[发明专利]一种短期电力负荷预测的计算方法

摘要

本发明公开了一种短期电力负荷预测的计算方法包括下述步骤：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；本发明采用最大偏差相似性准则的聚类算法，为模糊聚类算法提供聚类数目以及初始类中心；数据聚类后，通过改进后的BP神经网络进行预测选取与预测日相似的电力负荷类别，并将该类别的电力负荷数据作为改进后的BP神经网络的训练集对预测日的电力负荷进行预测，可以使得神经网络训练速度更快，预测结果精度更高，具有较高的实用性和合理性。

主权项

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；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；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；S3，电力负荷数据的模糊聚类；S3.1，构建模糊聚类目标函数；S3.2，初始化聚类中心，隶属度矩阵U，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；S3.3，更新隶属度矩阵和聚类中心；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。