【技术实现步骤摘要】
一种基于K均值聚类和随机森林算法的无功负荷预测方法
[0001]本专利技术涉及电力领域，更具体地说是一种基于K均值聚类和随机森林算法的无功负荷预测方法。
技术介绍
[0002]电力负荷预测是根据某一地区的历史用电负荷数据，预测该区域未来一段时间内的有功无功负荷。以往的电力负荷预测研究主要是负载有功功率的预测，对负荷无功功率预测的研究较少。因此，负载的无功功率需要引起我们的关注。电力预测可以为电力系统决策提供重要依据，是建设智能电网过程中的重要环节。随着电网智能化的发展，电网对电力负荷预测的速度和准确性的要求逐渐提高。
[0003]在交流输电网中，无功损耗将远大于有功功率损耗，因此无功负荷受线路潮流的影响很大，同时受电压等级、变流能力、负荷系数、非线性无功补偿能力等的影响。该因子的影响，无功功率点的分布比有功功率点更细、更分散，这使得无功负载的变化比有功负载更随机、更非线性。传统的有功功率预测方法缺乏正确性。考虑到无功负荷的特点，预测效果不好。
[0004]基于机器学习的无功负荷预测算法可以提供良好的预测精度。...
【技术保护点】
【技术特征摘要】
1.一种基于K均值聚类和随机森林算法的无功负荷预测方法，包括：获取电力系统的电力负荷数据并构建数据集；数据集归一化处理，对数据集进行归一化；利用K
‑
means聚类，根据历史载荷数据将载荷划分为k种载荷；对聚类过后的数据集进行特征提取，通过随机森林算法对提取的特征进行训练与验证，实现某一地区一定时间内的无功负荷预测。2.根据权利要求1所述的一种基于K均值聚类和随机森林算法的无功负荷预测方法，其特征在于：数据采集与构造数据集(1)采集地区内电力系统中8天内不同负荷的无功功率数据集；负载数据大约每2分钟采集一次，共10个采样点；(2)将数据与标签制作成数据集用于后续归一化处理；(3)对负荷数据进行归一化处理，分为训练集与测试集；对负荷数据进行归一化处理主要是为了让负荷数据的值能够缩小在在一定范围，有助于数据内部的量级差距，且有助于降低后续深度学习过程的复杂程度，加快程序的执行速度，更好的适应海量数据分析处理的应用场景；归一化处理方式如下:在聚类之前，我们使用最小
‑
最大规范化将所有负载数据映射到[0，1]：在公式中，x
max
是某个负载历史数据的最小值，并且x
min
是某个负载历史数据的最大值。3.根据权利要求1所述的一种基于K均值聚类和随机森林算法的无功负荷预测方法，其特征在于：K
‑
means聚类分析为了使负荷预测结果更加准确，我们首先使用K均值聚类算法将负荷划分为k个类别,相似历史数据的负荷被分组为一个类别；本研究使用K
‑
means聚类算法将多个荷载划分为几种典型类型；K
‑
means聚类选择原始聚类中心和类数，因此从每个特征向量到所选类中心的欧氏距离最小；K
‑
means聚类分析算法的步骤如下：(1)选择数据集中的k个点作为初始聚类中心点(2)计算从其他点到k个中心点的欧氏距离，并将其分配给由最近的聚类中心表示的聚类；欧几里得距离的计算公式为：其中N是样本向量的大小；(3)计算分类到每个类别的所有样本的平均值，并更新每个类别的中心(4)按照步骤2)和3)迭代更新，直到平方误差准则函数稳定在最小值；平方误差准则计算公式为：
其中k是要聚类的聚类数，n是类的样本数，以及为类样本的平均值经过上述算法处理数据，可以将步骤一中处理的数据集分为不同类别、不同程度及不同负荷的的k类负荷数据，具有相同历史数据的负荷被分到同一个类别，即：基于历史负荷数据，本文为每种负荷类型构建了四个特征：负荷标签、前一天同一时间的负荷、前12小时同一时间的负荷和前24小时的平均负荷；聚类之后的数据能够以“同类”的方式分布，能够帮助后续特征处理一个良好的分布及加快随机森林算法模型训练的拟合速度和算法模型的精确度。4.根据权利要求1所述的一种基于K均值聚类和随机森林算法的无功负荷预测方法，其特征在于：随机森林算法提取特征由Leo Breiman和Adele Cutler提出的随机森林是一种监督集成学习算法；它按照一定的规则由多元分类回归树组成，回归预测结果取每个决策树的预测值的平均值；使用随机样本训练样本和一些特征来形成随机子空间训练决策树；随机森林是一种由多个决策树组成的综合学习方法；可以有效解决大数据快速处理的问题；目前，电网中的SCADA数据量不断增加，迫切需要随机森林等人工智能算法来帮助电力公司分析和处理电网运行中的大数据；因此，随机...
【专利技术属性】
技术研发人员：韦冬妮，车彬，陈宝生，张泽龙，齐彩娟，靳盘龙，纪强，杨燕，杨钊，刘桐，
申请(专利权)人：国网宁夏电力有限公司经济技术研究院，
类型：发明
国别省市：
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。