CN104252647A - 基于反距离权重插值法的用电负荷预测方法 - Google Patents

Abstract

本发明提供了基于反距离权重插值法的用电负荷预测方法，包括：S1)通过电能采集装置获取用电单位历史电力负荷信息，并记录生产任务属性值数据，由二者共同组成预测数据样本集；S2)在样本集中搜索与待预测时间段的生产任务值相同的属性对，根据属性值及搜索出的属性对确定待预测时间段的用电负荷，然后结束本方法流程；S3)否则，得到待预测数据样本集子集，然后计算得到待预测数据样本集子集元素对待预测时间段用电负荷的预测权重；S4)通过待预测数据样本集子集和预测权重得到待预测时间段的用电负荷。本方法能根据用户的生产计划和生产波动情况，实现企业用户短期电力负荷预测。

Description

基于反距离权重插值法的用电负荷预测方法

技术领域

本发明涉及用户电能管理领域，特别是一种基于反距离权重插值法的工业企业负荷预测算法。 

背景技术

工业企业通常都是用电大户，其不仅用电量占地区总用电量的比重较高，而且负荷曲线对地区电网的负荷曲线也有相当大的影响，对其进行短期负荷预测，提前一天至一周预测系统负荷值，不但对确定电网日运行方式有重要的作用，而且也是确定企业生产机组组合方案、企业与区域电网功率输送方案和负荷调度方案所不可缺少的。另外一方面，国家电力企业为了提高电网运行负荷率，通常会对一定生产规模企业的用电容量，即企业最大用电需量，设立上限和下限，超过上限的需量将按超出正常价格的惩罚价格收费，低于下限时按最大用电需量下限收费，因此，合理控制工业企业最大需量，保证工业企业的月用电量落在企业用电最大需量的上下区间内，将会为企业用户直接带来经济利益。 

随着国家减能减排政策的实施，以及政府和社会对企业能源综合管理水平的要求不断提高，企业负荷预测问题已经成为企业用户实现降本增效的着力点。当前，针对工业企业的电力负荷预测方法一般采用电网系统常用的、简单的预测方法，如单耗法、时间序列法、回归模型等。由于企业负荷特性与电网的负荷特性不同，它的负荷波动主要与生产状况和生产检修计划相关，针对企业的负荷预测不能完全按照电网负荷预测方法来进行，所以有必要选用适用于工业企业的负荷预测方法，并利用企业的生产计划信息对负荷预测进行校正，以有效提升工业企业短期负荷预测的正确性和准确性。 

发明内容

针对当前工业企业的短期负荷的研究较少以及现有的预测方法存在的缺陷，本发明所要解决的技术问题是：提供一种基于反距离权重插值法的用电负荷预测方法，该方法能根据用户的生产计划和生产波动情况，实现企业用户短期电力负荷预测。 

为了解决上述技术问题，本发明的技术方案是：基于反距离权重插值法的用电负荷预测方法，包括： 

S1)通过电能采集装置获取用电单位历史电力负荷信息，并记录与此电力负荷信息同一 时间段的历史生产任务属性值数据，由二者共同组成预测数据样本集； 

S2)判断待预测时间段的生产任务属性值是否落入预测数据样本集的生产任务属性值集合中，在样本集中搜索与待预测时间段的生产任务属性值相同的属性对，若得到的属性对数量大于或等于1天，则根据待预测时间段的生产任务属性值及搜索出的属性对确定待预测时间段的用电负荷，然后结束本方法流程，否则进入下一步； 

S3)根据待预测时间段的生产任务属性值与该集合内的历史生产任务属性值之间的大小关系，得到待预测数据样本集子集，然后计算得到待预测数据样本集子集元素对待预测时间段用电负荷的预测权重； 

S4)通过待预测数据样本集子集和预测权重得到待预测时间段的用电负荷。 

所述的方法，步骤S1具体包括： 

实时监测用电单位每天Num个采集时间点的监测电表总功率值，分别记为i为时间点序数，1≤i≤Num，y为日期，日期为y当天的功率记录为同时获取生产部门统计的该天的产量M_y；多个采集日期的和M_y，即历史电力负荷信息和历史生产任务属性值数据属性对，组成预测数据样本集

所述的方法，步骤S2待预测时间段的生产任务属性值的计算方法包括：设当月用电单位的计划总产量为M_月，当月截止当前一天已完成产量为M₀，当前为该月第j天，当月截止当前日还剩余的天数为d_剩余天数，则待预测时间为下一天的计划产量再根据用电单位的生产计划和检修计划对M_j+1进行调整，调整后为M'_j+1，即为待预测时间为下一天的生产任务属性值。 

