发明针对现有技术中负荷预测未考虑所在地区电力负荷的特点而无法获得较好的预测精度的问题，提供一种负荷预测方法及其系统，充分发掘负荷变化对于气象相关因素变化的灵敏度，给出定性的分析结果；在负荷预测过程中，预测方法中与气象相关的参数对气象因素的影响表达充分、合理。

为此，本发明第一方面实施例提供一种负荷预测方法，包括如下步骤：

根据预测策略所需的相关因素建立相关因素映射数据库，所述相关因素至少包括气象相关因素；

根据多种负荷变化规律确定对应的多种负荷预测方法，并建立负荷预测方法库；

根据预测策略和负荷预测方法库建立综合预测模型。

进一步地，所述根据预测策略所需的相关因素建立相关因素映射数据库包括：通过各地区和相关因素特点，采用映射函数对各因素、各日的负荷的影响量化进行聚类分析；根据不同影响因素在映射函数上的差异，按照数据库化设计建立相关因素映射数据库。

进一步地，所述负荷预测方法库实时接收新的短期负荷预测方法并存入负荷预测方法库中，以及对负荷预测方法库现有的预测方法进行改进。

进一步地，所述根据预测策略和负荷预测方法建立综合预测模型包括：根据相关因素映射数据库中各地区、相关因素特点的预测策略，筛选出不同的预测模型集；在负荷预测方法库多种预测方法的基础上，建立综合预测模型。

进一步地，所述在负荷预测方法库多种预测方法的基础上，建立综合预测模型包括：将负荷预测方法库中各种预测方法的预测结果进行组合，建立基于若干单一预测方法的综合预测模型，所述综合预测模型根据不同地区负荷发展的客观规律，优化计算出不同预测方法的权重。

进一步地，所述组合的方式包括对多种预测模型优化，优化各种模型的权重，确定预测模型中预测样本的历史可信度，然后对预测结果进行组合。

进一步地，所述建立基于若干单一预测方法的综合预测模型包括：根据预测对象及其相关历史数据的特性从负荷预测方法库中进行自适应训练，自动筛选适合的方法模型，通过方法的选择和误差分析可以得出适合预测对象的综合预测模型。

进一步地，所述预测模型中的负荷相关因素可自定义，修改各种预测模型的参数，调节相关因素映射库中的映射数值，定义各种模型的结构，自定义不同的预测策略，核实模型预测过程中的计算过程。

本发明第二方面实施例提供一种用于第一方面所述负荷预测方法的负荷预测系统，所述系统包括：

用于存储各地区和相关因素特点的相关因素映射数据库、用于存储预测方法的负荷预测方法库和综合预测模型。

进一步地，所述相关因素映射数据库包括分析模块，所述分析模块用于采用映射函数对各因素、各日的负荷的影响量化进行聚类分析；

所述负荷预测方法库包括添加修改模块，所述添加修改模块用于接收新的短期负荷预测方法和对负荷预测方法库现有的预测方法进行改进，修改各种预测模型的参数，调节相关因素映射库中的映射数值，定义各种模型的结构，以及自定义不同的预测策略；

所述综合预测模型包括筛选模块、组合模块和计算模块，所述筛选模块用于各地区、相关因素特点的预测策略，筛选出不同的预测模型集；所述组合模块用于将负荷预测方法库中各种预测方法的预测结果进行组合；所述计算模块用于根据不同地区负荷发展的客观规律，优化计算出不同预测方法的权重。

与现有技术相比，实施本发明实施例方法及其系统具有如下有益效果：

1)本发明实施例利用多种预测模型的结果，实现综合预测模型，将各种预测方法的预测结果进行最佳的组合，由此，根据各地区、各行业的特点，构造出不同的综合预测模型，使预测精度得到进一步提高。

2)本发明实施例采用各地区、各季节用电负荷需求的特点，选择预测方法，构造预测策略，采用综合预测模型的拟合和预测精度为用户提供了自动建模的功能，解决了以往负荷预测软件包要求用户设置模型权重的难题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例所述一种负荷预测方法流程图；

图2是本发明实施例所述负荷预测方法库示意图；

图3是本发明实施例所述负荷预测系统结构示意图。

具体实施例

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透切理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、系统、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例结合附图来进行说明。

在实际工作中，对天气情况的处理是非常复杂的模型，这主要是因为气象描述是一组有着不同量纲和不同描述的对象(如：天气类型温度、湿度、降水、风力、风速等)，很难再系统的数学模型中进行统一的数学表达和采用。因此本发明实施例提出了一种负荷预测方法及其系统，把各类不同的因素值应设到一个可比的同一区间内(如：0～1之间)。

