一种基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法技术

本发明专利技术公开了一种基于BOA‑SVR和模糊聚类的分时段精细化短期负荷预测方法，包括以下步骤：S1，根据地区的历史负荷数据和特性来分析影响负荷变化的因素，并考虑实时影响因素提出分时段综合预测法；S2，利用模糊C均值聚类方法将历史数据聚类得到不同的类型，并评价其聚类效果；S3，利用动态自适应权重的方法和柯西分布逆累积部分函数对蝙蝠算法进行改进；S4，利用改进的蝙蝠算法对SVR的参数进行寻优，寻找最优参数建立SVR分时段精细化模型，将待预测各个时段平均负荷值作为SVR的输出得到预测结果；本发明专利技术可有效的提高预测精度，对于不同类型日的预测精度均可达到96％以上，且改进的蝙蝠算法有效降低预测模型的规模，明显的提高了预测模型的性能。

A refined short-term load forecasting method based on boa-svr and fuzzy clustering

【技术实现步骤摘要】
一种基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法
本专利技术涉及电力系统的负荷预测
，特别是一种基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法。
技术介绍
科学的负荷预测对电力系统许多部门有着重要的作用和意义，如今智能电网技术在不断地飞速发展，复杂的电网规模增大了电力数据的复杂程度，这就对负荷预测的准确性和实时性有更高的要求，所以这成为人们不断深入研究并发展电力系统负荷预测理论的终极目标。目前，国内外的学者对负荷预测的最优预测方法进行了深入的研究，提出了较多优化的负荷预测方法：一类是传统的统计学方法，包括线性回归法、相关性分析法、时间序列和灰色系统方法。这些预测方法运用简单，但对于一些非线性的影响因素不能很好地适用；另一类是机器学习法，包括模糊推理系统、人工神经网络、小波变换和支持向量机等。与传统的统计方法相比，机器学习法能综合分析负荷历史数据和影响因素的关系，预测精度有所提升。在这些方法中，支持向量回归SVR具有学习能力强、适应性好且适用于小样本数据学习的优点，但其预测效果受模型参数的影响较大，若参数选择不当则导致SVR的预测精度较低，预测效率也下降。蝙蝠算法(BA)是一种具有“生成+检验”特征的迭代搜索优化群智能算法，具有较强的局部搜索能力和良好全局寻优能力，适用于预测模型参数优化等方面；但其也存在易陷入局部最优解、收敛精度不高、算法收敛速度不均衡等缺点。另一方面，在研究影响负荷变化的因素时，只是考虑和分析历史数据的相似性，而且在考虑气象因素的影响时，利用气象因素对负荷的相似性来处理每日的特征气象因素，但仅仅考虑气象因素的相似性不能全面分析负荷特性，且由于影响负荷变化的因素复杂，不同因素对负荷的影响呈现非线性的特点，这样会导致预测方法精度的降低甚至失效。如今，现代负荷预测方法新的发展趋势是将数据挖掘技术用于历史负荷数据的筛选并结合机器学习方法来进行预测。
技术实现思路
为了克服上述不足，本专利技术的目的是要提供一种基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法。为达到上述目的，本专利技术是按照以下技术方案实施的：一种基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法，包括以下步骤：S1，根据地区的历史负荷数据和特性来分析影响负荷变化的因素，并考虑实时影响因素提出分时段综合预测法；S2，利用模糊C均值聚类方法将历史数据聚类得到不同的类型，并评价其聚类效果；S3，利用动态自适应权重的方法和柯西分布逆累积部分函数对蝙蝠算法进行改进；S4，利用改进的蝙蝠算法对SVR的参数进行寻优，寻找最优参数建立SVR分时段精细化模型，将待预测各个时段平均负荷值作