一種饋線基線負荷預測方法與流程

2023-06-08 05:17:51 1

本發明涉及一種電力系統中的負荷預測方法，具體涉及一種饋線基線負荷預測方法。

背景技術：

饋線基線負荷，即在電力系統緊急情況下未實施需求響應措施時饋線本應達到的負荷量，它是根據歷史負荷、氣象等因素估算得到的一條負荷曲線，是對未發生情況的一個估計值。一個設計合理的饋線基線負荷預測方法也許是任何一個電力需求響應方案取得成功的最重要的因素，它使得電網調度人員和電力公司能夠量化需求響應資源的性能。準確的饋線基線負荷預測可為定量地評估各種電力需求響應方案對重載線路負荷削減程度及其方案的性能提供重要依據，同時也將為線路過載或事故狀態下電力公司制定合理的需求響應方案決策提供指導。

目前國內外基線負荷預測研究的主體主要是電力用戶或建築個體，主要用於對需求響應方案的性能的評估和對用戶獎懲的計算，未見有關於饋線基線負荷預測算法研究的報導。

目前國外主要有兩大類主流的基線負荷計算方法：基於歷史負荷的平均值法和基於氣象因子的回歸法。平均值法，即採用需求響應事件前幾天的每小時負荷值進行線性組合，這類方法主要通過對歷史負荷數據進行統計、分析和計算來預測基線負荷。回歸法，即根據電力需求與其它變量(通常為天氣，如溫度、溼度)之間的特殊關係，採用確定的公式來預測負荷，大多數回歸模型都使用的是線性模型。國外的這些基線負荷預測方法的主要特點是計算方法簡單，易於用戶的理解和接受，適用於面向用戶的基線負荷預測，但是對於其預測結果的精度離電力公司判定需求響應方案對於負荷的削減效果還是有一定的距離的。

國內對於電力需求響應的研究起步得較晚，但是也有一些學者開始嘗試進行基線負荷預測的研究，面向的對向主要為電力用戶和建築。文獻【辦公建築空調系統用能優化研究】提出了一種基於模糊C均值法相似日選擇和基於BP神經網絡的公共建築基線負荷預測方法，該方法在一定的程度上提高了基線負荷預測的精度，但模糊C均值法尋找到相似日的數量具有一定的隨機性，有可能會出現相似日數量極少的情況，且FCM算法複雜度高；同時BP神經網絡與RBF神經網絡相比存在著收斂速度慢和局部極小的局限性。文獻【基於信息雙向互動的用戶基線負荷計算方法】提出了一種用戶基線負荷預測方法，該方法類似於平均值法，考慮了氣象調整因子、用戶的檢修計劃和保電計劃，但要求用戶上傳次日檢修計劃和保電計 劃，適用於面向用戶的基線負荷計算，便於客戶理解，但不適用於電網層面的基線負荷的計算。文獻【基於徑向基人工神經網絡的用戶基線負荷計算方法】提出了一種基於徑向基人工神經網絡的電力用戶的基線負荷預測方法，該方法具有較小的運算量和一定的預測精度，但是在典型日的選取上未考慮氣象因素。

技術實現要素：

為解決上述現有技術中的不足，本發明的目的是提供一種電力系統中饋線基線負荷預測方法。

本發明的目的是採用下述技術方案實現的：

本發明提供一種饋線基線負荷預測方法，其改進之處在於，所述方法包括下述步驟：

(1)導入歷史氣象數據、饋線上所有用戶歷史負荷數據和預測時段氣象數據至內存；

(2)歷史負荷數據修正；

(3)氣象相似歷史日選擇，包括：節假日、需求響應事件日、預定削減日和負荷低於閾值日排除以及灰色關聯度法氣象相似歷史日選擇；其中，需求響應事件日為曾實施需求響應的日期，預定削減日為實施有序用電的日期；

