CN112990557A - 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置 - Google Patents

基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置 Download PDF

Info

Publication number
CN112990557A
CN112990557A CN202110210491.2A CN202110210491A CN112990557A CN 112990557 A CN112990557 A CN 112990557A CN 202110210491 A CN202110210491 A CN 202110210491A CN 112990557 A CN112990557 A CN 112990557A
Authority
CN
China
Prior art keywords
power load
load
value
dimension
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110210491.2A
Other languages
English (en)
Inventor
付文杰
霍胜利
杨伯青
陈伟
张军朝
郭庚江
张强
孔令号
潘龙懿
张卫国
李化
陈良亮
宋杰
周材
邵军军
许紫晗
梁睿智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
State Grid Electric Power Research Institute
Baoding Power Supply Co of State Grid Hebei Electric Power Co Ltd
Beijing State Grid Purui UHV Transmission Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
NARI Group Corp
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
State Grid Electric Power Research Institute
Baoding Power Supply Co of State Grid Hebei Electric Power Co Ltd
Beijing State Grid Purui UHV Transmission Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, NARI Group Corp, Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd, State Grid Electric Power Research Institute, Baoding Power Supply Co of State Grid Hebei Electric Power Co Ltd, Beijing State Grid Purui UHV Transmission Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110210491.2A priority Critical patent/CN112990557A/zh
Publication of CN112990557A publication Critical patent/CN112990557A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置，包括步骤：获取电力用户负荷数据，作为电力负荷训练数据集；基于电力负荷训练数据集进行多维相空间重构，得到电力负荷的多维向量；基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到电力负荷预测值。预测结果更加准确。

