本申請涉及電力信息技術(shù)領(lǐng)域，具體涉及一種電力負(fù)荷預(yù)測方法。

背景技術(shù)：

用戶的負(fù)荷特性是電力負(fù)荷預(yù)測的基礎(chǔ)，電力負(fù)荷預(yù)測是以電力負(fù)荷為對象進(jìn)行的一系列預(yù)測工作。從預(yù)測對象來看，電力負(fù)荷預(yù)測包括對未來電力需求量(功率)的預(yù)測和對未來用電量(能量)的預(yù)測以及對負(fù)荷曲線的預(yù)測。其主要工作是預(yù)測未來電力負(fù)荷的時間分布和空間分布，為電力系統(tǒng)規(guī)劃和運(yùn)行提供可靠的決策依據(jù)，是實(shí)現(xiàn)電力系統(tǒng)安全、經(jīng)濟(jì)運(yùn)行的基礎(chǔ)，在電力市場交易中有著重要的意義。負(fù)荷預(yù)測的精度越高，越有利于提高發(fā)電設(shè)備的利用率和經(jīng)濟(jì)調(diào)度的有效性；反之，負(fù)荷預(yù)測誤差較大時，不僅會造成大量運(yùn)行成本和利潤損失，甚至?xí)绊戨娏ο到y(tǒng)運(yùn)行的可靠性和電力市場的供需平衡。因此，對電力負(fù)荷進(jìn)行準(zhǔn)確預(yù)測非常重要。

由于影響電力負(fù)荷預(yù)測準(zhǔn)確性的因素很多，現(xiàn)有的預(yù)測方法主要包括常規(guī)技術(shù)和人工智能方法，常規(guī)預(yù)測技術(shù)的原理比較簡單且相對容易實(shí)現(xiàn)，但這些方法缺乏建立全面統(tǒng)一地準(zhǔn)確描述負(fù)荷變化特征的預(yù)測模型的能力；與常規(guī)的預(yù)測方法相比，智能化方法在建立統(tǒng)一合理的負(fù)荷預(yù)測模型方面具有很大的優(yōu)勢和潛力，但是當(dāng)前廣泛采用的人工神經(jīng)網(wǎng)絡(luò)方法不能對數(shù)據(jù)進(jìn)行選擇剔除，影響負(fù)荷預(yù)測結(jié)果的準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了解決上述當(dāng)前廣泛采用的人工神經(jīng)網(wǎng)絡(luò)方法不能對數(shù)據(jù)進(jìn)行選擇剔除，影響負(fù)荷預(yù)測結(jié)果的準(zhǔn)確性的問題。

為此，本發(fā)明實(shí)施例提供了如下技術(shù)方案：一種電力負(fù)荷預(yù)測方法，所述預(yù)測方法包括以下步驟：

(1)數(shù)據(jù)采集；

(2)采用總體測辨法對影響電力負(fù)荷的因素進(jìn)行參數(shù)辨識分析，篩選得到影響因素較大的數(shù)據(jù)；

(3)對數(shù)據(jù)進(jìn)行訓(xùn)練，建立rbf神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述步驟(1)中數(shù)據(jù)采集包括該地區(qū)的電力負(fù)荷、氣溫、降雨量、濕度、風(fēng)力和日期類型。

可選地，還包括對所述采集的數(shù)據(jù)進(jìn)行歸一化處理。

可選地，所述步驟(2)中參數(shù)辨識方法包括最小二乘法、最小方差或者遺傳算法。

可選地，所述歸一化處理后的數(shù)據(jù)輸入總體測辨法模塊進(jìn)行參數(shù)辨識，得到不同影響因素與電力負(fù)荷之間的關(guān)系系數(shù)k1、k2…kn,n≥6,n為整數(shù)；選取k值大的影響因素。

可選地，還包括將對電力負(fù)荷影響因素大的數(shù)據(jù)輸入rbf神經(jīng)網(wǎng)絡(luò)模型，得到當(dāng)日電力負(fù)荷預(yù)測值，繪制當(dāng)日預(yù)測負(fù)荷與實(shí)際負(fù)荷曲線對比圖。

本發(fā)明實(shí)施例提供的技術(shù)方案包括以下有益效果：本申請采用總體測辨法，首先通過參數(shù)辨識，得到氣溫、降雨量等各個影響因素與電力負(fù)荷的關(guān)系,根據(jù)參數(shù)辨識篩選得到與電力負(fù)荷相關(guān)性較大的影響因素，剔除影響較小的因素；使影響較大的因素作為rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，搭建起神經(jīng)網(wǎng)絡(luò)模型，并能夠準(zhǔn)確預(yù)測未來一天甚至多天的電力負(fù)荷，構(gòu)建的網(wǎng)絡(luò)可以直接應(yīng)用于電力負(fù)荷預(yù)測中并獲得較精確的預(yù)測結(jié)果。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對實(shí)施例中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例中總體辨測法原理示意圖；

