电力负荷预测方法研究「电力系统有功负荷最优分配的目的」

今天带来电力负荷预测方法研究「电力系统有功负荷最优分配的目的」，关于电力负荷预测方法研究「电力系统有功负荷最优分配的目的」很多人还不知道，现在让我们一起来看看吧！

随着电力市场的发展以及用户需求的逐步提升，电网的安全及经济运行变得至关重要。对电力负荷进行准确的短期预测，可以有效保障电网安全运行，降低发电成本，满足用户需求，提高社会经济效益。由于电力能源的生产、输送、分配和供应消费几乎同时完成，电能作为一种较为特殊的能源，难以大量存储，这就使得电力系统发电出力应该与系统负荷的变化随时保持一致，达到动态平衡，满足供需关系，否则轻则影响供电质量，重则危机整个电力系统的安全与稳定。由于电力系统负荷具有明显的周期特性(天，周，月，年)，同时影响的因素复杂(天气、经济、节假日、观测误差等等)，电力系统负荷呈现出较强的随机性和非周期成分，为短期预测带来较大难度。

文献“Zheng J,Xu C,Zhang Z,et al.Electric load forecasting in smartgrids using Long-Short-Term-Memory based Recurrent Neural Network[C]//Information Sciences and Systems.IEEE,2017.”使用LSTM对电力负荷进行了短期预测，并将LSTM与其他常见算法进行了对比，结果表明LSTM的预测误差要优于其他算法。同时，文中指出季节性差分自回归滑动平均模型(SARIMA)对于非平稳非季节性的电力负荷系统预测难以发挥作用。

但是，其文中给出结果并没有对负荷的高频局部特征进行准确的预测，预测曲线仅拟合了负荷的基本变化趋势。在负荷随机波动情况较大的时候方法具有局限性。

在实际应用中，负荷数据往往包含较多的噪音干扰，大大降低了负荷预测精度，另一方面，由于通信延迟等多方面原因，数据存在大量空缺，且空缺位置与长度通常无规律可循，空缺长度过长使得传统的插值法难以合理的填充空缺，而简单直接的填充固定值或历史值，很可能破坏时间序列的周期性、规律性。因此，在有限长度的电力负荷数据中，如何充分挖掘数据包含的信息，是预测模型建立的关键。传统数学模型为充分挖掘数据信息、提高预测精度，常使用增加数据维度或将数据进行细分的方法，在一定条件下能够实现快速准确的预测，但是当数据维度较低、数据量较小的时候，对于复杂多变的电力负荷，由于其随机性和非周期性的影响，传统数学模型难以获得有效预测精度。而基于人工智能的算法虽然能够相比之下取得更高的预测精度，但往往存在超参数难以确立，资源耗费较多，计算速度相对较慢的缺点，且对于低维度时间序列数据，由于其各局部特征之间相互影响，使得模型难以从数据中清晰的找出规律建立规则。

问题拆分

以负荷数据的有功功率为数据基础，通过将数据分解频率由高到低的各个稳定频率分量，再分别使用多元线性回归与LSTM神经网络对其低频分量与中高频分量进行预测，最后叠加所预测的结果，从而得到完整的预测结果；这样解决了传统负荷预测方法对于高频局部特征难以进行有效预测的缺点，同时也能够准确预测出负荷的变化趋势，提高了复杂情况下的预测有效性。

问题解决

目的在于克服现有技术的不足，提供一种用于电力系统短期负荷的预测方法，通过将电力负荷数据进行分解，使得局部特征与变化趋势分离，最后将预测结果进行叠加，得到精确的预测结果。

为实现上述发明目的，本发明一种用于电力系统短期负荷的预测方法，其特征在于，包括以下步骤：

(1)、从智能电表端提取用户侧负荷数据

(1.1)、从各个智能电表端采集每个用户的用电负荷数据；

(1.2)、将每个用户的用电负荷数据进行叠加，得到接近于发电侧的区域负荷数据；

(1.3)、对区域负荷数据进行层次聚类，得到N类负荷数据，再以层次聚类得到的类别数N为基准，进行K均值聚类，得到代表用户侧负荷的N类用电负荷数据；

(2)、利用集合经验模态分解算法EEMD对每一类用电负荷数据进行分解；

(2.1)、从N类用电负荷数据中随机抽取一类用电负荷数据作为测试数据，并在测试数据中加入白噪声，标记为s(n)；

(2.2)、对s(n)进行EMD分解，计算出若干本征模函数IMF分量；

(2.2.1)、找出s(n)的所有极值点，再使用三次样条插值函数分别求出上下包络曲线emax(n)和emin(n)，然后计算其均值m(n)；

(2.2.2)、计算s(n)与m(n)的差值d(n)；

d(n)＝s(n)-m(n)

