[發(fā)明專利]一種基于最小二乘向量機(jī)的電力負(fù)荷預(yù)測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201911195095.6
• 申請(qǐng)日: 2019-11-28
• 公開（公告）號(hào): CN111027760B
• 公開（公告）日: 2023-01-17
• 發(fā)明（設(shè)計(jì)）人: 張慕尹;陳璟華
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;G06F18/23;G06F18/24;H02J3/00
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

本發(fā)明公開了一種基于最小二乘向量機(jī)的電力負(fù)荷預(yù)測方法，其步驟如下：通過天氣數(shù)據(jù)與用電負(fù)荷數(shù)據(jù)集構(gòu)建聚類數(shù)據(jù)集、預(yù)測聚類數(shù)據(jù)集與預(yù)測數(shù)據(jù)集；運(yùn)用基于模糊C理論聚類算法確定有用類數(shù)據(jù)的初始聚類中心，將聚類數(shù)據(jù)集劃分為c個(gè)類別，并輸出模糊隸屬度矩陣u和各類中心V；將預(yù)測聚類數(shù)據(jù)集輸入用布谷鳥算法優(yōu)化好的最小二乘向量機(jī)模型，得到預(yù)測日的預(yù)測聚類數(shù)據(jù)；根據(jù)模糊隸屬度矩陣u計(jì)算預(yù)測聚類數(shù)據(jù)到各類聚類中心V的距離，并判斷預(yù)測日的數(shù)據(jù)類型為Z；在預(yù)測數(shù)據(jù)集中找出數(shù)據(jù)類型為Z的預(yù)測數(shù)據(jù)并輸入優(yōu)化好的最小二乘向量機(jī)模型，得到訓(xùn)練好的最小二乘向量機(jī)模型；將預(yù)測日的數(shù)據(jù)輸入訓(xùn)練好的最小二乘向量機(jī)模型中，完成預(yù)測日的電力負(fù)荷預(yù)測。

技術(shù)領(lǐng)域

本發(fā)明涉及電力系統(tǒng)技術(shù)領(lǐng)域，更具體的，涉及一種基于最小二乘向量機(jī)的電力負(fù)荷預(yù)測方法。

背景技術(shù)

隨著社會(huì)各個(gè)行業(yè)快速蓬勃發(fā)展，電力系統(tǒng)規(guī)模越來越大越來越復(fù)雜，作為電力負(fù)荷預(yù)測的因素也開始多樣化，社會(huì)、政治、天氣甚至于經(jīng)濟(jì)因素都成為預(yù)測電力負(fù)荷的背景，傳統(tǒng)的電力負(fù)荷預(yù)測手段難以適用于這種復(fù)雜背景下的預(yù)測分析。因此，有必要針對(duì)電力負(fù)荷預(yù)測研究精確合理，可涉及較多因素的算法，一個(gè)全面準(zhǔn)確的負(fù)荷預(yù)測算法是電力系統(tǒng)可以靈活調(diào)控安全運(yùn)行的重要保障。

在電力系統(tǒng)的建設(shè)中，需要安全科學(xué)合理地對(duì)電能進(jìn)行規(guī)劃，需要在保障電能指標(biāo)的情況下能夠隨時(shí)滿足用戶負(fù)荷需求。然而，由于電力系統(tǒng)的自身存儲(chǔ)電力的能力不足，用戶未能消耗的電能往往會(huì)白白流失，造成資源浪費(fèi)。電力系統(tǒng)若能在電能產(chǎn)出時(shí)進(jìn)行調(diào)控，根據(jù)用戶的負(fù)荷來進(jìn)行生產(chǎn)調(diào)解，就可以避免過多的產(chǎn)出。因此，精準(zhǔn)的電力負(fù)荷預(yù)測可以極大程度的提升電能的使用效率，有效避免電能的浪費(fèi)，同時(shí)，電力負(fù)荷預(yù)測對(duì)電網(wǎng)控制，電力系統(tǒng)實(shí)時(shí)調(diào)度也有極大的幫助。

發(fā)明內(nèi)容

本發(fā)明主要針對(duì)目前電力負(fù)荷預(yù)測過程中，精度不足，算法容易陷入局部最小值的缺點(diǎn)，提出一種基于最小二乘向量機(jī)的電力負(fù)荷預(yù)測方法，其能精準(zhǔn)的對(duì)電力負(fù)荷進(jìn)行預(yù)測，從而極大程度的提升電能的使用效率，有效避免電能的浪費(fèi)。

為實(shí)現(xiàn)上述本發(fā)明目的，采用的技術(shù)方案如下：一種基于最小二乘向量機(jī)的電力負(fù)荷預(yù)測方法，所述的預(yù)測方法包括以下步驟：

S1：通過天氣數(shù)據(jù)與用電負(fù)荷數(shù)據(jù)集構(gòu)建聚類數(shù)據(jù)集、預(yù)測聚類數(shù)據(jù)集與預(yù)測數(shù)據(jù)集；

S2：運(yùn)用基于模糊C理論聚類算法確定有用類數(shù)據(jù)的初始聚類中心，將聚類數(shù)據(jù)集劃分為c個(gè)類別，并輸出模糊隸屬度矩陣u和各類中心V；

S3：采用布谷鳥算法優(yōu)化最小二乘向量機(jī)模型，將預(yù)測聚類數(shù)據(jù)集作為訓(xùn)練樣本輸入優(yōu)化好的最小二乘向量機(jī)模型，從而得到預(yù)測日的預(yù)測聚類數(shù)據(jù)；

S4：根據(jù)模糊隸屬度矩陣u計(jì)算預(yù)測聚類數(shù)據(jù)到各類聚類中心V的距離，并判斷預(yù)測日的數(shù)據(jù)類型為Z；在預(yù)測數(shù)據(jù)集中找出數(shù)據(jù)類型為Z的預(yù)測數(shù)據(jù)作為訓(xùn)練樣本，并輸入步驟S3優(yōu)化好的最小二乘向量機(jī)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的最小二乘向量機(jī)模型；

S5：將預(yù)測日的數(shù)據(jù)輸入到訓(xùn)練好的最小二乘向量機(jī)模型中，完成預(yù)測日的電力負(fù)荷預(yù)測。

優(yōu)選地，所述的聚類數(shù)據(jù)集包含預(yù)測日前S1天的日平均風(fēng)速、日照強(qiáng)度、日平均氣溫、日最大氣溫、日最小氣溫、日平均負(fù)荷；

所述的預(yù)測聚類數(shù)據(jù)集包含預(yù)測日前S2日的日平均風(fēng)速、日平均照強(qiáng)度、日平均氣溫、日最大氣溫、日最小氣溫、日平均負(fù)荷；

所述的預(yù)測數(shù)據(jù)集包含預(yù)測日前S1天的日平均風(fēng)速、日照強(qiáng)度、日平均氣溫、日最大氣溫、日最小氣溫、日平均負(fù)荷，以及每天24個(gè)點(diǎn)的負(fù)荷數(shù)據(jù)。

進(jìn)一步地，步驟S2中，運(yùn)用基于模糊C理論聚類算法確定有用類數(shù)據(jù)的初始聚類中心，將聚類數(shù)據(jù)集劃分為c個(gè)類別，其具體如下：

S201：給定類別數(shù)c，模糊權(quán)重指數(shù)m、最大迭代次數(shù)n、迭代誤差ε；