为SVR的输出得到预测结果；进一步的，对S1中的历史负荷数据进行处理包括：第一步，数据预处理；第二步，归一化处理；所述数据预处理为：采用比较法处理历史负荷数据中的不良数据，对于单个的不良数据，将该点前后时刻的负荷数据取平均值得到该点的负荷值；对于连续出现多个的不良数据，对比某时刻的负荷值与同时刻前后不同日期的负荷平均值，若无法找到则剔除数据；所述归一化处理为：在数据预处理后，将负荷数据xi按下列公式进行归一化处理：式中：yi表示归一化处理过的负荷数据；xi为初步处理后输入的负荷数据；xmax为初步处理后样本中最大负荷数据；xmin为初步处理后样本中最小负荷数据；进一步的，根据处理过的有效负荷数据情况，利用皮尔森相关性分析法来定量分析主要影响因素和负荷之间的相关度，所述主要影响因素包括温度、湿度、风速和降水量；根据历史负荷数据日特性可以看出不同时段的负荷组成和特性变化，根据变化规律将日负荷分为若干个时段组合而成；进一步的，步骤S2中，利用模糊C均值聚类的具体方法为：设c个聚类中心为V＝{v1,v2,…,vc}，全部n个样本的聚类情况由一个隶属度矩阵U来描述，即上述式中，uij为第j个样本归属于第i类的隶属度，模糊C均值聚类按照以下规则和约束条件聚类，得到最优的分类：其中的参数设置如下：上述式中：m>1是加权指数，m越大则聚类中心越靠近隶属度较高的元素，m一般取值为2；||vi-xj||为样本xj与聚类中心vi之间的距离，其次，为了求出式中泛函Jm(U,V；X)的极小值，将得到的局部最优点的必要条件进行轮换寻优，即采用类内距离指标评价聚类后的效果，该指标表征各类别的聚类中心和其对应类中的所有元素的距离的平均值；假设聚类得到K类不同负荷特性，Ck表示各个类别中的样本集合，pik表示样本中的全部元素，nk表示各个类别中的样本数，各个类别的CTk为聚类中心，其中k＝1,2,…K。MIA的公式如下：其中，聚类效果的评价与MIA的值密切相关，值越小，得到的效果越好；MIA最小值对应的聚类数目就是模糊C均值聚类的输入聚类数，即为得到的聚类结果；进一步的，骤S3中，利用SVR构建模型的具体过程为：设训练样本集的样本数设为n，因此训练样本集可以表示为(x1,y1),(x2,y2),…(xn,yn),其中xi(xi∈Rd)是i个样本的输入向量xi＝[xi1,xi2,…,xid]T其输出值为yi(yi∈R)。将训练样本集利用非线性函数映射到高维空间，从而形成高维空间的线性函数，表达式见下式：式中：x为输入向量，xi∈Rn；w为权值矢量，w∈Rn；b为偏置值，b∈R；通过引入不敏感损失函数来评价模型的预测效果，表达式见下式：式中：f(x)为预测值；ε为不敏感损失函数；y为真实值；若y与f(x)的关系满足|y-f(x)|≤ε，则表示该不敏感损失在可接受的范围内，并近似地用数值0来表示；利用最小结构风险函数对高维空间的线性函数中w和b求解，计算公式见下式，式中：ξi,均为松弛变量；C为惩罚因子；在训练样本集时，当预测误差大于回归函数f(x)对训练误差的要求ε时，对样本的惩罚因子C会随着预测误差的增大而增大，同时f(x)的误差变化也会影响ε的值；然后，利用拉格朗日函数式将上述计算公式转换成对偶形式，所述拉格朗日函数式为：式中：ai,ai*,aj,aj*为拉格朗日乘子，ai,ai*,aj,aj*∈[0,C]；K(xi,xj)为核函数，根据高精度高运算效率的要求，选用RBF函数作为SVR的核函数，RBF核函数见下式：式中：g为核函数的参数；根据以上分析可以得到回归函数f(x)，见下式：式中：xi为支持向量；进一步的，步骤S3中，利用动态自适应权重的方法对蝙蝠算法改进的具体过程为：采用动态自适应权重的方法将蝙蝠算法中蝙蝠个体的速度公式改进为：式中：ωi(t)为动态自适应权重，所述动态自适应权重ωi(t)的表达式为：式中：t为当前迭代次数，Tmax为最大迭代次数；进一步的，步骤S3中，利用柯西分布逆累积部分函数改进蝙蝠算法的具体过程为：利用柯西分本文档来自技高网...

