本发明涉及电力领域，具体涉及一种自适应权重的综合短期用电负荷预测方法。
背景技术：
：短期用电负荷预测是智慧安全用电监控系统的重要组成功能，负荷预测是电力系统安全运行的基础,由于居民用电负荷的随机性和波动性,可能会影响电力系统的正常运行与维护,因此准确预测居民用电负荷为电网的实时调度提供了有利指导。短期用电负荷预测与用电趋势分析、经济调度运行、用户需求侧管理、电力交易等密切相关。影响电力短期负荷变化的因素很多，诸如气象因素，节假日信息等。传统的预测方法大多采用单一方面预测的方式，短期用电负荷预测的变量因素单一。基于多个单一预测方法，建立综合预测模型，能够显著提高负荷预测的准确率。技术实现要素：为了克服现有技术中的不足，本发明提出一种自适应权重的综合短期用电负荷预测方法，其能综合电力负荷多方面的特征因素，提高短期用电负荷预测的准确率。为了实现上述目的，本发明的一种自适应权重的综合短期用电负荷预测方法，包括以下步骤，s1：定义综合预测模型对应的特征因素和单一预测方法；s2：针对不同特征因素，通过不同的单一预测方法进行负荷预测得到负荷预测结果；s3：采用bp神经网络算法对不同特征因素的负荷预测结果综合预测。进一步的，s1中对应的特征因素包括节假日类型、星期类型和温度。进一步的，针对节假日类型的特征因素采用逐点增长法，具体的计算步骤为：s11：计算各年相关日t时刻的负荷平均值，公式为：其中，1≤y≤y，y为正整数，y为拥有的相关历史数据的年数量，1≤t≤t≤24,t为正整数；1≤n，n为正整数，n为相关日的数量，其中pyit为已知的第y年的第i相关日的t时刻的负荷，相关日为节假日前d天，d≥7，且d为正整数，s12:计算比值系数，公式为其中py0t为第y年与相关日对应的节假日t时刻的负荷，qyt为比值系数，s13:将各年比值系数以及对应的年份按顺序列举形成数列，一个数列为：q1t、q2t、.......qyt；另一个数列为q1t、q2t、.......qyt所对应的年份，将对应的年份作为自变量，q1t、q2t、.......qyt作为因变量并做一元线性回归，将预测年的第m年的年份带入到一元线性回归方程中计算出预测的第m年的比例系数为qmt，s14:依据公式获得第m年t时刻已知的相关日的平均负荷，根据公式变形推导，其中是第m年相关日t时刻的日平均负荷，qmt是s13中计算获得的预测的第m年的比例系数，pmt是预估节假日将产生的负荷。进一步的，针对星期类型的特征因素采用倍比增长法，具体的计算公式为：，其中pt为待预测日t时刻的负荷值，a1t为第一个周期的不同星期类型日t时刻负荷的平滑值，a2t为第二个周期的不同星期类型日t时刻的负荷的平滑值，p1t是第一个周期的同一星期类型日t时刻的负荷值，第一周期为预测日前7天，不同星期类型为除待预测日的一周其他时刻，第二周期为预测日前8-14天，平滑值是通过指数平滑法获得的值。进一步的，针对温度的特征因素采用相似度外推法，具体步骤为，s21：获得多日温度在同一t时刻的量化值；s22：获得多日t时刻的温度下所对应的负荷值；s31：获得多日温度的相似度，将温度相似度作为权重，温度的量化值作为因变量，t时刻的负荷量作为自变量，将温度的量化、温度相似度以及t时刻的负荷量做一元线性回归，将预测日的时间带入一元线性回归后的一元方程中获得预测的负荷值，温度相似度是温度的量化值与t时刻之间线性相关程度的量。进一步的，针对假日类型、星期类型和温度依次获得的计算多个一一对应的结果集合为{x11、x12、......、x1t}、{x21、x22、......、x2t}、{xq1、xq2、......、xqt},其中其中q为特征因素个数，t为日预测点个数。进一步的，将假日类型、星期类型和温度对应的结果集合输入到bp神经网络的节点中，bp神经网络的节点为{x1t、x2t、......、xqt，v1t、v2t......vqt},t=1、2、3......t;xqt为q特征因素t时刻的负荷预测结果，vqt为q特征因素t时刻的值。