一種基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法技術(shù)

本發(fā)明專利技術(shù)公開了基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，步驟一，利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的時(shí)間序列模型；步驟二，利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的訓(xùn)練樣本，利用建立的訓(xùn)練樣本和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測；步驟三，根據(jù)建立的時(shí)間序列模型的預(yù)測值和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測值確定卡爾曼方程，時(shí)間序列模型的預(yù)測值作為卡爾曼濾波的真實(shí)值，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測值作為卡爾曼濾波的測量值，從而建立基于卡爾曼濾波的預(yù)測模型，對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測。本發(fā)明專利技術(shù)提出了一種基于卡爾曼濾波、神經(jīng)網(wǎng)絡(luò)以及時(shí)間序列分析的電網(wǎng)負(fù)荷預(yù)測分析方法，提高電網(wǎng)負(fù)荷預(yù)測可靠性，降低電網(wǎng)的供電風(fēng)險(xiǎn)，加強(qiáng)電網(wǎng)的堅(jiān)強(qiáng)性。

【技術(shù)實(shí)現(xiàn)步驟摘要】

本專利技術(shù)涉及電網(wǎng)負(fù)荷預(yù)測分析領(lǐng)域，尤其涉及一種基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法。
技術(shù)介紹
隨著經(jīng)濟(jì)的發(fā)展以及環(huán)境壓力的增大，利用新能源的呼聲越來越高，隨著新能源滲透率的增大，對(duì)電網(wǎng)的沖擊也越來越大，同時(shí)傳統(tǒng)的電網(wǎng)負(fù)荷預(yù)測方法面臨挑戰(zhàn)。電力系統(tǒng)負(fù)荷預(yù)測是電力系統(tǒng)調(diào)度運(yùn)營部門的一項(xiàng)重要的日常工作，預(yù)測精度的高低直接影響到電力系統(tǒng)運(yùn)行的安全性、經(jīng)濟(jì)性和供電質(zhì)量。由于電力負(fù)荷本身具有一定的不確定性、非線性、隨機(jī)性等內(nèi)在特點(diǎn)，負(fù)荷預(yù)測一直是學(xué)術(shù)研究的前沿與熱點(diǎn)問題。隨著電力市場的發(fā)展，負(fù)荷變化規(guī)律的更加復(fù)雜，而傳統(tǒng)的單一預(yù)測方法自適應(yīng)能力較差，致使負(fù)荷預(yù)測的復(fù)雜性與求解方法的局限性之間的矛盾更加突出，預(yù)測不能得到滿意的結(jié)果。所以，亟需開發(fā)一種計(jì)算簡單，精度較高的預(yù)測方法來解決這一難題。電網(wǎng)負(fù)荷的預(yù)測方法主要有模型法和神經(jīng)網(wǎng)絡(luò)方法，這兩種方法各有特點(diǎn)。模型法包括時(shí)間序列分析、回歸分析法，卡爾曼濾波法等，神經(jīng)網(wǎng)絡(luò)方法主要有BP神經(jīng)網(wǎng)絡(luò)、遺傳算法以及其改進(jìn)的方法等。模型法計(jì)算簡單所需數(shù)據(jù)較少，但預(yù)測精度不高，神經(jīng)網(wǎng)絡(luò)方法預(yù)測精度較高，但計(jì)算復(fù)雜，對(duì)數(shù)據(jù)要求較高。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的就是為了解決上述問題，提供一種基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，改善了單一預(yù)測方法的預(yù)測性能，提高了電網(wǎng)負(fù)荷的預(yù)測性能。為了實(shí)現(xiàn)上述目的，本專利技術(shù)采用如下技術(shù)方案：基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，包括以下步驟：步驟一，利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的時(shí)間序列模型；步驟二，利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的訓(xùn)練樣本，利用建立的訓(xùn)練樣本和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測；步驟三，根據(jù)步驟一建立的時(shí)間序列模型的預(yù)測值和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測值確定卡爾曼方程，時(shí)間序列模型的預(yù)測值作為卡爾曼濾波的真實(shí)值，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測值作為卡爾曼濾波的測量值，從而建立基于卡爾曼濾波的預(yù)測模型，對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測。所述步驟一中時(shí)間序列模型選用季節(jié)性時(shí)間序列模型。所述步驟二中，人口數(shù)量和GDP作為自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型的輸入，輸出為電網(wǎng)的負(fù)荷。