【技术保护点】
1.一种基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法，其特征在于，包括以下步骤：/nS1，根据地区的历史负荷数据和特性来分析影响负荷变化的因素，并考虑实时影响因素提出分时段综合预测法；/nS2，利用模糊C均值聚类方法将历史数据聚类得到不同的类型，并评价其聚类效果；/nS3，利用动态自适应权重的方法和柯西分布逆累积部分函数对蝙蝠算法进行改进；/nS4，利用改进的蝙蝠算法对SVR的参数进行寻优，寻找最优参数建立SVR分时段精细化模型，将待预测各个时段平均负荷值作为SVR的输出得到预测结果。/n

【技术特征摘要】
1.一种基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法，其特征在于，包括以下步骤：
S1，根据地区的历史负荷数据和特性来分析影响负荷变化的因素，并考虑实时影响因素提出分时段综合预测法；
S2，利用模糊C均值聚类方法将历史数据聚类得到不同的类型，并评价其聚类效果；
S3，利用动态自适应权重的方法和柯西分布逆累积部分函数对蝙蝠算法进行改进；
S4，利用改进的蝙蝠算法对SVR的参数进行寻优，寻找最优参数建立SVR分时段精细化模型，将待预测各个时段平均负荷值作为SVR的输出得到预测结果。


2.根据权利要求1所述的基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法，其特征在于，对S1中的历史负荷数据进行处理包括：第一步，数据预处理；第二步，归一化处理；所述数据预处理为：采用比较法处理历史负荷数据中的不良数据，对于单个的不良数据，将该点前后时刻的负荷数据取平均值得到该点的负荷值；对于连续出现多个的不良数据，对比某时刻的负荷值与同时刻前后不同日期的负荷平均值，若无法找到则剔除数据；所述归一化处理为：在数据预处理后，将负荷数据xi按下列公式进行归一化处理：



式中：yi表示归一化处理过的负荷数据；xi为初步处理后输入的负荷数据；xmax为初步处理后样本中最大负荷数据；xmin为初步处理后样本中最小负荷数据。


3.根据权利要求2所述的基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法，其特征在于，根据数据处理得到的有效负荷数据情况，利用皮尔森相关性分析法来定量分析主要影响因素和负荷之间的相关度，所述主要影响因素包括温度、湿度、风速和降水量；根据历史负荷数据日特性可以看出不同时段的负荷组成和特性变化，根据变化规律将日负荷分为若干个时段组合而成。


4.根据权利要求1所述的基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法，其特征在于，步骤S2中，利用模糊C均值聚类的具体方法为：设c个聚类中心为V＝{v1,v2,…,vc}，全部n个样本的聚类情况由一个隶属度矩阵U来描述，即



上述式中，uij为第j个样本归属于第i类的隶属度，模糊C均值聚类按照以下规则和约束条件聚类，得到最优的分类：

其中的参数设置如下：



上述式中：m>1是加权指数，m越大则聚类中心越靠近隶属度较高的元素，m一般取值为2；||vi-xj||为样本xj与聚类中心vi之间的距离，其次，为了求出式中泛函Jm(U,V；X)的极小值，将得到的局部最优点的必要条件进行轮换寻优，即






采用类内距离指标评价聚类后的效果，该指标表征各类别的聚类中心和其对应类中的所有元素的距离的平均值；假设聚类得到K类不同负荷特性，Ck表示各个类别中的样本集合，pik表示样本中的全部元素，nk表示各个类别中的样本数，各个类别的CTk为聚类中心，其中k＝1,2,…K。MIA的公式如下：






其中，聚类效果的评价与MIA的值密切相关，值越小，得到的效果越好；MIA最小值对应的聚类数目就是模糊C均值聚类的输入聚类数，即为得到的聚类结果。


5.根据权利要求1所述的基于BOA-SVR和模糊聚类的分时段精细化短期负荷预测方法，其特征在于，步骤S3中，利用SVR构建模型的具体过程为：设训练样本集的样本数设为n，因此训练样本集可以表示为(x1,y1),(x2,y2),…(xn,yn),其中xi(xi∈Rd)是i个样本的输入向量xi＝[xi1,xi2,…,xid]T其输出值为yi(yi∈R)。将训练样本集利用非线性函数映射到高维空间，从而形成高维空间的线性函数，表达式见下式：



式中：x为输入向量，xi∈Rn；w为权值矢量，w∈Rn；b为偏置值，b∈R；通过引入不敏感损失函数来评价模型的预测效果，...

【专利技术属性】
技术研发人员：王瑞，逯静，陈诗雯，王福忠，韩素敏，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：河南;41