CN110782094A - 一种居民用户细粒度用电行为的分项负荷预测方法 - Google Patents
一种居民用户细粒度用电行为的分项负荷预测方法 Download PDFInfo
- Publication number
- CN110782094A CN110782094A CN201911031216.3A CN201911031216A CN110782094A CN 110782094 A CN110782094 A CN 110782094A CN 201911031216 A CN201911031216 A CN 201911031216A CN 110782094 A CN110782094 A CN 110782094A
- Authority
- CN
- China
- Prior art keywords
- subentry
- data
- electric quantity
- load
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000005611 electricity Effects 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000002354 daily effect Effects 0.000 claims description 35
- 238000005485 electric heating Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种居民用户细粒度用电行为的分项负荷预测方法，获取小区居民用户分项用电的历史样本数据；构建预测模型的训练样本集和预测样本集；将训练样本中各分项电量对应的日期，是否为节假日工作日，各温度，峰谷以及对应的各分项电量作为AdaBoost迭代算法的输入，训练模型；将预测样本中各分项电量对应的日期，节假日工作日，温度，峰谷作为AdaBoost迭代算法的输入，得到相应的输出结果；对输出结果进行影响因素加入处理，得到居民用户未来某一天的各分项负荷数据。本发明能够科学预测城市居民的细粒度分项负荷数据，解决了现由于居民小区分项电力负荷数据小、影响因素的复杂性和多变性，很难建立精准的模型对其进行预测等技术问题。
Description
技术领域
本发明属于电力系统负荷预测技术领域，涉及一种居民用户细粒度用电行为的分项负荷预测方法，具体涉及了一种基于影响因素对于居民分项电量的负荷预测方法。
背景技术
随着全球经济的迅猛发展，从垄断经营模式走向竞争关系的电力行业，尤其是智能电网的发展，对电力系统各部门都提出了更高的要求。电力部门只有对负荷预测相关的数据进行全面详细的研究，制定高效、经济的发电计划，合理安排机组出力，才能为用户持续提供安全、可靠的电能，满足各用户的需求，保证电力系统安全稳定运行，并可以减少发电成本，提高经济效益。因此电力负荷预测是电力研究中的重要组成部分，在电力市场的有效运行中起着关键性的作用。
目前，负荷预测有许多方法，可分为传统的经典方法和人工智能方法两大类。对于传统方法，是基于统计理论的时间序列模型，此方法在一些数据集上易于实现，但是与复杂度更高的机器学习算法相比，它们的预测精度通常较低。人工智能(AI)方法：AI方法主要包括模糊理论，人工神经网络(ANN)和支持向量回归(SVR)等。它可以被认为是负荷预测问题中的非传统或现代方法。近些年来一些研究表明集成方法在负荷预测上可以取得很好的效果。但是大量的文献都是预测日负荷，而没有更精确的去预测每个分项的负荷。
据大量统计，与其他预测模型相比，AdaBoost迭代算法的预测模型结果比较精确。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。可以用于任何损失函数的分类和回归问题。
虽然此预测方法相比其他预测算法的准确度高，但是此预测方法仅选择一批历史样本用于预测模型的构建，这种历史样本没有经过预处理或其他操作，会影响了负荷预测精度的提高。对于影响分项负荷变化因素(如温度因素、节假日因素、峰谷因素等)的处理，现有预测模型都是将其作为一种输入变量，这种处理方法由于无法准确描述该因素对于分项负荷变化，因此难以提高预测精度。居民小区负荷数据比较小，其分项数据会更小且波动性也比较大；AdaBoost迭代算法能很好的预测那些波动比较稳定的数据，而对于数据小，但波动大的居民分项数据而言，AdaBoost迭代算法还需要进一步的改进。
发明内容
为解决现有技术不能精确预测分项负荷的技术问题，本发明提供了一种居民用户细粒度用电行为的分项负荷预测方法，该方法能够科学预测城市居民小区的细粒度分项负荷数据。
为了达到以上的目的，本发明具体采用以下技术方案。
一种居民用户细粒度用电行为的分项负荷预测方法，其特征在于，该预测方法包括以下步骤：
步骤1：获取居民用户细粒度的历史样本数据，对历史样本数据进行预处理得到用户的分项电量数据即分项负荷数据，所述分项电量数据是指每天各电器大类即分项负荷使用的电量，包括空调类电量、电热水器类电量、其它电热类电量、厨房电器类电量、正在训练类电量、微功率类电量；