所述的方法，步骤S2具体包括： 

a)设当天为第j天，待预测时间为下一天的生产任务属性值为M_j+1，则以今天为起点向 前追溯预测数据样本集Q，查找产量为M_j+1的天数，即待预测天数；若待预测天数为1天，进入步骤b；若待预测天数多于1天，进入步骤c；若待预测天数为0，进入步骤S3； 

b)设待预测天数为第k天，即M_k＝M_j+1，则待预测时间为下一天的用电负荷                                                  然后结束本方法流程； 

c)设待预测天数存在N天，即第k₁天、第k₂天…第k_N天，则根据下式选取与下一天最接近的第k天： 

$k=\left\{k_x\right|\left(\right|{\mathrm{Date}}_{j+1}-{\mathrm{Date}}_{k_x}\left|\right)=\min \left(\right|{\mathrm{Date}}_{j+1}+1-{\mathrm{Date}}_{k_1}|,|{\mathrm{Date}}_{j+1}-{\mathrm{Date}}_{k_1}|,...|{\mathrm{Date}}_{j+1}-{\mathrm{Date}}_{k_N}\left|\right)\}$

其中，Date_y代表第y天所在的日期，x取值范围为1、2、…N，min表示最小值； 

则待预测时间为下一天的用电负荷   然后结束本方法流程。 

所述的方法，步骤S3得到待预测数据样本集子集的方法包括： 

1a)设置搜寻步长为M_p，其中φ为一个百分值，其根据用电单位实际生产状况和样本集Q的大小来确定； 

1b)若产量M_j+1大于预测数据样本集Q中任一天的产量，则转向步骤1c；若产量M_j+1小于预测数据样本集Q中任一天的产量，则转向步骤1d；若M_j+1为预测数据样本集Q中产量数值的中间值，则转向步骤1e； 

1c)根据搜寻步长M_p形成待预测数据样本集子集q，其中 

$q=\left\{(\stackrel{\→}{P_z},M_z)\right|(M_{j+1}-M_z\≤M_p),(\stackrel{\→}{P_z},M_z)\∈Q\},$ 子集q的元素个数为n，即第m₁天、第m₂天…第m_n天，z的取值范围为m₁、m₂…m_n，在子集q中，按下式确定与M_j+1最接近的第m天： 

$m=\left\{m_z\right|\left(\right|M_{j+1}-M_z\left|\right)=\min \left(\right|M_{j+1}+1-M_{m_1}|,|M_{j+1}-M_{m_1}|,...|M_{j+1}-M_{m_n}\left|\right)\}$

如果m的元素个数超过1个，则根据步骤c选取与j+1最接近的1天； 

1d)根据搜寻步长M_p形成待预测数据样本集子集q，其中 

$q=\left\{(\stackrel{\→}{P_z},M_z)\right|(M_z-M_{j+1}\≤M_p),(\stackrel{\→}{P_z},M_z)\∈Q\},$ 子集q的元素个数为n，即第m₁天、第m₂天…第m_n天，z的取值范围为m₁、m₂…m_n，在子集q中，按下式确定与M_j+1最接近的第m天： 

$m=\left\{m_z\right|\left(\right|M_{j+1}-M_{m_z}\left|\right)=\min \left(\right|M_{j+1}+1-M_{m_1}|,|M_{j+1}-M_{m_1}|,...|M_{j+1}-M_{m_n}\left|\right)\}$

如果m的元素个数超过1个，则根据步骤c选取与j+1最接近的1天； 

1e)根据搜寻步长M_p形成待预测数据样本集子集q，其中 

$q=\left\{(\stackrel{\→}{P_z},M_z)\right|(M_z-M_{j+1}\≤M_p),(\stackrel{\→}{P_z},M_z)\∈Q\},$ 子集q的元素个数为n，即第m₁天、第m₂天…第m_n天，z的取值范围为m₁、m₂…m_n。 

所述的方法，步骤S3计算得到预测权重的方法包括： 

2a)若产量M_j+1大于或小于预测数据样本集Q中任一天的产量，则转向步骤2b；若M_j+1为预测数据样本集Q中产量数值的中间值，则转向步骤2c； 

2b)在步骤1c或1d得到的待预测数据样本集子集q中，除第m天的元素预测权重 外，其余元素的预测权重为0； 

2c)在1e得到的待预测数据样本集子集q中，令元素与目标元素的距离 

d_z＝|M_z-M_j+1|，则元素的预测权重为

所述的方法，步骤S4的计算方法具体包括： 

待预测时间为下一天的用电负荷

所述的方法，若待预测时间包括第j+h天，其中h为非负整数，则将方法步骤涉及到的所有M_j+1替换成M_j+h，M'_j+1替换成M'_j+h，待预测时间从第j+1天替换成第j+h天，从而得到待预测时间为第j+h天的用电负荷

