技术领域
[0001] 本
发明属于电力负荷预测技术领域，具体涉及一种融合环境反馈的智慧电网短期电力负荷预测方法。
背景技术
[0002] 电力负荷预测连接电网
能源与用户需求，对于
电能调度和绿色用电意义重大，精准的电网短期电力负荷预测方法能够实现电网
能量的精细管理，是居民稳定用电、经济稳定发展的重要保障。
[0003] 电力负荷时间序列是与电网相关的各种活动的综合结果，存在一定的周期性，同时，电力负荷时间序列还蕴含了外部环境变量的影响，短期电力负荷预测的
精度易受气温、湿度等气象环境因素的干扰。据统计，2012年上半年我国深圳、南昌、海口、西安等大城市发生共11起大范围停电事故，电力行业认为天气变化造成电力负荷短期内激增，电能调度不及时是事故发生的重要原因。
发明内容
[0004] 针对现有的因
气候环境变化引起的短期电力负荷突变问题，本发明提供一种融合环境反馈的智慧电网短期电力负荷预测方法，实现提升
预测模型对电力负荷突变事件的敏感度和适应能力，保证预测方法的鲁棒性，提高短期电力负荷预测的预测精度。
[0005] 为实现上述技术目的，本发明采用的技术方案为：
[0006] 一种融合环境反馈的智慧电网短期电力负荷预测方法，包括以下步骤：
[0007] 步骤1，获取目标预测区域内所有用电单位N1个连续周次的
电压和
电流历史数据，对各用电单位的电压和电流历史数据进行处理得到对应的功率序列，所有用电单位的功率序列组成目标预测区域的功率训练样本；
[0008] 与功率训练样本的获取方法相同，获取目标预测区域的另一历史时间段N1个连续周次的功率测试样本；同时获取目标预测区域在功率测试样本的历史时间段内每一天的平均
温度、平均湿度和
风速数据，构成目标预测区域的环境样本；
[0009] 步骤2，根据功率训练样本中各用电单位的功率序列，对各用电单位进行聚类，将目标预测区域划分为N3个区
块；
[0010] 步骤3，利用功率训练样本，建立基于PID神经网络的电力负荷预测模型组；
[0011] 步骤3.1，利用各区块内的功率训练样本中所有功率序列，分别建立与N3个区块对应的N3个区块电力负荷预测模型组；每个区块电力负荷预测模型组均包括7个天次电力负荷预测模型组，其中7个天次电力负荷预测模型组分别与一周7天相对应；每个天次电力负荷预测模型组包括N4个基于PID神经网络的电力负荷预测模型，其中N4个电力负荷预测模型分别与一天N4个时段相对应；
[0012] 步骤3.2，对每个区块内的的功率训练样本中所有功率序列进行处理，每个区块均得到对应的电力负荷训练样本；
[0013] 步骤3.3，依次以第a区块的电力负荷训练样本中任意两个连续周次的第b天次第n2时段的电力负荷值作为输入数据、以下一周次的第b天次第n2时段的电力负荷值作为输出数据，训练第a区块的第b天次第n2时段的基于PID神经网络的电力负荷预测模型；其中，a＝1,2,…,N3，b＝1,2,…,7，n2＝1,2,…,N4；
[0014] 步骤4，利用功率测试样本和环境样本，建立基于
支持向量机的环境反馈模型：
[0015] 步骤4.1，按步骤3.2对功率测试样本进行处理，每个区块得到对应的电力负荷测试样本；
[0016] 步骤4.2，任意确定模拟预测当前周次、模拟预测周次w0+m0和模拟预测天次b0；
[0017] 步骤4.3，选择各区块对应模拟预测天次b0的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0-1周次b0天次和第w0周次b0天次各区块各时段的电力负荷值作为对应区块对应天次b0对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+1周次b0天次各区块各时段的电力负荷模拟预测值；
