摘 要：本文在传统时间序列法的基础上，提出了一种利用聚类方法进行分析的负荷预测方法，利用该方法对某市的电能负荷进行预测，得到了较精确的结果，表明该方法能为电力负荷的预测提供有效的参考。
　　关键词：电力负荷预测；负荷因素；聚类；时间序列法；预测精度
　　中图分类号：tm71 文献标识码：a
　　1 传统的时间序列法
　　传统的时间序列法发展较早、应用广、相对成熟，其主要原理是利用了电力负荷的惯性特征及时间上的延续性，通过对历史数据时间序列的处理，确定其基本的特征和变化规律，以对未来的负荷进行预报，该预测方法的模型主要包括自回归模型、动平均模型、自回归动平均模型和非平稳序列模型。传统的时间序列预测方法围绕电力负荷这一随机变量建立数学模型，未能考虑其他方面的综合影响，存在预测误差较大的缺陷，随着电力系统对负荷预测要求的越来越高，该方法的不足也越来越明显。
　　2 聚类分析
　　聚类分析是一种能有效地发现具有价值的离群序列的数据挖掘技术，聚类分析一般由两个过程组成：相似性度量及选择聚类算法，故聚类可看成是时间序列法负荷预测读取数据的预处理过程，对负荷序列进行聚类，一方面可发现感兴趣的聚类结构，进行相关分析，另一方面，可为深入研究提供更有针对性的数据集，该方法已在多个领域被广泛应用。
　　3 基于聚类和时间序列的电力负荷预测
　　在电力领域内，节假日、高温等样本量很小的特殊情况不适合混合在所有的负荷模式中分析，否则易被当作噪声或坏数据而影响预测精度。wWw.11665.COm而若将这些相似的离群序列作为样本，进行聚类分析，发掘它们的共性，得到相对应的负荷模式，即可对特殊情况下的电力负荷趋势进行预测，提高预测精度。
　　基于聚类分析的时间序列预测方法存在两个数据分析形式：分类和预测。分类是指把电力负荷划分到不同的类中，不同的类提供精简的数据集，以该数据集研究样本的特征，减少预测使用的数据量，从而提高了计算效率。预测则是指从不同数据集中提取重要数据类模型并进行未来的数据趋势的预测。分类为预测提供数据基础及分类规则；而预测则是对时间序列历史的和当前的数据建立函数模型，去推测未来的发展趋势。基于聚类和时间序列的电力负荷预测可以分为两种。
　　（1）简单电力负荷预测
　　根据过去的负荷统计数据，找到其随时间变化的规律，建立时序模型，以推断未来负荷数值的方法。首先把时间序列通过分段、相似性度量、矢量形态聚类后用一系列符号表示，即时间序列转化为静态的模式组合，然后使用普通的数据挖掘工具进行知识发现，该预测形式类似于传统的时间序列的电力负荷预测模型。
　　（2）多因素电力负荷预测
　　时间序列的变化不仅和历史数据有关，还受众多其它因素的影响。多因素预测方法根据对历史数据的分类，寻找影响因素与时间序列之间的因果关系，建立相关分析模型，然后通过对历史数据及最新数据的统计分析，确定其合理性后，进行趋势预测。
　　以下对电力负荷预测算法流程进行说明，如上图1所示。预测算法首先进行电力负荷的聚类分析，该阶段是本算法的重点和难点，它决定了整个系统中最重要的知识获取和知识支持主体；然后采用自回归动平均模型的时间序列法，利用aic准则确定其模型的阶数，该部分需结合聚类分析的数据集及分类规则进行建模；最后通过相应的误差判断准则进行结果的预测。如果聚类分析及建立的模型不合理，则需要重新对数据进行聚类分析，再进行结果的预测。该算法可以针对电力负荷数据常受气温、节假日等因素影响这一特点进行聚类分析，再应用时间序列对未来电力负荷进行预测，具有较高的准确性。
　　4 算例分析
　　本文采用某市2010年7月5日至7月25日的电力实际负荷数据，该数据为每十五分钟采样一点，一天共96个采样点。选取7月5日至25日连续21天的实际负荷数据，利用聚类后的电力负荷预测时间序列法，采用matlab软件工具，对接下来24个小时（即7月26日）的负荷进行预测。下表列举了传统时间序列法预测值、聚类时间序列法预测值及其误差值（表中仅为部分点数的数据）。
　　传统时间序列法预测结果、聚类时间序列法预测结果与真实负荷数据对比曲线如下图2所示。
　　图2红线代表了聚类时间序列法的预测值，棕色线代表传统时间序列法的预测值，蓝线代表了负

的实际值。从传统时间序列法预测结果与聚类时间序列法预测结果两者与真实负荷数据的曲线图可以看出，聚类时间序列法的预测曲线与真实负荷曲线具有较高重合率。经过计算，传统时间序列负荷预测的误差绝对值的平均值为6.069%，聚类时间序列负荷预测的误差绝对值的平均值为2.48%，聚类时间序列法预测的负荷误差明显比传统时间序列法预测的负荷的误差较小，即聚类时间序列法预测精度较高。
　　结语
　　本文指出了传统时间序列预测方法的缺陷，阐述了时间序列法及聚类分析的预测原理，提出了基于聚类时间序列的电力负荷预测方法，即先通过聚类后，再进行时间序列法的预测。针对某市的电力负荷情况，在matlab中进行仿真，求得聚类时间序列法的预测结果，并与真实数据进行对比。结果表明，基于聚类时间序列的电力负荷预测方法，能考虑其他因素对电力的影响，有效提高电力负荷预测的精度。
　　参考文献
　　[1]刘晨晖.电力系统负荷预报理论与方法[m].哈尔滨：哈尔滨工业大学出版社，1987，23-56.
　　[2]李艳红，雷金辉.电力负荷时间序列预测的应用与研究[j].科学技术与工程，2011，11（04）：860-864.
　　[3]王秋梅.时间序列法负荷预测的原理和应用[j].华东电力，1993（04）：37-39.
　　[4]邹森.时间序列自适应短期负荷预测[j].山东工业大学学报，1988，18（02）：43-49.
　　[5]王骏，王士同，邓赵红.聚类分析研究中的若干问题[j].控制与决策，2012，27（03）：322-327.
　　[6]鞠平，马大强.电力系统负荷建模[m].北京：中国电力出版社，2008：53-69.
　　[7]张颖，高中文.基于时间序列和神经网络的电力系统负荷预测[j].哈尔滨理工大学学报，2003，08（01）. 30-36.
　　[8]张德丰.matlab程序设计与典型应用[m].北京：电子工业出版社，2009：135-204.