CN104598985A - 电力负荷预测方法 - Google Patents

Abstract

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***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。

Description

电力负荷预测方法

技术领域

本发明涉及一种电力负荷预测方法。

背景技术

就我国目前情况来看，对负荷特性的现状、影响负荷特性的主要因素和未来负荷特性的变化趋势等都进行了***的分析和研究，得出了一些对电力规划和电网运行有指导意义和参考价值的结论，但这些研究更多停留在理论层面，没有足有的做足够的数据推演和验证，其主要的不足表现在：

1、影响负荷相关因素维度局限。现有的负荷预测***其预测影响因子主要还是局限于历史负荷、气象数据等常用数据。

2、对气象要素与负荷的内在规律分析深度不够。已有***所建立的气象因素影响模型尚不能完全反映出负荷的真实变化情况，且在如温度的累积效应、延迟效应等方面所做的工作有限，研究的深度尚待深入。

3、负荷特性指标是时点指标，不同地区、不同时间的负荷特性不能直接叠加，使得进行大范围区域负荷特性分析的难度明显增加；并且各行业典型负荷特性曲线、非电网统调负荷特性曲线的获取和加工处理较为困难。

4、缺乏对地调负荷与省调负荷之间的相似性研究。

5、缺乏对影响负荷的相关因素分析。限于过去的条件，在绝大多数***中没有考虑气象等因素对负荷的影响，或只是利用有限的气象信息(最高、最低和平均温度)，预测精度不高。

发明内容

本发明的目的是提供一种适应多维度多级别电力大数据且能获取最优预测值的电力负荷预测方法。

本发明提供的这种电力负荷预测方法，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***的负荷预测值，且u(k)∈R；y(k)表示k时刻***的负荷预测误差值，且y(k)∈R；e(k)表示***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***影响量e(k)的时间窗口跨度；f(Λ)是***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***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***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***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***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***影响量与上一时刻k-1***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***影响量从当前k时刻开始往前推n_e个时刻，***影响量时间窗口跨度；φ^T(k)定义为***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：

$J\left({\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)\right)={|y\left(k\right)-y(k-1)-{\mathrm{\φ}}_{L_y,L_u,L_e}^T\left(k\right)\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)|}^2+\mathrm{\μ}{\left|\right|{\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)-{\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}(k-1)\left|\right|}^2$

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***影响因素时间窗口跨度为L_e的伪偏导数φ(k)， ${\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)=[\mathrm{\φ}\left(k\right),L{\mathrm{\φ}}_{L_y}\left(k\right),{\mathrm{\φ}}_{L_{y+1}}\left(k\right),L{\mathrm{\φ}}_{L_y+L_u}\left(k\right),{\mathrm{\θ}}_{L_y+L_u+1}\left(k\right),L,{\mathrm{\θ}}_{L_y+L_u+L_e}\left(k\right)]$ 为***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***影响因素时间窗口跨度为L_e的ΔH(k-1)， $H_{L_y,L_u,L_e}\left(k\right)={[y\left(k\right),L,y(k-L_y+1),u\left(k\right),L,u(k-L_u+1),e\left(k\right)L,e(k-L_e+1)]}^T;$ 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：

${\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}\left(k\right)={\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}(k-1)+\frac{\mathrm{\η\Δ}{H}_{L_y,L_u,L_e}(k-1)(y\left(k\right)-y(k-1))}{\mathrm{\μ}+{\left|\right|\mathrm{\Δ}{H}_{L_y,L_u,L_e}\left|\right|}^2}-\frac{\mathrm{\η\Δ}{H}_{L_y,L_u,L_e}(k-1)\left({\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}^T(k-1)\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)\right)}{\mathrm{\μ}+{\left|\right|\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)\left|\right|}^2}$

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)：

$\begin{array}{c}u\left(k\right)=u(k-1)+\frac{{\mathrm{\ρ}}_{L_y+1}{\mathrm{\φ}}_{L_y+1}\left(k\right)(y^{*}(k+1)-y\left(k\right))}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}-\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=1}{\overset{L_y}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\φ}}_i\left(k\right)\mathrm{\Δy}(k-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}\\ -\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=L_y+2}{\overset{L_y+L_u}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\φ}}_i\left(k\right)\mathrm{\Δu}(k+L_y-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}-\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=L_y+L_u+1}{\overset{L_y+L_u+L_e}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\θ}}_i\left(k\right)\mathrm{\Δe}(k+L_y+L_u-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}\end{array}$

