一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法
一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法
【技术领域】
[0001]本发明属于电力系统电能量数据应用技术领域，尤其涉及一种基于季节卡尔曼滤 波模型的电力负荷自适应预测方法。
【背景技术】
[0002]卡尔曼滤波器(Kalman filtering)是一种基于最小化协方差估计误差的线性模 型，其具有计算简单，理论基础扎实的优势。于静文，薛蕙，温渤婴.基于卡尔曼滤波的电能 质量分析方法综述[J].电网技术，2010,34(2):97-103,对电能质量问题及其分析检测方法 进行简单介绍;主要综述了常规卡尔曼滤波、扩展卡尔曼滤波和无迹卡尔曼滤波这3种卡尔 曼滤波的基本原理，并对其在电能质量分析中的应用进行了系统的总结，对比分析了各种 方法的利弊。
[0003] 马静波，杨洪耕.自适应卡尔曼滤波在电力系统短期负荷预测中的应用[J].电网 技术，2005，29( 1): 75-79.等研究者考虑电力系统自身变化的特点，将不同日期的同一时刻 的历史用电数据建立了含有时变系数的负荷系统模型、观测模型和系统参数模型。运用时 变噪声统计估值器对噪声协方差进行自适应估计，用预测方程预测次日的负荷，其研究表 明，考虑历史数据的自适应时变噪音估计器的预测方程的预测能力比一般的卡尔曼预测模 型更强。但其研究是建立在每日同一时刻用电负荷是平稳序列的假设下的，在推广到预测 全日的总负荷时，原有的假设不一定成立，即全日的总负荷并不一定与前一周或前一个月 的同一时段的负荷构成一个平稳序列。
[0004] 在现实生产环境中，其周期规律更加复杂。甚至对于同行业内的用电企业个体，其 用电负荷的周期都是不一样的。因此，如何设计一个能自适应进行不同周期下的电力负荷 时间序列预测模型是需要解决的问题。
【发明内容】
[0005] 本发明的目的为解决现有技术的上述问题，提供一种预测效果优良、准确率高，且 基于季节卡尔曼滤波模型的电力负荷自适应预测方法，为了实现上述目的，本发明采用的 技术方案如下：
[0006] -种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，其特征在于:包括以 下步骤：
[0007] 1)、对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工 业制造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别。
[0008] 2 )、将电力负荷识别数据进行快速傅里叶变换，得到频谱序列Sj，取频谱最大的序 列下标作为_T笔干細搂序列以对应的最大的j，则：
[0009]
[0010] 其中，hke (h〇，h2，h3，···，hn-〇是电力负荷的真实值序列，j = 0，l，2，"_，n_l;
[0011] 3)、采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，季节卡尔曼的用 电模式进行预测过程满足：
[0012] xk+i/k=Axk/k-i+Gk[yk-Hxk/k-i],
[0013] 其中，Xk+1/k是基于k时刻的k+1时刻用电负荷的估计值;A是时变相关系数和季节因 子的乘积，G k是预测增益矩阵。
[0014] 优选地，所述卡尔曼预测过程的预测增益矩阵满足：
[0015] Gk = Apk/k-iHT [ Hpk/k-iHT+Rk ]1，
[0016] 其中，H为量测矩阵，它由量测系统和测量方法所确定，是不随时间变化的量，Pk/k-i 是均方预测误差方程，Rk是量测噪音的方差。
[0017] 优选地，所述季节卡尔曼预测过程的均方预测误差方程满足：
[0018] pk+i/k= [A-GkH]pk/k-iAT+Qk
[0019] Qk是过程噪音的方差。
[0020] 作为本发明的进一步方案，优选地，所述节卡尔曼预测过程的系数A满足：
[0021] A=〇kWkj
[0022] 其中，O^k-l和k时刻的用电负荷之间的相关系数；Wk是k-T和k时刻的相关系 数。
[0023] 作为本发明的进一步方案，优选地，季节卡尔曼预测过程设有状态方程处和量测 方程yk，且满足：
[0024] xk = Φ kXk-i+Ψ kUk+ ω k-i
[0025] yk = Hxk+vk，
[0026] 其中，Uk = Xk-T，即将k时刻前T周期的数据作为季节因子，代表k_l时刻的过程 噪音，P(wk-1)~N(0，Qk-1) ;vk是量测噪音，p(vk)~N(0，Rk)。
[0027] 综上所述，本发明由于采用了以上技术方案，本发明具有以下显著效果：
