一种基于大数据技术的电力系统短期负荷预测方法
【技术领域】
[0001] 本发明设及电力系统工程技术领域，尤其设及一种基于大数据技术的电力系统短 期负荷预测方法。
【背景技术】
[0002] 电力系统短期负荷预测结果关系到电力系统调度运行和生产计划的制定，准确的 短期负荷预测结果有助有提高系统的安全性和稳定性，能够减少发电成本。随着电力系统 中分布式能源（太阳能、风能、储能等）的大量接入，负荷的变化规律更加难W把握，该种不 确定性将会增加电力系统负荷预测的难度。因此亟待一种能够更好把握负荷变化规律的预 测方法。
[0003] 用户是电网中的最基础组成部分，也是造成电网负荷波动的源头。然而，现今的负 荷预测方法都是针对系统级的负荷预测，最深入的也不过是母线级别的预测。因此，研究一 种针对用户级的负荷预测框架，并利用数据挖掘方法发掘用户用电行为规律，提高负荷预 测的精度是十分必要的。
【发明内容】
[0004] 本发明提出了一种基于大数据技术的电力系统短期负荷预测方法，有效解决由于 用户用电规律复杂造成的负荷预测精度较低问题。
[0005] 为达到上述目的，本发明采用的技术方案是；一种基于大数据技术的电力系统短 期负荷预测方法，包括如下步骤：
[0006] (1)负荷曲线聚类分析。对待预测日前一年的历史负荷数据进行W天为单位的凝 聚层次聚类分析，将形状特征相似的负荷曲线归为一类；
[0007] (2)确立关键影响因素。结合历史负荷及天气数据计算灰色关联分析结果，并对结 果排序得出影响负荷的关键影响因素；
[0008] (3)建立分类规则，W层次聚类分析结果及关键影响因素为输入，采用CART算法 建立决策树，得到凝聚层次聚类分析结果；
[0009] (4)将待预测日分类。将待预测日的关键因素日特征向量数据输入决策树，得到待 预测日的分类结果；
[0010] (5)训练预测模型并预测。选取相应类中的历史负荷数据训练支持向量机模型，根 据步骤4中得出的待预测日的分类结果，选用对应的支持向量机模型完成预测；
[0011] 做计算系统负荷。针对预测目标电网中的所有用户，重复W上步骤，累加所有用 户负荷并叠加网损负荷得到整个电网的系统级负荷。
[0012] 进一步的，所述步骤（1)具体包括如下步骤：
[0013] 采用的聚类分析算法为改进的凝聚层次聚类算法。同时，本发明将欧式距离中每 一个维度的差值进行最大值归一化，如下式所示：
[0014]
[0015] 其中，每一天为一个负荷序列，n代表该负荷序列为一个n维向量（通常为96维）； di2代表负荷序列1和负荷序列2的空间距离；该距离中的Xik代表第一个负荷序列中的第 k维数据，x,k代表第二个负荷序列中的第k维数据；X代表所有负荷序列第k维中的最大 值。
[0016] 将待预测日前一年的历史负荷数据作为历史数据集。采用上述应用标准化欧式距 离改进的层次聚类算法，W每天n点的负荷数据形成一个向量，通过计算各个向量之间的 标准化欧式距离，将其由零散分布的独立样本逐渐归为趋势相近的若干类。
[0017] 进一步的，所述步骤（2)具体包括如下步骤：
[0018] 采用灰色关联分析算法计算每个因素的灰色关联度。将预测日前一年的历史负荷 数据、气象数据W及日类型数据集作为分析样本，设定母序列为负荷值，天气因素、日类型 为若干子序列。采用灰色关联分析算法分析各个子序列与母序列的相关性，最后将一年每 天的灰色关联度求均值即可得到各个影响因素的灰色关联度。对灰色关联度进行排序，选 定值较大的前4个作为影响负荷的关键影响因素，具体步骤如下：
[0019] (a)确定规范化属性矩阵；
[0020] 历史负荷数据值为母序列Y= {y。72,…，yp}T，与之对应的关键影响因素为子序列 Xi= {Xii，X2。…，XpjT，则可得到矩阵如下；
