一种基于历史数据的城市负荷量化方法技术

发明专利技术公开了一种基于改进的分层K均值聚类算法的城市负荷量化方法，包括：包括：1采集原始数据，对原始温度数据进行处理，消除温度累积效应对负荷预测的影响；2应用分层聚类算法，根据日平均气温、节假日属性、日降水量以及各节点负荷与温度的相关系数属性进行聚类分析；3分别在每一聚类类别中一天内各采样时刻选取最接近分类中心的节点作为对应采样时刻的典型负荷；4应用二次多项式回归模型拟合各聚类类别下一天内各采样时刻城市负荷与温度的函数关系。本发明专利技术能量化温度对城市负荷的影响，并预测城市负荷，从而能准确地反映温度与城市负荷之间的关系，并避免其余气象因素的影响。

A Method of Urban Load Quantification Based on Historical Data

An improved hierarchical K-means clustering algorithm based urban load quantification method is invented and disclosed, which includes: 1. collecting original data, processing original temperature data, eliminating the effect of temperature accumulation on load forecasting; 2. applying hierarchical clustering algorithm, according to daily average temperature, holiday attributes, daily precipitation and the correlation coefficient between load and temperature at each node. Clustering analysis was carried out; 3. The nodes closest to the classification center were selected as the typical load at the corresponding sampling time in each cluster category at each sampling time in one day; 4. Quadratic polynomial regression model was used to fit the functional relationship between urban load and temperature at each sampling time in each cluster category in the next day. The invention can accurately reflect the relationship between temperature and urban load, and avoid the influence of other meteorological factors.

