素进行模糊分类标记。对于不同的季节如夏季与冬季，溫度与 湿度对负荷模型参数影响效果截然相反:夏季溫度升高，天气炎热空调负荷增多，日降雨量 增多，天气凉爽空调负荷反而减少;冬季溫度升高，天气溫暖空调负荷减少，日降雨量增多， 天气湿冷空调负荷反而增加。此外负荷模型参数也还会受到地域的影响，所W定义标准也 不一样，要结合各地区的实际情况W及分季节考虑选取。气溫可分为低、中、高=个等级，分 别标记为〇、1、2;降雨量可分为无、小、中、大四个等级，分别标记为0、1、2、3;日类型分为工 作日和非工作日，分别标记为〇、1。每个负荷日即可用运四类因素(最高气溫、日最低气溫、 日降雨量W及日类型）形成标记，如通过天气预报或经验规律等途径获取待预测日的天气 状况，得到日最高气溫为高等、日最低气溫为中等、日降雨量为大雨等信息，结合日类型为 工作日，模糊分类标记即为(2，1，3,0)，然后抽取模糊分类标记与（2，1，3,0)-致的历史负 荷日，同时结合季节确定相似日。
[0101] 所述步骤1-2)中对原始数据样本进行标么化处理的方法具体为：
[0102] 记Pk=[pki，pk2,...，pki，. ..，PkJeRiXm为变电站下属第k个用户的m点原始有功功 率矩阵，其中k=l，2,3，...，N，N为变电站下属用户总数，pkl为变电站下属第k个用户的第i 点原始有功功率，i = l，2,…，m，m为负控系统采集的数据点数目，根据负控数据特点，m可取 值为48;贝化=[Pi，P2,. . .，Pk，.. .，PN]TeRWXm为变电站下属N个用户的m点原始有功功率矩 阵；
[01 0；3 ]取用户的功率最大值Pk gmax = max { Pkl，Pk2，…，Pki，…，Pkm}为基准值，根据式（1 )对 原始数据样本进行标么化处理，
[0104] p'ki = Pki/pik gmax (I)
[0105] 得到归一化的用户有功功率标么值矩阵P'k=[P'kl，P'k2, . . .，P'ki，. . .，p'km]ERi Xm和变电站下属所有用户的有功功率标么值矩阵P' = [P'l，P'2，...，P'k，...，P'N]TeRWXm.
[0106] 所述步骤1-3)中典型用户分类与综合方法如图3所示，具体为：
[0107] 采用的模糊C均值聚类方法是把N个用户分为n类，求取每一类的聚类中屯、，使类内 加权误差平方和函数即目标函数达到最小，最终输出最优聚类中屯、。
[0108] 目标函数的描述形式为：
(2)
[0110]其中，VW表示变电站下属第k个用户对于第j类的隶属度，vw<l且l>w=l;he[0， J =1 2]为加权指数;Puj= [Pul,…，pui，…，Pum] ERlXm为第j类典型用户的m点有功功率标么值，Pui 为第j类典型用户的第i点有功功率标么值，i = l，2,…，m，j = l，2,…，n。
[011。 要使目标函数达到最小，构造拉格朗日函数为：
(3)
[0113]此处的A为拉格朗日乘子，对上述函数求偏导得到使目标函数为最小时的隶属度 和聚类中屯、的表达式(4)、（5)，根据运两个公式优化得到最优隶属度矩阵和聚类中屯、矩阵。
(4) (5)
[0116] 具体算法步骤如下：
[0117] a)设定最大迭代次数a为100、误差阔值e/为0.001、迭代计数器b = 0;
[011引b)设定初始聚类中屯、矩阵PuW= [PuiW，...，PujW,... ,PunWfERnxm,为n类典型用 户的m点有功功率标么值的初始值，其中Pu严二[PuijW，…，PuijW，…，PumjW] ERixm为第j 类典型用户的m点有功功率标么值的初始值，Pui/W为第j类典型用户的第i点有功功率标么 值的初始值，i = 1，2，? ? ?，m，j = 1，2，? ? ?，n;
[0119] C)通过下式计算或更新隶属度矩阵：
[0121]得到第b轮迭代时，变电站下属第k个用户对于n类的隶属度VkW = [VkiW，…，VkJ W，…，VknW] ERix嘴变电站下属N个用户对于n类的隶属度矩阵= [ViW，…，Vk(b)，…， VN(b)]T ERNXn.
