一種短期用電負(fù)荷預(yù)測(cè)方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及電力負(fù)荷預(yù)測(cè)技術(shù)領(lǐng)域，尤其設(shè)及一種短期用電負(fù)荷預(yù)測(cè)方法及裝 置。
【背景技術(shù)】
[0002] 當(dāng)前，由于電能不能大量膽存的特點(diǎn)，電力系統(tǒng)需要隨時(shí)保持供需平衡。為保證電 力系統(tǒng)的安全，必須掌握負(fù)荷的變化規(guī)律，W及未來的變化趨勢(shì)，即需要對(duì)用電負(fù)荷進(jìn)行有 效的預(yù)測(cè)。負(fù)荷預(yù)測(cè)既是電力系統(tǒng)規(guī)劃的重要組成部分，又是提高電力企業(yè)經(jīng)濟(jì)效益、促進(jìn) 國(guó)民經(jīng)濟(jì)發(fā)展的重要因素之一。而短期用電負(fù)荷預(yù)測(cè)是指對(duì)未來幾個(gè)小時(shí)、1天，直至一周 的負(fù)荷預(yù)測(cè)。它是電網(wǎng)經(jīng)濟(jì)運(yùn)行和安全控制中必不可少的基礎(chǔ)，對(duì)電網(wǎng)運(yùn)行的安全性、可靠 性和經(jīng)濟(jì)性起著重要作用。高精度的短期用電負(fù)荷預(yù)測(cè)有助于合理地安排電網(wǎng)設(shè)備調(diào)度及 檢修計(jì)劃，提高電力系統(tǒng)運(yùn)行的穩(wěn)定性，減少電網(wǎng)的發(fā)電成本，提高電力系統(tǒng)的經(jīng)濟(jì)效益和 社會(huì)效益。
[0003] 短期用電負(fù)荷的突出特點(diǎn)是W日為周期呈現(xiàn)變化的相似性，且明顯受天氣因素的 影響。因此若要實(shí)現(xiàn)有效的短期用電預(yù)測(cè)，需要充分研究負(fù)荷變化規(guī)律，分析負(fù)荷變化因 子，特別是天氣因素和短期用電負(fù)荷變化的關(guān)系。目前，對(duì)于短期用電負(fù)荷預(yù)測(cè)，主要采用 如下方式:一、時(shí)間序列預(yù)測(cè)法;二、回歸分析預(yù)測(cè)法己、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法；四、灰色模型預(yù) 測(cè)法。其中，時(shí)間序列預(yù)測(cè)法是電力行業(yè)中應(yīng)用最為廣泛、發(fā)展比較成熟的方法，其將負(fù)荷 數(shù)據(jù)看作是按周、天W及小時(shí)周期性變化的時(shí)間序列，根據(jù)歷史資料，建立一個(gè)數(shù)學(xué)模型描 述用電負(fù)荷運(yùn)個(gè)隨機(jī)變量的統(tǒng)計(jì)規(guī)律，對(duì)未來的用電負(fù)荷進(jìn)行預(yù)報(bào)。但時(shí)間序列預(yù)測(cè)法存 在易受噪聲數(shù)據(jù)干擾、預(yù)測(cè)精度隨步長(zhǎng)增大而降低等問題。回歸分析預(yù)測(cè)法是通過對(duì)變量 的觀測(cè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，確定變量之間的相關(guān)關(guān)系，從而實(shí)現(xiàn)預(yù)測(cè)的目的。