(4)採用RBF徑向基人工神經網絡對饋線所有用戶基線負荷進行預測；

(5)運用調整因子調整饋線所有用戶基線負荷預測值；

(6)饋線所有用戶基線負荷預測結果求和。

進一步地，所述步驟(1)包括如下步驟：

A.歷史氣象數據導入：導入饋線基線負荷預測日前Y日指定預測時段內的氣象數據，每個歷史日的氣象參數包括溫度、溼度和風速；歷史數據導入時段不超出夏季高峰月份6-9月，若本年回溯區間不足Y日，用上年度6-9月日期補足；

B.歷史負荷數據導入：導入待預測饋線所有用戶在預測日前Y天指定預測時段內的歷史負荷數據；歷史數據導入時段不超出夏季高峰月份6-9月，若本年回溯區間不足Y日，用上年度6-9月日期補足；

C.預測時段氣象數據導入：導入預測時段內的氣象數據，包括溫度、溼度和風速。

進一步地，所述步驟(2)包括：對本年度回溯區間不足Y日的情況進行歷史負荷數據修正，通過加權平均係數δ對上年度的歷史負荷數據進行調整；加權平均係數δ的計算公式為：

式中，n為本年度回溯區間的日期數，Y-n為上年度回溯區間的日期數；Y為年度回溯區間的日期數；δ為加權平均係數；Lk為本年度第k日的歷史負荷值，為本年度回溯的n日預測時段歷史負荷平均值；為上年度第k1日的歷史負荷值，為上年度Y-n日預測時段歷史負荷的平均值；k為本年度第k日；k1為上年度第k1日。

進一步地，所述步驟(3)包括如下步驟：

A.節假日、需求響應事件日和預定削減日排除：從預測日前的Y日中排除節假日、需求響應事件日和預定削減日排除；

B.閾值排除：設定一個閾值Z％，將歷史日中指定預測時段的歷史負荷低於所選樣本的平均負荷Z％及以上的日子排除在樣本之外；

C、灰色關聯度法氣象相似歷史日選擇：分別計算排除節假日、需求響應事件日、預定削減日和負荷低於閾值日的剩餘歷史日指定預測時段內的h個氣象因子特徵值與預測日的灰色關聯繫數，再將每個歷史日的h個選定的作為特徵向量的氣象因素與預測日的灰色關聯繫數相加得到每個歷史日與預測日之間的灰色關聯度，關聯度越大，則氣象條件相似程度越高；最終選擇灰色關聯度最大的M日作為相似歷史日。

進一步地，灰色關聯度法相似歷史日選擇包括如下步驟：

①確定參考數列與比較數列：設X0、Xi(i＝1,2,…N)分別為預測日和經過節假日、需求響應事件日、預定削減日和閾值排除後的剩餘歷史日的氣象因素特徵向量，N為剩餘歷史日天數；預測日氣象因素特徵向量X0＝(X0(1)，X0(2)，...X0(h))，其中h為選定的作為特徵向量的氣象因素的個數；第i個剩餘歷史日的氣象因素特徵向量表示為Xi＝(Xi(1)，Xi(2)，..Xi(h))；i為第i個剩餘歷史日；X0(1)，X0(2)，..X0(h)分別表示預測日第1個氣象因素特徵向量，預測日第2個氣象因素特徵向量，...以及預測日第h個氣象因素特徵向量，Xi(1)，Xi(2)，..Xi(h)分別表示第i個剩餘歷史日的第1個氣象因素特徵向量，第i個剩餘歷史日的第2個氣象因素特徵向量，...以及第i個剩餘歷史日的第h個氣象因素特徵向量；

