一种超短期高峰负荷预测方法及其系统

1.一种超短期高峰负荷预测方法，其特征在于：采集气象预测信息；基于预先建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；所述预先建立的高峰负荷预测模型包括：确定高峰负荷指标；基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性；基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型；所述确定高峰负荷指标包括：基于预先取得的数据确定高峰负荷并对高峰负荷进行分析提取高峰负荷指标；所述高峰负荷指标包括：1)峰顶、谷底负荷值：峰顶负荷值P peak 是一天中最大的负荷值；谷底负荷值P valley 是一天中最小负荷值；2)峰顶时刻：峰顶时刻是高峰负荷峰值出现的时刻；3)峰谷差：所述峰谷差的表达式如下：P difference ＝P peak –P valley (1)其中，P difference 为峰谷差；4)高位负荷陡升速率，包括：系统负荷P h 满足关系:P h ≥P peak –P difference /4 (2)此时负荷水平处于高位；t时刻的高位负荷斜率为：式中：s为高位负荷斜率，d为高位负荷时间间隔，P t 表示t时刻的高位负荷值，P t-1 表示t-1时刻的高位负荷值；s t 为t时刻的高位负荷斜率；高位陡升段落的负荷斜率必须达到陡升水平，陡升水平按下式衡量：s steep ≥0.75s max (4)式中：s max 为最陡时段的斜率；s steep 为陡升水平；5)负荷高位陡升起始时刻：表达式如下：T steep ＝min(T steep1 ,T steep2 ,…,T steepn ) (5)其中，T steep1 ,T steep2 ,…,T steepn 分别为：第1个，第2个，...，第n个高位陡升段落起始时刻；T steep 为样本曲线高位陡升起始时刻，满足式(4)的高位陡升段落的负荷增量与时间增量的比值定义为负荷高位陡升速率；6)高峰持续时间：高峰持续时间是达到高位负荷水平的负荷构成的时间跨度。 2.如权利要求1所述的超短期高峰负荷预测方法，其特征在于，所述基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性，包括：根据所述历史气象信息，确定相关的气象因子；分析高峰负荷与气象因子的相关性；基于鲁棒回归模型验证所述影响高峰负荷的各气象因素的相关性。 3.如权利要求2所述的超短期高峰负荷预测方法，其特征在于，所述气象因子包括：瞬时风速、瞬时温度、瞬时气压、最大气压、最大风向、极大风向、雨量、极大风速、瞬时风向、瞬时湿度、最小湿度、最高温度、最低温度、最小气压、最大风速信息。 4.如权利要求3所述的超短期高峰负荷预测方法，其特征在于，所述分析高峰负荷与气象因素的相关性包括：基于下式计算各气象因子的相关系数：式中：R为相关系数；cov(X,Y)为X和Y的协方差； 分别为X和Y的均方差；X为历史负荷数据；Y为：历史温度数据。 5.如权利要求2所述的超短期高峰负荷预测方法，其特征在于，所述鲁棒回归模型包括：构建鲁棒回归模型计算式，如下式：Y＝Xβ+ε (7)其中：Y＝(y i ) z×1 为z天某时刻历史负荷数据；X＝(x ij ) z×q 为z天某时刻历史温度数据；β＝(β j ) q×1 是估计的未知参数向量，ε＝(ε i ) z×1 是不可观测的随机误差向量；基于下式，对鲁棒回归模型中β＝(β j ) q×1 进行参数估计：其中：D(β)表示的鲁棒回归模型中的目标函数，y i 表示第i天某时刻历史负荷数据，i＝1，……z，x ij 表示第i天某时刻温度数据，z表示总体天数；寻找最优估计参数 的关键是确定加权函数矩阵；令z阶满秩对角矩阵W＝(w i ) z×z 为加权函数矩阵，通过求解得到最优估计参数 求解公式：其中， r i ＝y i -x (i,j) β j 为残差项；X T 为z天某时刻历史温度数据X的转置数据。 6.如权利要求1所述的超短期高峰负荷预测方法，其特征在于，所述基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型，包括：基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本；确定综合数据样本的数据类型向量；根据训练样本构建高峰负荷预测模型。 7.如权利要求6所述的超短期高峰负荷预测方法，其特征在于，所述基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本，包括：选取预测日之前k个工作日或节假日的系统负荷样本以及对应的综合数据样本；所述综合数据样本的综合数据类型向量为：D k ＝(D k1 D k2 D k3 D k4 D k5 ) T (16)其中：k表示天数k＝1,2,…,p，p为选择的天数，D k1 为第k日的日最高温度，D k2 为第k日的日最低温度，D k3 为第k日的天气情况，D k4 为第k日的平均湿度，D k5 为第k日的日类型；根据训练样本构建高峰负荷预测模型，包括：经过C均值模糊聚类法，从综合数据样本的综合数据类型向量中迭代优化计算求出属于同一类的向量，在此类中把向量所对应日的高峰负荷样本曲线挑选出来，分别记为Y p1 (t),Y p2 (t),…,Y pm (t)；根据高峰负荷样本曲线确定高峰负荷预测模型，表达式如下：M p ＝{Y p1 (t),Y p2 (t),…,Y pm (t)} (17)其中：Y p1 (t),Y p2 (t),…,Y pm (t)分别为第一个、第二个，......