【技术实现步骤摘要】
一种基于历史数据的城市负荷量化方法
本专利技术涉及电力系统用电负荷预测
，尤其涉及一种基于负荷历史数据的量化温度对城市负荷影响的方法。
技术介绍
电力负荷预测为合理有序的用电方案的制定与实施提供了重要依据，预测的水平直接关系到电力系统运行的经济效益和社会效益。准确的负荷预测，可以帮助制定合理的用电方案，优化电力资源配置。随着社会经济的发展，大功率用电器的使用逐渐增多，降温取暖电器的功率在用电总负荷中的占比不断增大，温度等气象因素对城市负荷的影响更加明显。城市负荷受到多种因素影响：受季节变化的周期性影响，负荷表现出以年为周期变化的规律；节假日与工作日的差异对人们工作、生活起到了一定的影响，使得城市负荷出现变化；雨雪天气等气象条件的不同也会导致城市负荷，尤其是短期负荷造成影响。目前，传统的负荷预测方式主要是通过建立包含多种气象因素与电力系统之间的相关性模型，再根据气象因素与负荷之间的变化趋势对预测结果进行修正。这种负荷预测方式需要引入不同影响因素的权重，但不同地区的负荷与气象因素之间的关系可能存在差异，影响预测精度。
技术实现思路
本专利技术为克服现有技术的不足之处，提出一种基于历史数据的城市负荷量化方法，以期能量化温度对城市负荷的影响，并预测城市负荷，从而能准确地反映温度与城市负荷之间的关系，并避免其余气象因素的影响。本专利技术为解决技术问题采用如下技术方案：本专利技术一种基于历史数据的城市负荷量化方法，应用于包含N个负荷节点的城市电力系统中，将所述负荷节点记为{L1,L2,…,Li,…,LN}，Li表示第i个负荷节点，i＝1,2,…,N，其特点在于，所述城市负荷量化方法是按如下步骤进行：步骤1：以时间t为采样周期，采集第i个负荷节点Li在历史第a日第b个采样时刻tb的负荷数据Pi_a_b、温度数据Ti_a_b以及降水量数据Ri_a_b，从而得到所有负荷节点在历史A日所有采样时刻的负荷数据、温度数据以及降水量数据；a＝1,2,…,A，b＝1,2,…,B，A表示总采样天数，B表示一天内总采样时刻；步骤2：利用分层聚类算法根据日平均气温数据、每日的节假日属性、日降水量数据以及负荷与温度的相关系数对负荷节点进行聚类分析，得到分层聚类结果；步骤3：基于所述分层聚类结果，在每个聚类类别中选取最接近分类中心的节点作为对应采样时刻的典型负荷节点；应用最小二乘法，计算各采样时刻下各典型负荷在城市总负荷中的占比；步骤4：基于各聚类类别中典型负荷节点的历史数据，应用二次回归拟合算法拟合各采样时刻下各典型负荷与温度的函数关系；考虑其在城市负荷中的占比，量化城市总负荷受温度的影响。本专利技术所述的城市负荷量化方法的特点也在于，所述步骤2包括如下步骤：步骤2-1：计算第i个负荷节点Li历史第a日的日平均气温，从而得到第i个负荷节点Li在历史A日的日平均气温并进行降序排序，得到排序后的第i个负荷节点Li在历史A日的日平均气温，记为表示排序后的第i个负荷节点Li在历史第a日的日平均气温；步骤2-2：确定第一层聚类类别数为F；步骤2-3：指定第项为第一层聚类中第f类分组的初始项，并采用式(1)计算尚未分配的第a项与第f类分组的初始项的距离da_f，从而得到尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F}；式(1)中，表示对应第xf项的日平均气温值，f＝1,2,…,F；从尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F}获取最小距离，记为da_min，并将所述未分配的第a项划分到与所述最小距离da_min所对应的分类中，从而将尚未分配的A项均划分到与各自最小距离所对应的分类中，进而得到F类分组{Γ1,Γ2,…,Γf，…ΓF}，其中，Γf表示第f类分组，并统计第f类分组Γf内的项数，记为mf；步骤2-4：定义Mi_f为对应第i个负荷节点Li的第f类分组Γf的日平均气温的样本均值，并作为所述第i个负荷节点Li的第f类分组Γf的样本中心，从而得到第f类均值初始向量Mf＝{M1_f,M2_f,…,Mi_f,…,MN_f}；步骤2-5：采用式(2)计算所有负荷节点历史A天的日平均气温到所述第f类分组Γf的样本中心Mi_f的距离Df：步骤2-6：以距离Df最小为原则，调整所述历史A日的日平均气温分类，重新计算第i个负荷节点Li的第f类均值向量，记为M′f＝{M′1_f,M′2_f,…,M′i_f,…,M′N_f}，并重新统计第f类区间Γf内的项数m′f，采用式(3)计算第i个负荷节点Li的总均值MTi，从而得到总均值向量MT＝{MT1,MT2,…,MTi,…,MTN}：步骤2-7：采用式(4)计算所述F类分组的类内离差矩阵W1的元素w1_ij以及所述F类分组的类间离差矩阵B1的元素b1_ij，从而得到所述F类分组的类内离差矩阵W1以及所述F类分组的类间离差矩阵B1，并根据T1＝W1+B1计算总离差矩阵T1；j＝1,2,…,N；步骤2-8：根据所述F类分组的类内离差矩阵W1、类间离差矩阵B1与总离差矩阵T1，对所述F类分组进行χ2检验，得到χ2检验的计算结果；步骤2-9：拟定置信区间下的χ2临界值，判断χ2检验的计算结果是否大于自由度为n(F-1)，如果大于，则认为所述F类分组有效，并将所述F类分组作为第一层聚类分析的聚类结果；再将历史A天中与第f类分组Γf对应的所有日期加入第f个集合Af中，从而得到各类分组对应的集合{A1,A2,…,Af…,AF}；否则认为所述F类分组无效，将F+1赋值给F，并返回步骤2-3顺序执行重新分类；步骤2-10：根据历史A天每日的节假日属性，确定第二层聚类类别数K；步骤2-11：根据所述第一层聚类分析的聚类结果，根据节假日属性将所述第f个集合Af中的所有日期归类至对应的集合{Af1,Af2,…,Afk,…,AfK}，并分别统计各集合内的项数，记为{mf1,mf2,…,mfk,…,mfK}，其中，Afk表示第f个集合Af中的第k类日期，mfk表示第f个集合Af中第k类日期所包含的项数，从而完成对所述第f个集合Af的重新分类，进而完成对集合{A1,A2,…,Af…,AF}的重新分类，并将分类结果作为第二层聚类分析的聚类结果，k＝1,2,…,K；步骤2-12：定义第i个负荷节点Li的第a日的日降水量为第i个负荷节点Li的第a日B个采样时刻的降水量数据{Ri_a_1,Ri_a_2,…,Ri_a_b,…,Ri_a_B}之和；将与集合Afk中对应的各日降水量进行降序排列，得到第i个负荷节点Li与集合Afk中对应的各日期的降水量数据Rfk_i_y表示第i个负荷节点Li与集合Afk中对应的第y个降水量数据，y＝1,2,…,mfk；步骤2-13：根据降水量情况确定第三层聚类类别数H；步骤2-14：指定第项为对应集合Afk的第三层聚类第h类分组的初始项，并采用式(5)计算尚未分配的第y项与第h类分组的初始项的距离dfk_yh，从而得到尚未分配的第y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}式(5)中，Rfk_i_h表示第i个负荷节点Li与集合Afk中对应的第yfk_h项的日平均气温值，h＝1,2,…,H；从尚未分配本文档来自技高网...

