CN115719106A - 基于多气象要素的电力负荷预测方法 - Google Patents

Abstract

本发明涉及基于多气象要素的电力负荷预测方法，包括以下步骤：步骤一获取电力负荷数据以及气象数据，步骤二负荷数据进行分解处理，步骤三通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性；本发明的优点：由于步骤二对负荷数据进行分解处理，通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，能更加直观的把握气象数据与电力负荷之间的关联特性，能自动根据预测目标所在电网、时间段选择合适影响因子与较优预测模型，充分利用历史负荷数据的规律性，结合天气，用户特征等不同因素的影响，提高其预测的效率及精度，提高经济效益和社会效益，相比较传统时间序列预测模型可提高3～5个百分点。

Description

基于多气象要素的电力负荷预测方法

技术领域

本发明涉及电力负荷预测技术领域，具体涉及基于多气象要素的电力负荷预测方法。

背景技术

电力负荷预测是电力***中的一项重要工作，精确的负荷预测，电力***负荷预测受气象因素的影响非常大，其中温度对负荷的影响最为显著，比如夏季连续高温天气会导致电力***中出现一个夏季峰值负荷，冬季的寒流也会使负荷急剧增加，其他影响因子包括相对湿度、风速等天气状况也会对电力负荷产生影响，传统的负荷预测基本只使用了较为简单的统计算法，缺乏对各地区负荷特性的综合考虑和气象条件对负荷变化的影响，在很大程度上限制了负荷预测的准确率和精细化程度，进而影响了电力调度和电力交易的效率性和效益性。

发明内容

本发明的目的就是解决现有传统的负荷预测无法考虑气象要素从而导致存在负荷预测的准确率低的技术问题，提出基于多气象要素的电力负荷预测方法，通过气象因子与电力负荷之间的关联特性来预测电力负荷，实现自动化且高准确性的负荷预测。

为了解决上述技术问题，本发明是通过以下技术方案实现的：基于多气象要素的电力负荷预测方法，包括以下步骤：

步骤一：分别获取电力负荷数据以及气象数据；

步骤二：将步骤一获取的电力负荷数据进行分解处理；

步骤三：通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，并输出结果。

步骤一：步骤二中的负荷数据通过STL分解成趋势负荷、季节分量和剩余分量，且通过以下公式表示：

Y_t＝T_t+S_t+R_t；

其中：Y_t为t时刻原始负荷；T_t为趋势负荷，S_t为季节分量，R_t为剩余分量。

优选的，STL包括内循环和外循环，内循环得到的趋势分量T_t和季节分量S_t，外循环通过内循环得到的趋势分量T_t和季节分量S_t计算剩余分量R_t。

优选的，内循环包括以下步骤：

S1：去趋势：在内循环迭代第k+1次时，用原始序列Y减去上一轮迭代结果中的趋势分量

即

S2：周期子序列平滑：每个周期相同位置的样本点组成一个子序列，通过Loess对每个子序列进行回归平滑，平滑后子序列记为

S3：周期子序列的低通量过滤：对S2获取的

依次做长度为n_p、n_p、3的滑动平均，其中n_p为一个周期中样本数，用Loess做回归后得到周期子序列的低通量

S4：去除平滑周期子序列趋势：记周期季节分量为

S5：去周期：原始序列Y减去S4获取的周期季节分量

S6：趋势平滑：利用Loess对S5得到的

平滑后得到趋势分量

优选的，Loess通过将样本划分成一个个小区间，对区间中样本进行多项式拟合，不断重复该过程得到各区间的加权回归曲线，最终得到完整且平滑的回归曲线，设待拟合的点为x，在Loess回归时，选择q个该点附近的邻居x_i，i∈[1，..，q]来拟合x，每个邻居根据其与x的相对距离进行加权。定义λ_q(x)为最远邻居到x的距离，则每个x_i的权重为：

其中：W为三次权重函数；v_i(x为x_i的权重，距离x越近的点具有更高的权重，随着距离增大，权重逐渐减小，直至最远邻居的权重为0。

优选的，当序列中存在多周期性时，通过多级分解的方法剥离周期性元素，分解顺序为由小周期到大周期：首先通过STL得到小周期对应的周期季节分量、趋势分量和剩余分量；再使用STL从剩余分量分解出大周期对应周期季节分量、趋势分量以及剩余分量；各级周期季节分量、趋势分量分别进行叠加得到最终分量。

