一种台区电力负荷预测方法、装置及系统与流程

1.本发明属于电力负荷预测技术领域，具体涉及一种台区电力负荷预测方法、装置及系统。


背景技术：

2.能源是现代社会的血液，是世界经济发展的重要动力，化石能源的大量使用，带来环境、生态和全球气候变化等领域一系列问题。随着全球新一轮能源革命加速推进，在可再生能源接入电网比例不断提升的同时，客户侧能源消费形态发生巨大变化，新需求、新模式、新技术及新装备的不断涌现，给新一代电力系统带来了全新挑战，其主要表现为：
3.(1)大规模可再生能源和分布式电源接入电网容量迅速发展，电网消纳新能源的压力进一步加大。当前部分省份弃水弃风弃光现象仍然比较突出。2017年，我国可再生能源发电量仅占全部发电量的26.4％，全年弃水电量达515亿千瓦时、弃风电量达419亿千瓦时。国家电网基于特高压互联网电网积极开展了跨省跨区可再生能源消纳，但基于客户侧消纳清洁能源的巨大潜力尚未得到充分利用。
4.(2)随着电动汽车快速发展与应用推广，无序充电将对配电网运行产生较大压力，居民小区、单位园区等场所将出现充电设施报装困难，而单纯扩容配电系统建设周期长，且经济效益甚为低下。以北京地区为例，现有发输配电能力，谷电可利用电能量为2694万kwh，按照日行90km耗电量18kwh计算，夜间低谷时段可为约150万辆电动轿车充满电。若能充分利用电动汽车充电负荷的时间分布与平移特性，则不仅可以降低规模化集中充电对局部配网与配变的负荷冲击，延缓配网改造投资，提高设备利用率，而且可以结合清洁能源交易机制提高清洁电能充电比例，进一步促进清洁能源消纳。如果能够实现对台区内负荷进行准确地预测，有助于进一步实现电动汽车的有序充电。


技术实现要素：

5.针对上述问题，本发明提出一种台区电力负荷预测方法、装置及系统，基于气象因素和日类型因素选出相似日，并进行相似日类型判断，根据判断结果选用不同的预测模型进行电力负荷预测，能够有效提高台区内电力负荷的预测精度。
6.为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
7.第一方面，本发明提供了一种台区电力负荷预测方法，包括：
8.考虑气象和日类型因素，对获取到的样本数据利用模糊聚类方法选取相似日；
9.判断所述相似日的类型；
10.根据判断结果，选用不同的预测模型进行电力负荷预测。
11.可选地，所述相似日的选取方法包括：
12.选择直接影响分类结果的统计指标；
13.对所述统计指标进行标准化和归一化处理，将所有统计指标压缩至0到1之间，形成给定对象集合；
14.基于所述给定对象集合，建立模糊相似矩阵；
15.基于所述模糊相似矩阵，以及预设的阈值，进行聚类分组，获得相似日。
16.可选地，所述根据判断结果，选用不同的预测模型进行电力负荷预测，具体包括：
17.当判断出相似日的类型为节假日，则采用指数平滑模型进行电力负荷预测；
18.当判断出相似日的类型为工作日，则采用神经网络预测模型进行电力负荷预测。
19.可选地，所述采用指数平滑模型进行电力负荷预测，具体包括：
20.取本年度节假日节前n天相关时间段的一次平滑值和上年度同类型节假日前n天对应时间段的一次平滑值
21.定义α为平滑系数，p
1t
、p
2t
分别为本年度和上年度该时段的历史负荷值，分别为本年度和上一年度前一周期计算的平滑值，其中t＝1,2,...,24：分别为本年度和上一年度前一周期计算的平滑值，其中t＝1,2,...,24：
22.若为本年度节假日对应时刻的负荷预测值，为上一年度节假日对应时刻的历史负荷值，则的预测方程为：
23.可选地，所述采用神经网络预测模型进行电力负荷预测，具体包括：
24.确立bp神经网络预测模型的样本输入、输出集；
25.对选取的对应i时段的历史样本数据输入矩阵x、预测日对应i时段的数据输入向量x