【技术保护点】
1.一种基于历史数据的城市负荷量化方法，应用于包含N个负荷节点的城市电力系统中，将所述负荷节点记为{L1,L2,…,Li,…,LN}，Li表示第i个负荷节点，i＝1,2,…,N，其特征在于，所述城市负荷量化方法是按如下步骤进行：步骤1：以时间t为采样周期，采集第i个负荷节点Li在历史第a日第b个采样时刻tb的负荷数据Pi_a_b、温度数据Ti_a_b以及降水量数据Ri_a_b，从而得到所有负荷节点在历史A日所有采样时刻的负荷数据、温度数据以及降水量数据；a＝1,2,…,A，b＝1,2,…,B，A表示总采样天数，B表示一天内总采样时刻；步骤2：利用分层聚类算法根据日平均气温数据、每日的节假日属性、日降水量数据以及负荷与温度的相关系数对负荷节点进行聚类分析，得到分层聚类结果；步骤3：基于所述分层聚类结果，在每个聚类类别中选取最接近分类中心的节点作为对应采样时刻的典型负荷节点；应用最小二乘法，计算各采样时刻下各典型负荷在城市总负荷中的占比；步骤4：基于各聚类类别中典型负荷节点的历史数据，应用二次回归拟合算法拟合各采样时刻下各典型负荷与温度的函数关系；考虑其在城市负荷中的占比，量化城市总负荷受温度的影响。...

