CN105184402B - 一种基于决策树的个性化用户短期负荷预测算法 - Google Patents

Abstract

本发明公开了一种基于决策树的个性化用户短期负荷预测算法，其特征在于：包括以下步骤：1、对用户负荷进行波动分量辨识，判断其锯齿形波动是否显著；如果显著将进入波动分量提取环节，再得出用电模式数；如果不显著，则将直接得出用电模式数。针对用电模式数大于7种的用户采用最近日负荷预测法。针对用电模式数在2种～6种的用户采用基于用电模式挖掘的用户侧短期负荷预测法。针对用电模式数只有1种的用户采用聚类预测还原法。本发明通过对用户历史负荷进行数据挖掘，从而提取出用户用电模式，根据模式数的多少，建立基于决策树的个性化用户短期负荷预测算法，实现精确的用户短期负荷预测。

Description

一种基于决策树的个性化用户短期负荷预测算法

技术领域

本发明属于电力系统需求侧管理领域，特别涉及一种基于决策树的个性化用户短期负荷预测算法。

背景技术

有序用电是需求侧管理的重要组成部分，指在电力供应不足、突发事件等情况下，通过行政措施、经济手段、技术方法，依法控制部分用电需求，维护供用电秩序平稳的管理工作。改革开放以后，国家经济加快发展，电力供需紧张，有序用电发挥了重要作用。

智能化的有序用电通过分析用户负荷特性，利用智能代理技术自动生成有序用电方案，用户可限负荷通过短期预测的负荷与用户基线负荷作差得到，因此负荷侧的预测精度直接关系的有序用电指标分配的准确性。现阶段只做到了系统短期负荷预测和母线短期预测，而用户负荷预测还未深入开展。

发明内容

为了解决现有技术中的问题，本发明提供了一种基于决策树的个性化用户短期负荷预测算法，通过对用户历史负荷进行数据挖掘，从而提取出用户用电模式，根据模式数的多少，建立基于决策树的个性化用户短期负荷预测算法，实现精确的用户短期负荷预测。

为了解决上述问题，本发明所采取的技术方案是：

一种基于决策树的个性化用户短期负荷预测算法，其特征在于：包括以下步骤：

1、对用户负荷进行波动分量辨识，判断其锯齿形波动是否显著，其中波动分量的绝对平均值超过10％认为显著；如果显著将进入波动分量提取环节，将锯齿形波动剔除，采用离散小波变换对用户负荷曲线进行三重小波分解，得到的三阶细节信号分量为平滑分量，再进行用电模式数识别，采用层次聚类法得出用电模式数；如果不显著，则将直接进入用电模式识别步骤，得出用电模式数；

2、针对用电模式数的个数不同，采用不同的预测方法：

1)、针对用电模式数大于7种的用户采用最近日负荷预测法。

2)、针对用电模式数在2种～6种的用户采用基于用电模式挖掘的用户侧短期负荷预测法。

3)、针对用电模式数只有1种的用户采用聚类预测还原法。

3、预测完成后，如果在步骤1中剔除过波动分量的，需要重新加载波动分量，得到最终预测结果，如果没有在步骤1中剔除过波动分量的，即为最终预测结果，

前述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：步骤1)中：针对用电模式数大于7种的用户采用最近日负荷预测法，由于用电模式非常多，其用电特征变化剧烈，惯性较小，直接采用最近日负荷作为预测结果。前述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：步骤2)、针对用电模式数在2种～6种的用户采用基于用电模式挖掘的用户侧短期负荷预测法，具体包括以下步骤：

(1)、采用层次聚类法对历史负荷进行聚类，生成典型用电模式集合A＝{1,2,…,i,…,N}，并得到每一个历史日的生产模式；

(2)、根据用户历史日生产模式的辨识结果，生成状态转移矩阵M，该矩阵记录了基准日用电模式固定为i的条件下，待预测日用电模式服从各典型生产模式j(j＝1～N)的概率M_ij，依据基准日u₀生产模式i和这一矩阵，决策出转移概率最大的生产模式M_ik，M_ik＝max(M_i1,M_i2,…,M_iN)，即待预测日r₀最有可能出现的生产模式；

