CN104992239A - 一种基于相关系数的行业用电量规律预测方法 - Google Patents

Abstract

本发明公开了一种基于相关系数的行业用电量规律预测方法，包括：采集设定区域设定行业内各用户的用电量数据；形成用电量历史数据序列并进行归一化；分别求取各用户用电量与行业整体用电量的相关系数，确定各用户的用电量变化与该行业总体用电规律间的关联特性；选取电力负荷变化趋势与行业整体负荷变化一致性最高的用户，预测行业整体的用电量数据变化规律。本发明有益效果：能够实现从某用户电力负荷的异常能够推导出具体某行业的异常甚至是全社会电力负荷异常的预测，提高电力负荷预测结果的准确性，为电力系统进行合理经济调度、降低生产成本、防止电网大面积停电或者电网崩溃提供了的有力保障。

Description

一种基于相关系数的行业用电量规律预测方法

技术领域

本发明涉及电力系统用电量特性分析技术领域，尤其是一种基于相关系数的行业用电量规律预测方法。

背景技术

随着经济的发展，用电量逐年攀升，电力负荷的多元化与复杂化，对行业用电量变化趋势的决策理论、管理手段和技术支持提出了更高的要求，但目前的工作中仍存在诸多不合理、不尽如人意的问题：

1.对行业用电量的分析侧重于宏观角度

目前国内有关行业用电量的分析只能做到对行业用电量数据的事后分析，只能粗犷的从宏观层面上把握整体的行业用电量规律变化，不能针对某行业、某客户的用电量特性做具体的分析。

2.用电量预测的智能化程度不够

目前关于用电量的预测通常以展示数据、报表为主要手段，而工作人员往往需要运用自身的工作经验等对数据进行二次加工，才能得到有效的判断；这样的预测方式，一方面，用电量预测结果与分析人员的实际经验、理论水平等有很大的关系；另一方面，当数据量较大时，会在很大程度上增加预测人员的劳动量，并且预测结果不能有效地全方位的覆盖市场状态。

3.用电量变化的预警机制不健全

目前国内外的用电量变化预警往往侧重于宏观、中观角度，从经济变化、行业变化等角度进行预测，由于数据获取不及时，往往错过最佳预警时机，甚至仅能进行事后分析，无法起到预警的提示作用。

发明内容

本发明的目的就是解决上述问题，提供一种基于相关系数的行业用电量规律预测方法，该方法

为实现上述目的，本发明采用下述技术方案，包括：

一种基于相关系数的行业用电量规律预测方法，包括以下步骤：

(1)通过电力调控中心电网能量管理系统采集设定区域设定行业内各用户的用电量数据，存入用电量数据库，并对数据进行预处理；

(2)根据采集到的用电量数据，得出设定区域设定行业整体用电量变化趋势以及各用户日用电变化量趋势；

(3)将日负荷电量数据按照时序进行分段，形成用电量历史数据序列并进行归一化；

(4)采用差分最小日、差分最大日方法确定波动最大日，并对引起电量波动异常的主要因素进行分析，并求得对波动贡献度最大的关键用户；

(5)分别求取个用户用电量与行业整体用电量的相关系数，并按照相关系数由大到小对用户进行排序；根据相关系数确定各用户的用电量变化与该行业总体用电规律间的关联特性；

(6)根据各用户间的相关系数，按照各用户的用电规律对其进行分类，确定每一类用户的日用电量变化曲线；

(7)在每一类用户的用电变化量曲线中，选取用电变化量趋势与行业整体用电变化量趋势一致性最高的用户，通过该用户的用电量变化规律来预测行业整体的用电量数据变化规律。

所述步骤(1)中对数据进行预处理的方法包括：

1-1)从用电量数据库中读取原始数据，将所述数据按照关键字段进行关联，提取所需数据，并规范数据格式；

1-2)筛选并剔除不良数据，对缺失的数据进行补全；

1-3)对错误数据进行修补，对数据进行平滑处理。

所述步骤(2)中用户日用电变化量具体为：

日用电变化量＝某日的用电量—上一日的用电量。

所述步骤(4)中，

差分最小日具体为：较上一日用电量减小最多的三天；

差分最大日具体为：较上一日用电量增加最多的三天；

分别将确定的差分最小日和差分最大日确定为波动最大日，对其成因进行分析，并求得对波动贡献度最大的关键用户。

所述步骤(5)中确定各用户的用电量变化与该行业总体用电规律间的关联特性的方法为：

分别求取n个用户与行业总体用电规律间的相关系数，结果存放在n*n的对角线元素为1的对称矩阵中；非对角元素表示用户与行业总体用电规律的相关系数；

当用户与行业总体用电规律数据的线性关系增强时，相关系数趋于1或-1；当一个数据增加而另一个数据也增加时，相关系数大于0；当一个数据增加而另一数据减少时，相关系数小于0；当用户与行业总体用电规律数据独立时，相关系数为0。

