CN105844371A - 一种用电客户短期负荷需求预测方法及装置 - Google Patents

Abstract

本发明提供了一种用电客户短期负荷需求预测方法，通过对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类，然后对聚类得到的日期群体建立每个时刻点的负荷预测模型，最后查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。本方案利用并行计算框架，能够同时对海量用电客户的用电负荷需求进行预测，满足海量数据分析的速度及预测精度需求。

Description

一种用电客户短期负荷需求预测方法及装置

技术领域

本发明涉及大数据处理技术领域，尤其涉及一种用电客户短期负荷需求预测方法及装置。

背景技术

随着用电信息的不断增大，客户基础信息的不断完善，电力信息数据呈现爆炸式增长趋势。负荷预测是电网规划中的关键环节，是变电站、网架规划重要计算依据，高精度的短期负荷预测能够有效预知未来一段时间内用电客户的负荷需求和负荷变化，对提高服务质量、削峰填谷和保证电网平稳运行起到关键作用。

目前，常用的用电需求预测方法如下：

1、时间序列法

时间序列分析将光伏出力的数值按其发生的时间先后顺序排列而成的数列。主要根据已有的负荷历史数据对未来进行预测，利用统计技术与方法，从预测负荷的时间序列中找出长期趋势、季节变动、循环变动、不规则变动等演变模式，建立数学模型，对负荷的未来发展趋势做出定量估计。Auto-Regressive and Moving Average Model，是常用的研究平稳时间序列的重要方法。该方法是自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”构成。

2、多元回归方法

研究一个随机变量Y对另一个(X)或一组(X₁，X₂，…，X_k)变量的相依关系的统计分析方法。传统的主要采用的是多元线性回归方法进行负荷预测。通常，温度、湿度、工作日、节假日、季节、历史负荷等影响因素会纳入考虑，分析它们对电力用户负荷波动的影响。

3、趋势外推法

趋势外推的基本假设是未来系过去和现在连续发展的结果。当预测对象依时间变化呈现某种上升或下降趋势，没有明显的季节波动，且能找到一个合适的函数曲线反映这种变化趋势时，就可以用趋势外推法进行预测。趋势外推法的基本理论是：决定事物过去发展的因素，在很大程度上也决定该事物未来的发展，其变化，不会太大；事物发展过程一般都是渐进式的变化，而不是跳跃式的变化掌握事物的发展规律，依据这种规律推导，就可以预测出它的未来趋势和状态。

4、人工神经网络法

人工神经网络是由大量神经元组成的一个非线性网络，每一个神经元单独的作用很简单，就是用一个非线性函数将输入映射到输出，但是通过各个神经元之间的复杂连接，使得整个神经网络具有了复杂的非线性特性。人工神经网络用于负荷预测的有BackPropagation(简称BP)网络、Radical Basis Function(简称RBF)网络等，还有其与其它方法结合的组合方法。

但发明人发现，上述方法适用于少量数据的用电预测，不能满足目前海量负荷信息下对用电负荷的预测速度和精度的要求。

发明内容

有鉴于此，本发明提供了一种用电客户短期负荷需求预测方法及装置，能够对海量用电客户的用电负荷需求进行预测，满足海量数据分析的速度及预测精度需求。

为实现上述目的，本发明提供了一种用电客户短期负荷需求预测方法，包括：

对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类；

对聚类得到的日期群体建立每个时刻点的负荷预测模型；

查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。

优选的，所述对采集到的每个用电客户的历史负荷曲线数据按照日期进行聚类，包括：

根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类，获得每个所述逐点负荷曲线在不同日期下的分群D_ij(i＝1,…,n,j＝1,…,k_i)，n为用电客户的数量，k_i为用电客户i的聚类数量；

相应的，所述建立每个时刻点的负荷预测模型，包括：

根据ELM算法，对每个所述分群D_ij建立每个时刻点的负荷预测模型，所述负荷预测模型的输入为温度、日期以及临近日期的负荷，所述负荷预测模型的输出为待测日期以及待测时刻的负荷值。

