一种短期用电负荷预测方法技术

本发明专利技术公开了一种短期用电负荷预测方法，包括如下步骤：步骤一：负荷分解，步骤二：聚类融合，步骤三：采用贝叶斯短期用电负荷预测算法进行负荷预测，步骤四：算例分析，在公开数据集上随机选择一周的负荷数据作为样本进行实验，并将其与K

【技术实现步骤摘要】
一种短期用电负荷预测方法


[0001]本专利技术属于电力数据应用研究领域，适用于考虑不同用电区域之间相关性的短期用电负荷预测，更具体地说，尤其涉及一种短期用电负荷预测方法。

技术介绍

[0002]短期负荷预测通常指预测最近几个小时内到不超过一周的负荷情况，并根据该情况调节近期的发电量，从而使电力能源的生产更加高效，同时还可以辅助电力公司采用动态定价的方案，以促进用户合理用电。由于负荷的不确定性以及电网供电的复杂程度不同，负荷预测仍需更合理的算法来提高其精确性。基于智能算法的负荷预测目前已成为了研究热点，例如自回归综合移动平均负荷预测模型、多线性高斯过程回归预测模型等等。而在机器学习领域也有诸多方法可适用于短期负荷预测，例如支持向量回归、人工神经网络及深度神经网络等。
[0003]早期发表的关于负荷分析的研究工作囊括了不同类型的聚类，包括K
‑
均值、模糊聚类等。但大多数可用的基于机器学习的负荷预测方法，通常仅依赖单一数据源的历史记录，属于单任务学习方法的范畴。因此在分析负荷动态的随机特性时，上述方法均难以准确预测。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺点，能够较好的预测实际用电负荷的走向，且与K
‑
means负荷预测算法相比，在负荷变化较快时的准确性更高，预测效果更优，尤其是在周末，K
‑
means负荷预测算法的误差较大，而本算法仍可保持较高的准确度，显著节约了运行时间，随着预测区域的扩大，本算法仍能保持较快的运行速度及较高的预测精度，而提出的一种短期用电负荷预测方法。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种短期用电负荷预测方法，包括如下步骤：
[0006]步骤一：负荷分解，包括如下步骤：
[0007]S11、数据准备，根据负荷特征，将五天工作日平均化为一天，而将周六和周日表示为一个单一的时间段，得到一周的负荷曲线；然后将每个已知的负荷分配到正确的扇区，再通过使用不同负荷曲线间欧几里德距离分析数据，且欧几里德距离由毕达哥拉斯公式推导而来，根据精度假设每个负荷图外形有144个数据点，则其计算公式如下：
[0008][0009]S12、分解方法，欧几里德距离法还可用于分析已知及未知的曲线轮廓，欧几里德距离过程首先为每个负荷数据创建一个距离矩阵，并对每个距离进行4次方缩放，从而使近的轮廓具有更大的影响，具体如式(2)所示：
[0010][0011]并创建一个距离矩阵D，具体如式(3)所示：
[0012][0013]其中n是已知轮廓的数量，可将n设置为59；
[0014]重新分配每个轮廓的比例，将缩放距离倒置，并将每个轮廓的值之和线性缩放回1，将迫使小的距离比其他距离具有更高的值。又因为轮廓的分解不应由同一轮廓组成，因此对角线可以设置为0，具体如式(4)所示：
[0015][0016]计算k值的目的是将每行的总和缩放为1，k值的计算方法如下：
[0017][0018]通过使用这些值，能够确保每个轮廓的新比例之和均等于1。
[0019]步骤二：聚类融合，对应于最大的负荷平均轮廓值，以月为单位的每个特征属性均会聚集到各自的负荷分类中。随后可将每个集群平均化，并作为每个子聚类的基础，用于分解未知的负荷特征。最终再通过最小化完成这一过程，具体计算方式如下：
[0020][0021]使用负荷聚类融合方法对公开数据集上某区域每个未知线路进行分解聚类情况，包括8个部分，分别为A1、A2、B1、B2、C、D1、D2和D3，并通过选择配置的最佳线性组合，来最小化聚类误差。
[0022]步骤三：采用贝叶斯短期用电负荷预测算法进行负荷预测，包括如下步骤：
[0023]S31、用电负荷空间依赖性预测，通过上述负荷分解以及聚类融合，可以将用电区域的负荷量(E)特征由下式分解表示：
[0024]E＝μ+η+e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0025]S32、多区域贝叶斯高斯过程，随着电力智能检测设备实时性与精度的提升，负荷波动测量的误差e逐渐减小，可忽略，即可将式(7)简化为：
[0026]E＝μ+GP
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0027]假设有Z个用电区域，对于用电区域l，l＝1,2,
…
,Z，通过上述负荷聚类融合后，获取的聚类类别包括N种。而拟建的多区域贝叶斯时空高斯过程模型具有以下模型结构：
[0028][0029]S33、设计多区域BSGP参数估计迭代算法：输入训练数据后，在第j次迭代中，通过减去在j
‑
1次迭代中从电力消耗数据获得的高斯过程系数来更新μ的参数，然后预测相关随机过程的贝叶斯高斯模型系数GP，再输入测试数据进行收敛验证，进而根据μ的变化情况来判定收敛性能。若未达到收敛程度，则在下次迭代前，应减去第j次迭代时的μ值来更新GP系数。这一过程迭代循环进行，直至达到收敛标准后停止。最后将预测的用电量与实际负荷测量值进行比较，得出预测误差，从而评估预测算法的有效性。
[0030]步骤四：算例分析，在公开数据集上随机选择一周的负荷数据作为样本进行实验，并将其与K
‑
means聚类负荷分析预测算法进行比较。
[0031]优选的，在S11的式(1)中，a和b是计算负荷图外形之间距离的参数，且采用欧几里德距离法来检查分类假设，错误的分类可能会在错误的特征点形成聚类。
[0032]优选的，在式(6)中，y
i
是实际未知轮廓，X
i，j
是特定月份的特征轮廓矩阵，J2(f)是粗糙度的惩罚，λ是平滑参数。将该方程最小化以找到贡献向量的最佳拟合p
j,l
，从而给出特定月份的随机负荷贡献。并在每个月重复此种最小化处理算法，且允许按月计算贡献量。
[0033]优选的，其特征在于：在式(7)中，μ为用电量数据漂移均值，η为数据随机过程，e为负荷波动测量误差。式(7)反映了数据间的系统级相关性，并可用于提高预测精度。
[0034]优选的，在式(7)中，短期用电负荷预测算法将μ、η及e相关的行为分组到一个集群中，再根据用户的电力消费模式进行聚类，以量化获取各参量。
[0035]优选的，在式(8)中，平均值μ通常被假定为与耗电量相关的变量线性模型，GP则指的是正态分布的高斯过程系数。
[0036]优选的，在式(9)中，β是各相关变量的系数。同时，给出了每个区域的历史用电负荷数据集X以及区域间的初步相关信息。GP
Z
指的是第Z个区域正态分布的高斯过程系数，i＝1,2,
…
,N。多区域贝叶斯时空高斯过程模型有两个预测目标，多区域预测的目标是评估β1,...,β
Z
的具体数值，而GP的目标则是每个用电负荷区域数据预测模型的参数估计。...