②指標差異計算和無綱量化處理：

第i個剩餘歷史日第f個氣象因素特徵向量與預測日第f個氣象因素特徵向量之間的差異值為Δi(f)：

Δi(f)＝|Xi(f)-X0(f)|

採用極差歸一法對差異值Δi(f)進行處理，極差歸一後的差異值Δ'i(f)為：

式中：Xi(f)、X0(f)分別表示第i個剩餘歷史日第f個氣象因素特徵向量和預測日第f個氣象因素特徵向量；分別表示經過節假日、需求響應事件日、預定削減日和閾值排除後的剩餘歷史日與預測日第f個氣象因素特徵向量之間的差異值的最小值和最大值；

③參考數列與比較數列的灰色關聯繫數計算：

預測日與第i個剩餘歷史日第f個氣象因素特徵向量的關聯繫數ξi(k)的計算公式為：

式中，為第一級最小差，即第i個剩餘歷史日中與預測日差異最小的特徵向量；為第二級最小差，即所有歷史日中與預測日差異最小的特徵向量；第一級最大差，即第i個剩餘歷史日中與預測日差異最大的特徵向量；為第二級最大差，即所有歷史日中與預測日差異最大的特徵向量；ρ為分辨係數，在0-1之間；

④灰色關聯度計算：

各個特徵值灰色關聯繫數的平均值即為預測日與第i個剩餘歷史日的灰色關聯度Ri，灰色關聯度的計算公式為：

式中：h為選定的作為氣象因素特徵向量的個數；

⑤灰色關聯度大小排序：

每個剩餘歷史日與預測日的氣象因素特徵向量差異值越小，關聯度係數越大，關聯度也越大，兩個日期之間的氣象因素相似程度越大，最終選擇灰色關聯度最大的M日作為相似歷史日。

進一步地，所述步驟(4)的RBF徑向基人工神經網絡所選擇的輸入向量為最終選擇的M個相似歷史日預測時刻的M*h個選定的作為特徵向量的氣象因素、M個相似歷史日饋線上所有S個用戶指定預測時刻的M*S個歷史負荷數據以及預測日預測時刻的h個選定的作為特徵向量的氣象因素組成；輸出向量為S個用戶指定基線負荷預測時刻的負荷預測值；其中，M表示最終選定的相似歷史日天數，h表示選定的作為氣象因素特徵向量的個數，S為饋線上所有用戶的個數。

進一步地，所述輸入向量包括：

輸入向量1：M個相似歷史日的預測時刻氣象因素特徵向量：

第i個歷史日指定預測時刻的氣象因素特徵向量為1*h矩陣：

Xi＝(Xi(1)，Xi(2)，..Xi(h))；

那麼M個最終選定的相似歷史日預測時刻的氣象因素特徵向量則為M*h矩陣：

輸入向量2：M個最終選定的相似歷史日預測時刻歷史負荷值

S個用戶在M個相似歷史日預測時刻歷史負荷值表示為S*M矩陣L，則有：

輸入向量3：預測日預測時刻的氣象因素特徵向量

預測日預測時刻的氣象因素特徵向量X0為1*h矩陣：

X0＝[X0(1) X0(2) … X0(h)]

