一种短期用电负荷预测方法及装置的制造方法
【技术领域】
[0001] 本发明设及电力负荷预测技术领域，尤其设及一种短期用电负荷预测方法及装 置。
【背景技术】
[0002] 当前，由于电能不能大量胆存的特点，电力系统需要随时保持供需平衡。为保证电 力系统的安全，必须掌握负荷的变化规律，W及未来的变化趋势，即需要对用电负荷进行有 效的预测。负荷预测既是电力系统规划的重要组成部分，又是提高电力企业经济效益、促进 国民经济发展的重要因素之一。而短期用电负荷预测是指对未来几个小时、1天，直至一周 的负荷预测。它是电网经济运行和安全控制中必不可少的基础，对电网运行的安全性、可靠 性和经济性起着重要作用。高精度的短期用电负荷预测有助于合理地安排电网设备调度及 检修计划，提高电力系统运行的稳定性，减少电网的发电成本，提高电力系统的经济效益和 社会效益。
[0003] 短期用电负荷的突出特点是W日为周期呈现变化的相似性，且明显受天气因素的 影响。因此若要实现有效的短期用电预测，需要充分研究负荷变化规律，分析负荷变化因 子，特别是天气因素和短期用电负荷变化的关系。目前，对于短期用电负荷预测，主要采用 如下方式:一、时间序列预测法;二、回归分析预测法己、神经网络预测法；四、灰色模型预 测法。其中，时间序列预测法是电力行业中应用最为广泛、发展比较成熟的方法，其将负荷 数据看作是按周、天W及小时周期性变化的时间序列，根据历史资料，建立一个数学模型描 述用电负荷运个随机变量的统计规律，对未来的用电负荷进行预报。但时间序列预测法存 在易受噪声数据干扰、预测精度随步长增大而降低等问题。回归分析预测法是通过对变量 的观测数据进行统计分析，确定变量之间的相关关系，从而实现预测的目的。但由于负荷预 测的输入输出非线性和模型缺乏自学习能力W及预测准确度不高，导致回归分析预测法只 能适用中、长期负荷预测。神经网络预测法是将历史数据中对用电负荷影响最大的几种因 素作为输入量输入人工神经网络，经过输入层、隐含层和输出层中各神经元的作用最后生 成输出量，再W输出误差为目标函数对网络权值进行不断修正直至误差达到要求，经训练 后的网络就可W预测结果。神经网络预测法数据需求量大、收敛速度慢，并且缺乏一种行之 有效的方法解决训练过程中过拟合和欠拟合等问题。灰色模型预测法是将一定范围内变化 的历史数据进行累加、累减或级比生成，使其变成具有指数增长规律的上升形状，再对生成 的数列用微分方程建立灰色模型。灰色模型预测法建模时不需要计算统计特征量，具有所 需数据量少、不用考虑变化趋势、运算方便、易于检验等特点，但存在对于离散程度较大的 数据预测精度较差的问题。
[0004] 可见，当前的短期用电负荷的方法存在预测精度较差，且处理较为繁琐复杂的问 题。
【发明内容】
[0005] 本发明的实施例提供一种短期用电负荷预测方法及装置，W解决当前的短期用电 负荷的方法存在预测精度较差，且处理较为繁琐复杂的问题。
[0006] 为达到上述目的，本发明采用如下技术方案：
[0007] -种短期用电负荷预测方法，包括：
[0008] 获取用电负荷的历史数据W及所述用电负荷的历史数据对应的天气信息的历史 数据；
[0009] 对所述用电负荷的历史数据W及所述天气信息的历史数据进行模糊聚类分析预 处理；
[0010] 根据模糊聚类分析算法对预处理后的用电负荷的历史数据进行模糊聚类，调整模 糊聚类参数，获取用电负荷的历史数据的最优分类;所述最优分类中的用电负荷的历史数 据与模糊聚类中屯、值的偏差均小于预设阔值，且所述最优分类中的用电负荷的历史数据个 数大于进行模糊聚类所产生的其他分类中的用电负荷的历史数据个数；
[0011] 根据一预设长度的滑动窗口在所述最优分类中的用电负荷的历史数据中获取用 电负荷的历史训练数据，并在预处理后的天气信息的历史数据中获取所述用电负荷的历史 训练数据的天气信息历史训练数据；
[0012] 根据预先设置的预测算法，对所述用电负荷的历史训练数据和天气信息历史训练 数据进行处理，获取短期用电负荷预测数据。
[0013] 具体的，所述天气信息的历史数据包括:气溫历史数据、风速历史数据。
