基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法技术

本发明专利技术公开了一种基于模糊C均值聚类的TVF‑EMD‑MCQRNN负荷概率预测方法，包括：1对电力负荷及其影响因子进行预处理后按设定时间间隔进行分组；2对分组后的数据集划分训练集和测试集，使用模糊C均值聚类法分别对每组训练集和测试集进行聚类；3利用各类型训练集和测试集样本数据对TVF‑EMD‑MCQRNN模型进行训练和测试，得到各类型样本数据在不同分位点下的一系列条件分位数；4对各类型样本数据在相同分位点下的条件分位数分别进行求和得到各类型预测结果，从而实现概率密度预测。本发明专利技术能提高负荷预测的准确性，从而为电力系统的运行规划提供更全面、更有效的负荷信息。

【技术实现步骤摘要】
基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法
本专利技术属于短期电力负荷预测
，具体的说是一种基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法。
技术介绍
电力负荷预测是电力系统规划的重要组成部分，在现代电力系统的能源分配和管理中起着至关重要的作用。高精度的负荷预测有利于电力系统在满足用户用电需求的同时制定合理的发电计划，从而有效地控制电力系统的规划和运行成本。然而随着新能源，如风能、太阳能等间歇性能源大规模接入电网，给电网的安全稳定、经济运行都带来了极大的挑战。相较于一般的电力负荷点预测方法，概率性负荷预测方法能反映负荷的不确定性特征，从而为电力系统可靠性分析、风险评估提供更科学的决策依据。然而，随着电力系统规模的不断增加以及新兴技术的飞速发展，传统电力负荷预测技术受限于当前的电力环境，难以适应现代电力负荷数据非线性、随机性以及混沌性的特征合理进行建模，因此，为得到更加精确的负荷预测结果，需要不断更新优化负荷预测算法研究以保持先进性。此外，电力负荷的影响因素越来越复杂，这些因素对负荷精度的影响本文档来自技高网...

【技术保护点】
1.一种基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法，其特征在于：包括以下步骤：/n步骤1.获取电力负荷数据及其影响因子并进行预处理，从而得到预处理后的数据集Dataset＝{[G

【技术特征摘要】
1.一种基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法，其特征在于：包括以下步骤：
步骤1.获取电力负荷数据及其影响因子并进行预处理，从而得到预处理后的数据集Dataset＝{[Gm(t),P(t)]|t＝1,2,...,T；m＝1,2,...,M}，包括：预处理后的电力负荷{P(t)|t＝1,2,...,T}和电力负荷的M个影响因子{Gm(t)|m＝1,2,...,M；t＝1,2,...,T}，其中，P(t)和Gm(t)分别为第t个时刻点的电力负荷及相应第t个时刻点的第m个影响因子；T表示时刻点的个数，M表示电力负荷影响因子的种类数；
步骤2.设定时间间隔为s个时刻点，对所述预处理后的数据集Dataset进行分组，从而得到I组样本数据，且I满足[T/s]，其中，第i组样本数据表示为Dataseti＝[G′m(i),P′(i)]，G′m(i)＝(Gm(s×(i-1)+1),Gm(s×(i-1)+2),…,Gm(s×i))T为第i组样本数据的第m个影响因子，Gm(s×i)表示在第s×i个时刻点的第m个影响因子，P′(i)＝(P(s×(i-1)+1),P(s×(i-1)+2),…,P(s×i))T为第i组样本数据的电力负荷；P(s×i)表示在第s×i个时刻点的电力负荷，i＝1,2,...,I；
步骤3.对I组样本数据{Dataseti|i＝1,2,...,I}划分为训练集Train＝{Dataseti|i＝1,2,...,p}和测试集Test＝{Dataseti|i＝p+1,p+2,...,I}，则训练集Train中含有p组样本数据，测试集Test中含有I-P组样本数据；
使用模糊C均值聚类法分别对训练集Train和测试集Test进行聚类得到K类样本数据，包括：K类训练集样本{Traink|k＝1,2,...,K}和K类测试集样本{Testk|k＝1,2,...,K}；表示第k类的训练集，Ak为训练集Train的p组样本数据中属于第k类训练集的样本数据的序号集合，表示第k类样本数据中第i组的第m个影响因子，Pk(i)表示第k类样本数据中第i组的电力负荷，为第k类的测试集；Bk为测试集Test的I-P组样本数据中属于第k类测试集的样本数据的序号集合；
步骤4.利用K类训练集样本{Traink|k＝1,2,...,K}和K类测试集样本{Testk|k＝1,2,...,K}分别对TVF-EMD-MCQRNN模型进行训练和测试：
步骤4.1.对第k类的训练集Traink和第k类的测试集Testk中的电力负荷{Pk(i)|i∈Ak∪Bk}进行TVF-EMD分解获得N个本征模态分量其中，表示对第k类的训练集Traink和第k类的测试集Testk进行TVF-EMD分解得到的第n个本征模态分量的第i组数据；则将第k类的训练集Traink和测试集Testk分别更新为和
步骤4.2.将更新后的第k类训练集Train′k中第n个负荷本征模态分量作为第k类训练集Traink的响应变量，第k类训练集Traink剩余的M个负荷影响因子及N-1个负荷分量的组合作为第k类训练集Traink的解释变量，从而构建N个包含有M+N-1个解释变量和一个响应变量的数据集，记作其中，表示更新后的第k类训练集Train′k中构建的第n个数据集的第i组解释变量...

【专利技术属性】
技术研发人员：何耀耀，张婉莹，王云，肖经凌，周京京，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34