i_d
、历史样本的负荷pi′
数据进行归一化，压缩到(0,1)；
26.通过bp神经网络运算模型获取预测日的预测负荷。
27.可选地，所述方法还包括：
28.对预测误差进行分析，判断负荷预测的效果。
29.可选地，所述对预测误差进行分析，具体包括：
30.采用相对误差rar和绝对误差ae作为预测结果的评价指标；
[0031][0032][0033]
其中，p
t
为该时段的历史负荷值，为对应时刻的负荷预测值，l为时间段；
[0034]
根据评价指标的计算值，进行负荷预测的效果判断。
[0035]
第二方面，本发明提供了一种台区电力负荷预测装置，包括：
[0036]
相似日选取模块，用于考虑气象和日类型因素，对获取到的样本数据利用模糊聚类方法选取相似日；
[0037]
判断模块，用于判断所述相似日的类型；
[0038]
预测模块，用于根据判断结果，选用不同的预测模型进行电力负荷预测。
[0039]
第三方面，本发明提供了一种台区电力负荷预测系统，包括：
[0040]
处理器；
[0041]
存储器，其上存储有可在所述处理器上运行的计算机程序；
[0042]
其中，所述计算机程序被所述处理器执行时实现如第一方面中任一项所述的方法。
[0043]
与现有技术相比，本发明的有益效果：
[0044]
本发明基于气象因素和日类型因素，研究了选取相似日的选取方法，采用神经网络和指数平滑完成台区负荷预测模型的研究，运用于多个台区并得到预期的预测结果，预测准确率大于70％，在实际应用中取得了满意的效果。
附图说明
[0045]
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
[0046]
图1为本发明一种实施例的台区电力负荷预测方法流程示意图；
[0047]
图2为非节假日居民基础负荷预测曲线；
[0048]
图3为劳动节期间居民基础负荷预测曲线。
具体实施方式
[0049]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明的保护范围。
[0050]
下面结合附图对本发明的应用原理作详细的描述。
[0051]
实施例1
[0052]
本发明实施例中提供了一种台区电力负荷预测方法，如图1所示，包括以下步骤：
[0053]
(1)考虑气象和日类型因素，对获取到的样本数据利用模糊聚类方法选取相似日；
[0054]
(2)判断所述相似日的类型；
[0055]
(3)根据判断结果，选用不同的预测模型进行电力负荷预测。
[0056]
在本发明实施例的一种具体实施方式中，所述相似日的选取方法包括：
[0057]
选择直接影响分类结果的统计指标；
[0058]
对所述统计指标进行标准化和归一化处理，将所有统计指标压缩至0到1之间，形成给定对象集合；
[0059]
基于所述给定对象集合，建立模糊相似矩阵；
[0060]
基于所述模糊相似矩阵，以及预设的阈值，进行聚类分组，获得相似日。
[0061]
在本发明实施例的一种具体实施方式中，所述根据判断结果，选用不同的预测模型进行电力负荷预测，具体包括：
[0062]
当判断出相似日的类型为节假日，则采用指数平滑模型进行电力负荷预测；
[0063]
当判断出相似日的类型为工作日，则采用神经网络预测模型进行电力负荷预测。
[0064]
在本发明实施例的一种具体实施方式中，所述采用指数平滑模型进行电力负荷预测，具体包括：
[0065]
取本年度节假日节前n天相关时间段的一次平滑值和上年度同类型节假日前n
天对应时间段的一次平滑值
[0066]
定义α为平滑系数，p
1t
、p
2t
分别为本年度和上年度该时段的历史负荷值，分别为本年度和上一年度前一周期计算的平滑值，其中t＝1,2,...,24：分别为本年度和上一年度前一周期计算的平滑值，其中t＝1,2,...,24：
