一種基于模糊聚類的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)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(zhǎng)期電力負(fù)荷預(yù)測(cè)方法，適用于電網(wǎng)的年最大 負(fù)荷、年用電量預(yù)測(cè)。
【背景技術(shù)】
[0002] 負(fù)荷曲線反映用戶的用電特點(diǎn)及規(guī)律，通過(guò)負(fù)荷變化趨勢(shì)，安排電力系統(tǒng)運(yùn)行方 案，安排供電設(shè)備計(jì)劃，安排設(shè)備檢修計(jì)劃等，而中長(zhǎng)期負(fù)荷變化趨勢(shì)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(zhǔn)確進(jìn)行負(fù)荷預(yù)測(cè)已經(jīng)成為提高電網(wǎng)運(yùn)行合 理度及其規(guī)劃質(zhì)量的前提。
[0003] 電力負(fù)荷受到的影響因素眾多，具有較強(qiáng)的不確定性和隨機(jī)性，且相互之間存在 著一定的關(guān)聯(lián)性，當(dāng)使用傳統(tǒng)方法進(jìn)行電力負(fù)荷預(yù)測(cè)時(shí)，在確定影響因素對(duì)被預(yù)測(cè)量的影 響程度時(shí)，由于影響因素之間的關(guān)聯(lián)性極有可能導(dǎo)致信息重疊，導(dǎo)致預(yù)測(cè)模型的精準(zhǔn)度降 低。傳統(tǒng)預(yù)測(cè)方法大致可以分為參數(shù)估計(jì)法和人工智能法，經(jīng)過(guò)不斷演化，傳統(tǒng)預(yù)測(cè)模型都 已較為成熟。傳統(tǒng)預(yù)測(cè)方法多以如"負(fù)荷相關(guān)經(jīng)濟(jì)數(shù)據(jù)"等負(fù)荷間接影響因素或者電力負(fù)荷 數(shù)據(jù)序列本身進(jìn)行建模和分析，有效地利用負(fù)荷相關(guān)經(jīng)濟(jì)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(duì)于中長(zhǎng)期電力負(fù)荷預(yù)測(cè)來(lái)說(shuō)，怎樣消除眾多負(fù)荷影響因素的相關(guān)性，挖掘如"主 要行業(yè)用電量"等負(fù)荷直接影響因素的新信息，從而更加準(zhǔn)確、全面的表述影響因素對(duì)負(fù)荷 的作用量，對(duì)提高負(fù)荷預(yù)測(cè)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(fù)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(fù)荷直接影響因素的新信息，提升負(fù)荷預(yù)測(cè)精準(zhǔn)度，科學(xué)合理，簡(jiǎn) 便易行，適用性強(qiáng)的基于模糊聚類的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)方法。
[0006] 為實(shí)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(zhǎng)期電力負(fù)荷預(yù) 測(cè)方法，其特征是，包括以下步驟：
[0007] 1)消除影響因素間的強(qiáng)相關(guān)性
[0008] 為了消除電力負(fù)荷影響因素彼此之間的強(qiáng)相關(guān)性，作出精確預(yù)測(cè)，需采用模糊聚 類法對(duì)影響因素進(jìn)行分類，相關(guān)性較強(qiáng)的若干因素將被歸為一類，便于分析其對(duì)電力負(fù)荷 的整體影響；
[0009] 設(shè)有m個(gè)樣本，每個(gè)樣本包括持續(xù)觀測(cè)得到的η個(gè)樣本元素，觀測(cè)數(shù)據(jù)矩陣X如下：
[0010]
⑴
[0011] (2)
_ (3)
[0013] ⑷
[0014] 其中，下標(biāo)i表示第i個(gè)樣本，下標(biāo)j表示第j個(gè)時(shí)間段，Xl表示第i個(gè)樣本序列，XlJ表 示觀測(cè)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(gè)樣本自成一類，分別計(jì)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(gè)新類r，按drz =min {daz，dbz}計(jì)算類r與其他類的距離，重復(fù)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(duì)應(yīng)元素的加和，其他類保留，組成觀測(cè)矩陣X的簡(jiǎn)化矩陣F;
[0017] 2)行為因子對(duì)主行為影響程度的確定
[0018] 以被預(yù)測(cè)量的最大負(fù)荷構(gòu)造灰色絕對(duì)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(gè)新類構(gòu)造被預(yù)測(cè)量的行為因子序列，