有益效果：对不同特征因素造成的用电负荷的变化，采用bp神经网络综合分析计算，再通过bp神经网络计算出预测年的用电负荷，由于采用了不同特征因素来规范bp神经网络的输入数据，所以提高了bp神经网络预测的用电负荷的准确度。附图说明下面结合附图对本发明作进一步描写和阐述。图1是本实施例整体的流程图；图2是本实施例的流程图。具体实施方式下面将结合附图、通过对本发明的优选实施方式的描述，更加清楚、完整地阐述本发明的技术方案。本发明提出的一种自适应权重的综合短期用电负荷预测方法，包括以下步骤，s1：定义综合预测模型对应的特征因素和单一预测方法；s2：针对不同特征因素，通过不同的单一预测方法进行负荷预测得到负荷预测结果；s3：采用bp神经网络算法对不同特征因素的负荷预测结果综合预测。步骤s1中特征因素可以有很多个，而且特征因素越多预测的结果将会越准确。本实施例中特征因素将选取节假日类型、星期类型、温度和湿度。在步骤s2中，首先对节假日类型的特征因素按照特定的方法处理，该方法为逐点增长法。具体的方法步骤如下：步骤s11：计算各年相关日t时刻的负荷平均值，公式为：其中，1≤y≤y，y为正整数，y为拥有的相关历史数据的年数量；1≤t≤t≤24,t为正整数，1≤n，n为正整数，n为相关日的数量，其中pyit为已知的第y年的第i相关日的t时刻的负荷，相关日为节假日前d天，d≥7，且d为正整数，例如，取用第y年的历史数据，节假日类型取用第y年的春节，相关日则为春节前连续7天。则公式中的n为7，pyit为春节前连续7天t时刻已知的负荷，算出来的则为春节前7天t时刻的平均的负荷。步骤s12:计算比值系数，公式为其中py0t为第y年与相关日对应的节假日t时刻的负荷，qyt为比值系数，具体，根据步骤s11中所举例的，py0t则为春节t时刻已知的负荷，则为春节前7天t时刻的负荷平均值。步骤s13:将各年计算的并且已知的比值系数以及对应的年份按顺序列举形成数列，一个数列为：q1t、q2t、.......qyt，另一个数列为q1t、q2t、.......qyt所对应的年份，将对应的年份作为自变量，q1t、q2t、.......qyt作为因变量并做一元线性回归，一元线性回归是分析只有一个自变量和一个因变量线性相关关系的数学方法，属于计算两个变量之间线性关系常用的数学手段。将预测年：如第m年的年份带入到一元线性回归方程中的自变量中，就可以计算出预测的第m年的比例系数为qmt；步骤s14:获得第m年t时刻已知相关日的平均负荷根据公式变形推导，，其中是第m年相关日t时刻的已知的日平均负荷，qmt是s13中计算获得的预测的第m年的比例系数，pmt是预估节假日将产生的负荷。一般预测都是今年的负荷值，所以步骤s14中的第m年相关日t时刻，也就是为今前年份的t时刻，也就是说，当前年份（第m年）的春节的相关日t时刻的负荷是已知的，一般是已经经过的日子。将已知的当前年份的春节的相关日t时刻的负荷按s14中公式算得负荷平均值。再根据变形公式，，将s13中的qmt以及s14中的带入到公式中就可以算出当前年份（第m年）的春节的预测负荷pmt。在步骤s2中，针对星期类型的特征因素采用倍比增长法，具体的计算公式为：其中pt为待预测日t时刻的负荷值，a1t为第一个周期的不同星期类型日t时刻负荷的平滑值，a2t为第二个周期的不同星期类型日t时刻的负荷的平滑值，p1t是第一个周期的同一星期类型日t时刻的负荷值，第一周期为预测日前7天，不同星期类型为除待预测日的一周其他时刻，第二周期为预测日前8-14天，平滑值是通过指数平滑法获得的值。例如：待预测日t时刻为星期日的t时刻，第一周期为此星期日前7天（即第一周期为预测日前星期一至星期天，由于a1t是不同星期类型日，所以a1t实际具体为预测日前一周中的星期一至星期六）的t时刻负荷的平滑值，第二周期为预测日前8天至14天（由于a2t是不同星期类型日，所以a2t是预测日前第二周期中的星期一至星期六）的t时刻的负荷的平滑值。