步骤2：根据步骤1中的分项电量数据得到一个影响分项负荷的因素系数集，影响的因素包括工作日、节假日、温度、峰谷；
步骤3：构建预测模型的训练样本集和预测样本集；
选取最近30天的分项电量数据以及所述分项电量数据对应日期的天气温度数据，将这些分项电量数据以及对应日期的天气温度数据划分为两个互斥的集合D，其中一个集合为训练集S(任意选取20天)，另一个作为测试集T(剩余10天)，即D＝S∪T,
在S上训练出模型后，用T来预测结果；
步骤4：将训练样本中各分项电量数据及其对应的因素系数集作为AdaBoost迭代算法的输入，训练模型，其中对应的各分项电量数据需进行影响因素分离处理；
步骤5：将预测样本中各分项电量对应的日期，节假日工作日，温度，峰谷作为AdaBoost迭代算法的输入，得到输出结果；
步骤6：对输出结果进行影响因素加入处理，得到居民用户未来某一天的分项负荷数据。
本发明进一步包括以下优选方案。
在步骤1中，通过智能终端获取居民用户的细粒度用电行为，该终端将用户每天的分项电量数据上传至主站，通过主站来获取居民1年的细粒度分项电量数据。所述对数据预处理指的清洗数据，即对在一天中缺失时段进行补充，对出现的异常数据进行删除。
细粒度历史样本数据指的是每天每个时段各电器大类用电量；其中，将一天划分为96个时段。
将预处理后的细粒度历史样本数据进行分类，分项数据包括空调类电量、电热水器电量、其他电热电量、厨房电器电量、正在训练电量、微功率电量；其中其他电热电量指的是除电热水器外其他的电热设备的电量，正在训练电量指的是目前尚未确定是何种电器的电量，微功率电量指的是电灯、电视、电脑等小功率的电器电量。
所述步骤2包括以下内容：
步骤2.1：将总的时间划分为工作日和非工作日，使用变量a表示，当a＝0表示工作日，a＝1表示节假日；
步骤2.2：将温度划分为不同的温度段；冬天的温度(<＝10℃)、春秋的温度(>10℃且<＝30℃)、夏天温度(>30℃)，使用变量b来表示，当b＝0时表示冬天的气温，b＝1时表示春秋的气温，当b＝2时表示夏天的气温；
步骤2.3：将一天的时间划分为峰谷段，峰时间段为8：00-22：00，谷时间段为23：00到次日8：00，使用变量c来表示，当c＝0表示峰时间段，c＝1时，表示谷时间段；
步骤2.4：将步骤1经过预处理的分项电量数据划分为工作日分项数据集和节假日分项数据集；
步骤2.5：对工作日分项数据集和节假日分项数据集中各分项电量数据按照不同的温度段进行分类，得到分项电量数据相应的温度段的节假日系数m，
计算各分项类即各分项负荷在a,b六种组合下，各自在一年内的电量平方求和，计算公式如下：
Mab(各分项类)＝∑a,bP2(i) (a＝0,1；b＝0,1,2)
其中，P(i)为每个温度段下，工作日节假日中第i个分项负荷电量，
然后计算各分项负荷对应a,b六种组合的均方根，具体公式如下：
上式中Pab(各分项类)表示每个温度段下，工作日节假日中各分项负荷的平均电量，s表示各电器大类中电器的个数；计算各分项对应的温度-节假日系数，对应的公式如下:
mb(各分项类)＝Pb(休息日-各分项类)/Pb(工作日-各分项类)(b＝0,1,2)
mb(各分项类)指的是各分项类各温度段的节假日系数，Pb(休息日-各分项类)表示休息日各温度段的各分项类的平均日电量，Pb(工作日-各分项类)表示工作日各温度段的各分项类的平均日电量；
步骤2.6：对工作日分项数据集和节假日分项数据集中各分项电量数据按照不同峰谷段进行分类，可得到分项电量数据相应的峰谷段的节假日系数n；
计算各分项类即各分项负荷在a,c四种组合各自在一年内的电量平方求和，各分项类指的是空调，电热水器，其他电热，正在训练及微功率类具体公式如下：
Mac(各分项类)＝∑a,cQ2(i) (a＝0,1；c＝0,1)
上式中Q(i)为每个峰谷段，工作日节假日中第i个分项电量，然后计算其对应a,c四种组合的均方根，具体公式如下：
上式中Qac(各分项类)表示工作日节假日在峰谷中各分项类的平均负荷，s表示各分项中对应的峰谷，是否工作日数据的个数，例如当a＝0,c＝0时，分项类为空调时，Q表示在工作日峰时段空调的平均电量，其中s就是全年在工作日峰时段空调类的个数；
最后计算各分项对应的峰谷-节假日系数，对应的公式如下:
nc(各分项类)＝Qc(休息日-各分项类)/Qc(工作日-各分项类)(c＝0,1)
nc(各分项类)指的是各分项类峰谷段的节假日系数，Qc(休息日-各分项类)表示休息日峰谷段的各分项的平均日电量，Qc(工作日-各分项类)表示工作日峰谷的各分项类平均日电量；
步骤2.7：对工作日的各分项电量数据、温度数据、日期数据及日期对应的峰谷段，进行按月度归并，形成相应的分项负荷峰谷-温度-月度负荷系数k。
所述步骤2.7包括：
步骤2.7.1：将各分项负荷数据按照峰谷、日平均温度和月份分类；
步骤2.7.2：将月份、日平均温度、峰谷段、分项相同负荷数据归为一类并求取平均值；