但由于負(fù)荷預(yù) 測(cè)的輸入輸出非線性和模型缺乏自學(xué)習(xí)能力W及預(yù)測(cè)準(zhǔn)確度不高，導(dǎo)致回歸分析預(yù)測(cè)法只 能適用中、長(zhǎng)期負(fù)荷預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法是將歷史數(shù)據(jù)中對(duì)用電負(fù)荷影響最大的幾種因 素作為輸入量輸入人工神經(jīng)網(wǎng)絡(luò)，經(jīng)過輸入層、隱含層和輸出層中各神經(jīng)元的作用最后生 成輸出量，再W輸出誤差為目標(biāo)函數(shù)對(duì)網(wǎng)絡(luò)權(quán)值進(jìn)行不斷修正直至誤差達(dá)到要求，經(jīng)訓(xùn)練 后的網(wǎng)絡(luò)就可W預(yù)測(cè)結(jié)果。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法數(shù)據(jù)需求量大、收斂速度慢，并且缺乏一種行之 有效的方法解決訓(xùn)練過程中過擬合和欠擬合等問題。灰色模型預(yù)測(cè)法是將一定范圍內(nèi)變化 的歷史數(shù)據(jù)進(jìn)行累加、累減或級(jí)比生成，使其變成具有指數(shù)增長(zhǎng)規(guī)律的上升形狀，再對(duì)生成 的數(shù)列用微分方程建立灰色模型?；疑Ｐ皖A(yù)測(cè)法建模時(shí)不需要計(jì)算統(tǒng)計(jì)特征量，具有所 需數(shù)據(jù)量少、不用考慮變化趨勢(shì)、運(yùn)算方便、易于檢驗(yàn)等特點(diǎn)，但存在對(duì)于離散程度較大的 數(shù)據(jù)預(yù)測(cè)精度較差的問題。
[0004] 可見，當(dāng)前的短期用電負(fù)荷的方法存在預(yù)測(cè)精度較差，且處理較為繁瑣復(fù)雜的問 題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的實(shí)施例提供一種短期用電負(fù)荷預(yù)測(cè)方法及裝置，W解決當(dāng)前的短期用電 負(fù)荷的方法存在預(yù)測(cè)精度較差，且處理較為繁瑣復(fù)雜的問題。
[0006] 為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：
[0007] -種短期用電負(fù)荷預(yù)測(cè)方法，包括：
[0008] 獲取用電負(fù)荷的歷史數(shù)據(jù)W及所述用電負(fù)荷的歷史數(shù)據(jù)對(duì)應(yīng)的天氣信息的歷史 數(shù)據(jù)；
[0009] 對(duì)所述用電負(fù)荷的歷史數(shù)據(jù)W及所述天氣信息的歷史數(shù)據(jù)進(jìn)行模糊聚類分析預(yù) 處理；
[0010] 根據(jù)模糊聚類分析算法對(duì)預(yù)處理后的用電負(fù)荷的歷史數(shù)據(jù)進(jìn)行模糊聚類，調(diào)整模 糊聚類參數(shù)，獲取用電負(fù)荷的歷史數(shù)據(jù)的最優(yōu)分類;所述最優(yōu)分類中的用電負(fù)荷的歷史數(shù) 據(jù)與模糊聚類中屯、值的偏差均小于預(yù)設(shè)闊值，且所述最優(yōu)分類中的用電負(fù)荷的歷史數(shù)據(jù)個(gè) 數(shù)大于進(jìn)行模糊聚類所產(chǎn)生的其他分類中的用電負(fù)荷的歷史數(shù)據(jù)個(gè)數(shù)；
[0011] 根據(jù)一預(yù)設(shè)長(zhǎng)度的滑動(dòng)窗口在所述最優(yōu)分類中的用電負(fù)荷的歷史數(shù)據(jù)中獲取用 電負(fù)荷的歷史訓(xùn)練數(shù)據(jù)，并在預(yù)處理后的天氣信息的歷史數(shù)據(jù)中獲取所述用電負(fù)荷的歷史 訓(xùn)練數(shù)據(jù)的天氣信息歷史訓(xùn)練數(shù)據(jù)；
