CN104143117A - 一种电网特殊负荷与日负荷之间的相关系数提取方法 - Google Patents

Abstract

本发明涉及一种电网特殊负荷与日负荷之间的相关系数提取方法。其包括：采集电网历史日负荷数据、特殊负荷以及特殊负荷对日负荷的影响因素；将影响因素进行细化得到影响因子序列；分析提取各影响因子与日负荷相对应的相关系数序列M；建立包含所有影响因子的日负荷影响因子模糊分类器，对影响因子进行模糊赋值分类，得到模糊分类器向量；分析得到特殊负荷与模糊分类器向量中影响因子之间比例加权关系序列R；结合序列M和序列R采用加权方式分析得到特殊负荷与日负荷之间的相关系数序列N，完成特殊负荷对日负荷的相关性分析。本发明能系统分析多种特殊负荷对日负荷特性的影响，能对日负荷考虑特殊负荷的影响的预测工作提供良好而有效的技术依据。

Description

一种电网特殊负荷与日负荷之间的相关系数提取方法

技术领域

本发明涉及电网领域，更具体地，涉及一种电网特殊负荷与日负荷之间的相关系数提取方法。

背景技术

日负荷预测是电力系统短期负荷预测中的重要组成部分，是制定电网运行方式和实现优化运行的主要依据。而在负荷预测中，可将负荷分解为基本负荷(即在较长持续时间内保持一定总量，具有某种总的发展趋势，具有一定的稳定性、周期性和季节性)和特殊负荷(即空调负荷、节假日负荷、事故灾害负荷、工业非正常冲击负荷等)，目前负荷预测的研究多集中在基本负荷的预测方法方向，而对特殊负荷的研究甚少。

对日负荷特性产生影响的外部因素是人们的生产和生活，由于天气因素、人体舒适度、节假日工业开停工状况、突发事故、工业非正常冲击负荷对人们每天的生产和生活都会产生重要影响，造成这些因素与日负荷特性关联，具有不同程度的相关性，是日负荷特性重要的外部影响因素。利用特殊负荷的大量历史数据及其相关影响因素的历史数据，以及电力部门负荷数据进行数据挖掘，挖掘出各特殊负荷的影响因素与日负荷特性的关联特性，得到其相关性数据，进而根据这些规律可以构建出特殊负荷在日负荷中的预测模型，为日负荷预测的相似日选取提供良好而有效的依据，进行更精确的日负荷预测。

现有技术中提供了一种专门针对综合气象因素的短期负荷综合预测方法，其预测方法的流程如图1所示，该方法针对综合气象要素对短期负荷的影响，首先生成了一个日特征相关气象要素的映射，继而进行了平均负荷与相关气象要素的关联性分析，形成了负荷水平相似集后，再利用Bays函数形成曲线形状相似集，完成最优相似日的选取，进而进行后期的短期负荷的预测。该方法仅提供了单方面研究一种或者两种特殊负荷的预测或特性分析的技术方法，而未形成一个系统的可以对大部分特殊负荷皆能通用的特性分析的技术方法，同时现有技术也未能系统分析其对日负荷的特性的影响，更未能对日负荷考虑特殊负荷的影响的预测工作提供良好而有效的技术依据。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种电网特殊负荷与日负荷之间的相关系数提取方法，能够系统分析多种特殊负荷对日负荷特性的影响，能够对日负荷考虑特殊负荷的影响的预测工作提供良好而有效的技术依据。

为解决上述技术问题，本发明的技术方案如下：

一种电网特殊负荷与日负荷之间的相关系数提取方法，包括如下步骤：

步骤S1.采集电网历史日负荷数据、与日负荷相对应的特殊负荷以及特殊负荷对日负荷的影响因素；

步骤S2.将特殊负荷对日负荷的影响因素进行细化得到影响因子序列I；

步骤S3.分析提取各影响因子与日负荷相对应的相关系数序列M；

步骤S4.建立包含所有影响因子的日负荷影响因子模糊分类器，并对影响因子进行模糊赋值分类，得到模糊分类器向量；

步骤S5.分析得到特殊负荷与模糊分类器向量中影响因子之间比例加权关系序列R；

步骤S6.结合序列M和序列R采用加权方式分析得到特殊负荷与日负荷之间的相关系数序列N，完成特殊负荷对日负荷的相关性分析。

上述方案中，所述特殊负荷包括空调负荷、节假日负荷、事故灾害负荷、工业非正常负荷；所述影响因素包括天气因素、人体舒适度、工业开停工状况、突发事件状况、冲击负荷比例。

