一種階梯電價(jià)機(jī)制下居民用電中期負(fù)載預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及負(fù)載預(yù)測與數(shù)據(jù)挖掘領(lǐng)域，更具體地說，涉及一種階梯電價(jià)機(jī)制下居 民用電中期負(fù)載預(yù)測方法。
【背景技術(shù)】
[0002] 居民階梯電價(jià)自實(shí)施以來，已取得了初步的成效，并在一定程度上增強(qiáng)了居民的 節(jié)能意識，改變了一些不良的用電習(xí)慣。在傳統(tǒng)的單一低價(jià)的電力價(jià)格制度下，不同特征的 用戶群之間的用電行為（而非用電量）差異并不明顯。
[0003] 然而，在新的階梯電價(jià)制度下，不同特征的（如收入、家庭結(jié)構(gòu)、生活習(xí)慣等）用戶 群對階梯電價(jià)將產(chǎn)生不同的響應(yīng)，這所引起的用電行為差異將逐步凸顯出來。這也使得階 梯電價(jià)下的負(fù)載預(yù)測變得更加復(fù)雜。精確的負(fù)載預(yù)測不僅能保證電網(wǎng)系統(tǒng)安全穩(wěn)定地運(yùn) 行，同時(shí)還能降低電力運(yùn)營成本，提高經(jīng)濟(jì)效益和社會效益。
[0004] 負(fù)載預(yù)測按照時(shí)間范疇可分為短期、中期與長期。短期一般指未來幾小時(shí)、一天到 幾天的預(yù)測，中期則是指未來數(shù)周、數(shù)月的預(yù)測，而長期預(yù)測則是對未來數(shù)年、甚至更長時(shí) 間的預(yù)測。相較于短期預(yù)測而言，中長期負(fù)載時(shí)間跨度較長，需要的基礎(chǔ)數(shù)據(jù)量較大，并且 容易受多種因素的干擾，預(yù)測誤差累積而變得不可靠。
[0005] 階梯電價(jià)的科學(xué)理論基礎(chǔ)是通過市場細(xì)分的方法區(qū)分出不同特征用戶群，針對不 同用戶群采用不同電價(jià)機(jī)制，以提高資源配置效率。我國尚處于全面實(shí)行階梯電價(jià)的初步 階段，對我國階梯電價(jià)下用電消費(fèi)行為分析方面的研究還比較稀少，在理論和實(shí)踐上均存 在較大的研究空白。
[0006] 自八十年代中期以來，國內(nèi)外學(xué)者開展了大量以各種電力負(fù)載預(yù)測模型和方法為 主體的電力負(fù)載預(yù)測研究。但絕大多數(shù)為單一負(fù)載預(yù)測模型，主要包括回歸分析、時(shí)間序 列、神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)等模型。單一負(fù)載預(yù)測模型通過分析影響區(qū)域用電量的關(guān)鍵因 素，捕獲變量間的相關(guān)關(guān)系，并以此構(gòu)建出模型進(jìn)行預(yù)測。然而，幾乎所有的單一負(fù)載預(yù)測 模型只是將用戶的用電量進(jìn)行簡單加總，以區(qū)域用電總量為目標(biāo)建立該區(qū)域的平均行為模 型，而忽略了不同類型用戶用電行為的特征性。
[0007] 現(xiàn)有研究中，用戶細(xì)分方法一般都是基于家庭收入、用電量等單一變量，把用戶群 簡單分為高、中、低收入的用戶群。同時(shí)，需要事先確定用戶群的數(shù)目。比如根據(jù)家庭年人 均收入將居民家庭人為分成四類；以用戶月均用電量為唯一指標(biāo)，依據(jù)月均用電量鄰域內(nèi) 的戶數(shù)密度將居民用戶初步分為低、中、高收入三類用戶。然而，用戶每月用電情況并非是 一成不變的，而往往是隨著氣溫、季節(jié)的變化而變化。近期不少研究已經(jīng)指出影響電力消費(fèi) 的因素紛繁復(fù)雜，更為豐富的影響變量需要在用戶細(xì)分中考慮，如通過年度用電總量、平均 電價(jià)、用電增長率、變異系數(shù)、負(fù)載率、付費(fèi)率等細(xì)分變量對電力行業(yè)客戶進(jìn)行了細(xì)分。但 是，現(xiàn)有研究中還未把階梯電價(jià)相關(guān)變量加入到用戶細(xì)分中。另一方面，國內(nèi)外關(guān)于電力負(fù) 荷預(yù)測的研究已經(jīng)非常多了，以往研究總是將某個(gè)區(qū)域內(nèi)用戶的用電總量作為目標(biāo)進(jìn)行預(yù) 測。傳統(tǒng)的總量預(yù)測建立的是用戶的平均行為模型，這類模型無法揭示各個(gè)顧客群體的不 同行為，同時(shí)忽略了不同類型用戶用電行為的差異性。因此，高效準(zhǔn)確的用戶類別并且捕捉 各類用戶用電行為規(guī)律是在階梯電價(jià)機(jī)制下智能電網(wǎng)規(guī)劃急需改進(jìn)的兩個(gè)重要方面。
[0008] 傳統(tǒng)的負(fù)載預(yù)測都是根據(jù)總量的歷史數(shù)據(jù)來進(jìn)行負(fù)載預(yù)測，近年來，隨著智能電 表的普及，現(xiàn)行的居民實(shí)時(shí)用采系統(tǒng)可以方便快捷地捕捉階梯電價(jià)下的更豐富和精細(xì)的居 民實(shí)時(shí)用電數(shù)據(jù)，這為識別不同類型用戶的用電特征提供了強(qiáng)有力的數(shù)據(jù)支持。
[0009] 目前，常見的組合負(fù)載預(yù)測模式是對同一輸入輸出數(shù)據(jù)集建立多個(gè)不同的預(yù)測模 型，然后將預(yù)測結(jié)果組合起來，或按適當(dāng)?shù)臋?quán)重進(jìn)行加權(quán)平均，或者采用更復(fù)雜的非線性組 合模型，最后選擇擬合度最佳或標(biāo)準(zhǔn)離差最小的組合模型。

【發(fā)明內(nèi)容】

[0010] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種能夠精確地對中長期負(fù)載進(jìn)行 預(yù)測的階梯電價(jià)機(jī)制下居民用電中期負(fù)載預(yù)測方法。
[0011] 本發(fā)明的技術(shù)方案如下：
[0012] -種階梯電價(jià)機(jī)制下居民用電中期負(fù)載預(yù)測方法，首先，采集居民用電數(shù)據(jù)，提取 出階梯電價(jià)機(jī)制下居民用電行為的屬性特征，通過聚類分析識別出階梯電價(jià)機(jī)制下居民不 同的用電行為特征，將具有相同或相似的用電行為特征的用戶歸聚為同一用戶類別；
[0013] 然后，針對每個(gè)用戶類別分別建立起對應(yīng)的負(fù)載預(yù)測模型，并進(jìn)行預(yù)測；
[0014] 最后，匯總各個(gè)用戶類別的預(yù)測結(jié)果。
[0015] 作為優(yōu)選，先把居民用電數(shù)據(jù)按不同的用電行為特征分成若干個(gè)類，得到一組若 干個(gè)具有不同輸入輸出的數(shù)據(jù)集，然后對每個(gè)數(shù)據(jù)集建立起相應(yīng)的負(fù)載預(yù)測模型。
[0016] 作為優(yōu)選，采集居民用電數(shù)據(jù)后，進(jìn)行如下操作：
[0017] 1)數(shù)據(jù)預(yù)處理：獲取各用戶當(dāng)日用電量；
[0018] 2)缺失值處理：如果缺失某日用電量，則通過計(jì)算用電缺失時(shí)間段前后一天的累 計(jì)電量之差，并按照缺失的天數(shù)進(jìn)行平均，作為缺失的某日用電量；
[0019] 3)異常值處理：對超出設(shè)定的指標(biāo)閾值范圍的當(dāng)日用電量進(jìn)行過濾。
[0020] 作為優(yōu)選，進(jìn)行預(yù)測時(shí)，首先要識別待預(yù)測的用戶所歸的用戶類別，然后選擇對應(yīng) 的負(fù)載預(yù)測模型進(jìn)行負(fù)載預(yù)測，最后，匯總單個(gè)預(yù)測結(jié)果，得到最終總體預(yù)測結(jié)果。
[0021] 作為優(yōu)選，提取居民用電行為的屬性特征包括聚類屬性選擇、預(yù)測輸入變量提取； 聚類屬性包括各用戶日均用電量、第二階梯比例、第三階梯比例與高溫敏感性；預(yù)測輸入變 量包括過去七天的用電量、當(dāng)天的溫度。
[0022] 作為優(yōu)選，日均用電量=總用電量/采樣總天數(shù)；
[0023] 第二階梯比例=到達(dá)第二階梯月份數(shù)/總月份數(shù)；
[0024] 第三階梯比例=到達(dá)第三階梯月份數(shù)/總月份數(shù)；
[0025] 高溫敏感性=高溫日平均用電量/日均用電量。
[0026] 作為優(yōu)選，聚類分析通過模糊C值均值聚類算法實(shí)現(xiàn)，用戶的每個(gè)屬性特征隸屬 于一個(gè)或多個(gè)用戶類別，以隸屬度表示其歸屬于不同用戶類別的程度。
[0027] 作為優(yōu)選，負(fù)載預(yù)測模型基于自組織模糊神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、橢球基函數(shù) 層、標(biāo)準(zhǔn)化層、加權(quán)平均層、輸出層。
[0028] 作為優(yōu)選，自組織模糊神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括參數(shù)學(xué)習(xí)、結(jié)構(gòu)學(xué)習(xí)；
[0029] 參數(shù)學(xué)習(xí)通過在線遞推最小二乘算法使得網(wǎng)絡(luò)快速收斂；
[0030] 結(jié)構(gòu)學(xué)習(xí)通過自動地增加、修改或刪減橢球基函數(shù)層中的神經(jīng)元的自組織，查找 并選擇神經(jīng)網(wǎng)絡(luò)規(guī)模。
[0031] 作為優(yōu)選，結(jié)構(gòu)學(xué)習(xí)包括如下操作：
[0032] 1)增加神經(jīng)元；
[0033] 2)修剪神經(jīng)元；
[0034] 3)合并橢球基函數(shù)層中的隸屬度函數(shù)與模糊規(guī)則。
[0035] 本發(fā)明的有益效果如下：
[0036] 本發(fā)明所述的方法，從模型機(jī)理上看，與傳統(tǒng)的總量負(fù)載預(yù)測模型是不同的；創(chuàng)新 性地將階梯電價(jià)相關(guān)的指標(biāo)引入聚類模型中；利用智能電表所提供的更精確，更全面的數(shù) 據(jù)，更好地進(jìn)行中期負(fù)載預(yù)測。同時(shí)，相比傳統(tǒng)的每15分鐘數(shù)據(jù)采集，在保證精度要求的前 提下，本方法利用較少的數(shù)據(jù)采樣點(diǎn)（每日數(shù)據(jù)）進(jìn)行中期預(yù)測。然而，精確的中長期負(fù)載， 有助于進(jìn)一步為科學(xué)合理地開展智能配電網(wǎng)規(guī)劃建設(shè)提供一系列決策支持，是實(shí)現(xiàn)智能電 網(wǎng)的一個(gè)重要模塊。
[0037] 本發(fā)明所述的方法以聚類分析與負(fù)載預(yù)測算法為核心，提出一種分類負(fù)載預(yù)測模 型，組合結(jié)合了模糊C均值聚類（FCM)與自組織模糊神經(jīng)網(wǎng)絡(luò)（SOFNN)等方法，不僅能捕 捉階梯電價(jià)機(jī)制下用戶用電行為的不同特征性，而且對于總體的中期負(fù)載預(yù)測精度有所提 高。準(zhǔn)確的中期負(fù)載預(yù)測。
[0038] 本發(fā)明所提出的分類負(fù)載預(yù)測模型和傳統(tǒng)的組合預(yù)測不同之處，在于（1)分類負(fù) 載預(yù)測模型中，每一個(gè)子模型都是預(yù)測一類負(fù)載，但所預(yù)測的輸入輸出都是不同的；（2)對 各個(gè)子模型的預(yù)測結(jié)果只是做了匯總，并沒有組合預(yù)測模型中線性加權(quán)或者非線性組合的 建模過程；（3)分類負(fù)載預(yù)測模型可以方便地獲得兩類輸出，除了傳統(tǒng)的總量預(yù)測結(jié)果外， 還可以獲得各個(gè)用電類別的預(yù)測結(jié)果，但組合預(yù)測模型只能獲得總量預(yù)測結(jié)果。
【附圖說明】
[0039] 圖1是本發(fā)明的原理流程圖（包括負(fù)載預(yù)測模型的框架）；
[0040] 圖2是自組織模糊神經(jīng)網(wǎng)絡(luò)的基本框架；
[0041] 圖3是不同類別的SSE和MIA指標(biāo)測試結(jié)果對比圖；
[0042] 圖4是聚類后的居民用電量曲線簇；
[0043] 圖5是測試集預(yù)測結(jié)果比較圖。
【具體實(shí)施方式】
[0044] 以下結(jié)合附圖及實(shí)施例對本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)說明。
[0045] 本發(fā)明一種階梯電價(jià)機(jī)制下居民用電中期負(fù)載預(yù)測方