CN105552902A - 基于馈线端实时量测的配电网终端负荷超短期预测方法 - Google Patents

Abstract

本发明提供一种基于馈线端实时量测的配电网终端负荷超短期预测方法，所述方法包括：获得馈线端的实时负荷数据和历史实际负荷数据；对馈线端负荷进行超短期负荷预测，得到一个馈线端超短期负荷预测值；获取配电网分布式电源实时出力数据和出力预测值，进行负荷总加计算，求得负荷预测的待分配值；获取配电网的历史负荷数据，分析不同类型的负荷与馈线端负荷的关联关系，调用预测方法库，依据负荷分类得到不同负荷类型的预测结果；对配电网区域内负荷预测结果加权求和，消除冗余量，得到馈线端所对应的各配电网超短期负荷预测值。本发明构建了基于负荷分类和馈线端实时量测的配电网超短期负荷预测模型，有效提升配电网超短期负荷预测精度。

Description

基于馈线端实时量测的配电网终端负荷超短期预测方法

技术领域

本发明涉及一种负荷超短期预测方法，具体涉及一种基于馈线端实时量测的配电网终端负荷超短期预测方法。

背景技术

目前，配电网自动化水平不足，实时采集的配电网终端负荷数据质量比较差，影响配电网状态估计等数据计算的准确率与可观性。配电网馈线端相对冗余的量测点，可以获取比较准确的实时量测数据，进行馈线端负荷超短期预测，获取配电网负荷总值。同时，配电网负荷基数较小、变化各异；而且配电网直接面向用户，不同的负荷类型具有不同的特性，难以将输电网负荷预测理论简单套用。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于馈线端实时量测的配电网终端负荷超短期预测方法，本发明构建了基于负荷分类和馈线端实时量测的配电网超短期负荷预测模型，有效提升配电网超短期负荷预测精度。

为了实现上述发明目的，本发明采取如下技术方案：

一种基于馈线端实时量测的配电网终端负荷超短期预测方法，所述方法包括如下步骤：

(1)获得馈线端的实时负荷数据和对应的历史实际负荷数据；

(2)对馈线端负荷进行超短期负荷预测，得到一个馈线端超短期负荷预测值；

(3)获取配电网分布式电源实时出力数据和出力预测值，进行负荷总加计算，求得负荷预测的待分配值；

(4)获取配电网的历史负荷数据，分析不同类型的负荷与馈线端负荷的关联关系，调用预测方法库，依据负荷分类得到不同负荷类型的预测结果；

(5)对配电网区域内负荷预测结果加权求和，消除冗余量，得到馈线端所对应的各配电网超短期负荷预测值。

优选的，所述步骤(1)中，根据配电网所对应的变电站或开闭所，获取所述馈线端的实时负荷数据和对应的历史实际负荷数据，并在存储时，均包含所述配电网和所述变电站或开闭所的对应关联关系，通过扫描所述对应关联关系获得相应的实时负荷数据和对应的历史实际负荷数据。

优选的，所述步骤(2)中，基于线性外推法进行馈线端超短期负荷预测，得到一个馈线端超短期负荷预测值，包括如下步骤：

步骤2-1、设当前时刻为t₁，若对于间隔为Δt时间段的负荷预测，即一步预测的时间间隔等于Δt，预测时刻为t₂＝t₁+Δt，过去时刻为t₀＝t₁-Δt，记录与预测日最近的五个同类型日，其中第i天t₁时刻馈线端负荷值为y(i,t₁)(i＝1,2,…,5)，第i天t₂时刻馈线端负荷值为y(i,t₂)(i＝1,2,…,5)，第i天t₀时刻馈线端负荷值为y(i,t₀)(i＝1,2,…,5)；

步骤2-2、假定所述五个同类型日中负荷具有相近的变化趋势，计算所述五个同类型日中同一时刻的平均值：

$\stackrel{\‾}{y}\left(t_0\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_0)/5$

$\stackrel{\‾}{y}\left(t_1\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_1)/5$

$\stackrel{\‾}{y}\left(t_2\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_2)/5$