[0019] 為了得到行為因子對(duì)主行為的影響程度或行為因子對(duì)主行為的貢獻(xiàn)測(cè)度，采用灰 色絕對(duì)關(guān)聯(lián)度分析，認(rèn)為兩者的灰色絕對(duì)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(zhǎng)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(diǎn)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(duì)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(jì)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(cè)矩陣X的簡(jiǎn)化矩陣F，依據(jù)灰色絕對(duì)關(guān)聯(lián)度原理計(jì)算 出聚類后各行為因子的權(quán)重系數(shù)矩陣K，對(duì)簡(jiǎn)化矩陣F中的Θ個(gè)樣本的數(shù)據(jù)進(jìn)行數(shù)據(jù)擬合，得 到0個(gè)的樣本各自隨后α年的預(yù)測(cè)值，組成矩陣 Fl，得：
[0031]
(.10)
[0032]其中，Z表示預(yù)測(cè)值，T表示調(diào)整系數(shù)，其中T的確定過(guò)程如下：
[0033]用計(jì)算得到的系數(shù)矩陣K與聚類后的簡(jiǎn)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(shí)際負(fù)荷量矩陣freal=[frl fr2…frn]，而Tj的值為：
[0036]
(i2)
[0037] 進(jìn)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(zhǎng)期電力負(fù)荷預(yù)測(cè)方法能夠通過(guò)模糊聚類 算法對(duì)影響因素進(jìn)行分類、整合，利用灰色絕對(duì)關(guān)聯(lián)度理論確定行為因子對(duì)主行為影響的 權(quán)重系數(shù)，深挖負(fù)荷直接影響因素的信息量，其優(yōu)點(diǎn)體現(xiàn)在：
[0040] 1.充分考慮負(fù)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(dǎo)致的預(yù) 測(cè)準(zhǔn)確度下降問(wèn)題；
[0041] 2.準(zhǔn)確得出電力負(fù)荷直接影響因素對(duì)于電力負(fù)荷的影響程度，提升負(fù)荷預(yù)測(cè)的精 度；
[0042] 3.方法科學(xué)合理，簡(jiǎn)便易行，具有較強(qiáng)的適應(yīng)性，適用于中長(zhǎng)期電力負(fù)荷預(yù)測(cè)和年 用電量預(yù)測(cè)。
【附圖說(shuō)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(zhǎng)期電力負(fù)荷預(yù)測(cè)方法流程圖；
[0045] 圖3為聚類分析結(jié)果圖。
【具體實(shí)施方式】
[0046] 下面利用實(shí)例對(duì)本發(fā)明的一種基于模糊聚類的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)方法進(jìn)行詳 細(xì)描述。
[0047] 參照?qǐng)D1-圖3,本發(fā)明的一種基于模糊聚類的中長(zhǎng)期電力負(fù)荷預(yù)測(cè)方法，包括以下 步驟:首先應(yīng)確定預(yù)測(cè)量及其影響因素;其次，通過(guò)觀測(cè)獲取各影響因素在一定時(shí)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(dú)特性、相似性與親疏程度等特 征，對(duì)近似樣本進(jìn)行歸并、分類與篩選;然后，依據(jù)分類結(jié)果，分析計(jì)算聚類后各樣本序列與 預(yù)測(cè)量序列的灰色絕對(duì)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(cè)值為自變量，建立預(yù)測(cè)量的預(yù)測(cè)模型，開(kāi)展最大負(fù)荷預(yù)測(cè)。
[0048] 以某電網(wǎng)的年最大負(fù)荷預(yù)測(cè)為例，若其直接影響因素為按照行業(yè)用電分類標(biāo)準(zhǔn)劃 分的八個(gè)主要行業(yè)年用電量，表1為預(yù)測(cè)量與影響因素連續(xù)十一年的觀測(cè)值，
[0049]表1某電網(wǎng)年最大負(fù)荷及主要行業(yè)年用電量 [0050]
[0052] 1)消除影響因素間的強(qiáng)相關(guān)性
[0053] 為了消除電力負(fù)荷影響因素彼此之間的強(qiáng)相關(guān)性，做出精確預(yù)測(cè)，需采用模糊聚 類法對(duì)影響因素進(jìn)行分類，相關(guān)性較強(qiáng)的若干因素將被歸為一類，便于分析其對(duì)電