CN104063810A - 一种基于大数据的用电因素影响模型 - Google Patents

Abstract

本发明公开了一种基于大数据思维的用电因素影响模型，通过对温度、湿度、风力、节假日、周末等电量影响因素进行分析，根据单一用电影响因素以及多因素的重叠影响，搭建用电量影响因素模型。本发明实现了对用电因素影响率的量化标准，确切计算出不同环境下对用电量的影响率，为电量及负荷的预测提供了依据。

Description

一种基于大数据的用电因素影响模型

技术领域

本发明涉及一种基于大数据的用电因素影响模型，属于电力营销智能应用技术领域。

背景技术

用电因素影响模型是负荷预测系统的一个重要组成部分，用于对用电影响因素进行分析和处理，为负荷预测、电量预测提供基础数据。

为满足负荷预测对用电因素影响分析处理的业务需求，基于大数据思维模式下的用电因素影响模型的构建方法应具备相当的可用性和易操作性；另外，为满足负荷预测准确性的提高，用电因素影响模型还应具备自我学习功能，随着时间推移、数据的积累，模型数据将日趋精确。

目前，部分类似负荷预测系统提供了用电因素影响模型的构建方法，但其都需要专业的负荷业务以及数学知识，通过数学模型使用显式的数学表达式加以描述，这就决定了传统的预测模型的局限性。事实上，负荷变化的自然规律很难用一个显式的数学公式予以表示。

发明内容

本发明所要解决的技术问题是运用先进的大数据思想，建立多用电因素相关模型，简化用电因素影响模型构建的复杂度、提高模型的准确性，为负荷预测提供基础数据。

为实现上述目的，本发明采取以下技术方案进行实现：

一种基于大数据的用电因素影响模型，包括：

工作日温湿度电量影响模型：分析工作日情况下，不同地市、行业、温度、湿度条件下电量相对于基准电量的叠加影响率；

节假日电量影响模型：分析节假日情况下，不同地市、行业下电量相对于正常工作日电量的影响率，具体为对节假日的时间跨度进行分析，进行节假日向前、后的延展，然后对节假日每一天与正常工作日的基准电量比较，计算节假日每天的电量影响率，所述节假日电量影响率的计算公式为：节假日电量影响率=（实际电量-基准电量）/基准电量；

周六、周日电量影响模型：分析周六、周日情况下，不同地市、行业下电量相对于正常工作日电量的影响率，具体为以前三周工作日的平均电量为基准电量，通过比较周六、周日电量与基准电量的差异，计算周六，周日的电量影响率，所述周六，周日电量影响率的计算公式为：周六/周日电量影响率=（实际电量-基准电量）/基准电量；

工作日负荷影响模型：分析工作日情况下，不同地市、行业、温度下一天96个时间点负荷相对于基准负荷的影响率，所述工作日负荷影响率的计算公式为：工作日负荷影响率=（实际负荷-基准负荷）/基准负荷；

节假日负荷影响模型：分析节假日情况下，不同地市、行业、温度下一天96个时间点负荷相对于基准负荷的影响率，所述节假日负荷影响率的计算公式为：节假日负荷影响率=（实际负荷-基准负荷）/基准负荷。

前述的工作日温湿度电量影响模型，分析工作日情况下，不同地市、行业、温度、湿度条件下电量相对于基准电量的叠加影响率，包括以下步骤：

1-1）确定行业基准电量；

1-2）建立电量影响率与温湿度关联关系；

1-3）计算温度、湿度的叠加影响率。

前述的步骤1-1）中，所述行业基准电量的确定方法为：如果行业为居民，则设置三年内所有工作日的平均电量为基准电量；如果行业不是居民，则设置三年内春、秋季节工作日的平均电量为基准电量。

前述的步骤1-2）建立电量影响率与温湿度关联关系包括以下步骤：

2-1）循环历史数据中，最近三年行业日电量、温度、湿度；

2-2）构建电量影响率，所述电量影响率rate的计算公式如下：

rate = (实际电量 - 基准电量) / 基准电量；

2-3）计算出每天的电量影响率rate后，将此电量影响率rate与当天的温度、湿度建立关联关系，通过历史数据以及现在每天都会产生的关联关系，以网格数据的形式保存，并对同一温湿度下的电量影响率进行动态加权处理为一份数据，建立温度、湿度、电量影响率的动态三维模型。

前述的步骤1-3）中，温度、湿度的叠加影响率的计算方法为循环湿度数据，遍历计算同一湿度下所有温度的影响系数，即为温度、湿度的叠加影响率，具体包括以下步骤：

3-1）从初始湿度，初始温度开始，从所述步骤1-2）建立的电量影响率与温湿度关联关系中，获取该初始湿度，初始温度下样本的个数，如果样本个数大于或等于阀值，则温度、湿度的叠加影响率等于所有样本温度影响系数的平均系数，然后转入步骤3-3）;如果样本个数少于阀值，则进行步骤3-2）；

