考虑气象因素的精细化短期负荷预测方法、装置及介质制造方法及图纸

本发明专利技术公开了考虑气象因素的精细化短期负荷预测方法、装置及介质，所述方法：基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为决策树算法的输入向量；在对用户的历史负荷数据进行聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类；采用Elman神经网络对某用户进行短期负荷预测。与现有技术相比，本发明专利技术通过建立考虑气象因素的精细化短期负荷预测模型，能够达到对用户级的精细化负荷预测的目的，提高短期负荷预测的精度。

Refined short-term load forecasting method, device and medium considering meteorological factors

【技术实现步骤摘要】
考虑气象因素的精细化短期负荷预测方法、装置及介质
本专利技术涉及电力系统
，尤其涉及考虑气象因素的精细化短期负荷预测方法、装置及介质。
技术介绍
短期负荷预测是电网能量管理系统的重要功能，是电力系统安全、经济、可靠运行的基础。负荷预测的精度直接影响电力系统的安全性、经济性和供电质量。因此如何提高预测精度是目前短期负荷预测技术研究的重点。现有技术下，用于短期负荷预测的方法主要有传统预测方法和现代预测方法两大类。传统预测方法包括指数平滑法、回归分析法、时间序列法、灰色预测法等。其中以时间序列法应用最为广泛。时间序列法针对一维时间序列，以历史负荷数据为依据推断未来负荷的数值变化，没有考虑气象因素对负荷的影响，造成重要信息的缺失。有些方法即使考虑了气象因素的影响，也多是分析日负荷与最高温度、最低温度等单个气象因素的关系，不能反映所有的气象信息，容易造成分析结果出现误差，从而影响短期负荷预测的精度，难以满足地区负荷预测的需要。现代预测方法主要有专家系统法、遗传算法、神经网络法、支持向量机等。神经网络由于自学习能力和对复杂非线性系统处理能力，成为短期负荷预测的一种重要方法。由于神经网络的结构和参数多依据主观经验确定，因此难以保证预测的效果。合理确定神经网络的结构和参数可有效提高负荷预测的精度。对于以往预测方法的不足，不能解决大数据背景下的用户精细化负荷预测问题。随着电力大数据的不断发展与积累，如何处理海量电力数据与负荷特性影响因素的关系，从而得到精细化的短期负荷预测，值得进一步探究。气象、日期类型等因素对不同类型用户的负荷特性影响程度不同，需要研究基于用户负荷特性分析的短期负荷预测。
技术实现思路
本专利技术所要解决的技术问题在于，提供考虑气象因素的精细化短期负荷预测方法、装置及介质，能够达到对用户级的精细化负荷预测的目的，提高短期负荷预测的精度。为解决上述问题，本专利技术实施例提供一种考虑气象因素的精细化短期负荷预测方法，包括：S1.基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为决策树算法的输入向量；S2.在对用户的历史负荷数据进行聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类；S3.采用Elman神经网络对某用户进行短期负荷预测。优选地，步骤S1，包括：S11.确定定量分析过程中需要使用的参考序列和比较序列；其中，所述参考序列为系统特征序列，所述比较序列为影响因素序列；设参考序列为Y＝(y1y2...yt)T，yi(i＝1,2,...,t)代表参考序列各点的数值，t代表总的数据量，影响因素X1,X2,...,Xn构成的比较序列矩阵可以用以下形式来表示：上式中，n表示在整个评估过程中，需要评价的影响因子的个数；S12.采用最大值对数据集进行归一化处理，计算公式如下所述：归一化后的所述参考序列和所述比较序列，分别为：S13.将所述参考序列和所述比较序列看成多维空间中的点，在特定的t维空间中研究各个影响因素与系统特征之间的关系，差序列的计算公式如下所述：则差值矩阵为Δ：S14.关联系数反映了系统特征序列同各影响因素序列之间在不同时间点的关联性，计算公式如下所述：上式中，ρ∈(0，1)被称为分辨系数，ρ越小则分辨力越强，取ρ＝0.5；通过上述公式计算出各时间点的系统特征序列与各影响因素序列的关联系数，得到关联系数矩阵如下：S15.将各个时间点的关联系数进行加权求和，如下述公式所示：上式中：Lj为系统特征序列与第j个影响因素的关联度，ω(i)为第i个时间点的关联系数权重；设置阈值变量θ，当Lj>θ时，判定系统特征序列与影响因素j之间存在相关性，并且Lj越大，相关性越强。优选地，步骤S2，具体的：基于CART决策树算法实现对待预测日的负荷曲线类型的辨识；其中，CART决策树算法建立模型时包含了建树与剪枝两个过程，剪枝过程用于防止训练数据的过度拟合，CART决策树分类算法的建树过程以样本数据的基尼系数最小为目标，选择最优的类别划分，递归地建立二叉树，并且每一次节点的分裂会产生两个子节点；CART决策树算法的停止条件是：节点中的样本数小于给定阈值或者基尼系数小于给定阈值。优选地，Elman神经网络包括输入层、隐含层、承接层与输出层；步骤S3，具体的：构造如下Elman神经网络非线性状态空间表达式：x(k)＝f(w1xc(k)+w2(μ(k-1))+b1)；上述公式中，w1代表输入层到隐含层的权值；xc(k)代表承接层的输出；x(k)代表承接层的输出；w2代表承接层到隐含层的权值；μ(k-1)代表网络模型的输入；b1为输入层的阈值；f(·)是隐含层的传递函数，常用S型函数；xc(k)＝x(k-1)；上述公式代表：承接层记忆了隐含层前一时刻的输出x(k-1)；y(k)＝g(w3x(k)+b2)；上述公式中，w3代表隐含层到输出层的权值；b2为隐含层的阈值；g(·)是输出层的传递函数，常用线性函数；Elman神经网络使用误差平方和函数作为学习指标函数，计算公式如下：上式中，对应目标对象的输入向量。本专利技术实施例还提供一种考虑气象因素的精细化短期负荷预测装置，包括：输入单元，用于基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为决策树算法的输入向量；分类单元，用于在对用户的历史负荷数据进行聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类；预测单元，用于采用Elman神经网络对某用户进行短期负荷预测。本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的考虑气象因素的精细化短期负荷预测方法。实施本专利技术实施例具有如下有益效果：本专利技术基于聚类分析以及负荷特性影响因素的定量分析结果，根据决策树等算法建立分类规则，得到待预测日的同类型日数据集，最后，将Elman神经网络应用于短期负荷预测，作为待预测日的负荷模型，达到精细化负荷预测的目的，提高短期负荷预测的精度。附图说明图1是本专利技术一个实施例提供的考虑气象因素的精细化短期负荷预测方法的流程示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。...

