基于无监督聚类和支持向量机的短期电力负荷预测方法技术

本发明专利技术涉及一种基于无监督聚类和支持向量机的短期电力负荷预测方法，包括离线和在线两个阶段，离线阶段，对预处理后的气象和时间信息利用迭代自组织数据分析方法对训练样本数据指纹进行无监督聚类，形成多个训练样本数据子集和每个训练数据子集的聚类中心，然后利用支持向量机对每一个训练样本数据子集分别进行回归学习，得到多个电力负荷预测模型；在线阶段，将气象信息和时间信息预处理后，得到指纹信息，通过比较每个训练数据子集中心的欧氏距离，选择合适的电力负荷预测模型，估计电力负荷值。本发明专利技术的方法具有实现简单，估计精定高的优点。定高的优点。定高的优点。

【技术实现步骤摘要】
基于无监督聚类和支持向量机的短期电力负荷预测方法


[0001]本专利技术属于虚拟电厂和人工智能应用
，具体涉及一种基于无监督聚类和支持向量机的短期电力负荷预测方法。

技术介绍

[0002]电力作为重要的能源消费之一，是保障社会活动的重要支撑，但是随着人类社会的发展，能源短缺的问题日益凸显。因此，对于电力系统的管理和优化被纳入国家重要的战略举措中，其中要求各地区配电网有合理规划，进一步保障终端用户用电的可靠性、降低人均停电时间。为了应对现代电力系统发展过程中遇到的种种问题，智能电网应运而生。智能电网是一个复杂的系统，而该系统的一项重要功能就是通过各类传感器和检测技术对发电、输配电以及用电等各环节的数据进行监控和记录，并对这些数据进行深入的研究和发掘，从而对电力系统进行更好的优化。负荷预测(Load Forecasting)是实现这一功能不可或缺的关键技术，通过使用记载的历史负荷数据来对未来特定时间段的负荷数据进行准确预测，可以更加合理的安排电网的生产和输送计划，保障电网安全高效运行，同时也对电力系统未来的发展和建设具有指导意义。负荷预测是智能电网的重要组成部分之一，有着巨大的发展潜力和广阔的应用前景。
[0003]短期负荷预测(Short
‑
Term Load Forecasting,STLF)为电力系统的安全运行提供了重要保障，也在电力系统的调度中扮演了重要的角色，因此提升短期负荷预测的精度，可以改善电力系统的安全性，也能提升电网调度的效率，降低损耗，从而给电网带来更高的经济效益。一般来说，短期负荷预测方法包括两大类:数据驱动方法和机器学习方法。传统的基于时间序列分析的数据驱动方法包括多元线性回归模型、自回归综合移动平均模型(ARIMA)、指数加权方法等。然而，模型驱动方法在识别非线性时表现不佳因为它们是基于电力负荷线性变化的假设。随着人工智能技术的发展，为了更好地反映电力负荷的非线性特征，设计了具有较强非线性拟合能力的机器学习方法。目前，人工神经网络(ANN)、随机森林(RF)和支持向量回归(SVR)等机器学习方法已被广泛用于预测电力负荷的变化。其中，SVR被用来建立一个具有策略性的、季节性调整的负荷预测模型，有效地减少了运营商之间的相互作用。然而，现有的SVR机器学习方法对训练数据比较敏感，进而影响训练结果。
[0004]检索发现中国专利申请CN103123665A公开了一种基于模糊聚类相似日的短期电力负荷预测方法，该方法采用模糊聚类，模糊聚类是将模糊数学的思想观点用到聚类分析中，主要适用于定性变量的分类，在该方法中主要根据聚类水平选择相似日，但是如何选择合适的相似度参数比较困难。CN111985701A公开了一种基于供电企业大数据模型库的用电预测方法，该方法中采用Ward算法进行聚类，该方法中聚类数通过最大化轮廓系数选取，聚类特征为不同台区每个时点的负荷值，由于现实场景中需要对电力负荷进行预测，聚类算法的处理对象通常是影响负荷的气候时间测量值。

