电力负荷预测方法

摘要

本发明公开了一种电力负荷预测方法，首先收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立下一时刻的负荷预测误差值与前n_y个时刻的实际负荷预测误差值、前n_u个时刻的负荷预测值及前n_e个时刻的系统影响因素之间的关系；按下式建立数据模型；建立伪偏导数估计准则函数；按下式建立预测控制输入准则函数；重复上述步骤，直至获取所需目标时间的预测值。本发明不涉及负荷特性指标，并未建立负荷特性指标与影响因素之间的关系。针对多维度多级别的电力负荷预测体系，本发明采用数据驱动理论的无模型负荷预测控制得出最优的负荷预测值；并大幅提高了负荷预测的精度和实时性。

主权项

一种电力负荷预测方法，其特征在于，该方法包括如下步骤：步骤一，收集利用历史数据，输入影响因素；采用聚类分析方法，同类型时刻进行聚类，主要依据气象特征因素进行分类，建立一种函数关系：y(k+1)＝f(y(k),Λ,y(k‑n_y),u(k),Λ,u(k‑n_u),e(k),Λ,e(k‑n_e))     (1)式中，u(k)表示k时刻系统的负荷预测值，且u(k)∈R；y(k)表示k时刻系统的负荷预测误差值，且y(k)∈R；e(k)表示系统的影响量，e(k)∈R；n_y表示负荷预测误差值y(k)的时间窗口跨度；n_u表示负荷预测值u(k)的时间窗口跨度；n_e表示系统影响量e(k)的时间窗口跨度；f(Λ)是系统未知的非线性函数；由此建立下一时刻的负荷预测误差值y(k+1)与前n_y时间跨度内的实际负荷预测误差值、前n_u时间跨度内的负荷预测值及前n_e时间跨度内的系统影响因素之间的关系；步骤二，按下式建立数据模型：Δy(k+1)＝φ^T(k)ΔH(k)             (2)式中，Δy(k+1)表示k+1时刻系统的负荷预测误差值与当前时刻k负荷预测误差值之差，定义Δy(k+1)＝y(k+1)‑y(k)；定义ΔH(k)＝[Δy(k),Λ,Δy(k‑n_y+1),Δu(k),Λ,Δu(k‑n_u+1),Δe(k),Λ,Δe(k‑n_e+1)]^T；Δy(k)表示k时刻系统的负荷预测误差值与上一时刻k‑1负荷预测误差值之差，定义为Δy(k)＝y(k)‑y(k‑1)；Δu(k)表示k时刻系统的负荷预测值与上一时刻k‑1负荷预测值之差，定义Δu(k)＝u(k)‑u(k‑1)；Δe(k)表示k时刻系统影响量与上一时刻k‑1系统影响量之差，定义Δe(k)＝e(k)‑e(k‑1)；k表示当前时刻；n_y表示负荷预测误差值从当前k时刻开始往前推n_y个时刻，负荷预测误差值的时间窗口跨度；n_u表示负荷预测值从当前k时刻开始往前推n_u个时刻，负荷预测值的时间窗口跨度；n_e表示系统影响量从当前k时刻开始往前推n_e个时刻，系统影响量时间窗口跨度；φ^T(k)定义为系统偏微导数，目的为建立Δy(k+1)与ΔH(k)之间的函数关系；步骤三，建立伪偏导数估计准则函数：$J\left({\phi }_{L_y,L_u,L_e}\left(k\right)\right)={|y\left(k\right)-y(k-1)-{\phi }_{L_y,L_u,L_e}^T\left(k\right)\Delta H_{L_y,L_u,L_e}(k-1)|}^2+\mu {\left|\right|{\phi }_{L_y,L_u,L_e}\left(k\right)-{\hat{\phi }}_{L_y,L_u,L_e}(k-1)\left|\right|}^2$式中，定义φ_Ly,Lu,Le(k)是表示实际负荷预测误差值时间窗口跨度为L_y、负荷预测值时间窗口跨度为L_u及系统影响因素时间窗口跨度为L_e的伪偏导数φ(k)，${\phi }_{L_y,L_u,L_e}\left(k\right)=[\phi \left(k\right),L{\phi }_{L_y}\left(k\right),{\phi }_{L_y+1}\left(k\right),L{\phi }_{L_y+L_u}\left(k\right),{\theta }_{L_y+L_u+1}\left(k\right),L,{\theta }_{L_y+L_u+L_e}\left(k\right)]$为系统偏微导数；定义ΔH_Ly,Lu,Le(k‑1)是表示实际负荷预测误差值时间窗口跨度为L_y、负荷预测值时间窗口跨度为L_u及系统影响因素时间窗口跨度为L_e的ΔH(k‑1)，H_Ly,Lu,Le(k)＝[y(k),L,y(k‑Ly+1),u(k),L,u(k‑L_u+1),e(k)L,e(k‑L_e+1)]^T；φ^T_Ly,Lu,Le(k)是φ_Ly,Lu,Le(k)的转置矩阵；其中，μ是关于参数估计变化量的惩罚因子；对求极值，得伪偏导数的估计算法为：${\hat{\phi }}_{L_y,L_u,L_e}\left(k\right)={\hat{\phi }}_{L_y,L_u,L_e}(k-1)+\frac{\mathrm{\eta \Delta }{H}_{L_y,L_u,L_e}(k-1)(y\left(k\right)-y(k-1))}{\mu +{\left|\right|\Delta H_{L_y,L_u,L_e}(k-1)\left|\right|}^2}-\frac{\mathrm{\eta \Delta }{H}_{L_y,L_u,L_e}(k-1)\left({\hat{\phi }}_{L_y,L_u,L_e}^T(k-1)\Delta H_{L_y,L_u,L_e}(k-1)\right)}{\mu +{\left|\right|\Delta H_{L_y,L_u,L_e}(k-1)\left|\right|}^2}$其中，η是步长因子一；为φ_Ly,Lu,Le(k)的待估计值；步骤四，按下式建立预测控制输入准则函数：J(u(k))＝|y^*(k+1)‑y(k+1)|²+λ₁|u(k)‑u(k‑1)|²+λ₂|e(k)‑e(k‑1)|²     (4)式中，λ₁和λ₂均是权重因子；y^*(k+1)为期望的负荷预测误差值；将式(1)代入准则函数式(3)中，对u(k)求导，并令其等于零，得到预测控制输入值u(k)：$\begin{array}{c}u\left(k\right)=u(k-1)+\frac{{\rho }_{L_y+1}{\phi }_{L_y+1}\left(k\right)(y^{*}(k+1)-y\left(k\right))}{{\lambda }_1+{\left|{\phi }_{L_y+1}\left(k\right)\right|}^2}-\frac{{\phi }_{L_y+1}\left(k\right)\underset{i=1}{\overset{L_y}{\Sigma }}{\rho }_i{\phi }_i\left(k\right)\mathrm{\Delta y}(k-i+1)}{{\lambda }_1+{\left|{\phi }_{L_y+1}\left(k\right)\right|}^2}\\ -\frac{{\phi }_{L_y+1}\left(k\right)\underset{i=L_y+2}{\overset{L_y+L_u}{\Sigma }}{\rho }_i{\phi }_i\left(k\right)\mathrm{\Delta u}(k+L_y-i+1)}{{\lambda }_1+{\left|{\phi }_{L_y+1}\left(k\right)\right|}^2}-\frac{{\phi }_{L_y+1}\left(k\right)\underset{i=L_y+L_u+1}{\overset{L_y+L_u+L_e}{\Sigma }}{\rho }_i{\theta }_i\left(k\right)\mathrm{\Delta e}(k+L_y+L_u-i+1)}{{\lambda }_1+{\left|{\phi }_{L_y+1}\left(k\right)\right|}^2}\end{array}$式中，ρ_i是步长因子二；i是正整数，且其取值为i＝1,2,…,L_y+L_u+L_e；步骤五，重复上述步骤，直至获取所需目标时间的预测值。