CN107730031A - 一种超短期高峰负荷预测方法及其系统 - Google Patents

Abstract

本发明涉及一种超短期高峰负荷预测方法及其系统，采集气象预测信息；基于建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；基于所述高峰负荷和影响高峰负荷的气象因素。本发明提供的实际算例证明，该方法对高峰预测有效，提高了超短期负荷的预测精度。

Description

一种超短期高峰负荷预测方法及其系统

技术领域

本发明涉及电力系统调度自动化领域的预测方法及系统，具体涉及一种超短期高峰负荷预测方法及其系统。

背景技术

随着经济的增长和人民生活水平的提高，电力负荷呈逐年增加趋势。超短期负荷预测是利用最新负荷信息，对未来5分钟到4小时内的电力负荷进行实时预测。超短期负荷预测能够在线跟踪电力系统负荷变化，是动态电网安全监测和自动发电控制的依据。准确、快速的超短期负荷预测，对保证电网运行的安全性和经济性有着重要的支撑作用。

目前超短期负荷预测的主要方法有外推法、支持向量机、神经网络和数据挖掘等。由于这些预测模型认为在时间较短时天气变化很小，加之气象预报的精度不高，容易造成误差叠加，因此大多不考虑气象因素对负荷的影响。因此以上方法在负荷平稳时段的预测精度比较高，而在高峰、低谷负荷等对气象变化特别敏感的负荷时段内，预测误差较大。

超短期负荷预测的难点仍然在于高峰负荷预测。通过对某省夏季典型负荷进行研究发现，该省在夏季由于多暴风骤雨，天气的突变使城市降温负荷突然降低，导致总负荷降低。按常规的预测方法，不考虑天气突变或者只考虑日特征气象要素，如日最高气温，日最低气温，天气类型等，显然难以满足超短期预测的实用性要求。因此，准确实时的天气预报成为提高负荷预测精度的关键因素。

数值天气预报是一种从时间和空间上都更精细的天气预报，在电力系统中主要用在风功率预测方面。它提供了丰富的气象信息，空间尺度上包含每数十平方公里的气压、温度、湿度、风、云和降水量等多种信息；时间尺度上，预测结果精细到小时或更短时间。数值天气预报为电网超短期负荷预测提供了实时准确的气象数据支持。

由于高峰负荷对气象变化非常敏感，所以高峰负荷预测因其随机性、复杂性一直都是电力系统的难题。

发明内容

为解决上述现有技术中的不足，本发明的目的是提供一种超短期高峰负荷预测方法及其系统，该方法对高峰预测有效，提高了超短期负荷的预测精度。

本发明的目的是采用下述技术方案实现的：

本发明提供一种超短期高峰负荷预测方法，其改进之处在于：

采集气象预测信息；

基于建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；

所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；基于所述高峰负荷和影响高峰负荷的气象因素。

进一步地，所述高峰负荷预测模型包括：

确定高峰负荷指标；

基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性；

基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型。

进一步地，所述确定高峰负荷指标包括：

基于预先取得的数据确定高峰负荷并对高峰负荷进行分析提取高峰负荷指标；

所述高峰负荷指标包括：

1)峰顶、谷底负荷值：

峰顶负荷值P_peak是一天中最大的负荷值；谷底负荷值P_valley是一天中最小负荷值；

2)峰顶时刻：

峰顶时刻是高峰负荷峰值出现的时刻；

3)峰谷差：

所述峰谷差的表达式如下：

P_difference＝P_peak–P_valley (1)

其中，P_difference为峰谷差；

4)高位负荷陡升速率，包括：

系统负荷P_h满足关系:

P_h≥P_peak–P_difference/4 (2)

此时负荷水平处于高位；

t时刻的高位负荷斜率为：

式中：s为高位负荷斜率，d为高位负荷时间间隔，P_t表示t时刻的高位负荷值，P_t表示t-1时刻的高位负荷值；s_t为t时刻的高位负荷斜率；

高位陡升段落的负荷斜率必须达到陡升水平，陡升水平按下式衡量：

s_steep≥0.75s_max (4)

式中：s_max为最陡时段的斜率；

5)负荷高位陡升起始时刻：

表达式如下：

T_steep＝min(T_steep1,T_steep2,…,T_steepn) (5)

其中，s_steep为陡升水平；T_steep1,T_steep2,…,T_steepn分别为：第1个，第2个，...，第n个高位陡升段落起始时刻；T_steep为样本曲线高位陡升起始时刻，满足式(4)的高位陡升段落的负荷增量与时间增量的比值定义为负荷高位陡升速率；

6)高峰持续时间：

高峰持续时间是达到高位负荷水平的负荷构成的时间跨度。

进一步地，所述基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性，包括：

根据所述历史气象信息，确定相关的气象因子；

分析高峰负荷与气象因子的相关性；

基于鲁棒回归模型验证所述影响高峰负荷的各气象因素的相关性。

进一步地，所述气象因子包括：瞬时风速、瞬时温度、瞬时气压、最大气压、最大风向、极大风向、雨量、极大风速、瞬时风向、瞬时湿度、最小湿度、最高温度、最低温度、最小气压、最大风速信息。