[0067]
若为本年度节假日对应时刻的负荷预测值，为上一年度节假日对应时刻的历史负荷值，则的预测方程为：
[0068]
在本发明实施例的一种具体实施方式中，所述采用神经网络预测模型进行电力负荷预测，具体包括：
[0069]
确立bp神经网络预测模型的样本输入、输出集；
[0070]
对选取的对应i时段的历史样本数据输入矩阵x、预测日对应i时段的数据输入向量x
i_d
、历史样本的负荷pi′
数据进行归一化，压缩到(0,1)；
[0071]
通过bp神经网络运算模型获取预测日的预测负荷。
[0072]
在本发明实施例的一种具体实施方式中，所述方法还包括：对预测误差进行分析，判断负荷预测的效果；所述对预测误差进行分析，具体包括：
[0073]
采用相对误差rar和绝对误差ae作为预测结果的评价指标；
[0074][0075][0076]
其中，p
t
为该时段的历史负荷值，为对应时刻的负荷预测值，l为时间段；
[0077]
根据评价指标的计算值，进行负荷预测的效果判断。
[0078]
下面结合一具体实施方式中，对本发明实施例中的台区电力负荷预测方法进行详细说明。
[0079]
一、基于聚类分析进行相似日选取
[0080]
在对台区负荷进行短期预测时，提供了数据预处理方法，包括相似日的选取方法和样本数据归一化的处理方法，在此基础上建立台区负荷预测模型，一般情况下模糊聚类分析具有四个步骤：选择统计指标、数据规范化、建立模糊相似矩阵和聚类分组；
[0081]
(1)选择统计指标
[0082]
在进行聚类分析之前，需要根据实际问题选取那些可对分类具有明确区别意义的指标，统计指标的选取直接影响分类的结果。气象因素中对负荷影响最大的是温度,其次是湿度、风速、日辐射量、降雨等因素。但由于风速是变化较快,难以实时定量地用于分析。日照量对负荷的影响实际上已经体现在温度中。降雨量对负荷影响较为明显,电力负荷通常随着降雨迅速下降,但由于降雨量是集中于某个时段,因此研究降雨量的影响时应针对降雨发生的时段进行考虑,而不是对全天每个点。实时温度和湿度因素与负荷一样是连续变化的。鉴于湿度与降水量密切相关，降水量数据变化随机性强，同风速一样难以定量分析，
且降雨量数据集中于某个特定的时间段，相对于一般气象情况不具有代表性，本发明以对湿度的分析代替对降雨量的分析。
[0083]
确定台区电力负荷的影响因素，本发明计入的影响因素有：日每小时温度、日每小时湿度、天气类型、日类型；其中，天气类型包括晴、多云、阴天、雨/雪，日类型包括工作日、周末(周六/周日)、节假日。
[0084]
(2)对数据进行标准化和归一化
[0085]
广泛的讲，一种事物具有各种特征，这些特征都是影响分组的要素，但是这些特征的数据值分别具有不同的数量级，送样就无法综合计算这些统计指标。若对这些统计指标不加规范化，就不能把不在同一数量级的统计指标值直接相加，否则会出现某些较大数量级的指标将小数量级的指标淹没，分类就会象效。因此分析前需要将各特征指标进行规范化，将所有特征指标按照某种规则压缩至0到1之间。具体步骤如下：
[0086]
首先给定一个待分类对象集合x＝{x1,x2,x3,
…
xn}，每一个对象包含m个特征，xi＝{x
i1
,x
i2
,x
i3
,
…
x
im
}，通过综合分析每个对象特征指标的相似程度来进行分类，文样本数据由历史样本数据和预测日影响因素数据组成，初步选取预测日前30天的历史样本和该范围内每日同一时刻(每5分钟的时间单元)近5年的历史样本，每个历史样本数据包含台区每5分钟的历史负荷，并具有m(如前所述本发明m取四)个统计指标的影响因素数据，预测日每5分钟的预测负荷同样具有m(m取4)个影响因素数据，对于预测日某时刻n个历史样本则有n
×
m影响因素输入矩阵：一个n
×
m原始数据矩阵x如式1所示：
