[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

说明书

本发明公开了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。从电力数据中提取原始数据，采用聚类算法和主成分分析法相结合的方式对原始数据简化，再作标准化处理，将标准化后的气象数据和负荷数据输入神经网络进行训练；训练完成后，预测处理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，然后不断调整内部参数获得神经网络预测模型，用于预测待预测时间段各天的负荷数据。本发明充分考虑气象数据对负荷波动的影响，充分考虑数据的规模，通过聚类算法和主成分分析法，同时降低负荷和气象数据量，提出的算法组合预测模型，通过定义的预测精度计算公式，保证了神经网络模型的预测精度，提高了预测效率和预测精度。

技术领域

本发明涉及了一种负荷预测方法，尤其是涉及了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。

背景技术

电力系统由电力网和电力用户组成，其作用就是对电力系统的各类用户尽可能经济地提供可靠而合乎标准要求的电能，以随时满足各类用户的要求，即满足负荷要求。但是，在目前情况下电能还不能够大量储存，这就要求系统发电应该随时都和系统负荷的变化保持动态平衡，否则，轻则会影响供用电的质量，重则会危及系统的安全与稳定。而系统未来负荷变化的获取是通过负荷预测来实现的，这样电力系统负荷预测就因此发展起来，成为工程科学中重要的研究领域，是电力系统自动化中的一项重要内容。

电力系统负荷预测是以准确的统计数据和调查资料为依据，从用电量的历史和现状出发，在充分考虑一些重要的系统运行特性、增容决策，自然条件与社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法。在满足一定精度要求的意义下，确定未来某特定时刻的负荷数值。

电力负荷预测的目的就是提供负荷的发展状况和水平，为电力生产部门和管理部门制订生产计划和发展规划提供依据，确定各供电地区的供电电量，生产规划等等。

电力负荷预测的结果除了由负荷本身的历史规律决定外，还受众多非负荷因素的影响，同时和所应用的预测理论、采用的预测方法直接相关。多年来，许多学者对这一课题进行了深入研究，提出了许多方法。

现有技术的缺点：

1.现有技术大多数没有充分考虑气象数据对负荷波动的影响，没有将气象因素和负荷参数相结合。

2.现有技术的负荷预测即使考虑了气象因素，也会由于庞大的气象数据和负荷数据，而使预测效率低下。

3.现有技术的负荷预测即使考虑了气象因素，也会由于庞大的气象数据和负荷数据，而使预测精度低

4.现有的负荷预测算法中，对数据的简化处理，只针对负荷数据或者气象数据，并没有同时简化处理负荷数据和气象数据。

发明内容

为了解决背景技术中存在的问题，本发明提出了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。

如图1所示，本发明的技术方案包括如下步骤：

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，由第一历史气象数据和第二历史气象数据构成原始气象数据，由第一历史负荷数据和第二历史负荷数据构成原始负荷数据；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；

负荷数据是由负荷参数组成，气象数据是由气象参数组成。

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，简化数据量；