进一步地，所述分析高峰负荷与气象因素的相关性包括：基于下式计算各气象因子的相关系数：

式中：R为相关系数；cov(X,Y)为X和Y的协方差；分别为X和Y的均方差；

X为：历史负荷数据；Y为：历史温度数据。

进一步地，所述鲁棒回归模型包括：

构建鲁棒回归模型计算式，如下式：

Y＝Xβ+ε (7)

其中：Y＝(y_i)_m×1为m天某时刻历史负荷数据；X＝(x_ij)_m×n为m天某时刻历史温度数据；β＝(β_j)_n×1是估计的未知参数向量，ε＝(ε_i)_m×1是不可观测的随机误差向量；

基于下式，对鲁棒回归模型中β＝(β_j)_n×1进行参数估计：

其中：D(β)表示的鲁棒回归模型中的目标函数，y_i表示第i天某时刻历史负荷数据，i＝1,…,m，x_ij表示第i天某时刻温度数据，m表示总体天数；

寻找最优估计参数的关键是确定加权函数矩阵；令m阶满秩对角矩阵W＝(w_i)_m×m为加权函数矩阵，通过求解得到最优估计参数求解公式：

其中，r_i＝y_i-x_(i,j)β_j为残差项；X^T为m天某时刻历史温度数据X的转置数据。

进一步地，所述基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型，包括：

基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本；

确定综合数据样本的数据类型向量；

根据训练样本构建高峰负荷预测模型。

进一步地，所述基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本，包括：选取预测日之前k个工作日或节假日的系统负荷样本以及对应的综合数据样本；

所述综合数据样本的综合数据类型向量为：

D_k＝(D_k1D_k2D_k3D_k4D_k5)^T (16)

其中：k表示天数k＝1,2,…,p，p为选择的天数，D_k1为第k日的日最高温度，D_k2为第k日的日最低温度，D_k3为第k日的天气情况，D_k4为第k日的平均湿度，D_k5为第k日的日类型；

根据训练样本构建高峰负荷预测模型，包括：

经过C均值模糊聚类法，从综合数据样本的综合数据类型向量中迭代优化计算求出属于同一类的向量，在此类中把向量所对应日的高峰负荷样本曲线挑选出来，分别记为Y_p1(t),Y_p2(t),…,Y_pm(t)；

根据高峰负荷样本曲线确定高峰负荷预测模型，表达式如下：

M_p＝{Y_p1(t),Y_p2(t),…,Y_pm(t)} (17)

其中：Y_p1(t),Y_p2(t),…,Y_pm(t)分别为第一个、第二个，......，第m个高峰负荷样本曲线；m为高峰负荷样本曲线的个数。

进一步地，基于所述高峰负荷预测模型结合临近气象预测进行超短期负荷预测，包括：

选取输入到高峰负荷预测模型的向量；

计算高峰负荷预测误差，直到满足迭代条件为止；

输出高峰负荷预测结果。

进一步地，所述选取输入到高峰负荷预测模型的向量，包括：

采取时间阈值作为高峰负荷的每个间隔时段，则预测对象是一天的设定点负荷；对于单次训练来说，将m个高峰样本的预测时刻负荷作为神经网络的负荷输入向量；

根据高峰负荷与气象因素之间的相关性分析，选取m个高峰负荷样本的同时刻温度t_k、同时刻降雨量r_k、样本日最高温度t_max、样本日最低温度t_min作为高峰负荷预测模型的气象因素输入量。

进一步地，所述时间阈值选取5分钟；所述设定点负荷选取288点。

进一步地，所述迭代条件用下式表示：

其中：Y(t_i)为高峰负荷预测模型输出值、A(t_i)为理想值，W为使高峰负荷预测模型的输出值与理想值的误差最小的最优值，ε为预测精度阈值；i表示第i天。

进一步地，所述高峰负荷预测结果包括：

负荷预测功率估计值

对预测类别与预测日相符、属于同一模式的n个高峰负荷样本，计算各样本日高位陡升起始时刻向量T_steep(1×n)＝(T_steep1T_steep2…T_steepn)^T，计算平均起始时刻T_Avsteep；

