【技术实现步骤摘要】
本专利技术涉及用户短期用电预测的，尤其是涉及一种大用户短期用电预测方法、装置和介质。
技术介绍
1、目前的大用户短期用电预测的方法中，虽然可以采用pso算法等方法对用电比较平稳的用户进行预测，通过pso算法优化唯一核函数的参数，不断逼近高平稳性用户的负荷模式，但是当用户的用电平稳性较差时，日负荷曲线峰谷差较大、用电波动较大，pso算法无法预测并跟踪负荷的大幅度波动，低用电平稳性用户用电预测精度较低。
技术实现思路
1、本专利技术的目的就是为了提高用电平稳性较差的大用户的短期用电预测准确性而提供的一种大用户短期用电预测方法、装置和介质。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种大用户短期用电预测方法，方法包括：
4、s1、获取实际的工业大用户历史日负荷记录，得到大用户历史日负荷数据；
5、s2、利用k-means聚类方法对大用户历史日负荷数据进行聚类，得到聚类后的日负荷数据，聚类后的日负荷数据为n组日负荷数据；
6、s3、将n组日负荷数据分别输入n个大用户短期用电预测子模型，得到n个预测结果；
7、s4、计算大用户短期用电预测子模型的输入和聚类后的日负荷数据中各个类的中心的相似度，确定每个大用户短期用电预测子模型的权重，将每个大用户短期用电预测子模型的权重分别乘以对应的预测结果，再将得到的所有乘积相加，得到大用户短期用电的最终预测结果。
8、进一步地，利用k-means聚类方法对大用
9、s21、随机从大用户历史日负荷数据中选择k个样本作为初始聚类中心，将初始聚类中心作为当前聚类中心；
10、s22、对于所有大用户历史日负荷数据中的样本，计算样本到各个当前聚类中心的欧氏距离，样本加入欧氏距离最短的聚类中心对于的类；
11、s23、对每个类计算均值，得到新的当前聚类中心；
12、s24、重复s22和s23，直至满足终止条件。
13、进一步地，大用户短期用电预测子模型的训练过程具体为：
14、a1、对rbf神经网络参数进行初始化；
15、a2、将一类日负荷数据输入rbf神经网络，计算rbf神经网络的隐含层和输出层神经元的输出；
16、a3、计算rbf神经网络的输出的均方根误差，判断均方根误差是否大于阈值，若是，则执行a4，反之，得到训练完成的该类日负荷数据对应的大用户短期用电预测子模型，训练结束；
17、a4、迭代计算，调节rbf神经网络的权重、中心和宽度参数，迭代此处+1，若迭代次数达到此处阈值，则训练结束，反之，返回a2。
18、进一步地，隐含层和输出层神经元的输出为：
19、
20、
21、其中，x为一类日负荷数据，cj为隐含层的第j个中心向量，dj为隐含层的第j个宽度向量，zj为第j个隐含层的输出，p为隐含层神经元总数；
22、wkj为输出层第k个神经元和隐含层的第j个神经元之间的权重，q为和输出层神经元的总数，yk为输出层神经元的输出。
23、进一步地，大用户短期用电预测子模型的输入和聚类后的日负荷数据中一个类的中心的相似度为：
24、
25、其中，xh为大用户短期用电预测子模型的输入，cjh为第j个聚类中心，d为大用户短期用电预测子模型的输入长度，qh为大用户短期用电预测子模型的输入的第h个分量的权重。
26、进一步地，一个大用户短期用电预测子模型的权重为：
27、
28、其中，wxj表示第j个大用户短期用电预测子模型的权重，c表示大用户短期用电预测子模型的总数。
29、进一步地，大用户短期用电预测子模型的输入的第h个分量的权重为：
30、
31、其中，d为大用户短期用电预测子模型的输入长度。
32、本专利技术的另一方面，还提出一种大用户短期用电预测装置，装置包括大用户历史日负荷数据生成模块、聚类模块、预测模块和融合模块；
33、其中大用户历史日负荷数据生成模块用于获取实际的工业大用户历史日负荷记录，得到大用户历史日负荷数据；
34、聚类模块用于利用k-means聚类方法对大用户历史日负荷数据进行聚类，得到聚类后的日负荷数据，聚类后的日负荷数据为n组日负荷数据；
35、预测模块用于将n组日负荷数据分别输入对应的n个大用户短期用电预测子模型，得到n个预测结果；
36、融合模块用于计算大用户短期用电预测子模型的输入和聚类后的日负荷数据中各个类的中心的相似度，确定每个大用户短期用电预测子模型的权重，将每个大用户短期用电预测子模型的权重分别乘以对应的预测结果，再将得到的所有乘积相加，得到大用户短期用电的最终预测结果。
37、本专利技术的另一方面，还提出一种大用户短期用电预测装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现上述的方法。
38、本专利技术的另一方面，还提出一种计算机可读存储介质，其上存储有程序，所述程序被执行时实现上述的方法。
39、与现有技术相比，本专利技术具有以下有益效果：
40、本专利技术采用变权的rbf网络子模型进行预测结果的融合，子模型权重wxj不是固定不变的常权，而是一种与待预测时刻输入x有关、能够随x与各类中心相似度的不同而自适应调整变化，可以实现越相似者贡献越大的多模型自适应融合，结合kmeans聚类算法进行聚类，本专利技术能够预测并跟踪负荷的大幅度波动，有效提高低用电平稳性用户用电预测精度。
本文档来自技高网...【技术保护点】
1.一种大用户短期用电预测方法，其特征在于，方法包括：
2.根据权利要求1所述的一种大用户短期用电预测方法，其特征在于，利用K-means聚类方法对大用户历史日负荷数据进行聚类，得到聚类后的日负荷数据的具体步骤为：
3.根据权利要求1所述的一种大用户短期用电预测方法，其特征在于，大用户短期用电预测子模型的训练过程具体为：
4.根据权利要求3所述的一种大用户短期用电预测方法，其特征在于，隐含层和输出层神经元的输出为：
5.根据权利要求1所述的一种大用户短期用电预测方法，其特征在于，大用户短期用电预测子模型的输入和聚类后的日负荷数据中一个类的中心的相似度为：
6.根据权利要求5所述的一种大用户短期用电预测方法，其特征在于，一个大用户短期用电预测子模型的权重为：
7.根据权利要求6所述的一种大用户短期用电预测方法，其特征在于，大用户短期用电预测子模型的输入的第h个分量的权重为：
8.一种大用户短期用电预测装置，其特征在于，装置包括大用户历史日负荷数据生成模块、聚类模块、预测模块和融合模块；
10.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种大用户短期用电预测方法，其特征在于，方法包括：
2.根据权利要求1所述的一种大用户短期用电预测方法，其特征在于，利用k-means聚类方法对大用户历史日负荷数据进行聚类，得到聚类后的日负荷数据的具体步骤为：
3.根据权利要求1所述的一种大用户短期用电预测方法，其特征在于，大用户短期用电预测子模型的训练过程具体为：
4.根据权利要求3所述的一种大用户短期用电预测方法，其特征在于，隐含层和输出层神经元的输出为：
5.根据权利要求1所述的一种大用户短期用电预测方法，其特征在于，大用户短期用电预测子模型的输入和聚类后的日负荷数据中一个类的中心的相似度为：
6.根据权利要求...
【专利技术属性】
技术研发人员：吕冉，王素，兰莉，傅晨，陈鹏，陈甦，吴恩琦，郭明星，顾闻，侯智子，李欣悦，
申请(专利权)人：国网上海市电力公司，
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。