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。

所述影响因素包括负荷影响因素、日售与日用电量影响因素、月售与月用电量影响因素以及年售与年用电量影响因素。

所述负荷影响因素包括温度、湿度、降雨、风速、日期类型。

所述负荷影响因素在数据库气象缺失的情况下，采用线型插值法，弥补各点气象特征。

所述日售与日用电量影响因素包括该日的各点气温、湿度、降雨量及当日最高气温、最低气温、平均气温、日期类型。

所述月售与月用电量影响因素包括电价、各区段气温、假期天数。

所述年售与年用电量影响因素包括人口、GDP、消费系数、物价指数、全社会用电量、人均产值、人均耗电量及产值单耗。

所述年售与年用电量影响因素采用格兰杰因果检验，筛选适当的影响因素；其还采用主成分分析，提取主要影响因素。

所述日期类型包括工作日和节假日。

所述惩罚因子μ的值的适当选取能限制用动态线性***替代非线性***时的适用范围，只要μ＞0，所述估计算法能避免出现奇异的情况，并且μ的加入能使所述估计算法对个别的反常数据具有鲁棒性。

所述步长因子一η满足η∈(0,2]能使所述估计算法更加具有灵活性。

所述步长因子二ρ_i满足ρ_i∈(0,1]使所述控制算法更具一般性。

与现有方案相比，本发明具有如下优势：

(1)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。本发明没有固定预测模型，是在预测过程中不断建立预测误差(即***输出)与***输入及***影响量之间的关系(这种关系是Δy,Δu、Δe之间的局部线性关系)，并通过预测误差来矫正下一个时刻的输入。针对包含空间、时间、属性等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；大幅提高了负荷预测的精度和实时性。

(2)利用可以获取的实时气象信息建立新的预测模型，分析出实时气象因素、日特征气象因素与实时负荷的相关性，全面考虑气象信息对负荷预测的影响，提出基于负荷分解和实时气象因素的短期负荷预测方法；通过研究气象因素对负荷影响的延迟效应，提出气象对负荷影响延迟性的处理策略，并引入积温概念，研究气象因素对负荷影响的累积效应，提出气象对负荷温度累积效应的处理策略。

(3)***采用的预测模型紧密结合预测地区的实际情况，实现根据不同季节、时段的温度、湿度、等气象要、负荷、用电量、售电量、购电量、新装、增容及变更用电数据，大用户供用电合同管理数据，电能信息采集数据，抄表计费数据、经济数据素进行自适应灵活修正。预测模型的参数采用自适应滚动优化，采用多种技术相结合进行综合分析，保证预测模型的自适应性和鲁棒性。

附图说明

图1是本发明的一种实施方式示意图。

图2是本发明的流程图。

具体实施方式

近年来，随着电力供需矛盾的变化以及用电结构的变化，各大电网负荷特性发生了较大的变化，各地区最大负荷持续增长，峰谷差不断扩大，负荷率和年最大负荷利用小时数呈现下降趋势。而另一方面，智能电网的发展、需求侧管理技术的推广、能效电厂的引入，对改善电网的用电特性，提高能源效率会产生积极影响。因此，亟需深入了解电网以及各个地区负荷特性的现状，把握负荷变化的规律和发展趋势，以达到提高电力需求预测准确性水平的目标，有效提高电网规划运行研究工作的效率。

针对气象数据、负荷、用电量、售电量、购电量、新装、增容及变更用电数据，大用户供用电合同管理数据，电能信息采集数据，抄表计费数据、经济数据等更多维度，本发明基于无模型自适应控制理论，采用数据驱动模式实现负荷预测。

本发明通过研究电力大数据的特点，以及相应的数据采集与转换技术，实现基于数据中心结构化数据、非结构化数据、海量历史数据等多源采集与转换；研究符合电力行业大数据特点的存储、计算架构，实现多类型数据的综合存储与计算；通过无模型的自适应控制理论，将售电量、全社会用电量、发电负荷、日发电量、各产业用电量、行业用电量等关键指标数据，结合季节变化、自然增长、GDP、人口结构等外部因素作为模块的输入以数据驱动理论为基础的无模型预测控制器中,并预测出下一时刻的预测输出值，预测未来售电预判和用电走势分析。