步骤2.7.3：将每月的日平均温度为大于10℃且小于等于30℃的峰谷段各分项的负荷数据求和并取平均值作为标准值；
步骤2.7.4：将步骤2.7.2中所得数据均除以步骤2.7.3对应的峰谷段和各分项的标准值形成一个按月度归并的各分项负荷峰谷-温度-月度负荷系数集k。
在步骤4中，对训练样本集进行影响因素分离处理，其处理方法为将每天的细粒度数据按照各大类划分，以及按照是否为工作日，节假日，峰谷，各温度段进行划分；将训练样本集中的各分项负荷数据根据是否为工作日和节假日，进行分开处理，如果是工作日，训练样本集中的各分项负荷数据除以相应的各分项的峰谷-温度-月度负荷系数k；如果是节假日，训练样本集中的各分项负荷数据除以相应的各分项峰谷-温度-月度负荷系数k和温度段-节假日系数m、峰谷段-节假日系数n；
将影响因素分离处理后的各分项电量数据和因素系数集作为AdaBoost预测模型的输入；
其中，因素系数集包括对应的日期，是否为节假日，各温度，峰谷；
使用训练样本进行训练，得到训练后改进的AdaBoost预测模型，所述AdaBoost预测模型是一个强分类器，输入对应的日期，节假日，工作日，温度，峰谷，分项类，输出为满足上述条件的分项负荷预测值。
所述步骤6包括：
步骤6.1：判断预测日的日期类型，若为正常工作日进行步骤6.2，若为正常节假日则进行步骤6.3；
步骤6.2：将步骤5中的得到的预测模型输出结果，乘以相应的各分项峰谷-温度-月度负荷系数k，可预测得到该日期下各分项电量，预测结束；
步骤6.3：将步骤5中的得到的预测模型输出结果，乘以相应的各分项峰谷-温度-月度负荷系数k和温度段-节假日系数m、峰谷段-节假日系数n，可预测得到该日期下各分项的电量，预测结束。
与现有技术相比，本发明具有如下优点：
采用本发明能够科学预测城市居民小区的细粒度分项负荷数据，解决了现有技术对各分项电力负荷预测由于居民小区分项电力负荷数据小、影响因素的复杂性和多变性，很难建立精准的模型对其进行预测等技术问题。
附图说明：
图1是本发明的总体流程图
图2是AdaBoost预测模型的流程图
具体实施方式
以下结合附图和实例对本发明作具体的介绍。
图1是本发明居民用户细粒度用电行为的分项负荷预测方法的具体流程图。所述居民用户细粒度用电行为的分项负荷预测方法包括步骤。
步骤1：获取居民用户细粒度的历史样本数据，对历史样本数据进行预处理；
历史样本数据指的是居民用户1年的细粒度电器负荷数据和对应日的最高气温和最低气温。对历史样本数据预处理指的清洗数据，其具体为在一天中缺失时段进行补充，对出现了异常的日期、电量等数据进行删除。
细粒度是指将每天划分为多个时段(在本发明实施例中，一天划分为96个时段)，通过多个时段不同分项电器的用电量；细粒度的历史样本数据即细粒度数据是指每天划分的每个时段各个电器的用电量。
将预处理后的日细粒度数据进行分类，分为空调类电量、电热水器电量、其他电热电量、厨房电器电量、正在训练电量、微功率电量。其中厨房电器包括电饭锅，电磁炉，微波炉；其他电热电量指的是除电热水器外其他的电热设备的电量，正在训练电量指的是不太确定是何种电器的电量，微功率电量指的是电灯，电视，电脑等小功率的电器电量。
将每天的最低温度和最高温度取平均，可计算得到每天的日平均温度。
步骤2：根据提供数据得到一个影响分项负荷的因素系数集，影响的因素包括工作日节假日，温度，峰谷等；
步骤2具体为：
2.1将总的时间划分为工作日和非工作日，使用变量a表示，当a＝0表示工作日，a＝1表示节假日
2.2将温度划分为冬天的温度(<10℃),春秋的温度(11℃～29℃)，夏天温度(>30℃),使用变量b来表示，当b＝0时表示冬天的气温，b＝1时表示春秋的气温，当b＝2时表示夏天的气温；
2.3将一天的时间划分为峰谷段，峰时间段为8：00-22：00，谷时间段为23：00到次日8：00，使用变量c来表示，当c＝0表示峰时间段，c＝1时，表示谷时间段；
2.4将步骤1经过预处理的分项数据和日平均温度划分为工作日分项数据集和节假日分项数据集；
2.5对工作日数据集和节假日数据集各分项电量按照不同的温度段进行分类，可得到分项数据相应的温度段的节假日系数m；具体的计算过程如下：
计算各分项a,b六种组合各自在一年内的电量平方求和，各分项类指的是空调，电热水器，其他电热，正在训练及微功率类具体公式如下：
Mab(空调)＝∑a,bP2(i)(a＝0,1；b＝0,1,2) (1)
Mab(电热水器)＝∑a,bP2(i)(a＝0,1；b＝0,1,2) (2)
Mab(其他电热)＝∑a,bP2(i)(a＝0,1；b＝0,1,2) (3)
Mab(厨房电器)＝∑a,bP2(i)(a＝0,1；b＝0,1,2) (4)
Mab(正在训练)＝∑a,bP2(i) (a＝0,1；b＝0,1,2) (5)
Mab(微功率)＝∑a,bP2(i)(a＝0,1；b＝0,1,2) (6)
上式中P(i)为每个温度段，工作日以及节假日中第i个分项负荷，后计算其对应a,b六种组合的均方根，具体公式如下：