[0028] (1)、发明提出的电力负荷自适应预测方法无需人工干预，即可自适应得计算待预 测序列，而且，本发明提出的电力负荷自适应预测方法预测准确率高，计算量较低，对于每 个特定的用电企业待预测的电力负荷，使用的数据仅仅是电力负荷序列中相对于预测点而 言的前一个和前一周期对应的数据点。
[0029] (2)、本发明提出的季节卡尔曼滤波模型通过加入季节因子，量化了现实生产中常 有的周期现象，从而增强经典卡尔曼滤波方法的预测能力。
【附图说明】
[0030] 为了更清楚地说明本发明实例或现有技术中的技术方案，下面将对实施实例或现 有技术描述中所需要的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明 的一些实例，对于本领域普通技术人员来说，在不付出创造性的前提下，还可以根据这些附 图获得其他的附图。
[0031] 图1是本发明一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法的流程图
[0032] 图2是本发明一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法的用电负 荷预测值和真实值对比图。
[0033] 图3是本发明一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法的预测值 和真实值之差的比例图。
【具体实施方式】
[0034] 下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于发 明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施 例，都属于本发明保护的范围。
[0035] 下面结合附图1，一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，其特 征在于:包括以下步骤：
[0036] 1)、对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工 业制造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别；由于多种随 机性因素的影响，如社会、社会、经济和自然条件等，使得电力负荷变化曲线具有非常复杂 的非线性形态。但同一行业的电力负荷总是具有一定的周期性使得其具有可预测性。不同 的周期和不同的电力曲线形态代表了不同的电力负荷使用模式。本实例选取了某地区有色 金属冶炼及压延加工业用电企业的2014年的数据作为训练数据集，2015年1月至7月的数据 作为测试数据集，数据集如表1所示：
[0037]表1输入有 功电能值
[0038]
[0039] 2)、将电力负荷识别数据进行快速傅里叶变换，得到频谱序列然后取频谱最大 的序列下烷作为_T笺干颇遒序列Sj对应的最大的j，则：
[0040]
[0041] 其中，111^(11()，112，113，"_，1 111-1)是电力负荷的真实值序列，」=0，1，2，~，11-1;
[0042]理论上，用电企业的用电模式的周期可以用该用电企业的用工安排来近似模拟， 但获取所有用电企业的用工安排难以实现。因此，本发明提出利用快速傅里叶变换算法的 频谱最大化得到电力负荷时间序列的周期，即用电企业的用电模式的周期。在本发明实例 中对有色金属冶炼及压延加工业的2014年的数据进行快速傅里叶频谱变换周期计算，得到 其周期为106日，折合约3个半月。
[0043] 3)、采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，季节卡尔曼的用 电模式进行预测过程满足：
[0044] xk+i/k=Axk/k-i+Gk[yk-Hxk/k-i],
[0045] 其中，Xk+1/k是基于k时刻的k+1时刻用电负荷的估计值;A是时变相关系数和季节因 子的乘积，G k是预测增益矩阵，所述卡尔曼预测过程的预测增益矩阵Gk满足：
[0046] Gk = Apk/k-iHT[Hpk/k-iHT+Rk]1,
[0047] 其中，Η为量测矩阵，它由量测系统和测量方法所确定，是不随时间变化的量，pk/k-i 是均方预测误差方程，Rk是量测噪音的方差。
[0048] 所述季节卡尔曼预测过程的均方预测误差方程满足：
[0049] pk+i/k= [A-GkH]pk/k-iAT+Qk,
[0050] Qk是过程噪音的方差，其中，季节卡尔曼预测过程的系数A满足:A=?kwk，?k是 k-Ι和k时刻的用电负荷之间的相关系数;ψ k是k-T和k时刻的相关系数。
[0051 ]在本发明中，季节卡尔曼预测过程设有状态方程^和量测方程yk，对当天的数据进 行估计，且满足：
[0052] xk = Φ kXk-i+Ψ kUk+ ω k-i
[0053] yk = Hxk+Vk,
[0054] 其中，uk = Xk-T，即将k时刻前T周期的数据作为冲击因子，构建季节卡尔曼滤波进 行；《 k-:代表k-Ι时刻的过程噪音，p(wk-!)~N(0，Qk-i);Vk是量测噪音，p(vk)~N(0，R k)。
