CN111598357A - 基于容量利用小时数和高斯分布的月度用电量预测方法 - Google Patents

Abstract

本发明公开了一种基于容量利用小时数和高斯分布的月度用电量预测方法，先计算出每个电力用户历史各月份的变压器容量利用小时数，推算出历史各月份的变压器容量利用小时数均值；然后，采用直方图统计方法，得到不同统计区间内变压器容量利用小时数均值出现的次数；接着，通过高斯分布获得典型样本点，并以典型样本点构建行业典型容量利用小时数曲线；最后，根据典型容量利用小时数曲线和需预测用户的变压器总容量预测行业月度用电量。本发明用电容量利用小时数，经过严密的直方图统计和高斯分布计算，得到容量利用小时数典型曲线，从本质上挖掘最能体现用电水平的数据，提高预测准确率。

Description

基于容量利用小时数和高斯分布的月度用电量预测方法

技术领域

本发明涉及一种基于容量利用小时数和高斯分布的月度用电量预测方法，属于月度用电量预测技术领域。

背景技术

我国经济进入新常态，产业结构转移对电量预测提出新的要求，很大程度上加大了电量预测的难度。常规的基于自然增长率式的分析预测已经无法适应时代发展的要求，迫切要求探寻新的预测机制，更加科学地预测月度用电量。

经典的月度电量预测方法包括产值单耗法、电力消费弹性系数法、负荷密度法、增长率法、人均电量法等；传统的月度电量预测方法包括时间序列法、趋势外推法、回归分析法、灰色预测法等；新兴电量预测方法包括专家系统法、神经网络法、支持向量机法、模糊预测法等。但这些方法大都是仅仅基于用电量本身，或者综合考虑其他外部影响因素的预测思路进行预测，精准度差。因此，急需一种更直观、准确度更高的预测方法。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于容量利用小时数和高斯分布的月度用电量预测方法，其能够从本质上实现更加精准的预测。

为了实现上述目的，本发明采用如下技术方案：一种基于容量利用小时数和高斯分布的月度用电量预测方法，整个预测方法以电力用户变压器容量和历史年份月度用电量为基础，首先，计算出每个电力用户历史各月份的变压器容量利用小时数，推算出历史各月份的变压器容量利用小时数均值；然后，采用直方图统计方法，得到不同统计区间内变压器容量利用小时数均值出现的次数；接着，通过高斯分布获得典型样本点，并以典型样本点构建行业典型容量利用小时数曲线；最后，根据典型容量利用小时数曲线和需预测用户的变压器总容量预测行业月度用电量。

记某行业的n家用户变压器容量C_N，N＝1,2,...,n；n家用户历史m年月度用电数据

i＝1,2,3,...,12；N＝1,2,...,n；；M＝1,2，...，m；整个预测方法包括如下步骤：

步骤一、计算每个用户历史每月变压器容量利用小时数

其中，D_i是指第i月的天数；

步骤二、求历史m年第i月变压器容量利用小时数均值

步骤三、通过直方图统计得到不同区间内变压器容量利用小时数均值出现的次数：设置组距为

组数为k，可以得到每个区间内变压器容量利用小时数均值出现的次数，记为：

NUM_i＝{[a_k，b_k]}，

其中，a_k为第k组组距的中心值，b_k为变压器容量利用小时数均值在第k组出现的次数；

步骤四、基于高斯分布求典型样本点：采用暴力搜索的方法，即在标准差和均值的可取值范围内，取标准差步长为0.01，均值步长为0.01，寻找使得

取得最小值的(σ，μ)，此时得到的μ即为第i月的典型样本点，

其中，

e指的是纳皮尔常数，

步骤五、获取行业典型月度容量利用小时数曲线：利用步骤四的方法，依次计算1至12月的典型样本点，将12个点连接起来，即得到行业典型月度容量利用小时数曲线；

步骤六、行业月度用电量预测：行业月度用电量＝用户变压器容量总和*典型样本点。

任何电力用户的用电必须基于一定的容量，即变压器容量是制约电力用户用电需求的重要因素。容量利用小时数作为衡量变压器利用率的重要指标，能够直观地反映电力用户的用电情况。一般情况下，某个行业受到市场环境、政策要求等因素的影响，行业内各电力用户用电会呈现出相似的规律。此时，各电力用户的容量利用小时数也会以某个值为中心，并围绕这个中心呈现一定的浮动性。因此，基于容量利用小时数开展行业电量预测能够从本质上实现更加精准的预测。