Description

基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置
技术领域
本发明涉及电力***技术领域，尤其涉及一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置。
背景技术
近年来随着智能电网的快速发展和基于非侵入式终端的用电信息采集***渐渐完善，电力大数据逐渐成为人们研究的热点。在大数据背景下分析和挖掘电力负荷数据之间的联系，运用合理的方法探索电力用户负荷的未来发展变化规律，对于提升电网运行的稳定性和经济性具有重大的现实意义。
短期负荷由于受天气变化、社会活动等因素的影响，在时间序列上表现为确定性***的不规则状态，即***的混沌性质。但是各影响因素中大部分都具有潜在的规律性，从而为电力负荷的有效预测提供了基础条件。目前用于短期负荷预测的算法主要有神经网络法、时间序列法、回归分析法、支持向量机法、模糊预测法等。负荷预测的核心问题是如何利用历史数据建立预测模型，对未来某一时刻的负荷进行预测。随着非侵入式终端的推广应用，以及天气预测水平的不断提高，准确获取海量历史数据已经易于实现。因此，短期负荷预测的核心问题是预测方法的精度高低。另外，基于非侵入式终端采样得到的海量数据中势必含有各种噪声，这些噪声的存在会对电力负荷的预测精度产生恶劣影响。因此，如何应用先进的噪声滤除技术来实现精准的数据同化以实现高精度的电力负荷预测，这也是一个值得深入研究的方向。
发明内容
本发明的目的在于：公开了一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置，解决了负荷预测精度不高的问题。
为实现上述目的，本发明的技术方案如下：一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法，包括步骤：
获取电力用户负荷数据，作为电力负荷训练数据集；
基于电力负荷训练数据集进行多维相空间重构，得到电力负荷的多维向量；
基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到电力负荷预测值。
进一步的，多维相空间重构的方法为：基于电力负荷训练数据集和延迟坐标方法进行多维相空间重构。
进一步的，所述延迟坐标方法中的延迟时间确定方法为：
电力负荷训练数据集中的电力负荷时间序列为{x(i)}，i＝1,2,…,n，存在其自相关函数
Figure BDA0002952080980000021
将{x(i)}代入R(τ)后，得到R(τ)随着延迟时间τ变化的轨迹，当R(τ)的值下降到初始值R(0)与设定下降系数的乘积时，所得对应时间τ作为延迟时间；x(i)代表i时刻电力负荷的值，n为电力负荷时间序列的最大长度。
进一步的，所述延迟坐标方法中的嵌入维数确定方法为：
使用虚假最临近点法进行选取，应用电力负荷训练数据集中的电力负荷时间序列，从嵌入维数2开始计算虚假最临近点的比例，逐步增加维数，直至虚假最临近点的比例小于设定比例或者其数目不再随着维数的增加而减少，将此时的维数选作嵌入维数。
进一步的，基于电力负荷的多维向量对电力负荷进行预测，方法为：
选取k个与电力负荷多维向量中最后一个向量最临近的向量，再取这k个最临近向量的平均值作为下个延迟时间的多维向量，实现下个延迟时间的电力负荷状态的预测。
进一步的，使用循环计算的方法来确定最临近向量的数目，从k＝1开始，直至电力负荷状态预测误差小于设定值以及计算时间小于设定时间为止。
进一步的，选取预测值点集得到滤波器数据集合，方法为：
采取对称采样的策略选取2m+1个Sigma点及其权重来表征电力负荷预测的状态，预测均值为Sigma点集的中心，其它所有点关于均值对称分布，且所有权重之和为1，m为电力负荷状态变量的维数；Sigma点组成预测值点集。
一种基于数据驱动集合卡尔曼滤波的电力负荷预测装置，包括：
电力负荷训练数据集获取模块，用于获取电力用户负荷数据，作为电力负荷训练数据集；
多维向量获取模块，用于基于电力负荷训练数据集进行多维相空间重构，得到电力负荷的多维向量；
预测模块，用于基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到电力负荷预测值。
进一步的，多维相空间重构的方法为：基于电力负荷训练数据集和延迟坐标方法进行多维相空间重构；
所述延迟坐标方法中的延迟时间确定方法为：
电力负荷训练数据集中的电力负荷时间序列为{x(i)}，i＝1,2,…,n，存在其自相关函数
Figure BDA0002952080980000031
将{x(i)}代入R(τ)后，得到R(τ)随着延迟时间τ变化的轨迹，当R(τ)的值下降到初始值R(0)与设定下降系数的乘积时，所得对应时间τ作为延迟时间；x(i)代表i时刻电力负荷的值，n为电力负荷时间序列的最大长度；
所述延迟坐标方法中的嵌入维数确定方法为：
使用虚假最临近点法进行选取，应用电力负荷训练数据集中的电力负荷时间序列，从嵌入维数2开始计算虚假最临近点的比例，逐步增加维数，直至虚假最临近点的比例小于设定比例或者其数目不再随着维数的增加而减少，将此时的维数选作嵌入维数。
进一步的，基于电力负荷的多维向量对电力负荷进行预测，方法为：