其中：h為選定的作為氣象因素特徵向量的個數；i為第i個剩餘歷史日；Xi(1)，Xi(2)，..Xi(h)分別表示第i個剩餘歷史日的第1個氣象因素特徵向量，第i個剩餘歷史日的第2個氣象因素特徵向量，...以及第i個剩餘歷史日的第h個氣象因素特徵向量； X0(1)，X0(2)，..X0(h)分別表示預測日第1個氣象因素特徵向量，預測日第2個氣象因素特徵向量，...以及預測日第h個選定的作為特徵向量的氣象因素；X1(1),X1(2),...,X1(h)分別表示的第1個相似歷史日的第1個預測時刻的氣象因素特徵向量，第1個相似歷史日的第2個預測時刻的氣象因素特徵向量，...以及第1個相似歷史日的第h個預測時刻的氣象因素特徵向量；X2(1),X2(2),...,X2(h)分別表示的第2個相似歷史日的第1個預測時刻的氣象因素特徵向量，第2個相似歷史日的第2個預測時刻的氣象因素特徵向量，...以及第2個相似歷史日的第h個預測時刻的氣象因素特徵向量；XM(1),XM(2),...,XM(k)分別表示的第M個相似歷史日的第1個預測時刻的氣象因素特徵向量，第M個相似歷史日的第2個預測時刻的氣象因素特徵向量，...以及第M個相似歷史日的第h個預測時刻的氣象因素特徵向量；L1(1),L1(2),...,L1(M)分別表示第1個用戶在第1個相似歷史日的預測時刻歷史負荷值，第1個用戶在第2個相似歷史日的預測時刻歷史負荷值，...以及第1個用戶在第M個相似歷史日的預測時刻歷史負荷值；L2(1),L2(2),...,L2(M)分別表示第2個用戶在第1個相似歷史日的預測時刻歷史負荷值，第2個用戶在第2個相似歷史日的預測時刻歷史負荷值，...以及第2個用戶在第M個相似歷史日的預測時刻歷史負荷值；LS(1),LS(2),...,LS(M)分別表示第S個用戶在第1個相似歷史日的預測時刻歷史負荷值，第S個用戶在第2個相似歷史日的預測時刻歷史負荷值，...以及第S個用戶在第M個相似歷史日的預測時刻歷史負荷值。

進一步地，所述步驟(5)的饋線用戶基線負荷調整因子為需求響應事件周期前t小時實際負荷與預測負荷的比值adju，用adju作為乘法因子來乘以每小時的基線負荷預測值實現對預測結果的調整，設t的值為2，需求響應事件開始時間為H0時，則有：

式中，adju為負荷調整因子，H0為事件開始時間；al(H＝H0-1)和al(H＝H0-2)分別為事件開始時間前1小時與前兩小時的實際負荷；pl(H＝H0-1)和pl(H＝H0-2)分別為事件開始時間前1小時與前兩小時的基線負荷預測值；H為需求響應事件響應式時間；

預測時刻調整後的基線負荷預測值pl'(H0)為：

pl'(H0)＝pl(H0)*adju

其中：pl(H0)為未調整的事件開始時間H0的基線負荷預測值，pl'(H0)為經過調整因子調整後的基線負荷預測值。

進一步地，所述步驟(6)的饋線所有用戶基線負荷預測結果L(p)是將饋線上S個用戶的基線負荷的預測值進行相加來得到饋線的基線負荷預測值，公式如下：

L(p)＝Lp(1)+Lp(2)+…+Lp(S)

其中：L(p)表示饋線所有用戶基線負荷預測結果，Lp(1)、Lp(2)、…、Lp(S)分別表示饋線上第1個用戶、第2個用戶、…第S個用戶的基線負荷的預測值。

本發明提供的技術方案具有的優異效果是：

本發明在進行相似歷史日的選擇中既考慮了氣象因素對負荷的影響，又進行了節假日、需求響應事件日、預定削減日、負荷低於閾值日的剔除，保證了相似歷史日選擇的合理性。採用灰色關聯度法進行剩餘日期中相似日的選擇，與常用的聚類算法相比，具有較小的算法複雜度。在對歷史負荷數據的處理中，考慮了我國整體負荷的逐年上升的趨勢，運用一個加權平均係數對往年的歷史負荷數據進行一個修正。饋線基線負荷的計算方法選擇徑向基人工神經網絡，徑向基人工神經網絡較電力系統負荷預測常用的BP神經網絡具有收斂速度快、易尋到全局最小值等優點。本發明將有助於提高基線負荷預測的精度，為線路過載或事故狀態下電力公司制定合理的需求響應方案決策提供指導。