优选的，所述查找与待测日期匹配的历史相似日，根据所述历史相似日的负荷预测模型得到所述待测日期的负荷预测结果，包括：

根据DTW算法，对待测日期进行历史日期匹配，根据所述历史日期的负荷预测模型对所述待测日期的负荷进行逐点预测，得到每个时刻点的负荷值。

优选的，所述根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类，包括：

生成n个聚类中心点，将所述历史负荷曲线数据分成m个数据块；

根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别；

存储所述数据块中负荷曲线的类别。

优选的，所述根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别，包括：

基于欧式距离公式计算每个所述数据块中负荷曲线与每个中心点的距离，确定与所述数据块中负荷曲线距离最近的中心点的类别为所述负荷曲线的类别。

一种用电客户短期负荷需求预测装置，包括：

聚类模块，用于对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类；

建模模块，用于对聚类得到的日期群体建立每个时刻点的负荷预测模型；

预测模块，用于查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。

优选的，所述聚类模块包括：

第一计算单元，用于根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类；

第一获取单元，用于获得每个所述逐点负荷曲线在不同日期下的分群D_ij(i＝1,…,n,j＝1,…,k_i)，n为用电客户的数量，k_i为用电客户i的聚类数量。

优选的，所述预测模块包括：

匹配单元，用于根据DTW算法，对待测日期进行历史日期匹配；

第二获取单元，用于根据所述历史日期的负荷预测模型对所述待测日期的负荷进行逐点预测，得到每个时刻点的负荷值。

优选的，所述计算单元包括：

划分单元，用于生成n个聚类中心点，将所述历史负荷曲线数据分成m个数据块；

第二计算单元，用于根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别；

存储单元，用于存储所述数据块中负荷曲线的类别。

优选的，所述第二计算单元包括：

第三计算单元，用于基于欧式距离公式计算每个所述数据块中负荷曲线与每个中心点的距离；

确定单元，用于确定与所述数据块中负荷曲线距离最近的中心点的类别为所述数据块中负荷曲线的类别。

经由上述的技术方案可知，与现有技术相比，本发明提供了一种用电客户短期负荷需求预测方法，通过对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类，然后对聚类得到的日期群体建立每个时刻点的负荷预测模型，最后查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。本方案利用并行计算框架，能够同时对海量用电客户的用电负荷需求进行预测，满足海量数据分析的速度及预测精度需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一公开的一种用电客户短期负荷需求预测方法的流程图；

图2本发明实施例一公开的又一种用电客户短期负荷需求预测方法的流程图；

图3本发明实施例一公开的又一种用电客户短期负荷需求预测方法的流程图；

图4本发明实施例一公开的又一种用电客户短期负荷需求预测方法的流程图；

图5为本发明实施例一公开的一种用电客户短期负荷需求预测装置的结构示意图；

图6为本发明实施例一公开的又一种用电客户短期负荷需求预测装置的结构示意图；

图7为本发明实施例一公开的又一种用电客户短期负荷需求预测装置的结构示意图；

图8为本发明实施例一公开的又一种用电客户短期负荷需求预测装置的结构示意图；

图9为本发明实施例一公开的又一种用电客户短期负荷需求预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，为本发明实施例一提供的一种用电客户短期负荷需求预测方法，包括：

S1：对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类；

S2：对聚类得到的日期群体建立每个时刻点的负荷预测模型；

S3：查找与待测日期匹配的历史相似日，根据所述历史相似日的所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。

其中，步骤S1是根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类，获得每个所述逐点负荷曲线在不同日期下的分群D_ij(i＝1,…,n,j＝1,…,k_i)，n为用电客户的数量，k_i为用电客户i的聚类数量。

需要说明的是，由于不同客户之间的负荷数据聚类没有关系，从所有用电客户的负荷数据聚类来看，聚类模型是可以并行构建的，从特定用电客户的负荷数据聚类来看，本发明采用Map-Reduce环境下的K-Means聚类算法进行聚类。因此本发明中的用电客户负荷聚类模型构建过程在整体用电客户聚类上和特定用电客户聚类上都是并行的。