选取k个与电力负荷多维向量中最后一个向量最临近的向量，再取这k个最临近向量的平均值作为下个延迟时间的多维向量，实现下个延迟时间的电力负荷状态的预测；
使用循环计算的方法来确定最临近向量的数目，从k＝1开始，直至电力负荷状态预测误差小于设定值以及计算时间小于设定时间为止；
选取预测值点集得到滤波器数据集合，方法为：
采取对称采样的策略选取2m+1个Sigma点及其权重来表征电力负荷预测的状态，预测均值为Sigma点集的中心，其它所有点关于均值对称分布，且所有权重之和为1，m为电力负荷状态变量的维数；Sigma点组成预测值点集。
有益效果：本发明基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到准确的电力负荷预测值，通过结合集成集合卡尔曼滤波和相空间重构方法能得到更好的负荷预测效果。
附图说明
图1是本发明具体实施方式中的一种负荷预测方法流程图；
图2是电热水器负荷预测值、实际值及误差图；
图3是空调负荷预测值、实际值及误差图；
图4是总负荷预测值与实际的比较图；
图5是总负荷预测误差图；
图6是本发明方法与基于传统相空间重构的负荷预测误差图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明所述的数据驱动，是指针对没有模型的随机***，使用大量的采集数据对***行为进行预测。
实施例1：
如图1所示，一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法，包括步骤：
步骤1，获取非侵入式终端采集的电力用户负荷数据，作为电力负荷训练数据集；
电力负荷训练数据集，包括各种采样时间间隔的电力用户负荷数据。
非侵入式终端，可以是单相终端，也可以是三相终端。
步骤2，基于电力负荷训练数据集和延迟坐标方法进行多维相空间重构，得到电力负荷的多维向量；
延迟坐标方法是通过一维时间序列的不同延迟时间来构建多维的相空间矢量。
在相空间重构过程中，首先需要选择延时坐标方法中用到的两个参数，即延迟时间和嵌入维数。嵌入维数是指原来是一维的时间序列，通过延迟坐标的方法处理后，变成多维时间序列，最终的维数值就是嵌入维数。
使用自相关函数法来确定延迟时间。假设电力用户负荷数据{x(i)}，i＝1,2,…,n，存在其自相关函数
Figure BDA0002952080980000041
将电力负荷训练数据集中的电力负荷时间序列数据{x(i)}代入R(τ)后，得到R(τ)随着延迟时间τ变化的轨迹。当R(τ)的值下降到初始值R(0)与设定下降系数的乘积时，所得对应时间τ作为延迟时间。
x(i)代表i时刻电力负荷的值，i的范围为1,2,…,n，n为电力负荷时间序列的最大长度；
下降系数可以根据具体应用进行选择，下降系数一个常用的经验值为1-1/e。
关于嵌入维数，使用虚假最临近点法进行选取。对于多维相空间中的每一个向量，都有一个欧几里德距离的最邻近点。当相空间的维数增加时，两点之间的距离会发生变化。如果距离变化超过判断门槛值，就称这两点为虚假临近点。应用电力负荷训练数据集中的电力负荷时间序列，从嵌入维数2开始计算虚假最临近点的比例，然后逐步增加维数，直至虚假最临近点的比例小于设定比例或者其数目不再随着维数的增加而减少，即可将此时的维数选作嵌入维数。
根据嵌入维数和延迟时间，得到多维向量，构成了多维相空间，从而完成了相空间的重构。
延迟时间、嵌入维数选取结束后，基于电力负荷训练数据集来重构相空间和使用该相空间进行各种时间尺度的电力负荷预测。
虚假最临近点的判断门槛值可以根据具体情况灵活选择，判断门槛值通常大于10且小于50。
步骤3，基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到准确的电力负荷预测值。
根据连续函数的性质，如果两个向量
Figure BDA0002952080980000051
与
Figure BDA0002952080980000052
很接近，那么
Figure BDA0002952080980000053
与
Figure BDA0002952080980000054
也很接近。根据欧几里德范数||·||2，选取k个电力负荷多维向量中最后一个向量的最临近向量，再取这k个最临近向量的平均值作为下个延迟时间的多维向量，即可实现下个延迟时间的电力负荷状态的预测。
使用循环计算的方法来确定最临近向量的数目，从k＝1开始，直至电力负荷状态预测误差小于设定值以及计算时间小于设定时间为止。
通过无迹变换的方法选择预测值点集，直至滤波器数据集合中的数目达到预先设定值q。将滤波器数据集合的q个数据输入集合卡尔曼滤波器，对电力负荷状态预测值进行优化滤波，从而得到一个更高精度的电力负荷预测值。
通过无迹变换的方法选择预测值点集的方法为：采取对称采样的策略选取2m+1(m为电力负荷状态变量的维数)个Sigma点及其相关权重来表征电力负荷预测的状态，预测均值为Sigma点集的中心，其它所有点关于均值对称分布，且所有权重之和为1。
可以根据Sigma点组成的滤波器预测状态集合，依次产生相应的状态误差集合、观测误差集合、预测状态误差协方差、预测状态误差与观测误差之间的协方差、观测误差协方差。在产生预测状态集合的基础上，使用集合卡尔曼滤波方程对预测集合中的数据元素进行校正。
实施例2：