附圖說明

圖1是本發明提供的一種饋線基線負荷預測方法的流程圖。

具體實施方式

下面結合附圖對本發明的具體實施方式作進一步的詳細說明。

以下描述和附圖充分地示出本發明的具體實施方案，以使本領域的技術人員能夠實踐它們。其他實施方案可以包括結構的、邏輯的、電氣的、過程的以及其他的改變。實施例僅代表可能的變化。除非明確要求，否則單獨的組件和功能是可選的，並且操作的順序可以變化。一些實施方案的部分和特徵可以被包括在或替換其他實施方案的部分和特徵。本發明的實施方案的範圍包括權利要求書的整個範圍，以及權利要求書的所有可獲得的等同物。在本文中，本發明的這些實施方案可以被單獨地或總地用術語「發明」來表示，這僅僅是為了方便，並 且如果事實上公開了超過一個的發明，不是要自動地限制該應用的範圍為任何單個發明或發明構思。

如圖1所示，一種饋線基線負荷預測方法，包括以下六個步驟：

(1)歷史氣象數據、歷史負荷數據、預測時段氣象數據導入，包括：

1.1.歷史氣象數據導入：導入饋線基線負荷預測日前Y日指定預測時段內的氣象數據，每個歷史日的氣象參數包括溫度、溼度、風速等等。歷史數據導入時段不超出我國夏季高峰月份6-9月，若本年回溯區間不足Y日，則用上年度6-9月日期補足。

1.2歷史負荷數據導入：導入待預測饋線上N個用戶在預測日前Y天指定預測時段內的歷史負荷數據。歷史數據導入時段不超出我國夏季高峰月份6-9月，若本年回溯區間不足Y日，用上年度6-9月日期補足。

1.3預測時段氣象數據導入：導入預測時段內的氣象數據，包括溫度、溼度、風速等。

(2)歷史負荷數據修正階段：

考慮到我國整體負荷水平的逐年上升的趨勢，這裡通過一個加權平均係數δ對上年度的歷史負荷數據進行一個調整，僅適用於本年度回溯時間區間不足Y日的情況。加權平均係數δ的計算公式為：

式中，n為本年度回溯區間日期數，Y-n為上年度回溯區間的日期數；Y為年度回溯區間的日期數；δ為加權平均係數；Lk為本年度第k日的歷史負荷值，為本年度回溯的n日預測時段歷史負荷平均值；為上年度第k1日的歷史負荷值，為上年度Y-n日預測時段歷史負荷的平均值；k為本年度第k日；k1為上年度第k1日。

(3)相似歷史日選擇階段

3.1.節假日、需求響應事件日、預定削減日排除：從預測日前的Y日中排除節假日、需求響應事件日和預定削減日排除。

3.2閾值排除：設定一個閾值Z％，將歷史日中指定預測時段的歷史負荷低於所選樣本的平均負荷Z％及以上的日子排除在樣本之外。此時，在進行完節假日、需求響應事件日、預定削減日和閾值排除之後，剩餘可用歷史日為Y1日。

3.3灰色關聯度法氣象相似歷史日選擇：分別計算剩餘的剩餘歷史日指定預測時段內的h個氣象因子特徵值與預測日的灰色關聯繫數，再將每個歷史日的h個特徵值與預測日的灰色關聯繫數相加得到每個歷史日與預測日之間的灰色關聯度，關聯度越大，則氣象條件相似程度越高。最終選擇灰色關聯度最大的M日作為相似歷史日。

灰色關聯度法相似歷史日選擇又可分為如下五個子步驟：

①確定參考數列與比較數列：設X0、Xi(i＝1,2,…N)分別為預測日和經過節假日、需求響應事件日、預定削減日和閾值排除後的剩餘歷史日的氣象因素特徵向量，N為剩餘歷史日天數；預測日氣象因素特徵向量X0＝(X0(1)，X0(2)，..X0(h))，其中h為選定的作為氣象因素特徵向量的個數；第i個剩餘歷史日的氣象因素特徵向量表示為Xi＝(Xi(1)，Xi(2)，..Xi(h))，i表示第i個剩餘歷史日；X0(1)，X0(2)，..X0(h)分別表示預測日第1個氣象因素特徵向量，預測日第2個氣象因素特徵向量，...以及預測日第h個氣象因素特徵向量，Xi(1)，Xi(2)，..Xi(h)分別表示第i個剩餘歷史日的第1個氣象因素特徵向量，第i個剩餘歷史日的第2個氣象因素特徵向量，...以及第i個剩餘歷史日的第h個氣象因素特徵向量；