式中，为所述五个同类型日中t₀时刻的平均值，为所述五个同类型日中t₁时刻的平均值，为所述五个同类型日中t₂时刻的平均值；

超短期负荷预测，由于预测时间间隔较短，则在当前时刻t1与预测时刻t2里的负荷变化看作是线性模型，从这三个平均值提取出预测日负荷在预测时间段内的变化值，由点和点拟合直线，设方程为：

y(t)＝a+b·t

这条直线斜率为：

$b=\frac{\stackrel{\‾}{y}\left(t_2\right)-\stackrel{\‾}{y}\left(t_1\right)}{t_2-t_1}=\frac{\stackrel{\‾}{y}\left(t_2\right)-\stackrel{\‾}{y}\left(t_1\right)}{\mathrm{\Δ}t}$

式中，b为负荷在预测区间的变化速率，a为负荷在预测区间的截距；

步骤2-3、根据预测日当前负荷值为y(t₁)和预测时刻负荷变化速率为b，得出预测时刻t₂的负荷预测值为：

y(t₂)＝y(t₁)+b·(t₂-t₁)＝y(t₁)+b·Δt

优选的，所述进行馈线端超短期负荷预测阶段，需要配电网中的实际负荷数据，即馈线端负荷数据值与配电网中分布式电源出力求和，公式如下：

P_配＝P_L+P_G

式中，P_L为馈线端的实际负荷数据，P_G为配电网中分布式电源实际出力值，P_配为配电网中的实际负荷数据。

优选的，所述步骤(3)中，所述负荷预测的待分配值的求取方式为：将馈线端的超短负荷预测值减去其所对应配电网的分布式能源出力预测值公式为：

$\hat{P}={\hat{P}}_L-{\hat{P}}_G$

式中，为负荷预测待分配值，为馈线端的超短期负荷预测值，为配电网中分布式电源出力预测值。

优选的，所述步骤(4)包括如下步骤：

步骤4-1、定义2个样本之间的距离

$dist(i,j)=\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(X_{ik}-X_{jk})}^2}$

式中，X_ik表示i负荷，X_jk表示j负荷，n为96个时段，dist(i,j)为样本负荷i和样本负荷j的距离；

步骤4-2、设定距离参数Eps和核心点阈值参数MinPts，基于贝叶斯-DBSCAN算法确定每个簇的核心点与边界点；

步骤4-3、根据如下公式进行聚簇计算：

C＝Σ{c|P×dist(i,j)＜Eps}

式中，P表示当前条件下，预测可信概率值，{c|P×dist(i,j)＜Eps}指小于距离参数Eps的点的个数，C是指小于距离参数Eps的点的总个数，当C＞MinPts时，则确定以X_i为核心构成一个簇，X_i即为核心点，其余点则为边界点，每个簇是指属于同类型负荷或者具有相似变化规律的负荷；

步骤4-4、进行核心点与馈线端负荷的影响分析，依据原型凝聚度进行负荷权值分配，得到不同类型负荷的配电网超短期负荷预测值，其中原型凝聚度公式为：

$cohesion\left(C_i\right)=\frac{1}{N}\·{\Σ}_{\underset{y\∈C_i}{x\∈C_i}}proximity(x,y)$

式中，proximity(x,y)为相似度函数，即同一个簇中的负荷数据相似程度；C_i是指第i簇；x、y指i簇中的任意两个点，允许为同一个点；N为i簇中数据数目；

步骤4-5、应用以下公式进行相似度计算：

$proximity(x,y)=1-\frac{d-\min \_d}{\max \_d-\min \_d}$

式中，max_d指该簇中历史数据的最大距离，min_d指该簇中历史数据的最小距离，d表示该点到核心点的距离。

优选的，所述步骤(5)包括如下步骤：

步骤5-1、预测时不同类型负荷选取不同的相似日的历史负荷及相应影响因素作为输入向量，由于不同的簇存在交集，需要借助以下公式进行消除冗余处理，簇C_i和簇C_j为两个相交的簇，公式如下：

P(C_iC_j)＝P(C_i)+P(C_j)-P(C_i∪C_j)

式中，P(C_i)为簇C_i中数据占样本数据的数量比，P(C_j)为簇C_j中数据占样本数据的数量比，若多个簇相交，则采取类似计算方法；

步骤5-2、对计算结果P(C_i)和P(C_j)进行修正，得到两个簇的负荷总和：

$P^{,}=\left(P\right(C_i-\frac{P\left(C_j\right)}{P\left(C_i\right)+P\left(C_j\right)}\×P\left(C_i{C}_j\right)\left)\right)\×P_{C_i}+\left(P\right(C_j)-\frac{P\left(C_i\right)}{P\left(C_i\right)+P\left(C_j\right)}\×(C_i{C}_j\left)\right)\×P_{C_j}$

