CN109583503A - 一种可中断负荷预测方法 - Google Patents

Abstract

一种可中断负荷预测方法。涉及负荷预测技术领域，具体涉及一种可中断负荷预测方法。提供了一种考虑了预测日的天气、日期属性等特征信息，可有效提高预测的可靠性及准确性的可中断负荷预测方法。本发明在建立支持向量机预测模型时，先利用K‑means聚类算法进行负荷聚类，并选取与预测日信息相符合的相似日期负荷作为输入数据，充分考虑了预测日的天气、日期属性等信息特征，有效提高了预测的准确性；在进行支持向量机负荷预测时，选用的核函数模型为高斯核函数与多项式核函数按照一定的权重组合而成的全新核函数，能很好地提取样本数据的全局性的优点，很好地提高了模型的综合性能。

Description

一种可中断负荷预测方法

技术领域

本发明涉及负荷预测技术领域，具体涉及一种可中断负荷预测方法。

背景技术

作为电力系统需求侧管理的重要组成部分,可中断负荷管理利用用户的用电灵活性,来缓 解负荷高峰时的供电紧张状况,以避免或减少昂贵的旋转备用和满足用电需求增长而需要的 发电容量投资,有利于电力系统的安全经济运行,削弱电力市场中市场势力的影响,抑制价格尖 峰。因此精准地对可中断负荷进行预测对于电力部门的调度安排有着重要的意义。

可中断负荷预测属于短期负荷预测领域，短期负荷变化受到各种因素影响，比如当地的 社会经济的发展，气候条件，地区内工业、旅游业等的影响，其中，气候条件对于地区内的 负荷也有比较显著的影响，在对负荷数据进行分析研究后可以发现，地区的负荷变化与影响 因素之间存在非线性关系，由于影响因素众多，负荷预测的基本思路就是找到影响因素与负 荷之间的非线性关系，这也是负荷预测的基本研究方向。由于影响因素和负荷之间是一种非 线性关系，人工神经网络、支持向量机等一些智能算法具有很好的非线性拟合能力，所以在 现在的负荷预测中，智能算法在国内外研究中占了很高比重，主要工作就是优化算法，优化 输入以此来达到更好的预测精度。

文献[李元诚，方廷健，于尔铿.短期负荷预测的支持向量机方法研究中国电机工程学报. 2003]对支持向量机法在负荷预测领域的应用做了研究，但该模型选取的历史日期不能很好地 反映预测日的信息特征，对于预测的可靠性和准确率将大大降低。

国家知识产权局于2015年12月23日公开了专利名称为“实现多源异构数据融合的多核 函数学习SVM的Mapreduce化短期负荷预测方法”、申请号为“201510681565.5”的中国专 利，其，通过采用多核函数来有效处理影响负荷预测的多源异构数据，包括历史负荷数据、 气象因素、日类型、节假日信息、电价信息、交通信息等，将多源异构数据进行有效融合， 提高了核机器的性能以更好的利用不同数据源中的信息。但是没有用相似日期的信息进行训 练，不能很好的反映待预测日信息。

