[发明专利]一种基于智能电表用户聚类分析的配电网负荷预测方法

摘要

一种基于智能电表用户聚类分析的配电网负荷预测方法，其特征是，包括：分析智能电表用户的负荷波动性，按照波动程度将一天24小时分成3个波动程度有差异的时段；确定预测器输入特征集，并分析该特征集合下，不同用户的特征重要度；以特征重要度集合描述用户差异，并对用户进行SDCKM聚类，将输入特征具有相似响应程度的用户分为一类，日内不同配网总负荷波动程度时段最优聚类结果采用统计实验确定；选取基于集成学习的随机森林预测器，针对不同波动程度时段最优聚类结果，分别构建滚动预测模型。解决了聚类中心初始点选取具有随机性，容易陷入局部最优的问题，降低了滚动预测模型的预测误差，提高基于智能电表用户的配电网负荷预测精度。

主权项

1.一种基于智能电表用户聚类分析的配电网负荷预测方法，其特征是，它包括的步骤有：1)分析智能电表用户的负荷波动性，按照波动程度将一天24小时分成3个波动程度有差异的时段以标准差σ来体现用户用电的波动性，其公式为：式中，σ(t)表示在t时刻的标准差，n表示SM的个数，n＝1,2,…,N；t代表每个时刻，t＝1,2,…,48，L_n(t)为第n个SM在t时刻的负荷值；2)确定预测器输入特征集，并分析该特征集合下，不同用户的特征重要度RReliefF重要度分析的数学模型为：N_dL＝N_dL+diff(L,R_i,I_j)·d(i,j)N_dF(F)＝N_dF(F)+diff(F,R_i,I_j)·d(i,j)N_dL·_dF(F)＝N_dL·_dF(F)+diff(L,R_i,I_j)·diff(F,R_i,I_j)·d(i,j)式中，R_i(i＝1,...,m)是随机抽取一个样本，m即为人为设定的随机抽取样本R_i的次数，I_j(j＝1,...,k)是R_i的k个近邻样本，k为迭代次数，N_dL为不同样本的负荷值L权重，N_dF(F)是预测特征F的权重，N_dL·_dF(F)为负荷值L加特征F权重，diff(L,R_i,I_j)和diff(F,R_i,I_j)分别计算的是样本R_i和I_j在负荷值L和特征F上的差；d(i,j)则是计算了样本R_i和I_j之间的距离，在此基础上，循环抽取m次R_i计算得到每一个特征的权重，即特征的重要度；3)以特征重要度集合描述用户差异，并对用户进行SDCKM聚类，将输入特征具有相似响应程度的用户分为一类，日内不同配网总负荷波动程度时段最优聚类结果采用统计实验确定；①聚类算法通过分析挖掘整个数据集，提取数据之间的相似性和差异性，聚类的数学模型为：式中，X＝{x_q}，q＝1,2,...,Q,x_q表示数据集中需要进行聚类的Q个对象，c_k为第k类中的数据集，共有K类，代表c_k的平均值，J为所有类的平方误差和；②K‑Means算法首先初始化K个聚类中心；之后，计算集合中每一个样本到K个聚类中心的欧式距离Euc(x_q,v_k)并将样本划分到距离指标最小的那一类当中，欧式距离公式：式中，v_k为c_k的聚类中心，Euc(x_q,v_k)为每一个样本到K个聚类中心v_k的欧式距离；③S_Dbw的数学模型：S_Dbw(k)＝Scat(k)+Dens_bw(k)其中，Scat(k)为第k类的平均分散值，Dens_bw(k)为第k簇的簇内密度；④以乌鸦算法对聚类中心初始点寻优，M只乌鸦会为搜索到更好的食物位置在待解决问题决策变量维度中移动，所以该决策变量的维度是聚类中心初始点的维度，即聚类数k。每只乌鸦的位置与记忆用矩阵LOC、MEM：式中，第i(i＝1,2,...,M)只乌鸦在第m(m＝1,2,...,MCN)次迭代中的位置以l^i,m代表，并且每只乌鸦将自己隐藏食物的位置保存在记忆向量me^i,m中；在第m次迭代中，乌鸦j返回食物地点me^j,m时，乌鸦i跟随乌鸦j并发现位置，这时，乌鸦j发现并更换食物地点的概率为P，乌鸦i的位置更新为：式中，Fitness()代表适应度函数，λ_i与λ_j为[0,1]服从均匀分布的随机数，fl为飞行距离，如果新位置的适应度函数数值优于原位置数值代表方案可行需更新位置，反之不进行位置更新；4)聚类后，日内不同配网总负荷波动程度时段最优聚类结果采用统计实验确定在确定新聚类方法可行之后，以预测器的最终预测结果MAPE(mean absolute percentage error，MAPE)为最优聚类数的评价指标，MAPE为：式中，n_t为预测值的个数(n_t＝1,2,…,N_t)；L_r为真实负荷值；L_p则为预测负荷值；5)选取基于集成学习的随机森林预测器，针对不同波动程度时段最优聚类结果，分别构建滚动预测模型随机森林预测模型为：{h(x,Θ_d),d＝1,2,...,D}式中，h(x,Θ_d)代表构成随机森林的第d棵决策树Θ，x为决策树的输入向量，每个Θ是独立分布的，代表抽取随机森林中第d棵树样本数据和决策树生长的随机过程；在进行预测时，依据模型中所有决策树的输出，能够获得最终预测的结果y_p，式中，D代表RF中树的个数；y_pd为第d棵树的预测结果。