一种基于FTS的电网负荷预测方法与流程

本发明涉及人工智能预测，具体为一种基于fts的电网负荷预测方法。

背景技术：

1、智能电网的理想场景是电力供应等于目标区域的消耗，这不仅有助于分配电力资源并产生巨大的经济效益，而且具有巨大的社会效益，因为它可以承受导致大规模停电的许多不确定性。

2、如公开号为cn115564182a的中国专利公开了一种基于电网资源业务中台的电网分析方法，基于时间事件序列获取不同设备的历史状态数据，并获取不同设备在各时序下的实时状态数据；利用历史状态数据、实时状态数据进行电网故障分析；在不同周期下对历史负荷数据进行周期性的相关性分析，并根据相关性分析结果获取目标预测日在不同周期下的负荷预测序列；对负荷预测序列进行波动分解，获取对应的趋势分量、周期分量和随机分量，形成预测特征序列；利用预测特征序列对目标预测日的电网负荷进行负荷分析预测；本发明提供的技术方案能够有效克服现有技术所存在的无法根据全面的配电网信息进行准确地故障分析及负荷预测的缺陷。

3、又如公开号为cn102073785a的中国专利公开了一种基于广义动态模糊神经网络的燃气日负荷组合预报方法。(1)采集城市燃气历史记录数据作为历史时间序列数据；(2)对历史时间序列数据进行异常数据判断和处理；(3)利用广义回归神经网络，对历史负荷时间序列即样本数据进行差分处理再通过网络进行预测；(4)利用灰色神经网络，将输入历史负荷时间序列的一次累加生成数据作为网络的输入，输出对应预测日负荷的一次累加生成数据，训练网络，最后将输出值进行一次累减逆生成处理；(5)将步骤(3)、(4)得到的预测值作为广义动态模糊神经网络的输入，并对数据进行分组。本发明针对燃气日负荷的随机性，不稳定性，周期性等特点，采用了组合预报的方法，预测精度更高。

4、又如公开号为cn109214948a的中国专利公开了一种电力系统热负荷预测的方法和装置，该方法包括：s1：对电力系统热负荷的历史日数据进行预处理；s2：根据预处理后的历史每日数据获得数据日基准线；s3：将获得的数据日基准线划分为若干个时间段；s4：筛选历史日数据，并分别在划分的每个时间段内计算筛选后的历史日数据与数据日基准线的趋势相似值；s5：选取大于预设基准值的趋势相似值对应的历史日数据，形成相似序列矩阵；s6：将相似序列矩阵输入建构的极限学习机elm进行训练，获得预测模型，并进行电力系统热负荷的预测。本发明采用基于趋势分段的时序表示方法，有效保留了热负荷时间序列中重要的变化趋势信息，能更加精确地预测热负荷的变化趋势。

5、目前，电力负荷预测的方法很多，如基于传统统计的电力负荷预测和基于深度学习负荷预测的负荷预测。准确预测城市用电负荷是实现智能电网的前提，其中中长期负荷预测对电力系统的运行和规划非常重要。中长期负荷预测是一种非线性时间序列趋势预测。因此，深入研究综合能源系统月负荷预测具有重要的现实意义。

6、现有的城市中长期用电负荷预测方法主要分为两大类，经典时间序列方法和新兴机器学习(ml)方法。自回归积分移动平均线(arima)是时间序列方法的代表性模型，其优点是模型相对简单、鲁棒、高效，可以很好地处理季节性时间序列。但是，为了实现对中长期电力负荷的准确预测，有必要考虑用电量预测的准确性。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于fts的电网负荷预测方法，以解决上述问题。

2、为实现以上目的，本发明通过以下技术方案予以实现。

3、一种基于fts的电网负荷预测方法,其特征在于，包括以下步骤：

4、s1.采集原始的电网负荷数据，按递增顺序对电网负荷数据值进行排序；

5、s2.计算聚类之间元素之间的最大距离，并对数据进行聚类；

6、s3.将所有类簇转换为模糊分区；

7、s4.根据每个电网负荷值所在区间划分定义模糊集，即为每个区间定义一个模糊集；

8、s5.模糊化时间序列；

9、s6.建立二阶模糊逻辑关系；

10、s7.构建模糊趋势逻辑关系组ftlrg；

11、s8.构建模糊趋势矩阵；

12、s9.根据电网负荷值的模糊趋势矩阵预测电网负荷值的模糊趋势变化。

13、进一步的，步骤s1针对所述包括以下内容：将原始数据以递增的顺序排序时间序列的数据值，并根据公式计算一阶差分序列的均值和标准差。

14、进一步的，步骤s2针对所述原始数据计算类簇之间元素的最大距离,最大距离(max_data_distance)即为一阶差分的标准差的c倍，根据最大距离聚类数值数据：首先为第一个数据创建一个类簇，然后基于如下规则决定是否将下一个数据并入当前数据所属的类簇，假设当前状态为"...,{...,di}，di+1，di+2，di+3，...，dn"如果di+1-di≤max_data_distance,即将di+1并入di所属类簇；否贝为di+1创建一个新的类簇，重复以上过程，直到所有数据都被聚类。