上式中Pab(空调)表示工作日节假日中每个温度段下空调类的平均电量，s表示各分项中对应各温度段，是否工作日节假日数据的个数，例如当a＝0,b＝0时，分项类为空调时，P表示在工作日温度小于10℃时空调的平均电量，其中s就是全年在工作日温度小于10℃时空调类的个数。
其余分项电量按照式(7)类推，最后计算各分项对应的温度-节假日系数，对应的公式如下:
mb(空调)＝Pb(休息日-空调)/Pb(工作日-空调)(b＝0,1,2) (8)
mb(空调)指的是各温度段中空调的节假日系数，Pb(休息日-空调)表示休息日各温度段的空调平均日电量，Pb(工作日-空调)表示工作日各温度段的空调平均电量，例如当b＝0时，此时m计算得到空调在小于10℃时的节假日系数，以此类推，求出各分项类在各个温度段的节假日系数。
2.6对工作日数据集和节假日数据集各分项电量按照不同峰谷段进行分类，可得到分项数据相应的峰谷段的节假日系数n；具体的计算过程如下：
计算各分项a,c四种组合各自在一年内的电量平方求和，各分项类指的是空调，电热水器，其他电热，正在训练及微功率类具体公式如下：
Mac(空调)＝∑a,cQ2(i) (a＝0,1；c＝0,1) (9)
Mac(电热水器)＝∑a,cQ2(i)(a＝0,1；c＝0,1) (10)
Mac(其他电热)＝∑a,cQ2(i) (a＝0,1；c＝0,1) (11)
Mac(厨房电器)＝∑a,cQ2(i) (a＝0,1；c＝0,1) (12)
Mac(正在训练)＝∑a,cQ2(i) (a＝0,1；c＝0,1) (13)
Mac(微功率)＝∑a,cQ2(i) (a＝0,1；c＝0,1) (14)
上式中Q(i)为每个峰谷段，工作日节假日中第i个分项负荷，然后计算其对应a,c四种组合的均方根，具体公式如下：
上式中Qac(空调)表示工作日节假日在峰谷中各分项类的平均负荷，s表示各分项中对应的峰谷，是否工作日数据的个数，例如当a＝0,c＝0时，分项类为空调时，Q表示在工作日峰时段空调的平均电量，其中s就是全年在工作日峰时段空调类的个数。
最后计算各分项对应的峰谷-节假日系数，对应的公式如下:
nc(空调)＝Qc(休息日-空调)/Qc(工作日-空调)(b＝0,1,2) (8)
nc(空调)指的是峰谷空调的节假日系数，当c＝0时，分项类为空调类时，Qc(休息日-各分项类)表示在休息日峰时段时空调的平均日电量，Qc(工作日-各分项类)表示在工作日峰时段时空调的平均日电量，此时n计算得到空调在峰时段的节假日系数，以此类推，求出各分项类在峰谷时段的节假日系数。
2.7对工作日的各分项电量数据、温度数据以及日期数据及日期对应的峰谷段，进行按月度归并，形成相应的分项负荷峰谷-温度-月度负荷系数k；
2.7.1将各分项负荷数据按照峰谷、日平均温度和月份分类；
2.7.2将月份、日平均温度、峰谷段、分项相同负荷数据归为一类并求取平均值；例如月份为1月份，日均温度<10℃，峰时间段，分项类为空调，可将1月份中满足条件的空调日电量求日平均；
2.7.3将每月的日平均温度为大于10℃且小于等于30℃的峰谷段各分项的负荷数据求和并取平均值作为标准值；
2.7.4将步骤2.7.2中所得数据均除以步骤2.7.3对应的峰谷段和各分项的标准值形成一个按月度归并的各分项负荷峰谷段-温度-月度负荷系数集k；例如月份为1月份，日均温度<10℃，峰时间段，分项类为空调，则根据步骤2.7.2中得到1月份中满足条件的空调日电量求日平均，在2.7.3中对应选取数据集月份为1月份，日均温度大于10℃且小于等于30℃，峰时间段，分项类为空调，从而会得到满足条件的空调日电量求日平均作为标准值，将步骤2.7.2中的值除以步骤2.7.3中的值，得空调在1月份，日均温度<10℃，峰时间段的峰谷段-温度-月度负荷系数k，各月份、各日均温度、各峰谷段、各分项以此类推。
步骤3：准备构建预测模型的训练样本集和预测样本集；
从主站中获取小区中最近的一个月(30天)的细粒度数据以及查询到对应日期的天气温度，将这些数据划分为两个互斥的集合D，其中一个集合为训练集S(任意选取20天)，另一个作为测试集T(剩余10天)，即D＝S∪T,
在S上训练出模型后，用T来预测结果。
步骤4：将训练样本中各分项对应的日期，节假日工作日，温度，峰谷以及对应的各分项电量作为AdaBoost迭代算法的输入，训练模型，其中对应的各分项电量需进行影响因素分离处理；
参见附图2所示，AdaBoost算法是一种迭代算法，其核心思想就是针对同一个训练集训练不同的分类器(弱分类器)。首先从训练集用初始权重训练出一个弱分类器1，根据弱分类器的学习误差率表现来更新训练样本的权重，使得之前弱分类器1学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的弱分类器2中得到更多的重视。然后基于调整权重后的训练集来训练弱分类器2，如此重复进行，直到弱分类器数达到事先指定的数目n，最终将这n个弱分类器通过整合，得到最终的强分类器。
