[发明专利]一种基于天气因素模糊化处理的母线负荷预测方法

权利要求书

1.一种基于天气因素模糊化处理的母线负荷预测方法，其特征在于：包括以下步骤：

步骤1、从SCADA系统中提取变电站负荷数据作为样本数据；

步骤2、对样本数据进行预处理，以修复样本数据；

步骤3、对天气因素进行模糊化处理，具体包括：

步骤301、对温度进行模糊化处理，其中，

低温影响因子为：

中温影响因子为：

高温影响因子为：

t表示当日最高温度，单位为℃，当t＜15℃时，采用低温影响因子，当t＞25℃时，采用高温影响因子，当15℃≤t≤25℃时，采用中温影响因子；

步骤302、对天气类型进行模糊化处理：当天气类型为晴时，模糊取值为1.0；当天气类型为阴时，模糊取值为0.7；当天气类型为雨时，模糊取值为0.4；当天气类型为雪时，模糊取值为0.1；

步骤4、使用广义回归神经网络进行变电站母线负荷的预测，具体包括以下步骤：

步骤401、把步骤2预处理后的样本数据输入到广义回归神经网络的输入层，输入层的神经元数目即输入样本数据总数的维度，将输入层神经元数目设置为n个，数据输入进输入层后会被传入到广义回归神经网络的模式层；

步骤402、在广义回归神经网络的模式层中输入步骤3模糊处理后的天气数据，模式层的神经元数目即样本总数，将模式层神经元数目设置为m个，模式层神经元向求和层传递数据，传递函数表示为：式中，X表示输入变量，X_i表示对应i神经元的样本；

步骤403、通过广义回归神经网络的求和层接收模式层传来的数据并进行求和输出，求和层的神经元数目为输入样本数据总数的维度数再加1，将求和层神经元数目设置为k+1个，求和层的第一个神经元与其它神经元的输出计算公式不同，其中求和层第一个神经元的输出为：求和层剩余神经元的输出为：式中，y_ij为加权系数；

步骤404、通过广义回归神经网络的输出层神经元输出预测结果，输出层神经元数目为输出样本数据的维度，输出层神经元数目为k，每个输出层神经元的输出结果等于相应求和层神经元输出结果与求和层第一个神经元输出结果的商，表达式如下：

2.根据权利要求1所述的基于天气因素模糊化处理的母线负荷预测方法，其特征在于：在所述步骤2中，对样本数据进行预处理包括：

样本数据的水平处理：其中S(d，t)为第d天t时刻的实际负荷数据；

样本数据的垂直处理：相同日期类型近期同一时刻的母线负荷不会突变，变化范围在预先设定的阈值之内，若超出此阈值，则需对样本数据进行垂直处理，即若|S(d，t)-M(t)|＞γ(t)，则：

其中M(t)表示样本数据近期t时刻的负荷平均值，γ(t)＝0.3M(t)，表示设置的阈值；

缺失数据处理：从SCADA系统中导出的变电站负荷数据偶尔出现空值的情况，需对该时间点数据进行修补：S(d，t)＝0.5S(d+1，t)+0.5S(d-1，t)。

3.根据权利要求1或2所述的基于天气因素模糊化处理的母线负荷预测方法，其特征在于：还设有步骤5：通过K折交叉验证对步骤4的变电站母线负荷预测的结果进行自我优化。