式中，P'为P(C_i)和P(C_j)两个簇修正后的负荷总和；指簇C_i所代表的配电网区域内负荷预测结果，指簇C_j所代表的配电网区域内负荷预测结果。

与现有技术相比，本发明的有益效果在于：

本发明通过获取配电网所对应的变电站或者开闭所馈线端实时负荷数据和历史负荷数据、配电网端历史负荷数据及其他相关数据，如分布式电源的实时出力值、预测值等，提取与配电网超短期负荷变化紧密对应的影响数据，通过研究配电网端负荷与馈线端负荷的相关特性，构建了基于负荷分类和馈线端实时量测的配电网超短期负荷预测模型，尤其是对于同一馈线端或开闭所接有不同用电类型配用电网的情况进行用电特性紧密度分析与定量分解，有效提升配电网超短期负荷预测精度，为配电网状态估计等计算提供虚拟量测值。

附图说明

图1是本发明提供的一种基于馈线端实时量测的配电网终端负荷超短期预测方法流程图

具体实施方式

下面结合附图对本发明作进一步详细说明。

针对配电网量测基础差、不同类型负荷变化各异的特点，本发明通过获得不同馈线端实时负荷数据值并进行平滑处理，提取与配电网负荷端紧密相关的馈线历史负荷数据，依据不同负荷类型进行超短期负荷预测，通过分析配电网中不同类型负荷与馈线端负荷之间的关系，构建了基于负荷分类的馈线端实时量测的配电网超短期负荷预测模型，有效提升配电网负荷预测精确度，对配电网状态估计等提供虚拟量测值。

如图1所示，一种基于馈线端实时量测的配电网终端负荷超短期预测方法，具体步骤如下：

步骤1：根据配电网或配电网集群所对应的变电站或开闭所，获取其对应馈线端量测点的实时负荷数据及相应历史负荷数据。

步骤2：对馈线端负荷进行超短期负荷预测，得到一个馈线端超短期负荷预测值。

步骤3：获取配电网分布式电源实时出力数据及出力预测值，进行负荷总加计算，求得负荷预测的待分配值。

步骤4：获取配电网的历史负荷数据，分析不同类型的负荷与馈线端负荷的关联关系，调用预测方法库，依据负荷分类得到不同负荷类型的预测结果。

步骤5：对配电网区域内负荷预测结果加权求和，消除冗余量，得到馈线端所对应的各配电网超短期负荷预测值。

其中，所述步骤1中，根据配电网所对应的变电站或开闭所，获取其对应馈线端量测点的实时负荷数据及相应历史负荷数据。在实时负荷数据与历史负荷数据存储时，均包含配电网和变电站或开闭所的对应关联关系，通过扫描该关联对应即可获得相应的实时负荷数据与历史负荷数据。

其中，所述步骤2中，基于线性外推的馈线端超短期负荷预测，得到一个馈线端超短期负荷预测值，具体步骤为：

设当前时刻为t₁，若对于间隔为Δt时间段的负荷预测，即一步预测的时间间隔等于Δt，预测时刻为t₂＝t₁+Δt，过去时刻为t₀＝t₁-Δt。记和预测日最近的五个同类型日中，其第i天t₁时刻负荷值为y(i,t₁)(i＝1,2,…,5)，第i天t₂时刻负荷值为y(i,t₂)(i＝1,2,…,5)，第i天t₀时刻负荷值为y(i,t₀)(i＝1,2,…,5)。

假定在上述时间段内，这五天负荷具有相近的变化趋势，若有某一天不同，需进行预处理。

首先计算同一时刻，上述五天负荷的平均值：

$\stackrel{\‾}{y}\left(t_0\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_0)/5$

$\stackrel{\‾}{y}\left(t_1\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_1)/5$

$\stackrel{\‾}{y}\left(t_2\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_2)/5$

