一種基于模糊聚類的中長期電力負荷預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于模糊聚類的中長期電力負荷預(yù)測方法，適用于電網(wǎng)的年最大 負荷、年用電量預(yù)測。
【背景技術(shù)】
[0002] 負荷曲線反映用戶的用電特點及規(guī)律，通過負荷變化趨勢，安排電力系統(tǒng)運行方 案，安排供電設(shè)備計劃，安排設(shè)備檢修計劃等，而中長期負荷變化趨勢更是電網(wǎng)規(guī)劃的基 礎(chǔ)，電網(wǎng)規(guī)劃又是電網(wǎng)建設(shè)的依托。因此，如何準確進行負荷預(yù)測已經(jīng)成為提高電網(wǎng)運行合 理度及其規(guī)劃質(zhì)量的前提。
[0003] 電力負荷受到的影響因素眾多，具有較強的不確定性和隨機性，且相互之間存在 著一定的關(guān)聯(lián)性，當使用傳統(tǒng)方法進行電力負荷預(yù)測時，在確定影響因素對被預(yù)測量的影 響程度時，由于影響因素之間的關(guān)聯(lián)性極有可能導致信息重疊，導致預(yù)測模型的精準度降 低。傳統(tǒng)預(yù)測方法大致可以分為參數(shù)估計法和人工智能法，經(jīng)過不斷演化，傳統(tǒng)預(yù)測模型都 已較為成熟。傳統(tǒng)預(yù)測方法多以如"負荷相關(guān)經(jīng)濟數(shù)據(jù)"等負荷間接影響因素或者電力負荷 數(shù)據(jù)序列本身進行建模和分析，有效地利用負荷相關(guān)經(jīng)濟數(shù)據(jù)或者序列自身反應(yīng)的一些隱 含信息，但這些信息還不夠全面、完整。
[0004] 對于中長期電力負荷預(yù)測來說，怎樣消除眾多負荷影響因素的相關(guān)性，挖掘如"主 要行業(yè)用電量"等負荷直接影響因素的新信息，從而更加準確、全面的表述影響因素對負荷 的作用量，對提高負荷預(yù)測精度具有重要的意義。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是，提供一種能充分考慮負荷影響因素之間的關(guān)聯(lián)性并予以消除， 更加全面的、深刻的挖掘負荷直接影響因素的新信息，提升負荷預(yù)測精準度，科學合理，簡 便易行，適用性強的基于模糊聚類的中長期電力負荷預(yù)測方法。
[0006] 為實現(xiàn)上述目的，所采用的技術(shù)方案是：一種基于模糊聚類的中長期電力負荷預(yù) 測方法，其特征是，包括以下步驟：
[0007] 1)消除影響因素間的強相關(guān)性
[0008] 為了消除電力負荷影響因素彼此之間的強相關(guān)性，作出精確預(yù)測，需采用模糊聚 類法對影響因素進行分類，相關(guān)性較強的若干因素將被歸為一類，便于分析其對電力負荷 的整體影響；
[0009] 設(shè)有m個樣本，每個樣本包括持續(xù)觀測得到的η個樣本元素，觀測數(shù)據(jù)矩陣X如下：
[0010]
⑴
[0011] (2)
_ (3)
[0013] ⑷
[0014] 其中，下標i表示第i個樣本，下標j表示第j個時間段，Xl表示第i個樣本序列，XlJ表 示觀測數(shù)據(jù)矩陣乂的樣本元素，其中，16[1， 111]，_]_6[1，11]，(11)(1表示樣本口和樣本9之間的歐氏 距離，
[0015] 每個樣本自成一類，分別計算類與類之間的歐氏距離，將距離最小的兩類設(shè)為類a 和類b，合并成一個新類r，按drz =min {daz，dbz}計算類r與其他類的距離，重復本步驟，直至 所有樣本合并成一類，
[0016] 觀察各類之間的距離，將距離小于某些定值的類合并，新類的樣本元素為所合并 類的對應(yīng)元素的加和，其他類保留，組成觀測矩陣X的簡化矩陣F;
[0017] 2)行為因子對主行為影響程度的確定
[0018] 以被預(yù)測量的最大負荷構(gòu)造灰色絕對關(guān)聯(lián)度理論中的主行為序列；以所有影響因 素模糊聚類后的各個新類構(gòu)造被預(yù)測量的行為因子序列，
[0019] 為了得到行為因子對主行為的影響程度或行為因子對主行為的貢獻測度，采用灰 色絕對關(guān)聯(lián)度分析，認為兩者的灰色絕對關(guān)聯(lián)度越大，則行為因子與主行為的影響越大，
