一种基于聚类和滑动窗口的短期负荷预测方法技术

本发明专利技术涉及一种基于聚类和滑动窗口的短期负荷预测方法，包括以下步骤：对电力负荷数据进行预处理；使用聚类算法对预测用户的历史数据进行聚类，调整聚类参数；在聚类结果中包含数据最多的一类中由距离预测时间由近到远选取k个数据，构成滑动窗口k；对挑选的k个数据使用基于滑动窗口的组合模型进行预测，获取初步预测结果；根据气象因素对组合模型的初步预测结果进行修正，得到最终的负荷预测结果。与现有技术相比，本发明专利技术具有预测精度高、自适应性好等优点。

【技术实现步骤摘要】

本专利技术涉及电力负荷预测
，尤其是涉及。
技术介绍
短期负荷预测是电力部门的一项重要工作，是能量管理系统的重要组成部分，在现代电力系统的安全和经济运行中起着重要作用。短期电力负荷预测主要用于预报未来几小时，一天直至几天的电力负荷，其准确与否直接关系到电力系统的安全运行和经济调度。高精度的短期电力负荷预测有助于合理地安排电网设备调度及检修计划，提高电力系统运行的稳定性，减少电网的发电成本，有利于提高电力系统的经济效益和社会效益。短期负荷预测的突出特点是以日为周期呈现变化的相似性，同时明显受天气因素的影响。因此需要充分研究负荷变化规律，分析负荷变化银子，特别是天气因素、日类型等和短期负荷变化的关系。目前，对于短期负荷预测，主要采用时间序列、回归分析、趋势外推、灰色模型和神经网络等方法，这些算法各具优缺点，适应的范围各不相同。由于负荷预测受到很多不确定因素的影响，目前为止，没有一种方法保证在任何情况下都能获得满意的预测结果。此外，在短期负荷预测中，历史数据量过大，如何选取真正有效的历史数据也是需要重点研究的问题。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于聚类和滑动窗口的短期负 荷预测方法。本专利技术的目的可以通过以下技术方案来实现:—种基于聚类和滑动窗口的短期负荷预测方法，具体包括以下步骤:步骤1:对电力负荷数据进行预处理，以适配聚类算法对数据的要求；步骤2:使用聚类算法对预测用户的历史数据进行聚类，调整聚类参数，使聚类算法得到的最大类不包含偏差大于阈值的负荷数据项，且类的成员尽可能多；步骤3:在聚类结果中包含数据最多的一类中由距离预测时间由近到远选取k个数据，构成滑动窗口 k;步骤4:对挑选的k个数据使用基于滑动窗口的组合模型进行预测，获取预测结果;步骤5:根据气象因素对组合模型的预测结果进行修正，得到最终的负荷预测结果O步骤2具体为:步骤2.1:以天为单位选取某个预测用户的历史数据，并按照一周七天进行分类；步骤2.2:利用聚类算法，将周一到周日的数据分别聚类，分别选取包含数据最多的类。步骤4具体为:步骤4.1:分别利用不同的预测模型对选取的k个数据进行预测；步骤4.2:在步骤3选取的滑动窗口 k内，计算步骤4.1中各个预测模型的窗口范围内的平均预测误差，进而计算出各预测模型在组合模型中的权重；步骤4.3:根据各预测模型的预测结果和其在组合模型中的权重计算预测结果。步骤4.1中所利用的预测模型包括ARMA模型、支持向量机模型和神经网络模型。步骤5具体为:步骤5.1:在步骤3选取的滑动窗口 k内，根据温度、湿度和风速计算各时刻的实感温度；步骤5.2:在步骤3选取的滑动窗口 k内，根据各时刻的负荷真实值、预测值和实感温度建立气象因素修正模型；步骤5.3:利用确定的气象因素修正模型，对组合预测模型得到的预测结果进行修正，从而得到最终的预测结果。与现有技术相比，本专利技术采用聚类算法对用电负荷历史数据进行聚类，最大程度上挖掘了用户的用电规律，剔除了少量偏差负荷曲线的影响，通过选取聚类后包含负荷曲线最多的一类进行预测模型训练，可有效提高短期负荷预测的精度。目前没有任何一种预测 方法能保证在各种情况下都能获得较好的预测结果，由于采用基于滑动窗口的组合模型进行预测，综合利用各种预测模型所提供的信息，能够有效改善预测模型的拟合能力。各预测模型的权重根据其预测误差动态调整，以提高预测精度和自适应性。此外，本专利技术还采用了能综合反映不同基础气象指标实感温度对组合负荷预测模型的预测结果进行修正，以反映气候条件变化对短期负荷预测的影响，从而进一步提高负荷预测精度。附图说明图1为本专利技术的流程图；图2为AP聚类算法的流程图。具体实施例方式下面结合附图和具体实施例对本专利技术进行详细说明。实施例如图1所示，，具体包括以下步骤:步骤1:对采集的负荷数据进行预处理，形成样本集，以适配聚类算法对数据的要求。由于负荷数据是相邻两个时刻电表值的差值，如果负荷数据为负值，即出现电表倒转现象，将此值变为零值。对于缺失值，利用趋势补偿法，即根据用户以往有数值时刻的用电量，分析用户历史用电趋势，并按照当日电表值比例来填充空值。负荷数据预处理之后，对所有数据进行样本分析，形成样本集。由于一周七天负荷模型不同，所以分开建立样本，分开训练，分开预测。同时为了保证训练样本足够大，本实例采集的是两年内每天24小时整点时刻的负荷数据。需要采集的数据除了负荷数据外，还需要采集气温CC )、相对湿度(％ )、风速(m/s)等气象数据。步骤2:使用聚类算法对预测用户的历史数据进行聚类，调整聚类参数，使聚类算法得到的最大类不包含偏差大于阈值的负荷数据项，且类的成员尽可能多。本实施例中以周一为例来来进行说明，针对某个预测用户的用电数据，将历史上2年内104个周一的数据进行聚类，选取聚类结果最多的一类。此处采用AP聚类算法进行聚类。AP聚类算法传递吸引度(responsiility)和隶属度(availability)两类消息。其中吸引度消息R(i，k)表示从点i发送到候选聚类中心k的数值消息，反映k点是否适合作为i点的聚类中心。隶属度消息A(i，k)表示从候选聚类中心k发送到i的数值消息，反映i点是否选择k作为其聚类中心。AP算法通过迭代过程不断更新每一个点的吸引度和隶属度值，直到产生m个高质量的聚类中心(exemplar),同时将其余的数据点分配到相应的聚类中。在迭代更新吸引度参数Rf和隶属度参数Af时，为抑制振荡影响，引入阻尼系数λ，如公式(I)和(2)所示，其中吸引度参数Rt和隶属度参数At仅是通过公式(3)到公式(5)计算的临时值，每次迭代最终获得的吸引度参数Rf和隶属度参数Af等于吸引度参数临时值Rt和隶属度参数临时值At与上一次迭代最终获得的吸引度参数Rm和隶属度参数Am的加权和。本文档来自技高网...