与现有技术相比，本发明突破传统的仅仅基于用电量本身，或者综合考虑其他外部影响因素的预测思路，立足于电力用户用电的内部因素，即用电容量利用小时数，经过严密的直方图统计和高斯分布计算，得到容量利用小时数典型曲线，从本质上挖掘最能体现用电水平的数据，提高预测准确率。

附图说明

图1为本发明的原理示意图；

图2为本发明纺织行业1月的典型样本点曲线；

图3为本发明纺织行业2月的典型样本点曲线；

图4为本发明纺织行业3月的典型样本点曲线；

图5为本发明纺织行业4月的典型样本点曲线；

图6为本发明纺织行业5月的典型样本点曲线；

图7为本发明纺织行业6月的典型样本点曲线；

图8为本发明纺织行业7月的典型样本点曲线；

图9为本发明纺织行业8月的典型样本点曲线；

图10为本发明纺织行业9月的典型样本点曲线；

图11为本发明纺织行业10月的典型样本点曲线；

图12为本发明纺织行业11月的典型样本点曲线；

图13为本发明纺织行业12月的典型样本点曲线；

图14为本发明行业典型月度容量利用小时数曲线。

具体实施方式

下面结合附图对本发明实施中的技术方案进行清楚，完整的描述，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，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，本发明提供的一种基于容量利用小时数和高斯分布的月度用电量预测方法，整个预测方法以电力用户变压器容量和历史年份月度用电量为基础，首先，计算出每个电力用户历史各月份的变压器容量利用小时数，推算出历史各月份的变压器容量利用小时数均值；然后，采用直方图统计方法，得到不同统计区间内变压器容量利用小时数均值出现的次数；接着，通过高斯分布获得典型样本点，并以典型样本点构建行业典型容量利用小时数曲线；最后，根据典型容量利用小时数曲线和需预测用户的变压器总容量预测行业月度用电量。

记某行业的n家用户变压器容量C_N，N＝1,2,...,n；n家用户历史m年月度用电数据

i＝1,2,3,...,12；N＝1,2,...,n；；M＝1,2，...，m；整个预测方法包括如下步骤：

步骤一、计算每个用户历史每月变压器容量利用小时数

其中，D_i是指第i月的天数；

步骤二、求历史m年第i月变压器容量利用小时数均值

步骤三、通过直方图统计得到不同区间内变压器容量利用小时数均值出现的次数：设置组距为

组数为k，可以得到每个区间内变压器容量利用小时数均值出现的次数，记为：

NUM_i＝{[a_k，b_k]}，

其中，a_k为第k组组距的中心值，b_k为变压器容量利用小时数均值在第k组出现的次数；

步骤四、基于高斯分布求典型样本点：采用暴力搜索的方法，即在标准差和均值的可取值范围内，取标准差步长为0.01，均值步长为0.01，寻找使得

取得最小值的(σ，μ)，此时得到的μ即为第i月的典型样本点，

其中，

e指的是纳皮尔常数，

步骤五、获取行业典型月度容量利用小时数曲线：利用步骤四的方法，依次计算1至12月的典型样本点，将12个点连接起来，即得到行业典型月度容量利用小时数曲线；

步骤六、行业月度用电量预测：行业月度用电量＝用户变压器容量总和*典型样本点。

实施例：

选取50个纺织行业电力用户2016-2018年的月度用电数据和变压器容量，50个纺织行业电力用户的变压器容量C_N如表1所示，50个纺织行业电力用户016-2018年历史3年的月度用电数据

分别如表2至表4所示；

表1 50个纺织行业电力用户的变压器容量

表2 50个纺织行业电力用户2016年的月度用电数据

表3 50个纺织行业电力用户2017年的月度用电数据

表4 50个纺织行业电力用户2018年的月度用电数据

采用本发明所述方法进行处理，考虑到计算量，将利用Matlab软件进行数据的处理，基于Matlab变成进行典型样本点的计算，具体的代码如下：

Matlab代码：

其中，resMat(i-1,:)＝mean(a/datacell{i,2}./mth/24,2)；％计算系数--对应的是本发明的步骤一、步骤二；pd＝histfit(resMat(:,i))；％画图--对应的是本发明的步骤三；pd＝fitdist(resMat(:,i)，’Normal’)；％计算均值和标准差--对应的是本发明的步骤四，步骤3和步骤4用的都是Matlab自带的函数。

