CN103854068B - 一种居民小区短期负荷预测方法 - Google Patents

Abstract

本发明公开了一种居民小区短期负荷预测方法，其特征在于，包括：步骤1：读取历史样本数据，对历史样本数据进行数据筛选；步骤2：得到一个负荷影响因素系数集；步骤3：构建神经网络负荷预测的训练样本集和预测样本集；步骤4：对训练样本集进行影响因素分离处理，得到训练后的神经网络；步骤5：对预测样本集也进行影响因素分离处理，将处理后得到的结果作为训练后的神经网络的输入，得到相应的输出结果；步骤6：对输出结果进行影响因素加入处理，得到未来一周的负荷预测数据。本发明克服了居民小区负荷数据小、波动大、影响因素繁多等难点，提高了居民小区负荷预测的精度和运算速度。

Description

一种居民小区短期负荷预测方法

技术领域

本发明涉及一种居民小区短期负荷预测方法，具体涉及一种基于影响因素挖掘的居民小区短期负荷预测方法。本发明属于电力系统负荷预测技术领域。

背景技术

电力负荷一般可以分为工业负荷、商业负荷、居民负荷等，其中工商业负荷在电力负荷中的比重比较高，电网企业历来对这块的负荷预测比较重视，并陆续建成了负荷控制系统和用电信息采集系统以完成对工商业负荷的数据采集和负荷预测；居民小区负荷由于分布比较散、规模偏小的特点，一直采取的都是集中预测的方法，这种方法缺点是精度不高，尤其随着居民家用电器的逐年增多、电动自行车的普及和电动汽车的逐步推广，居民小区用电负荷呈现稳步增长的趋势和明显的季节性波动，而且居民用电负荷数据比较小，影响因素众多，不同小区用电模式不同，并且对不同影响因素的响应也不尽相同，集中的预测方法很难高精度的预测准确。

电力系统短期负荷预测的传统方法主要优点是模型简单、预测速度快，但这些方法多是线性模型，很难描述负荷与影响因素之间非线性关系；而且模型过于僵硬，缺乏灵活性，模型参数难以及时、准确的估计和调整。针对居民小区这种负荷数据小、影响因素多且非线性的特点，传统的方法就限制了预测精度的提高。

智能预测模型的典型代表是神经网络预测模型，神经网络是通过借鉴人脑对信息的处理过程而创立的一种数学方法。由于神经网络良好的学习能力和便于处理负荷及其影响因素之间复杂非线性关系的特点，使得其在短期负荷预测理论与方法的研究中得到了高度关注和广泛应用。

虽然神经网络方法用于短期负荷预测已经取得了大量研究成果，但是该模型在实际应用中仍然存在一些缺陷：

已有的神经网络预测方法仅依据认为的经验非常粗略的选择一批历史样本用于预测模型的构建，这种简单的样本组织方法，经常会引入很多不良样本，对建模预测造成严重的干扰，影响了负荷预测精度的提高。

对于影响负荷变化因素(如温度因素、节假日因素等)的处理，现有神经网络预测模型都是将其作为一种输入变量，这种处理方法由于无法准确描述该因素对于负荷变化的某种线性或者非线性关系，因此难以提高预测精度。

居民小区负荷数据比较小，波动比较大；而神经网络算法对波动较小的负荷预测样本数据有很好的预测精度，因此针对居民小区负荷预测神经网络算法还有待进一步改进。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种居民小区短期负荷预测方法。

