[发明专利]一种基于模糊聚类的中长期电力负荷预测方法

摘要

本发明是一种基于模糊聚类的中长期电力负荷预测方法，其特点是,包括：使用本方法开展中长期电力负荷预测，应确定预测量及其影响因素，通过观测获取各影响因素在一定时间范围内的样本数据，建立样本数据的模糊相似关系，分析各样本的独特性、相似性与亲疏程度等特征，对近似样本进行归并、分类与筛选，形成新的相对独立、关联性较低的行为因子(聚类后负荷影响因素)，依据分类结果，分析计算聚类后各样本序列与预测量序列(主行为)的灰色绝对关联度及样本序列的权重系数，以样本聚类结果随后拟合数据预测值为自变量，建立预测量的预测模型，具有科学合理，简便易行，预测精准，适用性强，适用于中长期电力负荷预测。

主权项

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：${\stackrel{\‾}{x}}_{ij}=\frac{x_{ij}}{max\{x_{i1},x_{i2},...x_{in}\}}---\left(2\right)$$d_{pq}={\[\underset{j=1}{\overset{n}{\Σ}}{({\stackrel{\‾}{x}}_{pj}-{\stackrel{\‾}{x}}_{qj})}^2\]}^{1/2}---\left(4\right)$其中，下标i表示第i个样本，下标j表示第j个时间段，x_i表示第i个样本序列，x_ij表示观测数据矩阵X的样本元素，其中，i∈[1,m]，j∈[1,n]，d_pd表示样本p和样本q之间的欧氏距离，每个样本自成一类，分别计算类与类之间的欧氏距离，将距离最小的两类设为类a和类b，合并成一个新类r，按d_rz＝min{d_az,d_bz}计算类r与其他类的距离，重复本步骤，直至所有样本合并成一类，观察各类之间的距离，将距离小于某些定值的类合并，新类的样本元素为所合并类的对应元素的加和，其他类保留，组成观测矩阵X的简化矩阵F；2)行为因子对主行为影响程度的确定以被预测量的最大负荷构造灰色绝对关联度理论中的主行为序列；以所有影响因素模糊聚类后的各个新类构造被预测量的行为因子序列，为了得到行为因子对主行为的影响程度或行为因子对主行为的贡献测度，采用灰色绝对关联度分析，认为两者的灰色绝对关联度越大，则行为因子与主行为的影响越大，定义长度相同的系统行为因子序列X_i＝(x_i(1) x_i(2) … x_i(n))，其中i∈[1,θ]，θ＜m；主行为序列₎因子序列和主行为序列的始点零化序列为：X_i0＝(x_i0(1) x_i0(2) … x_i0(n))，其中i∈[1,θ]，θ＜m；X_z0＝(x_z0(1) x_z0(2) … x_z0(n))，令$\left|s_i\right|=\left|\underset{k=1}{\overset{n}{\Σ}}\left(x_i^0\right(k\left)\right)\right|---\left(5\right)$$\left|s_z\right|=\left|\underset{k=1}{\overset{n}{\Σ}}\left(x_z^0\right(k\left)\right)\right|---\left(6\right)$$\left|s_i-s_z\right|=\underset{k=1}{\overset{n}{\Σ}}|x_i^0\left(k\right)-x_z^0\left(k\right)|---\left(7\right)$${\mathrm{\δ}}_{iz}=\frac{1+\left|s_i\right|+\left|s_z\right|}{1+\left|s_i\right|+\left|s_z\right|+\left|s_i-s_z\right|}---\left(8\right)$其中，i∈[1,θ]，θ＜m，δ_iz为行为因子序列X_i和主行为序列X_z的灰色绝对关联度，影响程度的归一化处理：$k_i=\frac{{\mathrm{\δ}}_{iz}}{\underset{i=1}{\overset{\mathrm{\θ}}{\Σ}}{\mathrm{\δ}}_{iz}}---\left(9\right)$其中，i∈[1,θ]，θ＜m，k_i为回归模型中的权重系数；分别计算行为因子的权重系数，得到权重系数矩阵K＝[k₁ k₂ … k_θ]；3)模型构建根据模糊聚类分析得出的观测矩阵X的简化矩阵F，依据灰色绝对关联度原理计算出聚类后各行为因子的权重系数矩阵K，对简化矩阵F中的θ个样本的数据进行数据拟合，得到θ个的样本各自随后α年的预测值，组成矩阵F₁，得：$Z=\frac{K\×F_1}{T}=\[\begin{array}{cccc}{z}_1& z_2& \mathrm{...}& z_{\mathrm{\α}}\end{array}\]---\left(10\right)$其中，Z表示预测值，T表示调整系数，其中T的确定过程如下：用计算得到的系数矩阵K与聚类后的简化矩阵F相乘，得到新的矩阵K_F：K_F＝K·F＝[k_f1 k_f2 … k_fn]   (11)各年实际负荷量矩阵f_real＝[f_r1 f_r2 … f_rn]，而T_j的值为：$T_j=\frac{k_{fj}}{f_{rj}},(j=1,2...n)---\left(12\right)$进而可得调整系数T：$T=\frac{1}{n}\underset{j=1}{\overset{n}{\Σ}}{T}_j---\left(13\right).$