一种基于优化选取典型日负荷曲线的电力负荷预测方法技术

本发明专利技术涉及一种基于优化选取典型日负荷曲线的电力负荷预测方法，包括以下步骤：获取负荷原始数据；对负荷原始数据进行预处理，得到特征指标；采用改进后的PFCM算法，与模糊线性判别法(FLDA)相结合，以对预处理后的负荷原始数据进行聚类分析，确定出聚类中心矩阵；确定基准日，根据皮尔森相关系数法，分别计算每个月基准日与各聚类中心的相关性，确定出每个月所属的类别；以每类中隶属度最大的样本点为典型日负荷曲线，基于该典型日负荷曲线进行电力负荷预测，得到相应的预测结果。与现有技术相比，本发明专利技术通过改进PFCM算法，并结合FLDA方法，以能够优化选取出与聚类中心更近的典型日负荷曲线，从而有效提高电力负荷预测的准确性。性。性。

【技术实现步骤摘要】
一种基于优化选取典型日负荷曲线的电力负荷预测方法


[0001]本专利技术涉及电力负荷预测
，尤其是涉及一种基于优化选取典型日负荷曲线的电力负荷预测方法。

技术介绍

[0002]电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要。负荷预测工作的关键在于收集大量的历史数据，建立科学有效的预测模型，采用有效的算法，以历史数据为基础，进行大量试验性研究，总结经验，不断修正模型和算法，以真正反映负荷变化规律。
[0003]在电力负荷预测之前，往往需要提前选取典型日负荷曲线，传统做法是以某一项特征指标选取典型日负荷曲线，或者直接选取全月负荷最大的日负荷曲线，或者选取该月某一固定工作日作为该月的日负荷曲线。其中，以某一项特征指标选取典型日负荷曲线，对负荷曲线的整体描述存在以偏概全的问题；如果直接选取全月负荷最大的日负荷曲线或选取该月某一固定工作日作为该月的日负荷曲线，则存在适用性和缺乏代表性的问题。
[0004]此外，现有研究还采用机器学习方法进行典型日负荷曲线的选取，比如利用单一聚类算法或集成聚类算法得到聚类中心矩阵，再通过不同的方法得到与聚类中心最近的样本点作为典型日负荷曲线。然而，现有的可能模糊C均值聚类算法(PCM)重视典型性未考虑样本点的紧凑性，会造成聚类一致性的结果；概率模糊C均值算法(PFCM)克服了PCM聚类一致性和FCM对畸变数据敏感性的缺点，但目标函数的求取需先运算FCM中的参数，提高了运算成本。这就会导致典型日负荷选取缺乏精确性，进而降低后续电力负荷预测的准确性。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于优化选取典型日负荷曲线的电力负荷预测方法，通过优化选取出与聚类中心更近的典型日负荷曲线，以提高电力负荷预测的准确性。
[0006]本专利技术的目的可以通过以下技术方案来实现：一种基于优化选取典型日负荷曲线的电力负荷预测方法，包括以下步骤：
[0007]S1、获取负荷原始数据；
[0008]S2、对负荷原始数据进行预处理，得到特征指标；
[0009]S3、采用改进后的PFCM算法，与模糊线性判别法(FLDA)相结合，以对预处理后的负荷原始数据进行聚类分析，确定出聚类中心矩阵；
[0010]S4、确定基准日，根据皮尔森相关系数法，分别计算每个月基准日与各聚类中心的相关性，确定出每个月所属的类别；
[0011]S5、以每类中隶属度最大的样本点为典型日负荷曲线，基于该典型日负荷曲线进行电力负荷预测，得到相应的预测结果。
[0012]进一步地，所述步骤S2具体是对负荷原始数据依次进行标准化处理、畸变数据筛
选处理。
[0013]进一步地，所述步骤S3具体包括以下步骤：
[0014]S31、根据聚类数，初始类中心；
[0015]S32、分别计算样本的协方差、样本典型值、模糊隶属度矩阵和聚类中心矩阵；
[0016]S33、进一步计算得到模糊类间散布矩阵和模糊总散布矩阵；
[0017]S34、根据模糊类间散布矩阵和模糊总散布矩阵，确定出特征值和特征向量，并将原始样本投影到特征空间，得到变换后的样本数据；
[0018]S35、在特征空间内计算模糊隶属度、典型值以及聚类中心矩阵；
[0019]S36、判断是否满足迭代终止条件，若判断为是，则结束计算，输出当前计算得到的聚类中心矩阵，否则返回步骤S33。
[0020]进一步地，所述步骤S32中样本的协方差计算公式为：
[0021][0022][0023]其中，n为样本数，x
j
为样本向量，σ2为协方差矩阵，为样本向量平均值；样本的典型值计算公式为：
[0024][0025]其中，c为聚类数，m为模糊加权数，t
ij
为样本x
j
对第i类的典型值，p为设定的第一参数，γ为当前迭代次数；
[0026]样本的模糊隶属度矩阵计算公式为：
[0027][0028]其中，d
ij
为样本x
j