为了实现上述目标，本发明采用如下的技术方案：

一种居民小区短期负荷预测方法，其特征在于，包括：

步骤1：读取历史样本数据，所述历史包括电力部门提供的居民小区待预测日前1年的负荷、日期类型及温度数据，对所述历史样本数据进行数据筛选；

步骤2：对步骤1处理后得到的数据进行影响因素挖掘分析，得到一个对应的负荷影响因素系数集；

步骤3：构建神经网络负荷预测的训练样本集和预测样本集；

步骤4：利用步骤2中形成的负荷影响因素系数集对训练样本集进行影响因素分离处理，将处理后得到的结果作为神经网络的输入，通过训练得到训练后的神经网络；

步骤5：对预测样本集也进行影响因素分离处理，将处理后得到的结果作为训练后的神经网络的输入，得到相应的输出结果；

步骤6：在步骤5的基础上对输出结果进行影响因素加入处理，得到未来一周的负荷预测数据。

前述的一种居民小区短期负荷预测方法，其特征在于，所述步骤1包括：

步骤1.1：对历史日负荷数据缺失量大于20个点的日负荷数据进行整体删除；并将一天中的96个负荷点数据通过计算得到日平均负荷；计算公式如下：

P_i表示一天96个时刻的负荷中第i个时刻的负荷值；z表示96个时刻中缺失点和坏点的个数；P_avdv表示日平均负荷值；

步骤1.2：对日最低温度和最高温度求取平均值，得到日平均温度；

步骤1.3：建立区分工作日和节假日的虚拟变量D，D＝(D₁，D₂，……，D_n)，当D_i＝1时，表示第i天为工作日，当D_i＝0时，表示第i天为休息日，当D_i＝2时，表示第i天为春节假日，当D_i＝3时，表示第i天为国庆假日，n为天数；

前述的一种居民小区短期负荷预测方法，其特征在于，所述步骤2包括：

步骤2.1：将步骤1处理后得到的的负荷、温度数据按照日期类型不同分为工作日数据集和节假日数据集；

步骤2.2：再分别对工作日数据集和节假日数据集按照3个日平均温度段：-4～8℃、9～25℃、26～35℃，对日平均负荷进行分类分析计算得到相应的温度段的节假日系数；

步骤2.3：对工作日的日均负荷数据、温度数据以及日期数据，进行按月度归并，形成相应的负荷温度-月度负荷系数；

步骤2.4：针对春节和国庆假期下，居民小区用户用电模式有区别于正常的休息日，在除去温度-月度负荷系数和正常节假日系数之后得到相应的春节系数K_SP和国庆系数K_ND。

前述的一种居民小区短期负荷预测方法，其特征在于，所述步骤2.3包括：

步骤2.3.1：将日均负荷数据按照日平均温度和月份进行查找分类；

步骤2.3.2：将月份相同而且日平均温度相同的负荷数据归为一类并求取平均值；

步骤2.3.3：取日平均温度为16℃下的日均负荷数据求和并取平均值作为基准值；

步骤2.3.4：将步骤2.3.2中所得数据均除以步骤2.3.3中所的基准值形成一个按月度归并的负荷温度-月度负荷系数集K_TM；

步骤2.3.5：针对步骤2.3.4中形成的系数集中的空值进行填充和扩展形成完整的系数集。

前述的一种居民小区短期负荷预测方法，其特征在于，所述步骤4包括：

步骤4.1：确定神经网络结构：神经网络由输入层、隐含层和输出层组成，输入层由代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成；

步骤4.2：将步骤3中的训练样本集中的负荷数据除以对应的温度-月度负荷系数K_TM、温度段-节假日系数K_WN，如果是春节或者国庆还要除以对应的春节系数K_SP或者国庆系数K_ND，得到的结果作为神经网络的输入；

步骤4.3：对相应的训练样本进行训练，对神经网络中的各参数拟合计算，得到训练后改进的神经网络。

前述的一种居民小区短期负荷预测方法，其特征在于，所述步骤5包括：

步骤5.1：判断预测样本负荷数据所属的日期类型：若为正常工作日进行步骤5.2，若为正常节假日则进行步骤5.3，若为春节或者国庆节假日则进行步骤5.4；

步骤5.2：将步骤5中的预测样本集中的负荷数据除以相应的温度-月度负荷系数K_TM，作为神经网络输入；

步骤5.3：将步骤5中的预测样本集中的负荷数据除以相应的温度-月度负荷系数K_TM和温度段-节假日系数K_WN，作为神经网络输入；

步骤5.4：将步骤5中的预测样本集中的负荷数据除以相应的温度-月度负荷系数K_TM、温度段-节假日系数K_WN以及相应的春节系数K_SP或者国庆系数K_ND，作为神经网络输入。