为了更好的实施本发明的方法，可先构建一个如图1所示的数据驱动型预测***。如图1所示，本发明的数据驱动型预测***包括预测控制器、影响因素(e)、预测值(u)、预测误差(y)。

首先将影响因素(e)、预测值(u)、预测误差(y)均输入至预测控制器，预测控制器的输出是下一次的预测值。首次执行时，由于没有***上一次的输出值(预测误差)，预测控制器的首次输入可不考虑预测误差(y)。之后，持续不断的将前面的各个输出、输入以及相关影响因素作为后一次输入传至预测控制器，再由其进行输出，如此反复迭代，直至获得最优预测结果。

下面结合实施例对本发明作进一步的说明。

假设有2001到2004年的用电量数据及每一年的影响因素数据，预测求出所需预测年X的用电量预测值。

(1)建立2004年用电量与2001年到2003年用电量及影响因素之间的关系，可求出2004年的预测值u(此为数据驱动型预测***的输入值)，再求出2004年的预测误差值y(实际值与误差值之差，此为***输出值)(刚开始没有***前一时刻的输出值，此时可对此项不予考虑)。

(2)建立2005年用电量与2002年到2004年用电量、影响量及预测误差之间的关系，可求出2005年的预测值，再求出2005年的预测误差值；

(3)建立2006年用电量与2003年到2005年用电量、影响量及预测误差之间的关系，可求出2006年的预测值，再求出2006年的预测误差；

(4)依次类推，每一次求出一年的预测值，最终预测求出X年(所需预测年)的用电量预测值。

对于影响因素，本发明可采用如下措施：

1、负荷影响因素：输入相关性强的各点时刻的温度、湿度、降雨量、风速、日期类型等影响因素，然后匹配出同气象特征日期。如果数据库气象缺失，采用线性插值法，弥补各点气象特征。

2、日售(用)电量预测：输入该日的各点气温、湿度、降雨量及当日最高气温、最低气温、平均气温、日期类型等特征参数的数据。

3、月售(用)电量预测：输入电价、各区段气温、假期天数等数据。

4、年售(用)电量预测：输入人口、GDP、消费系数、物价指数、全社会用电量、人均产值、人均耗电量及产值单耗等各类影响因素，由于参数过多，引入格兰杰因果检验筛选适当的影响因素，引入主成分分析提取主要影响因素。

如图2所示，针对该实施例，本发明可采取如下步骤完成实现。

步骤一：收集利用历史数据，输入日期、时刻、气象等影响因素，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，建立一种数据关系：

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***的负荷预测值，且u(k)∈R；y(k)表示k时刻***的负荷预测误差值，且y(k)∈R；e(k)表示***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***影响量e(k)的时间窗口跨度；f(Λ)是***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***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***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***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***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***影响量与上一时刻k-1***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***影响量从当前k时刻开始往前推n_e个时刻，***影响量时间窗口跨度；φ^T(k)定义为***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；

$J\left({\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)\right)={|y\left(k\right)-y(k-1)-{\mathrm{\φ}}_{L_y,L_u,L_e}^T\left(k\right)\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)|}^2+\mathrm{\μ}{\left|\right|{\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)-{\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}(k-1)\left|\right|}^2$

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***影响因素时间窗口跨度为L_e的伪偏导数φ(k)， ${\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)=[\mathrm{\φ}\left(k\right),L{\mathrm{\φ}}_{L_y}\left(k\right),{\mathrm{\φ}}_{L_{y+1}}\left(k\right),L{\mathrm{\φ}}_{L_y+L_u}\left(k\right),{\mathrm{\θ}}_{L_y+L_u+1}\left(k\right),L,{\mathrm{\θ}}_{L_y+L_u+L_e}\left(k\right)]$ 为***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***影响因素时间窗口跨度为L_e的ΔH(k-1)， $H_{L_y,L_u,L_e}\left(k\right)={[y\left(k\right),L,y(k-L_y+1),u\left(k\right),L,u(k-L_u+1),e\left(k\right)L,e(k-L_e+1)]}^T;$ φ^T _Ly，Lu，Le(k)是φ_Ly，Lu，Le(k)的转置矩阵。

μ是关于参数估计变化量的惩罚因子，通过对其适当选取可限制用动态线性***替代非线性***时的适用范围，只要μ＞0，本发明就可避免出现奇异的情况，并且μ的加入可使本发明对个别的反常数据具有鲁棒性。

