電力負(fù)荷預(yù)測技術(shù)-用于電力系統(tǒng)短期負(fù)荷的預(yù)測方法

[全]電力負(fù)荷預(yù)測技術(shù)?用于電力系統(tǒng)短期負(fù)荷的預(yù)測方法

隨著電力市場的發(fā)展以及用戶需求的逐步提升，電網(wǎng)的安全及經(jīng)

濟(jì)運(yùn)行變得至關(guān)重要。對(duì)電力負(fù)荷進(jìn)行準(zhǔn)確的短期預(yù)測，可以有

效保障電網(wǎng)安全運(yùn)行，降低發(fā)電成本，滿足用戶需求，提高社會(huì)

經(jīng)濟(jì)效益。由于電力能源的生產(chǎn)、輸送、分配和供應(yīng)消費(fèi)幾乎同

時(shí)完成，電能作為一種較為特殊的能源，難以大量存儲(chǔ)，這就使

得電力系統(tǒng)發(fā)電出力應(yīng)該與系統(tǒng)負(fù)荷的變化隨時(shí)保持一致，達(dá)到

動(dòng)態(tài)平衡，滿足供需關(guān)系，否則輕則影響供電質(zhì)量，重則危機(jī)整

個(gè)電力系統(tǒng)的安全與穩(wěn)定。由于電力系統(tǒng)負(fù)荷具有明顯的周期特

性（天，周，月，年），同時(shí)影響的因素復(fù)雜（天氣、經(jīng)濟(jì)、節(jié)假日、

觀測誤差等等），電力系統(tǒng)負(fù)荷呈現(xiàn)出較強(qiáng)的隨機(jī)性和非周期成

分，為短期預(yù)測帶來較大難度。

文獻(xiàn)

"ZhengJzXuC,ZhangZ,etal.Electricloadforecasting

insmartgridsusingLong-Short-Term-Memorybased

RecurrentNeuralNetwork[C]//InformationSciencesand

Systems.IEEE,2017.〃使用LSTM對(duì)電力負(fù)荷進(jìn)行了短期預(yù)測,

并將LSTM與其他常見算法進(jìn)行了對(duì)比，結(jié)果表明LSTM的預(yù)

測誤差要優(yōu)于其他算法。同時(shí)，文中指出季節(jié)性差分自回歸滑動(dòng)

平均模型（SARIMA）對(duì)于非平穩(wěn)非季節(jié)性的電力負(fù)荷系統(tǒng)預(yù)測難

以發(fā)揮作用。

但是，其文中給出結(jié)果并沒有對(duì)負(fù)荷的高頻局部特征進(jìn)行準(zhǔn)確的

預(yù)測，預(yù)測曲線僅擬合了負(fù)荷的基本變化趨勢。在負(fù)荷隨機(jī)波動(dòng)

情況較大的時(shí)候方法具有局限性。

在實(shí)際應(yīng)用中，負(fù)荷數(shù)據(jù)往往包含較多的噪音干擾，大大降低了

負(fù)荷預(yù)測精度，另一方面，由于通信延遲等多方面原因，數(shù)據(jù)存

在大量空缺，且空缺位置與長度通常無規(guī)律可循，空缺長度過長

使得傳統(tǒng)的插值法難以合理的填充空缺,而簡單直接的填充固定

值或歷史值，很可能破壞時(shí)間序列的周期性、規(guī)律性。因此,在

有限長度的電力負(fù)荷數(shù)據(jù)中，如何充分挖掘數(shù)據(jù)包含的信息，是

預(yù)測模型建立的關(guān)鍵。傳統(tǒng)數(shù)學(xué)模型為充分挖掘數(shù)據(jù)信息、提高

預(yù)測精度，常使用增加數(shù)據(jù)維度或?qū)?shù)據(jù)進(jìn)行細(xì)分的方法，在一

定條件下能夠?qū)崿F(xiàn)快速準(zhǔn)確的預(yù)測，但是當(dāng)數(shù)據(jù)維度較低、數(shù)據(jù)

量較小的時(shí)候，對(duì)于復(fù)雜多變的電力負(fù)荷，由于其隨機(jī)性和非周

期性的影響，傳統(tǒng)數(shù)學(xué)模型難以獲得有效預(yù)測精度。而基于人工

智能的算法雖然能夠相比之下取得更高的預(yù)測精度，但往往存在

超參數(shù)難以確立，資源耗費(fèi)較多，計(jì)算速度相對(duì)較慢的缺點(diǎn)，且

對(duì)于低維度時(shí)間序列數(shù)據(jù)，由于其各局部特征之間相互影響，使

得模型難以從數(shù)據(jù)中清晰的找出規(guī)律建立規(guī)則。

問題拆分

以負(fù)荷數(shù)據(jù)的有功功率為數(shù)據(jù)基礎(chǔ)，通過將數(shù)據(jù)分解頻率由高到

低的各個(gè)穩(wěn)定頻率分量，再分別使用多元線性回歸與LSTM神經(jīng)

