一种基于典型日负荷特性的电力负荷预测方法

摘要

本发明公开了一种基于典型日负荷特性的电力负荷预测方法，包括：采集设定区域设定行业内各用户的电力负荷数据，并对数据进行预处理；得到各用户的典型日负荷曲线以及行业整体负荷曲线；分别求取各用户典型日负荷曲线间的相关系数；按照各用户的用电规律对其进行分类；选取电力负荷变化趋势与行业整体负荷变化一致性最高的用户，通过该用户的用电行为规律来预测行业整体的电力负荷数据。本发明有益效果：能够实现从某用户电力负荷的异常能够推导出具体某行业的异常甚至是全社会电力负荷异常的预测，提高电力负荷预测结果的准确性，为电力系统进行合理经济调度、降低生产成本、防止电网大面积停电或者电网崩溃提供了的有力保障。

说明书

技术领域

本发明涉及电力负荷分析技术领域，尤其是一种基于典型日负荷特性的电力负荷预测 方法。

背景技术

随着经济的发展，用电量逐年攀升，电力负荷的多元化与复杂化，对电力负荷的决策 理论、管理手段和技术支持提出了更高的要求，但目前的工作中仍存在诸多不合理、不尽 如人意的问题：

1.对电力负荷的分析侧重于宏观角度

目前国内有关电力负荷的分析只能做到对电力负荷数据的事后分析，只能粗犷的从宏 观层面上把握整体的负荷规律变化，不能针对某行业、某客户的负荷特性做具体的分析。

2.电力负荷预测的智能化程度不够

目前关于电力负荷的预测通常以展示数据、报表为主要手段，而工作人员往往需要运 用自身的工作经验等对数据进行二次加工，才能得到有效的判断；这样的预测方式，一方 面，电力负荷预测结果与分析人员的实际经验、理论水平等有很大的关系；另一方面，当 数据量较大时，会在很大程度上增加预测人员的劳动量，并且预测结果不能有效地全方位 的覆盖市场状态。

3.电力负荷变化的预警机制不健全

目前国内外的电力负荷变化预警往往侧重于宏观、中观角度，从经济变化、行业变化 等角度进行预测，由于数据获取不及时，往往错过最佳预警时机，甚至仅能进行事后分析， 无法起到预警的提示作用。

发明内容

本发明的目的就是解决上述问题，提供一种基于典型日负荷特性的电力负荷预测方法， 该方法能够通过个体用电规律更加准确地预测行业整体的电力负荷变化趋势，为用电计划 的制定提供了可靠的理论依据。

为实现上述目的，本发明采用下述技术方案，包括：

一种基于典型日负荷特性的电力负荷预测方法，包括以下步骤：

(1)通过电力调控中心电网能量管理系统采集设定区域设定行业内各用户的电力负荷 数据，存入电力负荷数据库，并对数据进行预处理；

(2)采用单类支持向量机进行典型日的选取，并得到各用户的典型日负荷曲线以及行 业整体负荷曲线；

(3)分别求取各用户典型日负荷曲线间的相关系数，对各用户负荷曲线间的关联特性 进行分析；

(4)根据各用户间的相关系数，按照各用户的用电规律对其进行分类，确定每一类用 户的负荷曲线；

(5)在每一类用户的负荷曲线中，选取电力负荷变化趋势与行业整体负荷变化一致性 最高的用户，通过该用户的用电行为规律来预测行业整体的电力负荷数据。

所述步骤(1)中对数据进行预处理的方法包括：

1-1)从电力负荷数据库中读取原始数据，将所述数据按照关键字段进行关联，提取所 需数据，并规范数据格式；

1-2)筛选并剔除不良数据，对缺失的数据进行补全；

1-3)对错误数据进行修补，对数据进行平滑处理。

所述步骤(2)中进行典型日的选取的具体方法为：

2-1)选取电力负荷样本，采用支持向量机方法对样本进行聚类，构建目标函数；

2-2)使用拉格朗日算法求取目标函数的对偶问题；

2-3)通过QP优化方法解这个对偶问题得到优化解；

2-4)根据优化解得到圆心c的值，即典型日数据。

所述步骤2-1)中构建的目标函数具体为：

$\left(\begin{array}{cc}\underset{R,\xi ,c}{\min }& R^2+\frac{1}{vl}\underset{i=1}{\overset{l}{\Sigma }}{\xi }_i;\end{array}\right)$