技术实现思路

[0005]本专利技术的目的在于，针对现有技术存在的缺陷，提出一种基于无监督聚类和支持向量机的短期电力负荷预测方法，该方法以气象测量值时间信息作为训练数据指纹，利用支持向量机和无监督聚类技术实现电力负荷的短期测量。
[0006]为了达到以上目的，本专利技术提供一种基于无监督聚类和支持向量机的短期电力负荷预测方法，包括离线和在线两个阶段，具体步骤如下所示：
[0007]离线阶段：
[0008]步骤1、构建训练数据库
[0009]步骤1
‑
1、在已知的时间点，采集气象测量数据，并记录对应的电力负荷，所述气象测量数据包括温度、压强、风速和湿度；
[0010]步骤1
‑
2、对获取的时间信息以及气象测量数据进行数据预处理，形成训练样本指纹信息；
[0011]步骤1
‑
3、利用无监督聚类方法对得到的训练样本指纹信息进行聚类，得到不同的训练样本数据子集；
[0012]步骤1
‑
4、计算每一训练样本数据子集的聚类中心；
[0013]步骤2、离线学习
[0014]对每一个训练样本数据子集，利用支持向量机进行回归学习，训练样本指纹和负荷值的非线性关系，得到负荷预测模型；
[0015]在线阶段：
[0016]步骤1、对采集得到的时间信息以及气象测量数据进行数据预处理，形成测量样本指纹信息；
[0017]步骤2、计算测量样本指纹信息与每一个训练样本数据子集的聚类中心的欧氏距离；
[0018]步骤3、选择最小欧氏距离对应的训练样本子集的负荷预测模型来预测电力负荷值。
[0019]本专利技术的离线阶段，对预处理后的气象和时间信息利用迭代自组织数据分析方法对训练样本数据指纹进行无监督聚类，形成多个训练样本数据子集和每个训练数据子集的聚类中心。利用支持向量机对每一个训练样本数据子集分别进行回归学习，得到多个电力负荷预测模型。在线阶段，将气象信息和时间信息预处理后，得到指纹信息，通过比较每个训练数据子集中心的欧氏距离，选择合适的电力负荷预测模型，估计电力负荷值。总之，本专利技术利用短期的温度、压强、湿度等对电力负荷影响较大的因素，在经过滤波去噪和数据归一化等数据预处理后通过迭代自组织数据分析(ISODATA)聚类处理，将相似数据归类后再通过支持向量机(SVM)的回归学习对每一类数据进行建模，实现短期的电力负荷预测。本专利技术的方法具有实现简单，估计精定高的优点。
[0020]本专利技术进一步的采用如下技术方案：
[0021]优选地，所述离线阶段的步骤1
‑
2具体包含如下步骤：
[0022]步骤1
‑2‑
1、对时间信息，将每天0时
‑
6时，6时
‑
12时，12时
‑
18时，18
‑
24时分别编码为数字0，1，2，3；
[0023]步骤1
‑2‑
2、对温度、压强、风速、湿度气象测量数据进行中值滤波，以滤除测量噪
声；
[0024]步骤1
‑2‑
3、分别对经过步骤1
‑2‑
2的气象测量数据，利用Z
‑
score函数进行数据归一化处理，以便将不同量级的测量数据转化为同一量级，保证数据之间的可比性；
[0025]步骤1
‑2‑
4、测量值对应的训练样本指纹信息为(时间编码值，温度归一化值，压强归一化值，风速归一化值，湿度归一化值)，大小为1
×
5。
[0026]优选地，所述离线阶段的步骤1
‑
3中，选择迭代自组织数据分析(ISODATA)进行数据指纹信息聚类，能够自动调整类别个数和类别中心，使聚类结果更客观真实。
[0027]所述步骤1
‑2‑
3中，采用Z
‑
score函数对气象测量数据进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督聚类和支持向量机的短期电力负荷预测方法，其特征在于，包括离线和在线两个阶段，具体步骤如下所示：离线阶段：步骤1、构建训练数据库步骤1
