[发明专利]基于模糊聚类相似日的短期电力负荷预测方法

说明书

技术领域

本发明涉及一种电力负荷预测技术领域，特别涉及一种基于模糊聚类相似日的短期电力负荷预测方法。

背景技术

电力系统负荷预测是电网能量管理系统的重要内容。通过精确的负荷预测，可以经济合理地安排机组启停，减少旋转备用容量，进而降低发电成本，提高经济效益。因此，寻求有效的负荷预测方法，提高预测结果的准确度具有重要意义。

近十几年来，众多专家学者针对负荷预测的特点，提出了许多基于非线性理论及其组合的预测方法。其中，人工神经网络(ANN)由于具有强大的非线性映射能力、自适应、自学习、容错性和并行处理等性质，在电力负荷预测中获得了广泛的应用，取得了大量的成果。然而，人工神经网络尤其是BP神经网络具有过拟合、容易陷入局部极值等缺点，影响了应用效果。支持向量机(SVM)作为一种新的机器学习算法能够较好地解决小样本、非线性、高维数和局部极小点等实际问题，在电力负荷预测中得到越来越多的应用。但是，SVM的预测精度依赖于其误差惩罚参数c和核函数参数g的选取，为此采用粒子群优化算法(PSO)优化选取上述参数。同时考虑电力负荷的特殊性提出了一种基于模糊聚类选取相似日的短期负荷预测方法。

发明内容

为了克服现有技术的缺陷，本发明公开了一种基于模糊聚类相似日的短期电力负荷预测方法，其结构简单、计算量小、可操作较高。

本发明公开了以下技术方案：

一种基于模糊聚类相似日的短期电力负荷预测方法,该方法包括以下步骤：S1：模糊类聚寻找相似日；S2：相似日的负荷数据；S3：小波分解；S4：低频部分和高频部分的分解；S5：负荷预测值。

较佳地，所述的短期电力负荷预测方法，其S1具体为：S1.1：针对气象类型的不确定性因素，将气象因素细分为气温、气压、风速、阴雨等情况，和星期类型、日期类型一起构成相似日的影响因素；S1.2：通过模糊规则建立模糊系数特征映射表，实现影响因素的量化。

较佳地，所述的短期电力负荷预测方法，其S2采用模糊聚类方法进行分类，根据聚类水平选取相似日。

较佳地，所述的短期电力负荷预测方法，其S3为针对获取的相似日负荷数据中含有非高斯噪声的问题，利用小波变换获取其低频分量，有效地消除了非高斯噪声的影响。

较佳地，所述的短期电力负荷预测方法，其S4具体为：S4.1：采用粒子群优化算法优化支持向量机，得到最优的误差惩罚参数和核函数参数；S4.2：在选取了相似日，同时对相似日数据进行了去噪操作后，采用粒子群优化算法优化后的支持向量机实现短期电力负荷低频部分的预测；S4.3：采用加权平均方法实现高频部分的预测。

较佳地，所述的短期电力负荷预测方法，其S5通过所述S1-S4中的方法能精确的预测平时、工作日以及节假日的负荷数据。

与现有技术相比，本发明的有益效果如下：

1、建立了短期负荷预测模型；

2、该方法的预测精度较高；

3、提高了普通预测方法的预测速度；

4、结构简单、计算量小、可操作性较高。

附图说明

图1为本发明具体实施例短期电力负荷预测方法的结构示意图；

图2为本发明具体实施例负荷预测的数据示意图。

具体实施方式：

下方结合附图和具体实施例对本发明做进一步的描述：

实施例

如图1是本发明的流程图，其步骤为：

S1：模糊聚类寻找相似日；所述S1具体为：

S1.1：针对气象类型的不确定性因素，将气象因素细分为气温、气压、风速、阴雨等情况，和星期类型、日期类型一起构成相似日的影响因素；

S1.2：通过模糊规则建立模糊系数特征映射表，实现影响因素的量化；设U=[x₁,x₂,…,x_n]为预测日的n个样本集，每个样本x_j有m个特性指标，即样本x_j可以表示为x_j=[x_j1,x_j2,…,x_jm]^T,(j=1,2,…,n)。建立模糊相似关系矩阵D。D=[d_ij]用来表示相似矩阵。为了确定模糊相似矩阵，采用相关系数法，如下所示：