所谓平滑值就是指数平滑法获得的值，指数平滑法是一种特殊的、已知的统计学中的加权移动平均法，基本公式为st=ayt-（1-a）st-1。简单的说，所计算获得的值为预测日的不同星期类型日负荷值，与预测日前一个不同星期类型日负荷值的一个倍数。将该倍数乘以第一个周期中的同星期类型日的负荷值，由于第一周期为预测日前的星期一至星期天，预测日前的星期天为第一个周期的同一星期类型日t时刻的负荷值。在步骤s2中，针对温度的特征因素采用相似度外推法；具体步骤为，s21：获得多日温度在同一t时刻的所获得的量化值；s22：获得多日t时刻的温度下所对应的负荷值；s23：获得多日温度的相似度，将温度相似度作为权重，温度的量化值作为因变量，t时刻的负荷量作为自变量，将温度的量化、温度相似度以及t时刻的负荷量做一元线性回归，将预测日的时间带入一元线性回归后的一元方程中获得预测的负荷值。所述的温度相似度，也就是温度与日期的相关系数，相关系数是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量。针对湿度同样采用相似度外推法，同样获得湿度的一元线性回归后的一元方程中获得预测的负荷值。针对假日类型、星期类型、湿度和温度依次获得的计算多个一一对应的结果集合为{x11、x12、......、x1t}、{x21、x22、......、x2t}、......{xq1、xq2、......、xqt},其中其中q为特征因素个数，t为日预测点个数，t为96。将假日类型、星期类型和温度对应的结果集合输入到bp神经网络的节点中，bp神经网络的节点为{x1t、x2t、......、xqt，v1t、v2t......vqt},t=1、2、3......t;xqt为q特征因素t时刻的负荷预测结果，vqt为q特征因素t时刻的值。总体的流程图如图2所示。所取得的效果，例如以0点为例，神经网络的输入如表1所示：输入节点输入值节假日特征因素0点预测值100.35mwh星期特征因素0点预测105.18mwh温度特征因素0点预测值101.13湿度特征因素0点预测值102.77节假日类型3（五一）星期类型1（周一）0点温度28.30点湿度68%表1神经网络根据输入值（xqt）输出输出节点的0时刻预测值（vqt）为102.15mwh。对不同特征因素造成的用电负荷的变化，采用bp神经网络综合分析计算，再通过bp神经网络计算出预测年的用电负荷，由于采用了不同特征因素来规范bp神经网络的输入数据，所以提高了bp神经网络预测的用电负荷的准确度。为描述算法的有效性，通过计算预测的均方根误差rmse，平均绝对百分误差mape，得到单一预测算法和综合预测算法的结果比较见表2，可以看出采用自适应权重的综合短期用电负荷预测方法，负荷预测精度有明显的提高。方法rmsemape节假日（逐点增长法）32.170.028星期（倍比增长法）47.120.036温度（相似度外推法）37.630.031湿度（相似度外推法）48.780.037综合预测24.870.015表2上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。本发明的保护范围由权利要求确定。当前第1页1 2 3
技术特征：1.一种自适应权重的综合短期用电负荷预测方法，其特征在于，包括以下步骤：
s1：定义综合预测模型对应的特征因素和单一预测方法；
s2：针对不同特征因素，通过不同的单一预测方法进行负荷预测得到负荷预测结果；
s3：采用bp神经网络算法对不同特征因素的负荷预测结果综合预测。
2.根据权利要求1所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，所述s1中对应的特征因素包括节假日类型、星期类型和温度。