所述步骤(6)中求取用户与行业总体用电规律的相关系数的具体方法为：

$r_{XY}=\frac{\underset{i=1}{\overset{N}{\Σ}}(X_i-\stackrel{\‾}{X})(Y_i-\stackrel{\‾}{Y})}{\sqrt{\underset{i-1}{\overset{N}{\Σ}}{(X_i-\stackrel{\‾}{X})}^2}\sqrt{\underset{i-1}{\overset{N}{\Σ}}{(Y_i-\stackrel{\‾}{Y})}^2}};$

其中，X_i、Y_i分别为用户与行业总体日用电量数据；分别为用户与行业总体日用电量数据的平均值；N为日用电量数据个数，为正整数。

所述步骤(7)的具体方法为：

选取某一用户作为参考用户，将与该用户相关系数值大于某一设定值的用户归为一类；在划分的一类用户中，选取与参考用户相关系数值最高的用户的日用电量变化曲线作为该类用户的日用电量变化曲线。

在对行业用电量规律进行预测的同时，增加对于不规范用电行为的检测，具体方法为：

1)将日负荷电量数据按照时序分成四段，形成用电量历史数据序列并进行归一化；

2)建立预测模型，对归一化得到的历史数据进行预测；

3)将预测得到的结果按照负荷水平归一化到实测数据，并与实测数据进行比对，找出不规范用电嫌疑比较大的用户；

4)考虑实际情况，对嫌疑名单进行进一步的排除，确定不规范用电用户的最终名单。

所述步骤2)中的预测模型具体为：

$min\frac{1}{2}\underset{j=1}{\overset{m}{\Σ}}\left|\right|{\mathrm{\ω}}^j|{|}^2+\frac{1}{2}C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i^2$

s.t.  ||y_i-ω·φ(x_i)-b||＝ξ_i

其中，ω、b分别是权系数向量及偏置，φ：Rⁿ——→Γ，其中Γ表示高维特征空间，C为平衡系数，y_i为训练数据的目标值，x_i为训练样本，ξ_i为惩罚函数；

y_i,b都为m维列向量，φ(x_i)是k维列向量，ω是m×k维矩阵。

本发明的有益效果是：

通过本发明方法，可以找出哪些用户的用电量变化规律与行业整体用电量变化规律具有较高的一致性，进而可以通过把握个体用电量变化规律更好地预测行业整体的用电量变化趋势。

本发明方法能够实现对用户用电量信息的从粗犷到精细化的分析，实现从某用户用电量的异常能够推导出具体某行业的异常甚至是全社会用电量异常的预测，提高用电量变化趋势预测结果的准确性，能够做到对用电量变化的及时预警，为电力系统进行合理经济调度、降低生产成本、防止电网大面积停电或者电网崩溃提供了的有力保障。

附图说明

图1为本发明样本数据预处理流程图。

具体实施方式

下面结合附图对本发明进一步说明。

一种基于相关系数的行业用电量规律预测方法，包括以下步骤：

步骤一：通过电力调控中心电网能量管理系统采集设定区域设定行业内各用户的用电量数据，存入用电量数据库，并对数据进行预处理；

数据处理流程如图1所示，目前在信息采集通信存储的过程中会有部分数据丢失的情况出现，未丢失的数据部分也存在一定的不良数据，导致数据库中的数据格式的紊乱，所以要进行数据预处理，数据预处理分为以下四步进行：

1.规范数据格式：

首先将数据库中的数据导入文本文档，然后读取文本文档中的96点数据保存成矩阵的形式。规范数据的格式，分别给出行号及其对应的用户编号，并将缺失的量测量补0。需要注意的是，该阶段主要目的为规范数据格式，仅仅是将缺失的量测暂时用0代替，并没有从实质上补全量测数据。