在步骤4中，对训练样本集进行影响因素分离处理，其处理方法为将每天的细粒度数据按照各大类划分，以及按照是否为工作日，节假日，峰谷，各温度段进行划分。将训练样本集中的各分项负荷数据根据是否为工作日和节假日，进行分开处理，如果是工作日训练样本集中的各分项负荷数据除以相应的各分项的峰谷-温度-月度负荷系数k，如果是节假日，训练样本集中的各分项负荷数据除以相应的各分项峰谷-温度-月度负荷系数k和温度段-节假日系数m、峰谷段-节假日系数n，得到的结果和对应的日期，是否为节假日，各温度，峰谷作为AdaBoost预测模型的输入；
使用训练样本进行训练，就可以得到训练后改进的AdaBoost预测模型。该模型是一个强分类器，输入对应的日期，节假日，工作日，温度，峰谷，分项类，即可预测满足上述条件的输出结果。
步骤5：将预测样本中各分项对应的日期，节假日工作日，温度，峰谷作为AdaBoost迭代算法的输入，得到输出结果；
步骤6：对输出结果进行影响因素加入处理，得到居民用户未来某一天的分项负荷数据。
图二为AdaBoost算法流程图。主要用来描述步骤4和步骤5
步骤6具体为：
6.1：判断预测日的日期类型，若为正常工作日进行步骤6.2，若为正常节假日则进行步骤6.3；
6.2：将步骤5中的得到的预测模型输出结果，乘以相应的各分项峰谷-温度-月度负荷系数k，可预测得到该日期下各分项的电量，预测结束；
6.3：将步骤5中的得到的预测模型输出结果，乘以相应的各分项峰谷-温度-月度负荷系数k和温度段-节假日系数m、峰谷段-节假日系数n，可预测得到该日期下各分项的电量，预测结束。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种居民用户细粒度用电行为的分项负荷预测方法，其特征在于，该预测方法包括以下步骤：
步骤1：获取居民用户细粒度的历史样本数据，对历史样本数据进行预处理得到用户的分项电量数据即分项负荷数据，所述分项电量数据是指每天各电器大类即分项负荷使用的电量，包括空调类电量、电热水器类电量、其它电热类电量、厨房电器类电量、正在训练类电量、微功率类电量；
步骤2：根据步骤1中的分项电量数据得到一个影响分项负荷的因素系数集，影响的因素包括工作日、节假日、温度、峰谷。
步骤3：构建预测模型的训练样本集和预测样本集；
选取某一设定时期内的分项电量数据以及所述分项电量数据对应日期的天气温度数据，将这些分项电量数据以及对应日期的天气温度数据划分为两个互斥的集合D，其中一个集合为训练集S，另一个作为测试集T，即D＝S∪T,
在S上训练出模型后，用T来预测结果；
步骤4：将训练样本中各分项电量数据及其对应的因素系数集作为AdaBoost迭代算法的输入，训练模型，其中对应的各分项电量数据需进行影响因素分离处理；
步骤5：将预测样本中各分项电量对应的日期，节假日工作日，温度，峰谷作为AdaBoost迭代算法的输入，得到输出结果；
步骤6：对输出结果进行影响因素加入处理，得到居民用户未来某一天的分项负荷数据。
2.根据权利要求1所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
在步骤1中，通过智能终端获取居民用户的细粒度用电行为，该终端将用户每天的分项电量数据上传至主站，通过主站来获取居民1年的细粒度分项电量数据。
3.根据权利要求2所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
所述对数据预处理指的清洗数据，即对在一天中缺失时段进行补充，对出现的异常数据进行删除。
4.根据权利要求3所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
细粒度历史样本数据指的是每天每个时段各电器大类用电量；其中，将一天划分为96个时段。
5.根据权利要求2或4所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
将预处理后的细粒度历史样本数据进行分类，分项数据包括空调类电量、电热水器电量、其他电热电量、厨房电器电量、正在训练电量、微功率电量；其中其他电热电量指的是除电热水器外其他的电热设备的电量，正在训练电量指的是目前尚未确定是何种电器的电量，微功率电量指的是电灯、电视、电脑等小功率的电器电量。
6.根据权利要求1或5所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
所述步骤2包括以下内容：
步骤2.1：将总的时间划分为工作日和非工作日，使用变量a表示，当a＝0表示工作日，a＝1表示节假日；
步骤2.2：将温度划分为不同的温度段；冬天的温度(<＝10℃)、春秋的温度(>10℃且<＝30℃)、夏天温度(>30℃)，使用变量b来表示，当b＝0时表示冬天的气温，b＝1时表示春秋的气温，当b＝2时表示夏天的气温；
步骤2.3：将一天的时间划分为峰谷段，峰时间段为8：00-22：00，谷时间段为23：00到次日8：00，使用变量c来表示，当c＝0表示峰时间段，c＝1时，表示谷时间段；
步骤2.4：将步骤1经过预处理的分项电量数据划分为工作日分项数据集和节假日分项数据集；
