基于统计规律的负荷概率区间建模方法

技术领域

本发明涉及电力系统仿真与分析技术领域，尤其涉及一种基于统计规律的负荷概率区间建模方法。

背景技术

负荷预测是电力系统规划、调度、交易等专业的基础工作，对电力系统安全、可靠及经济运行具有重要的意义。提高负荷预测的精度，可有效提升电力系统运行的经济性和安全性。然而，负荷与人们生产和生活规律以及季节、温度等气候变化关联性很强，负荷的变化既有规律性又有随机性，因此，负荷预测误差难以消除。在此背景下，分析历史负荷预测误差的统计规律，建立负荷区间概率模型具有重要的意义。

国内外研究者对概率性负荷预测模型进行了研究，在对负荷预测误差统计和分析的基础上，采用神经网络、核密度估计等方法求得负荷概率性指标和统计规律，但现有方法针对误差统计区间的划分并不合理，未考虑由于随机性因素引起负荷变化频次和变化幅值的特征；此外历史负荷预测误差概率分布模型预测时段负荷增长和负荷特性变化的影响，给负荷概率分布模型带来不可忽视的误差。

发明内容

有鉴于此，有必要提供一种误差较小的基于统计规律的负荷概率区间建模方法。

一种基于统计规律的负荷概率区间建模方法包括以下步骤：

步骤S001，读取历史负荷实际数据以及历史负荷预测数据，对历史负荷实际数据以及历史负荷预测数据中的不良数据进行辨识和修正，得到历史负荷实际样本数据以及历史负荷预测样本数据；

步骤S002，将历史负荷实际样本数据按照负荷变化频次及幅值划分为若干个负荷预测误差统计区间；

步骤S003，计算同类型日的同一时刻的历史负荷预测误差，即：

其中，P

步骤S004，根据历史负荷预测误差在对应负荷预测误差统计区间的分布情况，获得不同负荷预测误差统计区间的概率分布模型；

步骤S005，对因区域负荷的增长以及负荷特性的变化导致的负荷预测误差的概率分布模型发生的变化，采用相关系数法进行修正，获得负荷预测误差统计区间概率分布的修正模型。

有益效果：本发明的基于统计规律的负荷概率区间建模方法通过对历史负荷实际数据以及历史负荷预测数据中的不良数据进行辨识和修正，得到历史负荷实际样本数据以及历史负荷预测样本数据，并将历史负荷实际样本数据按照负荷变化频次及幅值划分为若干个负荷预测误差统计区间，然后再计算同类型日的同一时刻的历史负荷预测误差，根据历史负荷预测误差在对应负荷预测误差统计区间的分布情况，获得不同负荷预测误差统计区间的概率分布模型，再采用相关系数法进行修正，获得负荷预测误差统计区间概率分布的修正模型。得到的负荷预测误差统计区间的概率分布模型预测误差小，可靠性高。

具体实施方式

下面将结合实施例予以说明。

一种基于统计规律的负荷概率区间建模方法包括以下步骤：

步骤S001，读取历史负荷实际数据以及历史负荷预测数据，对历史负荷实际数据以及历史负荷预测数据中的不良数据进行辨识和修正，得到历史负荷实际样本数据以及历史负荷预测样本数据；

步骤S002，将历史负荷实际样本数据按照负荷变化频次及幅值划分为若干个负荷预测误差统计区间；

步骤S003，计算同类型日的同一时刻的历史负荷预测误差，即：

其中，P

步骤S004，根据历史负荷预测误差在对应负荷预测误差统计区间的分布情况，获得不同负荷预测误差统计区间的概率分布模型；

在一较佳实施方式中，所述概率分布模型为正态分布。获得正态分布模型的方法采用最小二乘估计法或者极大似然法。

步骤S005，对因区域负荷的增长以及负荷特性的变化导致的负荷预测误差的概率分布模型发生的变化，采用相关系数法进行修正，获得负荷预测误差统计区间概率分布的修正模型。

进一步的，在步骤S002中，负荷预测误差统计区间的划分标准为：f∈(a,b]IΔM∈(c,d]，其中，f为样本数据的统计区间间的变化频次，ΔM为样本数据在给定统计区间的幅值变化的相对值，a和b为变化频次的边界值，c和d为幅值变化的边界值。

进一步的，在步骤S004中，“根据历史负荷预测误差在对应负荷预测误差统计区间的分布情况，获得不同负荷预测误差统计区间的概率分布模型”具体为：统计负荷周期变化的同时段负荷增长和特性变化与负荷预测误差的映射关系，取加权平均值作为预测误差修正系数，得到预测时段的负荷预测误差，进而获得不同负荷预测误差统计区间的概率分布模型，其中修正系数λ定义为：

m，n为划分某统计区间的边界采样点，那么E

进一步的，在步骤S005中，相关系数的定义为：

x为某统计区间的预测点概率值，

r越接近于1说明同一统计区间的的误差分布规律越相似，预测分布模型越准确；如果r大于预定值，则说明r不满足要求。因此，进一步的，所述基于统计规律的负荷概率区间建模方法还包括以下步骤：

步骤S006：对修正模型进行相似度校验，判断负荷预测误差是否小于预定值，如果负荷预测误差小于预定值，那么修正模型为最终的负荷预测误差统计区间的概率分布模型；如果负荷预测误差大于或等于预定值，那么就按照公式λ

对待预测日k的某一时刻t而言，根据历史数据获得的概率分布模型，可获得的预测值

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。