发明内容

本发明针对以上问题，提供了一种考虑了预测日的天气、日期属性等特征信息，可有效 提高预测的可靠性及准确性的可中断负荷预测方法。

本发明的技术方案是：包括如下步骤：

1)、输入历史负荷及历史天气日期数据，利用K-means聚类法进行负荷聚类：

1.1)、从n个历史负荷数据对象按照天气、日期属性信息选取k种不同类别对象作为初 始聚类中心；

1.2)、计算每个对象与各个聚类中心的欧式距离，分配给与其距离最近的的聚类中心所 代表的类，欧式距离计算公式为：

式中：x_1i、x_2i分别为聚类中心与样本的各点坐标，N是每个历史负荷所包含的点数。

1.3)、计算每个类别中所有对象的均值作为该类别的新聚类中心，计算所有样本到其所 在类别聚类中心的平方和J(C)的值，计算公式为：

式中μ_k为聚类中心的坐标，x_i为各样本的坐标，C_k是类别数，K是每个类别包含的对象 个数。

1.4)、如聚类中心发生改变，则转到步骤1.2)，如不变，则聚类结束；

2)、查询待预测日天气、日期属性信息，根据聚类结果找到与预测日信息相符合的历史 日期负荷；

3)、输入步骤2)找到的历史日期负荷，进行SVM负荷预测：

3.1)、将步骤2)找到的历史日期负荷作为预测样本，建立决策函数：

式中：a_i为拉格朗日乘子，K(x_i,x)为核函数，b为阈值，l是决策函数的个数。

3.2)、通过SVM算法求解得到拉格朗日乘子a_i、的值；

3.3)、将得到的拉格朗日乘子代入决策函数，利用预测样本对负荷进行SVM预测。

所述步骤1)中利用K-means聚类法进行负荷聚类，将历史负荷按天气、日期属性信息 分为晴天工作日、晴天休息日、雨天工作日、雨天休息日。

所述步骤1.4)中的聚类结束的指令是各类总的距离平方和J(C)最小。

所述步骤3.2)中通过SVM算法求解拉格朗日乘子时，选取的向量机参数为：C＝50，σ＝2， ε＝0.001。

所述步骤3.3)在进行SVM负荷预测时，决策函数中选用的核函数模型为高斯核函数与 多项式核函数按照一定的权重组合而成的全新核函数：

K＝αK_G+(1-α)K_P

式中：α表示权重系数，K_G为高斯核函数，K_P为多项式核函数。

所述权重系数α＝0.5。

本发明的有益效果是：本发明在建立支持向量机预测模型时，先利用K-means聚类算法 进行负荷聚类，并选取与预测日信息相符合的相似日期负荷作为输入数据，充分考虑了预测 日的天气、日期属性等信息特征，有效提高了预测的准确性；在进行支持向量机负荷预测时， 选用的核函数模型为高斯核函数与多项式核函数按照一定的权重组合而成的全新核函数，该 核函数充分结合了高斯核函数的对一定距离内的样本具有很好的学习能力以及多项式核函数 泛化性能比较强，能很好地提取样本数据的全局性的优点，很好地提高了模型的综合性能。

附图说明

图1是本发明的可中断负荷预测方法的整体流程示意图，

图2是聚类算法流程图，

图3是核函数模型图，

图4是实施例中每类聚类中心曲线，

图5是实施例中的聚类结果，

图6是实施例中12月31日预测负荷与实际负荷，

图4中(a)表示晴天节假日的聚类中心曲线，(b)表示雨天节假日的聚类中心曲线，(c) 表示晴天工作日的聚类中心曲线，(d)表示雨天工作日的聚类中心曲线，

图5中(a)表示晴天节假日的聚类结果，(b)表示雨天节假日的聚类结果，(c)表示晴天工作日的聚类结果，(d)表示雨天工作日的聚类结果。

具体实施方式

下面结合附图对本发明作具体说明。

图2显示了聚类算法的过程，将一个数据集合区分为若干个不同子集的过程就是聚类， 并同时满足使得不同集合中的数据对象则是不相似的，而同一集合内的数据对象相似度较高。 其中提到的相似或不相似的度量，是基于数据对象描述属性的取值来确定的。通常则利用各 个聚类间的距离来描述集合之间的相似程度。聚类分析的基本原则是使类中对象最大程度地 相似，不同类间的对象相似度则达到最小。聚类主要包括以下几个过程:如图所示，首先进行 数据准备，特征选择提取；其次选择一个合适的距离函数度量其相似程度，然后执行聚类； 然后评估聚类的结果并对结果进行修改调整，最后得到最终的聚类结果

图3显示了本发明的支持向量机核函数模型，式中：K_G为高斯核函数，K_P为多项式核函数，α为权重系数，本发明取α＝0.5。综合了高斯核函数的对一定距离内的样本具有很好的学习能力以及多项式核函数泛化性能比较强，能很好地提取样本数据的全局性的优点。

图1显示了本发明的可中断负荷预测方法，包括以下步骤：

1)、输入历史负荷及历史天气日期数据，利用K-means聚类法(硬聚类算法)进行负荷 聚类，将历史负荷按天气、日期属性信息分为晴天工作日、晴天休息日、雨天工作日、雨天 休息日：

1.1)、从n个历史负荷数据对象按照天气、日期属性信息选取k种不同类别对象作为初 始聚类中心；

1.2)、计算每个对象与各个聚类中心的欧式距离，分配给与其距离最近的的聚类中心所 代表的类，欧式距离计算公式为：

式中：x_1i、x_2i分别为聚类中心与样本的各点坐标，N是每个历史负荷所包含的点数，一 般是96个点(隔15分钟取样一次)。

1.3)、计算每个类别中所有对象的均值作为该类别的新聚类中心，计算所有样本到其所 在类别聚类中心的平方和J(C)的值，计算公式为：

式中μ_k为聚类中心的坐标，x_i为各样本的坐标，C_k是类别数，K是每个类别包含的对象 个数。

1.4)、如聚类中心发生改变，则转到步骤1.2)，如不变[即各类总的距离平方和J(C)(各 个J(C)值之和)最小，最小的目的是聚类更加紧凑和相似，取得最小值后就聚类成功]，则 聚类结束；