[0018] 步骤4.4，选择各区块对应模拟预测天次b0的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0周次b0天次各区块各时段的电力负荷值和第w0+1周次b0天次各区块各时段的电力负荷模拟预测值作为对应区块对应天次b0对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+2周次b0天次各区块各时段的电力负荷模拟预测值；
[0019] 步骤4.5，依此类推，直到获得第w0+m0周次b0天次各区块各时段的电力负荷模拟预测值，将第w0+m0周次b0天次各区块各时段的电力负荷预测值求和，获得第w0+m0周次b0天次的电力负荷模拟预测值；
[0020] 步骤4.6，对比模拟预测周次为w0+m0、模拟预测天次为b0的电力负荷模拟预测值与电力负荷测试样本中周次为w0+m0、天次为b0的各区块各时段的电力负荷值之和，获得第w0+m0周次的天次为b0的电力负荷模拟预测误差值；
[0021] 步骤4.7，重复步骤4.2-4.6共N5次，得到N5个电力负荷模拟预测值和N5个电力负荷模拟预测误差值；
[0022] 步骤4.8，将每个电力负荷模拟预测值和环境样本中模拟预测天次的平均温度、平均湿度和风速作为输入数据，将每个电力负荷模拟预测误差值作为输出数据，训练支持向量机，得到基于支持向量机的环境反馈模型；
[0023] 步骤5，利用步骤3获得的各基于PID神经网络的电力负荷预测模型和步骤4获得的基于支持向量机的环境反馈模型，对目标预测周次为w+m、目标预测天次为d的电力负荷进行最优预测；其中包含天次d的最近周次为w；
[0024] 步骤5.1，获取所有用电单位的第w-1周次和第w周次的电压和电流数据，并按步骤1进行处理得到目标预测区域的功率预测样本；
[0025] 步骤5.2，按步骤3.2对功率预测样本进行处理，每个区块得到对应的电力负荷预测样本；
[0026] 步骤5.3，选择各区块天次为d的天次电力负荷预测模型组；依次将电力负荷预测样本中第w-1周次d天次和第w周次d天次各区块各时段的电力负荷值作为对应区块对应天次d对应时段的各基于PID神经网络的电力负荷预测模型的输入数据，获得第w+1周次d天次各区块各时段的电力负荷预测值；
[0027] 步骤5.4，选择各区块天次为d的天次电力负荷预测模型组，依次将电力负荷预测样本中第w周次d天次各区块各时段的电力负荷值和第w+1周次d天次各区块各时段的电力负荷预测值作为对应区块对应天次d的基于PID神经网络的电力负荷预测模型的输入数据，获得第w+2周次d天次各区块各时段的电力负荷预测值；
[0028] 步骤5.5，依此类推，直到获得第w+m周次d天次各区块各时段的电力负荷预测值，将第w+m周次d天次各区块各时段的电力负荷预测值求和，获得第w+m周次d天次电力负荷预测值；
[0029] 步骤5.6，根据天气预报和气象局信息，获得目标预测区域的目标预测周次为w+m、目标预测天次为d的平均温度、平均湿度和风速数据，并将目标预测周次为w+m、目标预测天次为d的平均温度、平均湿度、风速数据和电力负荷预测值作为基于支持向量机的环境反馈模型的输入数据，获得目标预测区域的目标预测周次为w+m、目标预测天次为d的电力负荷最优预测值。
[0030] 进一步地，各用电单位的电压和电流历史数据由各自设置的电力检测设备以相同
频率采集得到，所述对电压和电流历史数据进行处理得到目标预测区域的功率训练样本和功率测试样本的具体过程均为：