[0087][0088]
每一个对象xi(i＝1,2,
…
,n)包含m个特征，xi＝{x
i1
,x
i2
,x
i3
,
…
x
im
}分别为第i个样本的日每小时温度、日每小时湿度、天气类型(晴、多云、阴天、雨/雪)、日类型(工作日、周末(周六/周日)、节假日)。
[0089]
对影响因素原始数据x
ij
进行标准化和归一化处理，关于温度、湿度指标采用的标准化公式与归一化公式如下所示，其中为关于温度、风力指标各自的平均值，sj为温度、湿度指标各自的标准差，x
″
ij
为温度、湿度影响因素的归一化之后的数据，数据范围在0到1之间，x
′
ij
为温度、湿度指标各自标准化之后的数据，x
′
jmax
为n个样本中温度、湿度指标各自标准化之后的最大值，x
′
jmin
为温度、风力指标各自标准化之后的最小值：
[0090][0091][0092]
[0093][0094]
(3)建立模糊相似矩阵
[0095]
对于给定对象集合中的任意两个对象都计算出它们之间的相似程度。相似程度用0到1之间的数据表示。任意两个对象之间总存在一个相似系数，所有的相似系数组成了这个给定对象集合的模糊相似矩阵，具有个对象的集合所形成的模糊相似矩阵为n阶方阵。
[0096]
定义r
ij
为对象xi和对象xj之间的相似系数，r
ij
∈[0,1]。r
ij
＝0表示对象xi和对象xj不属于同一类，r
ij
＝1表示对象xi和对象xj属于同一类。r
ij
在[0,1]所处的位置表示对象xi和对象xj的相似程度，计算出所以的相似系数r
ij
(i,j＝1,2,3,
…
,n)，可以构成n
×
n阶模糊相似矩阵r，如下所示：
[0097][0098]
关于相似系数r
ij
的算法有多种形式，例如数量积乘法，夹角余弦法、算术平均最小法、绝对值减数法等。本发明采用指数相似系数，如下：
[0099][0100][0101][0102]
sk为温度、湿度指标各自的标准差，x
″
ik
为温度、湿度影响因素的归一化之后的数据，数据范围在0到1之间；
[0103]
设置阈值α，对相似系数矩阵r
ij
＝r(ij)n×n进行分类，本发明设置阈值为0.8，若α大于0.8则认为样本i与样本j相关为1，否则为0，进一步的本发明通过预测日的影响因素与历史样本影响因素的关联程度，筛选相似日，选择合适的样本。
[0104]
(4)算例分析
[0105]
选定某台区的预测日是2019年4月17日，完成以每5min为时间单元，共288个时段的电力负荷预测目标。
[0106]
第一步，输入样本数据，对样本数据进行归一化处理，建立相似日划分模型选取典型日：
[0107]
本发明日负荷的采样点共288个，每5min作为台区电力负荷的样本数据单元，以预测日第100个时段的负荷信息为例，收集2019年3月15日至2018年4月16日，每天第100个时段的样本信息，收集该时间范围内每日第100个时段前五年的样本信息，这样针对预测日第100时段预测负荷，共收集180个历史样本信息。每个历史样本信息涵盖该时段的负荷、温度、风力、天气类型、日类型，预测日的样本信息包括温度、风力、天气类型、日类型，其中上
述的天气类型包括晴、多云、阴天、雨/雪，日类型包括工作日、周末(周六/周日)、节假日。
[0108]
对影响因素数据、负荷数据进行归一化处理，形成归一化之后的影响因素输入矩阵。本发明中2019年4月17预测日第100个时段的影响因素有温度7℃、湿度40％、天气类型是多云、日类型为正常工作日(周四)，影响因素归一化后的输入向量是(0.81，0.56，0.3，0.2)。
[0109]
针对选取的180个样本归一化之后的负荷影响因素输入矩阵x
″
ij
，建立相似系数矩阵r
ij
＝r(ij)
180
×
180
，每个相似系数r
ij
反映样本i与样本j的关联程度：
