一种基于典型日特征选择的短期负荷预测方法及系统技术方案

本发明专利技术提出了一种基于典型日特征选择的短期负荷预测方法及系统，包括：获取历史负荷数据、历史气象数据及预测日气象数据；对历史负荷数据进行聚类，获得负荷特征典型日分类结果，对于聚类之后的每一类负荷，采用聚类中心作为该类负荷的典型日，用于分析每一类负荷的特征；针对每类负荷的典型日，计算各影响因子与负荷之间的最大信息系数和协同度，基于计算结果完成每类负荷的特征选择，获得每类负荷的的特征集；利用历史气象数据及每类负荷的的特征集分别训练神经网络；将预测日气象数据输入至训练后的神经网络中获得负荷预测结果。至训练后的神经网络中获得负荷预测结果。至训练后的神经网络中获得负荷预测结果。

【技术实现步骤摘要】
一种基于典型日特征选择的短期负荷预测方法及系统


[0001]本专利技术属于短期负荷预测
，尤其涉及一种基于典型日特征选择的短期负荷预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]短期电力负荷预测既是发电厂制定日内实时发电规划的依据，也是电网安全经济运行的保障。随着电力市场的进一步开放，电力生产和消费更加市场化，负荷预测的实时结果数据将成为电力交易中心最倚重的数据之一，这对电力系统负荷预测的准确性提出了更高的要求。
[0004]基于传统数学统计模型的电力负荷预测具有运算量小、简单线性预测精度高的优点，但不足以处理复杂非线性负荷时间序列，难以满足现代预测需求，随着人工智能技术的发展，机器学习在电力负荷预测领域得到广泛应用，如人工神经网络、支持向量机等。然而此类方法大多为浅层模型，泛化能力差，面对少量数据的情况时表现较好，但在输入海量数据时可能会出现网络不稳定和参数不收敛等问题。
[0005]随着大量传感仪器、智能电表设备的投入，为基于深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于典型日特征选择的短期负荷预测方法，其特征是，包括：获取历史负荷数据、历史气象数据及预测日气象数据；对历史负荷数据进行聚类，获得负荷特征典型日分类结果，对于聚类之后的每一类负荷，采用聚类中心作为该类负荷的典型日，用于分析每一类负荷的特征；针对每类负荷的典型日，计算各影响因子与负荷之间的最大信息系数和协同度，基于计算结果完成每类负荷的特征选择，获得每类负荷的的特征集；利用历史气象数据及每类负荷的的特征集分别训练神经网络；将预测当日的输入变量集输入至训练后的神经网络中获得负荷预测结果。2.如权利要求1所述的一种基于典型日特征选择的短期负荷预测方法，其特征是，对历史负荷数据使用基于相似度的K
‑
means算法聚类分析，实现负荷特征典型日分类，对于聚类之后的每一类负荷，采用K
‑
means聚类中心作为该类负荷的典型日，用于分析每一类负荷的特征。3.如权利要求1所述的一种基于典型日特征选择的短期负荷预测方法，其特征是，对历史负荷数据使用基于相似度的K
‑
means算法聚类分析，将聚类结果按其特征分为低温、中温、高温三类负荷典型日，针对每类负荷典型日分别进行特征选择与神经网络模型训练。4.如权利要求1所述的一种基于典型日特征选择的短期负荷预测方法，其特征是，采用最大信息系数作为短期负荷预测变量选择的相关度标准，假设负荷值y为目标变量，x为待筛选的负荷预测模型输入变量，定义输入变量x与目标变量的相关度Rel(x)为：Rel(x)＝MIC(x,y)。5.如权利要求1所述的一种基于典型日特征选择的短期负荷预测方法，其特征是，基于计算结果完成每类负荷的特征选择，具体为：将最大信息系数与特征协同度结合，作为负荷特征选择的指标，最大信息系数与特征协同结合为作为选择变量时的评价标准，步进迭代选择变量。6.如权利要求1所述的一种基于典型日特征选择的短期负荷预测方法，其特征是，使用MIC算法选择变量的迭代步骤如下：1)第1次变量选择时选择与输出变量相关度最高的变量：2)第n次变量选择时，n＞1,对待...

【专利技术属性】
技术研发人员：刘昊，杨明，张俊岭，隗寿晨，姜学良，何成，牛爱梅，褚敬，郑旭东，
申请(专利权)人：山东大学，
类型：发明
国别省市：