能源互联网环境下基于属性关联的负荷预测系统及其方法

摘要

本发明提供一种能源互联网环境下基于属性关联的短期负荷预测系统,其特点是，包括：数据采集及数据库管理模块、电量供需平衡实时监测模块、数据分析与处理模块、数据存储模块和电量查询模块。本发明提出的能源互联网环境下基于属性关联的短期负荷预测方法，是基于图论的用于短期负荷预测的挖掘算法。本发明所述系统考虑到影响负荷的多重属性，可以比较完整的掌握用户用电规律。预测方法主要针对于负荷变化相关的各种关联因素，找出高关联度的影响因子和连锁反应链，挖掘用户用电行为和用户群用电关联模式，为大规模间歇性新能源并网后，实现实时负荷预测的方法提供新的解决思路。

说明书

技术领域

本发明涉及智能电网和能源互联网领域，是一种能源互联网环境下基于属性关联的短期负荷预测系统及其方法。

背景技术

电力负荷预测是电网配电管理的重要基础，是电力系统规划和调度的重要依据，以及电力系统运行中的重要部分，对电力系统运行的安全性、稳定性，都有着非常重要的影响。由于新能源的并网后，风能和光伏出力等新能源发电的随机性和不确定性，如何解决大规模间歇性新能源并网后，对实时负荷变化的影响和预测是本专利研究的主要内容。短期负荷预测是基于实时负荷变化规律，全面考虑影响负荷变化的各种因素，挖掘各种相关因素与电力负荷变化的内在联系。其目的是预测未来几个小时内或几天内的用电负荷负载，为电力系统控制中心的合理调度和安全运作提供了技术支持，实现发电容量的合理性和成本最小化。

传统的短期负荷预测有时间序列方法、人工神经网络方法、灰色预测方法及小波分析预测方法。时间序列方法根据负荷历史数据建立数学模型，基于此模型基础上进行负荷预测，该方法没有考虑负荷变化的全面因素，只致力于数据的拟合，对全面数据的规律分析和处理也明显不足；人工神经网络方法则在应对突发的电力负荷波动时(波峰波谷的落差)能力不足，虽然对非结构性和非确定性的规律有一定的自适应性，但学习过程太慢；灰色预测方法则主要善于解决少量的历史数据，以此发现影响负荷的规律，计算结果说服力不足，同时，建立的负荷预测模型也难以应对波动性较大的电力负荷，历史数据少量且离散程度较大时，预测精度较差；小波分析预测方法则缺乏考虑天气、温度等其他多重因素对电力负荷的影响，虽然预测精度较好，但实施环境太过理想。综上所述，传统的方法大多应用范围比较局限，并且实验效果并不是很理想，其用电量预测工作大多都是将所有用电用户作为一个整体进行建模，以此为电力系统供电负荷进行整体预测，而忽略了用户自身的特点以及用户之间用电习惯等的关联关系分析。

随着智能电网的发展逐步进入到能源互联网的时代，越来越多的可接入能源，将发电、负荷、储能装置及控制装置等结合在一起，微网与外部的智能电网联网运行，完成智能终端与控制中心的互动，使得电网与外部因素的关联越发密切。目前，针对能源互联网环境进行全面分析和考虑的负荷预测方法较少，缺乏综合考虑电网系统中影响负荷变化的多重因素。因此，建立用户用电负荷变化与影响负荷变化的多重影响因素之间的关系模型，是解决用户端负荷变化的超短期和短期预测的重要手段。

迄今，未见有关能源互联网环境下基于属性关联的短期负荷预测系统及其方法的文献报道和实际应用。

发明内容

本发明的目的是，提供一种能源互联网环境下基于属性关联的短期负荷预测系统及其方法，能源互联网环境下基于属性关联的短期负荷预测系统全面考虑到影响负荷变化的多重属性，深度挖掘用户群以及用户之间的用电规律，为适应新能源并网后的智能电网和能源互联网环境下的短期负荷预测提供了较好的解决方案；同时，能源互联网环境下基于属性关联的短期负荷预测方法用来构建完整的能源互联网大规模关联关系图，将影响负荷变化的多重因素进行了全面整合，并且通过密度子图挖掘算法来深度挖掘在关系图下的潜在用电规律，实现了基于新能源并网后的电网短期负荷预测的分析，该系统和方法将更加有利于促进智能电网和能源互联网的发展，有利于加强控制中心对用户侧的用电需求预测的准确性，保障电网的正常运行。

