本發(fā)明屬于電力系統(tǒng)的負荷預測領域，尤其涉及一種基于時域及環(huán)境特征的自學習短期負荷預測算法。

背景技術：

隨著國家經濟的快速發(fā)展，社會對電力的需求越來越大，伴隨著這種電力需求，必須不斷擴大電力系統(tǒng)的規(guī)模。但是電力行業(yè)的發(fā)展，需要巨大的投資和一次能源，并且對國民經濟其它部門有巨大的影響，故合理的電力系統(tǒng)規(guī)劃不僅可以獲得巨大的經濟效益，也能獲得巨大的社會效益，實現(xiàn)這一目標的第一步就是做好負荷預測。

目前，電力負荷預測領域的研究工作主要從時間序列法、回歸分析法等經典預測方法進行，發(fā)展到運用專家控制法、小波分析法等現(xiàn)代預測方法，并取得了矚目的研究成果。但是在氣象等因素對預測結果的影響方面的研究方面還有待完善，比如在夏季溫度、濕度等因素對電力負荷有著很大的影響，不充分考慮這些因素，將影響負荷預測結果的準確性。

為避免負荷預測結果出現(xiàn)較大誤差的事件，尤其是夏季、冬季等天氣極端的用電高峰季節(jié)，必須充分考慮溫度、濕度等氣象因素，建立完善的負荷預測算法，這對于電力合理系統(tǒng)規(guī)劃、保障電力系統(tǒng)安全穩(wěn)定運行等具有重要意義。

為了解決上述技術問題，人們進行了長期的探索，例如中國專利公開了一種基于全過程技術提升的短期電力需求分析方法[申請?zhí)枺?01610100143.9]，它對短期電力需求預測前、中、后的全過程技術進行整合和提升，所述的預測前技術包括數(shù)據預處理和數(shù)據分析，數(shù)據預處理包括不良數(shù)據智能辨識與修正、節(jié)假日影響的去除、負荷自然增長影響的去除和充分考慮近日歷史數(shù)據的累積效應，數(shù)據分析包括日、周、月、季、年負荷分析、穩(wěn)定性分析和建立典型曲線庫；所述的預測中技術包括氣象影響效應分析和負荷預測模型集合，所述的預測后技術包括預測評估機制。

上述方案有助于完善短期電力需求預測技術和提高短期負荷預測精度，但是該方案僅僅提到人體在大氣環(huán)境中舒適與否的公式和地區(qū)差異與天氣因素來預測，并沒有自學習進行回歸適應的過程，而且存在對異常數(shù)據處理過于籠統(tǒng)，精確度不夠高等缺點。

技術實現(xiàn)要素：

本發(fā)明的目的是針對上述問題，提供一種能夠對溫濕度影響因子自學習回歸的基于時域及環(huán)境特征的自學習短期負荷預測算法；

為達到上述目的，本發(fā)明采用了下列技術方案：本發(fā)明的基于時域及環(huán)境特征的自學習短期負荷預測算法包括以下步驟：

s1：選取歷史負荷數(shù)據，并通過溫濕度影響因子算法得到溫濕度影響因子；

s2：利用步驟s1中所得的溫濕度影響因子，對所述的歷史負荷數(shù)據的溫濕度影響進行還原；

s3：運用灰度理論預測模型對已去除溫濕度影響的歷史負荷數(shù)據進行預測，并對預測結果進行溫濕度影響疊加；

s4：通過負荷結果的預測值與實際值進行比較，進行溫濕度影響因子的回歸適應。

通過上述技術方案，對溫度、濕度氣象因素對負荷預測結果的準確性可能存在的影響進行充分考慮，并且通過系統(tǒng)的自學習過程不斷將溫濕度影響影子進行回歸適應，使預測結果不斷接近實際值，使算法在使用的過程中預測的結果不斷趨于準確值。