高峰时段[T_AVsteep-T_2H，T_AVsteep+T_2F]，其中T_2H在0.5～1h之间取值，T_2F在2～3h之间取值；

式中：T_steep1,T_steep2,…,T_steepn分别为：第1个，第2个，...，第n个高位陡升段落起始时刻。

本发明还提供一种超短期高峰负荷预测系统，其改进之处在于：所述系统包括：

采集模块，用于采集气象预测信息；

预测模块，用于基于建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；

所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；基于所述高峰负荷和影响高峰负荷的气象因素。

进一步地：所述预测模块，进一步包括：

建立子模块，用于建立高峰负荷预测模型；

所述建立子模块，进一步包括：

第一确定单元，用于确定高峰负荷指标；

第二确定单元，用于基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性；

构建单元，用于基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型。

进一步地，所述第一确定单元，进一步包括：

分析提取子单元，用于基于预先取得的数据确定高峰负荷并对高峰负荷进行分析提取高峰负荷指标。

进一步地，所述第二确定单元，进一步包括：

气象因子确定子单元，用于根据所述历史气象信息，确定相关的气象因子；

分析子单元，用于分析高峰负荷与气象因子的相关性；

验证子单元，用于基于鲁棒回归模型验证所述影响高峰负荷的各气象因素的相关性。

进一步地，所述构建单元，进一步包括：

第一选取子单元，用于基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本；

第三确定子单元，用于确定综合数据样本的数据类型向量；

构建子单元，用于根据训练样本构建高峰负荷预测模型。

进一步地，所述第一选取子单元，还用于：选取预测日之前k个工作日或节假日的系统负荷样本以及对应的综合数据样本；

进一步地，所述预测模块，还包括：

第二选取子模块，用于选取输入到高峰负荷预测模型的向量；

计算子模块，用于计算高峰负荷预测误差，直到满足迭代条件为止；

输出子模块，用于输出高峰负荷预测结果。

进一步地，所述第二选取子模块，还用于：

采取时间阈值作为高峰负荷的每个间隔时段，则预测对象是一天的设定点负荷；对于单次训练来说，将m个高峰样本的预测时刻负荷作为神经网络的负荷输入向量；

根据高峰负荷与气象因素之间的相关性分析，选取m个高峰负荷样本的同时刻温度t_k、同时刻降雨量r_k、样本日最高温度t_max、样本日最低温度t_min作为高峰负荷预测模型的气象因素输入量。

进一步地，所述时间阈值选取5分钟；所述设定点负荷选取288点。

与最接近的现有技术相比，本发明提供的技术方案具有的有益效果是：

(1)根据数值天气预报信息，分析了对气象敏感的高峰期负荷变化规律，并进行了峰谷负荷和气象因子的相关性分析，得出高峰期负荷和温度正相关。对电网系统负荷数据，把负荷高位陡升速率、负荷高位陡升起始时刻作为高峰运行模式特征，反映和处理系统响应能力不适应负荷高位陡升速率的矛盾，这两个指标对改善高峰负荷预测精度起着重要的作用。

(2)在高峰负荷模式建立的基础上，采用L-M神经网络方法，建立基于气象因子的高峰负荷预测方法，并完成预测模型求解算法设计。该方法针对原网络数据处理能力不足和收敛困难的不足，改进了原神经网络的结构和学习算法，用L-M算法代替了原梯度下降法，提高了网络的动态性能，减少了学习时间，收敛速度快，提高了预测精度。

附图说明

图1是本发明提供的2014年某省夏季典型日负荷曲线图；

图2是本发明提供的2014年6月30日高峰负荷曲线图；

图3是本发明提供的夏季高峰负荷与高峰时刻温度关系图；

图4是本发明提供的超短期高峰负荷预测详细流程图；

图5是本发明提供的C-mean模糊聚类分类结果图；

图6是本发明提供的7月2日高峰负荷预测与实际曲线对比图；

图7是本发明提供的7月2日L-M和BP算法预测误差比较图；

图8为本发明提供的超短期高峰负荷预测流程框图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。

实施例一、

本发明提供一种超短期高峰负荷预测方法，其流程框图如图8所示，包括下述步骤：

采集气象预测信息；

基于建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；

所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；基于所述高峰负荷和影响高峰负荷的气象因素。

其中：建立的高峰负荷预测模型，包括：

步骤1：确定高峰负荷指标；

1.1高峰负荷特征分析

随着经济的增长和人民生活水平的提高，电力负荷呈逐年增加趋势，由于夏季降温负荷的存在，夏季负荷值大大高于其它季节。本文重点研究对气象敏感的夏季高峰负荷特性，以某省电网2014年6月至8月的夏季负荷数据为例进行分析，剔除了节假日和双休日数据。附图1是某省电网夏季典型日的负荷曲线，从图中可以看出该省负荷特点是三峰三谷，分别是早高峰(11:15)、下午高峰(17:00)、晚高峰(21:15)、夜晚低谷(4:30)、午间休息低谷(12:45)、傍晚下班低谷(19:00)。

1.2高峰负荷指标

2014年6月30日高峰负荷曲线图如图2所示，本文研究的对象是高峰负荷，低谷负荷模式可以作为高峰(负的低谷负荷)模式来处理。将一天24小时的负荷进行分析，提取峰顶荷值，峰顶时刻，峰谷差，负荷高位陡升速率，负荷高位陡升起始时刻，高峰持续时间等6个特征，形成了高峰负荷特征指标向量。这6个特征的具体含义定义如下：