[0031] 以样本时刻时间间隔T1划分电压数据和电流数据，计算每个样本时刻时间间隔T1内的电压平均值和电流平均值，将每个样本时刻时间间隔T1的中间时刻作为样本时刻，将每个样本时刻时间间隔T1内的电压平均值和电流平均值作为样本时刻的电压值和电流值，将每个样本时刻电压值与电流值的乘积作为样本时刻的功率值；
[0032] 每个电力检测设备对应2段由不同历史时间段所有样本时刻的功率值组成的功率序列，2个不同历史时间段的所有电力检测设备的的功率序列分别组成功率训练样本和功率测试样本。
[0033] 进一步地，所述步骤2的具体过程为：
[0034] 以同1天内的零点到二十四点为天次时间间隔T2，依次随机获得功率训练样本中各电力检测设备N2个长度为T2的功率序列
片段，10≤N2≤15；
[0035] 依次将功率训练样本中各电力检测设备的N2个功率序列片段取平均，获得各电力检测设备的功率平均序列；
[0036] 将各电力检测设备作为待聚类的元素pi,i＝1,2,3...,n1，n1为电力检测设备的数量，待聚类元素的坐标为对应电力检测设备的功率平均序列；
[0037] 选择聚类中心个数为N3，进行k-means聚类，根据聚类结果，将目标预测区域划分为N3个区块，4≤N3≤8，每个区块包括若干个电力检测设备。
[0038] 进一步地，所述进行k-means聚类的过程为：
[0039] 步骤A1，将各电力检测设备的功率平均序列作为待聚类元素的坐标，随机选择N3个元素作为聚类中心，每个聚类中心代表1个聚类簇；
[0040] 步骤A2，依次计算所有元素同各聚类中心的距离，并且依次将各元素赋给与之距离最近的聚类中心所代表的聚类簇；
[0041] 采用欧几里德距离量化元素同各个聚类中心的距离，公式如下：
[0042]
[0043] 式中，distance(pi,kj)表示元素pi同聚类中心kj的距离， 表示第i个元素的第n个坐标， 表示第j个聚类中心的第n个坐标，N表示1天内包括的样本时刻时间间隔T1的数量；
[0044] 步骤A3，采用欧几里得距离计算每个聚类簇中所有元素的平均坐标，依此计算各聚类簇中的平均坐标同各聚类中心的距离，若各聚类簇的平均坐标同各聚类中心的距离均小于等于
阈值 聚类完成，获得当前聚类结果；若存在任意聚类簇的平均坐标同聚类中心的距离大于阈值 将各聚类簇的平均坐标作为各聚类簇新的聚类中心，转至步骤A2。
[0045] 进一步地，阈值 的取值为0.05。
[0046] 进一步地，所述步骤3.2的具体过程为：
[0047] 步骤B1，依次将功率训练样本中同一区块内所有电力检测设备的功率序列求和，获得与N3个区块分别对应的N3个区块功率序列；
[0048] 步骤B2，依次选择第a区块的区块功率序列中按周天次为b的N1个区块功率序列片段，组成第a区块天次为b的功率训练子样本；其中a＝1,2,…,N3，b＝1,2,…,7；
[0049] 步骤B3，从第a区块天次为b的功率训练子样本中随机选择20个区块功率序列片段，取平均值得到第a区块天次为b的区块功率序列平均片段；其中，区块功率序列平均片段中每个样本时刻均对应一个功率平均值；
[0050] 步骤B4，利用区块功率序列平均片段，将第a区块天次为b的一天划分为N4个时段，划分方法为：区块功率序列平均片段中，若满足后一样本时刻功率平均值与当前样本时刻功率平均值的绝对差值大于该两个样本时刻功率平均值中的最小值的30％，则当前样本时刻为临界样本时刻，并将临界样本时刻作为当前时段的结束时刻，临界样本时刻的后一样本时刻作为下一时段的开始时刻；区块功率序列平均片段末端样本时刻不满足临界样本时刻条件；
[0051] 步骤B5，按照时段划分结果，利用第a区块天次为b的功率训练子样本，依次计算第a区块天次为b的电力负荷训练子样本；
