CN107464015B - 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法 - Google Patents

Abstract

一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法，包括：脏数据清洗、数据建模、具备熔断机制的预测分析、短期负荷(电量)预测可视化；该方法采用了数据平滑算法和具备熔断机制的模糊神经网络算法，既避免了数据不充分时，神经网络无法工作的问题，同时在用户用能特征改变时，保证了预测的精确性。

Description

一种基于用电行为的具备熔断机制的短期负荷以及电量预测 方法

技术领域

本发明涉及能效管理和云计算领域，具体是基于用电行为的具备熔断机制的短期负荷以及电量预测方法。

背景技术

随着国家大力推动信息化与工业化的深度融合，能源行业正在开展能源互联网的创新实践和“互联网+”的革命，能源行业对数据的应用也需变得更具前瞻性。

长期以来负荷以及电量预测都是能源行业十分关注的问题。所谓预测，是指通过对事物进行分析及研究，并运用合理的方法探索事物的发展变化规律，对其未来发展做出预先估计和判断。

负荷以及电量预测是指在充分考虑系统的运行特性、增容决策、自然条件与社会影响等诸多因数，研究一套系统地处理过去与未来负荷以及电量的数学方法，在满足一定精度要求的条件下，确定未来某特定时刻的负荷以及电量数据，其中负荷以及电量是指电力需求量(功率)。

经典短期负荷以及电量预测法有专家系统法、支持向量机、小波分析法、人工神经网络法等。

专家系统法是一种基于知识推理的系统。这种方法实质上是利用专家的经验知识和推理规则找出历史负荷以及电量数据的一系列规则。它是运用知识、经验和经验系统操作器的模拟推理来预测负荷以及电量。方法的优势在于对人类不可量化的经验进行了转化。系统具有丰富的经验和知识，并且可以不断积累。工作可靠性好，效率高。缺点是不易将专家的知识和经验表示成一系列数学上的逻辑规则，而且系统不具备普遍性。

支持向量机是一种基于统计学习理论的机器学习算法，该算法通过寻求结构风险最小化来实现实际风险最小化，在样本量较少的情况下亦能获得很好的学习效果。优点是具有坚实的数学理论基础、泛化能力较强、全局最优和收敛速度较快。缺点是存贮需求量大，编程困难；选择自选参数和核函数时，主要依靠经验确定；对于随机波动性较强的中小型电网，预测效果相对较差。

小波分析法是运用傅立叶变换的局部化思想，进行时域-频域分析的数学方法。电力负荷以及电量曲线具有特殊的周期性。若将负荷以及电量统计曲线波形图看作不同信号分量叠加而成，可以对负荷以及电量序列进行小波变换，分解得到代表不同频段的若干个子序列。然后再分别对这些子序列进行相应的预测，最后重构得到该负荷以及电量序列的预测结果。小波分析法的优点是预测精度高；但在预测中未考虑到气候等因素的影响，而且结果与小波基的选择有很大关系。

人工神经网络是模仿生物脑结构和功能的一种非线性信息处理系统。这种方法是智能方法的典型代表和重要分支。神经网络的优势在于具有自学习能力和自适应功能。网络可通过训练样本，根据环境来改变自己的算法过程，并根据变化的信息，调整自身结构，具有很强的鲁棒性。神经网络能够很好地解决随机问题和非线性性问题，预测精度高。而缺点在于网络结构的选择和确定缺乏有效的科学理论依据，易陷入局部极小状态；当数据不充分时，神经网络就无法进行工作。

随着能效行业的发展，负荷以及电量预测的重要性日益显现，并且对负荷以及电量预测精度的要求越来越高。传统的预测方法比较成熟，预测结果具有一定的参考价值，但普通存在建模难度高，预测结果不具备普适性，脏数据导致误差较大等问题。要进一步提高预测精度，就需要对传统方法进行必要的改进。

发明内容

本发明针对上述技术问题和难点，提出了一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法。

本发明的技术方案是：

一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法，该方法采用数据熔断机制进行短期负荷以及电量预测，该方法包括：