[0012] 根據(jù)預(yù)先設(shè)置的預(yù)測(cè)算法，對(duì)所述用電負(fù)荷的歷史訓(xùn)練數(shù)據(jù)和天氣信息歷史訓(xùn)練 數(shù)據(jù)進(jìn)行處理，獲取短期用電負(fù)荷預(yù)測(cè)數(shù)據(jù)。
[0013] 具體的，所述天氣信息的歷史數(shù)據(jù)包括:氣溫歷史數(shù)據(jù)、風(fēng)速歷史數(shù)據(jù)。
[0014] 具體的，對(duì)所述用電負(fù)荷的歷史數(shù)據(jù)W及所述天氣信息的歷史數(shù)據(jù)進(jìn)行模糊聚類 分析預(yù)處理，包括：
[0015] 將用電負(fù)荷的歷史數(shù)據(jù)中的負(fù)值置為0。
[0016] 具體的，對(duì)所述用電負(fù)荷的歷史數(shù)據(jù)W及所述天氣信息的歷史數(shù)據(jù)進(jìn)行模糊聚類 分析預(yù)處理，包括：
[0017] 根據(jù)趨勢(shì)預(yù)測(cè)模型確定用電負(fù)荷的歷史數(shù)據(jù)W及天氣信息的歷史數(shù)據(jù)中的缺失 數(shù)據(jù)；
[001引所述趨勢(shì)預(yù)測(cè)模型為：Xk = ak-t+bk-t X t;
[0019]其中，k為當(dāng)前時(shí)刻序號(hào)；t為在k時(shí)刻之前缺失數(shù)據(jù)的時(shí)刻數(shù)量;xk為k時(shí)刻的用電 負(fù)荷的歷史數(shù)據(jù)或者天氣信息的歷史數(shù)據(jù)；
為一次移動(dòng)平均值；7苗_,為二次移動(dòng)平均值;η為每次移動(dòng)平均的長(zhǎng)度。
[0020] 具體的，根據(jù)模糊聚類分析算法對(duì)預(yù)處理后的用電負(fù)荷的歷史數(shù)據(jù)進(jìn)行模糊聚 類，調(diào)整模糊聚類參數(shù)，獲取用電負(fù)荷的歷史數(shù)據(jù)的最優(yōu)分類，包括：
[0021] 根據(jù)預(yù)處理后的用電負(fù)荷的歷史數(shù)據(jù)生成用電負(fù)荷的歷史數(shù)據(jù)向量X;所述用電 負(fù)荷的歷史數(shù)據(jù)向量X的數(shù)據(jù)個(gè)數(shù)為Ν，待分組個(gè)數(shù)為C;
[0022] 確定用電負(fù)荷的歷史數(shù)據(jù)向量X的模糊分組矩陣U;
[0023] 其中，
μυ為第i個(gè)數(shù)據(jù)Xi隸屬于第j個(gè)分組的隸屬 度；且μυ e[0，l];iy含N;iy<C;
所述模糊分組矩陣u的代 價(jià)函數(shù)為
；其中m為權(quán)值;Di功第i個(gè)數(shù)據(jù)XI與第j個(gè)分組的特征 vj之間的加權(quán)歐式距離；
A為用電負(fù)荷的歷史數(shù)據(jù)向量X 的方差矩陣；
Cj為第j個(gè)分組;的為第j個(gè)分組的數(shù)據(jù)個(gè)數(shù)；
[0024] 根據(jù)模糊分組矩陣U確定所述用電負(fù)荷的歷史數(shù)據(jù)向量X的最優(yōu)隸屬度和最優(yōu)分 組特征；
[00巧]其中，所述最優(yōu)隸屬度為
[00%] 所述最優(yōu)分組特征為
[0027]確定最優(yōu)隸屬度和最優(yōu)分組特征對(duì)應(yīng)的分組為所述最優(yōu)分類。
[002引此外，所述預(yù)先設(shè)置的預(yù)測(cè)算法包括:時(shí)間序列預(yù)測(cè)法、回歸分析預(yù)測(cè)法、神經(jīng)網(wǎng) 絡(luò)預(yù)測(cè)法、灰色模型預(yù)測(cè)法;所述時(shí)間序列預(yù)測(cè)法包括ARMA模型算法。