[0052] 将第c时段内的各样本时刻的功率值与样本时刻时间间隔T1乘积的和，作为第c时段的电力负荷值；其中，c＝1,2,…,N4，则1天N4个时段的电力负荷值组成第a区块天次为b的1个电力负荷序列，时间跨度为N1个连续周次的功率训练子样本则对应得到N1个电力负荷序列，N1个电力负荷序列组成第a区块天次为b的电力负荷训练子样本，按周7个天次依次取b＝1,2,…,7组成第a区块的电力负荷训练样本。
[0053] 进一步地，时间跨度N1的取值为：N1≥50。
[0054] 进一步地，电力负荷模拟预测值的数量N5的取值为：N5≥200。
[0055] 进一步地，样本时刻时间间隔T1的取值为20分钟。
[0056] 进一步地，所述电压和电流历史数据是经过不敏卡尔曼滤波后的数据。
[0057] 有益效果
[0058] 本方案同时采集各用电单位的电压、电流历史数据，形成功率时间序列，充分反映了电力负荷数据变化的本质规律，基于电力负荷数据自身特性进行分类，研究各单位在相同时间段内用电高峰的规律，通过聚类
算法将功率序列
波动规律相近的单位聚类，最终形成较稳定的区块电力负荷时间序列，降低了电力负荷数据的复杂性和杂散性，针对区块分别建立电力负荷预测模型组并进行预测，提升了电力负荷预测的精确度和
稳定性。
[0059] 其次，本方案在针对按周的各天次进行划分的
基础上，分析区块内用电单位在一天中集中用电的时间段，将以天为长度的区块功率时间序列划分为多个稳态时段，每个时段分别建立电力负荷预测模型，进一步降低了电力负荷数预测的不稳定性，大大提升了电力负荷预测精度和鲁棒性。
[0060] 再次，本方案结合温度、湿度和风速天气信息对人群出行以及作息的影响，建立基于支持向量机的环境反馈模型，对电力负荷预测值进行修正，完善电力负荷预测体系，进一步提升电力负荷预测的科学性和精确性。
附图说明
[0061] 图1为本发明融合环境反馈的智慧电网短期电力负荷预测
流程图。
具体实施方式
[0062] 下面对本发明的
实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
[0063] 针对短期电力负荷突变问题，本发明提出一种融合环境反馈的智慧电网短期电力负荷预测方法，通过
聚类分析，利用各地区一定时间跨度内的
平均功率序列，将目标预测区域划分区块，针对区块分别建立预测模型，避免过量相关模型的干扰，降低计算成本对的同保证电力负荷预测精度；以天为单位分析一周内各区块的电力负荷时间序列并根据其波动规律划分时段，建立时段同电力负荷稳态之间的映射关系，降低输入数据波动对预测模型带来的负面影响，提升电力负荷预测的预测精度；同时，考虑到电力负荷突变的影响因素，建立平均温度、平均湿度和风速同电力负荷预测误差之间的映射关系，智能嵌入外部环境因素，得到融合环境反馈的电力负荷预测模型，极大提升了预测模型对电力负荷突变事件的敏感度和适应能力，保证了预测方法的鲁棒性，提高了短期电力负荷预测的预测精度。
[0064] 本实施例将结合附图1对本发明方案进一步解释说明，具体包括以下步骤：
[0065] 步骤1：安装电力检测设备，获取历史电压和电流数据。
[0066] 依次对目标预测区域内所有的用电单位分别安装电力检测设备；
[0067] 以相同
采样频率同时采集各电力检测设备中的电压和电流历史数据，依次对各电力检测设备中的电压和电流历史数据进行不敏卡尔曼滤波，以样本时刻时间间隔T1划分滤波后的电压和电流历史数据，计算每个样本时刻时间间隔T1内电压和电流的平均值，将每个样本时刻时间间隔T1的中间时刻作为样本时刻，将每个样本时刻时间间隔T1内电压和电流的平均值作为样本时刻的电压和电流值，将每个样本时刻电压值与电流值的乘积作为样本时刻的功率值，获得各电力检测设备的功率序列，所有电力检测设备的功率序列组成功率训练样本；
[0068] 以相同