3-2）取所述步骤3-1）的温度，湿度下，上下2个步进值范围湿度下的样本，如果个数不够，再取所有湿度下样本的个数，如果个数还是不够，则取所有湿度下的该温度左右2个步进值范围内的样本，如果该个数大于或等于阀值，则温度、湿度的叠加影响率等于所有样本温度影响系数的平均系数;如果样本个数仍少于阀值，则该温度，湿度下的温度影响系数暂不处理，进入步骤3-3）；

3-3）湿度不变，温度增加一步进值，计算该湿度温度下的温度、湿度的叠加影响率，直至遍历完所有的温度，然后进入步骤3-4）；

3-4）湿度增加一步进值，从初始温度开始，遍历计算该湿度下所有的温度、湿度的叠加影响率，然后湿度再增加一步进值，直至循环完所有的湿度范围；

3-5）对所述步骤3-2）中，没有数据的温度、湿度的叠加影响率使用七点平滑算法，智能置数。

前述的湿度的循环范围为30%-90%，步进为10%；所述温度的遍历范围为-4°-40°，步进为1°。

本发明解决了现有的用电因素影响模型构建过程繁琐且工作量巨大的问题，利用大数据思维构建用电影响因素之间的相关关系，用数据说话而不去考虑因果关系，降低了构建模型方法的复杂度。基于大数据思维模型下的用电影响模型，同时也量化了用电影响因素对电量的影响率，可以显示指定不同行业、不同的温度、湿度对基准电量的叠加影响率，以及不同的温度对一天24个点负荷影响率；通过将周末、节假日数据与工作日区分开进行分析，更加准确的分析用电量在不同的外部因素下的变化趋势。

附图说明

图1是本发明的行业基准电量计算流程图；

图2是本发明的电量影响率与温湿度关联关系构建流程图；

图3是本发明的温度、湿度的叠加影响率计算流程图；

图4是本发明的工作日温湿度电量影响模型界面；

图5是本发明的节假日电量影响模型界面；

图6是本发明的周六、周日电量影响模型界面；

图7是本发明的工作日负荷影响模型界面。

具体实施方式

日常用电过程中，用电影响的因素多样而复杂，各类影响因素之间形成用电叠加影响，将用电影响因素进行独立的拆分式非常困难，本发明利用大数据的思想，将各类用电影响因素与对应电量建立相关关系，对已经发生的现象进行分析处理，构建不同用电影响因素对电量的影响率；另外，因为正常工作日与周末、节假日之间的用电形势有较大的区别，所以本方法要求把工作日、非工作日的用电影响因素分别构建模型。

本发明不需要建立复杂数学公式，只是通过分析历史已经出现的各类用电因素与用电量的相关关系来建立模型，并且随着时间的积累，将新产生的数据纳入模型分析，具备自学习功能。

本发明构建的模型包括：

工作日温湿度电量影响模型：分析工作日情况下，不同地市、行业、温度、湿度条件下电量相对于基准电量的叠加影响率。

温湿度叠加影响率的计算主要通过设置行业基准电量、建立电量影响率与温湿度关联关系、计算叠加影响率三步实现的。

如图1所示，基准电量取法：如果行业为居民，则设置三年内所有工作日的平均电量为基准电量；如果行业不是居民，则设置三年内春、秋季节工作日的平均电量为基准电量。

如图2所示，建立电量影响率与温湿度关联关系包括以下步骤：

2-1）循环历史数据中，最近三年行业日电量、温度、湿度；

2-2）构建电量影响率，电量影响率rate的计算公式如下：

rate = (实际电量 - 基准电量) / 基准电量；

2-3）计算出每天的电量影响率rate后，将此电量影响率rate与当天的温度、湿度建立关联关系，通过历史数据以及现在每天都会产生的关联关系，以网格数据的形式保存，例如：在温度30°，湿度70%下，电量影响率为20%，构成对应关系，并保存。对同一温湿度下的电量影响率进行动态加权处理为一份数据，建立温度、湿度、电量影响率的动态三维模型。此模型会随着数据的积累趋于完善。

如图3所示，在电量影响率与温湿度关联关系构建完成后，计算温度、湿度的叠加影响率，具体步骤如下：

3-1）从初始湿度，初始温度开始，从上述建立的电量影响率与温湿度关联关系中，获取该初始湿度，初始温度下样本的个数，如果样本个数大于或等于阀值，则温度、湿度的叠加影响率等于所有样本温度影响系数的平均系数，然后转入步骤3-3）;如果样本个数少于阀值，则进行步骤3-2）；