季節(jié)性時(shí)間序列模型的建立步驟包括：(1)通過傅里葉周期分析方法得出序列的周期長度s；(2)識(shí)別時(shí)間序列的平穩(wěn)性；(3)模型識(shí)別；(4)參數(shù)估計(jì)，用極大似然估計(jì)或者最小二乘法估計(jì)得到模型中所有參數(shù)的估計(jì)值；(5)模型檢驗(yàn)；(6)模型優(yōu)化，通過赤池信息準(zhǔn)則和施瓦茨準(zhǔn)則從中選出最合適的模型階數(shù)；(7)電網(wǎng)負(fù)荷的預(yù)測，得到卡爾曼濾波的真實(shí)值。在識(shí)別時(shí)間序列的平穩(wěn)性之前把不平穩(wěn)的時(shí)間序列轉(zhuǎn)化為平穩(wěn)序列，轉(zhuǎn)化方法包括：1)如果序列呈線性趨勢，均值不平穩(wěn)，則利用一階差分；2)如果序列呈現(xiàn)二次趨勢，均值不是常數(shù)，則利用二階差分；3)如果序列呈現(xiàn)隨時(shí)間的上升或下降偏差，方差不是常數(shù)，則利用自然對(duì)數(shù)將其平穩(wěn)化。所述步驟(3)確定相應(yīng)季節(jié)性時(shí)間序列模型的階數(shù)p、q、P、Q的取值，通過觀察自相關(guān)和偏相關(guān)圖估計(jì)階數(shù)p,q,Q的可能取值，取值為0、1或2。所述步驟(5)模型檢驗(yàn)包括：a.參數(shù)檢驗(yàn)，模型變量的參數(shù)所對(duì)應(yīng)的p值小于給定的檢驗(yàn)水平0.05，通過統(tǒng)計(jì)性檢驗(yàn)；b.殘差序列檢驗(yàn)，通過對(duì)原始時(shí)間序列與建的模型之間的殘差序列at進(jìn)行檢驗(yàn)，若殘差序列at具有隨機(jī)性，意味著所建立的模型已包含了原始時(shí)間序列的所有趨勢，從而將所建立的模型應(yīng)用與預(yù)測是合適的；反之，若殘差序列at不具有隨機(jī)性，則說明所建立的模型有待改善，應(yīng)該對(duì)模型進(jìn)行修正。本專利技術(shù)的有益效果：本專利技術(shù)提出了一種基于卡爾曼濾波、自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)以及時(shí)間序列分析的電網(wǎng)負(fù)荷預(yù)測分析方法，很好了融合了時(shí)間序列分析、自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)以及卡爾曼濾波的優(yōu)點(diǎn)。時(shí)間序列分析重點(diǎn)分析了電網(wǎng)負(fù)荷數(shù)據(jù)本身的內(nèi)在聯(lián)系，能夠很好的保留數(shù)據(jù)的趨勢性、季節(jié)性以及隨機(jī)性；自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)是具有學(xué)習(xí)算法的模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)，依靠數(shù)據(jù)信息來對(duì)模糊神經(jīng)系統(tǒng)的參數(shù)進(jìn)行調(diào)整，通過訓(xùn)練改變其內(nèi)部表示，使輸入輸出能夠向好的方向發(fā)展；同時(shí)很好的解決了神經(jīng)網(wǎng)絡(luò)訓(xùn)練復(fù)雜、訓(xùn)練精度取決于網(wǎng)絡(luò)訓(xùn)練精度的缺點(diǎn)，能夠很好地表達(dá)人腦的推理功能。卡爾曼濾波是一種有效的以最小均方誤差來估計(jì)系統(tǒng)狀態(tài)的計(jì)算方法，即通過前一時(shí)刻預(yù)報(bào)誤差反饋到原來預(yù)報(bào)方程中，及時(shí)修正預(yù)報(bào)方程系數(shù)，以提高下一時(shí)刻的預(yù)報(bào)精度。卡爾曼濾波預(yù)測法存在動(dòng)態(tài)修改預(yù)測權(quán)值的優(yōu)點(diǎn)，依靠預(yù)測遞推方程可以獲得較高的精度。所以，本專利技術(shù)能夠提高電網(wǎng)負(fù)荷預(yù)測可靠性，降低電網(wǎng)的供電風(fēng)險(xiǎn)，增加電網(wǎng)調(diào)度的智能型，加強(qiáng)電網(wǎng)的堅(jiān)強(qiáng)性，保證供電的可靠性。附圖說明圖1為兩輸入一階模糊推理模型；圖2為ANFIS運(yùn)算示意圖；圖3為ANFIS的結(jié)構(gòu)圖；圖4為建立ARIMA模型流程圖。具體實(shí)施方式下面結(jié)合附圖與實(shí)施例對(duì)本專利技術(shù)作進(jìn)一步說明。利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的時(shí)間序列模型，由此建立卡爾曼濾波的狀態(tài)方程和測量方程。利用時(shí)間序列分析建立電網(wǎng)負(fù)荷的訓(xùn)練樣本，利用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電網(wǎng)負(fù)荷的預(yù)測分析。根據(jù)時(shí)間序列模型(本專利技術(shù)選用ARIMA模型)和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測值確定卡爾曼方程，實(shí)現(xiàn)卡爾曼濾波對(duì)電網(wǎng)負(fù)荷的預(yù)測。其中ARIMA模型的預(yù)測值作為卡爾曼濾波的真實(shí)值，神經(jīng)網(wǎng)絡(luò)的預(yù)測值作為卡爾曼濾波的測量值，從而建立基于卡爾曼濾波融合的預(yù)測模型。1.卡爾曼濾波卡爾曼濾波的基本思想是：以最小均方誤差為最佳估計(jì)準(zhǔn)則，采用信號(hào)與噪聲的狀態(tài)空間模型，利用前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的觀測值來更新對(duì)狀態(tài)變量的估計(jì)，求出當(dāng)前時(shí)刻的估計(jì)值，算法根據(jù)建立的系統(tǒng)方程和觀測方程對(duì)需要處理的信號(hào)做出滿足最小均方誤差的估計(jì)。