约束条件：||x_i-c||²≤R²+ξ_i；ξ_i≥0,i＝1,2,…,l；

其中，R为超球面的半径，ξ_i为惩罚函数，x_i为训练样本，l是样本总量，c是超球面球 心，系数ν为设定值。

所述步骤2-2)中使用拉格朗日算法求取目标函数的对偶问题具体为：

$\left(\begin{array}{cc}\underset{\alpha }{\min }& \underset{i,j}{\Sigma }{\alpha }_i{\alpha }_j\left(x_i·x_j\right)-\underset{i}{\Sigma }{\alpha }_i\left(x_i·x_i\right)\end{array}\right)$

约束条件：$0\le {\alpha }_i\le \frac{1}{\nu l},i=1,2,...,l$

$\underset{i=1}{\overset{1}{\Sigma }}{\alpha }_i=1$

其中，α_i、α_j分别为拉格朗日算子，x_i、x_j分别为训练样本，i＝1,2,…,l，j＝1,2,…,l。

所述步骤2-4)的具体方法为：

将所述优化解α带入公式：

$\frac{\partial L}{\partial c}=\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i·2(x_i-c)=0;$

求得圆心C的值即为典型日数据。

所述步骤(3)中对各用户负荷曲线间的关联特性进行分析的方法为：

分别求取n个用户典型日负荷曲线间的相关系数，结果存放在n*n的对角线元素为1 的对称矩阵中；非对角元素表示两用户典型日负荷曲线的相关系数；

当两个用户数据的线性关系增强时，相关系数趋于1或-1；当一个用户数据增加而另 一用户数据也增加时，相关系数大于0；当一个用户数据增加而另一用户数据减少时，相关 系数小于0；当两个用户数据独立时，相关系数为0。

所述步骤(3)中求取各用户典型日负荷曲线间的相关系数的具体方法为：

$r_{XY}=\frac{\underset{i=1}{\overset{N}{\Sigma }}(X_i-\bar{X})(Y_i-\bar{Y})}{\sqrt{\underset{i=1}{\overset{N}{\Sigma }}{(X_i-\bar{X})}^2}\sqrt{\underset{i=1}{\overset{N}{\Sigma }}{(Y_i-\bar{Y})}^2}};$

其中，X_i、Y_i分别为其中两个用户的电力负荷数据；分别为其中两个用户的电 力负荷数据的平均值；N为电力负荷数据个数，为正整数。

所述步骤(4)的具体方法为：

选取某一用户作为参考用户，将与该用户相关系数值大于某一设定值的用户归位一类； 在划分的一类用户中，选取与参考用户相关系数值最高的用户的负荷曲线作为该类用户的 负荷曲线。

本发明的有益效果是：

通过本发明方法，可以找出哪些用户的负荷变化规律与行业整体负荷变化规律具有较 高的一致性，进而可以通过把握个体负荷变化规律更好地预测行业整体的负荷变化趋势。

本发明方法能够实现对用户电力负荷信息的从粗犷到精细化的分析，实现从某用户电 力负荷的异常能够推导出具体某行业的异常甚至是全社会电力负荷异常的预测，提高电力 负荷预测结果的准确性，能够做到电力负荷的及时预警，为电力系统进行合理经济调度、 降低生产成本、防止电网大面积停电或者电网崩溃提供了的有力保障。

附图说明

图1为本发明样本数据预处理流程图。

具体实施方式

下面结合附图对本发明进一步说明。

一种基于典型日负荷特性的电力负荷预测方法，包括以下步骤：

步骤一：通过电力调控中心电网能量管理系统采集设定区域设定行业内各用户的电力 负荷数据，存入电力负荷数据库，并对数据进行预处理；

数据处理流程如图1所示，目前在信息采集通信存储的过程中会有部分数据丢失的情 况出现，未丢失的数据部分也存在一定的不良数据，导致数据库中的数据格式的紊乱，所 以要进行数据预处理，数据预处理分为以下四步进行：

