一种基于电力用户数据的短期负荷预测方法

摘要

本发明涉及一种基于电力用户数据的短期负荷预测方法，包括以下步骤：1)数据采集单元采集单个电力用户的负荷数据，并将其传输给数据处理单元；2)数据处理单元根据建立的短期负荷预测模型对接收的数据进行处理，得到下一时刻的负荷预测值。与现有技术相比，本发明具有预测精度高、预测速度快等优点。

主权项

一种基于电力用户数据的短期负荷预测方法，其特征在于，包括以下步骤：1)数据采集单元采集单个电力用户的负荷数据，并将其传输给数据处理单元；2)数据处理单元根据建立的短期负荷预测模型对接收的数据进行处理，得到下一时刻的负荷预测值；所述的短期负荷预测模型根据时间序列方法建立，具体过程如下：1)建立样本数据的自回归滑动平均模型ARMA，该模型如公式(1)所示，其中y(t‑p),y(t‑p+1),...,y(t‑1),y(t)是电力用户连续一段时间的负荷数据值；α_t,α_t‑1,...,α₀是白噪声序列；p、q分别为自回归阶数和滑动平均阶数；和θ_j分别为自回归系数和滑动平均系数，i＝1,2,...,p，j＝1,2,...,q；2)对ARMA模型的进行辨识和参数估计；所述的对ARMA模型的进行辨识具体过程如下：21)根据公式(2)对ARMA模型进行零变换，其中y(i)为第i个样本值，Y(i)为相应的变换后的值，为所有样本的平均值，N为样本容量且N≥50；22)根据公式(3)计算ARMA模型的自相关函数ρ_k的估计值：其中k表示自相关函数的项数；23)再通过公式(4)计算出偏相关函数a_kk的估值：其中j＝1,2,…,k；24)通过Box Jenlkins定理，以95％概率原则对ρ_k和a_kk进行“拖尾”及“截尾”的判定，并计算自回归阶数p和滑动平均阶数q；所述的以95％概率原则对ρ_k和a_kk进行“拖尾”及“截尾”的判定具体为：如果满足条件的频率小于95％，则判定ρ_k具有“截尾”性，而最大的满足条件的k值为该模型的阶数p值；同样的，随着k的增大，若ρ_k趋向于0，则判定其具有“拖尾”性；继续判定偏相关函数的“截尾”与“拖尾”性，如果满足条件的频率小于95％，则可判定a_kk具有“截尾”性，最大的满足条件的k值为该模型的阶数q值，若a_kk趋向于0，则可以判定其具有“拖尾”性；如果ρ_k“拖尾”a_kk“截尾”，则模型判为AR(p)，其中q＝0；如果ρ_k“截尾”a_kk“拖尾”，则模型判为MA(q)，其中p＝0；如果ρ_k与a_kk均“截尾”，则模型是一个典型的ARMA(p,q)模型。