一种基于数据驱动集合卡尔曼滤波的电力负荷预测装置，包括：
电力负荷训练数据集获取模块，用于获取电力用户负荷数据，作为电力负荷训练数据集；
多维向量获取模块，用于基于电力负荷训练数据集进行多维相空间重构，得到电力负荷的多维向量；
预测模块，用于基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到电力负荷预测值。
进一步的，多维相空间重构的方法为：基于电力负荷训练数据集和延迟坐标方法进行多维相空间重构；
所述延迟坐标方法中的延迟时间确定方法为：
电力负荷训练数据集中的电力负荷时间序列为{x(i)}，i＝1,2,…,n，存在其自相关函数
Figure BDA0002952080980000061
将{x(i)}代入R(τ)后，得到R(τ)随着延迟时间τ变化的轨迹，当R(τ)的值下降到初始值R(0)与设定下降系数的乘积时，所得对应时间τ作为延迟时间；x(i)代表i时刻电力负荷的值，n为电力负荷时间序列的最大长度；
所述延迟坐标方法中的嵌入维数确定方法为：
使用虚假最临近点法进行选取，应用电力负荷训练数据集中的电力负荷时间序列，从嵌入维数2开始计算虚假最临近点的比例，逐步增加维数，直至虚假最临近点的比例小于设定比例或者其数目不再随着维数的增加而减少，将此时的维数选作嵌入维数。
进一步的，基于电力负荷的多维向量对电力负荷进行预测，方法为：
选取k个与电力负荷多维向量中最后一个向量最临近的向量，再取这k个最临近向量的平均值作为下个延迟时间的多维向量，实现下个延迟时间的电力负荷状态的预测；
使用循环计算的方法来确定最临近向量的数目，从k＝1开始，直至电力负荷状态预测误差小于设定值以及计算时间小于设定时间为止；
选取预测值点集得到滤波器数据集合，方法为：
采取对称采样的策略选取2m+1个Sigma点及其权重来表征电力负荷预测的状态，预测均值为Sigma点集的中心，其它所有点关于均值对称分布，且所有权重之和为1，m为电力负荷状态变量的维数；Sigma点组成预测值点集。
案例：
在电力负荷的预测过程中，由于数学模型的简化、各种影响因子的忽略、不当的参数选取、训练样本不完整等因素的存在，导致预测值与真实值之间一般总有误差。一种简单的评价指标是绝对误差，即负荷预测值与真实值之间的差值。但是，这种评价指标对误差大小的表达不够直观。本发明使用相对误差来作为评价指标，更加直观。假设y(t)和
Figure BDA0002952080980000071
分别是t时刻的负荷真实值和预测值，则它们之间的相对误差e，如式(1)所示：
Figure BDA0002952080980000072
训练样本数据：
训练样本数据来自非侵入式终端量测得到的河北省保定市五个家庭用户2019年7月10日到7月15日的用电数据，包括电热水器、空调的负荷以及家庭总负荷，采样间隔为15分钟。表1给出了所采集的训练样本数据。
表1训练样本集
日期 小时 分钟 电热水器 空调 总负荷(kW)
10 0 15 23.1936 104.7809 170.4189
10 0 30 22.6742 105.2433 149.0911
10 0 45 24.5183 100.8724 141.4056
… … … … … …
15 23 30 30.0964 99.8149 216.7732
15 23 45 28.4310 92.5737 197.5213
对于一维电力负荷时间序列，对每一个状态选取3个Sigma点组成点集。中心点的权重W0取0.5，另外两点的权重W1、W2均为0.25。主要参数如表2所示。
表2主要参数
延迟时间τ 2
嵌入维数d 6
Sigma点数 3
权重W0 0.5
权重W<sup>1</sup>、W<sup>2</sup> 0.25
最临近向量数 自适应
实验结果：
通过本发明方法分别得到热水器、空调和家庭总负荷的预测值。图2给出了一天中电热水器负荷的预测值、实际值和相对误差。可以看出，误差范围主要集中在+7～-10之间，预测效果令人满意。图3给出了一天中空调负荷的预测值、实际值和相对误差，误差范围主要集中在+15～-15之间，预测效果比较令人满意。由于空调的使用受个人习惯、家庭经济状况等众多因素影响，因此随机性较大，预测误差相对较大。图4为家庭总负荷的预测值、实际值的比较结果(纵轴数值应放大10倍)，相对误差如图5所示，误差范围主要集中在+9％～-8％之间，取得了较好的预测效果。同时，将单纯基于相空间重构方法的预测结果与实际值作比较，相对误差如图6所示，误差范围为+13％～-20％。对比图5和图6发现集成集合卡尔曼滤波的相空间重构方法能得到更好的负荷预测效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，包括步骤：
获取电力用户负荷数据，作为电力负荷训练数据集；
基于电力负荷训练数据集进行多维相空间重构，得到电力负荷的多维向量；
基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到电力负荷预测值。
2.根据权利要求1所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，多维相空间重构的方法为：基于电力负荷训练数据集和延迟坐标方法进行多维相空间重构。
