[发明专利]一种短期电力负荷预测的计算方法

权利要求书

1.一种短期电力负荷预测的计算方法，其特征在于，包括下述步骤：

S1，构建电力负荷数据集；通过历史电力负荷数据构建聚类数据集、预测数据集和预测日数据集；

S2，构建模糊聚类的初始聚类中心和类别数；

S2.1，任意计算两组电力负荷数据x_i与x_j对应时间点的欧氏距离x_ijk；

S2.2，构建任意两组电力负荷数据的最大偏差距离λ，公式如下：

式中，x_imax为第i个负荷的最大负荷值，x_imin为第i个负荷的最小负荷值，为第i个负荷的平均负荷值，x_jmax为第j个负荷的最大负荷值，x_jmin为第j个负荷的最小负荷值，为第j个负荷的平均负荷值；

S2.3，构建相似时点数n_ij和最大偏离点时点数m_ij；

设定满足X_ijk≦γ的个数为n_ij，设定满足X_ijkγ的个数为m_ij，其公式如下：

式中，i,j＝1,2,...,n；k＝1,2,...,m；

S2.4，运用基于最大偏差相似准则的聚类算法将聚类数据集的电力负荷数据进行聚类，最大偏差相似准则公式如下：

式中，n₀为[α×m]，α(0≤α≤1)；m₀为[β×m]，β(0≤β≤1-α)；

S2.4.1，将第i个电力负荷数据作为对比中心，并将所有满足最大偏差相似性准则的x_j分配到S(x_i)；其中S(x_i)为与x_i相似的曲线集合；

S2.4.2，将x_j从原始负荷数据集合U中删除，直至原始负荷数据集合U为空；否则，返回步骤S2.1；

S2.5，计算聚类后的电力负荷数据的初始聚类中心，其公式如下：

式中，若x_i为令D(x_i)取得最小的负荷曲线；则x_i为S(x_i)类的类中心；

S3，电力负荷数据的模糊聚类；

S3.1，构建模糊聚类目标函数，构建下列目标函数：

根据拉格朗日乘子法，结合约束条件，构建改进后的模糊C-均值聚类目标函数：

初始化聚类中心，隶属度矩阵U₁，类别数目c，模糊权重指数m，迭代次数t；

S3.2，初始化聚类中心，隶属度矩阵U₁，类别数目c，模糊权重指数m，迭代次数t；其中，类别数目与初始化聚类中心由步骤S2确定；

模糊权重指数m的计算公式如下：

S3.3，更新隶属度矩阵和聚类中心，根据下列式子，在第t次迭代计算中更新隶属度矩阵以及聚类中心矩阵：

其中，i＝1,2,…,n，j＝1,2,…,c；

S3.4，当时，或者达到最大迭代次数时，则迭代结束，输出聚类中心，得到c个类别，即将历史电力负荷数据分为c类；否则，返回步骤S3.3进行下一次迭代；

S4，预测模型的选取；将预测数据集的前三个月的平均负荷k_1’，最大负荷k_2’，最小负荷k_3’，日用电量k_4’，平均气温k_5’以及天气状况k_6’放入改进后的BP神经网络进行训练，得到预测数据K＝[k₁，k₂，k₃，k₄，k₅，k₆]^T；其中，k₁，k₂，k₃，k₄，k₅，k₆分别为预测日的大致的平均负荷，最大负荷，最小负荷，日用电量，平均气温以及天气状况；

S4.1，构建预测日负荷水平特征向量V与各类中心的距离d(x_i,K)，其公式如下：

其中，n的选取与预测数据集考虑的因素有关；x_i为第i类负荷曲线S(x_i)的类中心；kx_i1为第i类负荷曲线S(x_i)的平均负荷；kx_i2为第i类负荷曲线S(x_i)的最大负荷；kx_i3为第i类负荷曲线S(x_i)的最小负荷；kx_i4为第i类负荷曲线S(x_i)的日用电量；kx_i5为第i类负荷曲线S(x_i)的平均气温；kx_i6为第i类负荷曲线S(x_i)的天气状况；

S4.2，构建使得d(x_i,K)最小的负荷曲线x_i的类别Q数值，其公式如下：

Q＝min{i|d(x_i,K)}

其中，i＝1,2,3,..,k，为历史负荷曲线的所有类别数；Q为使得d(x_i,V)最小的负荷曲线x_i的类别序号；Q为历史电力负荷数据基于最大偏差相似性准则聚类后所得到r类中的其中一类；

S4.3，将类别Q的电力负荷数据放进改进后的BP神经网络进行训练，得到预测模型；

S5，电力负荷预测；将待预测日的归一化数据放入预测模型，对待预测日的电力负荷功率进行预测，将得到的预测值进行反归一化出力得到电力负荷功率的实际预测值。

2.根据权利要求1所述的短期电力负荷预测的计算方法，其特征在于，所述S1中，所述聚类数据集包含所有历史电力负荷数据；预测数据集包含预测日前三个月的平均负荷k_1’，最大负荷k_2’，最小负荷k_3’，日用电量k_4’，平均气温k_5’以及天气状况k_6’；预测日数据集包含所要预测的预测日数据。