15、进一步的，步骤s3将所有类簇转化为模糊分区，令ui表示第i个分区，则转化具体规则如下：

16、规则1：如果i＝1，即ui表示第一个分区，则ui的下界为

17、interval_low1＝d1-max_data_distance

18、规则2：如果i＝p，即ui表示最后一个分区，则ui的上界为

19、interval_upperp＝dn+max_data_distance

20、规则3：如果1<i<p，则ui的上界和下界分别为

21、interval_lowi＝interval_upperi-1

22、interval_upperi＝(din+dj1)/2

23、其中区间ui的中值可由下式计算：

24、mid_value＝(interval_lowi+interval_upperi)/2。

25、进一步的，步骤s4为每个区间定义一个模糊集，表示为第ui所在的第i个分区即为第ai个模糊集。

26、进一步的，步骤s5，根据“最大隶属度”原则，对于电网负荷值，如果负荷值属于区间ui，则将该负荷值模糊化为ai。

27、进一步的，步骤s6构建二阶模糊逻辑关系模型需要对历史模糊逻辑关系的变化趋势(下降、不变和上升)分别进行统计，并且对于每一种变化趋势还需考虑模糊逻辑关系的“当前状态”对应模糊集的变化关系，统计结果用于构建模糊趋势矩阵，因此，为电网负荷建立二阶flr如下所示：

28、ai2，ai1→am。

29、进一步的，步骤s7根据模糊逻辑关系的“当前状态”，将所有的二阶flr划分为“down-group”(group1)、“equal-group”(group2)、“up-group”(group3)，对于电网负荷值，如果i2＞i1，则将该二阶flr并入“down-group”；如果i2＝i1，则将该二阶flr并入“equal-group”；如果i2＜i1，则将该二阶flr并入“up-group”。

30、进一步的，步骤s8为每一个ftlrg构建一个6维的趋势向量，最终可得到一个3×6的模糊趋势矩阵，其中sd(i)是组group i中具有“down-trend”的所有flr的下降趋势统计，nd(i)是组group i中具有“down-trend”的所有flr的数量统计；se(i)是组group i中具有“equal-trend”的所有flr的相等趋势统计，ne(i)是组中具有“equal-trend”的所有flr的数量统计；su(i)是组group i中具有“up-trend”的所有flr的上升趋势统计，nu(i)是组中具有“up-trend”的所有flr的数量统计。

31、进一步的，步骤s9根据电网负荷值的模糊趋势矩阵预测模糊趋势变化。设置一个bug值，且默认为三分之一，假设前一时刻和当前时刻电网负荷值的模糊集分别为ai2和ai1，如果ai2-ai1>bug*ai1，说明当前值已达到最小值，则从当前时刻到下一时刻的模糊趋势变化δ趋势可以通过以下公式预测：

32、δtrend＝su(0)/nu(0)*nu(0)/(nd(0)+ne(0)+nu(0))+(ai2-ai1)/2

33、假设前两个时刻、前一时刻和当前时刻的模糊集分别是ai3、ai2和ai1，以及ai3<ai2、ai2≤ai1，那么模糊趋势δtrend从当前时刻到下一时刻的变化可以通过下式预测：

34、δtrend＝sd(2)/nd(2)*nd(2)/(nd(2)+ne(2)+nu(2))

35、如果ai3<ai2、ai2>ai1，则模糊趋势δtrend从当前时刻到下一时刻的变化可以通过以下等式预测：

36、δtrend＝sd(0)/nd(0)*nd(0)/(nd(0)+ne(0)+nu(0))

37、如果ai3＝ai2，ai2＝ai1，则模糊趋势δtrend从当前时刻到下一时刻的变化可以通过以下公式预测：

38、δtrend＝sd(1)/nd(1)*nd(1)/(nd(1)+ne(1)+nu(1))+su(1)/nu(1)*nu(1)/(nd(1)+ne(1)+nu(1))

39、如果ai3＝ai2，ai2<ai1，则模糊趋势δtrend从当前时刻到下一时刻的变化可以通过以下等式预测：

40、δtrend＝su(2)/nu(2)*nu(2)/(nu(2)+ne(2)+nu(2))

41、如果ai3＝ai2，ai2>ai1，则模糊趋势δtrend从当前时刻到下一时刻的变化可以通过以下等式预测：

42、δtrend＝sd(0)/nd(0)*nd(0)/(nd(0)+ne(0)+nu(0))

43、如果ai3>ai2、ai2≥ai1，则模糊趋势δtrend从当前时刻到下一时刻的变化可以通过以下等式预测：

44、δtrend＝su(0)/nu(0)*nu(0)/(nd(0)+ne(0)+nu(0))

45、如果ai3>ai2、ai2<ai1，则模糊趋势δtrend从当前时刻到下一时刻的变化可以通过以下等式预测：

46、δtrend＝su(2)/nu(2)*nu(2)/(nu(2)+ne(2)+nu(2))。

47、相对于现有技术，本发明的方法有益效果在于：模糊时间序列预测提出一种用于城市用电负荷预测的模糊时间序列预测模型fts进行电网负荷预测的方法，采集地方月度电力负荷数据集和相关气象经济等数据集及预测训练指令，并将采集的月度负荷数据进行异常值检测、标准化；使用fts模型结合月度电网负荷值进行预测结果，可自动聚类域划分，使得域划分具有较强的合理性和可解释性，该模型不仅有效地预测了下一刻的观测值，而且还提供了从当前时刻到下一刻的时间序列趋势；将采集到的初始数据集及历史负荷进行主成分分析，将预处理后的历史电量负荷进行排序，并将排序后的电量负荷按照标准差的0.5倍进行分段，然后定义模糊集、模糊化时间序列、构建二阶模糊逻辑关系和模糊趋势逻辑关系组；然后根据“前一状态”和“当前状态”模糊集预测下一状态变化趋势值，运用模糊集提高电力负荷预测的精度和速度。