优选的，当序列中有异常值，则剩余分量较大，由此计算每个数据点的鲁棒权重，

定义：h＝6median(|R_t|；

对于t时刻的数据点，其鲁棒权重为：

ρ(t)＝B(|R_t|/h)；

式中：B函数为bisquare函数：

优选的，步骤三中的最大信息系数分时段通过互信息和网格划分计算：对于给定变量A＝{a_i，i＝1，2，...，n}和B＝{b_i，i＝1，2，...，n}，其中n为样本数，两者互信息为：

其中，p(a，b)为A和B联合概率密度；p(a)和p(b)分别为A和B的边缘概率密度；

对有序对集合D＝{(a_i，b_i)，i＝1，2，…，n}，定义划分G将变量A的值域划分为x段，将变量B的值域划分为y段，得到的G为x×y的网格，计算每一种划分方式对应的互信息MI(A，B)，取其中互信息最大值作为网格x×y的互信息值，定义网格x×y下D的最大互信息公式为：

式中：D|G表示在划分G下的数据集D；Ω为x×y网格对应的所有划分方式集合，将不同x×y网格下得到的最大互信息归一化后组成特征矩阵：

式中：M(D)_x，y为所有x×y网格组成的最大互信息特征矩阵，而最大信息系数定义为该矩阵中最大值：

式中：Q(n)为样本数n的函数，且Q(n)＝n^0.6；

并通过公式计算两个变量A和B的相互关联程度，计算公式为：

其中：

为变量A的均值；

为变量B的均值。

综上所述，本发明的优点：通过步骤一获取电力负荷数据以及气象数据，步骤二负荷数据进行分解处理，步骤三通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，并输出结果的方法进行电力负荷的预测，由于步骤二对负荷数据进行分解处理，通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，能更加直观的把握气象数据与电力负荷之间的关联特性，能自动根据预测目标所在电网、时间段选择合适影响因子与较优预测模型，最终实现自动化且高准确性的负荷预测，保持电网运行的安全稳定性，充分利用历史负荷数据的规律性，结合天气，用户特征等不同因素的影响，提高其预测的效率及精度，提高经济效益和社会效益，相比较传统时间序列预测模型可提高3～5个百分点。

附图说明

下面结合附图对本发明作进一步说明：

图1为本发明中气象负荷与各气象因子对比的示意图；

图2为本发明中季节气温与气象负荷散点图。

具体实施方式

基于多气象要素的电力负荷预测方法，包括以下步骤：

步骤一：分别获取电力负荷数据以及气象数据，本实施例中电力负荷数据从国家电网获取，气象数据从气象科学数据重心获取；

步骤二：将步骤一获取的电力负荷数据进行分解处理；

步骤三：通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，并输出结果。

通过步骤一获取电力负荷数据以及气象数据，步骤二负荷数据进行分解处理，步骤三通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，并输出结果的方法进行电力负荷的预测，由于步骤二对负荷数据进行分解处理，通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，能更加直观的把握气象数据与电力负荷之间的关联特性，能自动根据预测目标所在电网、时间段选择合适影响因子与较优预测模型，最终实现自动化且高准确性的负荷预测，保持电网运行的安全稳定性，充分利用历史负荷数据的规律性，结合天气，用户特征等不同因素的影响，提高其预测的效率及精度，提高经济效益和社会效益，相比较传统时间序列预测模型可提高3～5个百分点。

步骤二中的负荷数据通过STL分解成趋势负荷、季节分量和剩余分量，且通过以下公式表示：

Y_t＝T_t+S_t+R_t；

其中：Y_t为t时刻原始负荷；T_t为趋势负荷，S_t为季节分量，R_t为剩余分量。

在将STL应用于原始负荷分解时，有以下2个问题：如何确定STL分解方法中周期子序列的周期；一个序列中很有可能存在多种周期性，例如日周期、周周期、年周期，如何获得原始负荷的周期季节分量以及趋势分量。对于大多数负荷序列，都存在明显的周期规律，对于此类负荷，可以直接通过观察确定周期子序列的周期；对于部分周期性不明显的负荷序列，本技术采用间隔循环遍历的方法确定剩余分量最小时对应的周期。当序列中存在多周期性时，本技术使用多级分解的方法剥离周期性元素，分解顺序为由小周期到大周期：首先通过STL得到小周期对应的周期季节分量、趋势分量和剩余分量；再使用STL从剩余分量分解出大周期对应周期季节分量、趋势分量以及剩余分量；各级周期季节分量、趋势分量分别进行叠加得到最终分量。使用STL从原始负荷中分离出趋势负荷与气象负荷，考虑到分解所得的剩余分量为随机因素导致，一般情况下很小，本技术将其加入到气象分量，即最终气象负荷为原始负荷减去趋势负荷。气象负荷与各气象因子对比如图1所示。能够直观地看到，气象负荷中存在季节性波动，且该波动与气温、降雨量气象因子存在十分相近的周期。气象负荷中季节性波动周期为1年，每个周期内存在2个高峰，分别在夏季和冬季，与温度、降雨的波峰和波谷对应。由此可见，气象因子与负荷之间存在一定的关联特性。

