一种基于“聚类-回归”模型的短期负荷预测方法技术

本发明专利技术针对电力行业短期负荷预测问题，公开了一种基于“聚类‑回归”模型的短期负荷预测方法。传统的负荷预测方法一般只基于“回归”模型，将影响电力负荷的因素作为属性，进行回归预测。在这个过程中，往往需要将非结构化信息结构化，而且人为因素影响较大。本发明专利技术的目的在于克服上述不足，提出一种基于“聚类‑回归”模型的短期电力负荷预测方法：第一步，对用户用电特征进行聚类分析，用电特征类似的用户聚为一簇，得到表征簇内用户用电水平的簇负荷特性曲线；第二步，将簇负荷特性曲线作为区域总负荷的属性因子，训练模型，进行回归预测。新方法的性能更好，在电力行业短期负荷预测问题中具备很好的实践应用价值。

【技术实现步骤摘要】
一种基于“聚类-回归”模型的短期负荷预测方法
本专利技术涉及一种短期电力负荷预测方法，尤其涉及一种“聚类-回归”模型的短期负荷预测方法，属于电力负荷预测领域。
技术介绍
电力负荷预测是电力工作者们最为关注的问题之一，并在保障电力系统的安全、稳定、经济运行中起着至关重要的作用，特别是短期负荷预测对于保证电网经济运行、合理调度、安排机组启停和检修均具有重大意义。随着电网智能化程度的不断提高，智能抄表系统的不断普及，针对电力用户用电特征的高精度负荷预测必将会对电力系统的各个环节产生影响。因此，新形势下高精度负荷预测的研究具有现实意义。近年来，随着机器学习、数据挖掘、模式识别等理论的日益发展，基于电力大数据的负荷预测方法与理论也得到了快速的发展:1)偏最小二乘法与反向传播人工神经网络算法结合的负荷预测方法。人工神经网络算法应用范围很广，其较强的非线性映射能力很好的解决了实际中建模困难的问题，但是其局限性在于网络训练过程中容易出现学习不足和过拟合，收敛速度慢，易陷入局部最优。2)传统的基于模糊理论的方法也可以应用于负荷预测、气象评判以及负荷日类型划分，其不足之处在于模糊学习能力较弱，当映射划分不够细致时，输出比较粗糙。而且在引入天气状况、温度、人体舒适度时，这些指标虽可以作为负荷预测的参考量，但是在具体量化处理时，精度很难把握，主观因素影响较大。3)电力系统负荷呈现很强的周期性，以天、周、月、年为周期相互嵌套，通过小波变换将嵌套在一起的混合频率信号分解在不同的频率子带上，对各子带进行预测和重构，达到预测整体负荷的目的，但是预测结果与小波基的选择有很大关联，而小波基的选择是个难点。
技术实现思路
本专利技术提供了一种基于“聚类-回归”模型的短期负荷预测方法，该方法从分析影响负荷的用户用电特征入手，能够进行针对性更强、更加精确的用户用电负荷预测。实现上述目的的一种技术方案是：一种基于“聚类-回归”模型的短期负荷预测方法，包括如下步骤：1、一种基于“聚类-回归”模型的短期负荷预测方法，其特征在于，包括如下步骤：S101：原始数据预处理步骤，包括数据清洗步骤与数据规范化步骤；S2：聚类步骤，包括如下几个子步骤；S201：对S101处理过后的用户用电原始数据选取五个特征：“总用电量、”“峰用电量”、“平用电量”、“谷用电量”以及“最大功率”并进行转化，采用比值转化的方法得到四个描述电力用户用电特征的物理量：峰总比、谷总比、平总比、负荷率，定义如下:其中，r1表示峰总比，r2表示谷总比，r3表示平总比，η表示负荷率，Loverall表示总电量，Lpeak表示峰电量，Lvalley表示谷电量，Lflat表示平电量，Pmax表示最大功率；S202：对电力用户按照S201中得到的峰总比、谷总比、平总比、负荷率四个属性采用聚类算法进行聚类；S203：通过聚类，用电特征类似的用户聚为一簇，簇内用户的用电特征采用用簇负荷特性曲线来表示，簇负荷特性曲线计算如下：对于簇Ci中的ni个用户，可得到C条簇负荷曲线，如下所示:Load(i)＝[l1,l2,L,lj]T，i∈[1,C]，j∈[1,96]其中，Load(i)是簇Ci的簇负荷曲线向量，96维，簇负荷曲线向量元素是lj，lj是簇Ci所包含的用户在第j时刻的负荷均值；S204：将得到的簇负荷特性曲线作为区域负荷的属性，区域负荷作为标签，构成对应的属性+标签的数据集；S3：回归预测步骤，包括以下子步骤；S301：对数据集采用回归算法进行回归，结合S204中得到的数据集，训练模型；S302：回到步骤S2，重新依次进行聚类步骤的各项子步骤及S301步骤，在S202选用新的聚类算法，在S301选用新的回归算法，并使得聚类算法和回归算法排列组合，得到不同的“聚类-回归”模型，并通过现有数据选用各模型中对该用户区域预测精确性高的模型；S303：选用S302中训练好的模型进行回归预测。进一步的，在所述步骤S101中，所述数据清理步骤为剔除离群数据，缺失的数据用插值的方法进行补全；所述数据规范化步骤采用的方法有min-max标准化(Min-maxnormalization)、log函数转换、z-score标准化(zero-menanormalization)或比值转化。进一步的，其特征在于，在所述步骤S202中，所述聚类算法包括K均值(k-means)、模糊C均值聚类(fuzzyc-meanclustering,FCM)或谱聚类(spectralclustering,SC)。进一步的，其特征在于，在所述步骤301中，所述回归算法包括基于神经网络方法的广义回归神经网络(generalregressionneuralnetwork,GRNN)或支持向量回归(supportvectormachineregression，SVR)。本专利技术的一种基于“聚类-回归”模型的短期负荷预测方法，考虑了电力用户的用电特征，预测具有针对性，用簇负荷特性曲线作为区域总负荷的属性因子，从而达到提高负荷预测精度的目的。首先对电力用户按用电特征聚类分簇，用电特征相似的用户成为一簇，得到每个簇的负荷特性曲线。对于某区域的负荷，是由这些簇负荷特性曲线按一定的规则组合而成的，所以这些曲线可当做区域总负荷的属性因子，经训练可得到预测模型。本专利技术与传统的不经过“聚类”直接“回归”的负荷预测方法相比具有以下优势：1)聚类阶段对用户用电特征进行了细化分析，用电特征类似的用户成为一簇，因为充分考虑了用户用电特征，使得下一步回归预测具有针对性，提高负荷预测精度。2)将簇负荷特性曲线考虑为印象区域总负荷的属性因子，避免了在负荷预测时采用非结构化信息，避免误差引入，影响负荷预测精度。附图说明图1为本专利技术的一种基于“聚类-回归”模型的短期负荷预测方法算法流程图；图2为聚类步骤S2采用三种聚类方法得到的簇负荷特性曲线。具体实施方式下面结合附图进一步详细描述本专利技术的技术方案，但本专利技术的保护范围不局限于以下所述。如附图1所示，本专利技术的一种基于“聚类-回归”模型的短期负荷预测方法，通过以下技术方案来实现的：数据预处理步骤；聚类步骤；回归预测步骤。数据预处理步骤剔除坏数据，补全缺失数据，得到可靠的预处理数据；聚类步骤对预处理数据进行用户用电特征数据进行聚类分析，用电特征相似的用户聚为一簇，进而得到簇负荷特性曲线；将簇负荷特性曲线作为总负荷的属性因子，训练模型，进行回归预测。在回归预测之前通过聚类考虑了负荷的组成成分，使得负荷预测具有针对性，用簇负荷特性曲线作为区域总负荷的属性因子解决了传统负荷预测中将非结构化信息结构化引起的信息失真问题，从而能提高负荷预测精度。数据预处理包括如下子步骤：S101：原始数据预处理。主要包括数据清洗与数据规范化，由于电力系统中的负荷数据一般来源于计量自动化系统的自动采集，采集的数据在传输过程中可能出现错误或缺失。对离群点和遗漏的数据进行检测分析具有十分重要的意义，可以发现数据的潜在价值。剔除离群数据，缺失的数据一般可以用插值的方法来补全。数据规范化是为了便于程序统一处理，所以需要对数据进行标准化操作，标准化的方法还没有通用的法则可以遵循，常见的方法有：min-max标准化(Min-maxnormalization)，log函数转换，z本文档来自技高网...