3-2）取所述步骤3-1）的温度，湿度下，上下2个步进值范围湿度下的样本，如果个数不够，再取所有湿度下样本的个数，如果个数还是不够，则取所有湿度下的该温度左右2个步进值范围内的样本，如果该个数大于或等于阀值，则温度、湿度的叠加影响率等于所有样本温度影响系数的平均系数;如果样本个数仍少于阀值，则该温度，湿度下的温度影响系数暂不处理，进入步骤3-3）；

3-3）湿度不变，温度增加一步进值，计算该湿度温度下的温度、湿度的叠加影响率，直至遍历完所有的温度，然后进入步骤3-4）；

3-4）湿度增加一步进值，从初始温度开始，遍历计算该湿度下所有的温度、湿度的叠加影响率，然后湿度再增加一步进值，直至循环完所有的湿度范围；

3-5）对步骤3-2）中，没有数据的温度、湿度的叠加影响率使用七点平滑算法，智能置数。

上述湿度的循环范围为30%-90%，步进为10%；所述温度的遍历范围为-4°-40°，步进为1°。

例如： 30%湿度下，遍历计算温度为-4°，-3°，-2°....40°下的温度、湿度的叠加影响率，

当计算 温度=-4° 下的温度、湿度的叠加影响率时：

（1）先取温度=-4°，湿度=30%下样本的个数，如果样本个数大于或等于阀值（暂定5个），则温度、湿度的叠加影响率等于所有样本温度影响系数的平均系数;如果样本个数少于阀值，则进行第（2）步；这里的样本温度影响系数为已知值。

（2）取温度=-4°，取上下2个步进值范围湿度下的样本，如果个数不够，再取所有湿度下样本的个数，如果个数还是不够，则取所有湿度下的该温度左右2个步进值范围内的样本，如果该个数大于或等于阀值，则温度、湿度的叠加影响率等于该所有样本温度影响系数的平均系数 ;如果样本个数仍少于阀值，则该温度=-4°，湿度=30%的系数暂不处理；

（3）当湿度=30%下所有温度下的叠加影响率都计算完成后，转入下一次循环，即湿度=40%时遍历计算所有温度下的叠加影响率，直至循环完所有的湿度范围；

（4）最后对没有数据的叠加影响率使用七点平滑算法，智能置数。

如图4所示，为南京地区网供电量在工作日下的温湿度电量影响模型，可以分析指定温度、湿度下多维度叠加对用电的影响。

节假日电量影响模型：分析节假日情况下，不同地市、行业下电量相对于正常工作日电量的影响率，具体为分析不同节假日的用电习惯，对节假日的时间跨度进行分析，进行节假日向前、后的延展，然后对节假日每一天与正常工作日的基准电量比较，计算节假日每天的电量影响率，节假日电量影响率的计算公式为：节假日电量影响率=（实际电量-基准电量）/基准电量；其中，正常工作日的基准电量采用工作日温湿度电量影响模型中基准电量的确定方法。

如图5所示，为节假日电量影响模型，在对节假日用电量影响进行分析时需要把元旦、春节、清明节等不同的节假日进行单独分析，由于过节具有节前以及节后效应，所以节假日范围需要扩展，春节是前七天加后七天，其余节假日都是按照前后多一天处理。

周六、周日电量影响模型：分析周六、周日情况下，不同地市、行业下电量相对于正常工作日电量的影响率，具体为以前三周工作日的平均电量为基准电量，通过比较周六、周日电量与基准电量的差异，计算周六，周日的电量影响率，周六，周日电量影响率的计算公式为：周六/周日电量影响率=（实际电量-基准电量）/基准电量，周六，周日分别考虑。

如图6所示，为本发明的周六、周日电量影响模型，虽然都是周末但是周六、周日因为企业加班等原因用电特性并不完全一致。

工作日负荷影响模型：分析工作日情况下，不同地市、行业、温度下一天96个时间点负荷相对于基准负荷的影响率，工作日负荷影响率的计算公式为：工作日负荷影响率=（实际负荷-基准负荷）/基准负荷。96个时间点负荷是指每15分钟为一个时间点。基准负荷由不同行业决定是指如果行业为居民，则设置三年内所有工作日的平均负荷为基准电量；如果行业不是居民，则设置三年内春、秋季节工作日的平均负荷为基准电量。

如图7所示，为本发明的工作日负荷影响模型，图中显示的为居民负荷模型，分析了用户在不同温度下一天24个点的负荷变化率，可以明显看出在夏天以及冬天居民用电都会有比较大的增长，符合居民用电特性。

节假日负荷影响模型：分析节假日情况下，不同地市、行业、温度下一天96个时间点负荷相对于基准负荷的影响率，节假日负荷影响率的计算公式为：节假日负荷影响率=（实际负荷-基准负荷）/基准负荷，基准负荷的确定与工作日负荷影响模型相同。

以上已以较佳实施例公布本发明如上，然其并非用以限制本发明，凡采取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 (6)

