[发明专利]一种基于相似日和RBF神经网络的短期电力负荷预测方法

权利要求书

1.一种基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，包括以下步骤：

S1，将电力负荷的影响因素量化和归一化，所述影响因素包括气象因素与日期类型；

S2，根据连续多日的温度变化计算历史日与待测日的温度动态相似度；

S3，用灰色关联法计算出其他影响因素的相似度，所述其他影响因素包括湿度、风速、天气状况和日期类型；

S4，结合S2和S3的计算结果，计算历史日综合相似度并据此选取相似日，并根据选取的相似日确定RBF神经网络的训练样本；

S5，在RBF神经网络隐含层参数的选取方面，运用模糊c-means聚类算法对相似日样本进行聚类，先将样本利用减聚类算法聚类，根据输出结果设置模糊c-means聚类的初始值；再运行模糊c-means聚类，根据聚类结果设置RBF神经网络隐含层参数；

S6，训练RBF神经网络，并用训练好的RBF神经网络进行负荷预测。

2.根据权利要求1所述的基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，步骤S1中，对非数值型影响因素量化处理，同时利用下式对数值型影响因素进行归一化处理：

其中，x'为归一化后的值，max(x)和min(x)分别为影响因素归一化前的最大值和最小值。

3.根据权利要求2所述的基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，步骤S2中，用P₀表示待测日及前k天的温度变化情况，P₀＝{X₀,X₁,…,X_i}i＝0,1,…,k，P₁表示历史日及前k天的温度变化情况，P₁＝{Y₀,Y₁,…,Y_i}i＝0,1,…,k，X₀和X_i分别表示待测日当天和待测日前i天的温度信息组成的序列，X_i＝(x_i(1),x_i(2),…,x_i(n))^T，Y₀和Y_i分别表示选取的历史某日和该日前i天的温度信息序列，Y_i＝(y_i(1),y_i(2),…,y_i(n))^T，x_i(j)和y_i(j)分别表示待测日和历史日第j个温度信息的值，n为考虑的温度信息数目，利用下式对每个温度信息分别计算相似度：

式中d_j为第j个温度信息的数值相似度，t_j为第j个温度信息的趋势相似度，最后将n个温度信息结合起来可以计算出总体动态相似度：

式中ω_j为第j个温度信息的权重，该权重由该温度信息与负荷的相关性得出。

4.根据权利要求3所述的基于相似日和RBF神经网络的短期电力负荷预测方法，其特征在于，步骤S3中，设定x₀和x_i(i＝1,…,N)分别为预测日和预测日前i天除温度外的其他影响因素构成的序列，x_i＝(x_i(1),…,x_i(m))，m为选取的其他因素个数，利用灰色关联法计算其他影响因素的相似度，利用下式计算x₀与x_i的灰色关联系数：

式中ξ_i(k)为x₀与x_i在k点的灰色关联系数，表示二级最小差，表示二级最大差，ρ∈(0,1)取0.5；

然后灰色关联度μ_i可以由下式求得：