本发明的优点：该方法利用企业历史负荷数据对未来负荷预测值的影响大小不同的机制，对历史负荷数据按照时间段和生产任务量在预测算法中分配不同的权重，解决了生产状况和生产检修计划作用于企业用电负荷波动的量化问题。另外，在企业持续对用电负荷进行监测过程中，根据算法预测值和实测负荷值进行对比分析，优化和修正算法设置参数，将会获得比现有的企业用电负荷预测方法更高的准确度。 

附图说明

图1是本发明实施例的一种基于反距离权重插值法的企业负荷预测算法计算流程图。 

具体实施方式

本发明提供的一种基于反距离权重插值法的企业负荷预测算法，针对企业的生产用能系统(或单元)，在获取包含企业历史电力负荷信息和生产信息的数据的基础上，然后组成预测数据样本集，再根据企业生产具有连续性的特征，以及企业用电负荷波动与生产状况和生产检修计划密切相关的这一特点，在利用样本集预测企业下一生产任务阶段的负荷情况的过程中，以样本集中元素的生产任务属性作为判断标准，判断目标点的生产任务属性值是否落入样本集的生产任务属性值集合中，并将其与集合内记录的距离远近作为样本集元素对目标值逼近真实情况贡献的大小。 

算法利用工业企业的历史负荷数据对未来负荷预测值影响大小不同的机制，对历史负荷数据按照时间段和生产任务量在预测算法中分配不同的权重，解决了生产状况和生产检修计划作用于企业用电负荷波动的量化问题。另外，在企业持续对用电负荷进行监测过程中，根据算法预测值和实测负荷值进行对比分析，优化和修正算法设置参数，将会获得比现有的工业企业用电负荷预测方法更高的准确度。 

以下结合附图说明对本算法的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构及其变化，均应列入本发明的保护范围。 

如图1所示，本发明实施例所提供的一种基于反距离权重插值法的企业负荷预测算法，其特征在于，具体步骤如下： 

步骤1：实时监测工业企业生产部每天Num个采集时间点的用能单位监测电表总功率值，记为1≤i≤Num，j为日期，每月最多31天，因此1≤j≤31，该值为矢量，为一个时间与功率系数对，这样一天就存在Num个系列对，一天的功率记录为记录该天产量为M_j，其中每天的产量M_j采用动态方法生成并记录。数据库存在的一个月样本集最大为若想预测算法的预测精度越高，则需要更多的月样本集Q_t，最后形成最终的大样本集Q。 

假设当月计划总产量为M_月，当月截止当前一天已完成产量为M₀，当前为第j天，则下一天的计划产量M_j+1会根据企业的生产计划和检修计划有所调整，调整后为M'_j+1，其中d_剩余天数代表当月截止当前日还剩余的天数，这个由系统计数器自动计算。 

步骤2：要预测下一天全天的负荷已知明天的计划产量为M_j+1(或者调整后的产量M′_j+1)，则以今天为起点向前追溯数据库，寻找样本集Q。由于企业生产存在连续性，以及在企业生产过程中，事件因素对生产的影响具有时间递减效应，查找样本集Q中产量为M_j+1(或者调整后的产量M′_j+1)的一天或者N天。若仅存在一天，假设为第k天，即M_k＝M_j+1，则下一天的负荷值近似可以看做   若存在N天，假设为第k₁天、第k₂天、…、第k_N天， 则选取k的公式： 

$k=\left\{k_x\right|\left(\right|{\mathrm{Date}}_{j+1}-{\mathrm{Date}}_{k_x}\left|\right)=\min \left(\right|{\mathrm{Date}}_{j+1}+1-{\mathrm{Date}}_{k_1}|,|{\mathrm{Date}}_{j+1}-{\mathrm{Date}}_{k_1}|,...|{\mathrm{Date}}_{j+1}-{\mathrm{Date}}_{k_N}\left|\right)\}$ 其中Date_i代表第i天所在的时间日期，x取值范围为1、2、…N，min表示最小值，则下一天的负荷值近似可以看做   然后转向步骤9。 

步骤3：假设明天的计划产量为M_j+1(或者调整后的产量M′_j+1)，而历史数据库搜寻的样本集Q中没有与该产量相匹配的值。若计划产量M_j+1(或者调整后的产量M′_j+1)大于样本集中任一天的产量，则转向步骤4；若计划产量M_j+1(或者调整后的产量M′_j+1)小于样本集中任一天的产量，则转向步骤5；若M_j+1为样本集中数值的中间值，则转向步骤6。 