(1)峰顶、谷底负荷值：

峰顶负荷值是一天中最大的负荷值P_peak；谷底负荷值是一天中最小负荷值P_valley。

(2)峰顶时刻：

峰顶时刻是高峰负荷峰值出现的时刻。

(3)峰谷差：

峰谷差是一天中的最大负荷值与最小负荷值之差。

P_difference＝P_peak–P_valley (1)

(4)高位负荷陡升速率：

此处“高位”标准需要加以明确。一般情况下，以日负荷曲线峰荷值与腰荷值的中间值为界。即系统负荷Ph满足关系:

P_h≥P_peak–P_difference/4 (2)

此时负荷水平处于“高位”。特殊情况下，可以不受上式限制。

定义s为负荷斜率，d为负荷时间间隔，则t时刻的负荷斜率为：

高位陡升段落的负荷斜率必须达到陡升水平，陡升水平按下式衡量：

s_steep≥0.75s_max (4)

式中，s_max为最陡时段的斜率。满足式(4)的高位陡升段落的负荷增量与时间增量的比值定义为负荷高位陡升速率。

(5)负荷高位陡升起始时刻：

根据式(2)确定的第1个高位陡升段落的起始时刻称为高峰负荷曲线总体的高位陡升起始时刻。设一个负荷样本曲线由式(2)、(4)确定出了第1个，第2个，...，第n个高位陡升段落起始时刻分别为T_steep1,T_steep2,…,T_steepn，则这个样本曲线高位陡升起始时刻为：

Tsteep＝min(T_steep1,T_steep2,…,T_steepn) (5)

(6)高峰持续时间：

高峰持续时间是达到高位负荷水平的负荷构成的时间跨度；其中：s_t为t时刻的负荷斜率；s_steep为陡升水平；P_difference为峰谷差；s_max为最陡时段的斜率；T_steep为样本曲线高位陡升起始时刻。

步骤2：分析并验证高峰负荷与气象因素的相关性；

近年来，电网供电最高负荷逐年上升,峰荷对气象变化非常敏感,尤其是对温度、湿度等气象因子的变化。天气的变化导致人体舒适感觉变化引起的用电负荷，这部分高峰负荷的增长对于气候的变化非常敏感,称之为气候敏感高峰负荷。本节进行了高峰负荷与气象因子的相关性分析，找出影响气象敏感高峰负荷的关键因子，并通过鲁棒回归法建立了回归模型进行了验证。

2.1相关性分析

相关性系数是描述向量间线性相关程度的重要指标。相关系数计算公式如下：

式中：R为相关系数；cov(X,Y)为X和Y的协方差；分别为X和Y的均方差。

利用数值气象信息提供的瞬时风速、瞬时温度、瞬时气压、最大气压、最大风向、极大风向、雨量、极大风速、瞬时风向、瞬时湿度、最小湿度、最高温度、最低温度、最小气压、最大风速等信息，以及一个月内该省的三峰三谷负荷，计算三峰三谷负荷和这些气象因子的相关系数，附表1列举了和负荷相关性较大的气象因子。

由附表1可以看出，该省夏季高峰负荷与温度呈正相关，与降雨量呈负相关。其中：

(1)三峰负荷对温度敏感，相关系数都在0.80以上。早高峰(11:15)负荷与时刻温度的相关系数最大(0.855)，晚高峰(21：15)与最高温度的相关系数较大(0.8069)，午高峰(17:00)与最低温度的相关系数较大(0.8623)。

(2)其次午谷(12:45)负荷与温度的相关系数较大(0.8236)；

(3)峰谷负荷对降雨量较敏感，且为负相关，即当降雨量增加时，负荷下降。下午峰(17:00)和下午谷(19:00)对降雨量的相关系数分别达到了-0.537和-0.7106。

2.2鲁棒回归法验证

考虑鲁棒回归模型：

Y＝Xβ+ε (7)

其中Y＝(y_i)_m×1为m天某时刻历史负荷数据；X＝(x_ij)_m×n为m天某时刻历史温度数据；β＝(β_j)_n×1是估计的未知参数向量，ε＝(ε_i)_m×1是不可观测的随机误差向量。

对鲁棒回归模型中β＝(β_j)_n×1进行参数估计，使下面的目标函数最小。

寻找最优估计参数的关键是确定加权函数矩阵。令m阶满秩对角矩阵W＝(w_i)_m×m为加权函数矩阵，通过求解可以得到求解公式：

其中，r_i＝y_i-x_(i,j)β_j为残差项。

用鲁棒回归法建立高峰负荷回归模型，得到11:15时刻的高峰负荷与该时刻温度的回归方程为：

Y＝132.72X+595.238 (10)

散点图如图3所示，高峰负荷和温度关系拟合的很好，具有较显著的线性相关性，高峰负荷随温度的增高而增高。

步骤3：构建L-M神经网络的高峰负荷预测模型并进行负荷预测：

3.1LM神经网络

L-M(Levenberg-Marquardt)神经网络法结合了梯度下降法和Gauss-Newton法的优点，长处是在网络权值数目较小时收敛非常迅速，使学习时间明显缩短，在训练次数及准确度方面明显优于普通的BP算法。

