[发明专利]一种基于FA-FFCM的站所终端负荷预测方法

说明书

本发明公开了一种基于FA‑FFCM的站所终端负荷预测方法，包括步骤：步骤一，获取历史用电信息数据，结合气象数据得到历史负荷及日特征向量作为聚类样本；步骤二，基于FA‑FFCM（萤火虫‑快速模糊C‑均值聚类）方法对所述聚类样本进行聚类，确定最佳聚类数目，找出预测日前一天所属的类，确定为相似日；步骤三，将相似日的负荷作为预测样本，通过支持向量机对预测日整点时刻负荷进行预测。本发明提高了负荷预测的精度，而且具有较好的自适应特性，可以应用于电力系统负荷预测。

技术领域

本发明涉及站所终端负荷预测技术领域，具体的涉及一种基于FA-FFCM的站所终端负荷预测方法。

背景技术

站所终端负荷预测常采用聚类算法，包括模糊聚类算法、K-Means算法等；经典的模糊聚类算法(模糊C-均值聚类算法，FCM)，对目标函数(C-均值函数)求极小化，通过反复迭代校正聚类隶属度矩阵和聚类中心来获得数据集的最佳分类。根据最大隶属度准则，将数据归属于隶属度最大的类；根据每类中数据样本的隶属度更新簇心位置。反复迭代循环，使数据集内具有较大相似行的样本划分到同一类内，而差异性较大的样本被划分到不同的类中。FCM算法实现简单，具有较强的局部搜索能力，有效解决不确定的问题，但也存在不足，主要有以下几点：FCM算法的聚类效果受初始值的影响较大；FCM算法采用局部搜索法求解模糊聚类问题，易陷入局部最优；加权指数的大小对聚类过程和结果都有很重要的影响；算法的计算量大，当数据集较大时，运算成本随迭代次数大大增加，执行效率太差。

上述方法导致负荷预测结果精确度较低，计算速度慢。

发明内容

为解决现有技术中的不足，本发明提供一种基于FA-FFCM的站所终端负荷预测方法，解决了现有负荷预测方法精确度较低，计算速度慢问题。

为达到上述目的，本发明所采用的技术方案是：一种基于FA-FFCM的站所终端负荷预测方法，包括步骤：

步骤一，获取历史用电信息数据，结合气象数据得到历史负荷及日特征向量作为聚类样本；

步骤二，基于FA-FFCM(萤火虫-快速模糊C-均值聚类)聚类方法对所述聚类样本进行聚类，确定最佳聚类数目，找出预测日前一天所属的类，确定为相似日；

步骤三，将相似日的负荷作为预测样本，通过支持向量机对预测日整点时刻负荷进行预测。

进一步的，日特征向量包括日期类型、最低气温、最高气温、降雨和季节。

进一步的，日特征向量用Z表示，Z＝(F，T_L，T_H，R，S)，其中，

1)F为日期类型，日期类型相同，相似度为1；同为工作日/周末但日期类型不同，相似度为0.6；日期类型和工作日/周末都不同为0.3。

2)T_L为最低气温，1为10℃以下气温，2为10～20℃气温，3为20℃以上气温；

3)T_H为最高气温，1为25℃以下气温，2为25～30℃气温，3为30℃以上气温；

4)R为降雨，0为无雨；l为小雨；2为中雨；3为大雨；

5)S为季节，0为春季；1为夏季；2为秋季；3为冬季。

进一步的，所述步骤二，包括步骤：

步骤1，初始化萤火虫算法的参数，萤火虫个体中包括了FFCM聚类算法需要优化的参数，随机分布萤火虫，确定萤火虫移动方向，更新萤火虫位置，计算萤火虫亮度，若满足迭代次数，则输出全局极值点和最优个体值，最优个体值的位置作为初始聚类中心，否则重新确定萤火虫移动方向；

步骤2，计算更新FFCM聚类算法的隶属度矩阵和聚类中心，直到误差小于设定的误差值；