上述方案中，步骤S2的具体步骤为：

将影响因素进行细化，得到9类细化后的影响因素：日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工状况、突发事件状况、工业冲击负荷比例，得到影响因子序列为(I₁、I₂、I₃、I₄、I₅、I₆、I₇、I₈、I₉)；

步骤S4中对影响因子进行模糊赋值分类的具体步骤为：

对步骤S2中的9类影响因素进行模糊赋值分类，、其中I₁、I₂、I₃、I₅、I₆、I₇、I₈、I₉按模糊化分别分类为低、中、高，分别取值为i₁、i₂、i₃；I₄按模糊化分类为无雨、小雨、中雨、大雨，分别取值为0、i₁、i₂、i₃，则将每日的负荷影响因子序列分类如下：

$(I_1,I_2,I_3,I_4,I_5,I_6,I_7,I_8,I_9)=\left\{\begin{array}{c}{I}_1=i_1,i_2,i_3\\ I_2=i_1,i_2,i_3\\ I_3=i_1,i_2,i_3\\ I_4=0,i_1,i_2,i_3\\ I_5=i_1,i_2,i_3\\ I_6=i_1,i_2,i_3\\ I_7=i_1,i_2,i_3\\ I_8=i_1,i_2,i_3\\ I_9=i_1,i_2,i_3\end{array}\right..$

上述方案中，步骤S3中采用灰色关联分析方法得到各影响因子与日负荷相对应的相关系数序列M，具体为：

步骤S31.影响因子的关联因素样本用矩阵X表示为

$X=\left[\begin{array}{ccc}{x}_{11}& ...& x_{1n}\\ .& .& .\\ .& .& .\\ .& .& .\\ x_{m1}& ...& x_{\mathrm{mn}}\end{array}\right].$

X矩阵中第一列为当日负荷序列，其余各列分别为历史日负荷序列、日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工比例、突发事件比例、工业冲击比例，X矩阵中每一行代表一天的相关数据；

步骤S32.对X矩阵中的各元素进行指标的同向化，根据不同影响因子的性质，分别通过倒数法或者差值法将逆指标转化为正指标；转化后的数据矩阵仍记为X；

步骤S33.将数据进行无量纲化处理得到数据矩阵

$Y=\left[\begin{array}{ccc}{y}_{11}& ...& y_{1n}\\ .& .& .\\ .& .& .\\ .& .& .\\ y_{m1}& ...& y_{\mathrm{mn}}\end{array}\right],$

式中元素k＝1,2,…,m,l＝1,2,…,n.；

步骤S34.确定样本正理想值Y⁺和负理想值Y^-，其中 $y^{-}={[y_1^{-},y_2^{-},...,y_n^{-}]}^T,y_l^{+}\text{=max}(y_{1l},y_{2l},...,y_{\mathrm{ml}});y_l^{-}=\min (y_{1l},y_{2l},...,y_{\mathrm{ml}}),$ l＝1,2,…,n；

步骤S35.正理想值采用欧式距离公式计算各样本点到参考样本点的距离；

$Z_k^{+}=\sqrt{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{kl}}-y_l^{+})}^2},Z_k^{-}=\sqrt{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{kl}}-y_l^{-})}^2};$

步骤S36.计算样本点到最优样本点的相对接近度，即为灰色关联系数得到矩阵X中各列对应的灰色关联系数分别为W₁、W₂、W₃、W₄、W₅、W₆、W₇、W₈、W₉、W₁₀、W₁₁，其中W_k越大，表明样本点与最优样本点的相对距离越近；

f)特殊负荷对日负荷的各影响因子的相关系数的序列M为

M_i＝W_k+2，k＝1,2,3,...,l-2；i＝1,2,...,m。

上述方案中，所述步骤S5具体步骤为：

根据模糊分类器的向量，从采集的数据中反向抽取具有相应类别特征的历史特殊负荷日，将特殊负荷日抽出后，采用模糊推理法寻找分析规律，进而得到各种特殊负荷对不同影响因子的相关系数序列R，其中