本发明提供了一种能源互联网环境下基于属性关联的负荷预测系统，其特征是，它包括：

数据采集及数据库管理模块，用于采集原始数据并进行分类，进而构建数据库本体；

电量供需平衡实时监测模块，基于数据库中的原始数据构建大规模图，依据构建的大规模图结构对影响用户用电的因素进行分析,监测供需双向负荷变化规律及阈值预警；

数据分析与处理模块，以大规模图结构为数据本体，将同一时间内消耗相等或相似电量的用户群建立关联关系，从而进行用户侧短期或超短期负荷的预测分析；

数据存储模块，对主机空间占有率与分配率进行实时监测；

电量查询模块，用于用户进行用电量的实时查询。

所述数据采集及数据库管理模块包括：能源控制装置、时间与地理信息定位装置、气象与空气质量监测装置、用户信息管理装置和数据库管理装置，其中，数据库库管理装置将采集到的原始数据设定为四大类型：

(1)能源类P，包括风能、太阳能光伏、电动车、生物质能、潮汐能、火力发电、水利发电和蓄电池；

(2)时间和日期类D，包括用电日的日期、智能电表采集的时间和周期、工作日、周末、季节、节日、发电和用电高峰期、实时电价、分时电价；

(3)气象和环境类A,包括晴天、阴天、雨天、风力0-2级、风力2-4级、风力4-6级、风力6级以上、温度、湿度、PM2.5、空气质量程度；

(4)用户类U，包括智能电表ID、智能电表位置信息、用户基本信息、用电习惯、实时用电量。

所述电量供需平衡实时监测模块包括：

用于原始数据构建大规模图的大规模图G构建装置，大规模图G构建装置基于数据库对原始数据进行四大类型的设定，构建以智能电表为点V，以数据种类A(P,D,W,U)为顶点属性集合，电量C的变化信息为重要引导属性参数，以边E构建大规模图结构G,将基于电量的大规模子图定义为G＝{V,A,C,E}；

依据构建的大规模图结构对影响用户用电的因素进行分析的供需双向属性关联分析装置，该装置基于构建的大规模图结构G，计算属性关联度及挖掘模式规则集，对影响用户用电量较大的属性进行影响因素综合分析，结合能源类P的顶点属性集进行时序性的关联分析及挖掘关键属性群，用以预测未来短期用户侧的用电量及变化趋势；

用于监测供需双向负荷变化规律及阈值预警的供需双向实时电量变化监测装置，用于统计分析实时供电侧负荷变化和用电侧负荷变化规律，同时监测其双向阈值变化，避免出现供需失去平衡的状况。

所述数据分析与处理模块包括：用户侧属性挖掘装置、关键属性分析装置、电量预测装置。

所述电量预测装置获取未来短期内影响电量的属性，将用户分类，然后根据关联度排序表的高低以及筛选出的关键属性，预测未来短期内该用户的用电量，并且统计区域内所有用户的用电量预测，即得到该系统区域的用电量预测。

用户根据安装的智能电表ID登陆所述的电量查询模块，查询用户当天或当月的实时用电量信息。

本发明的能源互联网环境下基于属性关联的负荷预测方法所涉及的步骤为：

1)对所述用户侧属性挖掘装置进行设置：

(1)根据大规模图结构G＝{V,A,C,E}，将密度子图定义为：是子图中的每个节点至少满足有一部分与其他顶点相连，并且每个连通子图的密度应大于设置的密度子图的最小密度值d_min，N_s是由实时变化用电量C诱导的密度子图的顶点个数，N_e是由C诱导的密度子图包含的边总和，因此，密度子图的最小密度值d_min＝N_s/N_e；

(2)设定密度子图φ和频繁属性项集的挖掘F＝({C_p},{X}),C_p是密度子图下的用电量区间属性集合，X是T_i到T_n时间区间下，各个时间片节点相关的所有属性的集合，依照C_p各个用电量评测区间的高低排序，将属性参数集合进行频繁项集的选取；

(3)定义模式规则集Z＝({X_f},{S},S_c),其中，T_i是代表时序列表当中的某一时刻；X_f是T_i到T_n时间区间下,基于电量属性结构中各个节点的属性集合A，进行频繁属性项集Top-k排序后得到的关键属性子集；S是由X诱导的密度子图包含的顶点集合，S集合的大小设定为大于最小定点数ρ且小于等于密度子图的最大顶点数Q；S_c是挖掘的密度子图X_f属性集合中C_p的用电量总和；

(4)定义频繁属性模式支持函数λ(X)，λ(X)的值是输入图中包括属性X的顶点个数，其中输入图是T_i到T_n时间区间下所有用户的属性图；

(5)定义电量属性关联函数θ，θ密度子图中包括X_f的顶点个数size(X_f)与输入图中包括X的顶点个数λ(X)之比，采用公式得到电量属性之间的关联度；

2)对所述关键属性分析装置进行设置：

(1)在多维属性的大规模图结构下，通过挖掘密度子图可以找寻用电习惯最相似的用户群体；同时，通过挖掘频繁属性项集，可以计算出针对不同用电习惯，高关联度属性的关联关系排序；

(2)根据关联度推断，在多维属性随时间而变化条件下，对电量产生最大影响的关键属性集合以及属性变化规律。

本发明的能源互联网环境下基于属性关联的负荷预测系统及其方法具有如下优点：

1.本发明提出的基于属性关联的短期负荷预测系统，主要应用于新能源并网后的智能电网和能源互联网环境，构建全新的大规模图结构和数据本体，全面分析影响负荷变化的相关因素，深度挖掘用户群以及用户个体间用电的差异和关联性，综合分析负荷变化的规律，以实现新能源环境下的短期负荷预测分析；

2.本发明全面考虑了影响负荷变化的多重属性，如用户受区域、时间、日期、家庭结构以及行业属性等决定，其用电行为也具有潜在的规律性以及微网用户群用电规律的关联性。本发明充分考虑了影响负荷变化的因素具有多元性的特点，通过图论算法将用户间的关联度进行排序并进行关联分析，筛选影响负荷变化的主要属性集合，深度挖掘用户侧用户用电规律，真正实现供需的实时动态平衡；

3.本发明的系统中，使用图论算法来构建全新的适应能源互联网的大规模图结构，并且，通过密度子图挖掘算法实现了针对实时采集的数据进行短期预测的方法，在技术上进行了全新的设计。以改变传统大多仅仅依赖于历史数据进行分析和预测的瓶颈，使用户的用电行为和影响因素参与用电负荷的量化计算，以实现减少过度发电造成的经济损失，推动智能电网向能源互联网的技术支撑，加强控制中心对用户用电需求预测的准确性。

4.其方法科学合理，适用性强。

附图说明

图1是本发明的能源互联网环境下基于属性关联的短期负荷预测系统框图。

图2是本发明的能源互联网环境下基于属性关联的短期负荷预测方法流程图。

图3是本发明的能源互联网环境下基于属性关联的短期负荷预测系统实施例的运行环境图。

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，以下结合附图通过具体实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

在本发明的一个实施例中，提供了一种能源互联网环境下基于属性关联的短期负荷预测系统，用来可以预测至少未来某一时间点的发电量，而时间点的范围可以为几小时后、几天后等未来时间。如图1所示，本发明的能源互联网环境下基于属性关联的负荷预测系统，包括：

数据采集及数据库管理模块，用于采集原始数据并进行分类，进而构建数据库本体；

电量供需平衡实时监测模块，基于数据库中的原始数据构建大规模图，依据构建的大规模图结构对影响用户用电的因素进行分析,监测供需双向负荷变化规律及阈值预警；

数据分析与处理模块，以大规模图结构为数据本体，将同一时间内消耗相等或相似电量的用户群建立关联关系，从而进行用户侧短期或超短期负荷的预测分析；

数据存储模块，对主机空间占有率与分配率进行实时监测；

电量查询模块，用于用户进行用电量的实时查询。

所述数据采集及数据库管理模块包括：能源控制装置、时间与地理信息定位装置、气象与空气质量监测装置、用户信息管理装置和数据库管理装置，其中，数据库库管理装置将采集到的原始数据设定为四大类型：

