技术领域
[0001] 本
发明涉及
电力负荷预测的技术领域，更具体地，涉及一种基于负荷聚类的负荷预测方法。
背景技术
[0002] 在配网规划相关技术中，负荷预测是极其关键的一个环节，其直接对规划
质量和投资效率产生影响。在配网规划相关技术中，负荷预测是极其关键的一个环节，其直接对规划质量和投资效率产生影响。
[0003] 目前，求取负荷系数的方法为按负荷性质粗略分为工业用电、商业用电、居民用电、农业用电和其他用电几类，对每一类负荷，选取几个典型用户，根据报装容量和年最大用电负荷求取相关实用系数；传统的电力负荷特征分析方法主要有两类：一是按影响因素分析，即在其余变量保持不变的前提下逐个提取因变量，定性或者定量描述其对自变量的影响程度；二是按行业分类分析，即先对各行业或者细化到某类型用户的用电特征进行分析，定性或者定量得到各类型用户对区域
电网用电特征的影响。但是，由于负荷种类繁多，特征差异大，负荷变化随机性强，准确计算需求响应的基线负荷难度大，特别是单一考虑某一因素的基线负荷预测准确度非常低。
发明内容
[0004] 本发明的目的在于克服
现有技术的不足，提供一种基于负荷聚类的负荷预测方法，基于负荷聚类的方法先对负荷进行分类，再基于BP神经网络对每个用户的负荷进行负荷预测，有效提高负荷的预测准确度。
[0005] 为解决上述技术问题，本发明采用的技术方案是：
[0006] 提供一种基于负荷聚类的负荷预测方法，包括以下步骤：
[0007] S10.获取区域内用户的负荷曲线，记区域内用户总数为N，第n个用户的负荷曲线为In＝In(1),In(2),....,In(T)，T表示负荷曲线
采样点个数；
[0008] S20.基于负荷聚类的方法，根据步骤S10中所述负荷曲线对用户进行分类；
[0009] S30.根据步骤S20的分类结果，对每类用户进行负荷预测；
[0010] S40.对步骤S30的预测结果求和，得到最终的负荷预测结果。
[0011] 本发明的基于负荷聚类的负荷预测方法，基于负荷聚类的方法先对负荷进行分类，避免负荷种类繁多对负荷预测结果的影响；在对用户分类的
基础上，结合神经网络预测方法对各用户进行负荷预测，进而提高负荷预测的准确度。
[0012] 优选地，步骤S20按以下步骤进行：
[0013] S21.确定聚类的数目为C，即把用户分为C类；
[0014] S22.初始化聚类中心向量，第c个聚类中心向量记为Vc＝(Vc(1),Vc(2),....,Vc(T))，c＝(1,2,....,C)；
[0015] S23.记负荷曲线In向量为 并计算向量 和各聚类中心向量Vc(c＝1,2,....,C)的距离d(n,c)(c＝1,2,....,C)：
[0016]
[0017] S24.比较向量 和各聚类中心向量的距离，取最小值作为分类依据；重复步骤S23得到负荷曲线的分类结果；
[0018] S25.根据步骤S24的分类结果，更新聚类中心向量如下：
[0019]
[0020] 式中，Vc(k+1)和Vc(k)分别为
迭代k+1次和k次后的聚类中心向量，n(k)为迭代k次后，属于聚类中心Vc的负荷曲线向量个数；
[0021] S26.重复步骤S23、S24、S25，直到各类聚类中心向量不再发生变化，得到最终的分类结果：把负荷曲线分成C类，把用户分为C类。
[0022] 优选地，步骤S30按以下步骤进行：
[0023] S31.记每类用户的户数为n1,n2,....,nc,....,nC。记第c类用户的负荷曲线为In,c＝In,c(1),In,c(2),....,In,c(t),....,In,c(T)，其中
[0024] S32.对第c类用户的负荷曲线，以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入，In,c(t)为输出，构建训练样本，则每组样本表示为Xt＝(In,c(t-5),In,c(t-4),In,c(t-3),In,c(t-2),In,c(t-1),In,c(t))(6≤t≤T)；
[0025] S33.以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入，In,c(t)为输出，构建BP神经网络；
[0026] S34.利用步骤S32中所述的训练样本对步骤S33中所述BP神经网络进行训练，得到训练好的神经网络；
[0027] S35.将In,c(T-4)、In,c(T-3)、In,c(T-2)、In,c(T-1)、In,c(T)输入到训练好的神经网络，得到第c类用户T+1时刻的负荷预测值In,c(T+1)；