2.剔除不良数据：

主要目的是筛选并剔除因数据缺失太多难以进行合理修补的用户对应的数据，因为这种用户几乎没有任何量测，对问题的分析无法提供有效的帮助。首先将96点数据转化为24点数据，以从一定程度上消除量测数据缺失的影响。将24点数据缺失仍大于80％或数据分散度过高的的用户数据进行剔除。

3.补全缺失数据：

对于数据缺失程度较轻，大部分缺失为日内数据部分缺失的用户，可直接通过插值的方法对数据进行补全。若用户数据缺失程度较重，或存在整日缺失的情况，则进行横向和纵向比较，采取按比例补全的方法进行补全，即按照该日具有的数据时段的功率值与该用户对应时段功率平均值的比例，结合用户平均日用电量曲线将日内缺失部分补全。补全缺失量测数据的步骤如下：

1)对所有数据进行加权平均，选择一个用于补全数据的典型日用电量变化曲线；

2)根据典型日用电量变化曲线，按照纵向比较和横向比较，将缺失量测初步补全。

4.修正不良量测：

使用卡尔曼滤波中的固定滞后最优平滑对量测数据进行处理，减小不良量测带来的影响。固定滞后最优平滑是在滞后最新观测时间一个固定时间间隔N的时间点上，给出系统状态最优估计的一种方法。

步骤二：根据采集到的用电量数据，得出设定区域设定行业整体用电量变化趋势以及各用户日用电变化量趋势；

由日用电量曲线能够看出用电趋势的变化，但不易看出用电量的波动情况，通过日用电变化量能够反映出日用电量的波动情况。

日用电变化量为某日的用电量较上一日用电量的变化情况，可以写成：

日用电变化量＝某日的用电量—上一日的用电量

步骤三：将日负荷电量数据按照时序分成四段，形成用电量历史数据序列并进行归一化；

步骤四：采用差分最小日、差分最大日方法确定波动最大日，并对引起电量波动异常的主要因素进行分析，并求得对波动贡献度最大的关键用户；

为了找到导致行业整体日用电变化量发生较大变化的关键用户，这里分别求得较上一日用电量减小最多的三天，即差分最小日，以及较上一日用用电量增加最多的三天，即差分最大日。分别将确定的差分最小日和差分最大日确定为波动最大日，对其成因进行分析，并求得对波动贡献度最大的关键用户。

步骤五：分别求取个用户用电量与行业整体用电量的相关系数，并按照相关系数由大到小对用户进行排序；根据相关系数确定各用户的用电量变化与该行业总体用电规律间的关联特性；

通过各用户的日用电量变化曲线，可以分析用户与该行业总体用电规律的关联特性。

分别求取n个用户与行业总体用电规律间的相关系数，结果存放在n*n的对角线元素为1的对称矩阵中；非对角元素表示用户与行业总体用电规律的相关系数；非对角元素表示用户与行业总体用电规律的相关系数。通过绘制相关系数曲线能够更加直观地观测各用户典型日负荷曲线的相似性。

当用户与行业总体用电规律数据的线性关系增强时，相关系数趋于1或-1；当一个数据增加而另一个数据也增加时，相关系数大于0；当一个数据增加而另一数据减少时，相关系数小于0；当用户与行业总体用电规律数据独立时，相关系数为0。

求取相关系数的具体方法为：

$r_{XY}=\frac{\underset{i=1}{\overset{N}{\Σ}}(X_i-\stackrel{\‾}{X})(Y_i-\stackrel{\‾}{Y})}{\sqrt{\underset{i-1}{\overset{N}{\Σ}}{(X_i-\stackrel{\‾}{X})}^2}\sqrt{\underset{i-1}{\overset{N}{\Σ}}{(Y_i-\stackrel{\‾}{Y})}^2}};$

其中，X_i、Y_i分别为用户与行业总体日用电量数据；分别为用户与行业总体日用电量数据的平均值；N为日用电量数据个数，为正整数。

步骤六：根据各用户间的相关系数，按照各用户的用电规律对其进行分类，确定每一类用户的日用电量变化曲线；

选取某一用户作为参考用户，将与该用户相关系数值大于某一设定值的用户归位一类；在划分的一类用户中，选取与参考用户相关系数值最高的用户的负荷曲线作为该类用户的负荷曲线。