在训练网络的过程中，求网络输出与理想的误差为：

E(t_i)＝Y(t_i)-A(t_i),i＝1,…,m (11)

通过调节权值矩阵W中的值，使网络的输出与理想值的误差最小，也就是使下式满足：

设W表示权值和阈值所组成的向量，向量的维数为l。L-M算法是一种改进的Gauss-Newton法，它的形式为：

ΔW＝(J^TJ+μI)^-1J^TE (13)

其中：

设定预测精度阀值ε，如果满足式(15)则结束迭代。否则，修改各层神经元的权值，直到满足为止。

其中：E(t_i)为网络输出与理想的误差，Y(t_i)为网络输出，即功率，A(t_i)为理想值、W^opt为使网络的输出与理想值的误差最小的最优W值，ΔW为改进的Gauss-Newton法得出来的权值和阈值所组成的向量，W为使高峰负荷预测模型的输出值与理想值的误差最小的最优值，J为雅可比矩阵，J^T为雅可比矩阵的转置，E为E(W^opt)表示网络的输出与理想值的误差最小值，m为模式内高峰负荷样本的个数。

3.2L-M神经网络的高峰负荷预测模型：

3.2.1样本的选取：

本文选取预测日之前8-14个工作日(或节假日)系统负荷样本，为了确保能选择到足够多的样本，选取通过日最高温度、日最低温度、天气情况、降雨量、日类型等作为综合数据样本，建立负荷模式。

设聚类样本天气综合数据类型向量为：

D_k＝(D_k1D_k2D_k3D_k4D_k5)^T (16)

其中k＝1,2,…,p。p为选择的天数，D_k1为第k日的日最高温度，D_k2为第k日的日最低温度，D_k3为第k日的天气情况，D_k4为第k日的平均湿度，D_k5为第k日的日类型。

经过C均值模糊聚类法，迭代优化计算求出属于同一类的向量，在此类中把向量所对应天的高峰负荷样本曲线挑选出来，分别记为Y_p1(t),Y_p2(t),…,Y_pm(t)，并由此形成一个高峰负荷模式，即:

M_p＝{Y_p1(t),Y_p2(t),…,Y_pm(t)} (17)

其中m为模式内高峰负荷样本的个数。

3.2.2输入向量的选取

采取5分钟作为高峰负荷的每个间隔时段，因此预测对象是一天的288点负荷。对于单次训练来说，将m个高峰样本的预测时刻负荷作为神经网络的负荷输入向量。

根据第2.1节高峰负荷和气象因子之间的相关性分析，选取m个高峰负荷样本的同时刻温度t_k、同时刻降雨量r_k、样本日最高温度t_max、样本日最低温度t_min作为神经网络的气象因素输入量。其中k＝1,2,…,m。

3.3超短期高峰负荷预测流程

超短期高峰负荷预测算法流程如图4所示，步骤如下：

步骤1：选择预测日期；

步骤2：根据气象因子，选择综合数据类型D_k，并进行最大最小规范化数据类型得到D′_k；

步骤3：采用C均值模糊聚类，选取与预测日相近的m个高峰负荷曲线M_p＝{Y_p1(t),Y_p2(t),…,Y_pm(t)}作为属于相同高峰负荷模式的样本；

步骤4：按照输入向量的选取的方法，输入神经网络向量。

步骤5：建立多层前馈L-M网络预测模型，计算预测误差，直到满足(15)式为止；

步骤6：输出负荷预测功率估计值

步骤7：对预测类别与预测日相符、属于同一模式的n个高峰负荷样本，计算各样本日高位陡升起始时刻向量T_steep(1×n)＝(T_steep1T_steep2…T_{steep n})^T，然后计算它们的平均起始时刻T_Avsteep；

步骤8：确定高峰时段[T_AVsteep-T_2H，T_AVsteep+T_2F]，其中T_2H可在0.5～1h之间取值，T_2F可在2～3h之间取值。

实施例二、

以某省网2014年夏至期间的气象因子综合数据和高峰负荷样本数据为例，利用L-M神经网络高峰预测算法对2014年7月2日电网高峰负荷进行预测。首先选取与7月2日较近的11个工作日样本进行聚类，综合数据类型样本如表2所示，在表2中类型1表示工作日，天气情况区别系数见表3。用C-mean模糊聚类法，得到结果如图5所示。在这个分成两类的结果图中选出同一类⊕符号所对应天的负荷样本曲线，并形成一个负荷模式M_p{X_p(t),X_p(t),…,X_p(t)}，其中的分量分别依次代表6月17日、6月21日、6月26日、6月27日、6月28日和7月1日的高峰负荷样本曲线。