[0055] 在本实例中，周期T = 106，Η初始化为[0.5，0.5];过程噪音方差&初始化为4，量测 噪音方差心初始化为4，以2015年1月1日至4日作为计算实例举例的预测结果如表2所示： [0056] 表2预测结果
[0057]
[0058] 表2中饿测值是本友明对当大用电货荷的饿测结采，佶计值是本友明利用具买值 和预测值对当天用电负荷的估计。2015年1月至7月的用电负荷预测结果如图2,从图中可以 看出，预测曲线和真实值偏差不大，两条曲线基本重合。预测值和真实值之差的比例图如图 3,图中误差比例为预测值减去真实值之差除以真实值，分析可得，本实例中误差比例在[_ 0.5,0.5]之间的占总预测次数的95.75%，详细的误差比例如表3所示。
[0059] 表3预测结果误差表
[0060]
[0061]因此，从表3中的预测误差结果可以证明本发明提出的季节卡尔曼滤波预测效果 优良，收敛效果良好。
[0062]以上所述仅为发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神 和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，其特征在于:包括以下 步骤： 1) 、对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工业制 造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别； 2) 、将电力负荷识别数据进行快速傅里叶变换，得到频谱序列然后取频谱最大的序 列下标作为周期T，T等于频谱序列^对应的最大的j，则：其中，是电力负荷的真实值序列，k=l，2,3,…，n， j = 0，l，2,…，n-1; 3) 、采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，季节卡尔曼的用电模 式进行预测过程满足： Xk+1/k - Axk/k-1+Gk[ yk_Hxk/k-1 ]， 其中，Xk+1/k是基于k时刻的k+1时刻用电负荷的估计值，A是时变相关系数和季节因子的 乘积，Gk是预测增益矩阵。2. 根据权利要求1所述的一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法， 其特征在于:所述卡尔曼预测过程的预测增益矩阵满足： Gk=Apk/k-iHT [ Hpk/k-iHT+Rk ]1， 其中，H为量测矩阵，？1^-1是均方预测误差方程，Rk是量测噪音的方差。3. 根据权利要求2所述的一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法， 其特征在于:所述季节卡尔曼预测过程的均方预测误差方程满足： Pk+1/k = [A-GkH ] pk/k-iAT+Qk， Qk是过程噪首的方差。4. 根据权利要求1或3所述的一种基于季节卡尔曼滤波模型的电力负荷自适应预测方 法，其特征在于:所述节卡尔曼预测过程的系数A满足： A= Φ??Ψ??， 其中，是k-1和k时刻的用电负荷之间的相关系数；Wk是k-T和k时刻的相关系数。5. 根据权利要求1所述的一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法， 其特征在于:所述季节卡尔曼预测过程设有状态方程Xk和量测方程y k，且满足： Xk = φ kXk-ι+ ψ kUk+ ω k-1 yk - Hxk+Vk， 其中，Uk = Xk-T，即将k时刻前T周期的数据作为季节因子，ωΗ代表k-1时刻的过程噪音， p(wk-1)~N(0，Qk-1)，vk是量测噪音，P(Vk)~N(0，Rk)。
【专利摘要】本发明属于电力系统电能量数据处理技术领域，尤其涉及一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，通过对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工业制造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别，然后将电力负荷识别数据进行快速傅里叶变换，得到频谱序列，最后采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，对于每个特定的用电企业待预测的电力负荷，使用的数据仅仅是前后和上一周期的对应数据，本发明提出的电力负荷自适应预测方法预测准确率高，计算量低，抗干扰能力强。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105488590
【申请号】CN201510846543