超短期负荷预测，由于预测时间间隔较短，则在当前时刻t1与预测时刻t2里的负荷变化看作是线性模型，从这三个平均值提取出预测日负荷在预测时间段内的变化值，由点和点拟合直线，设方程为：

y(t)＝a+b·t

这条直线斜率为：

$b=\frac{\stackrel{\‾}{y}\left(t_2\right)-\stackrel{\‾}{y}\left(t_1\right)}{t_2-t_1}=\frac{\stackrel{\‾}{y}\left(t_2\right)-\stackrel{\‾}{y}\left(t_1\right)}{\mathrm{\Δ}t}$

这就得到负荷在预测区间的变化速率，那么，已知预测日当前负荷值为y(t₁)，又知道预测时刻负荷变化速率为b，a为负荷在预测区间的截距，外推到预测时刻t₂，其负荷值为：

y(t₂)＝y(t₁)+b·(t₂-t₁)＝y(t₁)+b·Δt

其中，进行馈线端超短期负荷预测阶段，为保证参与预测计算数据的稳定性，需要时配电网中的实际负荷数据，即馈线端负荷数据值与配电网中分布式电源出力求和。公式表达即为：

P＝P_L+P_G(1)

公式(1)中：P_L为馈线端的实际负荷数据，P_G为配电网中分布式电源实际出力值。通过上述数据处理，可以得到一个相对比较稳定的负荷曲线，便于进行预测分析。

其中，所述步骤3中，获取配电网分布式电源预测值，进行预测总加计算，求得负荷预测的待分配值。即将馈线端的超短负荷预测值减去其所对应配电网的分布式能源出力预测值公式表达式即为

$\hat{P}={\hat{P}}_L-{\hat{P}}_G---\left(2\right)$

公式(2)中：为负荷预测待分配值，为馈线端的超短期负荷预测值，为配电网中分布式电源出力预测值。

其中，所述步骤4中，获取配电网的历史负荷数据，分析不同类型的负荷与馈线端负荷的关联关系，调用预测方法库，依据负荷分类得到不同负荷类型的预测结果。具体执行步骤如下：

定义2个样本之间的距离

$dist(i,j)=\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(X_{ik}-X_{jk})}^2}---\left(3\right)$

其中X_ik表示i负荷，X_jk表示j负荷，n为96个时段。

给定距离参数Eps和核心点阈值参数MinPts，基于贝叶斯-DBSCAN算法确定核心点与边界点。由于配电网负荷直接面向用户，负荷变动直接受天气、体感舒适度等影响，而且天气预报本身具有一定的置信区间，所以采用贝叶斯-DBSCAN算法确定每个簇的核心点与边界点。其中进行聚簇计算时，依据以下公式进行：

C＝Σ{c|P×dist(i,j)＜Eps}(4)

公式(4)中：P表示当前条件下，预测可信概率值，如天气预报降水概率等，{c|P×dist(i,j)＜Eps}指小于距离参数Eps的点的个数，C是指小于距离参数Eps的点的总个数。当C＞MinPts时，则确定以X_i为核心构成一个簇，X_i即为核心点，其余点则为边界点，边界点有可能隶属于不同的簇。每个簇就可以认为属于同类型负荷或者具有相似变化规律的负荷。

进行核心点与馈线端负荷的影响分析，依据原型凝聚度进行负荷权值分配，得到不同类型负荷的配电网超短期负荷预测值。其中原型凝聚度公式为：

$cohesion\left(C_i\right)=\frac{1}{N}\·{\Σ}_{\underset{y\∈C_i}{x\∈C_i}}proximity(x,y)---\left(5\right)$

公式(5)中，proximity(x,y)为相似度函数，即同一个簇中的负荷数据相似程度；C_i是指第簇i；x、y指该簇中的任意两个点，允许为同一个点；N为该簇中数据数目。应用以下公式进行相似度计算：

$proximity(x,y)=1-\frac{d-\min \_d}{\max \_d-\min \_d}---\left(6\right)$

公式(6)中，max_d指该簇中历史数据的最大距离，min_d指该簇中历史数据的最小距离，d表示该点到核心点的距离。

其中，所述步骤5中，对配电网区域内负荷预测结果加权求和，消除冗余量，得到馈线端所对应的各配电网超短期负荷预测值。

预测时不同类型负荷选取不同的相似日历史负荷及相应影响因素作为输入向量。由于不同的簇可能存在交集，需要借助于以下公式进行消除冗余处理，以簇C_i和簇C_j两个相交的情况为例进行说明：

