[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

说明书

本发明提出一种基于天气因素模糊化处理的母线负荷预测方法，包括步骤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；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。上述基于天气因素模糊化处理的母线负荷预测方法，该方法考虑到气温、天气类型对变电站母线负荷的影响较大，将天气因素进行模糊化处理作为变电站母线负荷影响因素进行神经网络建模，使得预测精度相较于现有技术中的直接预测方式有较大的提升。

技术领域

本发明涉及母线负荷预测技术领域，尤其涉及一种基于天气因素模糊化处理的母线负荷预测方法。

背景技术

变电站内的母线负荷作为电网企业制定系统运行方式和电力调度的重要依据，是实现精益运维、提高电网调度智能化的前提；是电力企业节能降耗的基础；也是电力设备经济运行和合理安排生产调度的保障。因此，研究变电站站内母线负荷精准预测具有极高的实用价值和现实意义。现有技术中已经存在一些针对母线负荷的预测方法，例如使用广义回归神经网络直接预测或者使用BP神经网络进行直接预测，上述方法的预测精度不太理想。

发明内容

为了解决现有技术中存在的问题，本申请提出了一种基于天气因素模糊化处理的母线负荷预测方法，该方法考虑到气温、天气类型对变电站母线负荷的影响较大，将天气因素进行模糊化处理作为变电站母线负荷影响因素进行神经网络建模，使得预测精度较高。

为了实现上述目的，本申请提出了一种基于天气因素模糊化处理的母线负荷预测方法，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：