1.规范数据格式：

首先将数据库中的数据导入文本文档，然后读取文本文档中的96点数据保存成矩阵的 形式。规范数据的格式，分别给出行号及其对应的用户编号，并将缺失的量测量补0。需要 注意的是，该阶段主要目的为规范数据格式，仅仅是将缺失的量测暂时用0代替，并没有 从实质上补全量测数据。

2.剔除不良数据：

主要目的是筛选并剔除因数据缺失太多难以进行合理修补的用户对应的数据，因为这 种用户几乎没有任何量测，对问题的分析无法提供有效的帮助。首先将96点数据转化为24 点数据，以从一定程度上消除量测数据缺失的影响。将24点数据缺失仍大于80％或数据分 散度过高的的用户数据进行剔除。

3.补全缺失数据：

对于数据缺失程度较轻，大部分缺失为日内数据部分缺失的用户，可直接通过插值的 方法对数据进行补全。若用户数据缺失程度较重，或存在整日缺失的情况，则进行横向和 纵向比较，采取按比例补全的方法进行补全，即按照该日具有的数据时段的功率值与该用 户对应时段功率平均值的比例，结合用户平均日负荷曲线将日内缺失部分补全。补全缺失 量测数据的步骤如下：

1)对所有数据进行加权平均，选择一个用于补全数据的典型日负荷曲线；

2)根据典型日负荷曲线，按照纵向比较和横向比较，将缺失量测初步补全。

4.修正不良量测：

使用卡尔曼滤波中的固定滞后最优平滑对量测数据进行处理，减小不良量测带来的影 响。固定滞后最优平滑是在滞后最新观测时间一个固定时间间隔N的时间点上，给出系统 状态最优估计的一种方法。

步骤二：采用单类支持向量机进行典型日的选取，并得到各用户的典型日负荷曲线以 及行业整体负荷曲线；

运用分支算法单类支持向量机进行典型日的选取，用超球面代替超平面来划分数据，目标函 数的初始问题为：

$\begin{array}{cc}\underset{R,\xi ,c}{\min }& R^2+\frac{1}{vl}\underset{i=1}{\overset{l}{\Sigma }}{\xi }_i\\ s.t.& {||x_i-c||}^2\le R^2+{\xi }_i\\ & {\xi }_i\ge 0,i=1,2,...,l\end{array}---\left(1\right)$

通过设定参数0≤ν≤1，使超球面的半径和它所能包含的训练样本数目之间进行折衷； 当ν小的时候，(v是0-1之间的数)尽量把数据放进球里面，当ν大的时候，尽量压缩球 的尺寸。其中，R代表超球面的半径，超球面半径越小，分类的泛化风险越小，对可能出现 的不良数据抵制能力强，但是，可能会产生欠学习的现象；l是样本总量；c是超球面球心； v表示在支持向量和错分向量之间的折中，能够从某种程度上控制超球面半径；x_i表示训练 样本，ξ_i为惩罚函数。

使用拉格朗日函数来解这个问题：

$L=R^2+\frac{1}{\nu l}\underset{i=1}{\overset{l}{\Sigma }}{\xi }_i-\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i(R^2+{\xi }_i-{||x_i-c||}^2)-\underset{i=1}{\overset{l}{\Sigma }}{\beta }_i{\xi }_i---\left(3.2\right)$

则

$\frac{\partial L}{\partial R}=2R-\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i·2R=0---\left(3.3\right)$

$\frac{\partial L}{\partial c}=\underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i·2(x_i-c)=0---\left(3.4\right)$

$\frac{\partial L}{\partial {\xi }_i}=\frac{1}{\nu l}-{\alpha }_i-{\beta }_i=0---\left(3.5\right)$