‑
1、在已知的时间点，采集气象测量数据，记录对应的电力负荷，所述气象测量数据包括温度、压强、风速和湿度；步骤1
‑
2、对获取的时间信息以及气象测量数据进行数据预处理，形成训练样本指纹信息；步骤1
‑
3、利用无监督聚类方法对得到的训练样本指纹信息进行聚类，得到不同的训练样本数据子集；步骤1
‑
4、计算每一训练样本数据子集的聚类中心；步骤2、离线学习对每一个训练样本数据子集，利用支持向量机进行回归学习，训练样本指纹和负荷值的非线性关系，得到负荷预测模型；在线阶段：步骤1、对采集得到的时间信息以及气象测量数据进行数据预处理，形成测量样本指纹信息；步骤2、计算测量样本指纹信息与每一个训练样本数据子集的聚类中心的欧氏距离；步骤3、选择最小欧氏距离对应的训练样本子集的负荷预测模型来预测电力负荷值。2.根据权利要求1所述基于无监督聚类和支持向量机的短期电力负荷预测方法，其特征在于，所述离线阶段的步骤1
‑
2具体包含如下步骤：步骤1
‑2‑
1、对时间信息，将每天0时
‑
6时，6时
‑
12时，12时
‑
18时，18
‑
24时分别编码为数字0，1，2，3；步骤1
‑2‑
2、对温度、压强、风速、湿度气象测量数据进行中值滤波，以滤除测量噪声；步骤1
‑2‑
3、分别对经过步骤1
‑2‑
2的气象测量数据，进行数据归一化处理，以便将不同量级的测量数据转化为同一量级，保证数据之间的可比性；步骤1
‑2‑
4、测量值对应的训练样本指纹信息为(时间编码值，温度归一化值，压强归一化值，风速归一化值，湿度归一化值)，大小为1
×
5。3.根据权利要求1所述基于无监督聚类和支持向量机的短期电力负荷预测方法，其特征在于，所述离线阶段的步骤1
‑
3中，选择迭代自组织数据分析进行数据指纹信息聚类，能够自动调整类别个数和类别中心，使聚类结果更客观真实。4.根据权利要求2所述基于无监督聚类和支持向量机的短期电力负荷预测方法，其特征在于，所述步骤1
‑2‑
3中，采用Z
‑
score函数对气象测量数据进行归一化处理，具体计算公式如下：其中，x
*
为测量值归一化后的数值，x为观测值，为原始数据均值，σ为原始数据的标准差。5.根据权利要求1所述基于无监督聚类和支持向量机的短期电力负荷预测方法，其特
征在于，所述步骤1
‑
3中，采用迭代自组织数据分析进行数据指纹信息聚类的具体操作如下：步骤1
‑3‑
1、初始化输入N个样本{x
i
,i＝1,
…
,N}N
c
个初始聚类中心{c
j
,j＝1,
…
,N
c
}预期聚类中心数目K聚类中的最小样本数θ
N
迭代次数最大值I聚类对数合并允许值L样本距离标准差θ
S
聚类中心最小距离θ
C
；转至步骤1
‑3‑
2；步骤1
‑3‑
2、类别划分按最邻近规则将样本点分到某一类中：聚类类别设为{S
j
,j＝1,
…
,N
c
}，计算样本点x到各聚类中心c
i
的距离||x
‑
c
i
||，且i＝1,
…
,N
c
，D
j
＝min{||x
‑
c
i
||,i＝1,
…
,N
c
}时样本点属于S
j
类；转至步骤1
‑3‑
3；步骤1
‑3‑
3、类别初筛假设每个类别中的样本数目分别为{N
j
,j＝1,
…
,N
c
}，如果N
j
＜θ
N
则取消该样本子集...

【专利技术属性】
技术研发人员：罗红郊，马晓琴，王作政，马占海，薛峪峰，胡荣辉，苗轲，邓俊辉，张俊超，严嘉正，马海瑛，
申请(专利权)人：国网青海省电力公司信息通信公司，
类型：发明
国别省市：