CN110071502B - 一种短期电力负荷预测的计算方法 - Google Patents

Abstract

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。

Description

一种短期电力负荷预测的计算方法

技术领域

本发明涉及电力系统及其自动化技术领域，具体涉及一种短期电力负荷预测的计算方法。

背景技术

在电力系统的建设中，需要安全科学合理地对电能进行规划，需要在保障电能指标的情况下能够随时满足用户负荷需求。然而，由于电力系统的自身存储电力的能力不足，用户未能消耗的电能往往会白白流失，造成资源浪费。电力系统若能在电能产出时进行调控，根据用户的负荷来进行生产调解，就可以避免过多的产出。因此，精准的电力负荷预测可以极大程度的提升电能的使用效率，有效避免电能的浪费，同时，电力负荷预测对电网控制，电力系统实时调度也有极大的帮助。

随着社会各个行业快速蓬勃发展，电力系统规模越来越大越来越复杂，作为电力负荷预测的因素也开始多样化，社会、政治、天气甚至于经济因素都成为预测电力负荷的背景，传统的电力负荷预测手段难以适用于这种复杂背景下的预测分析。因此，有必要针对电力负荷预测研究精确合理，可涉及较多因素的算法，一个全面准确的负荷预测算法是电力系统可以灵活调控安全运行的重要保障。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种短期电力负荷预测的计算方法，该方法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。

本发明的目的通过下述技术方案实现：

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；

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。

优选地，所述S1中，所述聚类数据集包含所有历史电力负荷数据；预预测数据集包含预测日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’；预测日数据集包含所要预测的预测日数据。

本发明与现有技术相比具有以下的有益效果：

(1)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；

(2)本发明不仅解决了常用聚类算法对随机性强、波动频繁的负荷流聚类效果不理想的问题，还解决了传统BP神经网络算法在计算过程中存在局部最小点、收敛速度慢，预测精度低、训练时间长等问题。

附图说明

图1为本发明的流程示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，图1中的步骤1描述构建电力负荷数据集的过程和方法。通过历史负荷数据集构建聚类数据集、预测数据集与预测日数据集；其中，聚类数据集包含所有历史电力负荷数据；预预测数据集包含预测日前三个月的平均负荷v_1’，最大负荷v_2’，最小负荷v_3’，日用电量v_4’，平均气温v_5’以及天气状况k_6’；预测日数据集包含所要预测的预测日数据。

具体来说，本实施例中历史负荷数据由某工厂的历史电力负荷数据库中获取，气温数据和天气状况可以根据当地的天气预报获取。其中将历史的电力数据的时间分辨率设为半小时，即形成时间间隔为半小时的电力负荷曲线，将天气状况分为三类，分别为晴天，雨天和阴天，用1，0，-1表示；故一天的负荷曲线由50个数据点构成(一个数据点包含时间点和该时间点对应的电力负荷)。

图1中的步骤2描述构建模糊聚类的初始类中心和类别数的过程和方法。

(2.1)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，其公式如下：

x_ijk＝||x_ik-x_jk||

式中，i,j＝1,2,...,n,k＝1,2,...,m；x_ik为第i个负荷数据第k个时间点的电力负荷值；x_jk为第i个负荷数据第k个时间点的电力负荷值。

(2.2)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个电力负荷的最大负荷值，x_imin为第i个电力负荷的最小负荷值，

为第i个电力负荷的平均负荷值，x_jmax为第j个电力负荷的最大负荷值，x_jmin为第j个电力负荷的最小负荷值，

为第j个电力负荷的平均负荷值。

(2.3)构建相似时点数n_ij和最大偏离点时点数m_ij；

根据(2.2)，设定满足X_ijk≦γ的个数为n_ij，设定满足X_ijk>γ的个数为m_ij，其公式如下：

式中，i,j＝1,2,...,n；k＝1,2,...,m。

(2.4)运用基于最大偏差相似准则的聚类算法将聚类数据集进行聚类。最大偏差相似准则公式如下：

式中，n₀为[α×m]，α(0≤α≤1)；m₀为[β×m]，β(0≤β≤1-α)；

本实施例中，α设为0.9，β设为0.1；

①设置S(x_i)为空集；

②任意选取第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)，即S(x_i)＝S(x_i)∪{x_j}；其中S(x_i)为与x_i相似的曲线集合；