(3)、从历史日中筛选出所有用电模式为k的历史日{r₁,r₂,…,r_n}，其下标越小，表示离待预测日r₀越近，其中r₁最近，r_n最远；

(4)、按照历史日负荷与待预测日r₀的远近取指数平滑权重，离待预测日越近，权重越大，权重w_l如下：

w_l＝α(1-α)^l-1 α为平滑常数 l＝1,2,…n

(5)、将历史日r_l负荷曲线按w_l加权求和，得到待预测日负荷曲线

其中为历史r_l负荷曲线。

前述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：步骤3)、针对用电模式数只有1种的用户采用聚类预测还原法，具体包括以下步骤：

(1)、将所有用电模式数为1的用户加总形成聚类负荷，并计算得出每个用户的用户负荷占整个聚类负荷的配比因子；

(2)、基于聚类负荷，采用步骤2)对照方基于用电模式挖掘的用户侧短期负荷预测法的算法进行预测；

(3)、维护“聚类负荷—用户负荷”配比模型，根据聚类负荷预测结果，通过整个聚类负荷再乘以每个用户的配比因子，得到每个用户负荷的预测值。

前述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：采用小波包分解法对用户负荷进行波动分量辨识，判断其锯齿形波动是否显著，如果显著自适应地将锯齿形波动剔除，得到平滑分量。

前述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：所述配比因子通过平滑近日配比因子得到，配比因子就是每个用户的用户负荷占总聚类负荷的比例，平滑配比因子就是对配比因子求n日的平均值。

本发明所达到的有益效果：本发明通过对用户历史负荷进行数据挖掘，从而提取出用户用电模式，根据模式数的多少，建立基于决策树的个性化用户短期负荷预测算法，实现精确的用户短期负荷预测。

附图说明

图1是本发明方法的总体实施流程框图。

图2是小波包分解去噪效果示意图。

图3是一实施例预测得负荷曲线和该用户实际负荷曲线示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明提出一种基于决策树的个性化用户短期负荷预测算法，其特征在于：

1、波动分量决策

首先对用户负荷进行波动分量辨识，判断其锯齿形波动是否显著，其中波动分量的绝对平均值超过10％认为显著。如果显著将进入波动分量提取环节，将锯齿形波动剔除，采用离散小波变换对用户负荷曲线进行三重小波分解，得到的三阶细节信号分量为平滑分量，再进行用电模式数识别，采用层次聚类法得出用电模式数；如果不显著，则将直接进入用电模式识别步骤，得出用电模式数。波动分量辨识方法为小波包分解法，通过该方法可以自适应地将锯齿形波动剔除，得到平滑分量。去噪效果如图2所示，原始负荷曲线＝平滑分量+锯齿形波动分量。基于平滑分量构建预测方法，能够显著提高预测精度。

2、挖掘用电模式，针对模式数的数量的不同选取相应的方法进行预测。模式数非常多(大于7种)则采用最近日负荷预测法，模式数适中(2～6种)，采用基于用电模式挖掘的用户侧短期负荷预测法，模式数只有1种的采用聚类预测还原法。

3、针对模式数非常多(大于7种)的用户设计最近日负荷预测法。

此方法适用于模式数非常多的用户负荷，因其用电模式非常多，说明其用电特征变化剧烈，惯性较小，对于这类用户，最近日历史负荷对其未来负荷的影响较大，因此，可直接采用最近日负荷作为预测结果。

4、针对模式数适中(2～6种)的用户设计基于用电模式挖掘的用户侧短期负荷预测法。

此方法适用于模式数适中的用户负荷，通过其历史用电模式出现顺序的统计，采用统计决策的方法可以得到其模式的状态转移矩阵，依据此矩阵决策出待预测日用户的用电模式，再对历史日中同一模式的负荷曲线进行指数平滑，预测得到待预测日的负荷。其算法步骤为：

(1)、采用层次聚类法对历史负荷进行聚类，生成典型用电模式集合A＝{1,2,…,i,…,N}，并得到每一个历史日的生产模式；

(2)、根据用户历史日生产模式的辨识结果，生成状态转移矩阵M，该矩阵记录了基准日用电模式固定为i的条件下，待预测日用电模式服从各典型生产模式j(j＝1～N)的概率M_ij，依据基准日u₀生产模式i和这一矩阵，决策出转移概率最大的生产模式M_ik，M_ik＝max(M_i1,M_i2,…,M_iN)，即待预测日r₀最有可能出现的生产模式；