【技术保护点】
一种基于聚类和滑动窗口的短期负荷预测方法，其特征在于，具体包括以下步骤：步骤1：对电力负荷数据进行预处理，以适配聚类算法对数据的要求；步骤2：使用聚类算法对预测用户的历史数据进行聚类，调整聚类参数，使聚类算法得到的最大类不包含偏差大于阈值的负荷数据项，且类的成员尽可能多；步骤3：在聚类结果中包含数据最多的一类中由距离预测时间由近到远选取k个数据，构成滑动窗口k；步骤4：对挑选的k个数据使用基于滑动窗口的组合模型进行预测，获取预测结果；步骤5：根据气象因素对组合模型的预测结果进行修正，得到最终的负荷预测结果。

【技术特征摘要】
1.一种基于聚类和滑动窗口的短期负荷预测方法，其特征在于，具体包括以下步骤: 步骤1:对电力负荷数据进行预处理，以适配聚类算法对数据的要求； 步骤2:使用聚类算法对预测用户的历史数据进行聚类，调整聚类参数，使聚类算法得到的最大类不包含偏差大于阈值的负荷数据项，且类的成员尽可能多； 步骤3:在聚类结果中包含数据最多的一类中由距离预测时间由近到远选取k个数据，构成滑动窗口 k; 步骤4:对挑选的k个数据使用基于滑动窗口的组合模型进行预测，获取预测结果； 步骤5:根据气象因素对组合模型的预测结果进行修正，得到最终的负荷预测结果。2.根据权利要求1所述的一种基于聚类和滑动窗口的短期负荷预测方法，其特征在于，步骤2具体为: 步骤2.1:以天为单位选取某个预测用户的历史数据，并按照一周七天进行分类； 步骤2.2:利用聚类算法，将周一到周日的数据分别聚类，分别选取包含数据最多的类。3.根据权利要求1所述的一种基于聚类和滑动窗口的短期负荷预测方法，...

【专利技术属性】
技术研发人员：吴家华，沈冬，陈晓峰，刁沓，罗海勇，赵方，王凤，
申请(专利权)人：国家电网公司，上海市电力公司，
类型：发明
国别省市：