③将x_i从原始负荷数据集合U中删除，直至原始负荷数据集合U中没有满足最大偏差相似准则的电力负荷数据；

④检验集合U是否为空集，否则返回步骤②；

⑤获得聚类结果。

其中，本实施例中聚类后的类别数为r类。

(2.5)数据的初始聚类中心的构建，其公式如下：

式中，若x_i为令D(x_i)取得最小的负荷曲线；则x_i为S(x_i)类的类中心。

图1中的步骤3描述电力负荷数据的模糊聚类的过程和方法。

(3.1)构建模糊聚类目标函数；根据模糊聚类算法，构建下列目标函数：

(3.2)根据拉格朗日乘子法，结合约束条件，构建改进后的模糊C-均值聚类目标函数：

(3.3)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；

①类别数目c根据步骤(2.4)的聚类结果确定，即令c＝r；

②初始聚类中心选取根据步骤(2.5)所确定；

③模糊权重指数m的计算公式如下：

④根据下列式子，在第t次迭代计算中更新隶属度矩阵以及聚类中心矩阵：

其中，i＝1,2,…,n，j＝1,2,…,c；

⑤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，即将历史负荷数据分为c类；否则返回步骤④进行下一次迭代。

图1中的步骤4描述预测模型的选取的过程和方法。

(4.1)使用改进后的BP网络对负荷数据进行负荷预测之前，需要对负荷数据进行归一化，使用公式：

(4.2)将预测数据集的预测日前三个月的平均负荷v_1’，最大负荷v_2’，最小负荷v_3’，日用电量v_4’，平均气温v_5’以及天气状况k_6’放入改进后的BP神经网络进行训练，得到预测日负荷水平特征向量V＝[v₁，v₂，v₃，v₄，v₅，v₆]^T。

(4.3)计算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，本实施例中考虑的因素有6个，故n＝6；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。

(4.4)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。

(4.5)将第Q类的电力负荷数据放入预测日数据集中。

其中，改进后的BP神经网络的具体参数如下：改进后的BP神经网络中的选择操作选用轮盘赌法；遗传算法参数设置为：种群规模为30，进化次数为100，交叉概率为0.3，变异概率为0.2；BP神经网络训练方法使用梯度下降法和动量项，采用‘tansig’和‘purelin’传递函数用于隐含层和输出层的计算；其参数设置为：最大训练代数为10000，目标误差为0.0001，训练速率为0.01，动量因子为0.9。

(4.6)获得预测模型。

图1中的步骤5描述电力负荷预测的过程和方法。

(5.1)将预测日数据进行归一化处理。

(5.2)将归一化后的电力负荷数据放入步骤4所得到的预测模型进行训练。

(5.3)对待预测日的电力负荷数据进行预测，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。

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；不仅解决了常用聚类算法对随机性强、波动频繁的负荷流聚类效果不理想的问题，还解决了传统BP神经网络算法在计算过程中存在局部最小点、收敛速度慢，预测精度低、训练时间长等问题。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

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；

设定满足X_ijk≦γ的个数为n_ij，设定满足X_ijk>γ的个数为m_ij，其公式如下：

式中，i,j＝1,2,...,n；k＝1,2,...,m；

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，最大偏差相似准则公式如下：

式中，n₀为[α×m]，α(0≤α≤1)；m₀为[β×m]，β(0≤β≤1-α)；

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，其公式如下：

式中，若x_i为令D(x_i)取得最小的负荷曲线；则x_i为S(x_i)类的类中心；

S3，电力负荷数据的模糊聚类；

S3.1，构建模糊聚类目标函数，构建下列目标函数：

根据拉格朗日乘子法，结合约束条件，构建改进后的模糊C-均值聚类目标函数：

初始化聚类中心，隶属度矩阵U₁，类别数目c，模糊权重指数m，迭代次数t；

S3.2，初始化聚类中心，隶属度矩阵U₁，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；

模糊权重指数m的计算公式如下：

S3.3，更新隶属度矩阵和聚类中心，根据下列式子，在第t次迭代计算中更新隶属度矩阵以及聚类中心矩阵：

其中，i＝1,2,…,n，j＝1,2,…,c；

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。

2.根据权利要求1所述的短期电力负荷预测的计算方法，其特征在于，所述S1中，所述聚类数据集包含所有历史电力负荷数据；预测数据集包含预测日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’；预测日数据集包含所要预测的预测日数据。

Images