STL包括内循环和外循环，内循环得到的趋势分量T_t和季节分量S_t，外循环通过内循环得到的趋势分量T_t和季节分量S_t计算剩余分量R_t。

内循环包括以下步骤：

S1：去趋势：在内循环迭代第k+1次时，用原始序列Y减去上一轮迭代结果中的趋势分量

即

S2：周期子序列平滑：每个周期相同位置的样本点组成一个子序列，通过Loess对每个子序列进行回归平滑，平滑后子序列记为

S3：周期子序列的低通量过滤：对S2获取的

依次做长度为n_p、n_p、3的滑动平均，其中n_p为一个周期中样本数，用Loess做回归后得到周期子序列的低通量

S4：去除平滑周期子序列趋势：记周期季节分量为

S5：去周期：原始序列Y减去S4获取的周期季节分量

S6：趋势平滑：利用Loess对S5得到的

平滑后得到趋势分量

Loess通过将样本划分成一个个小区间，对区间中样本进行多项式拟合，不断重复该过程得到各区间的加权回归曲线，最终得到完整且平滑的回归曲线，设待拟合的点为x，在Loess回归时，选择q个该点附近的邻居x_i，i∈[1，..，q]来拟合x，每个邻居根据其与x的相对距离进行加权。定义λ_q(x)为最远邻居到x的距离，则每个x_i的权重为：

其中：W为三次权重函数；v_i(x)为x_i的权重，距离x越近的点具有更高的权重，随着距离增大，权重逐渐减小，直至最远邻居的权重为0。

当序列中存在多周期性时，通过多级分解的方法剥离周期性元素，分解顺序为由小周期到大周期：首先通过STL得到小周期对应的周期季节分量、趋势分量和剩余分量；再使用STL从剩余分量分解出大周期对应周期季节分量、趋势分量以及剩余分量；各级周期季节分量、趋势分量分别进行叠加得到最终分量。

当序列中有异常值，则剩余分量较大，由此计算每个数据点的鲁棒权重，

定义：h＝6median(|R_t|)；

对于t时刻的数据点，其鲁棒权重为：

ρ(t)＝B(|R_t|/h)；

式中：B函数为bisquare函数：

步骤三中的最大信息系数分时段通过互信息和网格划分计算：对于给定变量A＝{a_i，i＝1，2，...，n}和B＝{b_i，i＝1，2，...，n}，其中n为样本数，两者互信息为：

其中，p(a，b)为A和B联合概率密度；p(a)和p(b)分别为A和B的边缘概率密度；对有序对集合D＝{(a_i，b_i)，i＝1，2，…，n}，定义划分G将变量A的值域划分为x段，将变量B的值域划分为y段，得到的G为x×y的网格，计算每一种划分方式对应的互信息MI(A，B)，取其中互信息最大值作为网格x×y的互信息值，定义网格x×y下D的最大互信息公式为：

式中：D|G表示在划分G下的数据集D；Ω为x×y网格对应的所有划分方式集合，将不同x×y网格下得到的最大互信息归一化后组成特征矩阵：

式中：M(D)_x，y为所有x×y网格组成的最大互信息特征矩阵，而最大信息系数定义为该矩阵中最大值：

式中：Q(n)为样本数n的函数，且Q(n)＝n^0.6；

并通过公式计算两个变量A和B的相互关联程度，计算公式为：

其中：

为变量A的均值；

为变量B的均值。

如图2所示，为各季节气温与气象负荷散点图，并给出了各季气温与气象负荷之间的Pearson相关系数与MIC计算结果，观察春秋两季，气温与气象负荷之间存在明显的非线性关系，当气温小于图中红线标注阈值时，气象负荷随气温增大而减小，反之大于阈值时，气象负荷随气温增大而增大。但是春秋两季的Pearson相关系数分别为-0.05和0.02，无法体现出气温与气象负荷之间的非线性关系。反观MIC，其计算结果为0.17和0.35，尽管数值依旧较小，但能从一定程度上刻画春秋季气温与气象负荷的非线性关系。

以上所述仅为本发明的具体实施例，但本发明的技术特征并不局限于此，任何本领域的技术人员在本发明的领域内，所作的变化或修饰皆涵盖在本发明的专利范围之中。

Claims (8)