[0110][0111][0112][0113]
设置阈值α，对相似系数矩阵进行分类，本发明设置阈值为0.8，若α大于0.8则认为样本i与样本j相关为1，否则为0，进一步的本发明通过预测日的影响因素与历史样本影响因素的关联程度，筛选相似日，最终选取七个样本日：
[0114]
表1实施例某台区预测日的相似日选取
[0115][0116][0117]
二、当判断出相似日的类型为工作日，则采用神经网络预测模型进行电力负荷预测
[0118]
天气气象和节假日是居民负荷和电动汽车负荷的重要影响因素。台区短期基础负荷和多种因素相关，其中天气气象和日类型是居民基础负荷的重要影响因素。事实上预测日的负荷与最近历史负荷密切关联，因此历史样本负荷也可看作预测日负荷的“影响因素”。bp神经网络算法应用于台区短期基础负荷的预测具有算法简单、成熟，对台区负荷变化特征支持多变量分析的优势，可以同时从不同维度的影响因素，建立台区基础负荷的预测模型。
[0119]
居民基础负荷的预测直接影响台区范围内电动汽车有序充电策略的能量调度，电
动汽车参与有序充电的充电负荷可实时用来降低负荷峰谷差，可从当日实时数据库中获取。限于篇幅本发明仅对居民基础负荷进行讨论。
[0120]
台区短期基础负荷和多种因素相关，其中天气气象和日类型是居民基础负荷的重要影响因素。事实上预测日的负荷与最近历史负荷密切关联，因此历史样本负荷也可看作预测日负荷的“影响因素”。bp神经网络算法应用于台区短期基础负荷的预测具有算法简单、成熟，对台区负荷变化特征支持多变量分析的优势，可以同时从不同维度的影响因素，建立台区基础负荷的预测模型。具体建立过程如下：
[0121]
(1)确立bp神经网络预测模型的样本输入、输出集。
[0122]
确立bp神经网络预测模型的样本训练集，包括台区基础负荷样本输入集p和台区基础负荷输出集t两部分。本发明一天的负荷数据以每5分钟作为一个时间单元，共96个负荷数据构成一天的负荷变化曲线。对于第i时段台区基础负荷的样本输入集p，包括所选样本前三个样本日同一时刻的负荷数据和当天该时刻的气象数据、日类型构成的输入向量，所选样本i时段的负荷数据pi′
作为训练样本的数据输出集t。所述的气象数据包括每小时的温度和湿度，日类型包括工作日和休息日，其中工作日设置为0.2、休息日(周末)设置为0.4。n个历史样本日一天中对应i时段的历史温度数据为ti＝(t
i_1
,t
i_2
,...,t
i_n
)
t
，历史湿度数据为hi＝(h
i_1
,h
i_2
,...,h
i_n
)
t
，日类型数据为ki＝(k
i_1
,k
i_2
,...,k
i_n
)
t
，前一个样本日对应i时段的台区基础负荷为p
′
i_1
＝(p
′
i_1_1
,p
′
i_1_2
,...,p
′
i_1_n
)
t
，前两两个样本日对应i时段的台区基础负荷为p
′
i_2
＝(p
′
i_2_1
,p
′
i_2_2
,...,p
′
i_2_n
)
t
，前三个样本日对应i时段的台区基础负荷为p
′
i3
＝(p
′
i_3_1
,p
′
i_3_2
,...,p
′
i_3_n
)
t
，那么由n个历史样本构成的i时刻数据输入矩阵xi(i＝1,2,
…
,96)是：
[0123][0124]
同样预测日对应i时段的预测负荷的输入向量：
[0125]
x
i_d
＝(t
i_d
,h
i_d
,k
i_d
,p
′
i_1_d
,p
′
i_2_d
,p
′
i_3_d
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0126]
t
i_d
、h
i_d
分为预测日i时段的温度、湿度；k
i_d
为预测日的日类型；p
i_1_d
、p
i_2_d
、p
i_3_d
分别为预测日i时段前一个样本日、前两个样本日、前三个样本日第i时段的台区基础负荷。