以用户海阳市盘石店镇盘石店为例，与其相关系数大于0.95的有用户山东效峰生物科技股份有限公司、青岛利生源食用菌有限公司、潍坊市林海生物科技有限公司、济宁市利盟菌业有限公司、山东晨阳菌业有限公司、金乡县百事特食用菌专业合作社、枣庄市冠宇农业科技有限公司、山东福禾菌业科技有限公司。可以看出与海阳盘石店用户日用电量相关系数高的用户多为从事菌类生产的企业，可以将其归位一类用户。

步骤七：在每一类用户的用电变化量曲线中，选取用电变化量趋势与行业整体用电变化量趋势一致性最高的用户，通过该用户的用电量变化规律来预测行业整体的用电量数据变化规律。

通过对相关系数的分析，我们可以找出哪些用户的用电量规律与行业整体用电量规律具有较高的一致性，进而可以通过把握个体用电量规律更好地预测行业整体的用电趋势。

另外，对于不规范用电行为的检测有利于更好的分析用户的用电量规律，并规范电力市场，可以作为一个用电量分析预测的有益补充。

根据用户的历史负荷数据对用户用电行为作出预测，当实测数据与预测数据有较大出入时，可以初步将该用户列为初步不规范用电对象。由于用户用电量较小，规律性相对较弱，所以使用一般的负荷预测方法容易有较大误差，此处考虑各用户横向和纵向间的关联，采用多输出支持向量机进行预测，同时为了消除外界有色噪声的误差，将预测负荷缩放到实测负荷水平，然后进行判断。具体方法为：

1)考虑到庞大的用户数量，为避免预测模型过于复杂，将日负荷电量数据按照时序分成四段，形成用电量历史数据序列并进行归一化；为了简化，将每天96点的数据归算到每天4点。

2)对归一化得到的历史数据进行预测，预测模型如下：

$min\frac{1}{2}\underset{j=1}{\overset{m}{\Σ}}\left|\right|{\mathrm{\ω}}^j|{|}^2+\frac{1}{2}C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i^2---\left(4.1\right)$

s.t.  ||y_i-ω·φ(x_i)-b||＝ξ_i

其中，ω、b分别是权系数向量及偏置，φ：Rⁿ——→Γ，其中Γ表示高维特征空间，C为平衡系数，y_i为训练数据的目标值，x_i为训练样本，ξ_i为惩罚函数；

y_i,b都为m维列向量，φ(x_i)是k维列向量，ω是m×k维矩阵，需要注意的是φ(x_i)与x_i的维数不一定相同，此处不关心x_i的维数。

定义拉格朗日乘子：

$L=\frac{1}{2}\underset{j=1}{\overset{m}{\Σ}}\left|\right|{\mathrm{\ω}}^j|{|}^2+\frac{1}{2}C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i^2-\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\β}}_i\[{\mathrm{\ξ}}_i-||y_i-\mathrm{\ω}\·\mathrm{\φ}\left(x_i\right)-b||\]---\left(4.2\right)$

由KKT条件可得

$\frac{\∂L}{\∂{\mathrm{\ω}}^j}={\mathrm{\ω}}^j-\underset{i=1}{\overset{n}{\Σ}}\frac{{\mathrm{\β}}_i(y_i^j-{\mathrm{\ω}}^j.\mathrm{\φ}(x_i)-b^j){\mathrm{\φ}}^T\left(x_i\right)}{\left|\right|y_i-\mathrm{\ω}\·\mathrm{\φ}\left(x_i\right)-b\left|\right|}=0$

$\frac{\∂L}{\∂b}={\mathrm{\ω}}^j-(y^j-{\mathrm{\ω}}^j.\mathrm{\Φ}-b^j)D_{\mathrm{\α}}{\mathrm{\Φ}}^T=0---\left(4.3\right)$

其中，Φ＝(Φ(x₁),Φ(x₂),…,Φ(x_n))为k×n矩阵，D_α＝diag{α₁,α₂,…,α_n} $({\mathrm{\α}}_i=\frac{{\mathrm{\β}}_i}{\left|\right|y_i-\mathrm{\ω}\·\mathrm{\φ}\left(x_i\right)-b\left|\right|}),$ β_i为拉格朗日算子， $y^j={(y_1^j,y_2^j,...,y_n^j)}^T$ 为n维行向量，b^j＝(b^j，b^j，…,b^j)^T是n维行向量。

$\frac{\∂L}{\∂b^j}=-\underset{i=1}{\overset{n}{\Σ}}\frac{{\mathrm{\β}}_i(y_i^j-{\mathrm{\ω}}^j.\mathrm{\φ}(x_i)-b^j)}{\left|\right|y_i-\mathrm{\ω}\·\mathrm{\φ}\left(x_i\right)-b\left|\right|}=0$