[0020] 定義長度相同的系統(tǒng)行為因子序列Xi = (xi⑴Xi⑵…Xi(n))，其中ie[l，9]，9< m;主行為序列八=(x..( ,··:·.'(_?)，因子序列和主行為序列的始點零化序列為：Xi〇 = (Xi〇(i) Xi〇(2)…叉洲!!)），其中ie[l，0]，0<m;Xz〇=(xz〇(i) χζ〇(2)…叉咖!!)），令
t5) ? 6) (7) -(8) L0025」其中，i e [ 1，θ ]，Θ <m，δ1ζ為行為因子序列X,和主行為序列Xz的灰色絕對關(guān)聯(lián)度， [0026]影響程度的歸一化處理：
[0027]
(9)
[0028] 其中，ie[l，0] 為回歸模型中的權(quán)重系數(shù);分別計算行為因子的權(quán)重系 數(shù)，得到權(quán)重系數(shù)矩陣K=[ki k2 ···!?];
[0029] 3)模型構(gòu)建
[0030] 根據(jù)模糊聚類分析得出的觀測矩陣X的簡化矩陣F，依據(jù)灰色絕對關(guān)聯(lián)度原理計算 出聚類后各行為因子的權(quán)重系數(shù)矩陣K，對簡化矩陣F中的Θ個樣本的數(shù)據(jù)進行數(shù)據(jù)擬合，得 到0個的樣本各自隨后α年的預(yù)測值，組成矩陣 Fl，得：
[0031]
(.10)
[0032]其中，Z表示預(yù)測值，T表示調(diào)整系數(shù)，其中T的確定過程如下：
[0033]用計算得到的系數(shù)矩陣K與聚類后的簡化矩陣F相乘，得到新的矩陣KF:
[0034] KF = K?F=[kfi kf2 ???kfn] (11)
[0035] 各年實際負荷量矩陣freal=[frl fr2…frn]，而Tj的值為：
[0036]
(i2)
[0037] 進而可得調(diào)整系數(shù)T:
[0038]
(13):,,
[0039] 本發(fā)明提出的一種基于模糊聚類的中長期電力負荷預(yù)測方法能夠通過模糊聚類 算法對影響因素進行分類、整合，利用灰色絕對關(guān)聯(lián)度理論確定行為因子對主行為影響的 權(quán)重系數(shù)，深挖負荷直接影響因素的信息量，其優(yōu)點體現(xiàn)在：
[0040] 1.充分考慮負荷直接影響因素之間的相關(guān)性并予以消除，解決了其可能導致的預(yù) 測準確度下降問題；
[0041] 2.準確得出電力負荷直接影響因素對于電力負荷的影響程度，提升負荷預(yù)測的精 度；
[0042] 3.方法科學合理，簡便易行，具有較強的適應(yīng)性，適用于中長期電力負荷預(yù)測和年 用電量預(yù)測。
【附圖說明】
[0043]圖1為模糊聚類流程圖；
[0044] 圖2為一種基于模糊聚類的中長期電力負荷預(yù)測方法流程圖；
[0045] 圖3為聚類分析結(jié)果圖。
【具體實施方式】
[0046] 下面利用實例對本發(fā)明的一種基于模糊聚類的中長期電力負荷預(yù)測方法進行詳 細描述。
[0047] 參照圖1-圖3,本發(fā)明的一種基于模糊聚類的中長期電力負荷預(yù)測方法，包括以下 步驟:首先應(yīng)確定預(yù)測量及其影響因素;其次，通過觀測獲取各影響因素在一定時間范圍內(nèi) 的樣本數(shù)據(jù)，建立樣本數(shù)據(jù)的模糊相似關(guān)系，分析各樣本的獨特性、相似性與親疏程度等特 征，對近似樣本進行歸并、分類與篩選;然后，依據(jù)分類結(jié)果，分析計算聚類后各樣本序列與 預(yù)測量序列的灰色絕對關(guān)聯(lián)度及樣本序列的權(quán)重系數(shù);最后，以樣本聚類結(jié)果隨后擬合數(shù) 據(jù)預(yù)測值為自變量，建立預(yù)測量的預(yù)測模型，開展最大負荷預(yù)測。
[0048] 以某電網(wǎng)的年最大負荷預(yù)測為例，若其直接影響因素為按照行業(yè)用電分類標準劃 分的八個主要行業(yè)年用電量，表1為預(yù)測量與影響因素連續(xù)十一年的觀測值，
[0049]表1某電網(wǎng)年最大負荷及主要行業(yè)年用電量 [0050]
[0052] 1)消除影響因素間的強相關(guān)性
[0053] 為了消除電力負荷影響因素彼此之間的強相關(guān)性，做出精確預(yù)測，需采用模糊聚 類法對影響因素進行分類，相關(guān)性較強的若干因素將被歸為一類，便于分析其對電