[0127]
(2)对选取的对应i时段的历史样本数据输入矩阵x、预测日对应i时段的数据输入向量x
i_d
、历史样本的负荷p
′i数据进行归一化，压缩到(0,1)。
[0128]
针对归一化之后的历史样本输入矩阵和预测日的输入向量，建立相似系数矩阵r
ij
＝r(ij)n×n，每个相似系数r
ij
反映样本i与样本j的关联程度，设置阈值α对对相似系数矩阵进行分类，进一步的通过预测日的输入向量与历史样本输入向量的关联程度，筛选相似日，选择合适的样本。得到归一化之后对应i时段n
′
个历史样本数据输入矩阵xi′
、预测日对应i时段的数据输入向量x
′
i_d
、历史样本i时段的负荷数据p
″i。预测日i时段的预测负荷归一化预测值为p
″
i_d
。
[0129]
(3)通过bp神经网络运算模型获取预测日的预测负荷；
[0130]
通过输入变量和其自己的权重系数的乘积的求和输入到神经元上。此时神经元得
到了输入变量和其权重的乘积累加和。通过映射函数来进行映射得到结果。我们可以把归一化之后的样本输入变量x
′i和待求解的权重矩阵wi相乘，得到神经元求和节点neti，其中f(
·
)为bp神经网络函数：
[0131]
neti＝x
′iwiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0132][0133]
pi″
＝f(neti)＝f(x
′iwi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0134]
在实际工程运用中，设置输入节点数为6，输出节点数为1，隐藏层节点为8，激活函数采用sigmoid非线性函数。通过式求解权重矩阵wi，利用预测日i时段的规范化的输入向量x
′
i_d
，得到预测日的规范归一的化预测负荷，经过反归一化之后得到该时段的预测负荷p
i_d
。进一步用同样方法得到预测日一天96个时段的预测负荷pd，获得一天的变化曲线。
[0135]
p
″
i_d
＝f(x
′
i_d
wi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0136]
pd＝{p
i_d
|i＝1,2,
…
,96}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0137]
三、当判断出相似日的类型为节假日，则采用指数平滑模型进行电力负荷预测；
[0138]
对于节假日的负荷预测采用点对点倍比平滑方法。取本年度节假日节前n天相关时间段的一次平滑值和上年度同类型节假日前n天对应时间段的一次平滑值α为平滑系数，p
1t
、p
2t
分别为本年度和上年度该时段的历史负荷值，分别为本年度和上一年度前一周期计算的平滑值，其中t＝1,2,...,24：
[0139][0140][0141]
若为本年度节假日对应时刻的负荷预测值，为上一年度节假日对应时刻的历史负荷值，那么关于预测方程为：
[0142][0143]
系数α的确定：
[0144]
指数平滑法的计算中，关键是α的取值大小，但α的取值又容易受主观影响，因此合理确定α的取值方法十分重要，一般来说，如果数据波动较大，α值应取大一些，可以增加近期数据对预测结果的影响。如果数据波动平稳，α值应取小一些。理论界一般认为有以下方法可供选择：
[0145]
经验判断法。这种方法主要依赖于时间序列的发展趋势和预测者的经验做出判断。
[0146]
1、当时间序列呈现较稳定的水平趋势时，应选较小的α值，一般可在0.05～0.20之
间取值；
[0147]
2、当时间序列有波动，但长期趋势变化不大时，可选稍大的α值，常在0.1～0.4之间取值；
[0148]
