申请/专利权人：国网天津市电力公司;国家电网有限公司;天津大学

申请日：2019-08-16

公开（公告）日：2023-05-16

公开（公告）号：CN110570023B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06N3/044;G06N3/08;G06N20/10;G06F18/27;G06F18/214;H02J3/00

优先权：

专利状态码：有效-授权

法律状态：2023.05.16#授权;2020.01.07#实质审查的生效;2019.12.13#公开

摘要：本发明涉及基于SARIMA‑GRNN‑SVM的短期商业电力负荷预测方法，包括如下步骤：通过对负荷曲线的分析得出商业电力负荷波动的影响因素；对商业电力负荷时间序列预测与多因素回归预测构建单一预测模型；构建SVM模型，并利用训练样本对SVM模型进行参数优化与训练，通过网格搜索与交叉验证法进行SVM模型的参数优化；将SARIMA模型、GRNN模型得出的预测日的预测值输入到训练后的SVM模型中，即得到预测日的商业电力负荷预测值。本发明克服了单一预测模型无法综合考虑商业负荷的周期性变化与影响因素导致预测结果易发生较大误差的问题，提升了预测精确度与鲁棒性。

主权项：1.一种基于SARIMA-GRNN-SVM的短期商业电力负荷预测方法，其特征在于：包括如下步骤：S1、采集近期当地商业电力负荷数据，并绘制该段时间内的平均负荷曲线或者和该段时间内某段时间的负荷曲线，通过对负荷曲线的分析得出商业电力负荷波动的影响因素；S2、对商业电力负荷时间序列预测与多因素回归预测构建单一预测模型；S201、建立季节自回归差分移动平均SARIMA模型，实现对商业电力负荷时间序列的预测；建立SARIMA模型，公式如下式所示： 其中： θB=1-θ1B-…-θqBqΦBs＝1-Φ1BS-…-ΦPBSΘBs＝1-Θ1BS-…-ΘQBS 式中，xt为商业电力负荷时间序列，为差分后的平稳时间序列；B表示滞后算子，表示差分算子；为季节自回归模型，为p阶自回归多项式，为非季节自回归参数；ΦBs表示季节自回归多项式，Φ1，Φ2，…ΦP为P阶季节自回归参数；ΘBSθB表示季节移动平均模型，其中θB表示q阶移动平均多项式，θ1，θ2，…θq为非季节移动平均参数，ΘBS表示季节移动平均多项式，Θ1，Θ2，…ΘQ为Q阶季节移动平均参数，εt为高斯噪音；建立SARIMA模型，以预测日前一段连续时间的历史负荷及时间序列作为输入，采用AugmentedDickey-Fuller检验使原始时间序列平稳化并确定差分阶数，通过自相关系数和偏自相关系数图来判定可能的模型参数，利用赤池信息量准则和贝叶斯信息准则筛选，输出预测日的预测值；S202、采用广义回归神经网络GRNN模型对商业电力负荷进行多因素回归预测构建GRNN模型，以预测日前一段连续时间的步骤S1中确定的商业电力负荷波动的影响因素及前一同日期类型日同时刻负荷作为输入，利用循环交叉验证的训练方法，从而使得输出的预测值最优；所述GRNN模型由输入层、模式层、加和层和输出层构成；输入层各神经元将输入的数据直接传输至模式层，模式层通过径向传递函数将样本传输至加和层，加和层通过两种算法求和并将数据传输至输出层，输出层采用线性函数对结果进行输出；S3、构建SVM模型，并利用训练样本对SVM模型进行参数优化与训练，通过网格搜索与交叉验证法进行SVM模型的参数优化；其中，针对工作日预测，选择前三个工作日的单一预测模型预测值与负荷实际值作为训练样本；针对休息日预测，选择预测日前两天与上一同日期类型日的单一预测模型预测值与负荷实际值为训练样本；其中，单一预测模型预测值采用利用步骤S201、S202中SARIMA模型、GRNN模型得出的预测值；S4、将步骤S201、S202中SARIMA模型、GRNN模型得出的预测日的预测值输入到步骤S3中训练后的SVM模型中，即得到预测日的商业电力负荷预测值。

全文数据：

权利要求：

百度查询： 国网天津市电力公司;国家电网有限公司;天津大学 一种基于SARIMA-GRNN-SVM的短期商业电力负荷预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD