CN114742285B

CN114742285B - 一种居民电力消费模式预测模型的构建方法及其应用

Info

Publication number: CN114742285B
Application number: CN202210312610.XA
Authority: CN
Inventors: 肖江文; 方宏亮; 崔世常; 刘骁康; 王燕舞; 刘智伟
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2022-03-28
Filing date: 2022-03-28
Publication date: 2024-05-24
Anticipated expiration: 2042-03-28
Also published as: CN114742285A

Abstract

本发明属于电力负荷预测领域，具体涉及一种居民电力消费模式预测模型的构建方法及其应用，包括：采用平滑化聚类方法得到居民日负荷曲线对应的多种电力消费模式；构建混合加权Markov模型，作为居民i的电力消费模式预测模型，采用混合加权Markov模型对居民未来的电力消费模式进行预测，并采用多个预测器对负荷进行预测，根据混合加权Markov模型的电力消费模式预测结果进行加权组合，从而实现更准确、稳定的居民负荷预测，为需求响应等应用提供良好的数据支持和便利的分析基础。相比于单个预测器的居民负荷预测方法，本发明提出的居民负荷预测集成方法能够有效利用居民的多种模式信息，得到更准确、稳定的负荷预测结果。

Description

一种居民电力消费模式预测模型的构建方法及其应用

技术领域

本发明属于电力负荷预测领域，更具体地，涉及一种居民电力消费模式预测模型的构建方法及其应用。

背景技术

家庭需求响应能够将柔性高峰负荷转移到非高峰时段，从保护智能电网的运行并使家庭与电网公司获得经济收益。因此，高峰负荷与智能电网高峰时段相一致的居民是潜在的需求响应对象。为了找到适用于家庭需求响应的典型居民，短期居民负荷预测至关重要。

然而，居民的电力消费模式易变，使得预测居民的电力负荷非常困难。这些易变的电力消费模式是由内部因素和外部因素造成。内部因素包括家庭成员信息和工作时间表等，属于居民的隐私信息，一般很难获取。外部因素包括电价和气候因素等，需要被预测并可能会导致误差累积。因此，提前获取居民未来的模式信息对负荷预测颇有帮助，但是通过辨识与集成所有的影响因素，直接对居民模式进行建模几乎是不可能的。

历史智能电表数据暗含了居民的电力消费模式，因此，采用历史智能电表数据来预测居民的电力消费模式是一个可行的方法。获取居民电力消费模式的现有方法一般有两种。一种是，先对每个居民从日负荷曲线中提取出一个典型画像，再对不同居民的典型画像进行聚类，获得每个居民典型画像的模式信息。这类方法假定了每个居民属于单一模式，但由于一个居民的模式可能在多个电力消费模式之间切换，因此该假设不太符合实际情况。

另一种则采用了更合理的假设，即同一个居民每天的日负荷曲线可能属于不同模式。通过直接对日负荷曲线进行聚类，得到每条日负荷曲线的模式，将曲线模式定义为Markov模型中的状态并构建Markov模型的状态转移矩阵，对居民未来的用电模式进行预测。然而，采用所有居民状态数据构建的整体Markov模型，对某个特定居民的预测效果并不好。而部分居民未来可能出现新模式，采用单个居民状态数据构建的个体Markov模型则无法预测出这些个体居民历史数据中未出现的模式。

因此，急需一种准确稳定的居民电力消费模式预测方式。

发明内容

针对现有技术的缺陷和改进需求，本发明提供了一种居民电力消费模式预测模型的构建方法及其应用，其目的在于提供一种准确稳定的居民电力消费模式预测方式，以解决因单个居民的多种电力消费模式而给负荷预测带来困难的问题。

为实现上述目的，按照本发明的一个方面，提供了一种居民电力消费模式预测模型的构建方法，包括：

对居民的历史日负荷曲线进行平滑并聚类，定义居民日负荷曲线的电力消费模式，得到各居民的历史电力消费模式；

采用各居民的历史电力消费模式建立一个整体的Markov模型M₀，得到M₀对应的状态转移矩阵；同时，基于居民i的历史电力消费模式建立个体的Markov模型M_i，得到M_i对应的状态转移矩阵；