(1)能源类P，包括风能、太阳能光伏、电动车、生物质能、潮汐能、火力发电、水利发电和蓄电池；

(2)时间和日期类D，包括用电日的日期、智能电表采集的时间和周期、工作日、周末、季节、节日、发电和用电高峰期、实时电价、分时电价；

(3)气象和环境类A,包括晴天、阴天、雨天、风力0-2级、风力2-4级、风力4-6级、风力6级以上、温度、湿度、PM2.5、空气质量程度；

(4)用户类U，包括智能电表ID、智能电表位置信息、用户基本信息、用电习惯、实时用电量。

所述电量供需平衡实时监测模块包括：

用于原始数据构建大规模图的大规模图G构建装置，大规模图G构建装置基于数据库对原始数据进行四大类型的设定，构建以智能电表为点V，以数据种类A(P,D,W,U)为顶点属性集合，电量C的变化信息为重要引导属性参数，以边E构建大规模图结构G,将基于电量的大规模子图定义为G＝{V,A,C,E}；

依据构建的大规模图结构对影响用户用电的因素进行分析的供需双向属性关联分析装置，该装置基于构建的大规模图结构G，计算属性关联度及挖掘模式规则集，对影响用户用电量较大的属性进行影响因素综合分析，结合能源类P的顶点属性集进行时序性的关联分析及挖掘关键属性群，用以预测未来短期用户侧的用电量及变化趋势；

用于监测供需双向负荷变化规律及阈值预警的供需双向实时电量变化监测装置，用于统计分析实时供电侧负荷变化和用电侧负荷变化规律，同时监测其双向阈值变化，避免出现供需失去平衡的状况。

所述数据分析与处理模块包括：用户侧属性挖掘装置、关键属性分析装置、电量预测装置。

所述电量预测装置获取未来短期内影响电量的属性，将用户分类，然后根据关联度排序表的高低以及筛选出的关键属性，预测未来短期内该用户的用电量，并且统计区域内所有用户的用电量预测，即得到该系统区域的用电量预测。

用户根据安装的智能电表ID登陆所述的电量查询模块，查询用户当天或当月的实时用电量信息。

能源互联网环境下基于属性关联的负荷预测方法所涉及的步骤为：

1)对所述用户侧属性挖掘装置进行设置：

(1)根据大规模图结构G＝{V,A,C,E}，将密度子图定义为：是子图中的每个节点至少满足有一部分与其他顶点相连，并且每个连通子图的密度应大于设置的密度子图的最小密度值d_min，N_s是由实时变化用电量C诱导的密度子图的顶点个数，N_e是由C诱导的密度子图包含的边总和，因此，密度子图的最小密度值d_min＝N_s/N_e；

(2)设定密度子图φ和频繁属性项集的挖掘F＝({C_p},{X}),C_p是密度子图下的用电量区间属性集合，X是T_i到T_n时间区间下，各个时间片节点相关的所有属性的集合，依照C_p各个用电量评测区间的高低排序，将属性参数集合进行频繁项集的选取；

(3)定义模式规则集Z＝({X_f},{S},S_c),其中，T_i是代表时序列表当中的某一时刻；X_f是T_i到T_n时间区间下,基于电量属性结构中各个节点的属性集合A，进行频繁属性项集Top-k排序后得到的关键属性子集；S是由X诱导的密度子图包含的顶点集合，S集合的大小设定为大于最小定点数ρ且小于等于密度子图的最大顶点数Q；S_c是挖掘的密度子图X_f属性集合中C_p的用电量总和；

(4)定义频繁属性模式支持函数λ(X_f)，λ(X_f)的值是输入图中包括属性X_f的顶点个数，其中输入图是T_i到T_n时间区间下所有用户的属性图；

(5)定义电量属性关联函数θ，θ密度子图中包括X_f的顶点个数size(X_f)与输入图中包括X_f的顶点个数λ(X_f)之比，采用公式得到电量属性之间的关联度；

