一种超短期电力负荷预测与预警方法

摘要

本发明公开一种基于卡尔曼滤波和小波回声状态网络的超短期电力负荷预测及预警的方法，针对电力负荷数据中含有噪声等问题，采用卡尔曼滤波方法，对“采集数据”进行实时估计，借助遗忘因子，弱化陈旧数据的权值，提高预测精度。在进行超短期负荷预测前，首先利用主成分分析确定出影响电力负荷变化的主要工序，作为电力负荷量预测模型的输入，随后采用小波对电力负荷不同频谱特性（高频，随动，较稳定）负荷进行分解，分别建立回声状态网络单支电力负荷进行预测建模，对各预测分量整合得到总负荷变化趋势，最后对用户指定的预测模型进行预警测试。

主权项

一种超短期电力负荷预测与预警方法，具体步骤为：步骤一、调用企业生产，检修，调度数据记录，根据工业企业的工艺背景,生产状况，对采集到的大量负荷数据进行预处理，确定影响电力总体负荷变化的主要用户；利用主成分分析确定超短期电力负荷预测的影响因素：根据不同时段内电力负荷相关消耗数据列与电网输入数据列之间的发展态势的相异或相似程度，利用各自数据列变量变化率和变量变化率比中潜在的信息，来计算各影响因素与电力总负荷的潜在关联程度，从而选择关联度大的电力工序用户作为超短期电力负荷预测的主要影响用户；步骤二、引入小波分解作为预处理手段，考虑对实际生产工况的变化进行小波分解；具体为：利用主成分分析得到的影响工序，构造训练样本集S；$S=\{(X_j^{t-1},H_j^{t-1}),H_j^t),j=1...N\}$其中，和组成模型输入样本，为模型输出样本，表示P个影响因素前一时刻负荷，表示前一时刻的额定功耗，表示当前时刻的工序额定负荷，建立主成分拟合负荷曲线；将主成分拟合负荷曲线负荷数据经中间层网络传递函数的映射，得到一组小波基函数表达的神经元变换，再经过与变换系数W_T的相乘运算，可将负荷数据分解到不同尺度，不同频段中；采用小波分解建模方法建立体现总负荷中低频负荷分量，稳定负荷分量和震荡负荷的关系的小波分解模型；步骤三、针对各工艺段不同频谱规律，匹配不同的回声状态网络参数，并应用最小二乘方法引入权值系数整合预测分量，以提高各尺度及整体预测精度，建立小波分解回声状态组合预测模型，基于因素预测思想，建立影响电力负荷动态更新的超短期预测模型；步骤四、将超短期电力负荷预测结果存入动态数据库中；步骤五、建立超短期电力负荷因素预测更新预警机制，依据预测效果误差分析，修正步骤三中的小波参数；步骤六、迭代寻优超短期电力负荷预测算法。