模糊聚类与混沌预测在短期电力负荷预测中的应用

电力负荷预测，特别是短期负荷预测是电力部门一项重要的工作，经济意义重大。因此，追求精益求精的预测准确度成为电力行业的重大科研课题。近十几年来，研究者们提出了大量有效的预测算法，预测精度不断提高。然而，人们对预测精度的要求也越来越高，这就需要科研工作者探索更好的预测方法。 本文将模糊聚类和模式识别理论应用于负荷历史数据和气象数据的预处理，为负荷预测提供了更合理的原始预测数据集；在混沌相空间重构局域法的基础上提出了几种新的预测方法，并将气象因子引入到了混沌预测中。本文在研究过程中得到了以下一些初步的结果。 在数据预处理方面：通过对我国北方某地多年日峰值负荷与对应的9种气象数据进行相关性分析，确定了在夏季，“最大气温、最小气温、平均气温、降雨量、平均露点、平均海面气压”是影响负荷的主要气象因子；在冬季，“降雨量、平均海面气压、平均能见度、平均风速、最大持续风速”是影响负荷的主要气象因子。以2000年夏季的具体数据为例，对日峰值负荷数据和对应的主要气象因子数据进行了模糊聚类。在模糊隶属度的选择上，首先选取了相关系数和欧氏距离法，接着本文构造了“相关系数＋欧氏距离”的隶属度函数，通过对三种方法聚类结果与原始数据的比较分析，认为在构造的隶属度函数下的聚类结果更具有合理性。 在负荷预测方面：在混沌重构相空间局域法中，首先采用多元二阶多项式回归法预测出未来时刻的负荷值。该方法与线性回归法相比，具有更高的预测精度，并且显著地抑制了12h周期性的误差增大现象。另外，在寻找嵌入相空间中与参考矢量邻近的矢量时，以指定邻近矢量的个数来代替与参考矢量的距离，不仅保证了在任何情况下都能找到足够的“邻近矢量”来进行负荷预测，还可以提高预测精度。其次，采用直接多步线性回归法进行预测，即从当前值直接回归预测出多个点的负荷，消除了原来一步法中的误差积累。在考虑天气因子的直接多步回归时，本文在“参考矢量”中增加各负荷记录对应的天气记录，以及待预测日的天气预报。这样“负荷记录、天气记录、天气预报”形成一个新型的“参考矢量”，从而实现了混沌时间序列中气象因子的使用。