步骤2.5：对工作日分项数据集和节假日分项数据集中各分项电量数据按照不同的温度段进行分类，得到分项电量数据相应的温度段的节假日系数m，
计算各分项类即各分项负荷在a,b六种组合下，各自在一年内的电量平方求和，计算公式如下：
Mab(各分项类)＝∑a,bP2(i) (a＝0,1；b＝0,1,2)
其中，P(i)为每个温度段下，工作日节假日中第i个分项负荷电量，
然后计算各分项负荷对应a,b六种组合的均方根，具体公式如下：
上式中Pab(各分项类)表示每个温度段下，工作日节假日中各分项负荷的平均电量，s表示各电器大类中电器的个数；
计算各分项对应的温度-节假日系数，对应的公式如下:
mb(各分项类)＝Pb(休息日-各分项类)/Pb(工作日-各分项类)(b＝0,1,2)
mb(各分项类)指的是各分项类各温度段的节假日系数，Pb(休息日-各分项类)表示休息日各温度段的各分项类的平均日电量，Pb(工作日-各分项类)表示工作日各温度段的各分项类的平均日电量；
步骤2.6：对工作日分项数据集和节假日分项数据集中各分项电量数据按照不同峰谷段进行分类，可得到分项电量数据相应的峰谷段的节假日系数n；
计算各分项类即各分项负荷在a,c四种组合各自在一年内的电量平方求和，各分项类指的是空调，电热水器，其他电热，正在训练及微功率类具体公式如下：
Mac(各分项类)＝∑a,cQ2(i) (a＝0,1；c＝0,1)
上式中Q(i)为每个峰谷段，工作日节假日中第i个分项电量，然后计算其对应a,c四种组合的均方根，具体公式如下：
上式中Qac(各分项类)表示工作日节假日在峰谷中各分项类的平均负荷，s表示各分项中对应的峰谷，是否工作日数据的个数，例如当a＝0,c＝0时，分项类为空调时，Q表示在工作日峰时段空调的平均电量，其中s就是全年在工作日峰时段空调类的个数；
最后计算各分项对应的峰谷-节假日系数，对应的公式如下:
nc(各分项类)＝Qc(休息日-各分项类)/Qc(工作日-各分项类)(c＝0,1)
nc(各分项类)指的是各分项类峰谷段的节假日系数，Qc(休息日-各分项类)表示休息日峰谷段的各分项的平均日电量，Qc(工作日-各分项类)表示工作日峰谷的各分项类平均日电量；
步骤2.7：对工作日的各分项电量数据、温度数据、日期数据及日期对应的峰谷段，进行按月度归并，形成相应的分项负荷峰谷-温度-月度负荷系数k。
7.根据权利要求6所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
所述步骤2.7包括：
步骤2.7.1：将各分项负荷数据按照峰谷、日平均温度和月份分类；
步骤2.7.2：将月份、日平均温度、峰谷段、分项相同负荷数据归为一类并求取平均值；
步骤2.7.3：将每月的日平均温度为大于10℃且小于等于30℃的峰谷段各分项的负荷数据求和并取平均值作为标准值；
步骤2.7.4：将步骤2.7.2中所得数据均除以步骤2.7.3对应的峰谷段和各分项的标准值形成一个按月度归并的各分项负荷峰谷-温度-月度负荷系数集k。
8.根据权利要求1所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
在步骤3中，选取最近30天内的分项电量数据以及所述分项电量数据对应日期的天气温度数据，将这些分项电量数据以及对应日期的天气温度数据划分为两个互斥的集合D，任意选取20天的集合为训练集S，剩余10天的集合作为测试集T。
9.根据权利要求1所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
在步骤4中，对训练样本集进行影响因素分离处理，其处理方法为将每天的细粒度数据按照各大类划分，以及按照是否为工作日，节假日，峰谷，各温度段进行划分；将训练样本集中的各分项负荷数据根据是否为工作日和节假日，进行分开处理，如果是工作日，训练样本集中的各分项负荷数据除以相应的各分项的峰谷-温度-月度负荷系数k；如果是节假日，训练样本集中的各分项负荷数据除以相应的各分项峰谷-温度-月度负荷系数k和温度段-节假日系数m、峰谷段-节假日系数n；
将影响因素分离处理后的各分项电量数据和因素系数集作为AdaBoost预测模型的输入；
其中，因素系数集包括对应的日期，是否为节假日，各温度，峰谷；
使用训练样本进行训练，得到训练后改进的AdaBoost预测模型，所述AdaBoost预测模型是一个强分类器，输入对应的日期，节假日，工作日，温度，峰谷，分项类，输出为满足上述条件的分项负荷预测值。
10.根据权利要求1所述的居民用户细粒度用电行为的分项负荷预测方法，其特征在于：
所述步骤6包括：
步骤6.1：判断预测日的日期类型，若为正常工作日进行步骤6.2，若为正常节假日则进行步骤6.3；
步骤6.2：将步骤5中的得到的预测模型输出结果，乘以相应的各分项峰谷-温度-月度负荷系数k，可预测得到该日期下各分项电量，预测结束；