步骤4：设置搜寻步长为M_p，其中φ为一个百分值，其根据工业企业实际生产状况和样本集Q的大小来确定。例如，假设φ为10％，待预测天的产量为M_j+1，则M_p的搜索步长为10％M_j+1，即搜索范围为[(1-10％)M_j+1，(1+10％)M_j+1]，其中，φ值根据样本集的数据量确定，如为了计算简便，将φ值取为保证范围内存在10对属性集  $Q=\{(\stackrel{\→}{P_1},M_1),(\stackrel{\→}{P_2},M_2),(\stackrel{\→}{P_3},M_3)...,(\stackrel{\→}{P_{10}},M_{10})\}$ 即可。 

根据这个步长形成的样本集为q， $q=\left\{(\stackrel{\→}{P_x},M_x)\right|(M_{j+1}-M_x\≤M_p),(\stackrel{\→}{P_x},M_x)\∈Q\},$ 样本集的元素个数为n，即存在n天。在样本集q中，则选取如下公式确定k,其中Date_i代表第i天所在的时间日期。 

$k=\left\{k_x\right|\left(\right|M_{j+1}-M_{k_x}\left|\right)=\min \left(\right|M_{j+1}+1-M_{k_1}|,|M_{j+1}-M_{k_1}|,...|M_{j+1}-M_{k_n}\left|\right)\},$ 即是M_k的产量与M_j+1产量最接近，则算法转向步骤9。 

步骤5：设置搜寻步长为M_p，其中φ为一个百分值，其根据工业企业实际生 产状况和样本集Q的大小来确定。根据这个步长形成的样本集为q，  $q=\left\{(\stackrel{\→}{P_x},M_x)\right|(M_x-M_{j+1}\≤M_p),(\stackrel{\→}{P_x},M_x)\∈Q\},$ 样本集q的元素个数为n，即存在n天。在样本集q中，则选取如下公式确定k,其中Date_i代表第i天所在的时间日期。  $k=\left\{k_x\right|\left(\right|M_{j+1}-M_{k_x}\left|\right)=\min \left(\right|M_{j+1}+1-M_{k_1}|,|M_{j+1}-M_{k_1}|,...|M_{j+1}-M_{\mathrm{kn}}\left|\right)\},$ 即是M_k的产量与M_j+1产量最接近，则算法转向步骤9。 

步骤6：设置搜寻步长为M_p，其中φ为一个百分值，其根据工业企业实际生产状况和样本集Q的大小来确定。以当前时间点向前搜素样本集Q，得到样本集q，  $q=\left\{(\stackrel{\→}{P_x},M_x)\right|(M_x-M_{j+1}\≤M_p),(\stackrel{\→}{P_x},M_x)\∈Q\},$ 样本集q的元素个数为n，样本集q也可记为：  $q=\{(\stackrel{\→}{P_1},M_1),(\stackrel{\→}{P_2},M_2),...,(\stackrel{\→}{P_n},M_n)\}.$ 转向步骤7. 

步骤7：在样本集 $q=\{(\stackrel{\→}{P_1},M_1),(\stackrel{\→}{P_2},M_2),...,(\stackrel{\→}{P_n},M_n)\}$ 中，元素(h＝1,2,3,…,n)与目标元素的距离，记为M_h(h＝1,2,3,…,n)与M_j+1的差值d_h,即d_h＝|M_h-M_j+1|(h＝1,2,3,…,n)，则样本集q中的每个元素在算法预测过程中的权重(或贡献值)为转向步骤8。 

步骤8：根据样本集 $q=\{(\stackrel{\→}{P_1},M_1),(\stackrel{\→}{P_2},M_2),...,(\stackrel{\→}{P_n},M_n)\}$ 中每个元素的权重W_h，则： 

算法转向步骤9。 

步骤9：将预测值输出。 

Claims (8)

1.基于反距离权重插值法的用电负荷预测方法，其特征在于包括： 

S1)通过电能采集装置获取用电单位历史电力负荷信息，并记录与此电力负荷信息同一时间段的历史生产任务属性值数据，由二者共同组成预测数据样本集； 

S2)判断待预测时间段的生产任务属性值是否落入预测数据样本集的生产任务属性值集合中，在样本集中搜索与待预测时间段的生产任务属性值相同的属性对，若得到的属性对数量大于或等于1天，则根据待预测时间段的生产任务属性值及搜索出的属性对确定待预测时间段的用电负荷，然后结束本方法流程，否则进入下一步； 