采样频率采集各电力检测设备在另一历史时间段内的电压和电流历史数据，采用与功率训练样本相同的数据获取方法，获得功率测试样本；同时通过天气预报和气象局信息获得该历史时间段内每一天的平均温度、平均湿度和风速数据，获得环境样本；
[0069] 所采集的电压和电流历史数据，均以周一零点为采集起始点，以周末二十四点为采集终止点，功率训练样本与功率测试样本均包含N1个连续周次的电压和电流历史数据，N1取值至少为50；
[0070] 样本时刻时间间隔T1的取值为20分钟；
[0071] 每个电力检测设备对应2段不同历史时间内包含所有样本时刻的功率序列；
[0072] 功率训练样本和功率测试样本中，每个功率序列每小时均含有3个功率数据，分别为第10分钟、第30分钟和第50分钟的功率值；
[0073] 步骤2：利用功率训练样本，将目标预测区域划分区块；
[0074] 以同1天内的零点到二十四点为天次时间间隔T2，依次随机获得功率训练样本中各电力检测设备的N2个长度为T2的功率序列片段，10≤N2≤15；
[0075] 依次将功率训练样本中各电力检测设备的N2个功率序列片段取平均，获得功率训练样本中各电力检测设备的功率平均序列；
[0076] 将各电力检测设备作为待聚类的元素，记为pi,i＝1,2,3...,n1，n1为电力检测设备的数量，待聚类元素的坐标为功率训练样本中对应电力检测设备的功率平均序列；
[0077] 选择聚类中心个数为N3，进行k-means聚类，根据聚类结果，将目标预测区域划分为N3个区块，4≤N3≤8，每个区块含有多个电力检测设备，同一区块在地理
位置上可能不相连；
[0078] 聚类过程如下：
[0079] 步骤A1：将功率训练样本中各电力检测设备的功率平均序列作为待聚类元素的坐标，随机选择N3个元素作为聚类中心，每个聚类中心代表1个聚类簇；
[0080] 步骤A2:依次计算所有元素同各聚类中心的距离，并且依次将各元素赋给与之距离最近的聚类中心所代表的聚类簇；
[0081] 采用欧几里德距离量化元素同各个聚类中心的距离，公式如下：
[0082]
[0083] 式中，distance(pi,kj)表示元素pi同聚类中心kj的距离， 表示第i个元素的第n个坐标， 表示第j个聚类中心的第n个坐标；
[0084] 步骤A3：采用欧几里得距离计算每个聚类簇中所有元素的平均坐标，依此计算各聚类簇中的平均坐标同聚类中心的距离，若各聚类簇的平均坐标同聚类中心的距离均小于等于阈值 聚类完成，获得当前聚类结果；若存在任意聚类簇的平均坐标同聚类中心的距离大于阈值 将各聚类簇的平均坐标作为各聚类簇新的聚类中心，转至步骤A2；
[0085] 本实例，阈值 选为0.05。
[0086] 步骤3：利用功率训练样本，建立基于PID神经网络的电力负荷预测模型组；
[0087] 依次将功率训练样本中同一区块所有电力检测设备的功率序列求和，获得N3个区块功率序列；
[0088] 利用N3个区块功率序列，分别建立N3个区块电力负荷预测模型组，每个区块电力负荷预测模型组均包含7个天次电力负荷预测模型组，7个天次电力负荷预测模型组分别与一周七天相对应；共N3*7个分别对应不同区块不同天次的基于PID神经网络的电力负荷预测模型组；
[0089] 以下以区块2中天次为7(假设为周一)的基于PID神经网络的电力负荷预测模型组的构建过程为例，如图1所示，对各区块的一周中各天次的基于PID神经网络的电力负荷预测模型组的构建过程进行说明：
[0090] 选择当前区块功率序列包含的N1个连续周次中所有对应周一的区块功率序列片段，组成当前区块对应周一的功率训练子样本，当前区块对应周一的功率训练子样本包含N1个时间跨度为1天且对应周一的区块功率序列片段；