基于居民i第j天的电力消费模式，分别采用M₀对应的状态转移矩阵和M_i对应的状态转移矩阵，对第j+1天的电力消费模式进行预测，并将两者的预测结果进行加权平均，作为居民i的电力消费模式预测模型；

采用居民i的历史电力消费模式作为训练集，对所述预测模型的加权平均用权重进行迭代优化，完成居民i的电力消费模式预测模型的构建。

进一步，所述定义的方式为：对每位居民的每条历史日负荷曲线进行平滑化处理，并将平滑化后的所有历史日负荷曲线进行聚类，依据聚类有效性指标，调整所述平滑化处理中的平滑用参数以及聚类过程中的电力消费模式类别数量，最终确定每条历史日负荷曲线的电力消费模式；其中，所述平滑化处理的方式为：

式中，L_ij＝{l_ij,h,h∈H}，表示居民i第j天的原日负荷曲线，i∈I，j∈J，H＝{1,2,…,H}，H为一条日负荷曲线中采样负荷值的时刻数，I＝{1,2,…,I}是居民集合，J＝{1,2,…,J}是天的集合；m表示平滑项的数目，取奇数值；C表示一个基线常数，C取值为0或者日负荷曲线的最小值，即C∈{0,l^min}；p和q表示两个距离度量的系数，p决定原始值与基线常数之间的距离计算类型，q是一个放大系数，用于调整平滑化后负荷值的大小。

进一步，m∈{1,3,5,7}；p∈{1,2,3}；q的取值为

进一步，所述居民i的电力消费模式预测模型为：

其中，p_i,j+1表示居民i的电力消费模式预测模型对第j+1天的最终预测的电力消费模式概率分布，K表示电力消费模式总类别集合，表示居民i第j+1天的电力消费模式属于k类别的概率，/>表示M_i对应的状态转移矩阵预测居民i第j+1天的电力消费模式属于k类别的概率，/>表示M₀对应的状态转移矩阵预测居民i第j+1天的电力消费模式属于k类别的概率，w^i,k表示M_i对应的状态转移矩阵对应第k个电力消费模式的权重，其取值为通过迭代优化得到。

进一步，所述迭代优化的方式为：

根据所述居民i的电力消费模式预测模型对第j+1天最终预测的电力消费模式概率分布p_i,j+1相对居民i第j+1天的实际状态c_i,j+1的损失函数将损失函数E_i,j+1对w^i,k求导，并将对同一居民i不同电力消费模式对应的求导结果累加，作为w^i,k更新公式w^i,k：＝w^i,k-η*Δw^i,k中的梯度Δw^i,k，以更新w^i,k，迭代直至达到粗调终止条件，其中，：＝表示对w^i,k的一个更新，η表示更新步长；

将所述损失函数E_i,j+1对w^i,k求导，作为所述梯度Δw^i,k，以更新w^i,k，迭代直至达到精调终止条件，完成迭代优化，得到最终的居民i的电力消费模式预测模型中的权重取值。

进一步，所述损失函数

进一步，η＝1-w^i,k。

本发明还提供一种居民电力消费模式预测方法，包括：

采用如上所述的一种居民电力消费模式预测模型的构建方法所构建的居民i的电力消费模式预测模型，输入居民i当天的电力消费模式，得到居民i下一天的电力消费模式概率分布，完成电力消费模式预测。

本发明还提供一种居民日负荷数据预测方法，包括：

采用已训练的各电力消费模式所对应的负荷数据预测器，分别输入居民i当天的日负荷数据，得到居民i下一天的各电力消费模式对应的日负荷数据；

基于计算居民i下一天的日负荷数据；

其中，表示居民i下一天的电力消费模式属于电力消费模式k的概率，/>表示预测出的居民i下一天的电力消费模式k对应的日负荷数据；/>表示通过集成方法预测出的居民i下一天的电力消费模式k对应的日负荷数据。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种居民电力消费模式预测模型的构建方法、如上所述的一种居民电力消费模式预测方法和/或如上所述的一种居民日负荷数据预测方法。

总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

(1)本发明设计了一种平滑化聚类方法。其中采用了一种设计的尖峰平滑化方法和K-means算法，对居民日负荷曲线进行平滑化处理和聚类，得到居民每日的电力消费模式。假设同一个居民每天的日负荷曲线可能属于不同模式，更符合实际情况。

(2)本发明设计了一种加权混合Markov模型，对一个整体Markov模型和个体Markov进行加权平均。其中，为了获取合适的权重系数，本发明设计了一种两阶段随机梯度下降方法，粗调阶段主要用于保证权重更新的快速收敛，在精调阶段主要用于保证不同状态对应权重的优化取值。

(3)在负荷预测中，本发明采用了多个负荷预测器，例如长短时记忆神经网络，学习不同状态对应的子数据集，并对未来负荷进行预测。基于状态预测的预测结果，对多个预测器的预测结果进行加权组合，得到更准确、稳定的负荷预测结果。本发明训练出的负荷预测器，其能够适应多种电力消费模式，且具有更好的模型稳定性。

综上，本发明采用平滑化聚类方法得到居民日负荷曲线对应的多种状态，采用混合加权Markov模型对居民未来的状态进行预测，并采用多个预测器对负荷进行预测，根据混合加权Markov模型的状态预测结果进行加权组合，从而实现更准确、稳定的居民负荷预测，为需求响应等应用提供良好的数据支持和便利的分析基础。相比于单个预测器的居民负荷预测方法，本发明提出的居民负荷预测集成方法能够有效利用居民的多种模式信息，得到更准确、稳定的负荷预测结果。

附图说明

图1为本发明实施例提供的一种居民电力消费模式预测模型的构建方法流程框图；

图2为本发明实施例提供的一种电力消费模式状态定义示意图；

图3为本发明实施例提供的不同参数尖峰平滑化后曲线聚类的聚类有效性指标图；

图4为本发明实施例提供的不同聚类方法的聚类性指标对比图；

图5为本发明实施例提供的尖峰平滑化前后的对比图；

图6为本发明实施例提供的混合加权Markov模型示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例一

一种居民电力消费模式预测模型的构建方法10，如图1所示，包括：

110、对居民的历史日负荷曲线进行平滑并聚类，定义居民日负荷曲线的电力消费模式，得到多种电力消费模式；

120、采用各居民的历史电力消费模式建立一个整体的Markov模型M₀，得到M₀对应的状态转移矩阵；同时，基于居民i的历史电力消费模式建立个体的Markov模型M_i，得到M_i对应的状态转移矩阵；基于居民i第j天的电力消费模式，分别采用M₀对应的状态转移矩阵和M_i对应的状态转移矩阵，对第j+1天的电力消费模式进行预测，并将两者的预测结果进行加权平均，作为居民i的电力消费模式预测模型；

130、采用居民i的历史电力消费模式作为训练集，对上述预测模型的加权平均用权重进行迭代优化，完成居民i的电力消费模式预测模型的构建。

也就是，步骤110首先进行电力消费模式定义，即状态定义，得到居民日负荷曲线的多种状态。其次，步骤120构建每个居民的电力消费模式预测模型，即混合加权Markov模型，用于状态预测，最后，步骤130对混合加权Markov模型中的参数进行迭代优化。

优选的，在状态定义中，本实施例设计了一种平滑化聚类方法。其中采用了一种设计的尖峰平滑化方法和K-means算法，对居民日负荷曲线进行平滑化处理和聚类，得到居民每日的电力消费模式。假设同一个居民的日负荷曲线可能属于不同模式，更符合实际情况。

首先，需要采集居民的智能电表数据，按照居民、天进行分类，构成居民日负荷曲线。将居民i第j天的日负荷曲线记为L_ij＝{l_ij,h,h∈H}，i∈I，j∈J。其中H＝{1,2,…,H}。H为一条日负荷曲线中采样负荷值的时刻数。I＝{1,2,…,I}是居民集合。J＝{1,2,…,J}是天的集合。