圖2為本發(fā)明實(shí)施例中rbf神經(jīng)網(wǎng)絡(luò)原理示意圖；

圖3為本發(fā)明實(shí)施例中預(yù)測負(fù)荷與實(shí)際負(fù)荷曲線對比圖一；

圖4為本發(fā)明實(shí)施例中預(yù)測負(fù)荷與實(shí)際負(fù)荷曲線對比圖二。

具體實(shí)施方式

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本發(fā)明的實(shí)施例，并與說明書一起用于解釋本發(fā)明的原理。

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

總體測辨法是一種可以一次性得到不同影響因素與負(fù)荷的相關(guān)系數(shù)的方法，其基本思想是不考慮負(fù)荷內(nèi)部組成和具體結(jié)構(gòu)，把綜合負(fù)荷看作一個整體，從整體出發(fā)研究系統(tǒng)的輸入-輸出特性，其核心是通過總體參數(shù)辨識，通過最優(yōu)化的方法確定各參數(shù)的值，能夠一次性地得到電力負(fù)荷與各個影響因素的關(guān)系，從而為影響因素的選取以及負(fù)荷預(yù)測模型的建立提供依據(jù)。

由于電力負(fù)荷一般與各影響因素之間往往呈現(xiàn)出非線性的關(guān)系，采用傳統(tǒng)的多元線性回歸法難以實(shí)現(xiàn)對負(fù)荷的準(zhǔn)確預(yù)測。而人工神經(jīng)網(wǎng)絡(luò)法對非線性問題具有很好的處理能力，廣泛應(yīng)用于電力負(fù)荷預(yù)測中，根據(jù)結(jié)構(gòu)和數(shù)學(xué)模型的不同，人工神經(jīng)網(wǎng)絡(luò)又可分為bp神經(jīng)網(wǎng)絡(luò)、rbf神經(jīng)網(wǎng)絡(luò)，感知機(jī)網(wǎng)絡(luò)等等。相比于其它人工神經(jīng)網(wǎng)絡(luò)，rbf神經(jīng)網(wǎng)絡(luò)具有收斂性好，全局最優(yōu)等優(yōu)點(diǎn)，因此非常適用于負(fù)荷的預(yù)測。

采用總體測辨法篩選出與負(fù)荷相關(guān)性較大的影響因素，利用rbf神經(jīng)網(wǎng)絡(luò)進(jìn)行短期電力負(fù)荷預(yù)測對這些影響因素的歷史數(shù)據(jù)進(jìn)行自學(xué)習(xí)或者訓(xùn)練，神經(jīng)網(wǎng)絡(luò)對自身的權(quán)值進(jìn)行調(diào)整，構(gòu)建的網(wǎng)絡(luò)可以直接應(yīng)用于電力負(fù)荷預(yù)測中并獲得較精確的預(yù)測結(jié)果。

rbf神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(radicalbasisfunction)。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種高效的前饋式神經(jīng)網(wǎng)絡(luò)，它具有其他前向網(wǎng)絡(luò)所不具有的最佳逼近性能和全局最優(yōu)特性，并且結(jié)構(gòu)簡單，訓(xùn)練速度快。同時，它也是一種可以廣泛應(yīng)用于模式識別、非線性函數(shù)逼近等領(lǐng)域的神經(jīng)網(wǎng)絡(luò)模型。rbf網(wǎng)絡(luò)能夠逼近任意的非線性函數(shù)，可以處理系統(tǒng)內(nèi)的難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學(xué)習(xí)收斂速度，已成功應(yīng)用于非線性函數(shù)逼近、時間序列分析、數(shù)據(jù)分類、模式識別、信息處理、圖像處理、系統(tǒng)建模、控制和故障診斷等。

實(shí)施例一

參見圖1～4，本申請?zhí)峁┮环N電力負(fù)荷預(yù)測方法，所述預(yù)測方法包括以下步驟：

(1)數(shù)據(jù)采集；

(2)采用總體測辨法對影響電力負(fù)荷的因素進(jìn)行參數(shù)辨識分析，篩選得到影響因素較大的數(shù)據(jù)；

(3)對數(shù)據(jù)進(jìn)行訓(xùn)練，建立rbf神經(jīng)網(wǎng)絡(luò)模型。

本申請的基于總體測辨和人工神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型主要包括數(shù)據(jù)采集、總體測辨法分析與rbf神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測三個部分。選取相關(guān)性大的影響因素，剔除相關(guān)性小的影響因素，對這些選取的影響因素的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，建立起rbf神經(jīng)網(wǎng)絡(luò)；輸入神經(jīng)網(wǎng)絡(luò)所需的特性指標(biāo)，通過已建立起的神經(jīng)網(wǎng)絡(luò)來預(yù)測輸出未來一天或多天的電力負(fù)荷，構(gòu)建的網(wǎng)絡(luò)可以直接應(yīng)用于電力負(fù)荷預(yù)測中并獲得較精確的預(yù)測結(jié)果。