假定電網(wǎng)負(fù)荷狀態(tài)可以描述為包含確定性輸入uk的一般線性隨機(jī)系統(tǒng)，其狀態(tài)空間可描述為：卡爾曼濾波的基本方程為：P0，0＝Var(x0)Pk，k＝(I-GkCk)Pk，k-1k＝1，2，…A、B、C、D、τ為系統(tǒng)參數(shù)矩陣(一般為常值矩陣)，uk為k時(shí)刻的確定性輸入，若無確定性輸入，uk＝0，ξk和ηk分別為k時(shí)刻的量測噪聲和系統(tǒng)噪聲，假設(shè)兩者皆為零均值高斯白噪聲，其方差分別為Qk、Rk，兩者協(xié)方差是Sk。為了能夠?qū)崿F(xiàn)上述卡爾曼濾波對(duì)電能負(fù)荷的預(yù)測分析需要，需要確定ξk和ηk、vk(實(shí)際測量值)。本專利技術(shù)中vk采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型的輸出，作為卡爾曼濾波的測量值，ξk由ARIMA季節(jié)模型的輸出結(jié)果可得。2.計(jì)算卡爾曼濾波的測量值人口數(shù)量(POP)，GDP作為自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型(ANFIS)的輸入，輸出為電網(wǎng)的負(fù)荷。ANFIS是一種基于Sugeno模型的模糊推理系統(tǒng)，將模糊推理和神經(jīng)網(wǎng)絡(luò)有機(jī)的結(jié)合，其模糊隸屬度及模糊規(guī)則是通過大量數(shù)據(jù)的學(xué)習(xí)完成的，經(jīng)典的兩輸入網(wǎng)絡(luò)結(jié)構(gòu)如圖2-3所示。ANFIS結(jié)構(gòu)第一層是輸入?yún)?shù)和模糊化，x、y是輸入變量；Ai本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，其特征是，包括以下步驟：步驟一，利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的時(shí)間序列模型；步驟二，利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的訓(xùn)練樣本，利用建立的訓(xùn)練樣本和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測；步驟三，根據(jù)步驟一建立的時(shí)間序列模型的預(yù)測值和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測值確定卡爾曼方程，時(shí)間序列模型的預(yù)測值作為卡爾曼濾波的真實(shí)值，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測值作為卡爾曼濾波的測量值，從而建立基于卡爾曼濾波的預(yù)測模型，對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測。

【技術(shù)特征摘要】
1.基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，其特征是，包括以下步驟：
步驟一，利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的時(shí)間序列模型；
步驟二，利用時(shí)間序列分析方法建立電網(wǎng)負(fù)荷的訓(xùn)練樣本，利用建立的訓(xùn)練樣本和自適
應(yīng)模糊神經(jīng)網(wǎng)絡(luò)對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測；
步驟三，根據(jù)步驟一建立的時(shí)間序列模型的預(yù)測值和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測值確定卡
爾曼方程，時(shí)間序列模型的預(yù)測值作為卡爾曼濾波的真實(shí)值，自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測值
作為卡爾曼濾波的測量值，從而建立基于卡爾曼濾波的預(yù)測模型，對(duì)電網(wǎng)負(fù)荷進(jìn)行預(yù)測。
2.如權(quán)利要求1所述基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，其特征是，
所述步驟一中時(shí)間序列模型選用季節(jié)性時(shí)間序列模型。
3.如權(quán)利要求1所述基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，其特征是，
所述步驟二中，人口數(shù)量和GDP作為自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模型的輸入，輸出為電網(wǎng)的負(fù)荷。
4.如權(quán)利要求2所述基于卡爾曼濾波與自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測方法，其特征是，
季節(jié)性時(shí)間序列模型的建立步驟包括：
(1)通過傅里葉周期分析方法得出序列的周期長度s；
(2)識(shí)別時(shí)間序列的平穩(wěn)性；
(3)模型識(shí)別；
(4)參數(shù)估計(jì)，用極大似然估計(jì)或者最小二乘法估計(jì)得到模型中所有參數(shù)的估計(jì)值；
(5)模型檢驗(yàn)；
(6)模型優(yōu)化，通過赤池信息準(zhǔn)則準(zhǔn)...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：尹建光，謝連科，劉輝，馬新剛，臧玉魏，王坤，鞏泉泉，竇丹丹，
申請(qǐng)(專利權(quán))人：國網(wǎng)山東省電力公司電力科學(xué)研究院，國家電網(wǎng)公司，
類型：發(fā)明
國別省市：山東;37