前述的一种居民小区短期负荷预测方法，其特征在于，所述步骤6包括：

步骤6.1：判断预测日的日期类型：若为正常工作日进行步骤6.2，若为正常节假日则进行步骤6.3，若为春节或者国庆节假日则进行步骤6.4；

步骤6.2：将步骤5中的得到的神经网络输出结果，乘以相应的温度-月度负荷系数K_TM，预测完成；

步骤6.3：则将步骤5中的得到的神经网络输出结果，乘以相应的温度-月度负荷系数K_TM和温度段-节假日系数K_WN，预测完成；

步骤6.4：则将步骤5中的得到的神经网络输出结果，乘以相应的温度-月度负荷系数K_TM、温度段-节假日系数K_WN以及相应的春节系数K_SP或者国庆系数K_ND，预测完成。

本发明提出了的居民小区负荷短期预测方法克服了居民小区负荷数据小、波动大、影响因素繁多等难点，提高了居民小区负荷预测的精度和运算速度，对居民小区负荷预测的实际操作提供了有效可行的方法。

附图说明

图1为本发明的短期负荷预测方法的总体流程图；

图2为影响因素挖掘分析模块流程图；

图3为神经网络算法流程图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

图1是本方法的短期电力负荷预测方法的总体流程图。具体包括如下步骤：

步骤1：读取历史样本数据包括：读取电力部门提供的某小区待预测日前1年的负荷、日期类型及温度数据，并做有效数据筛选；

步骤2：对步骤1中形成的数据进行影响因素挖掘分析得到一个对应的负荷影响因素系数集；

步骤3：构建神经网络负荷预测的训练样本集和预测样本集；

步骤4：利用步骤2中形成的负荷影响因素系数集对训练样本集进行影响因素分离处理得到的结果作为神经网络的输入，通过训练得到训练后的神经网络；

步骤5：对预测样本集也进行影响因素分离处理作为训练后的神经网络的输入，得到相应的输出结果。

步骤6：在步骤5的基础上对输出结果进行影响因素加入处理得到未来一周的负荷预测数据。

所述的步骤1具体为：

步骤1.1：对历史日负荷数据缺失量大于20个点的日负荷数据进行整体删除；并将一天96个负荷点数据通过计算得到日平均负荷；计算公式如下：

$P_{\mathrm{avdy}}=\sqrt{\frac{\underset{i=1}{\overset{96}{\mathrm{\Σ}}}{P_i}^2}{96-z}}$

其中：

P_i表示一天96个时刻的负荷中第i个时刻的负荷值；

z表示96个时刻中缺失点和坏点的个数；

P_avdy表示日平均负荷值。

步骤1.2：对日最低和最高温度求取平均值得到日平均温度；

步骤1.3：建立区分工作日和节假日的虚拟变量D＝(D₁，D₂，……，D_n)，当D_i＝1时，表示第i天为工作日，当D_i＝0时，表示第i天为休息日，当D_i＝2时，表示第i天为春节假日，当D_i＝3时，表示第i天为国庆假日，n为天数；

图2为影响因素挖掘分析模块流程图，主要阐述步骤2具体过程：

步骤2.1：将预处理之后的负荷、温度数据按照日期类型不同分为工作日数据集和节假日数据集。

步骤2.2：再分别对工作日数据集和节假日数据集按照3个日平均温度段：4～8℃、9～25℃、26～35℃，将日平均负荷进行分类分析计算得到相应的温度段的节假日系数，计算过程如下：

其中A_wd1，A_wd2，A_wd3和A_wn1，A_wn2，A_wn3(wd表示工作日，wn表示休息日，1，2，3表示温度段)分别表示每个温度段里的负荷值的平方和；