實(shí)施例二

參見圖1～4，本申請?zhí)峁┮环N電力負(fù)荷預(yù)測方法，所述預(yù)測方法包括以下步驟：

(1)數(shù)據(jù)采集；

(2)采用總體測辨法對影響電力負(fù)荷的因素進(jìn)行參數(shù)辨識分析，篩選得到影響因素較大的數(shù)據(jù)；

(3)對數(shù)據(jù)進(jìn)行訓(xùn)練，建立rbf神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述步驟(1)中數(shù)據(jù)采集包括該地區(qū)的電力負(fù)荷、氣溫、降雨量、濕度、風(fēng)力和日期類型。

可選地，還包括對所述采集的數(shù)據(jù)進(jìn)行歸一化處理。

本申請的基于總體測辨和人工神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型主要包括數(shù)據(jù)采集、總體測辨法分析與rbf神經(jīng)網(wǎng)絡(luò)負(fù)荷預(yù)測三個部分。數(shù)據(jù)采集部分包含了數(shù)據(jù)的收集與歸一化兩方面，主要收集該地區(qū)的電力負(fù)荷、氣溫、降雨量、濕度、風(fēng)力、日期類型等歷史數(shù)據(jù)，并對其進(jìn)行歸一化處理；總體測辨法部分主要對影響電力負(fù)荷的相關(guān)因素進(jìn)行分析，篩選得到影響較大的因素；選取相關(guān)性大的影響因素，剔除相關(guān)性小的影響因素，對這些選取的影響因素的歷史數(shù)據(jù)進(jìn)行訓(xùn)練，建立起rbf神經(jīng)網(wǎng)絡(luò)；輸入神經(jīng)網(wǎng)絡(luò)所需的特性指標(biāo)，通過已建立起的神經(jīng)網(wǎng)絡(luò)來預(yù)測輸出未來一天或多天的電力負(fù)荷，構(gòu)建的網(wǎng)絡(luò)可以直接應(yīng)用于電力負(fù)荷預(yù)測中并獲得較精確的預(yù)測結(jié)果。

實(shí)施例三

參見圖1～4，本申請?zhí)峁┮环N電力負(fù)荷預(yù)測方法，所述預(yù)測方法包括以下步驟：

(1)數(shù)據(jù)采集；

(2)采用總體測辨法對影響電力負(fù)荷的因素進(jìn)行參數(shù)辨識分析，篩選得到影響因素較大的數(shù)據(jù)；

(3)對數(shù)據(jù)進(jìn)行訓(xùn)練，建立rbf神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述步驟(1)中數(shù)據(jù)采集包括該地區(qū)的電力負(fù)荷、氣溫、降雨量、濕度、風(fēng)力和日期類型。

可選地，還包括對所述采集的數(shù)據(jù)進(jìn)行歸一化處理。

可選地，所述步驟(2)中參數(shù)辨識方法包括最小二乘法、最小方差或者遺傳算法。

可選地，所述歸一化處理后的數(shù)據(jù)輸入總體測辨法模塊進(jìn)行參數(shù)辨識，得到不同影響因素與電力負(fù)荷之間的關(guān)系系數(shù)k1、k2…kn,n≥6,n為整數(shù)；選取k值大的影響因素。

本申請的基于總體測辨和人工神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型主要包括數(shù)據(jù)采集、總體測辨法分析與rbf神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測三個部分。數(shù)據(jù)采集部分包含了數(shù)據(jù)的收集與歸一化兩方面，主要收集該地區(qū)的電力負(fù)荷、氣溫、降雨量、濕度、風(fēng)力、日期類型等歷史數(shù)據(jù)，并對其進(jìn)行歸一化處理；本發(fā)明中總體測辨法通過總體參數(shù)辨識，能夠一次性地得到電力負(fù)荷與各個影響因素的關(guān)系，參數(shù)辨識可選取的方法有最小二乘法、最小方差、遺傳算法等等。通過將采集的歸一化后的負(fù)荷、最高氣溫、最低氣溫、降雨量、風(fēng)力、濕度、日期類型等影響因素的歷史數(shù)據(jù)輸入總體測辨法模塊，進(jìn)行參數(shù)辨識得到不同的影響因素與負(fù)荷之間的關(guān)系系數(shù)k1、k2……，選取系數(shù)k值大的影響因素。再根據(jù)總體測辨法最終得到的影響因素，對其歷史數(shù)據(jù)進(jìn)行訓(xùn)練，建立起rbf神經(jīng)網(wǎng)絡(luò)；輸入神經(jīng)網(wǎng)絡(luò)所需的特性指標(biāo)，通過已建立起的神經(jīng)網(wǎng)絡(luò)來預(yù)測輸出未來一天或多天的電力負(fù)荷，構(gòu)建的網(wǎng)絡(luò)可以直接應(yīng)用于電力負(fù)荷預(yù)測中并獲得較精確的預(yù)測結(jié)果。