具体的，如图2所示，所述根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类，可以通过以下三个步骤实现：

S11：生成n个聚类中心点，将所述历史负荷曲线数据分成m个数据块；

S12：根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别；

S13：存储所述数据块中负荷曲线的类别。

其中，如图3所示，所述根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别，包括步骤：

S121：基于欧式距离公式计算每个所述数据块中负荷曲线与每个中心点的距离；

S122：确定与所述数据块中负荷曲线距离最近的中心点的类别为所述负荷曲线的类别。

相应的，步骤S2是根据ELM算法，对每个所述分群D_ij建立每个时刻点的负荷预测模型，所述负荷预测模型的输入为温度、日期以及临近日期的负荷，所述负荷预测模型的输出为待测日期以及待测时刻的负荷值。

需要说明的是，对每个用电客户的日期群体中的每个时刻点，利用并行ELM算法分别构建负荷预测模型，特定用电客户特定日期群体特定时刻点的负荷预测模型通过并行ELM算法进行构建，而当电客户、日期群体、时刻点三个因素有一个变化时所构建的为另一个与变化前无关的模型。即从所有用电客户的每个日期群体每个时刻点来看，所需构建的诸多预测模型是没有关联的，是天然可以并行进行计算的，从特定用电客户特定日期群体特定时刻点来看，本发明采用并行ELM算法来构建负荷预测模型的。因此，本发明中的负荷预测模型构建过程在整体预测模型构建上和特定预测模型构建上都是并行的。

用于构建特定用电客户特定日期群体特定时刻点的预测模型的并行ELM包括3个阶段，即INITIAL STAGE、MAP STAGE、REDUCE STAGE，具体如下：

INITIAL STAGE:设置中间层的神经元个数初始为n₀＝100个，随机初始化输入权重w和偏置b。中间层神经元的激活函数g(·)选取Sigmoid函数，即同时将原数据集N随机分成若干个互不相交的数据子块并分配到2^P个并行计算节点上。

MAP STAGE:针对每个数据块，训练极限学习机，得到各个学习机的输出权重。在节点P_s,s＝1,…,2^P分别按训练模型。其中表示的是计算节点的输出，且

REDUCE STAGE:对输出权重进行归并，首先将2^P个计算节点的2^P个输出结果进行两两归并，得到2^P-1个归并结果。然后将2^P-1个归并结果进行两两归并，得到2^P-2个归并结果。重复上述归并操作P次后，得到一个最终的输出权重每次归并时的公式如下：

$\left\{\begin{array}{c}{k}_{new}=K_L+K_R\\ {\stackrel{\‾}{\mathrm{\β}}}_{new}={(K_L+K_R)}^{-1}(K_L{\stackrel{\‾}{\mathrm{\β}}}_L+K_R{\stackrel{\‾}{\mathrm{\β}}}_R)\end{array}\right.$

其中，和为进行归并的两个结果，为归并后的结果。

中间层神经元的个数n采用增量生长法确定。在初始设置n₀＝100个中间层神经元的基础上每次增加10个神经元，同时重新随机初始化输入权重w和偏置b，按照上述三个阶段重新训练预测模型。计算增加神经元前后的模型误差，若误差的变化低于指定的阈值ξ，则停止生长，否则继续增加神经元个数并重新训练模型，直到误差的变化低于指定的阈值ξ，得到最佳的神经元个数。

优选的，如图4所示，所述查找与待测日期匹配的历史相似日，根据所述历史相似日的负荷预测模型得到所述待测日期的负荷预测结果，包括步骤：

S301：根据DTW算法，对待测日期进行历史日期匹配，根据所述历史日期的负荷预测模型对所述待测日期的负荷进行逐点预测，得到每个时刻点的负荷值。

在本实施例中，可以将为期1年的历史日期划分为3个日期集合，节假日、周末以及工作日。当待测日为节假日时，直接用历史节假日所对应的负荷预测模型进行待测日负荷预测。当待测日为周末或工作日时，需要根据温度利用DTW分别在历史周末集合和工作日集合中寻找历史相似日。