網(wǎng)絡(luò)對(duì)其低頻分量與中高頻分量進(jìn)行預(yù)測，最后疊加所預(yù)測的結(jié)

果，從而得到完整的預(yù)測結(jié)果；這樣解決了傳統(tǒng)負(fù)荷預(yù)測方法對(duì)

于高頻局部特征難以進(jìn)行有效預(yù)測的缺點(diǎn)，同時(shí)也能夠準(zhǔn)確預(yù)測

出負(fù)荷的變化趨勢，提高了復(fù)雜情況下的預(yù)測有效性。

問題解決

目的在于克服現(xiàn)有技術(shù)的不足，提供一種用于電力系統(tǒng)短期負(fù)荷

的預(yù)測方法，通過將電力負(fù)荷數(shù)據(jù)進(jìn)行分解，使得局部特征與變

化趨勢分離，最后將預(yù)測結(jié)果進(jìn)行疊加，得到精確的預(yù)測結(jié)果。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明一種用于電力系統(tǒng)短期負(fù)荷的預(yù)測

方法，其特征在于，包括以下步驟：

(1)、從智能電表端提取用戶側(cè)負(fù)荷數(shù)據(jù)

(1.1)、從各個(gè)智能電表端采集每個(gè)用戶的用電負(fù)荷數(shù)據(jù)；

(1.2)、將每個(gè)用戶的用電負(fù)荷數(shù)據(jù)進(jìn)行疊加，得到接近于發(fā)電側(cè)

的區(qū)域負(fù)荷數(shù)據(jù)；

(1.3)、對(duì)區(qū)域負(fù)荷數(shù)據(jù)進(jìn)行層次聚類，得到N類負(fù)荷數(shù)據(jù)，再

以層次聚類得到的類別數(shù)N為基準(zhǔn)，進(jìn)行K均值聚類，得到代

表用戶側(cè)負(fù)荷的N類用電負(fù)荷數(shù)據(jù)；

(2)、利用集合經(jīng)驗(yàn)?zāi)B(tài)分解算法EEMD對(duì)每一類用電負(fù)荷數(shù)據(jù)

進(jìn)行分解；

(2.1)、從N類用電負(fù)荷數(shù)據(jù)中隨機(jī)抽取一類用電負(fù)荷數(shù)據(jù)作為

測試數(shù)據(jù)，并在測試數(shù)據(jù)中加入白噪聲，標(biāo)記為s(n);

(2.2)、對(duì)s(n)進(jìn)行EMD分解，計(jì)算出若干本征模函數(shù)IMF分量;

(221)、找出s(n)的所有極值點(diǎn)，再使用三次樣條插值函數(shù)分別

求出上下包絡(luò)曲線emax(n)和emin(n)然后計(jì)算其均值m(n);

(222)、計(jì)算s(n)與m(n)的差值d(n);

d(n)=s(n)-m(n)

(223)、設(shè)置篩分門限閾值利用d(n)計(jì)算本次分解時(shí)的篩分門限

值SD;

其中，n=0,1，…,M,M表示該類用電負(fù)荷數(shù)據(jù)的序列長度；i二

1,2k表示第i次篩分,k表示篩分總次數(shù)，當(dāng)i=1時(shí)，dO(n)

等于s(n);

若SD小于則令cj(n)=d(n),即得到本次分解后的一個(gè)IMF分

量cj(n),j=1,2，…,h,h表示IMF分量總個(gè)數(shù),一次完整的篩分

過程結(jié)束，跳轉(zhuǎn)到步驟(224);否則以d(n)作為輸入信號(hào)，即

d(n)=s(n),再返回步驟(221)進(jìn)行下一輪的篩分，直到經(jīng)過多

輪篩分后滿足SD小于

(224)、令s(n)=s(n)-cj(n)判斷s(n)是否滿足繼續(xù)分解的條件,

如果不滿足分解條件，則令殘余r(n)=s(n),且本次分解結(jié)束,

得到本次分解后的一組IMF分量cj(n)及殘余;否則，以所得到

的s(n)返回步驟(221)繼續(xù)下一輪分解，從而計(jì)算出下一個(gè)IMF

分量cj+l(n),然后依次類推,最終將原信號(hào)s(n)分解為了h個(gè)

本征模函數(shù)IMF分量［cl(n),c2(n)，…,ch(n)］以及殘余r(n);

(2.3)、將步驟(2.1)中抽取的測試數(shù)據(jù)按照步驟(2.1)和(2.2)所述

方法重復(fù)P次，且每次添加不同的白噪聲；

(2.4)、將P次分別得到的IMF分量求均值得到IMF均值集合,

即得到h個(gè)頻率從高到低不等的頻率負(fù)荷分量；

(3)、在IMF均值集合中，將前T個(gè)頻率負(fù)荷分量劃分為中高頻負(fù)