②指標差異計算和無綱量化處理：

第i個剩餘歷史日第f個氣象因素特徵向量與預測日第f個氣象因素特徵向量之間的差異值為Δi(f)：

Δi(f)＝|Xi(f)-X0(f)|

採用極差歸一法對差異值Δi(f)進行處理，極差歸一後的差異值Δ'i(f)為：

式中：Xi(f)、X0(f)分別表示第i個剩餘歷史日第f個氣象因素特徵向量和預測日第f個氣象因素特徵向量；分別表示經過節假日、需求響應事件日、預定削減日和閾值排除後的剩餘歷史日的剩餘歷史日與預測日在第f個氣象因素特徵向量之間的差異值的最小值和最大值。

③參考數列與比較數列的灰色關聯繫數計算：

預測日與第i個剩餘歷史日第f個氣象因素特徵向量的關聯繫數ξi(k)的計算公式為：

式中，為第一級最小差，即第i個剩餘歷史日中與預測日差異最小的特徵值；為第二級最小差，即所有歷史日中與預測日差異最小的特徵值；第一級最大差，即第i個歷史日中與預測日差異最大的特徵值；為第二級最大差，即所有歷史日中與預測日差異最大的特徵值；ρ為分辨係數，在0-1之間；

④灰色關聯度計算：

各個特徵值灰色關聯繫數的平均值即為預測日與第i個剩餘歷史日的灰色關聯度Ri，Ri的計算公式為：

其中：h為選定的作為氣象因素特徵向量的個數。

⑤灰色關聯度大小排序：

每個歷史日與預測日的氣象因素特徵向量差異值越小，關聯度係數越大，關聯度也越大，兩個日期之間的氣象因素相似程度越大，最終選擇灰色關聯度最大的M日作為相似歷史日。

(4)RBF徑向基人工神經網絡法饋線基線負荷預測階段

RBF徑向基人工神經網絡所選擇的輸入向量為最終選擇的M個相似歷史日預測時刻的M*h個氣象因子、饋線上S個用戶在M個歷史日指定預測時刻的S*M個歷史負荷數據以及預測日預測時刻的h個氣象因子組成，輸出向量為指定基線負荷預測時刻的負荷預測值。

輸入向量：

輸入向量1：最終選擇的M個相似歷史日預測時刻氣象因素特徵向量

第i個歷史日指定預測時刻的氣象因素特徵向量為1*h矩陣Xi＝(Xi(1)，Xi(2)，…Xi(h))。

那麼M個相似歷史日預測時刻的氣象因素特徵向量則為M*h矩陣：

輸入向量2：S個用戶在M個最終選擇的相似歷史日預測時刻歷史負荷值

S個用戶在M個歷史日預測時刻歷史負荷值可表示為S*M矩陣L，則有：

輸入向量3：預測日預測時刻的氣象因素特徵向量

預測日預測時刻的氣象因素特徵向量X0為1*h矩陣：

X0＝[X0(1) X0(2) … X0(h)]

輸出向量：

輸出向量Lp為指定預測日預測時刻饋線上S個用戶的基線負荷的預測值。

Lp＝[Lp(1) Lp(2) … Lp(S)]