1.一种基于大数据的用电因素影响模型，其特征在于，包括：

工作日温湿度电量影响模型：分析工作日情况下，不同地市、行业、温度、湿度条件下电量相对于基准电量的叠加影响率；

节假日电量影响模型：分析节假日情况下，不同地市、行业下电量相对于正常工作日电量的影响率，具体为对节假日的时间跨度进行分析，进行节假日向前、后的延展，然后对节假日每一天与正常工作日的基准电量比较，计算节假日每天的电量影响率，所述节假日电量影响率的计算公式为：节假日电量影响率=（实际电量-基准电量）/基准电量；

周六、周日电量影响模型：分析周六、周日情况下，不同地市、行业下电量相对于正常工作日电量的影响率，具体为以前三周工作日的平均电量为基准电量，通过比较周六、周日电量与基准电量的差异，计算周六，周日的电量影响率，所述周六，周日电量影响率的计算公式为：周六/周日电量影响率=（实际电量-基准电量）/基准电量；

工作日负荷影响模型：分析工作日情况下，不同地市、行业、温度下一天96个时间点负荷相对于基准负荷的影响率，所述工作日负荷影响率的计算公式为：工作日负荷影响率=（实际负荷-基准负荷）/基准负荷；

节假日负荷影响模型：分析节假日情况下，不同地市、行业、温度下一天96个时间点负荷相对于基准负荷的影响率，所述节假日负荷影响率的计算公式为：节假日负荷影响率=（实际负荷-基准负荷）/基准负荷。

2.根据权利要求1所述的一种基于大数据的用电因素影响模型，其特征在于，所述工作日温湿度电量影响模型，分析工作日情况下，不同地市、行业、温度、湿度条件下电量相对于基准电量的叠加影响率，包括以下步骤：

1-1）确定行业基准电量；

1-2）建立电量影响率与温湿度关联关系；

1-3）计算温度、湿度的叠加影响率。

3.根据权利要求2所述的一种基于大数据的用电因素影响模型，其特征在于，所述步骤1-1）中，所述行业基准电量的确定方法为：如果行业为居民，则设置三年内所有工作日的平均电量为基准电量；如果行业不是居民，则设置三年内春、秋季节工作日的平均电量为基准电量。

4.根据权利要求2所述的一种基于大数据的用电因素影响模型，其特征在于，所述步骤1-2）建立电量影响率与温湿度关联关系包括以下步骤：

2-1）循环历史数据中，最近三年行业日电量、温度、湿度；

2-2）构建电量影响率，所述电量影响率rate的计算公式如下：

rate = (实际电量 - 基准电量) / 基准电量；

2-3）计算出每天的电量影响率rate后，将此电量影响率rate与当天的温度、湿度建立关联关系，通过历史数据以及现在每天都会产生的关联关系，以网格数据的形式保存，并对同一温湿度下的电量影响率进行动态加权处理为一份数据，建立温度、湿度、电量影响率的动态三维模型。

5.根据权利要求2所述的一种基于大数据的用电因素影响模型，其特征在于，所述步骤1-3）中，温度、湿度的叠加影响率的计算方法为循环湿度数据，遍历计算同一湿度下所有温度的影响系数，即为温度、湿度的叠加影响率，具体包括以下步骤：

3-1）从初始湿度，初始温度开始，从所述步骤1-2）建立的电量影响率与温湿度关联关系中，获取该初始湿度，初始温度下样本的个数，如果样本个数大于或等于阀值，则温度、湿度的叠加影响率等于所有样本温度影响系数的平均系数，然后转入步骤3-3）;如果样本个数少于阀值，则进行步骤3-2）；

3-2）取所述步骤3-1）的温度，湿度下，上下2个步进值范围湿度下的样本，如果个数不够，再取所有湿度下样本的个数，如果个数还是不够，则取所有湿度下的该温度左右2个步进值范围内的样本，如果该个数大于或等于阀值，则温度、湿度的叠加影响率等于所有样本温度影响系数的平均系数;如果样本个数仍少于阀值，则该温度，湿度下的温度影响系数暂不处理，进入步骤3-3）；

3-3）湿度不变，温度增加一步进值，计算该湿度温度下的温度、湿度的叠加影响率，直至遍历完所有的温度，然后进入步骤3-4）；

3-4）湿度增加一步进值，从初始温度开始，遍历计算该湿度下所有的温度、湿度的叠加影响率，然后湿度再增加一步进值，直至循环完所有的湿度范围；

3-5）对所述步骤3-2）中，没有数据的温度、湿度的叠加影响率使用七点平滑算法，智能置数。

6.根据权利要求5所述的一种基于大数据的用电因素影响模型，其特征在于，所述湿度的循环范围为30%-90%，步进为10%；所述温度的遍历范围为-4°-40°，步进为1°。