到聚类中心V
i
的欧氏距离，u
ij
为第j个样本点属于第i类的隶属度；
[0029]样本的聚类中心矩阵计算公式为：
[0030][0031]其中，a、b分别为设定的第二参数和第三参数，v
ij
为第j个样本点属于第i类的聚类中心矩阵。
[0032]进一步地，所述步骤S33中模糊类间散布矩阵具体为：
[0033][0034]所述模糊总散布矩阵具体为：
[0035][0036]进一步地，所述模糊总散布矩阵需为非奇异矩阵，若计算得到的模糊总散布矩阵为奇异矩阵，则需进行正则化处理。
[0037]进一步地，所述步骤S34具体包括以下步骤：
[0038]S341、计算特征值和特征向量：
[0039]S
fT
‑1S
fB
ω＝λω
[0040]其中，λ为特征值，ω为特征向量；
[0041]S342、将样本投影到特征空间：
[0042]y
j
＝ω
T
x
j
[0043]其中，y
j
为变换后样本向量。
[0044]进一步地，所述步骤S35的具体过程为：
[0045]将聚类中心矩阵转化到特征空间：
[0046]v
i'(γ)
＝ω
T
v
i(γ)
[0047]其中，v
i
为聚类中心向量；
[0048]在特征空间内计算模糊隶属度函数：
[0049][0050]d
ij'(γ)
＝|y
i
‑
v
i'(γ)
|
[0051]在特征空间内计算典型值：
[0052][0053]在特征空间内计算聚类中心矩阵：
[0054][0055]进一步地，所述迭代终止条件包括第一终止条件和第二终止条件，当满足第一终止条件或第二终止条件时，即满足迭代终止条件，所述第一终止条件具体为当前迭代次数大于设定的最大迭代次数；
[0056]所述第二终止条件具体为当前聚类中心矩阵与前一次聚类中心矩阵之差的绝对值小于或等于预设的阈值。
[0057]进一步地，所述基准日具体为月平均负荷日。
[0058]与现有技术相比，本专利技术针对目前电力负荷预测在选取典型日负荷曲线时存在聚类不准确的问题，通过改进PFCM算法，并与FLDA算法相结合，以实现一种新的集成聚类算法，将该新的集成聚类算法用于负荷曲线的聚类，能够充分考虑数据集中样本的紧凑性，提高聚类精度；再结合FLDA在最优特征空间上进行迭代计算，得到最佳聚类中心矩阵，进一步优化聚类效果；最后通过皮尔森相关系数选取与聚类中心点最近的样本点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化选取典型日负荷曲线的电力负荷预测方法，其特征在于，包括以下步骤：S1、获取负荷原始数据；S2、对负荷原始数据进行预处理，得到特征指标；S3、采用改进后的PFCM算法，与模糊线性判别法相结合，以对预处理后的负荷原始数据进行聚类分析，确定出聚类中心矩阵；S4、确定基准日，根据皮尔森相关系数法，分别计算每个月基准日与各聚类中心的相关性，确定出每个月所属的类别；S5、以每类中隶属度最大的样本点为典型日负荷曲线，基于该典型日负荷曲线进行电力负荷预测，得到相应的预测结果。2.根据权利要求1所述的一种基于优化选取典型日负荷曲线的电力负荷预测方法，其特征在于，所述步骤S2具体是对负荷原始数据依次进行标准化处理、畸变数据筛选处理。3.根据权利要求1所述的一种基于优化选取典型日负荷曲线的电力负荷预测方法，其特征在于，所述步骤S3具体包括以下步骤：S31、根据聚类数，初始类中心；S32、分别计算样本的协方差、样本典型值、模糊隶属度矩阵和聚类中心矩阵；S33、进一步计算得到模糊类间散布矩阵和模糊总散布矩阵；S34、根据模糊类间散布矩阵和模糊总散布矩阵，确定出特征值和特征向量，并将原始样本投影到特征空间，得到变换后的样本数据；S35、在特征空间内计算模糊隶属度、典型值以及聚类中心矩阵；S36、判断是否满足迭代终止条件，若判断为是，则结束计算，输出当前计算得到的聚类中心矩阵，否则返回步骤S33。4.根据权利要求3所述的一种基于优化选取典型日负荷曲线的电力负荷预测方法，其特征在于，所述步骤S32中样本的协方差计算公式为：特征在于，所述步骤S32中样本的协方差计算公式为：其中，n为样本数，x
j
为样本向量，σ2为协方差矩阵，为样本向量平均值；样本的典型值计算公式为：其中，c为聚类数，m为模糊加权数，t
ij
为样本x
j
对第i类的典型值，p为设定的第一参数，γ为当前迭代次数；样本的模糊隶属度矩阵计算公式为：
其中，d
ij
为样本x
j
到聚类中心V
i
的欧氏距离，u
ij
为第j个样本点属于第i类的隶属度；样本的聚类中心矩阵计算公式为：其中，a、b分别为设定的第二参...

【专利技术属性】
技术研发人员：邬浩泽，朱晨烜，王朝威，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：