【技术实现步骤摘要】
一种基于气象相似日的负荷预测方法
本专利技术属于电力负荷预测
，尤其涉及一种基于气象相似日的负荷预测方法。
技术介绍
随着科技的发展，电网中信息流和数据流以指数级爆发增长，这些数据构成了电力大数据。通过这些数据的特征提取及统计分析，实现电力负荷远期、中期、短期甚至超短期预测，对社会、电网及电力用户都具有重要意义。精确的负荷预测数据有助于电网调度控制和安全运行，制定合理的电源建设规划以及提高电力系统的经济效益和社会效益。现代电力系统中，构成电力负荷的用电器种类繁多，空调等受气象条件影响的负荷占比持续增高，气象因素等对电力系统负荷的影响愈显突出。目前针对电力系统负荷预测的方法中，实际负荷中的影响因素如气象条件等并未被纳入预测体系，且统计分析精度低，机器学习计算复杂。因此，急需一种考虑气象因素，同时实现统计分析与机器学习的功能的预测方法。
技术实现思路
本专利技术目的在于提供一种考虑气象因素，同时实现统计分析与机器学习功能的预测方法。本专利技术的内容如下：一种基于气象相似日的负荷预...
【技术保护点】
1.一种基于气象相似日的负荷预测方法，其特征在于，包括以下步骤：/nS10、统计电力系统实测负荷数据及其对应气象数据；/nS20、数据预处理，对所述负荷数据和所述气象数据进行数据预处理；所述数据预处理包括缺失数据、异常数据的剔除，将剔除后气象数据与负荷数据的日期匹配；对剔除后负荷数据进行数据归一化；/nS30、聚类，以所述气象数据为条件将所有负荷进行聚类分析，即依据所述气象数据将负荷日分到不同类别中，使对应负荷处于不同类别中，形成气象相似日；/nS40、基于所述气象相似日所属类别中已知负荷的每个时刻，建立支持向量机预测模型；对所述支持向量机预测模型进行训练；/nS50、所述...
【技术特征摘要】
1.一种基于气象相似日的负荷预测方法，其特征在于，包括以下步骤：
S10、统计电力系统实测负荷数据及其对应气象数据；
S20、数据预处理，对所述负荷数据和所述气象数据进行数据预处理；所述数据预处理包括缺失数据、异常数据的剔除，将剔除后气象数据与负荷数据的日期匹配；对剔除后负荷数据进行数据归一化；
S30、聚类，以所述气象数据为条件将所有负荷进行聚类分析，即依据所述气象数据将负荷日分到不同类别中，使对应负荷处于不同类别中，形成气象相似日；
S40、基于所述气象相似日所属类别中已知负荷的每个时刻，建立支持向量机预测模型；对所述支持向量机预测模型进行训练；
S50、所述支持向量机预测模型的模型参数，基于交叉验证思想进行参数寻优，实现负荷模型的最优预测；
S60、将待预测日的气象数据输入训练完成的支持向量机预测模型，得到所述待预测日的负荷预测。
2.根据权利要求1所述的基于气象相似日的负荷预测方法，其特征在于，步骤S20中所述数据归一化采用以下公式：
y＝(ymax-ymin)·(x-xmin)/(xmax-xmin)+ymin
其中，x表示归一化前数据，xmax和xmin分别表示其最大值和最小值，y表示归一化后数据，ymax和ymin分别表示设定的最大值和最小值。
3.根据权利要求1所述的基于气象相似日的负荷预测方法，其特征在于，步骤S30中所述聚类分析形成气象相似日包括以下步骤：
S31、计算不一致系数，并由不一致系数确定类别个数K，不一致系数计算公式如下：
其中，第i步并类时的并类距离为Di，共涉及ni个数据样本，所述数据样本之间的距离记为d＝(d1,d2,...,dni(ni-1)/2)，则其均值为标准差为si；
S32、依据类别数建立相应个数的高斯模型，所述高斯模型的加权和即为混合高斯模型，其定义如下：
其中，K为模型的个数(即类别个数K)，πk为第k个高斯的权重，p(x|k)则为第k个高斯的概率密度函数，其均值向量为μk，协方差矩阵为σk；
S33、将各日期的气象数据在各个所述高斯模型上投影得到每组气象数据属于各类的概率，选取概率最大的作为聚类结果，同类日期成为气象相似日。
4.根据权利要求2所述的基于...
【专利技术属性】
技术研发人员：王红艳，龚惠，吴至桂，秦宇，袁全，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。