[发明专利]基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法

说明书

本发明公开了一种基于模糊C均值聚类的TVF‑EMD‑MCQRNN负荷概率预测方法，包括：1对电力负荷及其影响因子进行预处理后按设定时间间隔进行分组；2对分组后的数据集划分训练集和测试集，使用模糊C均值聚类法分别对每组训练集和测试集进行聚类；3利用各类型训练集和测试集样本数据对TVF‑EMD‑MCQRNN模型进行训练和测试，得到各类型样本数据在不同分位点下的一系列条件分位数；4对各类型样本数据在相同分位点下的条件分位数分别进行求和得到各类型预测结果，从而实现概率密度预测。本发明能提高负荷预测的准确性，从而为电力系统的运行规划提供更全面、更有效的负荷信息。

技术领域

本发明属于短期电力负荷预测技术领域，具体的说是一种基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法。

背景技术

电力负荷预测是电力系统规划的重要组成部分，在现代电力系统的能源分配和管理中起着至关重要的作用。高精度的负荷预测有利于电力系统在满足用户用电需求的同时制定合理的发电计划，从而有效地控制电力系统的规划和运行成本。然而随着新能源，如风能、太阳能等间歇性能源大规模接入电网，给电网的安全稳定、经济运行都带来了极大的挑战。相较于一般的电力负荷点预测方法，概率性负荷预测方法能反映负荷的不确定性特征，从而为电力系统可靠性分析、风险评估提供更科学的决策依据。

然而，随着电力系统规模的不断增加以及新兴技术的飞速发展，传统电力负荷预测技术受限于当前的电力环境，难以适应现代电力负荷数据非线性、随机性以及混沌性的特征合理进行建模，因此，为得到更加精确的负荷预测结果，需要不断更新优化负荷预测算法研究以保持先进性。此外，电力负荷的影响因素越来越复杂，这些因素对负荷精度的影响程度是模糊的，单一的预测模型已无法满足现代负荷预测的需求。大多数相关研究是由智能算法预测模型进行优化来提高负荷预测的精度，并没有对这些不确定因素进行预处理，忽略了历史负荷数据本身的信息价值。同时，电力负荷数据的分析难度也越来越来大，普通的数据预处理难以充分挖掘数据本身价值。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法，以期能充分考虑影响因素对负荷预测准确性的影响，同时有效地避免分位数交叉现象的产生，从而进一步提高负荷预测的准确性，为电力系统的运行规划提供更全面、更有效的负荷信息。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于模糊C均值聚类的TVF-EMD-MCQRNN负荷概率预测方法的特点在于：包括以下步骤：

步骤1.获取电力负荷数据及其影响因子并进行预处理，从而得到预处理后的数据集Dataset＝{[G_m(t),P(t)]|t＝1,2,...,T；m＝1,2,...,M}，包括：预处理后的电力负荷{P(t)|t＝1,2,...,T}和电力负荷的M个影响因子{G_m(t)|m＝1,2,...,M；t＝1,2,...,T}，其中，P(t)和G_m(t)分别为第t个时刻点的电力负荷及相应第t个时刻点的第m个影响因子；T′表示时刻点的个数，M表示电力负荷影响因子的种类数；

步骤2.设定时间间隔为s个时刻点，对所述预处理后的数据集Dataset进行分组，从而得到I组样本数据，且I满足[T′/s]，其中，第i组样本数据表示为Dataset_i＝[G′_m(i),P′(i)]，G′_m(i)＝(G_m(s×(i-1)+1),G_m(s×(i-1)+2),…,G_m(s×i))^T为第i组样本数据的第m个影响因子，G_m(s×i)表示在第s×i个时刻点的第m个影响因子，P′(i)＝(P(s×(i-1)+1),P(s×(i-1)+2),…,P(s×i))^T为第i组样本数据的电力负荷；P(s×i)表示在第s×i个时刻点的电力负荷，i＝1,2,...,I；