1.基于多气象要素的电力负荷预测方法，其特征在于：包括以下步骤：

步骤一：分别获取电力负荷数据以及气象数据；

步骤二：将步骤一获取的电力负荷数据进行分解处理；

步骤三：通过最大信息系数分时段计算各气象数据与气象负荷之间的关联性，并输出结果。

2.根据权利要求1所述的基于多气象要素的电力负荷预测方法，其特征在于：步骤二中的负荷数据通过STL分解成趋势负荷、季节分量和剩余分量，且通过以下公式表示：

Y_t＝T_t+S_t+R_t；

其中：Y_t为t时刻原始负荷；T_t为趋势负荷，S_t为季节分量，R_t为剩余分量。

3.根据权利要求2所述的基于多气象要素的电力负荷预测方法，其特征在于：STL包括内循环和外循环，内循环得到的趋势分量T_t和季节分量S_t，外循环通过内循环得到的趋势分量T_t和季节分量S_t计算剩余分量R_t。

4.根据权利要求3所述的基于多气象要素的电力负荷预测方法，其特征在于：内循环包括以下步骤：

S1：去趋势：在内循环迭代第k+1次时，用原始序列Y减去上一轮迭代结果中的趋势分量

即

S2:周期子序列平滑:每个周期相同位置的样本点组成一个子序列，通过Loess对每个子序列进行回归平滑，平滑后子序列记为

S3：周期子序列的低通量过滤：对S2获取的

依次做长度为n_p、n_p、3的滑动平均，其中n_p为一个周期中样本数，用Loess做回归后得到周期子序列的低通量

S4：去除平滑周期子序列趋势：记周期季节分量为

S5：去周期：原始序列Y减去S4获取的周期季节分量

S6：趋势平滑：利用Loess对S5得到的

平滑后得到趋势分量

5.根据权利要求4所述的基于多气象要素的电力负荷预测方法，其特征在于：Loess通过将样本划分成一个个小区间，对区间中样本进行多项式拟合，不断重复该过程得到各区间的加权回归曲线，最终得到完整且平滑的回归曲线，设待拟合的点为x，在Loess回归时，选择q个该点附近的邻居x_i，i∈[1，...，q]来拟合x，每个邻居根据其与x的相对距离进行加权；定义λ_q(x)为最远邻居到x的距离，则每个x_i的权重为：

其中：W为三次权重函数；v_i(x)为x_i的权重，距离x越近的点具有更高的权重，随着距离增大，权重逐渐减小，直至最远邻居的权重为0。

6.根据权利要求4所述的基于多气象要素的电力负荷预测方法，其特征在于：当序列中存在多周期性时，通过多级分解的方法剥离周期性元素，分解顺序为由小周期到大周期：首先通过STL得到小周期对应的周期季节分量、趋势分量和剩余分量；再使用STL从剩余分量分解出大周期对应周期季节分量、趋势分量以及剩余分量；各级周期季节分量、趋势分量分别进行叠加得到最终分量。

7.根据权利要求3所述的基于多气象要素的电力负荷预测方法，其特征在于：当序列中有异常值时则剩余分量较大，由此计算每个数据点的鲁棒权重，定义：h＝6median(|R_t|)；

对于t时刻的数据点，其鲁棒权重为：

ρ(t)＝B(|R_t|/h)；

式中：B函数为bisquare函数：

8.根据权利要求1所述的基于多气象要素的电力负荷预测方法，其特征在于：步骤三中的最大信息系数分时段通过互信息和网格划分计算：对于给定变量A＝{a_i，i＝1，2，...，n}和B＝{b_i，i＝1，2，...，n}，其中n为样本数，两者互信息为：

其中，p(a，b)为A和B联合概率密度；p(a)和p(b)分别为A和B的边缘概率密度；

对有序对集合D＝{(a_i，b_i)，i＝1，2，…，n}，定义划分G将变量A的值域划分为x段，将变量B的值域划分为y段，得到的G为x×y的网格，计算每一种划分方式对应的互信息MI(A，B)，取其中互信息最大值作为网格x×y的互信息值，定义网格x×y下D的最大互信息公式为：

式中：D|G表示在划分G下的数据集D；Ω为x×y网格对应的所有划分方式集合，将不同x×y网格下得到的最大互信息归一化后组成特征矩阵：

式中：M(D)_x，y为所有x×y网格组成的最大互信息特征矩阵，而最大信息系数定义为该矩阵中最大值：

式中：Q(n)为样本数n的函数，且Q(n)＝n^0.6；

并通过公式计算两个变量A和B的相互关联程度，计算公式为：

其中：

为变量A的均值；

为变量B的均值。

Images