【技术保护点】
1.一种考虑气象因素的精细化短期负荷预测方法，其特征在于，包括：/nS1.基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为决策树算法的输入向量；/nS2.在对用户的历史负荷数据进行聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类；/nS3.采用Elman神经网络对某用户进行短期负荷预测。/n

【技术特征摘要】
1.一种考虑气象因素的精细化短期负荷预测方法，其特征在于，包括：
S1.基于灰色关联度分析方法，定量分析气象因素对用电负荷特性的影响，并选取若干关键影响因素，作为决策树算法的输入向量；
S2.在对用户的历史负荷数据进行聚类分析后，为每一条日负荷曲线建立类别标签，并通过决策树算法建立分类规则，将待预测日进行分类；
S3.采用Elman神经网络对某用户进行短期负荷预测。


2.根据权利要求1所述的考虑气象因素的精细化短期负荷预测方法，其特征在于，步骤S1，包括：
S11.确定定量分析过程中需要使用的参考序列和比较序列；其中，所述参考序列为系统特征序列，所述比较序列为影响因素序列；
设参考序列为Y＝(y1y2...yt)T，yi(i＝1,2,...,t)代表参考序列各点的数值，t代表总的数据量，影响因素X1,X2,...,Xn构成的比较序列矩阵可以用以下形式来表示：



上式中，n表示在整个评估过程中，需要评价的影响因子的个数；
S12.采用最大值对数据集进行归一化处理，计算公式如下所述：



归一化后的所述参考序列和所述比较序列，分别为：






S13.将所述参考序列和所述比较序列看成多维空间中的点，在特定的t维空间中研究各个影响因素与系统特征之间的关系，差序列的计算公式如下所述：



则差值矩阵为Δ：



S14.关联系数反映了系统特征序列同各影响因素序列之间在不同时间点的关联性，计算公式如下所述：



上式中，ρ∈(0，1)被称为分辨系数，ρ越小则分辨力越强，取ρ＝0.5；通过上述公式计算出各时间点的系统特征序列与各影响因素序列的关联系数，得到关联系数矩阵如下：



S15.将各个时间点的关联系数进行加权求和，如下述公式所示：



上式中：Lj为系统特征序列与第j个影响因素的关联度，ω(i)为第i个时间点的关联系数权重；
设置阈值变量θ，当Lj>θ时，判定系统特征序列与影响因素j之间存在相关性，并且Lj越大，相关性越强。


3.根据权利要求1所述的考虑气象因素的精细化短期负荷预测方法，...

【专利技术属性】
技术研发人员：席云华，董楠，蒙文川，
申请(专利权)人：南方电网能源发展研究院有限责任公司，
类型：发明
国别省市：广东;44