【发明人】韦杏秋, 陈俊, 龙东, 卓浩泽, 潘俊涛, 唐志涛, 李金瑾, 梁捷, 颜丹丹
【申请人】广西电网有限责任公司电力科学研究院
【公开日】2016年4月13日
【申请日】2015年11月28日
【技术领域】
[0001]本发明属于电力系统电能量数据应用技术领域，尤其涉及一种基于季节卡尔曼滤 波模型的电力负荷自适应预测方法。
【背景技术】
[0002]卡尔曼滤波器(Kalman filtering)是一种基于最小化协方差估计误差的线性模 型，其具有计算简单，理论基础扎实的优势。于静文，薛蕙，温渤婴.基于卡尔曼滤波的电能 质量分析方法综述[J].电网技术，2010,34(2):97-103,对电能质量问题及其分析检测方法 进行简单介绍;主要综述了常规卡尔曼滤波、扩展卡尔曼滤波和无迹卡尔曼滤波这3种卡尔 曼滤波的基本原理，并对其在电能质量分析中的应用进行了系统的总结，对比分析了各种 方法的利弊。
[0003] 马静波，杨洪耕.自适应卡尔曼滤波在电力系统短期负荷预测中的应用[J].电网 技术，2005，29( 1): 75-79.等研究者考虑电力系统自身变化的特点，将不同日期的同一时刻 的历史用电数据建立了含有时变系数的负荷系统模型、观测模型和系统参数模型。运用时 变噪声统计估值器对噪声协方差进行自适应估计，用预测方程预测次日的负荷，其研究表 明，考虑历史数据的自适应时变噪音估计器的预测方程的预测能力比一般的卡尔曼预测模 型更强。但其研究是建立在每日同一时刻用电负荷是平稳序列的假设下的，在推广到预测 全日的总负荷时，原有的假设不一定成立，即全日的总负荷并不一定与前一周或前一个月 的同一时段的负荷构成一个平稳序列。
[0004] 在现实生产环境中，其周期规律更加复杂。甚至对于同行业内的用电企业个体，其 用电负荷的周期都是不一样的。因此，如何设计一个能自适应进行不同周期下的电力负荷 时间序列预测模型是需要解决的问题。
【发明内容】
[0005] 本发明的目的为解决现有技术的上述问题，提供一种预测效果优良、准确率高，且 基于季节卡尔曼滤波模型的电力负荷自适应预测方法，为了实现上述目的，本发明采用的 技术方案如下：
[0006] -种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，其特征在于:包括以 下步骤：
[0007] 1)、对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工 业制造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别。
[0008] 2 )、将电力负荷识别数据进行快速傅里叶变换，得到频谱序列Sj，取频谱最大的序 列下标作为_T笔干細搂序列以对应的最大的j，则：
[0009]
[0010] 其中，hke (h〇，h2，h3，···，hn-〇是电力负荷的真实值序列，j = 0，l，2，"_，n_l;
[0011] 3)、采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，季节卡尔曼的用 电模式进行预测过程满足：
[0012] xk+i/k=Axk/k-i+Gk[yk-Hxk/k-i],
[0013] 其中，Xk+1/k是基于k时刻的k+1时刻用电负荷的估计值;A是时变相关系数和季节因 子的乘积，G k是预测增益矩阵。
[0014] 优选地，所述卡尔曼预测过程的预测增益矩阵满足：
[0015] Gk = Apk/k-iHT [ Hpk/k-iHT+Rk ]1，
[0016] 其中，H为量测矩阵，它由量测系统和测量方法所确定，是不随时间变化的量，Pk/k-i 是均方预测误差方程，Rk是量测噪音的方差。
[0017] 优选地，所述季节卡尔曼预测过程的均方预测误差方程满足：
[0018] pk+i/k= [A-GkH]pk/k-iAT+Qk
[0019] Qk是过程噪音的方差。
[0020] 作为本发明的进一步方案，优选地，所述节卡尔曼预测过程的系数A满足：
[0021] A=〇kWkj
[0022] 其中，O^k-l和k时刻的用电负荷之间的相关系数；Wk是k-T和k时刻的相关系 数。
[0023] 作为本发明的进一步方案，优选地，季节卡尔曼预测过程设有状态方程处和量测 方程yk，且满足：
[0024] xk = Φ kXk-i+Ψ kUk+ ω k-i
[0025] yk = Hxk+vk，
[0026] 其中，Uk = Xk-T，即将k时刻前T周期的数据作为季节因子，代表k_l时刻的过程 噪音，P(wk-1)~N(0，Qk-1) ;vk是量测噪音，p(vk)~N(0，Rk)。
[0027] 综上所述，本发明由于采用了以上技术方案，本发明具有以下显著效果：
[0028] (1)、发明提出的电力负荷自适应预测方法无需人工干预，即可自适应得计算待预 测序列，而且，本发明提出的电力负荷自适应预测方法预测准确率高，计算量较低，对于每 个特定的用电企业待预测的电力负荷，使用的数据仅仅是电力负荷序列中相对于预测点而 言的前一个和前一周期对应的数据点。