，第m个高峰负荷样本曲线；m为高峰负荷样本曲线的个数。 8.如权利要求1所述的超短期高峰负荷预测方法，其特征在于，基于所述高峰负荷预测模型结合临近气象预测进行超短期负荷预测，包括：选取输入到高峰负荷预测模型的向量；计算高峰负荷预测误差，直到满足迭代条件为止；输出高峰负荷预测结果。 9.如权利要求8所述的超短期高峰负荷预测方法，其特征在于，所述选取输入到高峰负荷预测模型的向量，包括：采取时间阈值作为高峰负荷的每个间隔时段，则预测对象是一天的设定点负荷；对于单次训练来说，将m个高峰样本的预测时刻负荷作为神经网络的负荷输入向量；根据高峰负荷与气象因素之间的相关性分析，选取m个高峰负荷样本的同时刻温度t k 、同时刻降雨量r k 、样本日最高温度t max 、样本日最低温度t min 作为高峰负荷预测模型的气象因素输入量。 10.如权利要求9所述的超短期高峰负荷预测方法，其特征在于，所述时间阈值选取5分钟；所述设定点负荷选取288点。 11.如权利要求8所述的超短期高峰负荷预测方法，其特征在于，所述迭代条件用下式表示：其中：Y(t i )为高峰负荷预测模型输出值，A(t i )为理想值，W为使高峰负荷预测模型的输出值与理想值的误差最小的最优值，ε为预测精度阈值；i表示第i天。 12.如权利要求8所述的超短期高峰负荷预测方法，其特征在于，所述高峰负荷预测结果包括：负荷预测功率估计值 对预测类别与预测日相符、属于同一模式的n个高峰负荷样本，计算各样本日高位陡升起始时刻向量T steep(1×n) ＝(T steep1 T steep2 …T steepn ) T ，计算平均起始时刻T Avsteep ；高峰时段[T AVsteep -T 2H ，T AVsteep +T 2F ]，其中T 2H 在0.5～1h之间取值，T 2F 在2～3h之间取值；式中：T steep1 ,T steep2 ,…,T steepn 分别为：第1个，第2个，...，第n个高位陡升段落起始时刻。 13.一种超短期高峰负荷预测系统，其特征在于：所述系统包括：采集模块，用于采集气象预测信息；预测模块，用于基于建立的高峰负荷预测模型和所述采集的气象预测信息进行超短期负荷预测；所述高峰负荷预测模型包括：高峰负荷指标、影响高峰负荷的气象因素及各气象因素的相关性；所述预测模块，进一步包括：建立子模块，用于建立高峰负荷预测模型；所述建立子模块，进一步包括：第一确定单元，用于确定高峰负荷指标；第二确定单元，用于基于历史气象信息，对所述高峰负荷和气象信息进行分析确定影响高峰负荷的各气象因素的相关性；构建单元，用于基于所述高峰负荷和所述影响高峰负荷的气象因素，结合L-M神经网络构建高峰负荷预测模型；所述第一确定单元，进一步包括：分析提取子单元，用于基于预先取得的数据确定高峰负荷并对高峰负荷进行分析提取高峰负荷指标。 14.如权利要求13所述的超短期高峰负荷预测系统，其特征在于，所述第二确定单元，进一步包括：气象因子确定子单元，用于根据所述历史气象信息，确定相关的气象因子；分析子单元，用于分析高峰负荷与气象因子的相关性；验证子单元，用于基于鲁棒回归模型验证所述影响高峰负荷的各气象因素的相关性。 15.如权利要求13所述的超短期高峰负荷预测系统，其特征在于，所述构建单元，进一步包括：第一选取子单元，用于基于所述高峰负荷和所述影响高峰负荷的气象因素，选取L-M神经网络的训练样本；第三确定子单元，用于确定综合数据样本的数据类型向量；构建子单元，用于根据训练样本构建高峰负荷预测模型。 16.如权利要求15所述的超短期高峰负荷预测系统，其特征在于，所述第一选取子单元，还用于：选取预测日之前k个工作日或节假日的系统负荷样本以及对应的综合数据样本。 17.如权利要求13所述的超短期高峰负荷预测系统，其特征在于，所述预测模块，还包括：第二选取子模块，用于选取输入到高峰负荷预测模型的向量；计算子模块，用于计算高峰负荷预测误差，直到满足迭代条件为止；输出子模块，用于输出高峰负荷预测结果。 18.如权利要求17所述的超短期高峰负荷预测系统，其特征在于，所述第二选取子模块，还用于：采取时间阈值作为高峰负荷的每个间隔时段，则预测对象是一天的设定点负荷；对于单次训练来说，将m个高峰样本的预测时刻负荷作为神经网络的负荷输入向量；根据高峰负荷与气象因素之间的相关性分析，选取m个高峰负荷样本的同时刻温度t k 、同时刻降雨量r k 、样本日最高温度t max 、样本日最低温度t min 作为高峰负荷预测模型的气象因素输入量。 19.如权利要求18所述的超短期高峰负荷预测系统，其特征在于，所述时间阈值选取5分钟；所述设定点负荷选取288点。