基于聚类分析与支持向量机的电力系统短期负荷预测

电力系统短期负荷预测是电网企业最重要的工作之一,也是电网规划、电力系统稳定性运行的基础性工作。作为发配电的一个重要依据,随着电力市场的改革的不断深入,对电力系统负荷预测的准确性的要求越来越高;又由于新型负荷与分布式电源的大量接入等因素,使得传统的电力负荷预测方法已不完全适用;基于电力短期负荷预测的重要性与如今电网出现的新特征,迫切需要开发一种能够适应电网发展的电力系统短期负荷预测技术。本文基于传统支持向量机的负荷预测方法进行了改进,首先对于历史原始的负荷数据进行清洗处理,针对原始数据利用两种时间序列模型进行匹配,检测出异常值的种类,进而对其中存在的噪音点、缺失值进行修补处理。而后采用模糊C均值聚类算法进行聚类分析,这种算法是将其中的某一类数据集认为是样本数据集中的一个较为相似的模糊子集。其中划分某一类的标准是模糊隶属度,这种算法能够将原始数据集分成几类,其中属于同一类的数据之间的相似程度比较高,属于异种数据类型之中的数据集差异较大,它将聚类的问题变成了一个含约束的非线性规划问题,从而通过求解最优目标函数来确定划分结果,求出隶属度矩阵U;再通过数据集之间相似程度公式的判断,利用欧氏距离测试其之间的相似程度,进而选出与预测日相似程度最高的历史数据集;最后,结合支持向量机的回归预测模型对其进行短期负荷预测。实际算例的仿真结果表明,所提方法得出的预测结果处在误差允许的范围内,并且与基于支持向量机的方法相比,预测结果具有更高的准确性。