[发明专利]一种配变负荷预测方法

说明书

本发明公开了一种配变负荷预测方法，其方法包括：采用模糊C均值算法对配变的历史负荷曲线进行聚类，获得历史相似日集合；统计聚类的外部特征组数量；根据待预测日所属相似日归类，选取并构建训练样本集进行小波分解，得到子序列训练样本集；用子序列训练样本集对SVM模型进行训练；用训练好的SVM求出预测日负荷的各小波子序列；将小波子序列预测结果叠加得到该配变预测日负荷的预测值。本发明充分考虑各方面因素对负荷曲线的影响，采用小波支持向量机算法，继承SVM算法和小波分析法的优点，求解过程可实现全局最优，对于小样本数据也有良好的适用性，将负荷曲线经过小波分解后再作为训练样本输入SVM可提高预测精度。

技术领域

本发明涉及电力系统，具体涉及了一种配变负荷预测方法。

背景技术

电力系统的管理通常是多个方面的内容的综合管理，但是负荷预测一直都是其中的一项重要内容。如果负荷预测准确，就可以通过经济合理地安排机组启停来降低发电成本，进而提高经济效益。因此，通过不断提高负荷预测的手段和方法，就可以使得电力负荷的预测结果越来越准确，而这对于电力系统意义重大。根据所需的时间跨度和运行决策的不同，负荷预测可分为短期、中期和长期预测。一般来说，能源系统规划需要长期预测，维护规划和燃料供应需要中期预测，能源系统日常运行需要短期预测。

现有的负荷预测方法中，专家系统法构建数据库工作量大，通用性较差；人工神经网络学习速度慢，且存在局部极小点；小波分析法未能考虑各方面因素对负荷的的影响。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种配变负荷预测方法，具体技术方案如下：

一种配变负荷预测方法，其特征在于，所述方法，包括：

采用模糊C均值算法对配变的历史负荷曲线进行聚类，获得历史相似日集合；

统计聚类的外部特征组数量；

根据待预测日所属相似日归类，选取并构建训练样本集；

将训练集输入SVM模型训练参数，求出该配变预测日的各小波子序列；

将小波子序列预测结果叠加得到该配变预测日负荷的预测值。

所述采用模糊C均值算法对该配变的历史负荷曲线进行聚类，包括：

1.1假定含有n条负荷曲线对象的数据集为X＝{x₁,x₂,…,x_n}，X中的对象x_i(i＝1，2，…n)具有m个特征属性，定义数据集X的隶属度矩阵为U＝[u_ij]，其维度为c×n，c代表聚类数目，u_ij表示数据集X的第j个对象x_j(j＝1，2，…c)，隶属度u_ij越高，该对象越倾向归属于此类，u_ij满足：

1)对于任意对象j(j＝1，2，…c)，有：

2)0≤u_ij≤1，1≤i≤c，1≤j≤n；

1.2从数据集X＝{x₁，x₂，……，x_n}中随机选择k个对象作为k个聚类簇的初始聚类中心并记为c₁，c₂，……，c_k，数据集X的k个聚类簇为C₁，C₂，…，C_k

1.1.3以初始聚类中心c₁，c₂，…，c_k为划分参考，对数据集X进行初始划分，计算各对象隶属度u_ij，形成隶属度矩阵U，计算公式如下：