按照超短期高峰负荷预测流程，预测2014年7月2日的超短期高峰负荷，得到L-M预测结果。L-M预测值和实际值曲线的如图6所示。

将L-M预测结果和BP神经网络的预测结果进行对比，并计算平均相对误差，误差比较如图7所示。从图上可以看出，L-M算法预测高峰持续区间为[19:30，22:25]；平均相对误差为0.61785％；最大相对误差为1.7083％；预测高峰负荷峰值为7667MW，实际高峰负荷峰值为7694.7MW,峰值相对误差为0.3599％；预测的高位陡升起始时刻为19:35。网络学习训练次数为14次。而普通BP方法预测平均相对误差为1.64205％，最大相对误差为3.4409％，峰值相对误差为1.765％，网络学习训练次数为1000次。

表1 2014年夏季三峰三谷负荷与气象因子相关系数表

表2综合数据类型样本

表3天气情况区别系数表

本发明提出的基于L-M神经网络和数值天气预报的超短期高峰负荷预测方法，以高峰起始时间和高位陡升速率等特征向量建立了高峰负荷模式，通过数值天气预报采集的丰富的气象信息，对高峰负荷和气象因子进行了相关性分析并用鲁棒回归法进行了验证，找到影响高峰负荷的关键气象因子。然后通过L-M神经网络法进行了超短期负荷预测建模。基于C均值模糊聚类法选择高峰负荷样本，并选择高峰负荷样本的关键气象因子和负荷向量作为神经网络的输入，进行训练预测。该预测方法和技术方案为本项技术的核心内容。

如图3的夏季高峰负荷与高峰时刻温度关系图、如图4的超短期高峰负荷预测流程图、如图5的C-mean模糊聚类分类结果图、图6的高峰负荷预测与实际曲线对比图和图7的L-M和BP算法预测误差比较图；以及如表1的夏季三峰三谷负荷与气象因子相关系数表、附表2的综合数据类型样本表和附表3的天气情况区别系数表。

实施例三

本发明还提供一种超短期高峰负荷预测系统，其改进之处在于：所述系统包括：

采集模块，用于采集气象预测信息；

预测模块，用于基于建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；

所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；基于所述高峰负荷和影响高峰负荷的气象因素。

所述预测模块，进一步包括：

建立子模块，用于建立高峰负荷预测模型；

所述建立子模块，进一步包括：

第一确定单元，用于确定高峰负荷指标；

第二确定单元，用于基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性；

构建单元，用于基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型。

所述第一确定单元，进一步包括：

第一确定子单元，用于基于预先取得的数据确定高峰负荷并对高峰负荷进行分析提取高峰负荷指标。

所述第二确定单元，进一步包括：

第二确定子单元，用于根据所述历史气象信息，确定相关的气象因子；

分析子单元，用于分析高峰负荷与气象因子的相关性；

验证子单元，用于基于鲁棒回归模型验证所述影响高峰负荷的各气象因素的相关性。

所述构建单元，进一步包括：

第一选取子单元，用于基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本；

第三确定子单元，用于确定综合数据样本的数据类型向量；

构建子单元，用于根据训练样本构建高峰负荷预测模型。

所述第一选取子单元，还用于：选取预测日之前k个工作日或节假日的系统负荷样本以及对应的综合数据样本；

所述预测模块，还包括：

第二选取单元，用于选取输入到高峰负荷预测模型的向量；

计算单元，用于计算高峰负荷预测误差，直到满足迭代条件为止；

输出单元，用于输出高峰负荷预测结果。

进一步地，所述第二选取单元，还用于：

采取时间阈值作为高峰负荷的每个间隔时段，则预测对象是一天的设定点负荷；对于单次训练来说，将m个高峰样本的预测时刻负荷作为神经网络的负荷输入向量；

根据高峰负荷与气象因素之间的相关性分析，选取m个高峰负荷样本的同时刻温度t_k、同时刻降雨量r_k、样本日最高温度t_max、样本日最低温度t_min作为高峰负荷预测模型的气象因素输入量。所述时间阈值选取5分钟；所述设定点负荷选取288点。

本发明提出一种超短期高峰负荷预测方法及其系统，以高峰起始时间和高位陡升速率等特征向量建立了高峰负荷模式，通过数值天气预报采集的丰富的气象信息，对高峰负荷和气象因子进行了相关性分析并用鲁棒回归法进行了验证，找到影响高峰负荷的关键气象因子。然后通过L-M神经网络法进行了超短期负荷预测建模。基于C均值模糊聚类法选择高峰负荷样本，并选择高峰负荷样本的关键气象因子和负荷向量作为神经网络的输入，进行训练预测。实际算例证明，该技术对高峰预测有效，提高了超短期负荷的预测精度。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (23)

1.一种超短期高峰负荷预测方法，其特征在于：

采集气象预测信息；

基于预先建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；

所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；基于所述高峰负荷和影响高峰负荷的气象因素。

2.如权利要求1所述的超短期高峰负荷预测方法，其特征在于，所述预先建立的高峰负荷预测模型包括：

确定高峰负荷指标；

基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性；

基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型。

3.如权利要求2所述的超短期高峰负荷预测方法，其特征在于，所述确定高峰负荷指标包括：

基于预先取得的数据确定高峰负荷并对高峰负荷进行分析提取高峰负荷指标；

所述高峰负荷指标包括：

1)峰顶、谷底负荷值：

峰顶负荷值P_peak是一天中最大的负荷值；谷底负荷值P_valley是一天中最小负荷值；

2)峰顶时刻：

峰顶时刻是高峰负荷峰值出现的时刻；

3)峰谷差：

所述峰谷差的表达式如下：

P_difference＝P_peak–P_valley (1)