S1、脏数据清洗：获取数据样本，通过数据平滑算法对数据样本中的缺测数据及异常数据进行拟合修正；

S2、数据建模：根据时序、季度温差对数据样本的影响定义数据元素的结构；(例如：根据工作日、非工作日(法定节假日和厂休日)，高低温影响构建大数据样本区)建立预测模型，对每个采样点进行预测，获取负荷以及电量短期预测值。

本发明的方法还包括：S3、判别数据熔断点，更新预测模型进行预测分析：根据神经网络的反向传播算法获取神经元步长，当周期性神经元步长与上次匹配时，则继续采用该模型进行预测分析，当周期性神经元步长与上次不匹配时，视该点为数据熔断点，更新预测模型，重新进行数据分析。

本发明的方法还包括：S4、短期负荷以及电量预测可视化：将前述分析数据构成数据图像，同时将数据的各个属性值以多维的形式进行可视化展示。

本发明中，当对负荷进行预测时，样本参数为有功功率，当对电量进行预测时，样本参数为电量。

本发明中所述的S1步骤，缺测数据及异常数据包括跳大数、跳小数和负值；所述的数据平滑算法为：

S1-1、定义X_i表示当日任一时段样本示值，X_i-s表示s日前的同时段样本示值，3≤s≤5；

S1-2、进行判别，若s日内任意天为空值，则取其余非空值的均值填充空值，非空值天数不少于两天；若非空值天数少于两天，则继续向前s日推算均值，依次替换缺测数据及异常数据。

本发明的S2具体为：

S2-1、定义X_i表示当日任一时段样本示值，X_i-t表示t日前的样本示值；N_2h表示预测点近两小时平均负荷；N_d表示预测点前10个工作日或4个非工作日对应时段的平均负荷；

表示高低温负荷加权均值(高低温是自行配置的范围，例如：气温大于等于30℃为高温，气温小于等于15℃为低温)；

表示正常温度负荷加权均值(正常温度是自行配置的范围，例如：15-30℃)；

表示样本区高低温负荷加权均值(高低温是自行配置的范围，例如：气温大于等于30℃为高温，气温小于等于15℃为低温)；

表示样本区正常温度负荷加权均值(正常温度是自行配置的范围，例如：15-30℃)；

S2-2、采用下述公式计算调整因子μ，μ的初始设置为1：

S2-3、采用下述公式计算气温叠加模型系数λ₁和气温比例模型系数λ₂，λ₁、λ₂的初始值均设置为1；

取误差最小的值作为气温加权系数λ_i；(通过历史数据分析出高低温对负荷以及电量的影响属于叠加类型或是比例类型，需用历史数据中正常温度的负荷以及电量数据与高低温的负荷以及电量数据用叠加模型和比例模型分别计算相似度)；

λ_i＝max{λ₁，λ₂}；

S2-4、采用下述公式获取负荷以及电量短期预测值R_i：R_i＝X_i×μ×λ_i。

本发明的S3具体为：

S3-1、通过历史数据获取神经元步长Y_i：

k＝min{Y_d,Y_w,Y_m}，当k的值为Y_d时，则取Y_i＝Y_d；当k的值为Y_w时，则取Y_i＝Y_w，当k的值为Y_m时，则取Y_i＝Y_m；

其中，Y_d表示日神经元；Y_w表示周神经元；Y_m表示月神经元；

S3-2、判断神经元步长Y_i与上次所属的类别是否匹配，即神经元步长为Y_d时，上次神经元步长是否还是为Y_d；神经元步长为Y_w时，上次神经元步长是否还是为Y_w；神经元步长为Y_m时，上次神经元步长是否还是为Y_m；

若不匹配，表示企业用能特征发生改变，之前历史数据会成为干扰项，须从数据熔断点开始重新学习神经元步长，数据熔断点之前数据不纳入学习样本区，恢复步骤S2中的初始设置，进行负荷以及电量短期预测；若匹配，则继续步骤S2，进行负荷以及电量短期预测。

本发明的有益效果：

本发明能够根据短期负荷以及电量预测业务，对仿真实数据进行预测实验，其预测准确率高达98％，使得云平台企业用户洞悉了负荷以及电量的短期变化趋势，有利于企业计划用能管理，有利于企业合理安排设备运行方式和机组检修计划，有利于企业移峰填谷降低运营成本，有利于企业制定排产计划。