[0091] 从当前区块对应周一的功率训练子样本中随机选择20个区块功率序列片段，将上述20个区块功率序列片段取平均获得1个区块功率序列平均片段，区块功率序列平均片段包含72(24*3)个样本时刻，每个样本时刻对应一个功率平均值，利用区块功率序列平均片段，将当前区块的周一划分为N4个时段，划分方法如下：
[0092] 记区块功率序列平均片段中，满足后一样本时刻功率平均值与当前样本时刻功率平均值的绝对差值大于上述两个样本时刻功率平均值的最小值的30％的样本时刻为临界样本时刻，临界样本时刻作为当前时段的结束时刻，临界样本时刻的后一样本时刻作为下一时段的开始时刻；区块功率序列平均片段末端样本时刻不满足临界样本时刻条件；
[0093] 按照时段划分结果，利用当前区块对应周一的功率训练子样本依次计算当前区块对应周一的电力负荷训练子样本，当前区块对应周一的电力负荷训练子样本包含N1个电力负荷序列，每个电力负荷序列与某一周的周一相对应，每个电力负荷序列均包含N4电力负荷值，N4个电力负荷值同N4个时段相对应；
[0094] 某一时段的电力负荷值即该时段内各样本时刻的功率值与T乘积的和；
[0095] 将当前区块对应周一的电力负荷训练子样本作为当前区块对应周一的基于PID神经网络的电力负荷预测模型组的
训练数据；
[0096] 当前区块对应周一的基于PID神经网络的电力负荷预测模型组包含N4个基于PID神经网络的电力负荷预测模型，同N4个时段相对应；
[0097] 依次以电力负荷训练子样本中任意两个连续周次周一第n2时段的电力负荷值作为对应时段的基于PID神经网络的电力负荷预测模型的输入数据，n2＝1,2,3,...,N4，以下一个周次周一第n2时段的电力负荷值作为对应时段的基于PID神经网络的电力负荷预测模型的输出数据，训练PID神经网络，获得对应第n2时段的基于PID神经网络的电力负荷预测模型；
[0098] 依次将n2从1取值直到N4，共获得N4个分别与时段对应的基于PID神经网络的电力负荷预测模型，从而得到当前区块对应周一的基于PID神经网络的电力负荷预测模型组；
[0099] 依次选择所有区块，每个区块依次选择所有天次，类比于某一区块对应周一的基于PID神经网络的电力负荷预测模型组的构建过程，获得N3*7个基于PID神经网络的电力负荷预测模型组。
[0100] 步骤4，利用功率测试样本和环境样本，建立基于支持向量机的环境反馈模型；
[0101] 利用步骤2获得的k-means聚类结果和功率测试样本获得N3个区块功率预测序列，每个区块功率测试序列即时间跨度为N1个连续周次的样本时刻时间间隔为T1的连续功率值；
[0102] 依次选择各区块功率测试序列中天次相同的序列片段，分别获得各区块对应各天次的共N3*7个功率测试子样本，每个功率测试子样本均包含N1个时间跨度为一天的区块功率测试序列片段；
[0103] 利用步骤3获得的时段划分结果和N3*7功率测试子样本，依次计算功率测试子样本中各时段内的电力负荷值，获得N3*7个电力负荷测试子样本，所有电力负荷测试子样本即电力负荷测试样本；
[0104] 利用步骤3获得的各基于PID神经网络的电力负荷预测模型和电力负荷测试样本，进行N5次电力负荷模拟预测，N5取值至少为200，电力负荷模拟预测过程如下：
[0105] 任意确定模拟预测当前周次，记为w0，已知当前周次及以前的电力负荷情况，任意确定模拟预测周次和模拟预测天次，记模拟预测周次为w0+m0，记模拟预测天次为b0；
[0106] 选择各区块对应模拟预测天次b0的基于PID神经网络的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0-1周次b0天次和第w0周次b0天次各区块各时段的电力负荷值作为对应区块对应天次b0的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+1周次b0天次各区块各时段的电力负荷模拟预测值；