荷分量，剩余h-T個(gè)頻率負(fù)荷分量劃分為低頻負(fù)荷分量；

(4)、利用多元線性回歸MLR模型和長短期記憶神經(jīng)網(wǎng)絡(luò)LSTM

模型進(jìn)行負(fù)荷預(yù)測

(4.1).利用利用MLR模型對(duì)低頻負(fù)荷分量進(jìn)行預(yù)測

(4.1.1),利用滑動(dòng)窗口按照相等步長對(duì)低頻負(fù)荷分量進(jìn)行滑動(dòng),

建立起不同時(shí)刻下的若干長度一定的子序列；

(4.1.2)、建立MLR模型表達(dá)式：

Y=Xxp+p

展開表ZF為：

其中，yi表示電力負(fù)荷值；xij表示影響負(fù)荷的因素；00表示常

數(shù)項(xiàng)，Bi表示回歸系數(shù)，i=L2…,n;pi表示隨機(jī)擾動(dòng);

(4.1.3)、采用最小二乘法估計(jì)回歸系數(shù);

(4.1.4).將回歸系數(shù)代入MLR模型中得到標(biāo)準(zhǔn)的MLR模型，

再將當(dāng)前時(shí)刻時(shí)的子序列代入到MLR模型中估計(jì)出下一刻的負(fù)

荷值，然后將所得負(fù)荷預(yù)測值添加到當(dāng)前時(shí)刻子序列中，重新帶

入到模型，繼續(xù)向下一時(shí)刻預(yù)測，這樣重復(fù)Q次后，得到長度

為Q的負(fù)荷預(yù)測值序列；

(4.2)、利用LSTM模型對(duì)中高頻負(fù)荷分量進(jìn)行預(yù)測

(421)、利用滑動(dòng)窗口按照相等步長對(duì)中高頻負(fù)荷分量進(jìn)行滑動(dòng),

建立起不同時(shí)刻下的若干長度一定的子序列；

(422)、將子序列作為LSTM模型的輸入，前向計(jì)算出LSTM模

型中每個(gè)神經(jīng)元的狀態(tài)參數(shù)與輸出值；

(423)、通過均方誤差公式反向計(jì)算出LSTM模型中每個(gè)神經(jīng)元

的誤差項(xiàng)MSE;

其中,Preal表示t時(shí)刻負(fù)荷真實(shí)值,Ppredict(t)表示t時(shí)刻LSTM

輸出值，n表示數(shù)據(jù)長度；

(424)、以誤差項(xiàng)MSE為目標(biāo)函數(shù),使用Adam優(yōu)化算法調(diào)整

每個(gè)神經(jīng)元的權(quán)重，優(yōu)化誤差項(xiàng),然后再返回步驟(422),直到

誤差項(xiàng)MSE不再減小時(shí)結(jié)束，得到標(biāo)準(zhǔn)的LSTM模型；

(425)、將當(dāng)前時(shí)刻時(shí)的子序列代入到LSTM模型中估計(jì)出下一

刻的負(fù)荷值，然后將所得負(fù)荷預(yù)測值添加到當(dāng)前時(shí)刻子序列中，

重新帶入模型，繼續(xù)向下一時(shí)刻預(yù)測，這樣重復(fù)Q次后，得到

長度為Q的負(fù)荷預(yù)測值序列；

(4.3)、將MLR模型所得預(yù)測結(jié)果與LSTM模型所得預(yù)測結(jié)果相

疊加，得到完整預(yù)測結(jié)果；

(5)、當(dāng)該一類用電負(fù)荷數(shù)據(jù)得到完整預(yù)測結(jié)果后，按照步驟

(2)-(4)所述方法繼續(xù)預(yù)測剩余N-1類用電負(fù)荷數(shù)據(jù)，最終得到

電力系統(tǒng)短期負(fù)荷預(yù)測結(jié)果。

T

1

1()608000

本發(fā)明的發(fā)明目的是這樣實(shí)現(xiàn)的：

本發(fā)明一種用于電力系統(tǒng)短期負(fù)荷的預(yù)測方法，以負(fù)荷數(shù)據(jù)的有

功功率為數(shù)據(jù)基礎(chǔ)，通過將數(shù)據(jù)分解頻率由高到低的各個(gè)穩(wěn)定頻

率分量，再分別使用多元線性回歸與LSTM神經(jīng)網(wǎng)絡(luò)對(duì)其低頻分

量與中高頻分量進(jìn)行預(yù)測，最后疊加所預(yù)測的結(jié)果，從而得到完

整的預(yù)測結(jié)果；這樣解決了傳統(tǒng)負(fù)荷預(yù)測