[0028] S36.重复步骤S32～步骤S35，得到每类用户T+1时刻的负荷预测值，记为In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)。
[0029] 优选地，所述BP神经网络包括
输入层、第一隐含层、第二隐含层及
输出层，所述输入层的神经元个数为5，所述第一隐含层、第二隐含层的神经元个数为12，所述输出层的神经元个数为1。
[0030] 优选地，步骤S40中，对预测结果In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)求和，即得到用户的最终负荷预测结果I(T+1)：
[0031]
[0032] 与现有技术相比，本发明的有益效果是：
[0033] 本发明的基于负荷聚类的负荷预测方法，先基于负荷聚类的方法先对负荷进行分类，避免负荷种类繁多对负荷预测结果的影响；在对用户分类的基础上，结合神经网络预测方法对各用户进行负荷预测，进而提高负荷预测的准确度。
附图说明
[0034] 图1为本发明的基于负荷聚类的负荷预测方法的
流程图。
具体实施方式
[0035] 下面结合具体实施方式对本发明作进一步的说明。
[0037] 如图1所示为本发明的基于负荷聚类的负荷预测方法的实施例，包括以下步骤：
[0038] S10.获取区域内用户的负荷曲线，记区域内用户总数为N，第n个用户的负荷曲线为In＝In(1),In(2),....,In(T)，T表示负荷曲线采样点个数；
[0039] S20.基于负荷聚类的方法，根据步骤S10中负荷曲线对用户进行分类；
[0040] S30.根据步骤S20的分类结果，对每类用户进行负荷预测；
[0041] S40.对步骤S30的预测结果求和，得到最终的负荷预测结果。
[0042] 步骤S20按以下步骤进行：
[0043] S21.确定聚类的数目为C，即把用户分为C类；
[0044] S22.初始化聚类中心向量，第c个聚类中心向量记为Vc＝(Vc(1),Vc(2),....,Vc(T))，c＝(1,2,....,C)；
[0045] S23.记负荷曲线In向量为 并计算向量 和各聚类中心向量Vc(c＝1,2,....,C)的距离d(n,c)(c＝1,2,....,C)：
[0046]
[0047] S24.比较向量 和各聚类中心向量的距离，取最小值作为分类依据；重复步骤S23得到负荷曲线的分类结果；
[0048] S25.根据步骤S24的分类结果，更新聚类中心向量如下：
[0049]
[0050] 式中，Vc(k+1)和Vc(k)分别为迭代k+1次和k次后的聚类中心向量，n(k)为迭代k次后，属于聚类中心Vc的负荷曲线向量个数；
[0051] S26.重复步骤S23、S24、S25，直到各类聚类中心向量不再发生变化，得到最终的分类结果：把负荷曲线分成C类，把用户分为C类。
[0052] 步骤S30按以下步骤进行：
[0053] S31.记每类用户的户数为n1,n2,....,nc,....,nC。记第c类用户的负荷曲线为In,c＝In,c(1),In,c(2),....,In,c(t),....,In,c(T)，其中
[0054] S32.对第c类用户的负荷曲线，以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入，In,c(t)为输出，构建训练样本，则每组样本表示为Xt＝(In,c(t-5),In,c(t-4),In,c(t-3),In,c(t-2),In,c(t-1),In,c(t))(6≤t≤T)；
[0055] S33.以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入，In,c(t)为输出，构建BP神经网络；
[0056] S34.利用步骤S32中的训练样本对步骤S33中BP神经网络进行训练，得到训练好的神经网络；
[0057] S35.将In,c(T-4)、In,c(T-3)、In,c(T-2)、In,c(T-1)、In,c(T)输入到训练好的神经网络，得到第c类用户T+1时刻的负荷预测值In,c(T+1)；
[0058] S36.重复步骤S32～步骤S35，得到每类用户T+1时刻的负荷预测值，记为In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)。
[0059] 其中，本实施例的BP神经网络包括输入层、第一隐含层、第二隐含层及输出层，输入层的神经元个数为5，第一隐含层、第二隐含层的神经元个数为12，输出层的神经元个数为1。