$\frac{\∂L}{\∂b^j}=\mathrm{\α}(y^j-{\mathrm{\ω}}^j.\mathrm{\Φ}-b^j)=0---\left(4.4\right)$

其中，α＝(α₁,α₂,…,α_n)为n维行向量。

$\frac{\∂L}{\∂{\mathrm{\ξ}}_i}={\mathrm{C\ξ}}_i-{\mathrm{\β}}_i=0---\left(4.5\right)$

$\frac{\∂L}{\∂{\mathrm{\α}}_i}=\left|\right|y_i-{\mathrm{\Φ}}^T\left(x_i\right)\mathrm{\ω}-b\left|\right|-{\mathrm{\ξ}}_i=0---\left(4.6\right)$

由式(4.5)(4.6)可知，在最优解处，

由于ω^j由样本决定，即可以写成样本的某种组合，所以，可得

${\mathrm{\ω}}^j=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\γ}}_i^j\mathrm{\Φ}\left(x_i\right)={\mathrm{\γ}}^j{\mathrm{\Φ}}^T---\left(4.7\right)$

其中， ${\mathrm{\γ}}^j=({\mathrm{\γ}}_1^j{\mathrm{\γ}}_2^j...{\mathrm{\γ}}_n^j)$ 为n维行向量。

将式(4.7)代入式(4.3)，并在方程两端同乘以Φ^TD_α的广义逆(Φ^TD_α)⁺，得到[ΦΦ^T+D_α ⁺]γ^j＝[y^j-b^j]，定义K＝ΦΦ^T，其中K_ij＝K(x_i,x_j)＝Φ^T(x_i)Φ(x_j)，因而，得到：

$\left[\begin{array}{cc}K+{D_{\mathrm{\α}}}^{+}& 1\\ {\mathrm{\α}}^{T}K& {\mathrm{\α}}^{T}1\end{array}\right]\left[\begin{array}{c}{\mathrm{\γ}}^j\\ b^j\end{array}\right]=\left[\begin{array}{c}{y}^j\\ {\mathrm{\α}}^T{y}^j\end{array}\right]---\left(4.8\right)$

所以

$\left[\begin{array}{c}{\mathrm{\γ}}^j\\ b^j\end{array}\right]={\left[\begin{array}{cc}K+{D_{\mathrm{\α}}}^{+}& 1\\ {\mathrm{\α}}^{T}K& {\mathrm{\α}}^{T}1\end{array}\right]}^{-1}\left[\begin{array}{c}{y}^j\\ {\mathrm{\α}}^T{y}^j\end{array}\right]---\left(4.9\right)$

求解式(4.9)即可得到γ^j,b^j，进一步可得y^j＝γ^j·K_.,j+b^j。

ω^j、b^j分别是权系数向量及偏置，φ(x_i)：Rⁿ——→Γ，其中Γ表示高维特征空间，C为平衡系数，y^j为训练数据的目标值，x_i为训练样本，ξ_i为惩罚函数；γ^j是一种代表样本权重的变量，为n维行向量，是样本的某种组合。

3)将预测得到的结果按照负荷水平归一化到实测数据，并与实测数据进行比对，找出不规范用电嫌疑比较大的用户；

4)调度员考虑实际情况，比如天气，节假日等，对嫌疑名单进行进一步的排除，确定不规范用电用户的最终名单。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种基于相关系数的行业用电量规律预测方法，其特征是，包括以下步骤：