其次，本实施例设计了一种平滑化聚类方法，对居民的日负荷曲线进行平滑化处理并聚类。其中平滑化处理中，本发明设计了一种尖峰平滑化方法，将平滑化的日负荷曲线记为其计算公式如下：

其中m表示平滑项的数目，会影响曲线的平滑程度。m越大，平滑的程度越高。但是过大的m不仅会消除日负荷曲线中的原有峰值特征，而且会增大计算量。为了保证某一时刻两侧的平滑项数相同，m需要取奇数值。C是一个基线常数。为了平滑化负荷曲线中的尖峰，基线可以选择0或者负荷曲线的最小值。p和q是两个距离度量的系数，也是本发明所设计的尖峰平滑化方法与现有方法的主要差异，取值根据聚类有效性指标确定。所设计的尖峰平滑化方法将原始值与基线常数之间的距离用于计算，而不是直接采用原始值。例如，p＝1表示采用的是曼哈顿距离，p＝2表示采用的是欧氏距离。q是一个放大系数，用于调整平滑化后负荷值的大小。一般来说，q的取值为

在聚类中，本实施例采用K-means聚类算法，对于平滑化的日负荷曲线进行聚类，得到K个簇。如图2所示，每个簇既是一种电力消费模式，也对应Markov模型中一种状态。因此，簇的数量K即是状态数。将状态集记为{S＝s_k,k∈K},其中K＝{1,2,…,K}是状态索引的集合。K-means的具体流程如下：

(1)随机产生K条日负荷曲线作为K个簇的初始聚类中心。

(2)计算每条日负荷曲线到聚类中心的距离，并将日负荷曲线分配到对应的簇。

(3)对每一个簇，计算簇中所有日负荷曲线的平均值，并将其作为新的聚类中心。

(4)若新的聚类中心与上一次的结果相比发生改变，返回步骤(2)；否则，结束算法。

优选的，采用了两个聚类有效性指标来选择尖峰平滑化方法中的参数值(m，C，p，q)和K-means算法中的K值，包含Davies-Bouldin指数(DBI)和the ratio of within-cluster sum of squares to between-cluster variation(WCBCR)。

其中K是聚类数。n_k是属于簇C_k的曲线数目，c_k为C_k的中心值，d(x,y)是对象x和y之间的距离。

DBI和WCBCR的值越小，则聚类的效果越好。另外，过大的聚类数会造成过拟合。因此，可以通过权衡两个聚类有效性指标和聚类数的大小，选择较优的尖峰平滑化方法的参数和K-means算法的K值。

考虑到计算量和平滑项的对称性，尖峰平滑化方法的参数选择范围为m∈{1,3,5,7}，C∈{0,l^min}，p∈{1,2,3}，如图3所示，不同参数的尖峰平滑化后，对应的曲线聚类的聚类有效性指标不同，权衡两个指标值以确定参数的具体取值，其中(3,0,2,1)表示m＝3,C＝0,p＝2,q＝1。如图3的左图所示，(3,0,3,2)对应DBI的最小值。然而在图3的右图中，(3,0,3,2)对应的WCBCR过大。图3的右图中，(3,0,2,1)对应WCBCR的最小值，并且在图3的左图中DBI的值也较小。因此，通过权衡两个聚类有效性指标，基于该日负荷曲线数据，m＝3,C＝0,p＝2,q＝1为一组较优的尖峰平滑化的参数。

日负荷曲线聚类的聚类数一般为K∈[3,15]且K为整数。以图4为例，实线为采用平滑化聚类方法对日负荷曲线进行聚类的聚类有效性指标。K＝6和K＝12对应DBI的局部最小值。在WCBCR中，K＝6对应的指标值较大，而K＝12对应的指标值更少，因此，可以选择K＝12作为聚类数。如图4所示，虚线为采用K-means算法对日负荷曲线进行聚类的聚类有效性指标。在两个指标下，平滑化聚类方法得到的结果都整体上小于K-means算法的结果，即实现了更好的聚类效果。