【技术特征摘要】
1.一种基于历史数据的城市负荷量化方法，应用于包含N个负荷节点的城市电力系统中，将所述负荷节点记为{L1,L2,…,Li,…,LN}，Li表示第i个负荷节点，i＝1,2,…,N，其特征在于，所述城市负荷量化方法是按如下步骤进行：步骤1：以时间t为采样周期，采集第i个负荷节点Li在历史第a日第b个采样时刻tb的负荷数据Pi_a_b、温度数据Ti_a_b以及降水量数据Ri_a_b，从而得到所有负荷节点在历史A日所有采样时刻的负荷数据、温度数据以及降水量数据；a＝1,2,…,A，b＝1,2,…,B，A表示总采样天数，B表示一天内总采样时刻；步骤2：利用分层聚类算法根据日平均气温数据、每日的节假日属性、日降水量数据以及负荷与温度的相关系数对负荷节点进行聚类分析，得到分层聚类结果；步骤3：基于所述分层聚类结果，在每个聚类类别中选取最接近分类中心的节点作为对应采样时刻的典型负荷节点；应用最小二乘法，计算各采样时刻下各典型负荷在城市总负荷中的占比；步骤4：基于各聚类类别中典型负荷节点的历史数据，应用二次回归拟合算法拟合各采样时刻下各典型负荷与温度的函数关系；考虑其在城市负荷中的占比，量化城市总负荷受温度的影响。2.如权利要求1所述的城市负荷量化方法，其特征是，所述步骤2包括如下步骤：步骤2-1：计算第i个负荷节点Li历史第a日的日平均气温，从而得到第i个负荷节点Li在历史A日的日平均气温并进行降序排序，得到排序后的第i个负荷节点Li在历史A日的日平均气温，记为表示排序后的第i个负荷节点Li在历史第a日的日平均气温；步骤2-2：确定第一层聚类类别数为F；步骤2-3：指定第项为第一层聚类中第f类分组的初始项，并采用式(1)计算尚未分配的第a项与第f类分组的初始项的距离da_f，从而得到尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F}；式(1)中，表示对应第xf项的日平均气温值，f＝1,2,…,F；从尚未分配的第a项与F类分组的初始项的距离{da_1,da_2,…,da_f,…,da_F}获取最小距离，记为da_min，并将所述未分配的第a项划分到与所述最小距离da_min所对应的分类中，从而将尚未分配的A项均划分到与各自最小距离所对应的分类中，进而得到F类分组{Γ1,Γ2,…,Γf，…ΓF}，其中，Γf表示第f类分组，并统计第f类分组Γf内的项数，记为mf；步骤2-4：定义Mi_f为对应第i个负荷节点Li的第f类分组Γf的日平均气温的样本均值，并作为所述第i个负荷节点Li的第f类分组Γf的样本中心，从而得到第f类均值初始向量Mf＝{M1_f,M2_f,…,Mi_f,…,MN_f}；步骤2-5：采用式(2)计算所有负荷节点历史A天的日平均气温到所述第f类分组Γf的样本中心Mi_f的距离Df：步骤2-6：以距离Df最小为原则，调整所述历史A日的日平均气温分类，重新计算第i个负荷节点Li的第f类均值向量，记为M′f＝{M′1_f,M′2_f,…,M′i_f,…,M′N_f}，并重新统计第f类区间Γf内的项数m′f，采用式(3)计算第i个负荷节点Li的总均值MTi，从而得到总均值向量MT＝{MT1,MT2,…,MTi,…,MTN}：步骤2-7：采用式(4)计算所述F类分组的类内离差矩阵W1的元素w1_ij以及所述F类分组的类间离差矩阵B1的元素b1_ij，从而得到所述F类分组的类内离差矩阵W1以及所述F类分组的类间离差矩阵B1，并根据T1＝W1+B1计算总离差矩阵T1；j＝1,2,…,N；步骤2-8：根据所述F类分组的类内离差矩阵W1、类间离差矩阵B1与总离差矩阵T1，对所述F类分组进行χ2检验，得到χ2检验的计算结果；步骤2-9：拟定置信区间下的χ2临界值，判断χ2检验的计算结果是否大于自由度为n(F-1)，如果大于，则认为所述F类分组有效，并将所述F类分组作为第一层聚类分析的聚类结果；再将历史A天中与第f类分组Γf对应的所有日期加入第f个集合Af中，从而得到各类分组对应的集合{A1,A2,…,Af…,AF}；否则认为所述F类分组无效，将F+1赋值给F，并返回步骤2-3顺序执行重新分类；步骤2-10：根据历史A天每日的节假日属性，确定第二层聚类类别数K；步骤2-11：根据所述第一层聚类分析的聚类结果，根据节假日属性将所述第f个集合Af中的所有日期归类至对应的集合{Af1,Af2,…,Afk,…,AfK}，并分别统计各集合内的项数，记为{mf1,mf2,…,mfk,…,mfK}，其中，Afk表示第f个集合Af中的第k类日期，mfk表示第f个集合Af中第k类日期所包含的项数，从而完成对所述第f个集合Af的重新分类，进而完成对集合{A1,A2,…,Af…,AF}的重新分类，并将分类结果作为第二层聚类分析的聚类结果，k＝1,2,…,K；步骤2-12：定义第i个负荷节点Li的第a日的日降水量为第i个负荷节点Li的第a日B个采样时刻的降水量数据{Ri_a_1,Ri_a_2,…,Ri_a_b,…,Ri_a_B}之和；将与集合Afk中对应的各日降水量进行降序排列，得到第i个负荷节点Li与集合Afk中对应的各日期的降水量数据Rfk_i＝{Rfk_i_1,Rfk_i_2,…,Rfk_i_y,…,Rfk_i_mfk}，Rfk_i_y表示第i个负荷节点Li与集合Afk中对应的第y个降水量数据，y＝1,2,…,mfk；步骤2-13：根据降水量情况确定第三层聚类类别数H；步骤2-14：指定第项为对应集合Afk的第三层聚类第h类分组的初始项，并采用式(5)计算尚未分配的第y项与第h类分组的初始项的距离dfk_yh，从而得到尚未分配的第y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}式(5)中，Rfk_i_h表示第i个负荷节点Li与集合Afk中对应的第yfk_h项的日平均气温值，h＝1,2,…,H；从尚未分配的y项与H类分组的初始项的距离{dfk_y1,dfk_y2,…,dfk_yh,…,dfk_yH}获取最小距离记为dfk_y_min，并将所有未分配的第y项划分到与所述最小距离dfk_y_min所对应的分类中，从而将尚未分配的mfk项划分到与各自最小距离所对应的分类中，进而得到H类区间{Γfk_1,Γfk_2,…,Γfk_h，…Γfk_H}，其中，Γfk_h表示第h类区间，并统计第h类区间Γfk_h内的项数，记为mfk_h；步骤2-15：定义Mfk_i_h...

【专利技术属性】
技术研发人员：李生虎，张浩，李卓鹏，蒋以天，薛静，齐涛，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34