[0107] 选择各区块对应模拟预测天次b0的基于PID神经网络的天次电力负荷预测模型组，依次将电力负荷测试样本中对应第w0周次b0天次各区块各时段的电力负荷值和第w0+1周次b0天次各区块各时段的电力负荷模拟预测值作为对应区块对应天次b0的基于PID神经网络的电力负荷预测模型的输入数据，获得第w0+2周次b0天次各区块各时段的电力负荷模拟预测值；
[0108] 依此类推，直到获得第w0+m0周次b0天次各区块各时段的电力负荷模拟预测值，将第w0+m0周次b0天次各区块各时段的电力负荷预测值求和，获得第w0+m0周次b0天次的电力负荷模拟预测值；
[0109] 对比第w0+m0周次b0天次的电力负荷预测值与电力负荷测试样本中第w0+m0周次b0天次各区块各时段的电力负荷值之和，获得第w0+m0周次b0天次电力负荷模拟预测误差值；
[0110] 重复上述电力负荷模拟预测过程N5次，共获得N5个电力负荷模拟预测值和N5个电力负荷模拟预测误差值；
[0111] 将每一次模拟预测的电力负荷模拟预测值和环境样本中模拟预测目标预测时间的平均温度、平均湿度和风速作为基于支持向量机的环境反馈模型的输入数据，将每一次模拟预测的电力负荷模拟预测误差值作为基于支持向量机的环境反馈模型的输出数据，训练支持向量机，获得基于支持向量机的环境反馈模型；
[0112] 步骤5：利用步骤3获得的各基于PID神经网络的电力负荷预测模型和步骤4获得的基于支持向量机的环境反馈模型，进行电力负荷最优预测；
[0113] 获得各电力检测设备包含最近3个周次的电压和电流数据，按照步骤1中功率测试样本的获得方法和步骤4电力负荷测试样本的获得方法，获得功率预测样本和电力负荷预测样本；此处选择3个周次的电压和电流数据，是为了保证至少包括天次为目标预测天次的数据，以输入驱动各基于PID神经网络的电力负荷预测模型，最终获得目标预测周次目标预测天次的电力负荷预测值。
[0114] 记目标预测周次为w+m，目标预测天次为d，电力负荷预测样本中包含目标预测天次d的最近周次为w，选择各区块对应天次d的基于PID神经网络的天次电力负荷预测模型组，依次将电力负荷预测样本中对应第w-1周次d天次和第w周次d天次各区块各时段的电力负荷值作为对应区块对应天次d对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w+1周次d天次各区块各时段的电力负荷预测值；
[0115] 选择各区块对应天次d的基于PID神经网络的电力负荷预测模型组，依次将电力负荷预测样本中对应第w周次d天次各区块各时段的电力负荷值和第w+1周次d天次各区块各时段的电力负荷预测值作为对应区块对应天次d对应时段的基于PID神经网络的电力负荷预测模型的输入数据，获得第w+2周次d天次各区块各时段的电力负荷预测值；
[0116] 依此类推，直到获得第w+m周次d天次各区块各时段的电力负荷预测值，将第w+m周次d天次各区块各时段的电力负荷预测值求和，获得第w+m周次d天次电力负荷预测值。
[0117] 根据天气预报和气象局信息，获得将第w+m周次d天次的平均温度、平均湿度和风速数据，将第w+m周次d天次的平均温度、平均湿度、风速和电力负荷预测值作为基于支持向量机的环境反馈模型的输入数据，获得第w+m周次d天次的电力负荷最优预测值。
[0118] 以上实施例为本
申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