[0122] d)通过下式更新聚类中屯、：
[0124]得到第b+1轮迭代得到的n类典型用户的聚类中屯、矩阵PufW二[puia+Ui'.'iPuja +",…，PjWfeRnXm，其中 Pu/b+。= [PuifW，...，PuifW，...，口皿化叫 ERlXm 为第 b+1 轮迭代 得到的第j类典型用户的m点有功功率标么值，Pu户为第b+i轮迭代得到的第j类典型用户 的第i点有功功率标么值，i = l，2,…，m，j = l，2,…，n;
[01巧]e)判断是否满足误差条件，如果|嗦"-.皆i|含S则停止迭代，输出最优隶属度矩 '， 阵和最优聚类中屯、矩阵Pufb+il;否则，令b = b+l，返回步骤C)进行下一轮迭代;若b = 9卵寸 仍不满足误差条件，则结束迭代强制收敛，重新设定初始聚类中屯、矩阵Pu W，重新进行步骤 C)-步骤e)，直到满足误差条件停止。
[0126] 根据各个用户相对于各个类的隶属度大小，进行典型用户分类，综合得到n类典型 用户所包含的用户，W及n类典型用户等效日负荷曲线，即最优聚类中屯、矩阵；
[0127] 可设定典型用户分类个数n为4,即将变电站下属用户分为四类典型用户（分别为 重工业、轻工业、农业和市政=产）；
[012引1-4) W待预测日相似日的变电站日负荷曲线和n类典型用户等效日负荷曲线为训 练样本，采用支持向量机模型分别预测得到待预测日n类典型用户等效日负荷曲线和变电 站日负荷曲线。
[0129] 所述步骤1-4)中支持向量机(SVM)模型具体为：
[0130] 支持向量机(SVM)模型选用下式作为回归函数：
化)
[0132]式中，y = f (X)是待预测日n类典型用户等效日负荷曲线或变电站日负荷曲线，X为 待预测日的输入向量;S为训练样本个数;Xi是第i个训练样本对应的输入向量，即第i个相 似日的模糊分类标记;b为偏置值，是常数;K(xi，x)为核函数，采用如式(7)所示的径向基函 数(满足Mercer条件），O是核参数，表示覆盖宽度；
巧）
[0134] Qi,却为拉格朗日乘子，满足巧，且Cti >0,為>0;口1為的取值要满足式 (8)：
[0136] yi是第i个训练样本对应的输出值，变电站日负荷曲线或典型用户等效日负荷曲 线；e为惩罚因子，C为期望最大绝对误差；6、〇和〇的取值根据经验值确定，〇1，却，b的取值通 过SMO算法来优化确定;在确定Oi，<，b参数后，代入式(6)即得到预测表达式；
[0137] 根据气象因素和日类型，形成待预测日的模糊分类标记，即待预测日的输入向量 后，代入上述得到的预测表达式，计算得到待预测日n类典型用户等效日负荷曲线或变电站 日负荷曲线f(x);
[0138] 2)结合1)预测得到的待预测日各类典型用户等效日负荷曲线和变电站日负荷曲 线进行典型用户构成比例辨识，得到待预测日变电站的各类典型用户构成比例；如图4所 示，所述步骤2)中典型用户构成比例辨识的方法包括：
[0139] 2-1)预测得到的各类典型用户等效日负荷曲线与变电站日负荷曲线形成时间上 对应的各时间点功率平衡方程组，采用广义逆矩阵的方法求解方程组，得到各类典型用户 对应于变电站的功率基准值；
[0140] 功率平衡方程组具体为：
[0141] PuTSb = Pb (9) PuU P!!12 .Puln-
[01创式中：Zf= P':21 A'22 " As" E度WXW为表示待预测日n类典型用户等效日负 : ..Puij FimX Puml Pum _ 荷曲线，即待预测日n类典型用户的m点有功功率标么值矩阵的转置，矩阵中的第j列表示第 j类典型用户的m = 48点功率标么值，矩阵中的第i行表示n类典型用户的第i点功率标么值， Pui康示第j类典型用户的第i点功率标么值;Sb= [Si,…，Sj,…，SnfeRDX嗦示n类典型用 户对应于变电站的功率基准值列向量，&表示第j类典型用户对应于变电站的功率基准值； Pb=[Pbi，Pb2,…，Pbi,…，PBm] ERmx嗦示待预测日变电站日负荷曲线，即变电站的m点功率有 名值列向量，Pb康示第i点时变电站的功率有名值；
[0143] 根据广义逆矩阵求解各类典型用户对应于变电站的功率基准值：
[0144] Sb=(PuT)-IPb (10)
[0145] 2-2)结合各点各类典型用户功率标么值与功率基准值，得到各类典型用户各点功 率有名值【带有单位的实际值】，进而计算得到各点变电站的各类典型用户构成比例；
[0146] 计算公式为：
[0147] Kij = PuijSjZPBi (11)
[014引式中:Ku表示第i点时第j类典型用户的构成比例；
[0149]本发明采用的负荷模型为经典的感应电动机并联静态负荷模型，如图5所示。其 中，感应电动机的等值电路如图6所示，1?3八3、也心、1?"心"分别为感应电动机的定子电阻、定 子电抗、转子电抗、转子漏抗、励磁电阻和励磁电抗。限于篇幅，感应电动机的=阶暂态微分 方程在本发明中不予寶述;静态负荷模型采用幕函数模型，可用式（12)来描述，pv、qv分别表 示幕函数的有功电压特征指数、无功电压特征指数，运些都是本发明需要预测得到的模型 参数。
[0150] 眯卢'（拟 公二斯少'/<^,护
[0151] 本方法预测的负荷模型参数可满足准确的电网仿真计算要求，能提高仿真计算