一種基于大数据技术的电力系统短期负荷预测方法.doc

本  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： 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以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； 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； 建立分类规则，以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； 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； 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； 计算系统负荷。针对预测目标电网中的所有用户，重复以上步骤，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。 2.根据权利要求1所述的一种基于大数据技术的电力系统短期负荷预测方法，其特征在于：所述步骤（1）具体包括如下步骤： 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： 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）；d12代表负荷序列1和负荷序列2的空间距离；该距离中的x1k代表第一个负荷序列中的第k维数据，x2k代表第二个负荷序列中的第k维数据；xmax代表所有负荷序列第k维中的最大值。 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，以每天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。 3.根据权利要求1所述的一种基于大数据技术的电力系统短期负荷预测方法，其特征在于：所述步骤（2）具体包括如下步骤： 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、气象数据以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： （a）确定规范化属性矩阵； 历史负荷数据值为母序列，与之对应的关键影响因素为子序列，则可得到矩阵如下： 式中代表有个样本，代表有个待分析的影响因素，代表因素序列，代表负荷序列。 （b）接下来对矩阵按列用下式进行均值规范化处理， 式中，代表第个因素的第时刻的值，代表各个序列的均值化算子，代表每列元素的平均值。其中，母序列也按照同理规范化处理，记其均值化算子为。 （c）A矩阵经过规范化后为： （d）计算关联系数 因素的第个指标与负荷序列的第个指标之间的关联系数的几何意义是曲线与曲线在时刻的相对差值，其计算公式如下： 式中，为的最大值，为的最小值；为时刻的值。为分辨系数，其作用在于提高关联系数之间的差异性，一般在之间选取，通常取。 （e）确定关键影响因素排序 在上述关联系数的基础上，可以计算出因素Xi与负荷Y的关联度为： 一般情况下，灰色关联度值ri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，ri的绝对值越接近0，表示X、Y之间越没有线性相关关系；0r1，表示X、Y有相关关系，但是非线性关系；≥0.6，视为高度关联；0.2≤0.6，视为中等相关；0.2，视为关联性极弱，可以忽略。 4. 根据权利要求1所述的一种基于大数据技术的电力系统短期负荷预测方法，其特征在于：所述步骤（3）具体包括如下步骤： 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耦合关系的学习，能够清楚完善的表征分类规则。 5．根据权利要求1所述的一种基于大数据技术的电力系统短期负荷预测方法，其特征在于：所述步骤（5）具体包括如下步骤： 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。 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。 6. 根据权利要求1所述的一种基于大数据技术的电力系统短期负荷预测方法，其特征在于：所述步骤（6）在Hadoop大数据计算平台上完成。 基于大数据技术的电力系统短期负荷预测方法 技术领域 本发明涉及电力系统工程技术领域，尤其涉及一种基于大数据