[发明专利]一种基于模糊聚类的中长期电力负荷预测方法

权利要求书

1.一种基于模糊聚类的中长期电力负荷预测方法，其特征是，包括以下步骤：

1)消除影响因素间的强相关性

为了消除电力负荷影响因素彼此之间的强相关性，作出精确预测，需采用模糊聚类法对 影响因素进行分类，相关性较强的若干因素将被归为一类，便于分析其对电力负荷的整体影 响；

设有m个样本，每个样本包括持续观测得到的n个样本元素，观测数据矩阵X如下：

x‾ij=xijmax{xi1,xi2,...xin}---(2)]]>

dpq=[Σj=1n(x‾pj-x‾qj)2]1/2---(4)]]>

其中，下标i表示第i个样本，下标j表示第j个时间段，x_i表示第i个样本序列，x_ij表示观测 数据矩阵X的样本元素，其中，i∈[1,m]，j∈[1,n]，d_pd表示样本p和样本q之间的欧氏距离，

每个样本自成一类，分别计算类与类之间的欧氏距离，将距离最小的两类设为类a和类b， 合并成一个新类r，按d_rz＝min{d_az,d_bz}计算类r与其他类的距离，重复本步骤，直至所有样 本合并成一类，

观察各类之间的距离，将距离小于某些定值的类合并，新类的样本元素为所合并类的对 应元素的加和，其他类保留，组成观测矩阵X的简化矩阵F；

2)行为因子对主行为影响程度的确定

以被预测量的最大负荷构造灰色绝对关联度理论中的主行为序列；以所有影响因素模糊 聚类后的各个新类构造被预测量的行为因子序列，

为了得到行为因子对主行为的影响程度或行为因子对主行为的贡献测度，采用灰色绝对 关联度分析，认为两者的灰色绝对关联度越大，则行为因子与主行为的影响越大，

定义长度相同的系统行为因子序列X_i＝(x_i(1)x_i(2)…x_i(n))，其中i∈[1,θ]，θ＜m；主行为 序列₎因子序列和主行为序列的始点零化序列为： X_i0＝(x_i0(1)x_i0(2)…x_i0(n))，其中i∈[1,θ]，θ＜m；X_z0＝(x_z0(1)x_z0(2)…x_z0(n))，令

|si|=|Σk=1n(xi0(k))|---(5)]]>

|sz|=|Σk=1n(xz0(k))|---(6)]]>

|si-sz|=Σk=1n|xi0(k)-xz0(k)|---(7)]]>

δiz=1+|si|+|sz|1+|si|+|sz|+|si-sz|---(8)]]>

其中，i∈[1,θ]，θ＜m，δ_iz为行为因子序列X_i和主行为序列X_z的灰色绝对关联度，

影响程度的归一化处理：

ki=δizΣi=1θδiz---(9)]]>

其中，i∈[1,θ]，θ＜m，k_i为回归模型中的权重系数；分别计算行为因子的权重系数，得到 权重系数矩阵K＝[k₁k₂…k_θ]；

3)模型构建

根据模糊聚类分析得出的观测矩阵X的简化矩阵F，依据灰色绝对关联度原理计算出聚 类后各行为因子的权重系数矩阵K，对简化矩阵F中的θ个样本的数据进行数据拟合，得到θ 个的样本各自随后α年的预测值，组成矩阵F₁，得：

Z=K×F1T=[z1z2...zα]---(10)]]>

其中，Z表示预测值，T表示调整系数，其中T的确定过程如下：

用计算得到的系数矩阵K与聚类后的简化矩阵F相乘，得到新的矩阵K_F：

K_F＝K·F＝[k_f1k_f2…k_fn](11)

各年实际负荷量矩阵f_real＝[f_r1f_r2…f_rn]，而T_j的值为：

Tj=kfjfrj,(j=1,2...n)---(12)]]>

进而可得调整系数T：

T=1nΣj=1nTj---(13).]]>