本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。

附图说明

通过结合附图对本发明示例性实施方式进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施方式中，相同的参考标号通常代表相同部件。

图1为负荷以及电量预测流程。

具体实施方式

下面将参照附图更详细地描述本发明的优选实施方式。虽然附图中显示了本发明的优选实施方式，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。

本发明的技术方案是：

一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法，该方法采用数据熔断机制进行短期负荷以及电量预测，当对负荷进行预测时，样本参数为有功功率，当对电量进行预测时，样本参数为电量，该方法包括：

S1、脏数据清洗：获取数据样本，通过数据平滑算法对数据样本中的缺测数据及异常数据进行拟合修正；

S2、数据建模：根据时序、季度温差对数据样本的影响定义数据元素的结构；(例如：根据工作日、非工作日(法定节假日和厂休日)，高低温影响构建大数据样本区)建立预测模型，对每个采样点进行预测，获取负荷以及电量短期预测值。

S3、判别数据熔断点，更新预测模型进行预测分析：根据神经网络的反向传播算法获取神经元步长，当周期性神经元步长与上次匹配时，则继续采用该模型进行预测分析，当周期性神经元步长与上次不匹配时，视该点为数据熔断点，更新预测模型，重新进行数据分析。

S4、短期负荷以及电量预测可视化：将前述分析数据构成数据图像，同时将数据的各个属性值以多维的形式进行可视化展示。

本发明中所述的S1步骤，缺测数据及异常数据包括跳大数、跳小数和负值；所述的数据平滑算法为：

S1-1、定义X_i表示当日任一时段样本示值，X_i-s表示s日前的同时段样本示值，3≤s≤5；

S1-2、进行判别，若s日内任意天为空值，则取其余非空值的均值填充空值，非空值天数不少于两天；若非空值天数少于两天，则继续向前s日推算均值，依次替换缺测数据及异常数据。

以三天为例：若其中一天为空值，则取两天均值；若三天均为空值，则继续向前三天推算均值；

本发明的S2具体为：

S2-1、定义X_i表示当日任一时段样本示值，X_i-t表示t日前的样本示值；N_2h表示预测点近两小时平均负荷；N_d表示预测点前10个工作日或4个非工作日对应时段的平均负荷；

表示高低温负荷加权均值(高低温是自行配置的范围，例如：气温大于等于30℃为高温，气温小于等于15℃为低温)；

表示正常温度负荷加权均值(正常温度是自行配置的范围，例如：15-30℃)；

表示样本区高低温负荷加权均值(高低温是自行配置的范围，例如：气温大于等于30℃为高温，气温小于等于15℃为低温)；

表示样本区正常温度负荷加权均值(正常温度是自行配置的范围，例如：15-30℃)；

S2-2、采用下述公式计算调整因子μ，μ的初始设置为1：

S2-3、采用下述公式计算气温叠加模型系数λ₁和气温比例模型系数λ₂，λ₁、λ₂的初始值均设置为1；

取误差最小的值作为气温加权系数λ_i；(通过历史数据分析出高低温对负荷以及电量的影响属于叠加类型或是比例类型，需用历史数据中正常温度的负荷以及电量数据与高低温的负荷以及电量数据用叠加模型和比例模型分别计算相似度)；

λ_i＝max{λ₁，λ₂}；

S2-4、采用下述公式获取负荷以及电量短期预测值R_i：R_i＝X_i×μ×λ_i。

本发明的S3具体为：

S3-1、通过历史数据获取神经元步长Y_i：

k＝min{Y_d,Y_w,Y_m}，当k的值为Y_d时，则取Y_i＝Y_d；当k的值为Y_w时，则取Y_i＝Y_w，当k的值为Y_m时，则取Y_i＝Y_m；

其中，Y_d表示日神经元；Y_w表示周神经元；Y_m表示月神经元；

S3-2、判断神经元步长Y_i与上次所属的类别是否匹配，即神经元步长为Y_d时，上次神经元步长是否还是为Y_d；神经元步长为Y_w时，上次神经元步长是否还是为Y_w；神经元步长为Y_m时，上次神经元步长是否还是为Y_m；