[0014] 具体的，对所述用电负荷的历史数据W及所述天气信息的历史数据进行模糊聚类 分析预处理，包括：
[0015] 将用电负荷的历史数据中的负值置为0。
[0016] 具体的，对所述用电负荷的历史数据W及所述天气信息的历史数据进行模糊聚类 分析预处理，包括：
[0017] 根据趋势预测模型确定用电负荷的历史数据W及天气信息的历史数据中的缺失 数据；
[001引所述趋势预测模型为：Xk = ak-t+bk-t X t;
[0019]其中，k为当前时刻序号；t为在k时刻之前缺失数据的时刻数量;xk为k时刻的用电 负荷的历史数据或者天气信息的历史数据；
为一次移动平均值；7苗_,为二次移动平均值;η为每次移动平均的长度。
[0020] 具体的，根据模糊聚类分析算法对预处理后的用电负荷的历史数据进行模糊聚 类，调整模糊聚类参数，获取用电负荷的历史数据的最优分类，包括：
[0021] 根据预处理后的用电负荷的历史数据生成用电负荷的历史数据向量X;所述用电 负荷的历史数据向量X的数据个数为Ν，待分组个数为C;
[0022] 确定用电负荷的历史数据向量X的模糊分组矩阵U;
[0023] 其中，
μυ为第i个数据Xi隶属于第j个分组的隶属 度；且μυ e[0，l];iy含N;iy<C;
所述模糊分组矩阵u的代 价函数为
；其中m为权值;Di功第i个数据XI与第j个分组的特征 vj之间的加权欧式距离；
A为用电负荷的历史数据向量X 的方差矩阵；
Cj为第j个分组;的为第j个分组的数据个数；
[0024] 根据模糊分组矩阵U确定所述用电负荷的历史数据向量X的最优隶属度和最优分 组特征；
[00巧]其中，所述最优隶属度为
[00%] 所述最优分组特征为
[0027]确定最优隶属度和最优分组特征对应的分组为所述最优分类。
[002引此外，所述预先设置的预测算法包括:时间序列预测法、回归分析预测法、神经网 络预测法、灰色模型预测法;所述时间序列预测法包括ARMA模型算法。
[0029] -种短期用电负荷预测装置，包括：
[0030] 历史数据获取单元，用于获取用电负荷的历史数据W及所述用电负荷的历史数据 对应的天气信息的历史数据；
[0031] 预处理单元，用于对所述用电负荷的历史数据W及所述天气信息的历史数据进行 模糊聚类分析预处理；
[0032] 模糊聚类单元，用于根据模糊聚类分析算法对预处理后的用电负荷的历史数据进 行模糊聚类，调整模糊聚类参数，获取用电负荷的历史数据的最优分类;所述最优分类中的 用电负荷的历史数据与模糊聚类中屯、值的偏差均小于预设阔值，且所述最优分类中的用电 负荷的历史数据个数大于进行模糊聚类所产生的其他分类中的用电负荷的历史数据个数；
[0033] 滑动窗口数据获取单元，用于根据一预设长度的滑动窗口在所述最优分类中的用 电负荷的历史数据中获取用电负荷的历史训练数据，并在预处理后的天气信息的历史数据 中获取所述用电负荷的历史训练数据的天气信息历史训练数据；
[0034] 短期用电负荷预测单元，用于根据预先设置的预测算法，对所述用电负荷的历史 训练数据和天气信息历史训练数据进行处理，获取短期用电负荷预测数据。
[0035] 具体的，所述历史数据获取单元获取的天气信息的历史数据包括:气溫历史数据、 风速历史数据。
[0036] 此外，所述预处理单元，具体用于：
[0037] 将用电负荷的历史数据中的负值置为0。
[0038] 进一步的，所述预处理单元，还用于：
[0039] 根据趋势预测模型确定用电负荷的历史数据W及天气信息的历史数据中的缺失 数据；
[0040] 所述趋势预测模型为:Xk = ak-t+bk-t X t;
[0041] 其中，k为当前时刻序号;t为在k时刻之前缺失数据的时刻数量;Xk为k时刻的用电 负荷的历史数据或者天气信息的历史数据：
为一次移动平均值；/心，为二次移动平均值;η为每次移动平均的长度。
[0042] 具体的，所述模糊聚类单元，包括：
[0043] 历史数据向量生成模块，用于根据预处理后的用电负荷的历史数据生成用电负荷 的历史数据向量