3.根据权利要求2所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，针对所述节假日类型的特征因素采用逐点增长法，具体的计算步骤为：
s11：计算各年相关日t时刻的负荷平均值，公式为：
其中，1≤y≤y，y为正整数，y为拥有的相关历史数据的年数量，1≤t≤t≤24,t为正整数，1≤n，n为正整数，n为相关日的数量，
其中pyit为已知的第y年的第i相关日的t时刻的负荷，
所述相关日为节假日前d天，d≥7，且d为正整数，
s12:计算比值系数，公式为其中py0t为第y年与相关日对应的节假日t时刻的负荷，qyt为比值系数，
s13:将各年比值系数以及对应的年份按顺序列举形成数列，一个数列为：q1t、q2t、.......qyt，另一个数列为q1t、q2t、.......qyt所对应的年份，将所述对应的年份作为自变量，q1t、q2t、.......qyt作为因变量并做一元线性回归，将预测年的第m年的年份带入到一元线性回归方程中计算出预测的第m年的比例系数为qmt，
s14:依据公式获得第m年t时刻已知的相关日的平均负荷，根据公式变形推导，其中是第m年相关日t时刻的日平均负荷，qmt是s13中计算获得的预测的第m年的比例系数，pmt是预估节假日将产生的负荷。
4.根据权利要求2所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，针对所述星期类型的特征因素采用倍比增长法，具体的计算公式为：
其中pt为待预测日t时刻的负荷值，a1t为第一个周期的不同星期类型日t时刻负荷的平滑值，a2t为第二个周期的不同星期类型日t时刻的负荷的平滑值，p1t是第一个周期的同一星期类型日t时刻的负荷值，所述第一周期为预测日前7天，所述不同星期类型为除待预测日的一周其他时刻，所述第二周期为预测日前8-14天，所述平滑值是通过指数平滑法获得的值。
5.根据权利要求2所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，针对所述温度的特征因素采用相似度外推法，具体步骤为：
s21：获得多日温度在同一t时刻的量化值；
s22：获得多日t时刻的温度下所对应的负荷值；
s31：获得多日温度的相似度，将温度相似度作为权重，温度的量化值作为因变量，t时刻的负荷量作为自变量，将温度的量化、温度相似度以及t时刻的负荷量做一元线性回归，将预测日的时间带入一元线性回归后的一元方程中获得预测的负荷值，所述温度相似度是温度的量化值与t时刻之间线性相关程度的量。
6.根据权利要求2所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，针对假日类型、星期类型和温度依次获得的计算多个一一对应的结果集合为{x11、x12、......、x1t}、{x21、x22、......、x2t}、{xq1、xq2、......、xqt},其中其中q为特征因素个数，t为日预测点个数。
7.根据权利要求6所述的一种自适应权重的综合短期用电负荷预测方法，其特征在于，将假日类型、星期类型和温度对应的结果集合输入到bp神经网络的节点中，bp神经网络的节点为{x1t、x2t、......、xqt，v1t、v2t......vqt},t=1、2、3......t;xqt为q特征因素t时刻的负荷预测结果，vqt为q特征因素t时刻的值。
技术总结本发明提出一种自适应权重的综合短期用电负荷预测方法，包括步骤，S1：定义综合预测模型对应的特征因素和单一预测方法；S2：针对不同特征因素，通过不同的单一预测方法进行负荷预测得到负荷预测结果；S3：采用BP神经网络算法对不同特征因素的负荷预测结果综合预测。首先根据不同特征因素采用不同的单一预测方法获得预测的结果，再通过BP神经网络对预测结果进行综合预测。
技术研发人员：王祥浩;宣筱青;夏东风
受保护的技术使用者：南京中电科能技术有限公司
技术研发日：2020.03.09
技术公布日：2020.06.05