2)对所述关键属性分析装置进行设置：

(1)在多维属性的大规模图结构下，通过挖掘密度子图可以找寻用电习惯最相似的用户群体；同时，通过挖掘频繁属性项集，可以计算出针对不同用电习惯，高关联度属性的关联关系排序；

(2)根据关联度推断，在多维属性随时间而变化条件下，对电量产生最大影响的关键属性集合以及属性变化规律。

实施例1中，所述数据采集及数据库管理模块包括：该模块用于采集影响用户实时用电负荷的多种信息，并对采集的数据进行存储和管理。用户的实时用电负荷信息，是用户侧在具备新能源发电情况下的用电侧的电力负荷，因此把用户侧的新能源发电和配电网输电的情况都包括在内。该模块包括能源控制装置、时间与地理信息定位装置、气象与空气质量检测装置，用户信息管理装置和数据库管理装置。因此，该模块中的能源控制装置，包括智能电表用电量采集终端和传统发电与新能源发电量数据采集终端。智能电表用电量采集终端用于配电网输电的信息，而传统发电与新能源发电量数据采集终端，用于采集用户侧的传统能源和新接入的可再生能源的发电信息。传统发电与新能源发电量数据采集终端可包含火能发电装置、水利发电、太阳能光伏发电装置、风力发电装置、潮汐发电装置、地热发电装置电能等能源发电装置或电动车、蓄电池等储电能源装置。举例来说，上述数据采集终端包含一组太阳能发电机组、一组风力发电机组以及一辆电动车等。

该模块中的时间与地理信息定位装置，包括日期和时间GPS定位终端和基于GIS供电网络分布的用户侧地理位置信息定位终端。该装置主要作用是定位用户的地理信息，并将日期、地理位置与配电网管理有机地结合起来，以电子地图作为背景图，根据各种影响电力负荷的时间属性，在指定范围的地图查询显示用户的地理位置。而通过该装置采集得到的用电日的日期、智能电表的采集时间和周期、工作日、周末、季节等精细化分类的时间属性，有助于深入分析影响负荷变化的规律，剥离出的时间和地理位置敏感电量属性能够较为准确反映不同用户的用电模式差异。

该模块中的气象与空气质量检测装置，主要包括气象信息采集终端和空气质量监测终端。气象信息采集终端按照设定的时间间隔采集区域内的各种气象信息，包括天气，风力，温度，湿度等，将采集数据结果分类进行处理。而空气质量检测终端可以在线连续检测气体和可吸入颗粒物浓度，并根据测量空气浓度对空气质量进行分类，分为优良中差。同时该终端根据测量的可吸入颗粒物(PM2.5)的数值，并依据PM2.5检测网的空气质量新标准将PM2.5的数据分类。

该模块中的用户信息管理装置，由用户信息创建终端组成。该装置通过微电网与用户进行通信，建立用户的基本信息和实时电量信息，实现了用户多属性信息管理。该装置可以根据智能电表ID或位置信息或某个用户的单一属性查询用户的各种属性资料。用户信息创建终端用来采集用户基本信息(联系方式、智能电表ID、智能电表位置信息、联系方式、用电设备和负荷所属类型)，用户的用电习惯、实时用电量。

该模块中的数据库管理装置主要是数据本体的构建，为了实现数据的整体性，对分类的数据分别进行属性定义，所有的数据必须按照一个统一的数据模型进行组织，描述和存储。从而数据具有整体的结构化特征，面向全系统，实现数据的共享。