P(C_iC_j)＝P(C_i)+P(C_j)-P(C_i∪C_j)(7)

公式(7)中，以两个簇相交为例，如果多个簇相交，采取类似计算方法。其中，P(C_i)即为簇C_i中数据占样本数据的数量比。然后对发明所提到的计算步骤(4)中所提及的权值分配即通过公式(7)所得的计算结果P(C_i)和P(C_j)进行修正，得到两个簇的负荷总和：

$P^{,}=\left(P\right(C_i)-\frac{P\left(C_j\right)}{P\left(C_i\right)+P\left(C_j\right)}\×P(C_i{C}_j\left)\right)\×P_{C_i}+\left(P\right(C_j)-\frac{P\left(C_i\right)}{P\left(C_i\right)+P\left(C_j\right)}\×P(C_i{C}_j\left)\right)\×P_{C_j}---\left(8\right)$

其中指簇C_i所代表的配电网区域内负荷预测结果，指簇C_j所代表的配电网区域内负荷预测结果。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于馈线端实时量测的配电网终端负荷超短期预测方法，其特征在于，所述方法包括如下步骤：

(1)获得馈线端的实时负荷数据和对应的历史实际负荷数据；

(2)对馈线端负荷进行超短期负荷预测，得到一个馈线端超短期负荷预测值；

(3)获取配电网分布式电源实时出力数据和出力预测值，进行负荷总加计算，求得负荷预测的待分配值；

(4)获取配电网的历史负荷数据，分析不同类型的负荷与馈线端负荷的关联关系，调用预测方法库，依据负荷分类得到不同负荷类型的预测结果；

(5)对配电网区域内负荷预测结果加权求和，消除冗余量，得到馈线端所对应的各配电网超短期负荷预测值。

2.根据权利要求1所述预测方法，其特征在于，所述步骤(1)中，根据配电网所对应的变电站或开闭所，获取所述馈线端的实时负荷数据和对应的历史实际负荷数据，并在存储时，均包含所述配电网和所述变电站或开闭所的对应关联关系，通过扫描所述对应关联关系获得相应的实时负荷数据和对应的历史实际负荷数据。

3.根据权利要求1所述预测方法，其特征在于，所述步骤(2)中，基于线性外推法进行馈线端超短期负荷预测，得到一个馈线端超短期负荷预测值，包括如下步骤：

步骤2-1、设当前时刻为t₁，若对于间隔为Δt时间段的负荷预测，即一步预测的时间间隔等于Δt，预测时刻为t₂＝t₁+Δt，取过去时刻为t₀＝t₁-Δt得负荷实际值，记录与预测日最近的五个同类型日，其中第i天t₁时刻馈线端负荷值为y(i,t₁)(i＝1,2,…,5)，第i天t₂时刻馈线端负荷值为y(i,t₂)(i＝1,2,…,5)，第i天t₀时刻馈线端负荷值为y(i,t₀)(i＝1,2,…_,5)；

步骤2-2、假定所述五个同类型日中负荷具有相近的变化趋势，计算所述五个同类型日中同一时刻的平均值：

$\stackrel{\‾}{y}\left(t_0\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_0)/5$

$\stackrel{\‾}{y}\left(t_1\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_1)/5$

$\stackrel{\‾}{y}\left(t_2\right)=\underset{i=1}{\overset{5}{\Σ}}y(i,t_2)/5$

式中，为所述五个同类型日中t₀时刻的平均值，为所述五个同类型日中t₁时刻的平均值，为所述五个同类型日中t₂时刻的平均值；

超短期负荷预测，由于预测时间间隔较短，则在当前时刻t1与预测时刻t2里的负荷变化看作是线性模型，从这三个平均值提取出预测日负荷在预测时间段内的变化值，由点和点拟合直线，设方程为：

y(t)＝a+b·t

这条直线斜率为：

$b=\frac{\stackrel{\‾}{y}\left(t_2\right)-\stackrel{\‾}{y}\left(t_1\right)}{t_2-t_1}=\frac{\stackrel{\‾}{y}\left(t_2\right)-\stackrel{\‾}{y}\left(t_1\right)}{\mathrm{\Δ}t}$