其中：i為第i個剩餘歷史日；Xi(1)，Xi(2)，..Xi(h)分別表示第i個剩餘歷史日的第1個氣象因素特徵向量，第i個剩餘歷史日的第2個氣象因素特徵向量，...以及第i個剩餘歷史日的第h個氣象因素特徵向量；X0(1)，X0(2)，..X0(h)分別表示預測日第1個氣象因素特徵向量，預測日第2個氣象因素特徵向量，...以及預測日第h個氣象因素特徵向量；X1(1),X1(2),...,X1(h)分別表示的第1個相似歷史日的第1個預測時刻的氣象因素特徵向量，第1個相似歷史日的第2個預測時刻的氣象因素特徵向量，...以及第1個相似歷史日的第h個預測時刻的氣象因素特徵向量；X2(1),X2(2),...,X2(h)分別表示第2個相似歷史日的第1個預測時刻的氣象因素特徵向量，第2個相似歷史日的第2個預測時刻的氣象因素特徵向量，...以及第2個相似歷史日的第h個預測時刻的氣象因素特徵向量；XM(1),XM(2),...,XM(h)分別表示的第M個相似歷史日的第1個預測時刻的氣象因素特徵向量，第M個相似歷史日的第2個預測時刻的氣象因素特徵向量，...以及第M個相似歷史日的第h個預測時刻的氣象因素特徵向量；L1(1),L1(2),...,L1(M)分別表示第1個用戶在第1個相似歷史日的預測時刻歷史負荷值，第1個用戶在第2個相似歷史日的預測時刻歷史負荷值，...以及第1個用戶在第M個相似歷 史日的預測時刻歷史負荷值；L2(1),L2(2),...,L2(M)分別表示第2個用戶在第1個相似歷史日的預測時刻歷史負荷值，第2個用戶在第2個相似歷史日的預測時刻歷史負荷值，...以及第2個用戶在第M個相似歷史日的預測時刻歷史負荷值；LS(1),LS(2),...,LS(M)分別表示第S個用戶在第1個相似歷史日的預測時刻歷史負荷值，第S個用戶在第2個相似歷史日的預測時刻歷史負荷值，...以及第S個用戶在第M個相似歷史日的預測時刻歷史負荷值。

(5)饋線所有用戶基線負荷預測值調整階段

饋線用戶基線負荷調整因子為需求響應事件周期前t小時實際負荷與預測負荷的比值adju，用adju作為乘法因子來乘以每小時的基線負荷預測值來實現對預測結果的調整。一般t取值為2或3，這裡假定t的值為2，需求響應事件開始時間為h0時，則有：

式中，adju為負荷調整因子，H0為事件開始時間，al(H＝H0-1)和al(H＝H0-2)分別為事件開始時間前1小時與前兩小時的實際負荷；pl(H＝H0-1)和pl(H＝H0-2)分別為事件開始時間前1小時與前兩小時的基線負荷預測值。

預測時刻調整後的基線負荷預測值為：

pl'(H0)＝pl(H0)*adju

(5)饋線所有用戶基線負荷預測結果求和。

饋線基線負荷的預測結果L(p)為饋線上S個用戶的基線負荷預測值求和的結果。

L(p)＝Lp(1)+Lp(2)+…+Lp(S)

本發明在負荷相似歷史日的選擇中既考慮了氣象因素對負荷的影響，又進行了節假日、需求響應事件日、預定削減日、負荷低於閾值日的剔除，保證了相似歷史日選擇的合理性。饋線基線負荷的計算方法選擇徑向基人工神經網絡，徑向基人工神經網絡較電力系統負荷預測常用的BP神經網絡具有收斂速度快、易尋到全局最小值等優點。本發明將提高基線負荷預測的精度，為線路過載或事故狀態下電力公司制定合理的需求響應方案決策提供指導。

以上實施例僅用以說明本發明的技術方案而非對其限制，儘管參照上述實施例對本發明進行了詳細的說明，所屬領域的普通技術人員依然可以對本發明的具體實施方式進行修改或者等同替換，這些未脫離本發明精神和範圍的任何修改或者等同替換，均在申請待批的本發明的權利要求保護範圍之內。