P_avdy(i)表示每个温度段中第i个日平均负荷值。

计算各个温度段的负荷的均方根：

$P_{\mathrm{wd}1}=\sqrt{\frac{A_{\mathrm{wd}1}}{N_{\mathrm{wd}1}}}$

其中P_wd1，P_wd2，P_wd3和P_wn1，P_wn2，P_wn3(wd表示工作日，Wn表示休息日，1，2，3表示温度段)分别表示每个温度段的负荷均方根；

N_wd1，N_wd2，N_wd3和N_wn1，N_wn2，N_wn3(wd表示工作日，wn表示休息日，1，2，3表示温度段)分别表示每个温度段中负荷非零值的个数。

其他P_wd2，P_wd3和P_wn1，P_wn2，P_wn3以上述公式类推。

计算出温度段对应的节假日系数：

K_WN1＝P_wn1/P_wd1

K_WN2＝P_wn2/P_wd2

K_WN3＝P_wn3/P_wd3

其中K_WN1，K_WN2，K_WN3分别表示三个温度段-节假日系数。

步骤2.3：对工作日的日均负荷数据集、温度数据集以及日期数据，进行按月度归并形成相应的负荷温度-月度负荷系数；具体步骤如下：

2.3.1：将日均负荷数据按照日平均温度和月份进行查找分类；

2.3.2：将月份相同而且日平均温度相同的负荷数据归为一类并求取平均值；

2.3.3：取日平均温度为16℃下的日均负荷数据求和并取平均值作为基准值；

2.3.4：将2.3.2中所得数据均除以2.3.3中所的基准值形成一个按月度归并的负荷温度-月度负荷系数集K_TM；

2.3.5：针对2.3.4中形成的系数集中的空值进行填充和扩展形成完整的温度-月度负荷系数集K_TM。

步骤2.4：针对春节和国庆7天假期下，居民小区用户用电模式有区别于正常的休息日，在除去温度-月度负荷系数和正常节假日系数之后得到相应的春节系数K_SP和国庆系数K_ND。

图3为神经网络算法流程图。主要阐述步骤4、5的具体过程：

步骤4.1：确定神经网络结构：神经网络由输入层、隐含层和输出层组成，输入层代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成；

步骤4.2：将步骤3中的训练样本数据中的负荷数据除以对应的温度-月度负荷系数K_TM、温度段-节假日系数K_WN，如果是春节或者国庆还要除以对应的春节系数K_SP或者国庆系数K_ND，得到的结果作为神经网络的输入。

步骤4.3：对相应的训练样本进行训练，对神经网络中的各参数拟合计算，得到训练后改进的神经网络。

所述的步骤5具体为：

步骤5.1：判断预测样本负荷数据所属的日期类型：若为正常工作日进行步骤5.2，若为正常节假日则进行步骤5.3，若为春节或者国庆节假日则进行步骤5.4；

步骤5.2：将步骤5中的预测样本负荷数据除以相应温度-月度负荷系数K_TM，作为神经网络输入；

步骤5.3：将步骤5中的预测样本负荷数据除以相应温度-月度负荷系数K_TM和温度段-节假日系数K_WN，作为神经网络输入；

步骤5.4：将步骤5中的预测样本负荷数据除以相应的温度-月度负荷系数K_TM、温度段-节假日系数K_WN以及相应的春节系数K_SP或者国庆系数K_ND，作为神经网络输入。

结合图1，所述的步骤6具体为：

步骤6.1：判断预测日的日期类型：若为正常工作日进行步骤6.2，若为正常节假日则进行步骤6.3，若为春节或者国庆节假日则进行步骤6.4；

步骤6.2：将步骤5中的得到的输出结果，乘以相应的温度-月度负荷系数K_TM，预测完成；

步骤6.3：则将步骤5中的得到的输出结果，乘以相应的温度-月度负荷系数K_TM和温度段-节假日系数K_WN，预测完成；

步骤6.4：则将步骤5中的得到的输出结果，乘以相应的温度-月度负荷系数K_TM、温度段-节假日系数K_WN以及相应的春节系数K_SP或者国庆系数K_ND，预测完成。