(3)、从历史日中筛选出所有用电模式为k的历史日{r₁,r₂,…,r_n}，其下标越小，表示离待预测日r₀越近，其中r₁最近，r_n最远；

(4)、按照历史日负荷与待预测日r₀的远近取指数平滑权重，离待预测日越近，权重越大，权重w_l如下：

w_l＝α(1-α)^l-1 α为平滑常数 l＝1,2,…n

(5)、将历史日r_l负荷曲线按w_l加权求和，得到待预测日负荷曲线

其中为历史r_l负荷曲线。

5、针对模式数只有1种的用户设计聚类预测还原法。

此方法适用于用电模式单一的用户，因其模式单一，其用电行为较为稳定。将这一类型的所有用户聚类加总形成聚类负荷，其中每个用户占整个聚类负荷的配比因子也较为稳定。通过预测出整个聚类负荷再乘以配比因子即可快速预测得到每个用户负荷。除此之外，聚类负荷水平更高，负荷随机性更小，可预测性更强。其算法步骤为：

1.将所有用电模式数为1的用户加总形成聚类负荷；并计算得出每个用户的用户负荷占整个聚类负荷的配比因子；

2.基于聚类负荷，采用对照方基于用电模式挖掘的用户侧短期负荷预测法的算法步骤进行预测；

3.维护“聚类负荷—用户负荷”配比模型，根据聚类负荷预测结果，得到每个用户负荷的预测值。配比因子可通过平滑近日配比因子得到，平滑配比因子就是对配比因子求n日的平均值。

预测结束后需要加载波动分量，就是将提取出来的波动分量叠加到预测结果上即可。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种基于决策树的个性化用户短期负荷预测算法，其特征在于：包括以下步骤：

1、对用户负荷进行波动分量辨识，判断其锯齿形波动是否显著，其中波动分量的绝对平均值超过10％认为显著；如果显著将进入波动分量剔除环节，将锯齿形波动剔除，采用离散小波变换对用户负荷曲线进行三重小波分解，得到的三阶细节信号分量为平滑分量，再进行用电模式数识别，采用层次聚类法得出用电模式数；如果不显著，则将直接进入用电模式识别步骤，得出用电模式数；

2、针对用电模式数的个数不同，采用不同的预测方法：

1)、针对用电模式数大于7种的用户采用最近日负荷预测法作为预测结果；

2)、针对用电模式数在2种～6种的用户采用基于用电模式挖掘的用户侧短期负荷预测法，具体包括以下步骤：

(1)、采用层次聚类法对历史负荷进行聚类，生成典型用电模式集合A＝{1,2,…,i,…,N}，并得到每一个历史日的生产模式；

(2)、根据用户历史日生产模式的辨识结果，生成状态转移矩阵M，该矩阵记录了基准日用电模式固定为i的条件下，待预测日用电模式服从各典型生产模式j(j＝1～N)的概率M_ij，依据基准日u₀生产模式i和这一矩阵，决策出转移概率最大的生产模式M_ik，M_ik＝max(M_i1,M_i2,…,M_iN)，即待预测日r₀最有可能出现的生产模式；

(3)、从历史日中筛选出所有用电模式为k的历史日{r₁,r₂,…,r_n}，其下标越小，表示离待预测日r₀越近，其中r₁最近，r_n最远；

(4)、按照历史日负荷与待预测日r₀的远近取指数平滑权重，离待预测日越近，权重越大，权重w_l如下：

w_l＝α(1-α)^l-1 α为平滑常数 l＝1,2,…n

(5)、将历史日r_l负荷曲线按w_l加权求和，得到待预测日负荷曲线

其中为历史r_l负荷曲线；

3)、针对用电模式数只有1种的用户采用聚类预测还原法，具体包括以下步骤：

(1)、将所有用电模式数为1的用户加总形成聚类负荷，并计算得出每个用户的用户负荷占整个聚类负荷的配比因子；

(2)、基于聚类负荷，采用步骤2)对照方基于用电模式挖掘的用户侧短期负荷预测法的算法进行预测；

(3)、维护“聚类负荷—用户负荷”配比模型，根据聚类负荷预测结果，通过整个聚类负荷再乘以每个用户的配比因子，得到每个用户负荷的预测值；

3、预测完成后，如果在步骤1中剔除过波动分量的，需要重新加载波动分量，得到最终预测结果，如果没有在步骤1中剔除过波动分量的，即为最终预测结果。

2.根据权利要求1所述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：采用小波包分解法对用户负荷进行波动分量辨识，判断其锯齿形波动是否显著，如果显著自适应地将锯齿形波动剔除，得到平滑分量。

3.根据权利要求2所述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：所述配比因子通过平滑近日配比因子得到，配比因子就是每个用户的用户负荷占总聚类负荷的比例，平滑配比因子就是对配比因子求n日的平均值。