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，在步驟s1中，根據時間特征對歷史數(shù)據進行判定和選取，且所述的時間特征根據節(jié)假日進行分組：

a.周一、特殊節(jié)假日后一天；

b.周二、周三、周四；

c.周五、特殊節(jié)假日前一天；

d.周六、周日、特殊節(jié)假日。

通過上述技術方案，按照人們的生活習慣將時間特征分為5個部分，充分考慮人們在不同的時間特征下溫度和濕度對負荷預測不同的影響程度。

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，在步驟s1中，所述的溫濕度影響因子算法為公式①，即

f＝t(t)*α+h(h)*(1-α)(α為常量,0<α<1)①

其中，

t(t)為量化后的溫度數(shù)據，其量化方法為公式②，即

其中，x,y為溫度影響參變量，初始取值為x＝0.015,y＝0.025；

h(h)為量化后的濕度數(shù)據，其量化方法為公式③，即

其中，s,t為濕度影響參變量，初始取值為s＝0.15，t＝0.0075。

通過上述技術方案，將影響因子根據溫濕度分為多個區(qū)間，提高基于影響因子預測負荷的準確度。

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，在步驟s2中，通過還原算法對歷史負荷數(shù)據的溫濕度影響進行還原，所述的還原算法為公式④，即

s′＝{s(1)/1+f,s(2)/1+f,...s(n)/1+f}④

其中，s＝{s(1),s(2),…s(n)}(n＝96)：歷史中某天實際負荷；

f：溫濕度影響因子，其參變量t、h分別取歷史負荷數(shù)據日的平均溫度與濕度。

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，在步驟s3之前先對異常數(shù)據進行判斷和處理，且異常數(shù)據包括缺數(shù)數(shù)據和毛刺數(shù)據。

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，所述的缺數(shù)數(shù)據處理方法包括：

s3-1：設某天的負荷為公式⑤，即

s＝{s(1),s(2),…s(n)}(n＝96)⑤

s3-2：通過缺數(shù)處理算法對某點數(shù)據缺失進行處理，所述的缺數(shù)處理算法為公式⑥

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，所述的毛刺數(shù)據通過毛刺數(shù)據判定算法進行判定，所述的毛刺數(shù)據判定算法為公式⑦，即

其中，當兩點間的負荷值滿足公式⑦方程式中的一個時，則判定其存在負荷突變，為毛刺數(shù)據。

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，所述的毛刺數(shù)據處理方法包括：

對于首端負荷數(shù)據，用右鄰的級比生成進行修正；對于末端負荷數(shù)據，用左鄰的級比生成修正；對于中間段負荷數(shù)據，取其前后負荷的加權平均。

通過上述技術方案，將異常數(shù)據劃分為毛刺數(shù)據和缺數(shù)數(shù)據，針對異常原因采取不同的修正手法，具有更強的針對性，修復后的還原性更高。

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，在步驟s3中，通過疊加算法對負荷預測結果的計算值進行溫濕度影響疊加處理，所述的疊加算法為公式⑧，即

g'＝{g(1)*(1+f)，g(2)*(1+f)，...g(n)*(1+f)}⑧

其中，g＝(g(1),g(2),...g(n))(n＝96)：預測日負荷；

f：溫濕度影響因子，其參變量t、h分別取負荷預測日的平均預報溫度與濕度。

在上述的基于時域及環(huán)境特征的自學習短期負荷預測算法中，在步驟s4中，進行回歸適應的方法包括：

根據日負荷預測曲線：g＝(g(1),g(2),...g(n))(n＝96)，和日負荷實際曲線：s＝{s(1),s(2),...s(n)}(n＝96)，通過公式⑨對實際值與預測值逐點求相對誤差：

δ＝{δ(1),δ(2),...δ(n)}(n＝96)⑨

其中，δ(i)＝(g(i)-s(i))/s(i)(i＝1,2...n)；

當δ(n)>10％,m＝m+1；

當δ(n)<10％,n＝n+1.(m,n初始值為0)；

當日的預測偏差為m-n；若m-n>8,m＝m+1,

若m-n<-8,n＝n+1(m,n初始值為0)；

當m≥5時，對x,y,s,t反向調節(jié)；

當n≥5時，對x,y,s,t正向調節(jié)，調節(jié)的粒度為0.0005。

本發(fā)明的優(yōu)點在于：1、對異常數(shù)據分類處理，更具有針對性，處理結果更接近正常數(shù)據；2、將溫濕度影響分區(qū)間考慮，使各個區(qū)間內的影響更具有針對性；3、通過實際值與預測值的比較不斷更新影響因子，以不斷提高預測準確度。

