短期电力负荷预测方法与流程

本申请涉及电力负荷预测，尤其涉及一种短期电力负荷预测方法。

背景技术：

1、电力负荷，又称“用电负荷”。电能用户的用电设备在某一时刻向电力系统取用的电功率的总和，称为用电负荷。

2、随着我国经济的迅速发展，供电可靠性、经济性和安全性不断提高。在电力需求动态变化的情况下，电力部门应尽量做到供求均衡，从而达到最大限度地提高设备的利用率和调度经济性，从而防止出现产能过剩和供给短缺。准确的负荷预测，不但可以帮助规划电厂的运行和检修计划，保障供电的可靠性，也可以为新的发电计划和电网的扩容改造提供参考。目前，多样化的预测模型和智能化电网改造为电网负荷预测相关的技术与电网负荷的数据提供方面给予了支持。近年来，在电力负荷预测方面，人工智能技术取得了显著的进展，浅层学习、深度学习以及其它的机器学习方法都得到了很好的应用。

3、相关技术中，2020年电网技术杂志《随机分布嵌入结构与bp神经网络》中应用bp神经网络对负荷进行了预测，然而并不能获得更好的全局最优解；“基于随机森林算法的短期负荷预测”的论文中提出了一种新的随机树算法，该方法所需要的参数较少，但是在求解过程中容易遇到过拟合问题。

4、各种外界环境因素及人类用电行为对电网的负荷产生了一定的影响。电力系统在局部时间内的变化，反映了外界和人的非恒定特性对电网负荷的影响；但是，从宏观上看，人类用电行为具有一定的规律，从而使其具有周期性。因此电力系统的长期负荷存在着很大的不确定性、条件性、时效性和多方案性。电网的短期负荷主要受各种外部因素的影响，其中以气候、天气等各种因素对电网负荷的影响较大，但在不同的情况下，各影响因子的效果又各有不同，由于负荷非线性、负荷预测的不确定性和条件性，给电网的负荷预测带来了一些困难。

5、中国专利《一种基于bp神经网络的日平均电力负荷预测方法》，公开号：cn110222888a，公开日：2019年09月10日，公开了获取预测日的多个主要气象因素对应的数值和预测日日期；根据预测日的主要气象因素和日期获取用于负荷预测模型训练的历史日数据；将用于训练的历史日数据输入bp神经网络，并对bp神经网络进行优化，获得优化后的bp神经网络模型；将预测日的主要气象因素以及预测日日期输入优化后的bp神经网络模型中，计算获得预测日的电力负荷。然而同样存在无法获得最优解的问题。

技术实现思路

1、本申请针对现有技术中假日因子未数字化难以进入预报网络，且影响因素过多容易干扰电力负荷最优预测值的获取，提供一种短期电力负荷方法，通过日均负荷日期映射法对日期因素进行数字化映射，且通过遗传算法对于影响因子先进行筛选再进行电力负荷预测，在负荷预报中客观地纳入了日期因子，并有自我调节的功能，能够很好地适应电力系统中的非线性负载信号。

2、为实现上述技术目的，本申请提供的一种短期电力负荷预测方法，一种短期电力负荷预测方法，包括如下步骤：s1：根据历史电力负荷变化情况获取短期电力负荷特性；s2：采用日均负荷日期映射法对日期因素进行数字化映射，获得日期因素映射值whmap；s3：利用遗传算法对相关因素f进行筛选；s4：构建预测模型，并将筛选后的相关因素f作为输入值输入，获得短期电力负荷预测结果ypred；其中，相关因素f至少包括步骤s2中所获得的日期因素映射值whmap。

3、可选的，s1包括：短期电力负荷特性至少包括历史短期电力负荷变化周期。

4、可选的，日期因素映射值为：whmap＝wmap+hmap；其中，wmap为星期因素映射值，hmap为节假日映射值。

5、可选的，其中，缩放倍数b∈(0,∞)，常数d∈(0,∞)，各星期类型平均负荷所组成的矩阵wk＝[wmon，wtue，wwed，wthu，wfri，wsat，wsun，]。