(1)通过电力调控中心电网能量管理系统采集设定区域设定行业内各用户的用电量数据，存入用电量数据库，并对数据进行预处理；

(2)根据采集到的用电量数据，得出设定区域设定行业整体用电量变化趋势以及各用户日用电变化量趋势；

(3)将日负荷电量数据按照时序进行分段，形成用电量历史数据序列并进行归一化；

(4)采用差分最小日、差分最大日方法确定波动最大日，并对引起电量波动异常的主要因素进行分析，并求得对波动贡献度最大的关键用户；

(5)分别求取个用户用电量与行业整体用电量的相关系数，并按照相关系数由大到小对用户进行排序；根据相关系数确定各用户的用电量变化与该行业总体用电规律间的关联特性；

(6)根据各用户间的相关系数，按照各用户的用电规律对其进行分类，确定每一类用户的日用电量变化曲线；

(7)在每一类用户的用电变化量曲线中，选取用电变化量趋势与行业整体用电变化量趋势一致性最高的用户，通过该用户的用电量变化规律来预测行业整体的用电量数据变化规律。

2.如权利要求1所述的一种基于相关系数的行业用电量规律预测方法，其特征是，所述步骤(1)中对数据进行预处理的方法包括：

1-1)从用电量数据库中读取原始数据，将所述数据按照关键字段进行关联，提取所需数据，并规范数据格式；

1-2)筛选并剔除不良数据，对缺失的数据进行补全；

1-3)对错误数据进行修补，对数据进行平滑处理。

3.如权利要求1所述的一种基于相关系数的行业用电量规律预测方法，其特征是，所述步骤(2)中用户日用电变化量具体为：

日用电变化量＝某日的用电量—上一日的用电量。

4.如权利要求1所述的一种基于相关系数的行业用电量规律预测方法，其特征是，所述步骤(4)中

差分最小日具体为：较上一日用电量减小最多的三天；

差分最大日具体为：较上一日用电量增加最多的三天；

分别将确定的差分最小日和差分最大日确定为波动最大日，对其成因进行分析，并求得对波动贡献度最大的关键用户。

5.如权利要求1所述的一种基于相关系数的行业用电量规律预测方法，其特征是，所述步骤(5)中确定各用户的用电量变化与该行业总体用电规律间的关联特性的方法为：

分别求取n个用户与行业总体用电规律间的相关系数，结果存放在n*n的对角线元素为1的对称矩阵中；非对角元素表示用户与行业总体用电规律的相关系数；

当用户与行业总体用电规律数据的线性关系增强时，相关系数趋于1或-1；当一个数据增加而另一个数据也增加时，相关系数大于0；当一个数据增加而另一数据减少时，相关系数小于0；当用户与行业总体用电规律数据独立时，相关系数为0。

6.如权利要求1所述的一种基于相关系数的行业用电量规律预测方法，其特征是，所述步骤(6)中求取用户与行业总体用电规律的相关系数的具体方法为：

$r_{XY}=\frac{\underset{i=1}{\overset{N}{\Σ}}(X_i-\stackrel{\‾}{X})(Y_i-\stackrel{\‾}{Y})}{\sqrt{\underset{i=1}{\overset{N}{\Σ}}{(X_i-\stackrel{\‾}{X})}^2}\sqrt{\underset{i=1}{\overset{N}{\Σ}}{(Y_i-\stackrel{\‾}{Y})}^2}};$

其中，X_i、Y_i分别为用户与行业总体日用电量数据；分别为用户与行业总体日用电量数据的平均值；N为日用电量数据个数，为正整数。

7.如权利要求1所述的一种基于相关系数的行业用电量规律预测方法，其特征是，所述步骤(7)的具体方法为：

选取某一用户作为参考用户，将与该用户相关系数值大于某一设定值的用户归为一类；在划分的一类用户中，选取与参考用户相关系数值最高的用户的日用电量变化曲线作为该类用户的日用电量变化曲线。

8.如权利要求1所述的一种基于相关系数的行业用电量规律预测方法，其特征是，在对行业用电量规律进行预测的同时，增加对于不规范用电行为的检测，具体方法为：

1)将日负荷电量数据按照时序分成四段，形成用电量历史数据序列并进行归一化；

2)建立预测模型，对归一化得到的历史数据进行预测；

3)将预测得到的结果按照负荷水平归一化到实测数据，并与实测数据进行比对，找出不规范用电嫌疑比较大的用户；

4)考虑实际情况，对嫌疑名单进行进一步的排除，确定不规范用电用户的最终名单。

9.如权利要求8所述的一种基于相关系数的行业用电量规律预测方法，其特征是，所述步骤2)中的预测模型具体为：

$min\frac{1}{2}\underset{j=1}{\overset{m}{\Σ}}{||{\mathrm{\ω}}^j||}^2+\frac{1}{2}C\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\ξ}}_i^2$

s.t.||y_i-ω·φ(x_i)-b||＝ξ_i

其中，ω、b分别是权系数向量及偏置，φ：Rⁿ——→Γ，其中Γ表示高维特征空间，C为平衡系数，y_i为训练数据的目标值，x_i为训练样本，ξ_i为惩罚函数；

y_i,b都为m维列向量，φ(x_i)是k维列向量，ω是m×k维矩阵。