[0021]
[0022] 式中P代表有P个样本，q代表有q个待分析的影响因素，X代表因素序列，y代表 负荷序列。
[0023] 化）接下来对A矩阵按列用下式进行均值规范化处理，
[002引式中，Xik代表第i个因素的第t时刻的值，di代表各个序列的均值化算子，是化 表每列元素的平均值。其中，母序列Y也按照同理规范化处理，记其均值化算子为D。
[0027] (C)A矩阵经过规范化后为：
[0028]
[002引 （d)计算关联系数
[0030]因素Xi的第t个指标与负荷序列Y的第t个指标之间的关联系数Ci(t)的几何 意义是曲线Xi与曲线Y在t时刻的相对差值，其计算公式如下：
[0031]
[0032]式中，Amax为|mk(t)-ei(t)I的最大值，Amin为|mk(t)-ei(t)I的最小值； I化(t)-ei(t)|为t时刻的值。P为分辨系数，其作用在于提高关联系数之间的差异性，一 般在0~1之间选取，通常取P= 0. 5。
[0033] (e)确定关键影响因素排序
[0034] 在上述关联系数的基础上，可m十算出因素X占负荷Y的关联度为：
[00 巧]
[0036] 一般情况下，灰色关联度值值在0到1之间。值越接近1，变量X、Y之间的线性 相关程度就越大，的绝对值越接近0,表示X、Y之间越没有线性相关关系；0<r<l，表示X、 Y有相关关系，但是非线性关系；IrI> 0. 6,视为局度关联；0. 2《IrI<0. 6,视为中等相关； IrI<0. 2,视为关联性极弱，可W忽略。
[0037] 进一步的，所述步骤（3)具体包括如下步骤：
[0038] 采用的算法为CART决策树算法，在每个节点（除叶节点外）将选用Gini指数最 小的关键影响因素，将当前节点的历史负荷数据集分割为两个子集，直到最后的分类结果 与步骤1中的聚类结果吻合。该过程完成对历史负荷及关键影响因素数据与聚类结果间禪 合关系的学习，能够清楚完善的表征分类规则。
[0039] 进一步的，所述步骤巧）具体包括如下步骤：
[0040] 针对步骤1的分类结果，将每类的负荷数据及相应的关键因素数据构建训练样 本，训练若干个支持向量机模型。支持向量机的核函数选择RBF核函数，参数的寻优方法选 用网格寻优法，即穷举法。
[0041] 根据步骤4中得出的待预测日的分类结果，选用对应的支持向量机模型完成预 测。
[0042] 进一步的，所述步骤（6)在化doop大数据计算平台上完成。
[0043] 本发明具有的优点和积极效果是；本发明提供一种基于大数据技术的电力系统短 期负荷预测方法，并利用数据挖掘方法发掘用户用电行为规律，提高负荷预测的精度，有助 有提高电力系统的安全性和稳定性，能够减少发电成本。
【附图说明】
[0044] 图1为本发明的结构框架示意图；
[0045] 图2为本发明的算法流程图；
[0046] 图3为用户#1的层次聚类树状图；
[0047] 图4为用户#1的6类负荷曲线图；
[0048] 图5为大数据计算平台框架图；
[0049] 图6为基于大数据技术的电力系统短期负荷预测方法效果图。
【具体实施方式】
[0050] 下面结合附图和【具体实施方式】对本发明作进一步详细的说明。
[0051] 如图2所示，一种基于大数据技术的电力系统短期负荷预测方法，包括W下步骤：
[0052] S1输入历史负荷数据；
[0053] S2利用改进层次聚类算法对输入历史负荷数据进行聚类；
[0054] 由于负荷曲线的走势与日类型，天气因素等密切相关。通过曲线的聚类分析，可W 将形状特征相似的负荷曲线归为一类。
[00巧]本发明采用的聚类分析算法为改进的凝聚层次聚类算法。同时，本发明将欧式距 离中每一个维度的差值进行最大值归一化，如下式所示：
[0056]