附圖說明

圖1是本發(fā)明的流程圖。

具體實施方式

以下是本發(fā)明的優(yōu)選實施例并結合附圖，對本發(fā)明的技術方案作進一步的描述，但本發(fā)明并不限于這些實施例。

如圖1，本實施例的商標圖形識別并互動的方法包括以下步驟：

本發(fā)明的基于時域及環(huán)境特征的自學習短期負荷預測算法包括以下步驟：

s1：選取歷史負荷數(shù)據，并通過溫濕度影響因子算法得到溫濕度影響因子；

進一步地，在步驟s1中，根據時間特征對歷史數(shù)據進行判定和選取，且所述的時間特征根據節(jié)假日進行分組：a.周一、b.周二～周四、c.周五、d.周六、周日，特殊節(jié)假日按照d處理，特殊節(jié)假日的前一天按c處理，特殊節(jié)假日的后一天按a處理，對調休的周六周日按b處理，處理后的分組如下：

a.周一、特殊節(jié)假日后一天；

b.周二、周三、周四；

c.周五、特殊節(jié)假日前一天；

d.周六、周日、特殊節(jié)假日。

通過上述技術方案，按照人們的生活習慣將時間特征分為5個部分，充分考慮在不同的時間特征下溫度和濕度對負荷預測不同的影響程度。

為了提高基于影響因子預測負荷的準確度，根據所規(guī)定的影響因子將溫濕度分為幾個區(qū)間，在區(qū)間內，溫濕度的影響是線性的。

在步驟s1中，溫濕度影響因子算法為公式①，即

f＝t(t)*α+h(h)*(1-α)(α為常量,0<α<1，推薦取0.85)①

其中，

t(t)為量化后的溫度數(shù)據，其量化方法為公式②，即

其中，x,y為溫度影響參變量，初始取值為x＝0.015,y＝0.025，其中的t代表溫度值

h(h)為量化后的濕度數(shù)據，其量化方法為公式③，即

其中，s,t為濕度影響參變量，初始取值為s＝0.15，t＝0.0075，其中的h代表濕度值。

s2：利用步驟s1中所得的溫濕度影響因子，對所述的歷史負荷數(shù)據的溫濕度影響進行還原；

在步驟s2中，根據所述影響因子的計算值通過還原算法對歷史負荷數(shù)據的溫濕度影響還原，采用還原算法計算歷史中某天去除溫濕度影響的負荷，具體地，溫濕度影響還原的還原算法為公式④：s′＝{s(1)/1+f,s(2)/1+f,...s(n)/1+f}④

其中，s＝{s(1),s(2),…s(n)}(n＝96)：歷史中某天實際負荷；

f：溫濕度影響因子，其參變量t、h分別取歷史負荷數(shù)據日的平均溫度與濕度，該歷史負荷數(shù)據日即對應著歷史中實際負荷的某天，例如s＝{s(1),s(2),...s(n)}(n＝96)代表的是歷史中2017年3月1日這一天的實際負荷，t、h就取這一天的平均溫度和濕度。