若不匹配，表示企业用能特征发生改变，之前历史数据会成为干扰项，须从数据熔断点开始重新学习神经元步长，数据熔断点之前数据不纳入学习样本区，恢复步骤S2中的初始设置，进行负荷以及电量短期预测；若匹配，则继续步骤S2，进行负荷以及电量短期预测。

尽管本发明已经参照附图和优选实例进行了说明，但是，对于本领域的技术人员来说，本发明可以有各种更改和变化。本发明的各种更改、变化，和等同物由所附的权利要求书的内容涵盖。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。

Claims (5)

1.一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是该方法包括：

S1、脏数据清洗：获取数据样本，通过数据平滑算法对数据样本中的缺测数据及异常数据进行拟合修正；

S2、数据建模：根据时序、季度温差对数据样本的影响定义数据元素的结构；建立预测模型，对每个采样点进行预测，获取负荷以及电量短期预测值；

所述的S2具体为：

S2-1、定义X_i表示当日任一时段样本示值，X_i-t表示t日前的样本示值；N_2h表示预测点近两小时平均负荷；N_d表示预测点前10个工作日或4个非工作日对应时段的平均负荷；

表示高低温负荷加权均值；

表示正常温度负荷加权均值；

表示样本区高低温负荷加权均值；

表示样本区正常温度负荷加权均值；

S2-2、采用下述公式计算调整因子μ，μ的初始设置为1：

S2-3、采用下述公式计算气温叠加模型系数λ₁和气温比例模型系数λ₂，λ₁、λ₂的初始值均设置为1；

取误差最小的值作为气温加权系数λ_i；

λ_i＝max{λ₁，λ₂}；

S2-4、采用下述公式获取负荷以及电量短期预测值R_i：R_i＝X_i×μ×λ_i；该方法还包括：

S3、判别数据熔断点，更新预测模型进行预测分析：根据神经网络的反向传播算法获取神经元步长，当周期性神经元步长与上次匹配时，则继续采用该模型进行预测分析，当周期性神经元步长与上次不匹配时，视该点为数据熔断点，更新预测模型，重新进行数据分析。

2.根据权利要求1所述的基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是该方法还包括：

S4、短期负荷以及电量预测可视化：将分析数据构成数据图像，同时将数据的各个属性值以多维的形式进行可视化展示。

3.根据权利要求1所述的基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是当对负荷进行预测时，样本参数为有功功率，当对电量进行预测时，样本参数为电量。

4.根据权利要求1、2或3之一所述的基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是所述的S1中数据平滑算法为：

S1-1、定义X_i表示当日任一时段样本示值，X_i-s表示s日前的同时段样本示值，3≤s≤5；

S1-2、进行判别，若s日内任意天为空值，则取其余非空值的均值填充空值，非空值天数不少于两天；若非空值天数少于两天，则继续向前s日推算均值，依次替换缺测数据及异常数据。

5.根据权利要求1所述的基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是所述的S3具体为：

S3-1、通过历史数据获取神经元步长Y_i：

k＝min{Y_d,Y_w,Y_m}，当k的值为Y_d时，则取Y_i＝Y_d；当k的值为Y_w时，则取Y_i＝Y_w，当k的值为Y_m时，则取Y_i＝Y_m；

X_i表示当日任一时段样本示值，X_i-s表示s日前的同时段样本示值，3≤s≤5；

其中，Y_d表示日神经元；Y_w表示周神经元；Y_m表示月神经元；

S3-2、判断神经元步长Y_i与上次所属的类别是否匹配，即神经元步长为Y_d时，上次神经元步长是否还是为Y_d；神经元步长为Y_w时，上次神经元步长是否还是为Y_w；神经元步长为Y_m时，上次神经元步长是否还是为Y_m；

若不匹配，表示企业用能特征发生改变，之前历史数据会成为干扰项，须从数据熔断点开始重新学习神经元步长，数据熔断点之前数据不纳入学习样本区，恢复步骤S2中的初始设置，进行负荷以及电量短期预测；若匹配，则继续步骤S2，进行负荷以及电量短期预测。

Images