【技术保护点】

【技术特征摘要】
1.一种短期用电负荷预测方法，其特征在于：包括如下步骤：步骤一：负荷分解，包括如下步骤：S11、数据准备，根据负荷特征，将五天工作日平均化为一天，而将周六和周日表示为一个单一的时间段，得到一周的负荷曲线；然后将每个已知的负荷分配到正确的扇区，再通过使用不同负荷曲线间欧几里德距离分析数据，且欧几里德距离由毕达哥拉斯公式推导而来，根据精度假设每个负荷图外形有144个数据点，则其计算公式如下：S12、分解方法，欧几里德距离法还可用于分析已知及未知的曲线轮廓，欧几里德距离过程首先为每个负荷数据创建一个距离矩阵，并对每个距离进行4次方缩放，从而使近的轮廓具有更大的影响，具体如式(2)所示：并创建一个距离矩阵D，具体如式(3)所示：其中n是已知轮廓的数量，可将n设置为59；重新分配每个轮廓的比例，将缩放距离倒置，并将每个轮廓的值之和线性缩放回1，将迫使小的距离比其他距离具有更高的值。又因为轮廓的分解不应由同一轮廓组成，因此对角线可以设置为0，具体如式(4)所示：计算k值的目的是将每行的总和缩放为1，k值的计算方法如下：通过使用这些值，能够确保每个轮廓的新比例之和均等于1。步骤二：聚类融合，对应于最大的负荷平均轮廓值，以月为单位的每个特征属性均会聚集到各自的负荷分类中。随后可将每个集群平均化，并作为每个子聚类的基础，用于分解未知的负荷特征。最终再通过最小化完成这一过程，具体计算方式如下：使用负荷聚类融合方法对公开数据集上某区域每个未知线路进行分解聚类情况，包括
8个部分，分别为A1、A2、B1、B2、C、D1、D2和D3，并通过选择配置的最佳线性组合，来最小化聚类误差。步骤三：采用贝叶斯短期用电负荷预测算法进行负荷预测，包括如下步骤：S31、用电负荷空间依赖性预测，通过上述负荷分解以及聚类融合，可以将用电区域的负荷量(E)特征由下式分解表示：E＝μ+η+e
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)S32、多区域贝叶斯高斯过程，随着电力智能检测设备实时性与精度的提升，负荷波动测量的误差e逐渐减小，可忽略，即可将式(7)简化为：E＝μ+GP
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)假设有Z个用电区域，对于用电区域l，l＝1,2,
…
,Z，通过上述负荷聚类融合后，获取的聚类类别包括N种。而拟建的多区域贝叶斯时空高斯过程模型具有以下模型结构：S33、设计多区域BSGP参数估计迭代算法：输入训练数据后，在第j次迭代中，通过减去在j
‑
1次迭代中从电力消耗数据获得的高斯过程系数来更新μ的参数，然后预测相关随机过程的贝叶斯高斯模型系数GP，再输入测试数据进行收敛验证，进而根据μ的变化情况来判定收敛性能。若未达到收敛程度，则在下次迭代前，应减去第j次迭代时的μ值来更新GP系数。这一过程迭代循环进行...

【专利技术属性】
技术研发人员：罗红郊，马晓琴，展飞，薛晓慧，马占海，薛峪峰，张俊超，严嘉正，孙妍，田光欣，马海瑛，韩伟东，
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：