对求极值，得伪偏导数的估计算法为：

${\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}\left(k\right)={\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}(k-1)+\frac{\mathrm{\η\Δ}{H}_{L_y,L_u,L_e}(k-1)(y\left(k\right)-y(k-1))}{\mathrm{\μ}+{\left|\right|\mathrm{\Δ}{H}_{L_y,L_u,L_e}\left|\right|}^2}-\frac{\mathrm{\η\Δ}{H}_{L_y,L_u,L_e}(k-1)\left({\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}^T(k-1)\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)\right)}{\mathrm{\μ}+{\left|\right|\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)\left|\right|}^2}$

其中，η是步长因子一，η满足η∈(0,2]可使本发明更加具有灵活性。为φ_Ly,Lu,Le(k)的估计值。

此公式是通过前L_y时刻输入量，前L_u时刻输出量，前L_e时刻影响量通过步骤三推倒出下一时刻的函数。代入前L_y时刻输入量，前L_u时刻输出量，前L_e时刻影响量即可求出下一时刻的估计值

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)为期望的输出信号，即期望的负荷预测误差值，该期望输出的最佳结果是0；这个函数是建立一个准则函数，期望求出下一时刻的输出，即u(k)。

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)：

$\begin{array}{c}u\left(k\right)=u(k-1)+\frac{{\mathrm{\ρ}}_{L_y+1}{\mathrm{\φ}}_{L_y+1}\left(k\right)(y^{*}(k+1)-y\left(k\right))}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}-\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=1}{\overset{L_y}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\φ}}_i\left(k\right)\mathrm{\Δy}(k-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}\\ -\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=L_y+2}{\overset{L_y+L_u}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\φ}}_i\left(k\right)\mathrm{\Δu}(k+L_y-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}-\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=L_y+L_u+1}{\overset{L_y+L_u+L_e}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\θ}}_i\left(k\right)\mathrm{\Δe}(k+L_y+L_u-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}\end{array}$

式中，ρ_i是步长因子二，其中i是正整数，且其取值为i＝1,2,…,L_y+L_u+L_e；若ρ_i满足ρ_i∈(0,1]可使本发明更具一般性。上述公式是由步骤四推倒出来的下一时刻u(k)代入公式，目的是求出下一时刻的输入u(k)。

步骤五，重复上述步骤，直至获取所需预测年X的用电量预测值。

本发明采用基于数据驱动的无模型自适应控制算法，仅利用闭环被控负荷预测***的输入输出量测数据来实现负荷预测控制器的设计，而不显含或隐含被控***动态模型的结构信息和参数信息，可将被控***所有可能的复杂行为特征，如非线性、时变参数、时变结构等，都被压缩融入到时变参数——伪偏导数，只需通过在线调整伪偏导数这一唯一变量，即可实现无模型自适应预测。

无模型自适应控制算法包括紧格式、偏格式、全格式三种控制方式。为充分挖掘输入输出数据的隐含信息，本发明可采用全格式无模型自适应控制。

本发明对电网运行的意义表现在：(1)可以经济合理地安排电网发电机组的启停；(2)保持电网运行的安全稳定性，减少热备用容量；(3)合理安排机组检修计划，保证社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。

通过本发明的实施，有利于决定未来新的发电机组的安装；有利于决定装机容量的大小、地点和时间；有利于决定电网的增容和改造，决定电网的建设和发展。

总之，科学可靠的电力需求预测是进行合理决策电源及电网项目的基础，是电网安全、高效、经济运行的重要保障；在电力市场中，电力需求预测作为交易决策的基础，必须做到准确、可信，才能既保证电力用户可靠供电的同时，又能有效节约基建投资，为企业和社会创造效益。

Claims (12)

1.一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***的负荷预测值，且u(k)∈R；y(k)表示k时刻***的负荷预测误差值，且y(k)∈R；e(k)表示***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***影响量e(k)的时间窗口跨度；f(Λ)是***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***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***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***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***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***影响量与上一时刻k-1***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***影响量从当前k时刻开始往前推n_e个时刻，***影响量时间窗口跨度；φ^T(k)定义为***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：

$J\left({\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)\right)={|y\left(k\right)-y(k-1)-{\mathrm{\φ}}_{L_y,L_u,L_e}^T\left(k\right)\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)|}^2+\mathrm{\μ}{\left|\right|{\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)-{\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}(k-1)\left|\right|}^2$