3.根据权利要求2所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，所述延迟坐标方法中的延迟时间确定方法为：
电力负荷训练数据集中的电力负荷时间序列为{x(i)}，i＝1,2,…,n，存在其自相关函数
Figure FDA0002952080970000011
将{x(i)}代入R(τ)后，得到R(τ)随着延迟时间τ变化的轨迹，当R(τ)的值下降到初始值R(0)与设定下降系数的乘积时，所得对应时间τ作为延迟时间；x(i)代表i时刻电力负荷的值，n为电力负荷时间序列的最大长度。
4.根据权利要求2或3所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，所述延迟坐标方法中的嵌入维数确定方法为：
使用虚假最临近点法进行选取，应用电力负荷训练数据集中的电力负荷时间序列，从嵌入维数2开始计算虚假最临近点的比例，逐步增加维数，直至虚假最临近点的比例小于设定比例或者其数目不再随着维数的增加而减少，将此时的维数选作嵌入维数。
5.根据权利要求1所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，基于电力负荷的多维向量对电力负荷进行预测，方法为：
选取k个与电力负荷多维向量中最后一个向量最临近的向量，再取这k个最临近向量的平均值作为下个延迟时间的多维向量，实现下个延迟时间的电力负荷状态的预测。
6.根据权利要求5所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，使用循环计算的方法来确定最临近向量的数目，从k＝1开始，直至电力负荷状态预测误差小于设定值以及计算时间小于设定时间为止。
7.根据权利要求5所述的基于数据驱动集合卡尔曼滤波的电力负荷预测方法，其特征在于，选取预测值点集得到滤波器数据集合，方法为：
采取对称采样的策略选取2m+1个Sigma点及其权重来表征电力负荷预测的状态，预测均值为Sigma点集的中心，其它所有点关于均值对称分布，且所有权重之和为1，m为电力负荷状态变量的维数；Sigma点组成预测值点集。
8.一种基于数据驱动集合卡尔曼滤波的电力负荷预测装置，其特征在于，包括：
电力负荷训练数据集获取模块，用于获取电力用户负荷数据，作为电力负荷训练数据集；
多维向量获取模块，用于基于电力负荷训练数据集进行多维相空间重构，得到电力负荷的多维向量；
预测模块，用于基于电力负荷的多维向量对电力负荷进行预测，选取预测值点集得到滤波器数据集合，通过集合卡尔曼滤波对滤波器数据集合中的数据元素进行校正，得到电力负荷预测值。
9.根据权利要求1所述的基于数据驱动集合卡尔曼滤波的电力负荷预测装置，其特征在于，多维相空间重构的方法为：基于电力负荷训练数据集和延迟坐标方法进行多维相空间重构；
所述延迟坐标方法中的延迟时间确定方法为：
电力负荷训练数据集中的电力负荷时间序列为{x(i)}，i＝1,2,…,n，存在其自相关函数
Figure FDA0002952080970000021
将{x(i)}代入R(τ)后，得到R(τ)随着延迟时间τ变化的轨迹，当R(τ)的值下降到初始值R(0)与设定下降系数的乘积时，所得对应时间τ作为延迟时间；x(i)代表i时刻电力负荷的值，n为电力负荷时间序列的最大长度；
所述延迟坐标方法中的嵌入维数确定方法为：
使用虚假最临近点法进行选取，应用电力负荷训练数据集中的电力负荷时间序列，从嵌入维数2开始计算虚假最临近点的比例，逐步增加维数，直至虚假最临近点的比例小于设定比例或者其数目不再随着维数的增加而减少，将此时的维数选作嵌入维数。
10.根据权利要求8所述的基于数据驱动集合卡尔曼滤波的电力负荷预测装置，其特征在于，基于电力负荷的多维向量对电力负荷进行预测，方法为：
选取k个与电力负荷多维向量中最后一个向量最临近的向量，再取这k个最临近向量的平均值作为下个延迟时间的多维向量，实现下个延迟时间的电力负荷状态的预测；
使用循环计算的方法来确定最临近向量的数目，从k＝1开始，直至电力负荷状态预测误差小于设定值以及计算时间小于设定时间为止；
选取预测值点集得到滤波器数据集合，方法为：
采取对称采样的策略选取2m+1个Sigma点及其权重来表征电力负荷预测的状态，预测均值为Sigma点集的中心，其它所有点关于均值对称分布，且所有权重之和为1，m为电力负荷状态变量的维数；Sigma点组成预测值点集。
CN202110210491.2A 2021-02-25 2021-02-25 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置 Pending CN112990557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110210491.2A CN112990557A (zh) 2021-02-25 2021-02-25 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110210491.2A CN112990557A (zh) 2021-02-25 2021-02-25 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置