實(shí)施例四

參見圖1～4，本申請?zhí)峁┮环N電力負(fù)荷預(yù)測方法，所述預(yù)測方法包括以下步驟：

(1)數(shù)據(jù)采集；

(2)采用總體測辨法對影響電力負(fù)荷的因素進(jìn)行參數(shù)辨識分析，篩選得到影響因素較大的數(shù)據(jù)；

(3)對數(shù)據(jù)進(jìn)行訓(xùn)練，建立rbf神經(jīng)網(wǎng)絡(luò)模型。

可選地，所述步驟(1)中數(shù)據(jù)采集包括該地區(qū)的電力負(fù)荷、氣溫、降雨量、濕度、風(fēng)力和日期類型。

可選地，還包括對所述采集的數(shù)據(jù)進(jìn)行歸一化處理。

可選地，所述步驟(2)中參數(shù)辨識方法包括最小二乘法、最小方差或者遺傳算法。

可選地，所述歸一化處理后的數(shù)據(jù)輸入總體測辨法模塊進(jìn)行參數(shù)辨識，得到不同影響因素與電力負(fù)荷之間的關(guān)系系數(shù)k1、k2…kn,n≥6,n為整數(shù)；選取k值大的影響因素。

可選地，還包括將對電力負(fù)荷影響因素大的數(shù)據(jù)輸入rbf神經(jīng)網(wǎng)絡(luò)模型，得到當(dāng)日電力負(fù)荷預(yù)測值，繪制當(dāng)日預(yù)測負(fù)荷與實(shí)際負(fù)荷曲線對比圖。

本申請的基于總體測辨和人工神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷預(yù)測模型主要包括數(shù)據(jù)采集、總體測辨法分析與rbf神經(jīng)網(wǎng)絡(luò)電力負(fù)荷預(yù)測三個部分。數(shù)據(jù)采集部分包含了數(shù)據(jù)的收集與歸一化兩方面，主要收集該地區(qū)的電力負(fù)荷、氣溫、降雨量、濕度、風(fēng)力、日期類型等歷史數(shù)據(jù)，并對其進(jìn)行歸一化處理；本發(fā)明中總體測辨法通過總體參數(shù)辨識，能夠一次性地得到電力負(fù)荷與各個影響因素的關(guān)系，參數(shù)辨識可選取的方法有最小二乘法、最小方差、遺傳算法等等。通過將采集的歸一化后的電力負(fù)荷、最高氣溫、最低氣溫、降雨量、風(fēng)力、濕度、日期類型等影響因素的歷史數(shù)據(jù)輸入總體測辨法模塊，進(jìn)行參數(shù)辨識得到不同的影響因素與電力負(fù)荷之間的關(guān)系系數(shù)k1、k2……，選取系數(shù)k值大的影響因素。再根據(jù)總體測辨法最終得到的影響因素，對其歷史數(shù)據(jù)進(jìn)行訓(xùn)練，建立起rbf神經(jīng)網(wǎng)絡(luò)；輸入神經(jīng)網(wǎng)絡(luò)所需的特性指標(biāo)，通過rbf神經(jīng)網(wǎng)絡(luò)即可最終得到當(dāng)日的預(yù)測電力負(fù)荷值；對比圖3和圖4中實(shí)際負(fù)荷與預(yù)測負(fù)荷，可以看出，該預(yù)測方法能夠較為準(zhǔn)確預(yù)測未來一天或多天的短期電力負(fù)荷，構(gòu)建的網(wǎng)絡(luò)可以直接應(yīng)用于電力負(fù)荷預(yù)測中并獲得較精確的預(yù)測結(jié)果。

以上所述僅是本發(fā)明實(shí)施例的具體實(shí)施方式，使本領(lǐng)域技術(shù)人員能夠理解或?qū)崿F(xiàn)本發(fā)明。對這些實(shí)施例的多種修改對本領(lǐng)域的技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。

應(yīng)當(dāng)理解的是，本申請并不局限于上面已經(jīng)描述并在附圖中示出的內(nèi)容，并且可以在不脫離其范圍進(jìn)行各種修改和改變。本申請的范圍僅由所附的權(quán)利要求來限制。