[发明专利]基于天气温度与k邻近理论的居民短期用电预测方法

说明书

本发明提供一种基于天气温度与k邻近理论的居民短期用电预测方法，本算法在传统KNN邻近算法的基础上，引入相关系数r作为衡量待预测日数据P和样本集中第i个样本Tsubgt;i/subgt;的间距离的另一标准，综合欧式距离和相关系数进行最终距离的计算，通过两步筛选算法，首先从历史样本集中筛选候选输入集，在候选输入集的基础上，再筛选出最佳输入数据集，进行最终的待测日数据的预测，并且在预测的时候，综合考虑温度对预测的影响。本算法引入了相关系数改进了传统的欧式距离计算，并综合温度对负荷的影响，有效的提高了传统KNN算法预测的准确性。

技术领域

本发明涉及居民短期用电预测技术领域，特别是涉及一种基于天气温度与k邻近理论的居民短期用电预测方法，考虑天气温度改变时的电力预测。

背景技术

天气温度的变化会直接导致人们的生活方式的改变，从而导致电网负荷的改变，而对电网负荷的预测直接影响到电力配送部门的基础工作，对电力系统的经济有着指导作用，提高预测的精度可以促进电网的安全，可靠性，经济运行。

传统的基于KNN的算法的负荷预测，采用欧式距离作为邻近标准，没有考虑到序列之间的相关性，难以表示构成向量的数据序列的变化特征。同时KNN算法只基于序列本身的特征，影响因素比较单一。本算法引入了相关系数改进了传统的欧式距离计算，并综合温度对负荷的影响，有效的提高了传统KNN算法预测的准确性。

发明内容

本发明所要解决的技术问题是：为了克服现有技术中居民短期用电负荷受多种因素的影响，以及各种因素之间的关系错综复杂而不易精准预测的问题，在基于K近邻的基本原理，本发明提供一种基于天气温度与k邻近理论的居民短期用电预测方法，首先天气温度变化对电网负荷预测的影响，将天气温度与电网负荷预测联系起来，根据实时负荷数据建立预测模型，再采用K近邻算法进行求解。

本发明解决其技术问题所要采用的技术方案是：一种基于天气温度与k邻近理论的居民短期用电预测方法，首先，将历史天气温度和居民负荷趋势数据按照工作日和非工作日进行分类，按照待预测日的类别，从相应类别的历史数据中搜索与待预测数据相邻近的数据，然后根据KNN算法生成预测。

具体的步骤如下所示：

步骤1：采集一年的小区每天的温度、负荷数据，以一天的数据作为一个样本，构建天气温度、居民负荷趋势的样本集，并对样本集中的样本按照工作日和非工作日分类。

步骤2：依据待预测日是工作日或非工作日的类别，从样本集中相应的类别中按照K邻近算法识别和待预测日数据相近的样本构成候选样本集，然后再从候选样本集中识别最佳决策数据作为输入数据。

步骤3：利用输入数据，使用预测算法，对待预测日的居民用电负荷预测。

具体的，步骤1中构建天气温度和居民负荷的样本集及分类的方法具体包括以下步骤：

在小区内部布置温度监测点、负荷监测点，采集小区内一天24小时的温度和负荷数据，假设采集数据的时间为T，采集的数据量为N＝24/T+1，一天的温度数据为Xt＝[t1,t2,t3,…,tN]，负荷数据为Xq＝[q1,q2,q3,…,qN]，其中，N为采集的数据量，则一天的Xt和Xq的数据分别为天气温度和居民负荷趋势的一个样本，对一年内的温度数据和负荷数据按照工作日和非工作日类别分类。

具体的，步骤2中，构建候选样本集的方法：

步骤21：假设当前待预测日已监测的数据为P，根据待预测日的数据类别从样本集中随机选取M个与待预测日等维度的样本，从这M个样本集中选取与待测日距离相近的样本作为候选样本集，距离采用欧式空间距离，欧式空间距离是一种常用的距离度量，计算模型输入向量P与样本集中某样本间的欧式距离则表示为：