其中，P_difference为峰谷差；

4)高位负荷陡升速率，包括：

系统负荷P_h满足关系:

P_h≥P_peak–P_difference/4 (2)

此时负荷水平处于高位；

t时刻的高位负荷斜率为：

式中：s为高位负荷斜率，d为高位负荷时间间隔，P_t表示t时刻的高位负荷值，P_t表示t-1时刻的高位负荷值；s_t为t时刻的高位负荷斜率；

高位陡升段落的负荷斜率必须达到陡升水平，陡升水平按下式衡量：

s_steep≥0.75s_max (4)

式中：s_max为最陡时段的斜率；

5)负荷高位陡升起始时刻：

表达式如下：

T_steep＝min(T_steep1,T_steep2,…,T_steepn) (5)

其中，s_steep为陡升水平；T_steep1,T_steep2,…,T_steepn分别为：第1个，第2个，...，第n个高位陡升段落起始时刻；T_steep为样本曲线高位陡升起始时刻，满足式(4)的高位陡升段落的负荷增量与时间增量的比值定义为负荷高位陡升速率；

6)高峰持续时间：

高峰持续时间是达到高位负荷水平的负荷构成的时间跨度。

4.如权利要求2所述的超短期高峰负荷预测方法，其特征在于，所述基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性，包括：

根据所述历史气象信息，确定相关的气象因子；

分析高峰负荷与气象因子的相关性；

基于鲁棒回归模型验证所述影响高峰负荷的各气象因素的相关性。

5.如权利要求4所述的超短期高峰负荷预测方法，其特征在于，所述气象因子包括：瞬时风速、瞬时温度、瞬时气压、最大气压、最大风向、极大风向、雨量、极大风速、瞬时风向、瞬时湿度、最小湿度、最高温度、最低温度、最小气压、最大风速信息。

6.如权利要求5所述的超短期高峰负荷预测方法，其特征在于，所述分析高峰负荷与气象因素的相关性包括：基于下式计算各气象因子的相关系数：

式中：R为相关系数；cov(X,Y)为X和Y的协方差；分别为X和Y的均方差；X为历史负荷数据；Y为：历史温度数据。

7.如权利要求4所述的超短期高峰负荷预测方法，其特征在于，所述鲁棒回归模型包括：构建鲁棒回归模型计算式，如下式：

Y＝Xβ+ε (7)

其中：Y＝(y_i)_m×1为m天某时刻历史负荷数据；X＝(x_ij)_m×n为m天某时刻历史温度数据；β＝(β_j)_n×1是估计的未知参数向量，ε＝(ε_i)_m×1是不可观测的随机误差向量；

基于下式，对鲁棒回归模型中β＝(β_j)_n×1进行参数估计：

其中：D(β)表示的鲁棒回归模型中的目标函数，y_i表示第i天某时刻历史负荷数据，i＝1,…,m，x_ij表示第i天某时刻温度数据，m表示总体天数；

寻找最优估计参数的关键是确定加权函数矩阵；令m阶满秩对角矩阵W＝(w_i)_m×m为加权函数矩阵，通过求解得到最优估计参数求解公式：

其中，r_i＝y_i-x_(i,j)β_j为残差项；X^T为m天某时刻历史温度数据X的转置数据。

8.如权利要求2所述的超短期高峰负荷预测方法，其特征在于，所述基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型，包括：

基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本；

确定综合数据样本的数据类型向量；

根据训练样本构建高峰负荷预测模型。

9.如权利要求8所述的超短期高峰负荷预测方法，其特征在于，所述基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本，包括：选取预测日之前k个工作日或节假日的系统负荷样本以及对应的综合数据样本；

所述综合数据样本的综合数据类型向量为：

D_k＝(D_k1 D_k2 D_k3 D_k4 D_k5)^T (16)

其中：k表示天数k＝1,2,…,p，p为选择的天数，D_k1为第k日的日最高温度，D_k2为第k日的日最低温度，D_k3为第k日的天气情况，D_k4为第k日的平均湿度，D_k5为第k日的日类型；

根据训练样本构建高峰负荷预测模型，包括：

经过C均值模糊聚类法，从综合数据样本的综合数据类型向量中迭代优化计算求出属于同一类的向量，在此类中把向量所对应日的高峰负荷样本曲线挑选出来，分别记为Y_p1(t), Y_p2(t),…,Y_pm(t)；

根据高峰负荷样本曲线确定高峰负荷预测模型，表达式如下：

M_p＝{Y_p1(t),Y_p2(t),…,Y_pm(t)} (17)

