[发明专利]一种基于余弦相似度分类的负荷预测方法

说明书

本发明涉及具体为一种基于余弦相似度分类的负荷预测方法，包括对负荷检测点的负荷数据的余弦特征值按天为单位进行特征抽取，并以天为单位将负荷检测点的余弦特征值进行聚类处理生成负荷数据的聚类模型；将生成的负荷数据的聚类模型和天气数据的聚类模型进行关联分析，找到特定天气与特定负荷曲线的相关关系；并形成一组{C,D}的关系；其中C为网供负荷数据在聚类模型的簇值，D为天气数据在聚类模型中的簇值；负荷数据及天气数据聚类完成后，按簇类来抽取网供负荷数据集及相同日期的天气情况，节假日情况数据进行模型构建，具体为将相关联的负荷数据，天气数据，节假日数据加入到模型的输入参数中。

技术领域

本发明涉及电网数据采集领域，具体为一种基于余弦相似度分类的负荷预测方法。

背景技术

电网企业网供负荷特性的分析和预测是电网调度运行方式预测工作的一个重要方面，准确把握网供负荷特性及其变化趋势是做好电网调度、运行方式调整等工作的重要基础，也是制定电网规划、安排设备检修的重要参考。尤其近年来新能源大规模接入、用户多样化的电力需求，电网负荷特性的预测难度大幅增加，一方面影响电网网供负荷特性指标增多，指标之间关联性进一步加强；另一方面，影响负荷特性变化的因素更加复杂，一些气候因素如光照度、时长、气温、降雨等具有很大不确定性。因此，只有长期跟踪研究电网负荷特性，才有可能较准确地把握电网负荷特性变化的规律。对于网供负荷的预测，现有的算法基本上是基于季节因素和天气状况因素来对负荷曲线进行分类处理。这样的分类方式虽然从直观上看起来似乎合理，但缺乏理论依据证明其合理性。因此需要能够适应智能用电大数据环境下的电网短期负荷预测方法，预测结果可为提高负荷预测的准确率提供技术支撑。

在短期负荷的预测技术中，数据集特征分析选择和预测模型构建是目前正在研究的两个重点研究领域。在数据集特征分析选择方面，从传统的研究负荷数据本身的规律性，到分析负荷变化的内在机理都有了长足的进步。现如今随着智能仪表的广泛普及和物联网传感技术的发展，可以测量和收集更加全面和准确的细粒度负荷、相关影响因素和外生变量依赖数据。考虑多种多源异构影响因素是选出最佳特征集的重要基础。其中气象因素和日期类型与负荷变化密切相关，气象因素主要包括实时温度、相对湿度、风速、降雨量等。日期类型主要有工作日与休息日、重大节假日、年份和月份等。不同因素对负荷的影响是不同的，过多的近似冗余特征会造成训练周期延长并导致预测效果不佳。因此对影响因素的分析选择是必要的。特征选取的主要方法有相关系数法(CA)、互信息(MI)和条件互信息(CMI)技术等，并且，影响负荷的特征变量往往是非线性的，如温度，相对湿度等。因此采用相关系数法水负荷的短期预测有很好的效果。

发明内容

1.所要解决的技术问题：

针对上述技术问题，本发明提供一种基于余弦相似度分类的负荷预测方法，本方法通过余弦相似度分类来对负荷模型进行分类建模，从而实现对电网的负荷预测。

2.技术方案：

一种基于余弦相似度分类的负荷预测方法，其特征在于：包括以下步骤：

步骤一：对负荷检测点的负荷数据的余弦特征值按天为单位进行特征抽取，并以天为单位将负荷检测点的余弦特征值进行聚类处理生成负荷数据的聚类模型；

步骤二：将步骤一生成的负荷数据的聚类模型和天气数据的聚类模型进行关联分析，找到特定天气与特定负荷曲线的相关关系；并形成一组{C,D}的关系；其中C为网供负荷数据在聚类模型的簇值，D为天气数据在聚类模型中的簇值；

步骤三：负荷数据及天气数据聚类完成后，按簇类来抽取网供负荷数据集及相同日期的天气情况，节假日情况数据进行模型构建，具体为将相关联的负荷数据，天气数据，节假日数据加入到模型的输入参数中。

进一步地，步骤一中还包括负荷数据标幺化处理过程，具体为：标幺化处理的公式如公式(1)：