【技术实现步骤摘要】
一种基于广义层次多粒度的电力短期预测方法
[0001]本专利技术涉及一种基于广义层次多粒度的电力短期预测方法,具体为一种基于广义层次多粒度的电力短期预测方法。
技术介绍
[0002]现有的电力短期负荷预测方法根据历史数据,模型建立都是基于最细粒度的数据,决策规则挖掘是构建电力短期预测模型的重要目的。我们需要从大量的,甚至杂乱无章的数据中挖掘有用的、有价值的规则,这对于现有的硬件,模型构建有很大的要求。影响电力负荷量的因素有很多属性,同时也产生很多冗余信息,过滤冗余信息,对模型构建非常重要。对于大规模数据,一般从平面数据表中挖掘电力负荷量规则,但很多时候挖掘出来的规则不利于理解,规则过于单一化。
技术实现思路
[0003]本专利技术的目的是针对
技术介绍
中存在的缺点和问题加以改进和创新,一种基于广义层次多粒度的电力短期预测方法。
[0004]为实现上述目的,本专利技术提供如下技术方案:一种基于广义层次多粒度的电力短期预测方法,所述方法具体包括以下步骤:
[0005]步骤S1、对电力负荷量数据预处理,对数据离散化;
[0006]步骤S2、根据影响电力负荷量的属性的重要度和影响电力负荷量的粒结构的距离,筛选影响电力负荷量的属性重要度大于0.2的属性;
[0007]步骤S3、选取筛选后的影响电力负荷量的属性,通过概念层次树建立电力负荷量的层次模型;
[0008]步骤S4、根据用户需求和问题,先选取决策属性电力负荷量的层次,再根据影响电力负荷量的层次属性重要度排序,选取条件 ...
【技术保护点】
【技术特征摘要】
1.一种基于广义层次多粒度的电力短期预测方法,其特征在于,所述方法具体包括以下步骤:步骤S1、对电力负荷数据预处理,离散化;步骤S2、根据影响电力负荷量属性的重要度和影响电力负荷量的组合粒的距离,筛选影响电力负荷量的属性重要度大于0.2的属性;步骤S3、选取筛选后的影响电力负荷量的属性,通过概念层次树建立电力负荷量的层次模型;步骤S4、根据用户需求和电力负荷量的数据,先选取电力负荷量的属性重要度数值最大的层次,再根据层次属性重要度排序,选取影响电力负荷量的属性层次,根据时间序列,构建时序条件粒;步骤S5、运用多粒度方法,应用不同策略,根据预测的电力负荷量的特性预测待预测日的发电量。2.根据权利要求1所述的一种基于广义层次多粒度的电力短期预测方法,其特征在于,所述步骤S1数据预处理,对数据离散化具体包括:将影响电力负荷量的气候、节假日、电价政策、突发事件和电力负荷量的属性值按照一定的标准划分为离散值,用0,1,...,n表示,如雾的等级可以划分为轻雾,雾,大雾,浓雾,强浓雾;日期类型可以划分为工作日,休息日;电力负荷量可以分为极低,偏低,正常,偏高,极高,根据需求可以使用某一时刻的负荷量数值,或者日月负荷量作为决策属性;其他属性做相应的离散化处理。3.根据权利要求2所述的一种基于广义层次多粒度的电力短期预测方法,其特征在于,所述步骤S2筛选影响电力负荷量的属性具体包括:步骤21、定义电力负荷量D对影响电力负荷量属性a
i
的依赖度:电力负荷量D对影响电力负荷量属性a
i
的依赖度定义如下式所示:其中,|POS
a
(D)|表示影响电力负荷量的属性a
i
相对决策属性电力负荷量D的正域个数,|U|表示选取电力数据的个数;步骤22、计算影响电力负荷量的属性重要度:定义影响电力负荷量的属性重要度;SGF(a
i
,C,D)=R(C,D)
‑
R(C
‑
{a
i
},D).;其中SGF(a,C,D)表示属性a
i
在条件属性C={a1,a2,...,a
n
}上相对于决策属性电力负荷量D的重要度;步骤23、删除影响电力负荷量的属性重要度小于等于0.2的属性:根据重要度进行排序,删除属性重要度小于等于0.2的影响电力负荷量的属性;步骤24、计算影响电力负荷量的属性粒间距离:计算影响电力负荷量的粒距离:其中,表示不同粒之间距离,K
i
表示由影响电力负荷量属性a
i
导出的粒结构U/a
i
={G
i
(x1),G
i
(x2),...,G
i
(x
l
),...,G
i
(x
max
)};步骤S25、计算影响电力负荷量的属性间的相似性:以不同粒距离为基础,计算两个属
性的相似性,公式为:Sim(K
i
,K
j
)=1
‑
d(K
i
,K
j
)其中,Sim(K
i
,K
j
)表示粒结构K
i
和K
j
的相似性,d(K...
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。