3、当时间序列波动很大，长期趋势变化幅度较大，呈现明显且迅速的上升或下降趋势时，宜选择较大的α值，如可在0.6～0.8间选值，以使预测模型灵敏度高些，能迅速跟上数据的变化；
[0149]
4、当时间序列数据是上升(或下降)的发展趋势类型，α应取较大的值，在0.6～1之间。
[0150]
试算法。根据具体时间序列情况，参照经验判断法，来大致确定额定的取值范围，然后取几个α值进行试算，比较不同α值下的预测标准误差，选取预测标准误差最小的α。
[0151]
在实际应用中预测者应结合对预测对象的变化规律做出定性判断且计算预测误差，并要考虑到预测灵敏度和预测精度是相互矛盾的，必须给予二者一定的考虑，采用折中的α值。
[0152]
四、面向台区负荷预测模型应用成效
[0153]
采用相对误差rar和绝对误差ae作为预测结果的评价指标，如下：
[0154][0155][0156]
(1)基于bp神经网络的预测模型，在多个台区进行基础负荷预测，验证结果如下：
[0157]
表2近一个月台区居民基础负荷的预测误差统计
[0158][0159][0160]
具体以河南郑州广场南三配变1号台区为例，本发明利用近两周的台区基础负荷样本数据、气象数据完成了该台区4月17日居民基础负荷的预测，该预测日第75时段的输入
向量如表4所示，通过bp神经网络预测模型得到该时段预测负荷为100.9kw(实际为97.11kw)，进而分别完成预测日96个时间段台区基础负荷的预测，得到预测日预测曲线如图1、图2所示。
[0161]
表3预测日第75时段的输入向量
[0162][0163]
(2)基于指数平滑法的预测模型，在多个台区进行节假日基础负荷预测，对近五年不同台区，劳动节基础负荷预测结果与误差统计参见图2；
[0164]
表4近五年台区居民节假日(劳动节)基础负荷的预测误差统计
[0165]
台区编号平均相对误差(％)192615923.6600000143016524.4600000143017125.2923680123.1923680221.9320000123.523000000000322.123000000000427.523000000000526.2
[0166]
通过神经网络法与指数平滑法的应用效果对比分析，我们发现神经网络法与指数平滑法各自有以下特点：
[0167]
1)神经网络预测方法可以考虑多重影响因素与台区负荷的关联，而指数平滑法对台区负荷预测考虑的因素单一，神经网络法可以更真实的反映台区的负荷特点。
[0168]
2)神经网络预测方法相较于指数平滑法对台区负荷的预测具有更好的适应性，在负荷变化较快的区间内可以充分跟踪台区负荷的变化，而指数平滑法反应台区负荷的变化相对滞后。
[0169]
3)在实际运用中发现，神经网络法存在过拟合的风险，而指数平滑法规避了这一风险
[0170]
实施例2
[0171]
基于与实施例1相同的发明构思，本发明实施例中提供了一种台区电力负荷预测装置，包括：
[0172]
相似日选取模块，用于考虑气象和日类型因素，对获取到的样本数据利用模糊聚类方法选取相似日；
[0173]
判断模块，用于判断所述相似日的类型；
[0174]
预测模块，用于根据判断结果，选用不同的预测模型进行电力负荷预测；
[0175]
效果判断模块，用于对预测误差进行分析，判断负荷预测的效果。
[0176]
其余部分均与实施例1相同。
[0177]
实施例3
[0178]
基于与实施例1相同的发明构思，本发明实施例中提供了一种台区电力负荷预测系统，包括：
[0179]
处理器；
[0180]
存储器，其上存储有可在所述处理器上运行的计算机程序；
[0181]
其中，所述计算机程序被所述处理器执行时实现如实施例1中任一项所述的方法。
[0182]
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。