式中，b为负荷在预测区间的变化速率，a为负荷在预测区间的截距；

步骤2-3、根据预测日当前负荷值为y(t₁)和预测时刻负荷变化速率为b，得出预测时刻t₂的负荷预测值为：

y(t₂)＝y(t₁)+b·(t₂-t₁)＝y(t₁)+b·Δt

4.根据权利要求3所述预测方法，其特征在于，所述进行馈线端超短期负荷预测阶段，需要配电网中的实际负荷数据，即馈线端负荷数据值与配电网中分布式电源出力求和，公式如下：

P_配＝P_L+P_G

式中，P_L为馈线端的实际负荷数据，P_G为配电网中分布式电源实际出力值，P_配为配电网中的实际负荷数据。

5.根据权利要求1所述预测方法，其特征在于，所述步骤(3)中，所述负荷预测的待分配值的求取方式为：将馈线端的超短负荷预测值减去其所对应配电网的分布式能源出力预测值公式为：

$\hat{P}={\hat{P}}_L-{\hat{P}}_G$

式中，为负荷预测待分配值，为馈线端的超短期负荷预测值，为配电网中分布式电源出力预测值。

6.根据权利要求1所述预测方法，其特征在于，所述步骤(4)包括如下步骤：

步骤4-1、定义2个样本之间的距离

$dist(i,j)=\sqrt{\underset{k=1}{\overset{n}{\Σ}}{(X_{ik}-X_{jk})}^2}$

式中，X_ik表示i负荷，X_jk表示j负荷，n为96个时段，dist(i,j)为样本负荷i和样本负荷j的距离；

步骤4-2、设定距离参数Eps和核心点阈值参数MinPts，基于贝叶斯-DBSCAN算法确定每个簇的核心点与边界点；

步骤4-3、根据如下公式进行聚簇计算：

C＝Σ{c|P×dist(i,j)＜Eps}

式中，P表示当前条件下，预测可信概率值，{c|P×dist(i,j)＜Eps}指小于距离参数Eps的点的个数，C是指小于距离参数Eps的点的总个数，当C＞MinPts时，则确定以X_i为核心构成一个簇，X_i即为核心点，其余点则为边界点，每个簇是指属于同类型负荷或者具有相似变化规律的负荷；

步骤4-4、进行核心点与馈线端负荷的影响分析，依据原型凝聚度进行负荷权值分配，得到不同类型负荷的配电网超短期负荷预测值，其中原型凝聚度公式为：

$cohesion\left(C_i\right)=\frac{1}{N}\·{\mathrm{\Σ}}_{\underset{y\∈C_i}{x\∈C_i}}proximity(x,y)$

式中，proximity(x,y)为相似度函数，即同一个簇中的负荷数据相似程度；C_i是指第i簇；x、y指i簇中的任意两个点，允许为同一个点；N为i簇中数据数目；

步骤4-5、应用以下公式进行相似度计算：

$proximity(x,y)=1-\frac{d-min\_d}{\max \_d-min\_d}$

式中，max_d指该簇中历史数据的最大距离，min_d指该簇中历史数据的最小距离，d表示该点到核心点的距离。

7.根据权利要求1所述预测方法，其特征在于，所述步骤(5)包括如下步骤：

步骤5-1、预测时不同类型负荷选取不同的相似日的历史负荷及相应影响因素作为输入向量，由于不同的簇存在交集，需要借助以下公式进行消除冗余处理，簇C_i和簇C_j为两个相交的簇，公式如下：

P(C_iC_j)＝P(C_i)+P(C_j)-P(C_i∪C_j)

式中，P(C_i)为簇C_i中数据占样本数据的数量比，P(C_j)为簇C_j中数据占样本数据的数量比，若多个簇相交，则采取类似计算方法；

步骤5-2、对计算结果P(C_i)和P(C_j)进行修正，得到两个簇的负荷总和：

$P^{\′}=\left(P\right(C_i)-\frac{P\left(C_j\right)}{P\left(C_i\right)+P\left(C_j\right)}\×P(C_i{C}_j\left)\right)\×P_{C_i}+\left(P\right(C_j)-\frac{P\left(C_i\right)}{P\left(C_i\right)+P\left(C_j\right)}\×P(C_i{C}_j\left)\right)\×P_{C_j}$

式中，P'为P(C_i)和P(C_j)两个簇修正后的负荷总和；指簇C_i所代表的配电网区域内负荷预测结果，指簇C_j所代表的配电网区域内负荷预测结果。