【技术保护点】
1.一种基于“聚类‑回归”模型的短期负荷预测方法，其特征在于，包括如下步骤：S101：原始数据预处理步骤，包括数据清洗步骤与数据规范化步骤；S2：聚类步骤，包括如下几个子步骤；S201：对S101处理过后的用户用电原始数据选取五个特征：“总用电量、”“峰用电量”、“平用电量”、“谷用电量”以及“最大功率”并进行转化，采用比值转化的方法得到四个描述电力用户用电特征的物理量：峰总比、谷总比、平总比、负荷率，定义如下:

【技术特征摘要】
1.一种基于“聚类-回归”模型的短期负荷预测方法，其特征在于，包括如下步骤：S101：原始数据预处理步骤，包括数据清洗步骤与数据规范化步骤；S2：聚类步骤，包括如下几个子步骤；S201：对S101处理过后的用户用电原始数据选取五个特征：“总用电量、”“峰用电量”、“平用电量”、“谷用电量”以及“最大功率”并进行转化，采用比值转化的方法得到四个描述电力用户用电特征的物理量：峰总比、谷总比、平总比、负荷率，定义如下:其中，r1表示峰总比，r2表示谷总比，r3表示平总比，η表示负荷率，Loverall表示总电量，Lpeak表示峰电量，Lvalley表示谷电量，Lflat表示平电量，Pmax表示最大功率；S202：对电力用户按照S201中得到的峰总比、谷总比、平总比、负荷率四个属性采用聚类算法进行聚类；S203：通过聚类，用电特征类似的用户聚为一簇，簇内用户的用电特征采用用簇负荷特性曲线来表示，簇负荷特性曲线计算如下：对于簇Ci中的ni个用户，可得到C条簇负荷曲线，如下所示:Load(i)＝[l1,l2,L,lj]T，i∈[1,C]，j∈[1,96]其中，Load(i)是簇Ci的簇负荷曲线向量，96维，簇负荷曲线向量元素是lj，lj是簇Ci所包含的用户在第j时刻的负荷均值；S204：...

【专利技术属性】
技术研发人员：顾皓亮，郝珈玮，阎鼎，吴晓华，孙志恒，刘议华，邓孟华，管龙，朱钦，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：上海,31