基于原始数据和Matlab代码，可计算得到纺织行业1-12月的典型样本点，即图2至图13中的std，纺织行业1-12月的典型样本点具体数值见表5，绘制的行业典型月度容量利用小时数曲线如图14所示。

表5纺织行业1-12月典型样本点

已知某地区纺织行业所有电力用户的变压器容量总和为309479千伏安，结合求得的1-12月典型样本点，可预测该地区纺织行业2019年月度用电量数据，如表6所示：

表6纺织行业2019年1-12月月度用电量预测数据(千瓦时)

月份	用电量
		1月	22276443
2月	20029600
		3月	23533629
4月	24603696
		5月	22989398
6月	24084174
		7月	25035572
8月	25951603
		9月	24292472
10月	22873556
		11月	23095421
12月	22465938

利用现有常用指数平滑法进行预测。

选取某地区纺织行业全部222家电力用户2016-2018年逐月月度用电量，进行一次、二次指数平滑，而后将222家月度指数平滑结果加和，得到222家1-12月月度用电量预测值，如表7所示。

表7纺织行业2019年1-12月月度用电量预测数据(千瓦时)

对比表6和表7，并将其与2019年实际用电量进行对比，两种预测方法偏差率对比结果如表8所示：

表8两种预测方法的偏差率

月份	本发明预测方法	指数平滑法	2019年实际用电量(千瓦时)
				1月	-1.4％	5.4％	22596745
2月	0.7％	7.6％	19894890
				3月	-3.4％	3.3％	24351725
4月	-1.6％	5.2％	25008971
				5月	-2.1％	4.7％	23476801
6月	-1.1％	5.7％	24359803
				7月	-2.5％	4.2％	25689541
8月	-2.9％	3.8％	26734098
				9月	-3.2％	3.5％	25098762
10月	1.9％	8.9％	22456095
				11月	-2.5％	4.3％	23677443
12月	5.2％	12.5％	21345667

可以看出，本发明的预测方法明显优于常规的指数平滑法预测。

综上所述，本发明突破传统的仅仅基于用电量本身，或者综合考虑其他外部影响因素的预测思路，立足于电力用户用电的内部因素，即用电容量利用小时数，经过严密的直方图统计和高斯分布计算，得到容量利用小时数典型曲线，从本质上挖掘最能体现用电水平的数据，提高预测准确率。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (2)

1.一种基于容量利用小时数和高斯分布的月度用电量预测方法，其特征在于，整个预测方法以电力用户变压器容量和历史年份月度用电量为基础，首先，计算出每个电力用户历史各月份的变压器容量利用小时数，推算出历史各月份的变压器容量利用小时数均值；然后，采用直方图统计方法，得到不同统计区间内变压器容量利用小时数均值出现的次数；接着，通过高斯分布获得典型样本点，并以典型样本点构建行业典型容量利用小时数曲线；最后，根据典型容量利用小时数曲线和需预测用户的变压器总容量预测行业月度用电量。

2.根据权利要求1所述的一种基于容量利用小时数和高斯分布的月度用电量预测方法，其特征在于，记n家用户变压器容量C_N，N＝1,2,...,n；n家用户历史m年月度用电数据

i＝1,2,3,...,12；N＝1,2,...,n；；M＝1,2，...，m；整个预测方法包括如下步骤：

步骤一、计算每个用户历史每月变压器容量利用小时数

其中，D_i是指第i月的天数；

步骤二、求历史m年第i月变压器容量利用小时数均值

步骤三、通过直方图统计得到不同区间内变压器容量利用小时数均值出现的次数：设置组距为

组数为k，可以得到每个区间内变压器容量利用小时数均值出现的次数，记为：

NUM_i＝{[a_k，b_k]}，

其中，a_k为第k组组距的中心值，b_k为变压器容量利用小时数均值在第k组出现的次数；

步骤四、基于高斯分布求典型样本点：采用暴力搜索的方法，即在标准差和均值的可取值范围内，取标准差步长为0.01，均值步长为0.01，寻找使得

取得最小值的(σ，μ)，此时得到的μ即为第i月的典型样本点，

其中，

μ∈[0,1]，

e指的是纳皮尔常数，

步骤五、获取行业典型月度容量利用小时数曲线：利用步骤四的方法，依次计算1至12月的典型样本点，将12个点连接起来，即得到行业典型月度容量利用小时数曲线；

步骤六、行业月度用电量预测：行业月度用电量＝用户变压器容量总和*典型样本点。

Images