[發(fā)明專利]一種基于智能電表用戶聚類分析的配電網(wǎng)負荷預測方法

有效

• 申請?zhí)枺?/td>: 201910050608.8
• 申請日: 2019-01-20
• 公開（公告）號: CN109886465B
• 公開（公告）日: 2022-03-18
• 發(fā)明（設計）人: 黃南天;王文婷;蔡國偉;楊冬鋒;黃大為;楊德友;孔令國;王燕濤;楊學航;包佳瑞琦;吳銀銀;張祎祺;李宏偉;陳慶珠;劉宇航;張良;劉博
• 申請（專利權）人: 東北電力大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 吉林市達利專利事務所 22102
• 代理人: 陳傳林

1.一種基于智能電表用戶聚類分析的配電網(wǎng)負荷預測方法，其特征是，它包括的步驟有：

1)分析智能電表用戶的負荷波動性，按照波動程度將一天24小時分成3個波動程度有差異的時段

以標準差σ來體現(xiàn)用戶用電的波動性，其公式為：

式中，σ(t)表示在t時刻的標準差，n表示SM的個數(shù)，n＝1,2,…,N；t代表每個時刻，t＝1,2,…,48，L_n(t)為第n個SM在t時刻的負荷值；

2)確定預測器輸入特征集，并分析該特征集合下，不同用戶的特征重要度

RReliefF重要度分析的數(shù)學模型為：

N_dL＝N_dL+diff(L,R_i,I_j)·d(i,j)

N_dF(F)＝N_dF(F)+diff(F,R_i,I_j)·d(i,j)

N_dL·_dF(F)＝N_dL·_dF(F)+diff(L,R_i,I_j)·diff(F,R_i,I_j)·d(i,j)

式中，R_i(i＝1,...,m)是隨機抽取一個樣本，m即為人為設定的隨機抽取樣本R_i的次數(shù)，I_j(j＝1,...,k)是R_i的k個近鄰樣本，k為迭代次數(shù)，N_dL為不同樣本的負荷值L權重，N_dF(F)是預測特征F的權重，N_dL·_dF(F)為負荷值L加特征F權重，diff(L,R_i,I_j)和diff(F,R_i,I_j)分別計算的是樣本R_i和I_j在負荷值L和特征F上的差；d(i,j)則是計算了樣本R_i和I_j之間的距離，在此基礎上，循環(huán)抽取m次R_i計算得到每一個特征的權重，即特征的重要度；

3)以特征重要度集合描述用戶差異，并對用戶進行SDCKM聚類，將輸入特征具有相似響應程度的用戶分為一類，日內(nèi)不同配網(wǎng)總負荷波動程度時段最優(yōu)聚類結果采用統(tǒng)計實驗確定；

①聚類算法通過分析挖掘整個數(shù)據(jù)集，提取數(shù)據(jù)之間的相似性和差異性，聚類的數(shù)學模型為：

式中，X＝{x_q}，q＝1,2,...,Q,x_q表示數(shù)據(jù)集中需要進行聚類的Q個對象，c_k為第k類中的數(shù)據(jù)集，共有K類，代表c_k的平均值，J為所有類的平方誤差和；

②K-Means算法首先初始化K個聚類中心；之后，計算集合中每一個樣本到K個聚類中心的歐式距離Euc(x_q,v_k)并將樣本劃分到距離指標最小的那一類當中，歐式距離公式：

式中，v_k為c_k的聚類中心，Euc(x_q,v_k)為每一個樣本到K個聚類中心v_k的歐式距離；

③S_Dbw的數(shù)學模型：

S_Dbw(k)＝Scat(k)+Dens_bw(k)

其中，Scat(k)為第k類的平均分散值，Dens_bw(k)為第k簇的簇內(nèi)密度；

④以烏鴉算法對聚類中心初始點尋優(yōu)，M只烏鴉會為搜索到更好的食物位置在待解決問題決策變量維度中移動，所以該決策變量的維度是聚類中心初始點的維度，即聚類數(shù)k；每只烏鴉的位置與記憶用矩陣LOC、MEM：

式中，第i(i＝1,2,...,M)只烏鴉在第m(m＝1,2,...,MCN)次迭代中的位置以l^i,m代表，并且每只烏鴉將自己隱藏食物的位置保存在記憶向量me^i,m中；

在第m次迭代中，烏鴉j返回食物地點me^j,m時，烏鴉i跟隨烏鴉j并發(fā)現(xiàn)位置，這時，烏鴉j發(fā)現(xiàn)并更換食物地點的概率為P，烏鴉i的位置更新為：

式中，F(xiàn)itness()代表適應度函數(shù)，λ_i與λ_j為[0,1]服從均勻分布的隨機數(shù)，fl為飛行距離，如果新位置的適應度函數(shù)數(shù)值優(yōu)于原位置數(shù)值代表方案可行需更新位置，反之不進行位置更新；

4)聚類后，日內(nèi)不同配網(wǎng)總負荷波動程度時段最優(yōu)聚類結果采用統(tǒng)計實驗確定

在確定新聚類方法可行之后，以預測器的最終預測結果MAPE(mean absolutepercentage error，MAPE)為最優(yōu)聚類數(shù)的評價指標，MAPE為：

式中，n_t為預測值的個數(shù)(n_t＝1,2,…,N_t)；L_r為真實負荷值；L_p則為預測負荷值；

5)選取基于集成學習的隨機森林預測器，針對不同波動程度時段最優(yōu)聚類結果，分別構建滾動預測模型

隨機森林預測模型為：

{h(x,Θ_d),d＝1,2,...,D}

式中，h(x,Θ_d)代表構成隨機森林的第d棵決策樹Θ，x為決策樹的輸入向量，每個Θ是獨立分布的，代表抽取隨機森林中第d棵樹樣本數(shù)據(jù)和決策樹生長的隨機過程；

在進行預測時，依據(jù)模型中所有決策樹的輸出，能夠獲得最終預測的結果y_p，

式中，D代表RF中樹的個數(shù)；y_pd為第d棵樹的預測結果。