步骤6.3：将步骤5中的得到的预测模型输出结果，乘以相应的各分项峰谷-温度-月度负荷系数k和温度段-节假日系数m、峰谷段-节假日系数n，可预测得到该日期下各分项的电量，预测结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911031216.3A CN110782094B (zh) | 2019-10-28 | 2019-10-28 | 一种居民用户细粒度用电行为的分项负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911031216.3A CN110782094B (zh) | 2019-10-28 | 2019-10-28 | 一种居民用户细粒度用电行为的分项负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110782094A true CN110782094A (zh) | 2020-02-11 |
| CN110782094B CN110782094B (zh) | 2022-06-21 |
Family
ID=69386973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911031216.3A Active CN110782094B (zh) | 2019-10-28 | 2019-10-28 | 一种居民用户细粒度用电行为的分项负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782094B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011997A (zh) * | 2021-02-20 | 2021-06-22 | 上海电机学院 | 电网用户用电异常行为检测方法 |
| CN114418199A (zh) * | 2021-12-31 | 2022-04-29 | 新奥数能科技有限公司 | 电量预测方法及装置 |
| CN117057488A (zh) * | 2023-10-12 | 2023-11-14 | 江南大学附属医院 | 基于人工智能模型的放射医疗设备工作量预测方法及系统 |
| CN117495055A (zh) * | 2023-12-28 | 2024-02-02 | 国网辽宁省电力有限公司 | 基于综合能源集群协调智能配电装置及其方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
| CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
| CN109886567A (zh) * | 2019-01-31 | 2019-06-14 | 国电南瑞科技股份有限公司 | 一种考虑体感温度和辐射强度的短期负荷预测方法 |
| US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
| CN110245798A (zh) * | 2019-06-18 | 2019-09-17 | 天津安捷物联科技股份有限公司 | 一种写字楼电力系统月度用电量预测方法及系统 |
-
2019
- 2019-10-28 CN CN201911031216.3A patent/CN110782094B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
| CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
| US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
| CN109886567A (zh) * | 2019-01-31 | 2019-06-14 | 国电南瑞科技股份有限公司 | 一种考虑体感温度和辐射强度的短期负荷预测方法 |
| CN110245798A (zh) * | 2019-06-18 | 2019-09-17 | 天津安捷物联科技股份有限公司 | 一种写字楼电力系统月度用电量预测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 徐涛 等: "基于多维细粒度行为数据的居民用户画像方法研究", 《电力需求侧管理》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011997A (zh) * | 2021-02-20 | 2021-06-22 | 上海电机学院 | 电网用户用电异常行为检测方法 |
| CN114418199A (zh) * | 2021-12-31 | 2022-04-29 | 新奥数能科技有限公司 | 电量预测方法及装置 |
| CN117057488A (zh) * | 2023-10-12 | 2023-11-14 | 江南大学附属医院 | 基于人工智能模型的放射医疗设备工作量预测方法及系统 |