关于本实施例提出的平滑化聚类方法的优势，还可以通过以下示例进行说明：

在实际提取中，居民电力负荷高峰在不同天中可能存在小幅度时间偏差，并且这些时间差异可能会导致传统聚类方法将实际同种模式的日负荷曲线分到不同的簇中。如图5的左图所示，曲线A1、A2和B是三条日负荷曲线。从曲线形状可以看出，A1和A2形状相似，更可能属于同一种电力消费模式，而B应该属于另一种电力消费模式。然而基于欧式距离的聚类算法进行计算，由于||A1-A2||₂≥||A1-B||₂和||A1-A2||₂≥||A2-B||₂，无法得到所期望的聚类结果。因此，居民日负荷曲线中尖峰的小幅度时间偏差，会导致传统聚类算法的聚类效果不理想。如图5的右图所示，曲线和/>是三条尖峰平滑化后的日负荷曲线。基于欧式距离的聚类算法进行计算，可以得到||A1-A2||₂≤||A1-B||₂和||A1-A2||₂≤||A2-B||₂，即/>和/>属于同一种电力消费模式，B属于另一种电力消费模式，符合所期望的聚类结果。与图5的左图相比，平滑化后的居民日负荷曲线中尖峰的时间区间增大，其出现的时间偏差对聚类算法的影响减少，能够得到更准确、稳定的聚类结果。

也就是，本实施例优选方案还解决了日负荷曲线中高峰负荷的时移会导致传统聚类算法聚类效果差的问题。日负荷曲线的高峰负荷在不同天之间可能存在微小的时移，例如前一天高峰负荷出现在下午5点，而后一天负荷出现在下午5点半。该高峰负荷的时移较小，因而不会造成电力消费模式的改变。但由于现有电力系统中高级计量设施的精度较高，该时移会造成聚类时对应采样点位的距离增大，进而分为两种不同的电力消费模式。为解决该问题，本实施例优选方案采用了一种平滑化聚类方法，通过对日负荷曲线进行平滑，使高峰负荷所在的时间区间变大，减少高峰负荷时移带来的影响，使得采用聚类算法聚类时能获得更好的聚类效果。

优选的，本实施例还设计了一种混合加权Markov模型，用于状态预测。日负荷曲线L_ij属于一个具体的簇，即一种状态。将{c_i,1,c_i,2,…,c_i,t}作为居民i历史的状态序列，用作训练集,i∈I，I＝{1,2,…,I}是居民集合；将{c_i,t+1,c_i,t+2,…,c_i,J}作为居民i的未来状态序列，用作测试集，J＝{1,2,…,J}是天的集合。如图6所示，该混合加权Markov模型是由两类Markov模型组合而成，并有训练和预测两个阶段。其中，训练阶段包含两个步骤。

在第一步中，基于所有居民的历史状态数据建立一个整体的Markov模型M₀，并计算M₀对应的状态转移矩阵。同时，基于居民i的历史状态数据建立个体的Markov模型M_i，i∈I，并计算M_i对应的状态转移矩阵。

在第二步中，采用整体Markov模型M₀对应的状态转移矩阵和个体Markov模型M_i对应的状态转移矩阵来共同预测居民i的历史状态。Markov模型假设下一天的状态仅依赖于当天的状态。假设居民i第j天的状态满足c_i,j＝s_k∈S，状态集记为{S＝s_k,k∈K},其中K＝{1,2,…,K}，则M₀对应的状态转移矩阵预测下一天状态的概率分布为M_i对应的状态转移矩阵预测下一天状态的概率分布为/>一般而言，这两个概率分布不同，因此需要设置一个权重w^i,k来加权平均这两个概率分布得到最终状态预测的概率分布/>w^i,k表示模型M_i对应的状态转移矩阵第k个状态的权重。