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***影响因素时间窗口跨度为L_e的伪偏导数φ(k)， ${\mathrm{\φ}}_{L_y,L_u,L_e}\left(k\right)=[\mathrm{\φ}\left(k\right),L{\mathrm{\φ}}_{L_y}\left(k\right),{\mathrm{\φ}}_{L_y+1}\left(k\right),L{\mathrm{\φ}}_{L_y+L_u}\left(k\right),{\mathrm{\θ}}_{L_y+L_u+1}\left(k\right),L,{\mathrm{\θ}}_{L_y+L_u+L_e}\left(k\right)]$ 为***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***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：

${\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}\left(k\right)={\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}(k-1)+\frac{\mathrm{\η\Δ}{H}_{L_y,L_u,L_e}(k-1)(y\left(k\right)-y(k-1))}{\mathrm{\μ}+{\left|\right|\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)\left|\right|}^2}-\frac{\mathrm{\η\Δ}{H}_{L_y,L_u,L_e}(k-1)\left({\widehat{\mathrm{\φ}}}_{L_y,L_u,L_e}^T(k-1)\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)\right)}{\mathrm{\μ}+{\left|\right|\mathrm{\Δ}{H}_{L_y,L_u,L_e}(k-1)\left|\right|}^2}$

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)：

$\begin{array}{c}u\left(k\right)=u(k-1)+\frac{{\mathrm{\ρ}}_{L_y+1}{\mathrm{\φ}}_{L_y+1}\left(k\right)(y^{*}(k+1)-y\left(k\right))}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}-\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=1}{\overset{L_y}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\φ}}_i\left(k\right)\mathrm{\Δy}(k-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}\\ -\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=L_y+2}{\overset{L_y+L_u}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\φ}}_i\left(k\right)\mathrm{\Δu}(k+L_y-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}-\frac{{\mathrm{\φ}}_{L_y+1}\left(k\right)\underset{i=L_y+L_u+1}{\overset{L_y+L_u+L_e}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\mathrm{\θ}}_i\left(k\right)\mathrm{\Δe}(k+L_y+L_u-i+1)}{{\mathrm{\λ}}_1+{\left|{\mathrm{\φ}}_{L_y+1}\left(k\right)\right|}^2}\end{array}$

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。

2.根据权利要求1所述的电力负荷预测方法，其特征在于，所述影响因素包括负荷影响因素、日售与日用电量影响因素、月售与月用电量影响因素以及年售与年用电量影响因素。

3.根据权利要求2所述的电力负荷预测方法，其特征在于，所述负荷影响因素包括温度、湿度、降雨、风速、日期类型。

4.根据权利要求2或3所述的电力负荷预测方法，其特征在于，所述负荷影响因素在数据库气象缺失的情况下，采用线型插值法，弥补各点气象特征。

5.根据权利要求2所述的电力负荷预测方法，其特征在于，所述日售与日用电量影响因素包括该日的各点气温、湿度、降雨量及当日最高气温、最低气温、平均气温、日期类型。

6.根据权利要求2所述的电力负荷预测方法，其特征在于，所述月售与月用电量影响因素包括电价、各区段气温、假期天数。

7.根据权利要求2所述的电力负荷预测方法，其特征在于，所述年售与年用电量影响因素包括人口、GDP、消费系数、物价指数、全社会用电量、人均产值、人均耗电量及产值单耗。

8.根据权利要求2或7所述的电力负荷预测方法，其特征在于，所述年售与年用电量影响因素采用格兰杰因果检验，筛选适当的影响因素；其还采用主成分分析，提取主要影响因素。

9.根据权利要求3或5所述的电力负荷预测方法，其特征在于，所述日期类型包括工作日和节假日。

10.根据权利要求1所述的电力负荷预测方法，其特征在于，所述惩罚因子μ的值的适当选取能限制用动态线性***替代非线性***时的适用范围，只要μ＞0，所述估计算法能避免出现奇异的情况，并且μ的加入能使所述估计算法对个别的反常数据具有鲁棒性。

11.根据权利要求1所述的电力负荷预测方法，其特征在于，所述步长因子一η满足η∈(0,2]能使所述估计算法更加具有灵活性。

12.根据权利要求1所述的电力负荷预测方法，其特征在于，所述步长因子二ρ_i满足ρ_i∈(0,1]使所述控制算法更具一般性。