[发明专利]一种基于气象相似日的负荷预测方法

说明书

本发明公开了一种基于气象相似日的负荷预测方法，属于电力负荷预测技术领域，包括以下步骤：S10、统计实测负荷数据及对应气象数据；S20、数据预处理，包括缺失数据、异常数据的剔除；对剔除后负荷数据进行数据归一化；S30、聚类，依据气象数据将负荷日分到不同类别中，形成气象相似日；S40、基于气象相似日所属类别中已知负荷的每个时刻，建立支持向量机预测模型；S50、对支持向量机预测模型进行训练；S60、将待预测日的气象数据输入训练完成的支持向量机预测模型，得到待预测日的负荷预测。本发明在聚类分析的基础上，运用支持向量机构建回归预测模型，基于交叉验证的思想，优化了模型的惩罚参数和核函数参数，降低了预测误差，提高了预测精度。

技术领域

本发明属于电力负荷预测技术领域，尤其涉及一种基于气象相似日的负荷预测方法。

背景技术

随着科技的发展，电网中信息流和数据流以指数级爆发增长，这些数据构成了电力大数据。通过这些数据的特征提取及统计分析，实现电力负荷远期、中期、短期甚至超短期预测，对社会、电网及电力用户都具有重要意义。精确的负荷预测数据有助于电网调度控制和安全运行，制定合理的电源建设规划以及提高电力系统的经济效益和社会效益。

现代电力系统中，构成电力负荷的用电器种类繁多，空调等受气象条件影响的负荷占比持续增高，气象因素等对电力系统负荷的影响愈显突出。目前针对电力系统负荷预测的方法中，实际负荷中的影响因素如气象条件等并未被纳入预测体系，且统计分析精度低，机器学习计算复杂。

因此，急需一种考虑气象因素，同时实现统计分析与机器学习的功能的预测方法。

发明内容

本发明目的在于提供一种考虑气象因素，同时实现统计分析与机器学习功能的预测方法。本发明的内容如下：

一种基于气象相似日的负荷预测方法，包括以下步骤：

S10、统计电力系统实测负荷数据及其对应气象数据；

S20、数据预处理，对所述负荷数据和所述气象数据进行数据预处理；所述数据预处理包括缺失数据、异常数据的剔除，将剔除后气象数据与负荷数据的日期匹配；对剔除后负荷数据进行数据归一化；

S30、聚类，以所述气象数据为条件将所有负荷进行聚类分析，即依据所述气象数据将负荷日分到不同类别中去，使对应负荷处于不同类别，形成气象相似日；

S40、基于所述气象相似日所属类别中已知负荷的每个时刻，建立支持向量机预测模型；对所述支持向量机预测模型进行训练；

S50、所述支持向量机预测模型的模型参数，基于交叉验证思想进行参数寻优，实现负荷模型的最优预测；

S60、将待预测日的气象数据输入训练完成的支持向量机预测模型，得到所述待预测日的负荷预测。

进一步地，步骤S20中所述数据归一化采用以下公式：

y＝(y_max-y_min)·(x-x_min)/(x_max-x_min)+y_min

其中，x表示归一化前数据，x_max和x_min分别表示其最大值和最小值，y表示归一化后数据，y_max和y_min分别表示设定的最大值和最小值。

进一步地，其特征在于，步骤S30中所述聚类分析形成气象相似日包括以下步骤：

S31、计算不一致系数，并由不一致系数确定类别个数K，不一致系数计算公式如下：