优选的，为了决定w^i,k的值，本实施例设计了一种两阶段随机梯度下降法。将第t天之前的状态数据作为训练集，并将第t+1天之后的状态数据作为测试集。对于每个用户，采用模型在训练集上的性能来决定参数w^i,k，并采用在测试集上的结果评估混合加权Markov模型的性能。

对于i∈I,j∈J和j≤t，最终状态预测的概率分布的计算公式如下：

将实际状态定义为一个长度为K的one-hot向量(0,…,1,…,0)，由于一天的实际状态只有一个，所以只有一个元素为1。则误差E_i,j+1作为损失函数来确定状态预测误差，可计算如下：

权重更新公式如下：

w^i,k：＝w^i,k-η*Δw^i,k

其中：＝表示对w^i,k的一个更新，η表示更新步长。梯度Δw^i,k的计算分为两个阶段，粗调阶段和精调阶段。

在粗调阶段中，将不同状态的误差累加来加快收敛速度。在该过程中，重复遍历训练集，并随机跳过部分数据来避免过拟合。将遍历训练的次数定义为Epoch；将跳过数据的比率定义为StochasticFactor；将误差累积的阈值定义为ε。以上三个参数需要预先定义。在累加的误差小于预先设定的阈值ε或者已遍历次数达到Epoch后，进入精调阶段。粗调阶段的计算公式为：

在精调阶段中，不同状态的权重通过不同状态的误差来训练：

优选的，为了保证训练的收敛性，在该过程中可选择η＝1-w^i,k。一般而言，对于每个用户，个体Markov模型M_i比M₀的作用更大，因此在更新过程中w^i,k将逐渐增大，而η会逐渐变小。

实施例二

一种居民电力消费模式预测方法，包括：

采用如实施例一所述的一种居民电力消费模式预测模型的构建方法所构建的居民i的电力消费模式预测模型，输入居民i当天的电力消费模式，得到居民i下一天的电力消费模式概率分布，完成电力消费模式预测。相关技术方案同实施例一，在此不再赘述。

实施例三

一种居民日负荷数据预测方法，包括：

基于计算居民i下一天的日负荷数据；

也就是，为了解决上述提到的单个居民对应多种电力消费模式的问题。本实施例采用了集成方法的预测框架(其中将一种电力消费模式定义为一种状态)。具体涉及通过对居民日负荷曲线的聚类获取居民的状态信息，采用混合加权Markov模型学习历史的状态数据并预测居民未来的状态，采用多个预测器分别学习每个状态对应的历史负荷数据。最终根据状态预测结果，对多个预测器的负荷预测结果进行加权平均，得到最终的负荷值。该集成方法充分了考虑多种状态的差异性，相比于单一模型，预测器有针对性地学习某一种状态的数据能够获得更好的预测准确度。

本实施例是图6对应的预测阶段，在预测阶段，采用混合加权Markov模型预测未来的状态作为测试。根据上一个天的状态信息、状态转移矩阵以及组合权重，混合加权Markov模型可以实现对未来状态的预测。最后，将不同状态的日负荷数据分为不同的子数据集(不分居民)，并采用多个预测器，例如长短时记忆神经网络，对每个子数据集进行学习。即K个状态对应K个预测器。对居民i第j天的负荷，将第k个预测器的预测结果(负荷值)记为将状态预测的结果作为多个预测器集成的权重，则最终的负荷预测结果计算公式如下：

基于上述本发明所设计混合加权Markov模型及集成方法，可以实现对电力消费模式易变的居民负荷曲线的预测。

实施例四

一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如上所述的一种居民电力消费模式预测模型的构建方法、如上所述的一种居民电力消费模式预测方法和/或如上所述的一种居民日负荷数据预测方法。

总的来说，本方法首先进行状态定义，即对居民日负荷曲线进行聚类，得到居民日负荷曲线的多种状态；状态预测，即基于曲线的状态信息，训练加权混合Markov模型，并采用该模型对居民未来的状态进行预测；负荷预测，即采用不同状态的子数据集训练多个不同的预测器，并对居民未来的负荷进行预测，基于状态预测结果对多个预测器的结果进行加权，得到最终的负荷预测结果。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种居民电力消费模式预测模型的构建方法，其特征在于，包括：