用一组模糊规则来表示输入、输出关系，每条模糊规则是一个模糊的IF-THEN关系，关系的前件是对各输入变量不同模糊集合的组合，关系后件是输出变量表达式，输出变量表达式为各输入变量的线性组合，那么第j条规则可表示为：

如果各个输入变量x_i,x₂,…,x_n分别等于对应输入量的第j个模糊集合，则 $R_j=p_0^j+p_1^j{x}_1+p_2^j{x}_2+...+p_n^j{x}_n,$ j＝1，2，…，n.

其中，x_i,x₂,…,x_n为输入变量；为输入变量的第j个模糊集合；R_j为第j规则的输出部分；为输出部分中输入变量的系数；是常数项，对于一组输入变量x_i,x₂,…,x_n模糊逻辑最终输出为各规则输出的加权模糊值，将步骤S4中的模糊分类器I的相应数据作为输入变量，将步骤S5中的各种特殊负荷对不同影响因素的相关系数序列R作为输出部分，其中R₁对应空调负荷；R₂对应节假日负荷；R₃对应事故灾害负荷；R₄对应工业非正常负荷。

上述方案中，所述方法还包括：

步骤S7.设置测试周期，对序列N进行分析计算，获得总的特殊负荷预测序列S，利用序列N进行预测获得基本负荷预测序列，将基本负荷预测序列与S相加后得到日负荷预测序列DL，将日负荷预测序列DL与历史日负荷数据进行曲线拟合对比；

步骤S8.观测序列DL是否符合拟合曲线的规律，若误差大于预设阈值，则重复步骤S4至步骤S6进行修正，否则执行步骤S9；

步骤S9.根据序列N，获得特殊负荷与日负荷的相关性程度的划分数据，完成特殊负荷对日负荷的相关性分析

与现有技术相比，本发明技术方案的有益效果是：

(1)本发明分析多种特殊负荷对日负荷的影响，通过采集历史的日负荷数据、与日负荷相对应的特殊负荷以及特殊负荷对日负荷的影响因素进行相关性分析，得到特殊负荷与日负荷之间的相关系数序列，能够系统分析多种特殊负荷对日负荷特性的影响，能够对日负荷考虑特殊负荷的影响的预测工作提供良好而有效的技术依据。

(2)在具体实施过程中，本发明分析多种特殊负荷对日负荷影响的主要几种影响因素，采用灰色关联分析法得到各影响因素与日负荷之间的相关系数序列M，建立含有这几种影响因素并作相应模糊赋值的负荷影响因子模糊分类器，分析得到特殊负荷与模糊分类器中的影响因素之间的比例加权关系序列R，结合序列M与R采用模糊推理法的加权思想分析得到特殊负荷与日负荷之间的相关系数序列N，并加权得到总的特殊负荷序列S，完成特殊负荷对日负荷的相关性分析。本发明能够提高研究特殊负荷对日负荷的影响的准确度，能够为日负荷的预测构建适当的模型提供方法依据并提高精确度，能够提高模拟电力系统各种运行状态的真实度，保证电网安全稳定运行。

附图说明

图1为本发明一种电网特殊负荷与日负荷之间的相关系数提取方法具体实施例的流程图。

图2为历史日负荷序列与日负荷预测序列DL的对比示意图。

图3为采用本发明选取历史日作为依据进行日负荷预测以及原始数据、现有预测方法的预测结果对比示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，为本发明一种电网特殊负荷与日负荷之间的相关系数提取方法具体实施例的流程图。参见图1,本具体实施例一种电网特殊负荷与日负荷之间的相关系数提取方法，利用历史日负荷及其预测数据，包含以下步骤：

步骤S101，采集电网历史日负荷数据以及其相对应的特殊负荷和影响因素信息，通常考虑的特殊负荷包括空调负荷、节假日负荷、事故灾害负荷、工业非正常负荷，其影响因素信息包括天气因素、人体舒适度、工业开停工状况、突发事件状况、工业冲击负荷比例。

本实施例中，在某地区2012年7月的数据库中随机抽取5个晴天、5个雨天进行分析。

步骤S102，分析特殊负荷对日负荷的主要几种影响因素，并根据不同特殊负荷各自的特点，将各影响因素细化，如天气因素包括日降雨量、日最高温度、日最低温度、日平均温度、湿度，得到其相应的影响因子序列I。

对日负荷影响较大的因素主要考虑日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工比例、突发事件比例、工业负荷冲击比例，得到其相应的影响因子序列I用向量(I₁、I₂、I₃、I₄、I₅、I₆、I₇、I₈、I₉)表示。

步骤S103，采用灰色关联分析法得到各影响因子与日负荷的相应的相关系数，进而得到各影响因子的相关系数的序列M。

灰色关联分析是一种多因素统计分析方法，其以各因素的样本数据为依据，用灰色关联度来描述因素之间关系的强弱、大小和次序。其核心是计算关联度，采用距离分析法来进行关联度的计算，基本思想是，以最优样本和最劣样本为参考样本，计算各个样本离参考样本的距离，从而确定各个影响因素与负荷曲线的关联度。

基本步骤为：

步骤S1031，影响因子的关联因素样本用矩阵X表示为

$X=\left[\begin{array}{ccc}{x}_{11}& ...& x_{1n}\\ .& .& .\\ .& .& .\\ .& .& .\\ x_{m1}& ...& x_{\mathrm{mn}}\end{array}\right].$

X矩阵中第一列为当日负荷序列，其余各列分别为历史日负荷序列、日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工比例、突发事件比例、工业冲击比例，X矩阵中每一行代表一天的相关数据。

步骤S1032，对X矩阵中的各元素进行指标的同向化，根据不同影响因素的性质，分别通过倒数法(即1/x_k)或者差值法(即1-x_k)将逆指标转化为正指标秒，转化后的数据矩阵仍记为X。

步骤S1033，将数据进行无量纲化处理，计算后的数据矩阵

$Y=\left[\begin{array}{ccc}{y}_{11}& ...& y_{1n}\\ .& .& .\\ .& .& .\\ .& .& .\\ y_{m1}& ...& y_{\mathrm{mn}}\end{array}\right].$

式中元素k＝1,2,…,m,l＝1,2,…,n.

步骤S1034，确定样本正理想值Y⁺和负理想值Y^-，其中 $Y^{+}={[y_1^{+},y_2^{+},...,y_n^{+}]}^T,y^{-}={[y_1^{-},y_2^{-},...,y_n^{-}]}^T.$ 式中： $y_l^{+}=\max (y_{1l},y_{2l},...,y_{\mathrm{ml}});$ $y_l^{-}=\min (y_{1l},y_{2l},...,y_{\mathrm{ml}}),$ l＝1,2,…,n。

步骤S1035，采用欧式距离公式计算各样本点到参考样本点的距离

$Z_k^{+}=\sqrt{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{kl}}-y_l^{+})}^2},Z_k^{-}=\sqrt{\underset{l=1}{\overset{n}{\mathrm{\Σ}}}{(y_{\mathrm{kl}}-y_l^{-})}^2}.$

步骤S1036，计算样本点到最优样本点的相对接近度，即灰色关联系数计算出灰色关联系数：矩阵X第一列为当日负荷序列对应的灰色关联系数W₁，其余各列分别为历史日负荷序列对应的灰色关联系数W₂、日最高温度对应的灰色关联系数W₃、日最低温度对应的灰色关联系数W₄、日平均温度对应的灰色关联系数W₅、日降雨量对应的灰色关联系数W₆、湿度对应的灰色关联系数W₇、人体舒适度对应的灰色关联系数W₈、节假日工业开停工比例对应的灰色关联系数W₉、突发事件比例对应的灰色关联系数W₁₀、工业冲击负荷比例对应的灰色关联系数W₁₁。W_k越大，表明样本点与最优样本点的相对距离越近。

由2012年7月的负荷的相关数据可得到所求的相关系数计算结果如表1。

表1 灰色关联系数计算结果

W1	W2	W3	W4	W5	W6	W7	W8	W9	W10	W11
											1.0	1.0	0.862	0.889	0.923	-0.47	-0.62	0.956	0.11	0.15	0.31

步骤S1037，特殊负荷对日负荷的各影响因子的相关系数的序列M为

M_i＝W_k+2，k＝1,2,3,...,l-2；i＝1,2,...,m

步骤S104，对这些影响因素构造对应的日负荷影响因子模糊分类器，然后对这些影响因子进行模糊赋值分类，分别根据其对日负荷的影响程度分为低、中、高三类，分别用数值模糊表示，即分类情况用向量表示。

对日负荷影响较大且能获得相关数据的因素主要考虑日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工状况、突发事件状况、工业冲击负荷比例。现在对这9类因素进行模糊赋值分类，分类情况用向量(I₁、I₂、I₃、I₄、I₅、I₆、I₇、I₈、I₉)表示，I₁、I₂、I₃、I₅、I₆、I₇、I₈、I₉按模糊化分别分类为低、中、高，分别取值为i₁、i₂、i₃；I₄按模糊化分类为无雨、小雨、中雨、大雨，分别取值为0、i₁、i₂、i₃，则可将每日的负荷影响因子序列分类如下：

$(I_1,I_2,I_3,I_4,I_5,I_6,I_7,I_8,I_9)=\left\{\begin{array}{c}{I}_1=i_1,i_2,i_3\\ I_2=i_1,i_2,i_3\\ I_3=i_1,i_2,i_3\\ I_4=0,i_1,i_2,i_3\\ I_5=i_1,i_2,i_3\\ I_6=i_1,i_2,i_3\\ I_7=i_1,i_2,i_3\\ I_8=i_1,i_2,i_3\\ I_9=i_1,i_2,i_3\end{array}\right.$

气温、湿度、节假日工业开停工比例、突发事件比例、工业冲击负荷比例的低、中、高标准，可按各地区的实际情况确定，雨量的小、中、大标准，也可按地区特点设定。修正过程中需要不断修正该处数值模糊化的划分规则。

步骤S105，根据这特殊负荷的负荷特性，分析特殊负荷与步骤S104中所得模糊分类器这几种影响因素的之间的相关关系，得到相关关系序列R。

根据上述模糊分类器的向量，从历史负荷库中反向抽取具有相应类别特征的历史特殊负荷日，将具有这一特征的特殊负荷日抽出后，采用模糊推理法寻找分析规律，进而得到各种特殊负荷对不同影响因素的相关系数序列R。

用一组模糊规则来表示输入、输出关系，每条模糊规则是一个模糊的IF-THEN关系，关系的前件是对各输入变量不同模糊集合的组合，关系后件是输出变量表达式，输出变量表达式为各输入变量的线性组合，那么第j条规则可表示为

$R{L}_j:\begin{array}{ccccccccccccc}\mathrm{IF}& x_j& \mathrm{is}& A_1^j& \mathrm{AND}& x_2& \mathrm{is}& A_2^j& ...& \mathrm{AND}& x_n& \mathrm{is}& A_n^j\end{array}$

$\begin{array}{cc}\mathrm{THEN}& R_j=p_0^j+p_1^j{x}_1+p_2^j{x}_2+...+p_n^j{x}_n\end{array}$

j＝1,2,…,n.；

即如果各个输入变量x_i,x₂,…,x_n分别等于对应输入量的第j个模糊集合，则 $R_j=p_0^j+p_1^j{x}_1+p_2^j{x}_2+...+p_n^j{x}_n,$ j＝1，2，…，n.

其中，x_i,x₂,…,x_n为输入变量；为输入变量的第j个模糊集合；R_j为第j规则的输出部分；为输出部分中输入变量的系数；是常数项。对于一组输入变量x_i,x₂,…,x_n模糊逻辑最终输出为各规则输出的加权模糊值。将步骤S102中的模糊分类器I作为输入变量，将步骤S105中的各种特殊负荷对不同影响因素的相关系数序列R作为输出部分，其中R₁对应空调负荷；R₂对应节假日负荷；R₃对应事故灾害负荷；R₄对应工业非正常负荷；…。

步骤S106，根据各影响因素与日负荷的相关系数序列M，结合模糊分类器中的各种影响因素与特殊负荷之间的相关比例序列R，考虑到每种特殊负荷受到影响因子影响程度不同，采用特殊负荷的影响因子综合影响模糊推理法思想分析得到特殊负荷与日负荷之间的相关系数序列N，并由此分析计算后获得总的特殊负荷序列S。

其计算结果见表2。

表2 特殊负荷关联系数计算结果

步骤S107，设置测试周期，对这些特殊负荷与日负荷之间的相关系数序列N进行分析计算，获得总的特殊负荷预测序列S，利用特殊负荷与日负荷之间的相关系数序列N进行预测获得基本负荷预测序列，将基本负荷预测序列与S相加后得到日负荷预测序列DL，将DL与历史日负荷数据进行曲线拟合对比，见图2；历史日负荷数据为与日负荷数据相对应的日期的实际历史日负荷值。图2显示的是日负荷预测序列DL与历史日负荷序列的对比。实际应用时只需要与对比曲线的前段用于参考的历史日负荷数据拟合效果在预设阈值内就行，本实例中图2采用的是实际数据完全拟合。

其中，基本负荷预测序列属于验证结论值N是否正确的过程，其可以采用日负荷预测方法中较实用的方法神经网络法即可实现该过程。

步骤S108，观测特殊负荷与日负荷的相关系数序列N是否符合该拟合曲线的规律，如误差较大，则重复步骤S104至步骤S106进行修正。其中，误差的判断可以通过预设阈值来进行判比。

步骤S109，根据特殊负荷与日负荷之间的相关系数序列N，获得四种特殊负荷与日负荷的相关性程度的划分数据，即完成特殊负荷对日负荷的相关性分析。

如，γ表示相关系数值，若|γ|≥0.8视为高度相关，0.3≤|γ|≤0.8视为中等相关；|γ|≤0.3视为不相关，其中，0.3和0.8作为划分阈值可以根据先验知识设定。则根据表2，四种特殊负荷与日负荷之间的关联系数的数据可得，2012年7月，空调负荷与日负荷的相关系数为高度相关，节假日负荷与日负荷的相关系数为中等相关；事故灾害负荷与日负荷的相关系数为中等相关；工业非正常负荷与日负荷的相关系数为中等相关。

经过不断的各种特殊负荷的灰色关联系数修正后，分别选出关联度较大的历史日作为负荷预测的依据，然后采用BP神经网络算法进行日负荷预测，算得的特殊负荷的预测值的准确率为97.82％，预测值与实际值的对比图见图3。而未采用本发明选取历史日作为依据的直接用BP神经网络算法进行日负荷预测的准确率为94.57％，直接用加权平均法预测的准确率为92.64％，即本方法较直接采用BP神经网络算法提高了电网日负荷预测精度3.25％，较直接采用加权平均法提高了电网日负荷预测精度5.18％。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (6)

1.一种电网特殊负荷与日负荷之间的相关系数提取方法，其特征在于，包括如下步骤： 

步骤S1.采集电网历史日负荷数据、与日负荷相对应的特殊负荷以及特殊负荷对日负荷的影响因素； 

步骤S2.将特殊负荷对日负荷的影响因素进行细化得到影响因子序列I； 

步骤S3.分析提取各影响因子与日负荷相对应的相关系数序列M； 

步骤S4.建立包含所有影响因子的日负荷影响因子模糊分类器，并对影响因子进行模糊赋值分类，得到模糊分类器向量； 

步骤S5.分析得到特殊负荷与模糊分类器向量中影响因子之间比例加权关系序列R； 

步骤S6.结合序列M和序列R采用加权方式分析得到特殊负荷与日负荷之间的相关系数序列N，完成特殊负荷对日负荷的相关性分析。 

2.根据权利要求1所述的电网特殊负荷与日负荷之间的相关系数提取方法，其特征在于，所述特殊负荷包括空调负荷、节假日负荷、事故灾害负荷、工业非正常负荷；所述影响因素包括天气因素、人体舒适度、工业开停工状况、突发事件状况、冲击负荷比例。 

3.根据权利要求2所述的电网特殊负荷与日负荷之间的相关系数提取方法，其特征在于，步骤S2的具体步骤为： 

将影响因素进行细化，得到9类细化后的影响因素：日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工状况、突发事件状况、工业冲击负荷比例，得到影响因子序列为(I₁、I₂、I₃、I₄、I₅、I₆、I₇、I₈、I₉)； 

步骤S4中对影响因子进行模糊赋值分类的具体步骤为： 

对步骤S2中的9类影响因素进行模糊赋值分类，、其中I₁、I₂、I₃、I₅、I₆、I₇、I₈、I₉按模糊化分别分类为低、中、高，分别取值为i₁、i₂、i₃；I₄按模糊化分类为无雨、小雨、中雨、大雨，分别取值为0、i₁、i₂、i₃，则将每日的负荷影响因子序列分类如下： 

4.根据权利要求3所述的电网特殊负荷与日负荷之间的相关系数提取方法，其特征在于，步骤S3中采用灰色关联分析方法得到各影响因子与日负荷相对应的相关系数序列M，具体为： 

步骤S31.影响因子的关联因素样本用矩阵X表示为 

X矩阵中第一列为当日负荷序列，其余各列分别为历史日负荷序列、日最高温度、日最低温度、日平均温度、日降雨量、湿度、人体舒适度、节假日工业开停工比例、突发事件比例、工业冲击比例，X矩阵中每一行代表一天的相关数据； 

步骤S32.对X矩阵中的各元素进行指标的同向化，根据不同影响因子的性质，分别通过倒数法或者差值法将逆指标转化为正指标；转化后的数据矩阵仍记为X； 

步骤S33.将数据进行无量纲化处理得到数据矩阵 

式中元素k＝1,2,…,m,l＝1,2,…,n. 

步骤S34.确定样本正理想值Y⁺和负理想值Y^-，其中 l＝1,2,…,n； 

步骤S35.正理想值采用欧式距离公式计算各样本点到参考样本点的距离 

步骤S36.计算样本点到最优样本点的相对接近度，即为灰色关联系数 得到矩阵X中各列对应的灰色关联系数分别为W₁、W₂、W₃、W₄、W₅、W₆、W₇、W₈、W₉、W₁₀、W₁₁，其中W_k越大，表明样本点与最优样本点的相对距离越近； 

f)特殊负荷对日负荷的各影响因子的相关系数的序列M为 

M_i＝W_k+2，k＝1,2,3,...,l-2；i＝1,2,...,m 。

5.根据权利要求4所述的电网特殊负荷与日负荷之间的相关系数提取方法，其特征在于，所述步骤S5具体步骤为： 

根据模糊分类器的向量，从采集的数据中反向抽取具有相应类别特征的历史特殊负荷日，将特殊负荷日抽出后，采用模糊推理法寻找分析规律，进而得到各种特殊负荷对不同影响因素的相关系数序列R，其中 

用一组模糊规则来表示输入、输出关系，每条模糊规则是一个模糊的IF-THEN关系，关系的前件是对各输入变量不同模糊集合的组合，关系后件是输出变量表达式，输出变量表达式为各输入变量的线性组合，那么第j条规则可表示为 

如果各个输入变量x_i,x₂,…,x_n分别等于对应输入量的第j个模糊集合，则j＝1，2，…，n. 

其中，x_i,x₂,…,x_n为输入变量；为输入变量的第j个模糊集合；R_j为第j规则的输出部分；为输出部分中输入变量的 系数；是常数项，对于一组输入变量x_i,x₂,…,x_n模糊逻辑最终输出为各规则输出的加权模糊值，将步骤S4中的模糊分类器I的相应数据作为输入变量，将步骤S5中的各种特殊负荷对不同影响因素的相关系数序列R作为输出部分，其中R₁对应空调负荷；R₂对应节假日负荷；R₃对应事故灾害负荷；R₄对应工业非正常负荷。 

6.根据权利要求5所述的电网特殊负荷与日负荷之间的相关系数提取方法，其特征在于，所述方法还包括： 

步骤S7.设置测试周期，对序列N进行分析计算，获得总的特殊负荷预测序列S，利用序列N进行预测获得基本负荷预测序列，将基本负荷预测序列与S相加后得到日负荷预测序列DL，将日负荷预测序列DL与历史日负荷数据进行曲线拟合对比； 

步骤S8.观测序列DL是否符合拟合曲线的规律，若误差大于预设阈值，则重复步骤S4至步骤S6进行修正，否则执行步骤S9； 

步骤S9.根据序列N，获得特殊负荷与日负荷的相关性程度的划分数据，完成特殊负荷对日负荷的相关性分析。