DTW具体描述如下：

输入：历史年时间段内周末\工作日温度序列T_old＝(T₁,…,T_m)，当前年同时间段内且包含待测日的周末\工作日温度序列满足m≥n。

过程：搜索从点出发搜索至可以展开若干条路径，可计算每条路径达到点时的总的积累距离，通过逐点向前寻找就可以求得整条路径，具有最小累积距离者即为规整路径。对于其可达到该格点的只可能是和即选择到这3个格点距离之中最小的路径延伸到达求解两序列匹配时，累计距离最小所对应的规整函数它表示为序列T_old上点T_i和T_new上的点之间的规整路径距离：

$D(T_i,\stackrel{\‾}{T_j})=Dist(T_i,\stackrel{\‾}{T_j})+\min \{D(T_{i-1},\stackrel{\‾}{T_j}),D(T_i,\stackrel{\‾}{T_{j-1}}),D(T_{i-1},\stackrel{\‾}{T_{j-1}})\}$

其中Dist(i,j)为T_old上点T_i和T_new上的点之间的欧式距离(在本发明中，该距离为T_i和对应日期的温度的差的绝对值)。

输出：最小规整距离，以及点和点的匹配关系结果。

这样，每个待测日都可以找到历史中的相似匹配日，按照历史相似日所在日期群体的预测模型，输入待测日的温度、日期以及临近日的某时刻的负荷，即可预测得到该时刻待测日的负荷预测值。最后将该预测日的所有时刻点的负荷预测结果合并即得到该预测日的负荷预测结果。

可见，本发明提供了一种用电客户短期负荷需求预测方法，具有如下有益效果：

短期负荷容易受到天气、社会经济等因素的影响，具有严重的随机性和非线性性。而本发明中的并行ELM极限学习算法具备大规模分布式并行处理、高度自组织、自适应以及灵活性等优点，恰好吻合短期负荷预测的这些特点。ELM极限学习算法对系统的自动描述，可通过对样本数据的学习来处理；其并行结构对处理实时性问题上具有很大的优势；其良好的信息综合处理能力以及高容错性，对输入信息的各种复杂问题可有效地处理。

对于不同时期的负荷，通过聚类来考虑其季节和节假日等影响。根据历史上不同时期的负荷趋势建立不同的预测模型。同时，针对未来待测日，利用DTW匹配到历史上相似的日期，用该预测模型来逼近待测日的负荷曲线。

通过从短期负荷预测得到的信息，电网公司不仅可以合理调度发电容量，而且可以在安全范围内使该系统经济地安排各机组的启停，保持必要的旋转备用容量的成本为最小，从而使发电成本降到最低，确保电网安全、稳定、可靠、优质和经济的运行。

除此，本发明实施例还提供了一种用电客户短期负荷需求预测装置，如图5所示，该装置包括：

聚类模块11，用于对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类；

建模模块12，用于对聚类得到的日期群体建立每个时刻点的负荷预测模型；

预测模块13，用于查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。

优选的，如图6所示，所述聚类模块11包括：

第一计算单元111，用于根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类；

第一获取单元112，用于获得每个所述逐点负荷曲线在不同日期下的分群D_ij(i＝1,…,n,j＝1,…,k_i)，n为用电客户的数量，k_i为用电客户i的聚类数量。

如图7所示，所述预测模块13包括：

匹配单元131，用于根据DTW算法，对待测日期进行历史日期匹配；

第二获取单元132，用于根据所述历史日期的负荷预测模型对所述待测日期的负荷进行逐点预测，得到每个时刻点的负荷值。

如图8所示，所述第一计算单元包括：

划分单元1111，用于生成n个聚类中心点，将所述历史负荷曲线数据分成m个数据块；

第二计算单元1112，用于根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别；

存储单元1113，用于存储所述数据块中负荷曲线的类别。

如图9所示，所述第二计算单1112元包括：

第三计算单元11121，用于基于欧式距离公式计算每个所述数据块中负荷曲线与每个中心点的距离；

确定单元11122，用于确定与所述数据块中负荷曲线距离最近的中心点的类别为所述数据块中负荷曲线的类别。

各个模块和单元的工作原理参见上述方法实施例，此处不重复叙述。

综上所述，本发明提供了一种用电客户短期负荷需求预测方法，通过对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类，然后对聚类得到的日期群体建立每个时刻点的负荷预测模型，最后查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。本方案利用并行计算框架，能够同时对海量用电客户的用电负荷需求进行预测，满足海量数据分析的速度及预测精度需求。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种用电客户短期负荷需求预测方法，其特征在于，包括：

