一种基于双层回归模型的电力中长期负荷预测方法与流程

本发明属于电力预测技术领域，特别是涉及一种基于双层回归模型的电力中长期负荷预测方法。

背景技术：

目前，中长期负荷预测是电力系统规划和运行研究的重要内容,也是电力系统规划建设的依据，其预测的准确性将直接影响到电力系统投资和网络布局,同时也直接关系到电网的安全、经济及可靠运行。目前的负荷预测算法大多是基于电力和地区经济的关系，如弹性系数法、产值单耗法等，或者是简单的数学模型，如线性回归模型、灰色模型等。上述算法的优点是比较直观，且简单易用；缺点是算法复杂度有限，对于变化的适应能力较弱，且预测精度有限。因此，函需提供一种基于双层回归模型的电力中长期负荷预测方法，以便于解决上述问题。

技术实现要素：

本发明的目的在于提供一种基于双层回归模型的电力中长期负荷预测方法，通过构建基于多种回归算法的双层回归模型，发现地区迎峰度夏期间负荷和外部条件特征的关联性，从而对未来不同外部条件下的地区负荷进行预测，辅助地区电网系统的规划建设，提高地区电网的运行的稳定性，解决了现有的电力中长期负荷预测方法对电力变化的适应能力较弱且预测精度有限的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种基于双层回归模型的电力中长期负荷预测方法，包括如下步骤：

步骤一，按年份收集地区因素历史数据作为样本特征；

步骤二，将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，即不含降温负荷的地区负荷的均值，得出负荷比率：负荷比率＝(地区负荷-基础负荷)/基础负荷；

步骤三，对步骤一中的样本特征和步骤二中的负荷比率数据汇总整合，将每年的迎峰度夏负荷数据构建一个回归模型；

步骤四，在第一层构建的回归模型的基础上，建立第二层回归模型，并对不同年份的回归结果进一步组合；

步骤五，通过训练集和测试集的选择、样本特征的增加或减少以及模型参数的优化，进一步优化模型的预测精度。

进一步地，所述步骤一中，样本特征包括日最高温度值、日最低温度值、日平均温度、高温持续天数、日照等级、风速、降雨情况和最大负荷值，所有的天气数据通过爬虫程序从中国气象局官网上获取；其中，日平均温度的计算为：日平均温度＝(日最高温度+日最低温度)/2，而当天的高温持续天数是计算前连续n天温度比当天温度高的天数。

进一步地，所述步骤三和步骤四中，第一层回归模型和第二层回归模型的建立分别基于向量回归算法和随机森林回归算法构建。

本发明具有以下有益效果：

1、本发明通过构建基于多种回归算法的双层回归模型，发现地区迎峰度夏期间负荷和外部条件特征的关联性，从而对未来不同外部条件下的地区负荷进行预测，辅助地区电网系统的规划建设，提高地区电网的运行的稳定性，解决了现有的电力中长期负荷预测方法对电力变化的适应能力较弱且预测精度有限的问题。

2、本发明相对于传统方法可以有效增大可预测的范围，提高了预测精度，加深了对负荷影响因素的认知，进一步加深了最高温度、最低温度、是否下雨、节假日、高温持续天数等特征对地图负荷的影响，具有较高的推广价值。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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为本发明的具体实施例一的流程图；

图2为本发明的具体实施例一的流程图。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

具体实施例一：

如图1所示，本发明为一种基于双层回归模型的电力中长期负荷预测方法，包括如下步骤：

步骤一，按年份收集地区因素历史数据作为样本特征；样本特征包括日最高温度值、日最低温度值、日平均温度、高温持续天数、日照等级、风速、降雨情况和最大负荷值；日平均温度的计算为：日平均温度＝(日最高温度+日最低温度)/2，而当天的高温持续天数是计算前连续n天温度比当天温度高的天数；

步骤二，将夏季的地区负荷分割为基础负荷和降温负荷，通过计算不同年份的基础负荷，即不含降温负荷的地区负荷的均值，得出负荷比率：负荷比率＝(地区负荷-基础负荷)/基础负荷；

步骤三，对步骤一中的样本特征和步骤二中的负荷比率数据汇总整合，利用向量回归算法或随机森林回归算法将每年的迎峰度夏负荷数据构建一个回归模型；

步骤四，在第一层构建的支持向量回归模型的基础上，再利用随机森林回归算法建立第二层回归模型，并对不同年份的回归结果进一步组合；

步骤五，通过训练集和测试集的选择、样本特征的增加或减少以及模型参数的优化，进一步优化模型的预测精度。

下面以合肥市区进行中长期年最大负荷预测为例，对本发明的一种基于双层回归模型的电力中长期负荷预测方法进行实施应用，以验证本发明的可行性和有益性。

邀请电网企业、政府和用电量高的大型企业的三位电力专家进行预测的经验分享；合肥市近五年的历史最大负荷值如表1所示。

表1.合肥市2013年-2017年年最大负荷值

以2013至2017年年最大负荷日为例分析步骤一所需的天气数据特征，5年的年最大负荷日天气数据特征如表2所示。

表2.合肥市2013年-2017年年最大负荷日天气数据特征

依据步骤三和步骤四，使用双层回归模型对2018年的最大负荷进行预测，并利用单回归模型支持向量回归和随机森林回归进行预测，预测结果见表3所示。

表3.模型合肥市2018年最大负荷预测结果

从表3中不难看出，使用双层回归模型预测的最大值和实际值非常接近，绝对误差在3.7％左右，比使用单层回归模型的支持向量回归模型和随机森林回归模型以及专家经验预测都要好。

具体实施例二：

如图2所示，本发明为一种基于双层回归模型的电力中长期负荷预测方法，包括如下步骤：

步骤一，按年份对地区因素历史数据的数据源进行选择性抽取，并对定时更新后的历史数据进行定时抽取；

步骤二，对选择性抽取的历史数据进行周期性分析，并对其进行数据清洗和特征构造；同时，对定时抽取的定时更新后的历史数据对其进行数据清洗和特征构造；

步骤三，对两者的数据和特征进行整合汇总，利用向量回归算法或随机森林回归算法，构建双层回归模型；

步骤四，对双层回归模型进行评价和应用，并得出应用结果；再根据业余人员的反馈，对模型进一步优化与重构。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。