其中：Y_p1(t),Y_p2(t),…,Y_pm(t)分别为第一个、第二个，......，第m个高峰负荷样本曲线；m为高峰负荷样本曲线的个数。

10.如权利要求1所述的超短期高峰负荷预测方法，其特征在于，基于所述高峰负荷预测模型结合临近气象预测进行超短期负荷预测，包括：

选取输入到高峰负荷预测模型的向量；

计算高峰负荷预测误差，直到满足迭代条件为止；

输出高峰负荷预测结果。

11.如权利要求10所述的超短期高峰负荷预测方法，其特征在于，所述选取输入到高峰负荷预测模型的向量，包括：

采取时间阈值作为高峰负荷的每个间隔时段，则预测对象是一天的设定点负荷；对于单次训练来说，将m个高峰样本的预测时刻负荷作为神经网络的负荷输入向量；

根据高峰负荷与气象因素之间的相关性分析，选取m个高峰负荷样本的同时刻温度t_k、同时刻降雨量r_k、样本日最高温度t_max、样本日最低温度t_min作为高峰负荷预测模型的气象因素输入量。

12.如权利要求11所述的超短期高峰负荷预测方法，其特征在于，所述时间阈值选取5分钟；所述设定点负荷选取288点。

13.如权利要求10所述的超短期高峰负荷预测方法，其特征在于，所述迭代条件用下式表示：

其中：Y(t_i)为高峰负荷预测模型输出值，A(t_i)为理想值，W为使高峰负荷预测模型的输出值与理想值的误差最小的最优值，ε为预测精度阈值；i表示第i天。

14.如权利要求10所述的超短期高峰负荷预测方法，其特征在于，所述高峰负荷预测结果包括：

负荷预测功率估计值

对预测类别与预测日相符、属于同一模式的n个高峰负荷样本，计算各样本日高位陡升起始时刻向量T_steep(1×n)＝(T_steep1T_steep2…T_steepn)^T，计算平均起始时刻T_Avsteep；

高峰时段[T_AVsteep-T_2H，T_AVsteep+T_2F]，其中T_2H在0.5～1h之间取值，T_2F在2～3h之间取值；

式中：T_steep1,T_steep2,…,T_steepn分别为：第1个，第2个，...，第n个高位陡升段落起始时刻。

15.一种超短期高峰负荷预测系统，其特征在于：所述系统包括：

采集模块，用于采集气象预测信息；

预测模块，用于基于建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；

所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；基于所述高峰负荷和影响高峰负荷的气象因素。

16.如权利要求15所述的超短期高峰负荷预测系统，其特征在于：所述预测模块，进一步包括：

建立子模块，用于建立高峰负荷预测模型；

所述建立子模块，进一步包括：

第一确定单元，用于确定高峰负荷指标；

第二确定单元，用于基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性；

构建单元，用于基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型。

17.如权利要求16所述的超短期高峰负荷预测系统，其特征在于，所述第一确定单元，进一步包括：

分析提取子单元，用于基于预先取得的数据确定高峰负荷并对高峰负荷进行分析提取高峰负荷指标。

18.如权利要求16所述的超短期高峰负荷预测系统，其特征在于，所述第二确定单元，进一步包括：

气象因子确定子单元，用于根据所述历史气象信息，确定相关的气象因子；

分析子单元，用于分析高峰负荷与气象因子的相关性；

验证子单元，用于基于鲁棒回归模型验证所述影响高峰负荷的各气象因素的相关性。

19.如权利要求16所述的超短期高峰负荷预测系统，其特征在于，所述构建单元，进一步包括：

第一选取子单元，用于基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本；

第三确定子单元，用于确定综合数据样本的数据类型向量；

构建子单元，用于根据训练样本构建高峰负荷预测模型。

20.如权利要求19所述的超短期高峰负荷预测系统，其特征在于，所述第一选取子单元，还用于：选取预测日之前k个工作日或节假日的系统负荷样本以及对应的综合数据样本。

21.如权利要求15所述的超短期高峰负荷预测系统，其特征在于，所述预测模块，还包括：

第二选取子模块，用于选取输入到高峰负荷预测模型的向量；

计算子模块，用于计算高峰负荷预测误差，直到满足迭代条件为止；

输出子模块，用于输出高峰负荷预测结果。

22.如权利要求21所述的超短期高峰负荷预测系统，其特征在于，所述第二选取子模块，还用于：

采取时间阈值作为高峰负荷的每个间隔时段，则预测对象是一天的设定点负荷；对于单次训练来说，将m个高峰样本的预测时刻负荷作为神经网络的负荷输入向量；

根据高峰负荷与气象因素之间的相关性分析，选取m个高峰负荷样本的同时刻温度t_k、同时刻降雨量r_k、样本日最高温度t_max、样本日最低温度t_min作为高峰负荷预测模型的气象因素输入量。

23.如权利要求22所述的超短期高峰负荷预测系统，其特征在于，所述时间阈值选取5分钟；所述设定点负荷选取288点。