2)、查询待预测日天气、日期属性信息，根据聚类结果找到与预测日信息相符合的相似 (天气、日期属性相类似，比如都是晴天、工作日)历史日期负荷；

3)、输入步骤2)找到的历史日期负荷，进行SVM负荷预测：

3.1)、将步骤2)找到的历史日期负荷作为预测样本，建立决策函数：

式中：a_i为拉格朗日乘子，K(x_i,x)为核函数，b为阈值，l是决策函数的个数。

3.2)、通过SVM算法求解得到拉格朗日乘子a_i、的值，计算时选取的向量机参数为： C＝50，σ＝2，ε＝0.001，该参数很好地体现了向量机法的学习能力；

3.3)、将得到的拉格朗日乘子代入决策函数，利用预测样本对负荷进行SVM预测。

实施例

首先对某企业2017年12月份可中断负荷日负荷数据进行聚类，由于12月份温度基本相 似，因此根据是否下雨及是否放假将负荷分为4类，即晴天节假日，雨天节假日，晴天工作 日和雨天工作日，得到图4结果。

由图4分类结果可以看出：利用k-means方法进行负荷曲线聚类，待聚类的31个样本都 被划分到各自的类别中，并没有遗漏任何一个，并且如图5所示，基本上每类中的曲线与原 聚类中心具有很高的相似度。

对12月31日可中断负荷日负荷曲线进行预测，首先查询31日的基本信息，找到对应的 类别，输入数据进行预测，预测结果如图6所示。

由图6结果可以看出，预测值与实际值除了在个别点有所相差之外几乎重合在一条曲线中， 在8点时预测负荷和实际负荷相差较大可能是因为受企业早高峰自身生产计划的调整。总体 来看该方法预测结果准确率较高，达95％以上。

Claims (6)

1.一种可中断负荷预测方法，其特征在于，包括如下步骤：

1)、输入历史负荷及历史天气日期数据，利用K-means聚类法进行负荷聚类：

1.1)、从n个历史负荷数据对象按照天气、日期属性信息选取k种不同类别对象作为初始聚类中心；

1.2)、计算每个对象与各个聚类中心的欧式距离，分配给与其距离最近的的聚类中心所代表的类，欧式距离计算公式为：

式中：x_1i、x_2i分别为聚类中心与样本的各点坐标，N是每个历史负荷所包含的点数。

1.3)、计算每个类别中所有对象的均值作为该类别的新聚类中心，计算所有样本到其所在类别聚类中心的平方和J(C)的值，计算公式为：

式中μ_k为聚类中心的坐标，x_i为各样本的坐标，C_k是类别数，K是每个类别包含的对象个数。

1.4)、如聚类中心发生改变，则转到步骤1.2)，如不变，则聚类结束；

2)、查询待预测日天气、日期属性信息，根据聚类结果找到与预测日信息相符合的历史日期负荷；

3)、输入步骤2)找到的历史日期负荷，进行SVM负荷预测：

3.1)、将步骤2)找到的历史日期负荷作为预测样本，建立决策函数：

式中：a_i为拉格朗日乘子，K(x_i,x)为核函数，b为阈值，l是决策函数的个数。

3.2)、通过SVM算法求解得到拉格朗日乘子a_i、的值；

3.3)、将得到的拉格朗日乘子代入决策函数，利用预测样本对负荷进行SVM预测。

2.根据权利要求1所述的一种可中断负荷预测方法，其特征在于，所述步骤1)中利用K-means聚类法进行负荷聚类，将历史负荷按天气、日期属性信息分为晴天工作日、晴天休息日、雨天工作日、雨天休息日。

3.根据权利要求1所述的一种可中断负荷预测方法，其特征在于，所述步骤1.4)中的聚类结束的指令是各类总的距离平方和J(C)最小。

4.根据权利要求1所述的一种可中断负荷预测方法，其特征在于，所述步骤3.2)中通过SVM算法求解拉格朗日乘子时，选取的向量机参数为：C＝50，σ＝2，ε＝0.001。

5.根据权利要求1所述的一种可中断负荷预测方法，其特征在于，所述步骤3.3)在进行SVM负荷预测时，决策函数中选用的核函数模型为高斯核函数与多项式核函数按照一定的权重组合而成的全新核函数：

K＝αK_G+(1-α)K_P

式中：α表示权重系数，K_G为高斯核函数，K_P为多项式核函数。

6.根据权利要求1所述的一种可中断负荷预测方法，其特征在于，所述权重系数α＝0.5。