s3：運用灰度理論預測模型對已去除溫濕度影響的歷史負荷數(shù)據進行預測，并對預測結果進行溫濕度影響疊加；

為了解決異常數(shù)據的影響，在步驟s3之前先對異常數(shù)據進行判斷和處理，且異常數(shù)據包括缺數(shù)數(shù)據和毛刺數(shù)據。

缺數(shù)數(shù)據處理方法包括：

s3-1：設某天的負荷為公式⑤，即

s＝{s(1),s(2),...s(n)}(n＝96)⑤

s3-2：通過缺數(shù)處理算法對某點數(shù)據缺失進行處理，缺數(shù)處理算法為公式⑥

進一步地，毛刺數(shù)據通過毛刺數(shù)據判定算法進行判定，所述的毛刺數(shù)據判定算法為公式⑦，即

其中，當兩點間的負荷值滿足公式⑦方程式中的一個時，則判定其存在負荷突變，為毛刺數(shù)據。

進一步地，毛刺數(shù)據處理方法包括：

對于首端負荷數(shù)據，用右鄰的級比生成進行修正；對于末端負荷數(shù)據，用左鄰的級比生成修正；對于中間段負荷數(shù)據，取其前后負荷的加權平均。

通過上述技術方案，將異常數(shù)據劃分為毛刺數(shù)據和缺數(shù)數(shù)據，針對異常原因采取不同的修正手法，具有更強的針對性，修復后的還原性更高。

具體地，灰度理論預測模型的建模原理過程如下：

設原始序列為:

x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2)...x⁽⁰⁾(n)}

一次累加后：

x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2)...x⁽¹⁾(n)}

其中:

建立微分方程：

dx⁽¹⁾(t)/dt+ax⁽¹⁾(t)＝μ

利用最小二乘法求解參數(shù)a、μ:

其中:

求出模型的時間響應方程:

對上式進行累減還原，得原始數(shù)列x^(o)的灰色預測模型為：

對s′通過gm(1，1)模型得到預測值：

g＝(g(1),g(2),...g(n))(n＝96)

且在步驟s3中，通過疊加算法對負荷預測結果的計算值進行溫濕度影響疊加處理，疊加算法為公式⑧，即

g'＝{g(1)*(1+f)，g(2)*(1+f)，...g(n)*(1+f)}⑧

其中，g＝(g(1),g(2),...g(n))(n＝96)：通過灰度理論預測模型得到的預測日負荷；

f：溫濕度影響因子，其參變量t、h分別取負荷預測日的平均預報溫度與濕度。

s4：通過負荷結果的預測值與實際值進行比較，進行溫濕度影響因子的回歸適應。溫濕度影響因子的初始取值來自于經驗與歷史值的結合，但隨著經濟、氣候的變化，溫濕度對能耗的影響程度也會發(fā)生變化，因此主張通過預測值與實際值的比對，對所述參變量x,y,s,t的調整，實現(xiàn)溫濕度影響因子f的回歸適應。

其中回歸比較可以每月一次，隨機取連續(xù)7天的預測值與實際值，進行回歸適應的方法具體包括：

根據日負荷預測曲線：g＝(g(1),g(2),...g(n))(n＝96)，和日負荷實際曲線：s＝{s(1),s(2),...s(n)}(n＝96)，通過公式⑨對實際值與預測值逐點求相對誤差：

δ＝{δ(1),δ(2),...δ(n)}(n＝96)⑨

其中，δ(i)＝(g(i)-s(i))/s(i)(i＝1,2...n)；

當δ(n)>10％,m＝m+1；

當δ(n)<10％,n＝n+1.(m,n初始值為0)；

當日的預測偏差為m-n；若m-n>8,m＝m+1,

若m-n<-8,n＝n+1(m,n初始值為0)；

當m≥5時，對x,y,s,t反向調節(jié)；

當n≥5時，對x,y,s,t正向調節(jié)，調節(jié)的粒度為0.0005。

本實施例對溫度、濕度氣象因素對負荷預測結果的準確性可能存在的影響進行充分考慮，并且通過系統(tǒng)的自學習過程不斷將溫濕度影響影子進行回歸適應，使預測結果不斷接近實際值，使算法在使用的過程中預測的結果不斷趨于準確值。

本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代，但并不會偏離本發(fā)明的精神或者超越所附權利要求書所定義的范圍。

盡管本文較多地使用了溫濕度影響因子、缺數(shù)數(shù)據和毛刺數(shù)據等術語，但并不排除使用其它術語的可能性。使用這些術語僅僅是為了更方便地描述和解釋本發(fā)明的本質；把它們解釋成任何一種附加的限制都是與本發(fā)明精神相違背的。