Publications (1)

Publication Number Publication Date
CN112990557A true CN112990557A (zh) 2021-06-18

Family

ID=76350563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110210491.2A Pending CN112990557A (zh) 2021-02-25 2021-02-25 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置

Country Status (1)

Country Link
CN (1) CN112990557A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596407A (zh) * 2018-05-15 2018-09-28 浙江工业大学 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法
CN110707693A (zh) * 2019-10-18 2020-01-17 燕山大学 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法
CN111815022A (zh) * 2020-06-05 2020-10-23 国网山东省电力公司济南供电公司 一种基于延时坐标嵌入法的电力负荷预测方法
CN112232593A (zh) * 2020-11-04 2021-01-15 武汉理工大学 一种基于相空间重构和数据驱动的电力负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596407A (zh) * 2018-05-15 2018-09-28 浙江工业大学 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法
CN110707693A (zh) * 2019-10-18 2020-01-17 燕山大学 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法
CN111815022A (zh) * 2020-06-05 2020-10-23 国网山东省电力公司济南供电公司 一种基于延时坐标嵌入法的电力负荷预测方法
CN112232593A (zh) * 2020-11-04 2021-01-15 武汉理工大学 一种基于相空间重构和数据驱动的电力负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
顾炉华等: ""基于集合卡尔曼滤波的实时校正方法"", 《水利水电科技进展》, 31 March 2017 (2017-03-31), pages 73 - 77 *

Similar Documents

Publication Publication Date Title
GB2547816B (en) Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation
WO2016101628A1 (zh) 一种数据建模中的数据处理方法及装置
CN102831488B (zh) 基于改进的灰色预测法的电力负荷预测方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN105023066B (zh) 一种基于季节调整的业扩报装分析预测***及方法
CN108074015B (zh) 一种风电功率超短期预测方法及***
CN105260802B (zh) 基于修正业扩生长曲线与季节调整的月度电量预测方法
CN106980910B (zh) 中长期电力负荷测算***及方法
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN103177188A (zh) 一种基于特征映射的电力***负荷动特性分类方法
CN110490369A (zh) 一种基于ewt和lssvm模型的短期电力负荷预测方法
CN113159106A (zh) 一种基于形态趋势特征的负荷曲线聚类方法、介质及设备
Deshpande et al. Pareto front approximation using a hybrid approach
CN114498619A (zh) 一种风电功率预测方法及装置
Dudek et al. Medium-term electric energy demand forecasting using Nadaraya-Watson estimator
CN112215398A (zh) 电力用户负荷预测模型建立方法、装置、设备及存储介质
CN111062539A (zh) 基于次级用电量特性聚类分析的总电量预测方法
CN116226468B (zh) 基于网格化终端业务数据存储管理方法
CN112990557A (zh) 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置
CN103578274A (zh) 一种交通流预测方法及装置
Panapakidis et al. Three-stage clustering procedure for deriving the typical load curves of the electricity consumers
CN113449922B (zh) 银行网点选址方法及装置
CN115829123A (zh) 基于灰色模型与神经网络的天然气需求预测方法及装置
CN106897553B (zh) 基于单传感器的家庭智能用电模型建立方法
Majidpour Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210618

RJ01 Rejection of invention patent application after publication