如图1所示为本发明第一方面实施例提供一种负荷预测方法流程，该方法包括如下步骤：

s101根据预测策略所需的相关因素建立相关因素映射数据库，所述相关因素至少包括气象相关因素；

s102根据多种负荷变化规律确定对应的多种负荷预测方法，并建立负荷预测方法库；

s103根据预测策略和负荷预测方法库建立综合预测模型。

进一步地，步骤s101中所述根据预测策略所需的相关因素建立相关因素映射数据库包括：通过各地区和相关因素特点，采用映射函数对各因素、各日的负荷的影响量化进行聚类分析；根据不同影响因素在映射函数上的差异，按照数据库化设计建立相关因素映射数据库。

具体而言，本实施例采用模式识别中的聚类分析的思想，用一个映射函数对各因素对各日的负荷的影响量化，例如：(星期四，晴，35摄氏度…)＝>(0.25，0.12，0.88…)。同时，把气象对负荷的影响映射值同各种其他相关因素的影响统一考虑，并按照数据库化设计形成相关因素映射数据库，举例如下：

表1

通过相关因素映射数据库设计，在解决负荷影响因素方面取得了如下优势：

可灵活的增加删除映射映射函数的抽样关键点；

可灵活的修改映射映射函数的映射后取值以获得合理的映射结果；

表2

综上所述，建立相关因素映射数据库，建立起了如气候等各类相关因素对负荷影响的数值评价和应用体系，可以考虑已经被详细研究过的气象因素，而且可以同时考虑一般性的分类指标，例如工作日/休息日，正常日/节假日，等等。本实施例相关因素映射数据库，反映不同影响因素在映射函数上的差异。根据模式识别的基本原理，应用聚类分析方法描述由于相关因素的不同而导致的待预测日与历史日之间的差异程度。而且在气象数据的处理上采用相关分析、距离分析、主成分分析等分析手段，建立基于相关因素分析的回归模型和基于主成分分析的回归模型，建立了基于相关因素映射库的全套相关因素处理和数学量化理论和方法。

进一步地，步骤s102中，所述负荷预测方法库实时接收新的短期负荷预测方法并存入负荷预测方法库中，以及对负荷预测方法库现有的预测方法进行改进。具体而言，各种数学模型预测方法是负荷预测系统工作的基石。任何一种方法只是数学上的一种理想的模型，只能对某一种负荷的发展规律有较好的拟合和预测效果。不同地区、不同时间、不同行业的负荷变化规律是不同的，很难用一种或几种预测模型描述所有的负荷变化规律。因此，本发明建立负荷预测方法库，多种预测模型满足负荷发展规律多样性的需求。

其中，负荷预测方法库如表3-4所示：

正常日预测方法如表3所示：

表3

节假日预测方法如表4所示：

表4

短期负荷预测的方法很多，如多元回归、谱分析、arma模型、人工神经网络方法(ann)等。总结起来，主要可以分为以下几类：

(1)仅利用负荷自身发展规律的方法：如arma模型等。

(2)负荷发展规律与气象因素结合的方法：如ann方法。

(3)其它方法。第一类方法仅仅对历史负荷数据进行统计、分析、运算，而对于其它的相关信息特别是对短期负荷影响较大的气象信息没有进行考虑，使正常日的预测精度无法进一步提高，而特殊气象日更会造成误差过大。这是因为仅靠历史数据是不能很好反映它未来的发展趋势的，气象因素对短期负荷的影响很大而未能在算法中体现。第二类方法考虑了气象因素，一般采用经验方法利用粗略的气象情况进行补偿，或者作为相关元进入神经网络模型计算，但由于采用的信息太少和相关方式较弱，结果有时并不理想。此外，该类方法一般不涉及气象以外的因素，并且计及气象因素的方式也不灵活。事实上，负荷预测考虑的相关因素绝对不仅仅是气象因素，而应该包括：日分类(正常日、国庆、春节等)；星期类型(周一～周日)；日期差(两日之间相距的天数)；日天气类型(晴、阴等)；日最高温度、日平均温度、日最低温度；日降雨量；湿度；风速；等等。随着科学技术的发展，有可能新增加其他相关因素。因此，本发明考虑各种相关因素(不仅是气象因素)，可以指导预测人员构造新的短期负荷预测方法存储至负荷预测方法库，也可以对负荷预测方法库中各种现有的预测方法进行改造，使之可以计及各种因素的影响。

进一步地，所述步骤s103中，根据预测策略和负荷预测方法建立综合预测模型包括：根据相关因素映射数据库中各地区、相关因素特点的预测策略，筛选出不同的预测模型集；在负荷预测方法库多种预测方法的基础上，建立综合预测模型。

进一步地，所述在负荷预测方法库多种预测方法的基础上，建立综合预测模型包括：将负荷预测方法库中各种预测方法的预测结果进行组合，建立基于若干单一预测方法的综合预测模型，所述综合预测模型根据不同地区负荷发展的客观规律，优化计算出不同预测方法的权重。由此，根据各地区、各行业的特点，能够构造出不同的综合预测模型，使预测精度得到进一步提高。