S3)根据待预测时间段的生产任务属性值与该集合内的历史生产任务属性值之间的大小关系，得到待预测数据样本集子集，然后计算得到待预测数据样本集子集元素对待预测时间段用电负荷的预测权重； 

S4)通过待预测数据样本集子集和预测权重得到待预测时间段的用电负荷。 

2.根据权利要求1所述的方法，其特征在于，步骤S1具体包括： 

实时监测用电单位每天Num个采集时间点的监测电表总功率值，分别记为i为时间点序数，1≤i≤Num，y为日期，日期为y当天的功率记录为同时获取生产部门统计的该天的产量M_y；多个采集日期的和M_y，即历史电力负荷信息和历史生产任务属性值数据属性对，组成预测数据样本集

3.根据权利要求1所述的方法，其特征在于，步骤S2待预测时间段的生产任务属性值的计算方法包括：设当月用电单位的计划总产量为M_月，当月截止当前一天已完成产量为M₀，当前为该月第j天，当月截止当前日还剩余的天数为d_剩余天数，则待预测时间为下一天的计划产量再根据用电单位的生产计划和检修计划对M_j+1进行调整，调整后为M′_j+1，即为待预测时间为下一天的生产任务属性值。 

4.根据权利要求2所述的方法，其特征在于，步骤S2具体包括： 

a)设当天为第j天，待预测时间为下一天的生产任务属性值为M_j+1，则以今天为起点向前追溯预测数据样本集Q，查找产量为M_j+1的天数，即待预测天数；若待预测天数为1天，进入步骤b；若待预测天数多于1天，进入步骤c；若待预测天数为0，进入步骤S3； 

b)设待预测天数为第k天，即M_k＝M_j+1，则待预测时间为下一天的用电负荷                                                  然后结束本方法流程； 

c)设待预测天数存在N天，即第k₁天、第k₂天…第k_N天，则根据下式选取与下一天最接近的第k天： 

其中，Date_y代表第y天所在的日期，x取值范围为1、2、…N，min表示最小值； 

则待预测时间为下一天的用电负荷   然后结束本方法流程。 

5.根据权利要求4所述的方法，其特征在于，步骤S3得到待预测数据样本集子集的方法包括： 

1a)设置搜寻步长为M_p，其中φ为一个百分值，其根据用电单位实际生产状况和样本集Q的大小来确定； 

1b)若产量M_j+1大于预测数据样本集Q中任一天的产量，则转向步骤1c；若产量M_j+1小于预测数据样本集Q中任一天的产量，则转向步骤1d；若M_j+1为预测数据样本集Q中产量数值的中间值，则转向步骤1e； 

1c)根据搜寻步长M_p形成待预测数据样本集子集q，其中 子集q的元素个数为n，即第m₁天、第m₂天…第m_n天，z的取值范围为m₁、m₂…m_n，在子集q中，按下式确定与M_j+1最接近的第m天： 

如果m的元素个数超过1个，则根据步骤c选取与j+1最接近的1天； 

1d)根据搜寻步长M_p形成待预测数据样本集子集q，其中 

子集q的元素个数为n，即第m₁天、第m₂天…第m_n天，z的取值范围为m₁、m₂…m_n，在子集q中，按下式确定与M_j+1最接近的第m天： 

如果m的元素个数超过1个，则根据步骤c选取与j+1最接近的1天； 

1e)根据搜寻步长M_p形成待预测数据样本集子集q，其中 

子集q的元素个数为n，即第m₁天、第m₂天…第m_n天，z的取值范围为m₁、m₂…m_n。 

6.根据权利要求5所述的方法，其特征在于，步骤S3计算得到预测权重的方法包括： 

2a)若产量M_j+1大于或小于预测数据样本集Q中任一天的产量，则转向步骤2b；若M_j+1为预测数据样本集Q中产量数值的中间值，则转向步骤2c； 

2b)在步骤1c或1d得到的待预测数据样本集子集q中，除第m天的元素预测权重 外，其余元素的预测权重为0； 

2c)在1e得到的待预测数据样本集子集q中，令元素与目标元素的距离 

d_z＝|M_z-M_j+1|，则元素的预测权重为

7.根据权利要求6所述的方法，其特征在于，步骤S4的计算方法具体包括： 

待预测时间为下一天的用电负荷

8.根据权利要求3～7中任一项所述的方法，其特征在于：若待预测时间包括第j+h天，其中h为非负整数，则将方法步骤涉及到的所有M_j+1替换成M_j+h，M'_j+1替换成M'_j+h，待预测时间从第j+1天替换成第j+h天，从而得到待预测时间为第j+h天的用电负荷