[0029] (2)、本发明提出的季节卡尔曼滤波模型通过加入季节因子，量化了现实生产中常 有的周期现象，从而增强经典卡尔曼滤波方法的预测能力。
【附图说明】
[0030] 为了更清楚地说明本发明实例或现有技术中的技术方案，下面将对实施实例或现 有技术描述中所需要的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明 的一些实例，对于本领域普通技术人员来说，在不付出创造性的前提下，还可以根据这些附 图获得其他的附图。
[0031] 图1是本发明一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法的流程图
[0032] 图2是本发明一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法的用电负 荷预测值和真实值对比图。
[0033] 图3是本发明一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法的预测值 和真实值之差的比例图。
【具体实施方式】
[0034] 下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于发 明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施 例，都属于本发明保护的范围。
[0035] 下面结合附图1，一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，其特 征在于:包括以下步骤：
[0036] 1)、对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工 业制造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别；由于多种随 机性因素的影响，如社会、社会、经济和自然条件等，使得电力负荷变化曲线具有非常复杂 的非线性形态。但同一行业的电力负荷总是具有一定的周期性使得其具有可预测性。不同 的周期和不同的电力曲线形态代表了不同的电力负荷使用模式。本实例选取了某地区有色 金属冶炼及压延加工业用电企业的2014年的数据作为训练数据集，2015年1月至7月的数据 作为测试数据集，数据集如表1所示：
[0037]表1输入有 功电能值
[0038]
[0039] 2)、将电力负荷识别数据进行快速傅里叶变换，得到频谱序列然后取频谱最大 的序列下烷作为_T笺干颇遒序列Sj对应的最大的j，则：
[0040]
[0041] 其中，111^(11()，112，113，"_，1 111-1)是电力负荷的真实值序列，」=0，1，2，~，11-1;
[0042]理论上，用电企业的用电模式的周期可以用该用电企业的用工安排来近似模拟， 但获取所有用电企业的用工安排难以实现。因此，本发明提出利用快速傅里叶变换算法的 频谱最大化得到电力负荷时间序列的周期，即用电企业的用电模式的周期。在本发明实例 中对有色金属冶炼及压延加工业的2014年的数据进行快速傅里叶频谱变换周期计算，得到 其周期为106日，折合约3个半月。
[0043] 3)、采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，季节卡尔曼的用 电模式进行预测过程满足：
[0044] xk+i/k=Axk/k-i+Gk[yk-Hxk/k-i],
[0045] 其中，Xk+1/k是基于k时刻的k+1时刻用电负荷的估计值;A是时变相关系数和季节因 子的乘积，G k是预测增益矩阵，所述卡尔曼预测过程的预测增益矩阵Gk满足：
[0046] Gk = Apk/k-iHT[Hpk/k-iHT+Rk]1,
[0047] 其中，Η为量测矩阵，它由量测系统和测量方法所确定，是不随时间变化的量，pk/k-i 是均方预测误差方程，Rk是量测噪音的方差。
[0048] 所述季节卡尔曼预测过程的均方预测误差方程满足：
[0049] pk+i/k= [A-GkH]pk/k-iAT+Qk,
[0050] Qk是过程噪音的方差，其中，季节卡尔曼预测过程的系数A满足:A=?kwk，?k是 k-Ι和k时刻的用电负荷之间的相关系数;ψ k是k-T和k时刻的相关系数。
[0051 ]在本发明中，季节卡尔曼预测过程设有状态方程^和量测方程yk，对当天的数据进 行估计，且满足：
[0052] xk = Φ kXk-i+Ψ kUk+ ω k-i
[0053] yk = Hxk+Vk,
[0054] 其中，uk = Xk-T，即将k时刻前T周期的数据作为冲击因子，构建季节卡尔曼滤波进 行；《 k-:代表k-Ι时刻的过程噪音，p(wk-!)~N(0，Qk-i);Vk是量测噪音，p(vk)~N(0，R k)。