进一步地，所述组合的方式包括对多种预测模型优化，优化各种模型的权重，使预测精度达到最高，确定预测模型中预测样本的历史可信度，使预测模型尽可能反映近期负荷变化的规律，然后对预测结果进行组合。

进一步地，所述建立基于若干单一预测方法的综合预测模型包括：根据预测对象及其相关历史数据的特性从负荷预测方法库中进行自适应训练，自动筛选适合的方法模型，通过方法的选择和误差分析可以得出适合预测对象的综合预测模型；从而进一步提高了系统的便捷程度和模型预测精度。

具体而言，所述自适应训练采用虚拟预测的策略，在系统初装、实际负荷曲线产生较大变动、预测精度呈现明显下降等情况下自动启动学习和适应过程，平时也可人工启动。同时，在学习、适应过程中，在具体的预测方法误差评定方面，采用了虚预测结果误差评定方法，抵消了拟合误差评定方法的不足。因此，本实施例负荷预测方法库适应全网不同地区、不同季节的负荷特点，提高预测准确度提供了基础和保障。

进一步地，负荷预测方法库中所有预测方法、相关因素映射数据库中的预测策略和预测过程都是对用户为开放状态。用户可以自定义预测模型中的负荷相关因素，可修改各种预测模型的参数，调节相关因素映射库中的映射数值，可定义各种模型的结构，可自定义不同的预测策略，核实模型预测过程中的计算过程。为用户提供了充分的空间，将用户经验与预测系统有机结合，从而提高和保证了预测精度。

进一步地，本实施例对多种预测方法所得结果进行全面的误差分析，对预测结果作出评价，据此形成综合的预测结果，更加贴切地反映负荷的发展规律。所有误差分析结果均保存于用户指定的信息文件中，可供随时查阅，其包括

偏差分析：逐点偏差/最大偏差/最小偏差/平均偏差/总偏差平方；

残差分析：逐点残差/最大残差/最小残差/平均残差/剩余平方；

回归差分析：逐点回归差/最大回归差/最小回归差/平均回归差/回归平方；

相对误差分析：逐点相对误差/最大/最小相对误差/平均相对误差/相对误差平方；

拟合精度分析：相关指数/剩余标准差/离散系数；

灰色系统误差分析：后验差比值/小误差概率/逐点关联系数/灰色关联度；

模型显著性分析：模型的f统计量/模型的f阈值；

相关指数显著性分析：相关指数的实际值/相关指数的阈值，和

置信区间分析：置信度/对应该置信度的阈值/置信区间。

如图2所示本发明第二方面实施例提供一种用于第一方面所述负荷预测方法的负荷预测系统的结构示意图，所述系统包括：

用于存储各地区和相关因素特点的相关因素映射数据库、用于存储预测方法的负荷预测方法库和综合预测模型。

进一步地，所述相关因素映射数据库包括分析模块1，所述分析模块1用于采用映射函数对各因素、各日的负荷的影响量化进行聚类分析；

所述负荷预测方法库包括添加修改模块2，所述添加修改模块2用于接收新的短期负荷预测方法和对负荷预测方法库现有的预测方法进行改进，修改各种预测模型的参数，调节相关因素映射库中的映射数值，定义各种模型的结构，以及自定义不同的预测策略；

所述综合预测模型包括筛选模块3、组合模块4和计算模块5，所述筛选模块3用于各地区、相关因素特点的预测策略，筛选出不同的预测模型集；所述组合模块4用于将负荷预测方法库中各种预测方法的预测结果进行组合；所述计算模块5用于根据不同地区负荷发展的客观规律，优化计算出不同预测方法的权重。

本发明实施例对于经过自适应训练、用户的经验调整，充分体现当地、当时负荷变化规律，预测准确度较高的综合预测模型组合，预测人员可方便的定义其为一个应用方案。并取一个个性化名称(例如：济南市6月15日大雨后2天预测方案)。这样的方案记录策略，方便预测决策者对不同的预测策略进行比较，获得最佳的预测策略。

需要说明的是，系统实施例与方法实施例对应，因此系统实施例未详述的其他部分可以参见方法实施例的相关内容来得到，此处不再赘述。

通过以上实施例的描述，实施本发明实施例方法及其系统具有如下有益效果：

1)本发明实施例利用多种预测模型的结果，实现综合预测模型，将各种预测方法的预测结果进行最佳的组合，由此，根据各地区、各行业的特点，构造出不同的综合预测模型，使预测精度得到进一步提高。

2)本发明实施例采用各地区、各季节用电负荷需求的特点，选择预测方法，构造预测策略，采用综合预测模型的拟合和预测精度为用户提供了自动建模的功能，解决了以往负荷预测软件包要求用户设置模型权重的难题。

其中，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施例的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。