本发明提出了的居民小区负荷短期预测方法考虑了温度、普通节假日、国庆、春节这些明显复杂因素的影响，而其他模糊影响因素影响则是通过有自学习能力神经网络算法加以考虑；这样综合考虑了影响居民负荷的明显影响因素和模糊影响因素，提高预测的精度。

本发明提出将预测样本数据的负荷数据做影响因素分离处理，这样将负荷的明显影响因素的影响效果分离所得结果数据作为神经网络的输入，这样保证神经网络输入样本数据波动较小，减小了训练次数加快了运算速度。在神经网络的输出结果中乘以相应的系数，则是加入明显影响因素的影响效果，这样即简单又准确。即加快了运算速度又提高了负荷预测的精度。

本发明提出的电力系统负荷短期预测方法，在综合以上两方面因素的基础上，克服了居民小区负荷数据小、波动大、影响因素繁多等难点，提高了居民小区负荷预测的精度和运算速度，对居民小区负荷预测的实际操作提供了有效可行的方法。

以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (2)

1.一种居民小区短期负荷预测方法，其特征在于，包括：

步骤1：读取历史样本数据，所述历史包括电力部门提供的居民小区待预测日前1年的负荷、日期类型及温度数据，对所述历史样本数据进行数据筛选；

步骤2：对步骤1处理后得到的数据进行影响因素挖掘分析，得到一个对应的负荷影响因素系数集；

步骤3：构建神经网络负荷预测的训练样本集和预测样本集；

步骤4：利用步骤2中形成的负荷影响因素系数集对训练样本集进行影响因素分离处理，将处理后得到的结果作为神经网络的输入，通过训练得到训练后的神经网络；

所述步骤4包括：

步骤4.1：确定神经网络结构：神经网络由输入层、隐含层和输出层组成，输入层由代表输入变量的神经元组成，隐含层由代表中间变量的神经元组成，输出层由代表输出结果的神经元组成；

步骤4.2：将步骤3中的训练样本集中的负荷数据除以对应的温度—月度负荷系数K_TM、温度段—节假日系数K_WN，如果是春节或者国庆还要除以对应的春节系数K_SP或者国庆系数K_ND，得到的结果作为神经网络的输入；

步骤4.3：对相应的训练样本进行训练，对神经网络中的各参数拟合计算，得到训练后改进的神经网络；

步骤5：对预测样本集也进行影响因素分离处理，将处理后得到的结果作为训练后的神经网络的输入，得到相应的输出结果；

步骤5包括：

步骤5.1：判断预测样本负荷数据所属的日期类型：若为正常工作日进行步骤5.2，若为正常节假日则进行步骤5.3，若为春节或者国庆节假日则进行步骤5.4；

步骤5.2：将步骤5中的预测样本集中的负荷数据除以相应的温度—月度负荷系数K_TM，作为神经网络输入；

步骤5.3：将步骤5中的预测样本集中的负荷数据除以相应的温度—月度负荷系数K_TM和温度段—节假日系数K_WN，作为神经网络输入；

步骤5.4：将步骤5中的预测样本集中的负荷数据除以相应的温度—月度负荷系数K_TM、温度段—节假日系数K_WN以及相应的春节系数K_SP或者国庆系数K_ND，作为神经网络输入；

步骤6：在步骤5的基础上对输出结果进行影响因素加入处理，得到未来一周的负荷预测数据；

所述步骤1包括：

步骤1.1：对历史日负荷数据缺失量大于20个点的日负荷数据进行整体删除；并将一天中的96个负荷点数据通过计算得到日平均负荷；计算公式如下：

P_i表示一天96个时刻的负荷中第i个时刻的负荷值；z表示96个时刻中缺失点和坏点的个数；P_avdy表示日平均负荷值；

步骤1.2：对日最低温度和最高温度求取平均值，得到日平均温度；

步骤1.3：建立区分工作日和节假日的虚拟变量D，D＝(D₁，D₂，……，D_n)，当D_i＝1时，表示第i天为工作日，当D_i＝0时，表示第i天为休息日，当D_i＝2时，表示第i天为春节假日，当D_i＝3时，表示第i天为国庆假日，n为天数；