| CN117057488B (zh) * | 2023-10-12 | 2023-12-26 | 江南大学附属医院 | 基于人工智能模型的放射医疗设备工作量预测方法及系统 |
| CN117495055A (zh) * | 2023-12-28 | 2024-02-02 | 国网辽宁省电力有限公司 | 基于综合能源集群协调智能配电装置及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110782094B (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782094B (zh) | 一种居民用户细粒度用电行为的分项负荷预测方法 | |
| CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
| Kouzelis et al. | Estimation of residential heat pump consumption for flexibility market applications | |
| CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
| CN105117810A (zh) | 一种阶梯电价机制下居民用电中期负载预测方法 | |
| CN109886567B (zh) | 一种考虑体感温度和辐射强度的短期负荷预测方法 | |
| CN110033134A (zh) | 一种考虑气象因素的逐日分段短期负荷预测算法 | |
| CN110380444A (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
| Xiao et al. | Short-term power load interval forecasting based on nonparametric Bootstrap errors sampling | |
| Klingler et al. | Residential photovoltaic self-consumption: Identifying representative household groups based on a cluster analysis of hourly smart-meter data | |
| CN115660225A (zh) | 一种基于电表通信模块的用电负荷预测管理方法及系统 | |
| CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
| Zhu et al. | Stochastic economic dispatching strategy of the active distribution network based on comprehensive typical scenario set | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| CN115313361A (zh) | 一种规模化可调资源的联合优化控制方法和装置 | |
| Chicco et al. | Unveil the shape: data analytics for extracting knowledge from smart meters | |
| Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
| CN113708418A (zh) | 微电网优化调度方法 | |
| Huang et al. | Load forecasting based on deep long short-term memory with consideration of costing correlated factor | |
| CN110161856B (zh) | 一种商业楼宇空调负荷集中调度方法 | |
| CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
| Fujiwara et al. | Load forecasting method for Commercial facilities by determination of working time and considering weather information | |
| CN112508224B (zh) | 微电网多模型负荷预测自适应选择方法、系统及存储介质 | |
| Chen et al. | Data-driven residential customer aggregation based on seasonal behavioral patterns |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |