CN105488598A - 一种基于模糊聚类的中长期电力负荷预测方法 - Google Patents
一种基于模糊聚类的中长期电力负荷预测方法 Download PDFInfo
- Publication number
- CN105488598A CN105488598A CN201511001376.5A CN201511001376A CN105488598A CN 105488598 A CN105488598 A CN 105488598A CN 201511001376 A CN201511001376 A CN 201511001376A CN 105488598 A CN105488598 A CN 105488598A
- Authority
- CN
- China
- Prior art keywords
- sample
- matrix
- factor
- sequence
- class
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000013277 forecasting method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000033228 biological regulation Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000010348 incorporation Methods 0.000 abstract 1
- 230000007774 longterm Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
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。
Description
技术领域
本发明涉及一种基于模糊聚类的中长期电力负荷预测方法,适用于电网的年最大负荷、年用电量预测。
背景技术
负荷曲线反映用户的用电特点及规律,通过负荷变化趋势,安排电力系统运行方案,安排供电设备计划,安排设备检修计划等,而中长期负荷变化趋势更是电网规划的基础,电网规划又是电网建设的依托。因此,如何准确进行负荷预测已经成为提高电网运行合理度及其规划质量的前提。
电力负荷受到的影响因素众多,具有较强的不确定性和随机性,且相互之间存在着一定的关联性,当使用传统方法进行电力负荷预测时,在确定影响因素对被预测量的影响程度时,由于影响因素之间的关联性极有可能导致信息重叠,导致预测模型的精准度降低。传统预测方法大致可以分为参数估计法和人工智能法,经过不断演化,传统预测模型都已较为成熟。传统预测方法多以如“负荷相关经济数据”等负荷间接影响因素或者电力负荷数据序列本身进行建模和分析,有效地利用负荷相关经济数据或者序列自身反应的一些隐含信息,但这些信息还不够全面、完整。
对于中长期电力负荷预测来说,怎样消除众多负荷影响因素的相关性,挖掘如“主要行业用电量”等负荷直接影响因素的新信息,从而更加准确、全面的表述影响因素对负荷的作用量,对提高负荷预测精度具有重要的意义。
发明内容
本发明的目的是,提供一种能充分考虑负荷影响因素之间的关联性并予以消除,更加全面的、深刻的挖掘负荷直接影响因素的新信息,提升负荷预测精准度,科学合理,简便易行,适用性强的基于模糊聚类的中长期电力负荷预测方法。
为实现上述目的,所采用的技术方案是: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:
其中,下标i表示第i个样本,下标j表示第j个时间段,xi表示第i个样本序列,xij表示观测数据矩阵X的样本元素,其中,i∈[1,m],j∈[1,n],dpd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drz=min{daz,dbz}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Xi=(xi(1)xi(2)…xi(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:Xi0=(xi0(1)xi0(2)…xi0(n)),其中i∈[1,θ],θ<m;Xz0=(xz0(1)xz0(2)…xz0(n)),令
其中,i∈[1,θ],θ<m,δiz为行为因子序列Xi和主行为序列Xz的灰色绝对关联度,
影响程度的归一化处理:
其中,i∈[1,θ],θ<m,ki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=[k1k2…kθ];
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:
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KF:
KF=K·F=[kf1kf2…kfn](11)
各年实际负荷量矩阵freal=[fr1fr2…frn],而Tj的值为:
进而可得调整系数T:
本发明提出的一种基于模糊聚类的中长期电力负荷预测方法能够通过模糊聚类算法对影响因素进行分类、整合,利用灰色绝对关联度理论确定行为因子对主行为影响的权重系数,深挖负荷直接影响因素的信息量,其优点体现在:
1.充分考虑负荷直接影响因素之间的相关性并予以消除,解决了其可能导致的预测准确度下降问题;
2.准确得出电力负荷直接影响因素对于电力负荷的影响程度,提升负荷预测的精度;
3.方法科学合理,简便易行,具有较强的适应性,适用于中长期电力负荷预测和年用电量预测。
附图说明
图1为模糊聚类流程图;
图2为一种基于模糊聚类的中长期电力负荷预测方法流程图;
图3为聚类分析结果图。
具体实施方式
下面利用实例对本发明的一种基于模糊聚类的中长期电力负荷预测方法进行详细描述。
参照图1-图3,本发明的一种基于模糊聚类的中长期电力负荷预测方法,包括以下步骤:首先应确定预测量及其影响因素;其次,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;然后,依据分类结果,分析计算聚类后各样本序列与预测量序列的灰色绝对关联度及样本序列的权重系数;最后,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,开展最大负荷预测。
以某电网的年最大负荷预测为例,若其直接影响因素为按照行业用电分类标准划分的八个主要行业年用电量,表1为预测量与影响因素连续十一年的观测值,
表1某电网年最大负荷及主要行业年用电量
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,做出精确预测,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:
本例有八个样本,每个样本包括持续观测得到的十一个样本元素,观测数据矩阵X如下:
则有:
其中,下标i表示第i个样本,下标j表示第j个时间段,xi表示第i个样本序列,xij表示观测数据矩阵X的样本元素。其中,i∈[1,m],jj∈[1,n],dpd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drz=min{daz,dbz}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。
聚类分析结果为:工业用电为第一类;城乡居民用电为第二类;其他事业用电为第三类;第四类为其余五个主要行业用电的聚合。以此四类作为影响此电网全网最大负荷的行为因子,得到简化矩阵F:
2)行为因子对主行为的影响的确定
以被预测量的最大负荷构造上述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Xi=(xi(1)xi(2)…xi(n)),其中i∈[1,θ],θ<m;主行为序列行为因子序列和主行为序列的的始点零化序列为:Xi0=(xi0(1)xi0(2)…xi0(n)),其中i∈[1,θ],θ<m;Xz0=(xz0(1)xz0(2)…xz0(n)),令
其中,i∈[1,θ],θ<m,δiz为行为因子序列Xi和主行为序列Xz的灰色绝对关联度。
影响程度的归一化处理:
其中,i∈[1,θ],θ<m,ki为回归模型中的权重系数;分别计算行为因子的权重系数,本例权重系数矩阵K=[0.30270.25210.22250.2226]。
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:
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:
依本例,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KF:
KF=K·F=[kf1kf2…kfn](11)
各年实际负荷量矩阵freal=[fr1fr2…frn],而Tj的值为:
进而可得调整系数T:
经观测该电网此后连续五年的最大负荷观测值矩阵Z*为:
Z*=[2458.22470.72601.72667.82759.42780.4]
对比发现,使用本方法对某电网年最大负荷进行预测,平均误差率为1.09%,预测精度与准确度较高,可见,本方法科学合理、切实可行,具有较强的实用性和有效性。
Claims (1)
1.一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:
其中,下标i表示第i个样本,下标j表示第j个时间段,xi表示第i个样本序列,xij表示观测数据矩阵X的样本元素,其中,i∈[1,m],j∈[1,n],dpd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drz=min{daz,dbz}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Xi=(xi(1)xi(2)…xi(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:Xi0=(xi0(1)xi0(2)…xi0(n)),其中i∈[1,θ],θ<m;Xz0=(xz0(1)xz0(2)…xz0(n)),令
其中,i∈[1,θ],θ<m,δiz为行为因子序列Xi和主行为序列Xz的灰色绝对关联度,
影响程度的归一化处理:
其中,i∈[1,θ],θ<m,ki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=[k1k2…kθ];
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:
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KF:
KF=K·F=[kf1kf2…kfn](11)
各年实际负荷量矩阵freal=[fr1fr2…frn],而Tj的值为:
进而可得调整系数T:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511001376.5A CN105488598A (zh) | 2015-12-28 | 2015-12-28 | 一种基于模糊聚类的中长期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511001376.5A CN105488598A (zh) | 2015-12-28 | 2015-12-28 | 一种基于模糊聚类的中长期电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105488598A true CN105488598A (zh) | 2016-04-13 |
Family
ID=55675567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511001376.5A Pending CN105488598A (zh) | 2015-12-28 | 2015-12-28 | 一种基于模糊聚类的中长期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488598A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600037A (zh) * | 2016-11-18 | 2017-04-26 | 华南理工大学 | 一种基于主成分分析的多参量辅助负荷预测方法 |
CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
CN110867964A (zh) * | 2019-11-26 | 2020-03-06 | 胡维东 | 一种基于物联网的智慧用电安全监控方法及主控计算机 |
CN112465258A (zh) * | 2020-12-11 | 2021-03-09 | 国网北京市电力公司 | 一种非连续性电力物资需求预测方法及系统 |
CN113222216A (zh) * | 2021-04-14 | 2021-08-06 | 国网江苏省电力有限公司营销服务中心 | 冷热电负荷预测方法、装置及系统 |
-
2015
- 2015-12-28 CN CN201511001376.5A patent/CN105488598A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600037A (zh) * | 2016-11-18 | 2017-04-26 | 华南理工大学 | 一种基于主成分分析的多参量辅助负荷预测方法 |
CN106600037B (zh) * | 2016-11-18 | 2020-06-19 | 华南理工大学 | 一种基于主成分分析的多参量辅助负荷预测方法 |
CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
CN110867964A (zh) * | 2019-11-26 | 2020-03-06 | 胡维东 | 一种基于物联网的智慧用电安全监控方法及主控计算机 |
CN112465258A (zh) * | 2020-12-11 | 2021-03-09 | 国网北京市电力公司 | 一种非连续性电力物资需求预测方法及系统 |
CN113222216A (zh) * | 2021-04-14 | 2021-08-06 | 国网江苏省电力有限公司营销服务中心 | 冷热电负荷预测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
Tardioli et al. | Data driven approaches for prediction of building energy consumption at urban level | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
Enke et al. | A hybrid neuro-fuzzy model to forecast inflation | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
CN103226736B (zh) | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 | |
Behboudian et al. | A long-term prediction of domestic water demand using preprocessing in artificial neural network | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN103559303A (zh) | 一种对数据挖掘算法的评估与选择方法 | |
CN109447332A (zh) | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 | |
CN104885101A (zh) | 包括表征选择的不确定度的基于不完备描述对新总体成员的相似成员的自动选择 | |
Du | The causal relationship between land urbanization quality and economic growth: Evidence from capital cities in China | |
CN105787259A (zh) | 一种多元气象因素对负荷变化影响相关性的分析方法 | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
Kim et al. | Extracting baseline electricity usage using gradient tree boosting | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
Xiong et al. | The housing demand analysis and prediction of the real estate based on the AWGM (1, N) model | |
Zahraie et al. | SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods | |
He et al. | An Improved Coupling Model of Grey-System and Multivariate Linear Regression for Water Consumption Forecasting. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160413 |