[0055] 在本实例中，周期T = 106，Η初始化为[0.5，0.5];过程噪音方差&初始化为4，量测 噪音方差心初始化为4，以2015年1月1日至4日作为计算实例举例的预测结果如表2所示： [0056] 表2预测结果
[0057]
[0058] 表2中饿测值是本友明对当大用电货荷的饿测结采，佶计值是本友明利用具买值 和预测值对当天用电负荷的估计。2015年1月至7月的用电负荷预测结果如图2,从图中可以 看出，预测曲线和真实值偏差不大，两条曲线基本重合。预测值和真实值之差的比例图如图 3,图中误差比例为预测值减去真实值之差除以真实值，分析可得，本实例中误差比例在[_ 0.5,0.5]之间的占总预测次数的95.75%，详细的误差比例如表3所示。
[0059] 表3预测结果误差表
[0060]
[0061]因此，从表3中的预测误差结果可以证明本发明提出的季节卡尔曼滤波预测效果 优良，收敛效果良好。
[0062]以上所述仅为发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神 和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
【主权项】
1. 一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，其特征在于:包括以下 步骤： 1) 、对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工业制 造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别； 2) 、将电力负荷识别数据进行快速傅里叶变换，得到频谱序列然后取频谱最大的序 列下标作为周期T，T等于频谱序列^对应的最大的j，则：其中，是电力负荷的真实值序列，k=l，2,3,…，n， j = 0，l，2,…，n-1; 3) 、采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，季节卡尔曼的用电模 式进行预测过程满足： Xk+1/k - Axk/k-1+Gk[ yk_Hxk/k-1 ]， 其中，Xk+1/k是基于k时刻的k+1时刻用电负荷的估计值，A是时变相关系数和季节因子的 乘积，Gk是预测增益矩阵。2. 根据权利要求1所述的一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法， 其特征在于:所述卡尔曼预测过程的预测增益矩阵满足： Gk=Apk/k-iHT [ Hpk/k-iHT+Rk ]1， 其中，H为量测矩阵，？1^-1是均方预测误差方程，Rk是量测噪音的方差。3. 根据权利要求2所述的一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法， 其特征在于:所述季节卡尔曼预测过程的均方预测误差方程满足： Pk+1/k = [A-GkH ] pk/k-iAT+Qk， Qk是过程噪首的方差。4. 根据权利要求1或3所述的一种基于季节卡尔曼滤波模型的电力负荷自适应预测方 法，其特征在于:所述节卡尔曼预测过程的系数A满足： A= Φ??Ψ??， 其中，是k-1和k时刻的用电负荷之间的相关系数；Wk是k-T和k时刻的相关系数。5. 根据权利要求1所述的一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法， 其特征在于:所述季节卡尔曼预测过程设有状态方程Xk和量测方程y k，且满足： Xk = φ kXk-ι+ ψ kUk+ ω k-1 yk - Hxk+Vk， 其中，Uk = Xk-T，即将k时刻前T周期的数据作为季节因子，ωΗ代表k-1时刻的过程噪音， p(wk-1)~N(0，Qk-1)，vk是量测噪音，P(Vk)~N(0，Rk)。
【专利摘要】本发明属于电力系统电能量数据处理技术领域，尤其涉及一种基于季节卡尔曼滤波模型的电力负荷自适应预测方法，通过对用电企业生产过程中的电力负荷进行数据采集，并采集记录用电企业在工业制造过程中电力负荷曲线，将采集到的电力负荷曲线进行自适应周期识别，然后将电力负荷识别数据进行快速傅里叶变换，得到频谱序列，最后采用季节卡尔曼滤波模型对用电企业的用电模式进行预测，对于每个特定的用电企业待预测的电力负荷，使用的数据仅仅是前后和上一周期的对应数据，本发明提出的电力负荷自适应预测方法预测准确率高，计算量低，抗干扰能力强。
【IPC分类】G06Q10/04, G06Q50/06
【公开号】CN105488590
【申请号】CN201510846543
【发明人】韦杏秋, 陈俊, 龙东, 卓浩泽, 潘俊涛, 唐志涛, 李金瑾, 梁捷, 颜丹丹
【申请人】广西电网有限责任公司电力科学研究院
【公开日】2016年4月13日
【申请日】2015年11月28日
最新回复(0)