6、可选的，s3包括如下步骤：s31：确定实际问题参数集合；s32：对参数进行编码；s33：初始化种群；s34：评价群体；s35：判断是否满足停止规则，满足则结束筛选，不满足则进行遗传操作，产生新一代群体，重复步骤s34至s35。

7、可选的，预测模型为ga-ssa-lssvm预测模型，ga算法部分进行相关因素f的筛选，ssa算法优化部分获得最优lssvm模型参数，lssvm算法根据筛选后的相关因素f以及最优lssvm模型参数进行仿真预测，得到最优的电力负荷预测值。

8、可选的，lssvm算法的回归函数为：其中，xi为输入向量，xi∈rn；yi为输出向量，yi∈r；k为核函数；σ为核函数宽度；b为偏差值；α为拉格朗日乘子。

9、可选的，ssa算法优化部分获得最优lssvm模型参数，包括如下步骤：s41：设置相关参数变量值；s42：对群体进行初始化；s43：构建适应度函数；

10、s44：根据适应度函数不断优化，获得最佳惩罚函数c和最佳核函数宽度σ。

11、可选的，适应度函数为：其中，mape表示的是平均绝对百分比误差；n为个数；x(k)为电力负荷实际值；为电力负荷预测值。

12、可选的，s41中相关参数变量值包括：检索代理的数目san、极限迭代次数m_ite、变量个数dim、上层界限ub＝[ub1，ub2，...，ubn]和下层界限lb＝[lb1，lb2，...，lbn]。

13、本申请的有益效果：据日平均负荷日映射方法，在负荷预报中客观地纳入了日期因子，并有自我调节的功能；ssa方法在改进主观调参的缺点的同时，也具有较好的初始群体多样性和较好的局部优化能力；ga-ssa-lssvm混合模型对电网的短期负荷预测有较好的非线性拟合性能。

技术特征：

1.一种短期电力负荷预测方法，其特征在于：

2.如权利要求1所述的短期电力负荷预测方法，其特征在于：

3.如权利要求1所述的短期电力负荷预测方法，其特征在于：

4.如权利要求3所述的短期电力负荷预测方法，其特征在于：

5.如权利要求1所述的短期电力负荷预测方法，其特征在于：

6.如权利要求1所述的短期电力负荷预测方法，其特征在于：

7.如权利要求6所述的短期电力负荷预测方法，其特征在于：

8.如权利要求6所述的短期电力负荷预测方法，其特征在于：

9.如权利要求8所述的短期电力负荷预测方法，其特征在于：

10.如权利要求9所述的短期电力负荷预测方法，其特征在于：

技术总结
本申请公开了一种短期电力负荷预测方法，包括如下步骤：S1：根据历史电力负荷变化情况获取短期电力负荷特性；S2：采用日均负荷日期映射法对日期因素进行数字化映射，获得日期因素映射值WH<subgt;map</subgt;；S3：利用遗传算法对相关因素F进行筛选；S4：构建预测模型，并将筛选后的相关因素F作为输入值输入，获得短期电力负荷预测结果y<supgt;pred</supgt;；其中，相关因素F至少包括步骤S2中所获得的日期因素映射值WH<subgt;map</subgt;。本申请的有益效果：在负荷预报中客观地纳入了日期因子，并有自我调节的功能，能够很好地适应电力系统中的非线性负载信号。

技术研发人员：朱耿,吴一峰,李洋,张思,徐立中,虞殷树,王波,陈东海,唐律,林孙奔,陈菁伟,黄亮,俞红生,蔡振华,张志雄,胡海
受保护的技术使用者：国网浙江省电力有限公司宁波供电公司
技术研发日：
技术公布日：2024/1/13