采用居民i的历史电力消费模式作为训练集，对所述预测模型的加权平均用权重进行迭代优化，完成居民i的电力消费模式预测模型的构建；

其中，所述定义的方式为：对每位居民的每条历史日负荷曲线进行平滑化处理，并将平滑化后的所有历史日负荷曲线进行聚类，依据聚类有效性指标，调整所述平滑化处理中的平滑用参数以及聚类过程中的电力消费模式类别数量，最终确定每条历史日负荷曲线的电力消费模式；其中，所述平滑化处理的方式为：

式中，L_ij＝{l_ij，h，h∈H}，表示居民i第j天的原日负荷曲线，i∈I，j∈J，H＝{1，2，...，H}，H为一条日负荷曲线中采样负荷值的时刻数，I＝{1，2，...，I}是居民集合，J＝{1，2，...，J}是天的集合，I表示居民数，J表示天数；m表示平滑项的数目，取奇数值；C表示一个基线常数，C取值为0或者日负荷曲线的最小值，即C∈{0，l^min}；p和q表示两个距离度量的系数，p决定原始值与基线常数之间的距离计算类型，q是一个放大系数，用于调整平滑化后负荷值的大小；

所述居民i的电力消费模式预测模型为：

其中，p_i，j+1表示居民i的电力消费模式预测模型对第j+1天的最终预测的电力消费模式概率分布，K表示电力消费模式总类别集合，表示居民i第j+1天的电力消费模式属于k类别的概率，/>表示M_i对应的状态转移矩阵预测居民i第j+1天的电力消费模式属于k类别的概率，/>表示M₀对应的状态转移矩阵预测居民i第j+1天的电力消费模式属于k类别的概率，w^i，k表示M_i对应的状态转移矩阵对应第k个电力消费模式的权重，其取值为通过迭代优化得到。

2.根据权利要求1所述的构建方法，其特征在于，m∈{1，3，5，7}；p∈{1，2，3}；q的取值为

3.根据权利要求1所述的构建方法，其特征在于，所述迭代优化的方式为：

根据所述居民i的电力消费模式预测模型对第j+1天最终预测的电力消费模式概率分布p_i，j+1相对居民i第j+1天的实际状态c_i，j+1的损失函数将损失函数E_i，j+1对w^i，k求导，并将对同一居民i不同电力消费模式对应的求导结果累加，作为w^i，k更新公式w^i，k：＝w^i，k-η*Δw^i，k中的梯度Δw^i，k，以更新w^i，k，迭代直至达到粗调终止条件，其中，：＝表示对w^i，k的一个更新，η表示更新步长；

将所述损失函数E_i，j+1对w^i，k求导，作为所述梯度Δw^i，k，以更新w^i，k，迭代直至达到精调终止条件，完成迭代优化，得到最终的居民i的电力消费模式预测模型中的权重取值。

4.根据权利要求3所述的构建方法，其特征在于，所述损失函数

5.根据权利要求3所述的构建方法，其特征在于，η＝1-w^i，k。

6.一种居民电力消费模式预测方法，其特征在于，包括：

采用如权利要求1至5任一项所述的一种居民电力消费模式预测模型的构建方法所构建的居民i的电力消费模式预测模型，输入居民i当天的电力消费模式，得到居民i下一天的电力消费模式概率分布，完成电力消费模式预测。

7.一种居民日负荷数据预测方法，其特征在于，包括：

基于计算居民i下一天的日负荷数据；

其中，表示基于如权利要求6所述的一种居民电力消费模式预测方法所预测得到的居民i下一天的电力消费模式属于电力消费模式k的概率，/>表示预测出的居民i下一天的电力消费模式k对应的日负荷数据；/>表示预测出的居民i下一天的日负荷数据。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行如权利要求1至5任一项所述的一种居民电力消费模式预测模型的构建方法、如权利要求6所述的一种居民电力消费模式预测方法和/或如权利要求7所述的一种居民日负荷数据预测方法。