[發明專利]一種基于BOA-SVR和模糊聚類的分時段精細化短期負荷預測方法

在審

• 申請號: 202010025312.3
• 申請日: 2020-01-10
• 公開（公告）號: CN111260116A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 王瑞;逯靜;陳詩雯;王福忠;韓素敏
• 申請（專利權）人: 河南理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/00
• 代理公司: 鄭州浩德知識產權代理事務所(普通合伙) 41130
• 代理人: 王國旭

本發明公開了一種基于BOA?SVR和模糊聚類的分時段精細化短期負荷預測方法，包括以下步驟：S1，根據地區的歷史負荷數據和特性來分析影響負荷變化的因素，并考慮實時影響因素提出分時段綜合預測法；S2，利用模糊C均值聚類方法將歷史數據聚類得到不同的類型，并評價其聚類效果；S3，利用動態自適應權重的方法和柯西分布逆累積部分函數對蝙蝠算法進行改進；S4，利用改進的蝙蝠算法對SVR的參數進行尋優，尋找最優參數建立SVR分時段精細化模型，將待預測各個時段平均負荷值作為SVR的輸出得到預測結果；本發明可有效的提高預測精度，對于不同類型日的預測精度均可達到96％以上，且改進的蝙蝠算法有效降低預測模型的規模，明顯的提高了預測模型的性能。

技術領域

本發明涉及電力系統的負荷預測技術領域，特別是一種基于BOA-SVR和模糊聚類的分時段精細化短期負荷預測方法。

背景技術

科學的負荷預測對電力系統許多部門有著重要的作用和意義，如今智能電網技術在不斷地飛速發展，復雜的電網規模增大了電力數據的復雜程度，這就對負荷預測的準確性和實時性有更高的要求，所以這成為人們不斷深入研究并發展電力系統負荷預測理論的終極目標。

目前，國內外的學者對負荷預測的最優預測方法進行了深入的研究，提出了較多優化的負荷預測方法：一類是傳統的統計學方法，包括線性回歸法、相關性分析法、時間序列和灰色系統方法。這些預測方法運用簡單，但對于一些非線性的影響因素不能很好地適用；另一類是機器學習法，包括模糊推理系統、人工神經網絡、小波變換和支持向量機等。與傳統的統計方法相比，機器學習法能綜合分析負荷歷史數據和影響因素的關系，預測精度有所提升。在這些方法中，支持向量回歸SVR具有學習能力強、適應性好且適用于小樣本數據學習的優點，但其預測效果受模型參數的影響較大，若參數選擇不當則導致SVR的預測精度較低，預測效率也下降。蝙蝠算法(BA)是一種具有“生成+檢驗”特征的迭代搜索優化群智能算法，具有較強的局部搜索能力和良好全局尋優能力，適用于預測模型參數優化等方面；但其也存在易陷入局部最優解、收斂精度不高、算法收斂速度不均衡等缺點。另一方面，在研究影響負荷變化的因素時，只是考慮和分析歷史數據的相似性，而且在考慮氣象因素的影響時，利用氣象因素對負荷的相似性來處理每日的特征氣象因素，但僅僅考慮氣象因素的相似性不能全面分析負荷特性，且由于影響負荷變化的因素復雜，不同因素對負荷的影響呈現非線性的特點，這樣會導致預測方法精度的降低甚至失效。如今，現代負荷預測方法新的發展趨勢是將數據挖掘技術用于歷史負荷數據的篩選并結合機器學習方法來進行預測。

發明內容

為了克服上述不足，本發明的目的是要提供一種基于BOA-SVR和模糊聚類的分時段精細化短期負荷預測方法。

為達到上述目的，本發明是按照以下技術方案實施的：

一種基于BOA-SVR和模糊聚類的分時段精細化短期負荷預測方法，包括以下步驟：

S1，根據地區的歷史負荷數據和特性來分析影響負荷變化的因素，并考慮實時影響因素提出分時段綜合預測法；

S2，利用模糊C均值聚類方法將歷史數據聚類得到不同的類型，并評價其聚類效果；

S3，利用動態自適應權重的方法和柯西分布逆累積部分函數對蝙蝠算法進行改進；

S4，利用改進的蝙蝠算法對SVR的參數進行尋優，尋找最優參數建立SVR分時段精細化模型，將待預測各個時段平均負荷值作為SVR的輸出得到預測結果；

進一步的，對S1中的歷史負荷數據進行處理包括：第一步，數據預處理；第二步，歸一化處理；所述數據預處理為：采用比較法處理歷史負荷數據中的不良數據，對于單個的不良數據，將該點前后時刻的負荷數據取平均值得到該點的負荷值；對于連續出現多個的不良數據，對比某時刻的負荷值與同時刻前后不同日期的負荷平均值，若無法找到則剔除數據；所述歸一化處理為：在數據預處理后，將負荷數據x_i按下列公式進行歸一化處理：