一种面向运行可靠性的短期负荷预测建模方法技术

本发明专利技术公开了一种面向运行可靠性的短期负荷预测建模方法，在借鉴人工智能与机器学习方法构成的组合预测方法的基础上，通过采用改进的模糊C均值聚类方法提取相似日，其次根据负荷特性和相似日构造数据样本，采用db4小波分解出不同数据样本的低频周期分量以及高频波动分量，再采用改进的粒子群和相关向量机(PSO‑RVM)算法分别对低频周期分量以及高频随机分量进行预测，最后将各小波预测结果叠加，计算得到短期负荷的预测值，以供可靠性评估安全性计算采用，同时可计算给出概率分布，供充裕度计算使用。

A Short-term Load Forecasting Modeling Method for Operational Reliability

The invention discloses a short-term load forecasting modeling method oriented to operational reliability. On the basis of combining forecasting method composed of artificial intelligence and machine learning method, similar days are extracted by using improved fuzzy C-means clustering method. Secondly, data samples are constructed according to load characteristics and similar days, and low-frequency periodic components of different data samples are decomposed by DB4 wavelet. Then, the improved particle swarm optimization and correlation vector machine (PSO_RVM) algorithm are used to predict the low-frequency periodic component and high-frequency random component respectively. Finally, the wavelet prediction results are superimposed to calculate the short-term load predictions for reliability evaluation and safety calculation. At the same time, the probability distribution can be calculated and given for adequacy calculation.

【技术实现步骤摘要】
一种面向运行可靠性的短期负荷预测建模方法
本专利技术涉及电力系统运行可靠性计算领域，特别涉及一种面向运行可靠性的短期负荷预测建模方法。
技术介绍
电力系统运行可靠性需计及设备自身健康状况、外部环境条件、系统运行条件和系统运行行为，在潮流计算和稳定计算基础上，以得到不同负荷水平下的系统短期充裕度和安全性指标。为反应系统短期运行行为对运行可靠性的影响，仅建立负荷概率模型远远不能满足系统安全性评估的要求，因此，需建立一种面向运行可靠性的短期负荷预测模型，以满足系统短期充裕度和安全性指标的计算精度和速度的要求。目前，如何利用海量数据建立可靠的预测模型、提出高效的预测方法是短期负荷预测研究的重点和难点，其中以神经网络、支持向量机为代表的人工智能与机器学习方法得到了不断的发展与应用。文献[1-2]综合考虑天气、温度、日期类型等因素的影响建立了短期负荷预测模型，利用改进的粒子群算法对模型的初始参数进行优化，之后采用LM学习算法对优化后的网络进行训练，以达到提高预测精度的目的。为充分挖掘历史数据特征，文献[3]基于负荷序列分段下模式相似度量原理，采用模糊聚类与函数小波核回归组合预测模型，建立基于数据本文档来自技高网...

【技术保护点】
1.一种面向运行可靠性的短期负荷预测建模方法，其特征在于：所述方法包括以下步骤：步骤S1：取样本历史负荷数据，根据影响因素对短期负荷做分类处理，采用模糊C均值聚类方法FCM以提取出与预测日相似特征的负荷数据，从而构成相似日负荷集；步骤S2：采用db4小波对训练样本进行3层小波分解和重构，每个训练样本得到1个低频分量和3个高频分量子序列，采用各聚类负荷序列对应各层小波构造不同训练样本；步骤S3：改进PSO‑RVM回归拟合，采用粒子群算法PSO对高斯核函数的带宽参数进行优化，以提高带宽；步骤S4：使用改进的PSO‑RVM算法分别对低频周期分量以及高频波动分量进行预测，将各小波预测结果叠加。

【技术特征摘要】
1.一种面向运行可靠性的短期负荷预测建模方法，其特征在于：所述方法包括以下步骤：步骤S1：取样本历史负荷数据，根据影响因素对短期负荷做分类处理，采用模糊C均值聚类方法FCM以提取出与预测日相似特征的负荷数据，从而构成相似日负荷集；步骤S2：采用db4小波对训练样本进行3层小波分解和重构，每个训练样本得到1个低频分量和3个高频分量子序列，采用各聚类负荷序列对应各层小波构造不同训练样本；步骤S3：改进PSO-RVM回归拟合，采用粒子群算法PSO对高斯核函数的带宽参数进行优化，以提高带宽；步骤S4：使用改进的PSO-RVM算法分别对低频周期分量以及高频波动分量进行预测，将各小波预测结果叠加。2.根据权利要求1所述的一种面向运行可靠性的短期负荷预测建模方法，其特征在于：所述步骤S1进一步包括以下步骤：步骤S11：利用Sturges公式和二分法确定最佳分类数N以进行模糊聚类，具体步骤如下：A.按Sturges公式确定最大分类数为NH＝1+log(X)/log(2)，最小分类数NL＝1；B.令分别取NC＝NZ-1、NZ、NZ+1，进行聚类分析并存储相应的分析结果，同时得到模型的显著性水平U1、U2、U3；采用模型的显著性水平来表征聚类方案的好坏，其中d0为各聚类中心Ci间最小距离，即d0＝min(|Ci-Ci+1|)；σl为每个分类中各样本Ai＝{ai1…ail}与该类中心Ci＝{ci1…cil}的最大距离，即C.若U2≥U1且U2≥U3，则转D；若U1≤U2≤U3，则取NL＝NZ；若U3≤U2≤U1，则取NH＝NZ；若NL＝NH，则转D，否则转B；D.计算结束；步骤S12：对训练样本进行聚类后，确定最佳聚类数；步骤S2：采用db4小波对训练样本进行3层小波分解和重构，每个训练样本得到1个低频分量和3个高频分量子序列，采用各聚类负荷序列对应各层小波构造不同训练样本。3.根据权...

【专利技术属性】
技术研发人员：何晔，李欢，丁宇洁，李秀萍，徐小东，罗勇，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州,52