所述步骤2包括：

步骤2.1：将步骤1处理后得到的负荷、温度数据按照日期类型不同分为工作日数据集和节假日数据集；

步骤2.2：再分别对工作日数据集和节假日数据集按照3个日平均温度段：-4～8℃、9～25℃、26～35℃，对日平均负荷进行分类分析计算得到相应的温度段的节假日系数；

所述步骤2.2包括：

步骤2.2.1：将预处理之后的负荷、温度数据按照日期类型不同分为工作日数据集和节假日数据集；

步骤2.2.2：再分别对工作日数据集和节假日数据集按照3个日平均温度段：-4～8℃、9～25℃、26～35℃，将日平均负荷进行分类分析计算得到相应的温度段的节假日系数，计算过程如下：

其中A_wd1,A_wd2,A_wd3和A_wn1,A_wn2,A_wn3以，wd表示工作日，wn表示休息日，1,2,3表示温度段，分别表示每个温度段里的负荷值的平方和；

P_avdy(i)表示每个温度段中第i个日平均负荷值；

计算各个温度段的负荷的均方根：

$P_{wd1}=\sqrt{\frac{A_{wd1}}{N_{wd1}}}$

其中P_wd1,P_wd2,P_wd3和P_wn1,P_wn2,P_wn3，wd表示工作日，wn表示休息日，1,2,3表示温度段，分别表示每个温度段的负荷均方根；

N_wd1,N_wd2,N_wd3和N_wn1,N_wn2,N_wn3，wd表示工作日，wn表示休息日，1,2,3表示温度段，分别表示每个温度段中负荷非零值的个数；

其他P_wd2,P_wd3和P_wn1,P_wn2,P_wn3以上述公式类推；

计算出温度段对应的节假日系数：

K_WN1＝P_wn1/P_wd1

K_WN2＝P_wn2/P_wd2

K_WN3＝P_wn3/P_wd3

其中K_WN1,K_WN2,K_WN3分别表示三个温度段—节假日系数；

步骤2.3：对工作日的日均负荷数据、温度数据以及日期数据，进行按月度归并，形成相应的负荷温度—月度负荷系数；

所述步骤2.3包括：

步骤2.3.1：将日均负荷数据按照日平均温度和月份进行查找分类；

步骤2.3.2：将月份相同而且日平均温度相同的负荷数据归为一类并求取平均值；

步骤2.3.3：取日平均温度为16℃下的日均负荷数据求和并取平均值作为基准值；

步骤2.3.4：将步骤2.3.2中所得数据均除以步骤2.3.3中所的基准值形成一个按月度归并的负荷温度—月度负荷系数集K_TM；

步骤2.3.5：针对步骤2.3.4中形成的系数集中的空值进行填充和扩展形成完整的系数集；

步骤2.4：针对春节和国庆假期下，居民小区用户用电模式有区别于正常的休息日，在除去温度—月度负荷系数和温度段节假日系数之后得到相应的春节系数K_SP和国庆系数K_ND。

2.根据权利要求1所述的一种居民小区短期负荷预测方法，其特征在于，所述步骤6包括：

步骤6.1：判断预测日的日期类型：若为正常工作日进行步骤6.2，若为正常节假日则进行步骤6.3，若为春节或者国庆节假日则进行步骤6.4；

步骤6.2：将步骤5中的得到的神经网络输出结果，乘以相应的温度—月度负荷系数K_TM，预测完成；

步骤6.3：则将步骤5中的得到的神经网络输出结果，乘以相应的温度—月度负荷系数K_TM和温度段—节假日系数K_WN，预测完成；

步骤6.4：则将步骤5中的得到的神经网络输出结果，乘以相应的温度—月度负荷系数K_TM、温度段—节假日系数K_WN以及相应的春节系数K_SP或者国庆系数K_ND，预测完成。