[0060] 步骤S40中，对预测结果In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)求和，即得到用户的最终负荷预测结果I(T+1)：
[0061]
[0062] 经过以上步骤，本实施例先基于聚类的方法将用户数据进行分类，再对分类后的用户负荷进行预测，能够有效提高负荷预测的
精度和准确性。
[0063] 实施例二
[0064] 本实施例为实施例一在用户的负荷曲线预测中的应用，包括以下步骤：
[0065] S10.获取区域内
水产养殖用户的负荷曲线，记区域内
水产养殖用户总数为N，第n个水产养殖用户的负荷曲线为In＝In(1),In(2),....,In(T)，T表示负荷曲线采样点个数；
[0066] S20.基于负荷聚类的方法，根据步骤S10中负荷曲线对水产养殖用户进行分类；
[0067] S30.根据步骤S20的分类结果，对每类水产养殖用户进行负荷预测；
[0068] S40.对步骤S30的预测结果求和，得到最终的负荷预测结果。
[0069] 步骤S20按以下步骤进行：
[0070] S21.确定聚类的数目为C，即把水产养殖用户分为C类；
[0071] S22.初始化聚类中心向量，第c个聚类中心向量记为Vc＝(Vc(1),Vc(2),....,Vc(T))，c＝(1,2,....,C)；
[0072] S23.记负荷曲线In向量为 并计算向量 和各聚类中心向量Vc(c＝1,2,....,C)的距离d(n,c)(c＝1,2,....,C)：
[0073]
[0074] S24.比较向量 和各聚类中心向量的距离，取最小值作为分类依据；重复步骤S23得到负荷曲线的分类结果；
[0075] S25.根据步骤S24的分类结果，更新聚类中心向量如下：
[0076]
[0077] 式中，Vc(k+1)和Vc(k)分别为迭代k+1次和k次后的聚类中心向量，n(k)为迭代k次后，属于聚类中心Vc的负荷曲线向量个数；
[0078] S26.重复步骤S23、S24、S25，直到各类聚类中心向量不再发生变化，得到最终的分类结果：把负荷曲线分成C类，把水产养殖用户分为C类。
[0079] 步骤S30按以下步骤进行：
[0080] S31.记每类水产养殖用户的户数为n1,n2,....,nc,....,nC。记第c类水产养殖用户的负荷曲线为In,c＝In,c(1),In,c(2),....,In,c(t),....,In,c(T)，其中[0081] S32.对第c类水产养殖用户的负荷曲线，以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入，In,c(t)为输出，构建训练样本，则每组样本表示为Xt＝(In,c(t-5),In,c(t-4),In,c(t-3),In,c(t-2),In,c(t-1),In,c(t))(6≤t≤T)；
[0082] S33.以In,c(t-5)、In,c(t-4)、In,c(t-3)、In,c(t-2)、In,c(t-1)为输入，In,c(t)为输出，构建BP神经网络；
[0083] S34.利用步骤S32中的训练样本对步骤S33中BP神经网络进行训练，得到训练好的神经网络；
[0084] S35.将In,c(T-4)、In,c(T-3)、In,c(T-2)、In,c(T-1)、In,c(T)输入到训练好的神经网络，得到第c类水产养殖用户T+1时刻的负荷预测值In,c(T+1)；
[0085] S36.重复步骤S32～步骤S35，得到每类水产养殖用户T+1时刻的负荷预测值，记为In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)。
[0086] 其中，本实施例的BP神经网络包括输入层、第一隐含层、第二隐含层及输出层，输入层的神经元个数为5，第一隐含层、第二隐含层的神经元个数为12，输出层的神经元个数为1。
[0087] 步骤S40中，对预测结果In,1(T+1),In,2(T+1),....,In,c(T+1),....,In,C(T+1)求和，即得到水产养殖用户的最终负荷预测结果I(T+1)：
[0088]
[0089] 需要说明的是，本实施例中将负荷聚类的方法与神经网络结合的方法的应用并不局限于应用于水产养殖用户的负荷曲线，还可应用于其他需要配网规划领域的负荷预测。
[0090] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何
修改、等同替换和改进等，均应包含在本发明
权利要求的保护范围之内。
