[发明专利]基于聚类筛选和神经网络的电力气象负荷数据预测方法

权利要求书

1.一种基于聚类筛选和神经网络的电力气象负荷数据预测方法，其特征在于：

第一步：从电力数据中提取获得第一历史气象数据、第一历史负荷数据、第二历史气象数据和第二历史负荷数据，由第一历史气象数据和第一历史负荷数据构成第一原始数据，由第二历史气象数据和第二历史负荷数据构成第二原始数据；其中，第一历史气象数据是指前n年各天的气象数据，第一历史负荷数据是指前n年各天的负荷数据，第二历史气象数据是指第n+1年各天的气象数据，第二历史负荷数据是指第n+1年各天的负荷数据，每天的气象数据由多项气象参数构成，每天的负荷数据由多项负荷参数构成；

第二步：采用聚类算法和主成分分析法相结合的方式对第一原始数据和第二原始数据进行简化处理，获得保留下来的代表天对应的原始数据；

第三步：对第二步处理得到的第一原始数据和第二原始数据作标准化处理，对其中的负荷数据和气象数据分别以每一天的数据为单位采用以下公式作标准化处理：

X_i＝X_i实际/X_i平均

其中，X_i表示经标准化处理后的第i代表天的气象/负荷参数，X_i实际表示第i代表天的某气象/负荷参数，X_i平均表示第i代表天所有气象/负荷参数的平均值；

第四步：以标准化后的第一历史气象数据作为输入层，以标准化后的第一历史负荷数据作为输出层，采用神经网络进行训练；训练完成后，将第二历史气象数据输入到训练后的神经网络，输出获得预测负荷数据，计算并判断预测负荷数据的预测精度E，然后不断调整神经网络预测模型内部的参数使得预测精度E大于等于90％，则认为神经网络满足精度要求，并作为神经网络预测模型；

所述第四步中，神经网络具体为：神经网络分为输入层、隐含层和输出层三层：其中输入层含有a个单元，a为第二步简化处理得到的气象参数个数，每个输入单元代表一个气象参数；输出层为b个单元，b为第二步简化得到的负荷参数个数，每一个输出单元代表一个负荷参数；隐含层有b个单元，每个单元均由sigmoid函数；以天为单位，将第二步简化和第三步标准化处理后得到的前n+1年的各个代表天的第一历史气象和第一历史负荷数据依次代入神经网络进行训练，共需训练c次，c次后停止训练神经网络，c为前n+1年的代表天总天数；

所述第四步中，预测负荷数据的预测精度采用以下公式计算：将神经网络模型预测得到的第n+1年的预测负荷数据和第二历史负荷数据代入以下公式，计算第n+1年每一代表天的中间精度D：

其中，D为中间精度，n表示负荷参数的个数，即日最高负荷、日最低负荷、日峰谷差和日平均负荷，表示负荷参数i的第二历史负荷数据，表示负荷参数i的预测负荷数据；

若在第n+1年中满足D小于等于7％的代表天天数占第n+1年代表天总天数的90％以上，即预测精度E大于等于90％，如下公式，则认为预测满足精度要求，否则需要调整神经网络相关参数，直到预测满足精度要求；

然后再采用以下公式计算预测精度：

其中，E为预测精度，A表示第n+1年中满足中间精度D小于等于7％的代表天总天数，B表示第n+1年中代表天总天数；

第五步：将待预测时间段的气象数据输入已训练完成的神经网络预测模型，预测得到待预测时间段各天的负荷数据。

2.根据权利要求1所述的一种基于聚类筛选和神经网络的电力气象负荷数据预测方法，其特征在于：所述第二步，采用聚类算法和主成分分析法相结合的方式对第一原始数据和第二原始数据均分别采用以下方式进行处理：

S1：先采用聚类算法以天的负荷数据为单位对各天的负荷数据进行聚类，针对聚类后的每一类，选择该一类中位于中间的一天的负荷数据保留，并将保留得到的各天称为代表天；

S2：然后采用主成分分析法对气象数据中的所有气象参数进行处理获得各个气象参数的累积贡献率，选择累积贡献率达到80％的气象参数保留。

3.根据权利要求1所述的一种基于聚类筛选和神经网络的电力气象负荷数据预测方法，其特征在于：所述气象数据中的多项气象参数包括最高温度、最低温度、平均温度、相对湿度和降雨量。

4.根据权利要求1所述的一种基于聚类筛选和神经网络的电力气象负荷数据预测方法，其特征在于：所述负荷数据中的多项负荷参数包括日最高负荷、日最低负荷、日峰谷差和日平均负荷。