对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类；

对聚类得到的日期群体建立每个时刻点的负荷预测模型；

查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。

2.根据权利要求1所述的用电客户短期负荷需求预测方法，其特征在于，所述对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类，包括：

根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类，获得每个所述逐点负荷曲线在不同日期下的分群D_ij(i＝1,…,n,j＝1,…,k_i)，n为用电客户的数量，k_i为用电客户i的聚类数量；

相应的，所述建立每个时刻点的负荷预测模型，包括：

根据ELM算法，对每个所述分群D_ij建立每个时刻点的负荷预测模型，所述负荷预测模型的输入为温度、日期以及临近日期的负荷，所述负荷预测模型的输出为待测日期以及待测时刻的负荷值。

3.根据权利要求1所述的用电客户短期负荷需求预测方法，其特征在于，所述查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果，包括：

根据DTW算法，对待测日期进行历史日期匹配，根据所述历史日期的负荷预测模型对所述待测日期的负荷进行逐点预测，得到每个时刻点的负荷值。

4.根据权利要求2所述的用电客户短期负荷需求预测方法，其特征在于，所述根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类，包括：

生成n个聚类中心点，将所述历史负荷曲线数据分成m个数据块；

根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别；

存储所述数据块中负荷曲线的类别。

5.根据权利要求4所述的用电客户短期负荷需求预测方法，其特征在于，所述根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别，包括：

基于欧式距离公式计算每个所述数据块中负荷曲线与每个中心点的距离，确定与所述数据块中负荷曲线距离最近的中心点的类别为所述负荷曲线的类别。

6.一种用电客户短期负荷需求预测装置，其特征在于，包括：

聚类模块，用于对采集到的每个用电客户的历史日负荷曲线数据按照日期进行聚类；

建模模块，用于对聚类得到的日期群体建立每个时刻点的负荷预测模型；

预测模块，用于查找与待测日期匹配的历史相似日，根据所述历史相似日所属日期群体的负荷预测模型得到所述待测日期的负荷预测结果。

7.根据权利要求6所述的用电客户短期负荷需求预测装置，其特征在于，所述聚类模块包括：

第一计算单元，用于根据K-Means算法分别对每个所述用电客户在不同日期下的逐点负荷曲线进行聚类；

第一获取单元，用于获得每个所述逐点负荷曲线在不同日期下的分群D_ij(i＝1,…,n,j＝1,…,k_i)，n为用电客户的数量，k_i为用电客户i的聚类数量。

8.根据权利要求6所述的用电客户短期负荷需求预测装置，其特征在于，所述预测模块包括：

匹配单元，用于根据DTW算法，对待测日期进行历史日期匹配；

第二获取单元，用于根据所述历史日期的负荷预测模型对所述待测日期的负荷进行逐点预测，得到每个时刻点的负荷值。

9.根据权利要求7所述的用电客户短期负荷需求预测装置，其特征在于，所述计算单元包括：

划分单元，用于生成n个聚类中心点，将所述历史负荷曲线数据分成m个数据块；

第二计算单元，用于根据每个所述数据块对应的map函数，计算得到每个所述数据块中负荷曲线的类别；

存储单元，用于存储所述数据块中负荷曲线的类别。

10.根据权利要求9所述的用电客户短期负荷需求预测装置，其特征在于，所述第二计算单元包括：

第三计算单元，用于基于欧式距离公式计算每个所述数据块中负荷曲线与每个中心点的距离；

确定单元，用于确定与所述数据块中负荷曲线距离最近的中心点的类别为所述数据块中负荷曲线的类别。