[0029] -種短期用電負(fù)荷預(yù)測(cè)裝置，包括：
[0030] 歷史數(shù)據(jù)獲取單元，用于獲取用電負(fù)荷的歷史數(shù)據(jù)W及所述用電負(fù)荷的歷史數(shù)據(jù) 對(duì)應(yīng)的天氣信息的歷史數(shù)據(jù)；
[0031] 預(yù)處理單元，用于對(duì)所述用電負(fù)荷的歷史數(shù)據(jù)W及所述天氣信息的歷史數(shù)據(jù)進(jìn)行 模糊聚類分析預(yù)處理；
[0032] 模糊聚類單元，用于根據(jù)模糊聚類分析算法對(duì)預(yù)處理后的用電負(fù)荷的歷史數(shù)據(jù)進(jìn) 行模糊聚類，調(diào)整模糊聚類參數(shù)，獲取用電負(fù)荷的歷史數(shù)據(jù)的最優(yōu)分類;所述最優(yōu)分類中的 用電負(fù)荷的歷史數(shù)據(jù)與模糊聚類中屯、值的偏差均小于預(yù)設(shè)闊值，且所述最優(yōu)分類中的用電 負(fù)荷的歷史數(shù)據(jù)個(gè)數(shù)大于進(jìn)行模糊聚類所產(chǎn)生的其他分類中的用電負(fù)荷的歷史數(shù)據(jù)個(gè)數(shù)；
[0033] 滑動(dòng)窗口數(shù)據(jù)獲取單元，用于根據(jù)一預(yù)設(shè)長(zhǎng)度的滑動(dòng)窗口在所述最優(yōu)分類中的用 電負(fù)荷的歷史數(shù)據(jù)中獲取用電負(fù)荷的歷史訓(xùn)練數(shù)據(jù)，并在預(yù)處理后的天氣信息的歷史數(shù)據(jù) 中獲取所述用電負(fù)荷的歷史訓(xùn)練數(shù)據(jù)的天氣信息歷史訓(xùn)練數(shù)據(jù)；
[0034] 短期用電負(fù)荷預(yù)測(cè)單元，用于根據(jù)預(yù)先設(shè)置的預(yù)測(cè)算法，對(duì)所述用電負(fù)荷的歷史 訓(xùn)練數(shù)據(jù)和天氣信息歷史訓(xùn)練數(shù)據(jù)進(jìn)行處理，獲取短期用電負(fù)荷預(yù)測(cè)數(shù)據(jù)。
[0035] 具體的，所述歷史數(shù)據(jù)獲取單元獲取的天氣信息的歷史數(shù)據(jù)包括:氣溫歷史數(shù)據(jù)、 風(fēng)速歷史數(shù)據(jù)。
[0036] 此外，所述預(yù)處理單元，具體用于：
[0037] 將用電負(fù)荷的歷史數(shù)據(jù)中的負(fù)值置為0。
[0038] 進(jìn)一步的，所述預(yù)處理單元，還用于：
[0039] 根據(jù)趨勢(shì)預(yù)測(cè)模型確定用電負(fù)荷的歷史數(shù)據(jù)W及天氣信息的歷史數(shù)據(jù)中的缺失 數(shù)據(jù)；
[0040] 所述趨勢(shì)預(yù)測(cè)模型為:Xk = ak-t+bk-t X t;
[0041] 其中，k為當(dāng)前時(shí)刻序號(hào);t為在k時(shí)刻之前缺失數(shù)據(jù)的時(shí)刻數(shù)量;Xk為k時(shí)刻的用電 負(fù)荷的歷史數(shù)據(jù)或者天氣信息的歷史數(shù)據(jù)：
為一次移動(dòng)平均值；/心，為二次移動(dòng)平均值;η為每次移動(dòng)平均的長(zhǎng)度。
[0042] 具體的，所述模糊聚類單元，包括：
[0043] 歷史數(shù)據(jù)向量生成模塊，用于根據(jù)預(yù)處理后的用電負(fù)荷的歷史數(shù)據(jù)生成用電負(fù)荷 的歷史數(shù)據(jù)向量