(2.2.3)、设置筛分门限阈值利用d(n)计算本次分解时的筛分门限值SD；

其中，n＝0,1,…,M，M表示该类用电负荷数据的序列长度；i＝1,2,…,k表示第i次筛分，k表示筛分总次数，当i＝1时，d0(n)等于s(n)；

若SD小于则令cj(n)＝d(n)，即得到本次分解后的一个IMF分量cj(n)，j＝1,2,…,h，h表示IMF分量总个数，一次完整的筛分过程结束，跳转到步骤(2.2.4)；否则以d(n)作为输入信号，即d(n)＝s(n)，再返回步骤(2.2.1)进行下一轮的筛分，直到经过多轮筛分后满足SD小于

(2.2.4)、令s(n)＝s(n)-cj(n)，判断s(n)是否满足继续分解的条件，如果不满足分解条件，则令残余r(n)＝s(n)，且本次分解结束，得到本次分解后的一组IMF分量cj(n)及残余；否则，以所得到的s(n)返回步骤(2.2.1)继续下一轮分解，从而计算出下一个IMF分量cj 1(n)，然后依次类推，最终将原信号s(n)分解为了h个本征模函数IMF分量[c1(n),c2(n),…,ch(n)]以及残余r(n)；

(2.3)、将步骤(2.1)中抽取的测试数据按照步骤(2.1)和(2.2)所述方法重复P次，且每次添加不同的白噪声；

(2.4)、将P次分别得到的IMF分量求均值，得到IMF均值集合，即得到h个频率从高到低不等的频率负荷分量；

(3)、在IMF均值集合中，将前τ个频率负荷分量划分为中高频负荷分量，剩余h-τ个频率负荷分量划分为低频负荷分量；

(4)、利用多元线性回归MLR模型和长短期记忆神经网络LSTM模型进行负荷预测

(4.1)、利用利用MLR模型对低频负荷分量进行预测

(4.1.1)、利用滑动窗口按照相等步长对低频负荷分量进行滑动，建立起不同时刻下的若干长度一定的子序列；

(4.1.2)、建立MLR模型表达式：

Y＝X×β μ

展开表示为：

其中，yi表示电力负荷值；xij表示影响负荷的因素；β0表示常数项，βi表示回归系数，i＝1,2...,n；μi表示随机扰动；

(4.1.3)、采用最小二乘法估计回归系数；

(4.1.4)、将回归系数代入MLR模型中得到标准的MLR模型，再将当前时刻时的子序列代入到MLR模型中估计出下一刻的负荷值，然后将所得负荷预测值添加到当前时刻子序列中，重新带入到模型，继续向下一时刻预测，这样重复Q次后，得到长度为Q的负荷预测值序列；

(4.2)、利用LSTM模型对中高频负荷分量进行预测

(4.2.1)、利用滑动窗口按照相等步长对中高频负荷分量进行滑动，建立起不同时刻下的若干长度一定的子序列；

(4.2.2)、将子序列作为LSTM模型的输入，前向计算出LSTM模型中每个神经元的状态参数与输出值；

(4.2.3)、通过均方误差公式反向计算出LSTM模型中每个神经元的误差项MSE；

其中，Preal表示t时刻负荷真实值，Ppredict(t)表示t时刻LSTM输出值，n表示数据长度；

(4.2.4)、以误差项MSE为目标函数，使用Adam优化算法调整每个神经元的权重，优化误差项，然后再返回步骤(4.2.2)，直到误差项MSE不再减小时结束，得到标准的LSTM模型；

(4.2.5)、将当前时刻时的子序列代入到LSTM模型中估计出下一刻的负荷值，然后将所得负荷预测值添加到当前时刻子序列中，重新带入模型，继续向下一时刻预测，这样重复Q次后，得到长度为Q的负荷预测值序列；

(4.3)、将MLR模型所得预测结果与LSTM模型所得预测结果相叠加，得到完整预测结果；

(5)、当该一类用电负荷数据得到完整预测结果后，按照步骤(2)-(4)所述方法继续预测剩余N-1类用电负荷数据，最终得到电力系统短期负荷预测结果。

本发明的发明目的是这样实现的：

本发明一种用于电力系统短期负荷的预测方法，以负荷数据的有功功率为数据基础，通过将数据分解频率由高到低的各个稳定频率分量，再分别使用多元线性回归与LSTM神经网络对其低频分量与中高频分量进行预测，最后叠加所预测的结果，从而得到完整的预测结果；这样解决了传统负荷预测方法对于高频局部特征难以进行有效预测的缺点，同时也能够准确预测出负荷的变化趋势，提高了复杂情况下的预测有效性。

同时，本发明一种用于电力系统短期负荷预测的方法还具有以下有益效果：

(1)、本发明即可以准确的预测负荷的变化趋势，又能够一定程度的预测随机性很强的局部特征；

(2)、通过多元线性回归与LSTM神经网络方法的结合，有效的避免了过于繁琐的神经网络训练以及参数设定，提高了模型整体的简洁性与快速性；

(3)、相比于传统负荷预测方法，本发明有效提高了预测的精确度。