带入得到对偶问题为：

$\begin{array}{cc}\underset{\alpha }{\min }& \underset{i,j}{\Sigma }{\alpha }_i{\alpha }_j\left(x_i·x_j\right)-\underset{i}{\Sigma }{\alpha }_i\left(x_i·x_i\right)\\ s.t.& 0\le {\alpha }_i\le \frac{1}{vl},i=1,2,...,l\\ & \underset{i=1}{\overset{l}{\Sigma }}{\alpha }_i=1\end{array}---\left(3.6\right)$

通过QP优化方法解这个对偶问题得到优化解α。

将α带入式(3.4)可得到圆心c的值，即待求典型日。α_i、a_j代表拉格朗日乘子。l是 样本总量；v表示在支持向量和错分向量之间的折中，能够从某种程度上控制超球面半径；x_i、 x_j表示样本。

可以看到，单类支持向量机主要功能是对样本集的聚类，并通过调节参数v改变模型 的结构风险，从而在经验风险和置信风险中间进行折衷，而典型日的选择本身也是一种聚 类，如果将每一天的量测数据看做一个样本，则样本就是24维空间中的一点，使用一个超 球面使得其可以尽量覆盖住所有样本点，则超球的圆心也就是量测数据的中心，也就是典 型日数据所在的地方。

步骤三：分别求取各用户典型日负荷曲线间的相关系数，对各用户负荷曲线间的关联 特性进行分析；

通过各用户的典型日负荷曲线，可以分析用户间的用电规律以及用户与该行业总体用 电规律间的关联特性。分别求取n个用户典型日负荷曲线间的相关系数，结果可存放在n*n 的对角线元素为1的对称矩阵中。非对角元素表示两用户典型日负荷曲线的相关系数。通 过绘制相关系数曲线能够更加直观地观测各用户典型日负荷曲线的相似性。

当两个用户数据的线性关系增强时，相关系数趋于1或-1；当一个用户数据增加而另 一用户数据也增加时，相关系数大于0；当一个用户数据增加而另一用户数据减少时，相关 系数小于0；当两个用户数据独立时，相关系数为0。

求取各用户典型日负荷曲线间的相关系数的具体方法为：

$r_{XY}=\frac{\underset{i=1}{\overset{N}{\Sigma }}(X_i-\bar{X})(Y_i-\bar{Y})}{\sqrt{\underset{i=1}{\overset{N}{\Sigma }}{(X_i-\bar{X})}^2}\sqrt{\underset{i=1}{\overset{N}{\Sigma }}{(Y_i-\bar{Y})}^2}};$

其中，X_i、Y_i分别为其中两个用户的电力负荷数据；分别为其中两个用户的电 力负荷数据的平均值；N为电力负荷数据个数，为正整数。

步骤四：根据各用户间的相关系数，按照各用户的用电规律对其进行分类，确定每一 类用户的负荷曲线；

选取某一用户作为参考用户，将与该用户相关系数值大于某一设定值的用户归位一类； 在划分的一类用户中，选取与参考用户相关系数值最高的用户的负荷曲线作为该类用户的 负荷曲线。

以用户海阳市盘石店镇盘石店为例，与其相关系数大于0.95的有用户山东效峰生物科 技股份有限公司、青岛利生源食用菌有限公司、潍坊市林海生物科技有限公司、济宁市利 盟菌业有限公司、山东晨阳菌业有限公司、金乡县百事特食用菌专业合作社、枣庄市冠宇 农业科技有限公司、山东福禾菌业科技有限公司。可以看出与海阳盘石店用户典型日负荷 曲线相关系数高的用户多为从事菌类生产的企业，可以将其归位一类用户。

步骤五：在每一类用户的负荷曲线中，选取电力负荷变化趋势与行业整体负荷变化一 致性最高的用户，通过该用户的用电行为规律来预测行业整体的电力负荷数据。

通过对相关系数的分析，我们可以找出哪些用户的用电规律与行业整体用电规律具有 较高的一致性，进而可以通过把握个体用电规律更好地预测行业整体的用电趋势。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的 限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需 要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。