[发明专利]一种基于改进聚类算法和神经网络的电压偏差预测方法

说明书

本发明涉及一种基于改进聚类算法和神经网络的电压偏差预测方法，包括：1、采集电网某历史时间段不同时刻的电压偏差数据和气象数据作为历史数据，通过天气预报获取待测时刻的气象数据；2、通过PCA对历史时间段和待测时刻的气象数据进行降维处理，选取若干主成分作为综合气象变量；3、通过结合AP聚类算法的K‑means聚类算法对综合气象变量数据进行聚类，得到多个类簇；4、选取与待测时刻气象数据同一类簇的历史数据作为训练样本数据集，通过BP神经网络进行训练并得到待测时刻的电压偏差预测结果。与现有技术相比，本发明考虑气象因素对电压偏差的影响，利用改进聚类算法提取训练样本，减少了信息干扰，提高了预测精度。

技术领域

本发明涉及电能质量领域，尤其是涉及一种基于改进聚类算法和神经网络的电压偏差预测方法。

背景技术

随着新型电力电子化装置的不断接入，电能质量问题日益严重。越来越多变电站升级电能质量监测系统，得到海量的实时电能质量监测数据。深入挖掘电能质量监测数据，对电能质量的变化趋势做出预测和预警，成为保证电力的安全、稳定、经济输送的必要措施。

电能质量问题分为稳态电能质量问题和暂态电能质量问题。稳态电能质量问题包括电压偏差、频率偏差、电压波动与闪变、谐波及三相不平衡度。其中，电压偏差的危害最为明显。电压过高造成设备过电压，威胁绝缘，减少使用寿命；电压过低使用户设备不能正常使用。因此，预测电压偏差变化趋势并采取一定措施对于电力系统的安全正常运行具有很高的应用价值。由于不同的电能质量指标数据具有不同的特征，不能把五项稳态指标用一个预测模型来预测，否则会造成精度差的问题，可以对电压偏差指标建立预测模型。

常用的预测方法有时间序列法、灰色预测法、支持向量机预测法等。但是，时间序列法注重数据的拟合，对影响电能质量的不确定性因素考虑不足；灰色预测法对数据的离散程度有要求，当数据离散程度较大时，预测精度较差；支持向量机在处理随机波动性较强的数据时，精度较差，且数据集规模过大时，训练时间长，速度慢。

发明内容

本发明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改进聚类算法和神经网络的电压偏差预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于改进聚类算法和神经网络的电压偏差预测方法，包括以下步骤：

S1、采集电网某历史时间段不同时刻的电压偏差数据和气象数据作为历史数据，通过天气预报获取待测时刻的气象数据，所述气象数据包括多种气象因素变量；

S2、通过主成分分析法(PCA)对步骤S1得到的历史时间段和待测时刻的气象数据进行降维处理，选取若干主成分作为综合气象变量；

S3、通过结合AP(Affinity Propagation)聚类算法的K-means聚类算法对步骤S2的综合气象变量数据进行聚类，得到多个类簇；

S4、选取与待测时刻的气象数据同一类簇的历史数据作为训练样本数据集，通过BP神经网络进行训练并得到待测时刻的电压偏差预测结果。

优选的，所述步骤S3具体包括：

S31、通过AP聚类算法对步骤S2的综合气象变量数据进行聚类，得到聚类数K和K个聚类中心；

S32、将步骤S31得到的K个聚类中心作为K-means聚类算法的初始聚类中心，对步骤S2的综合气象变量数据进行K-means聚类，得到K个类簇。

优选的，所述气象数据的气象因素变量包括：气温、露点、湿度、气压、风向、风速和天气状况。

优选的，所述步骤S2中选取的主成分的累计方差贡献率不小于80％。

优选的，所述步骤S1中历史时间段的日期与待测时刻的日期所属的季节相同。