数据库管理装置将采集的终端原始数据分为四大类，能源类属性(Power简称P):包括风能、太阳能光伏、电动车、生物质能、潮汐能、火力发电、水利发电和蓄电池。时间与地理信息定位装置包括日期和时间GPS定位终端，该终端是基于GIS供电网络分布的用户侧地理信息定位。采集的数据为时间和日期类属性(Daily简称D)：包括用电日的日期、智能电表采集时间和周期、工作日、周末、季节、节日、发电和用电高峰日、实时电价、分时电价。气象与空气质量检测装置包括气象信息采集终端和空气质量检测终端。该装置采集的数据为气象和环境类属性(Weather简称W)：包括晴天、阴天、雨天、风力0-2级、风力2-4级、风力6级以上、温度、湿度、PM2.5、空气质量程度。用户信息管理装置采集的数据为用户类属性(User简称U)：包括智能电表ID、智能电表位置信息、用户基本信息、用电习惯、实时用电量。数据库管理装置对于采集到的数据，进行属性定义，进行数据本体构建。将这些分类的数据来源作为影响负荷的属性影响因子，建立属性列表1。

属性列表1

所述的电量供需平衡实时监测模块主要功能是供电侧与用电侧实时负荷变化检测与管理。该模块包括大规模图构建装置，供需双向属性关联分析装置，供需双向实时电量变化检测装置。

所述的大规模图构建装置，根据数据采集及数据库管理模块采集到的实时负荷数据信息，将智电表为点(Vertex简称V)，基于模块的属性定义表，以数据属性种类A(P,D,W,U)为节点属性集，以实时变化的电量(Electric Consumption简称C)变化信息作为重要引导属性参数，将以电量C为基础同时变化的用户建立的关联关系为边(Edge简称E)，由此构建大规模图结构(Graph简称G),因此基于电量的大规模图定义为G＝{V,A,C,E}。

所述的供需双向属性关联分析装置：在实际的电力负荷预测过程中，对于收集到的大量的属性，如何筛选出影响负荷的关键属性群，并结合与用户节点的属性集A进行分析。从基于构建的大规模图结构，计算属性关联度及挖掘模式规则集，对影响用户较大的属性进行影响因素综合分析，结合能源类E的顶点属性集进行时序性的关联分析及挖掘关键属性群，用以预测未来短期用户侧的用电量及变化趋势。

于本实施方式中，Ti时刻节点V₁所在的图结构的属性集G_i如下式1所示：

G_i＝{V₁，V₂，..V_i；A_v1，A_V2，…A_Vi；C_i；E₁₂,E₁₃,E₂₃,…E_1i}(式1)

其中，V_i为与节点V₁在T_i时刻同时消耗C_i电量的节点；A_Vi为节点V_i在T_i时刻的节点属性集；E_vivj为V_i节点与V_j节点形成的边。则节点V₁的连续时间节点的属性集G_Ti如式2所示：

G_Ti＝{A_T1，A_T2，A_Ti；C_T1，C_T2，…C_Ti}(式2)

其中A_Ti为节点V₁在时刻T_i的节点属性集，C_Ti为节点V₁在时刻T_i消耗的电量，根据连续时间节点属性集G_Ti，挖掘节点V₁连续时间点中的关联规则。A_i＝{A_T1，A_T2，…A_Ti}，A_Ti＝{P_Ti，D_Ti，W_Ti，U_Ti}，其中P_Ti，D_Ti，W_Ti，U_Ti分别是时刻T_i的节点属性集。项集{P_Ti}是A_i的子集，项集{P_Ti}的支持度

本实施方式中，设定支持度最小阈值minsup为0.5。满足最小支持度阈值minsup的项集，称为频繁项集。即为实时电量的关键影响属性集。

所述的供需双向实时电量变化监测装置主要是依据相量测量单元PMU，在线检测(负荷信息、环境信息、电价信息)，统计分析实时供需两侧负荷的变化规律，并且监测其变化阈值，对实时信息(负荷信息、环境信息、电价信息等)进行在线监测，通过分析单个用户实时供需负荷曲线，确定出单个用户系统高峰用电负荷或用电量，避免发生负荷中断。并监测其变化阈值，以便判断供电侧负荷与用电侧负荷是否发生较大的偏离，避免出现供需失去平衡的状况。

数据分析与处理模块的功能是基于大规模图结构，通过挖掘多重密度子图来发现相似用户，并对这些相似用户进行频繁属性项集的挖掘，根据电量的大小对用户造成的影响不同，对频繁属性项集进行排序。对得到的模式规则集，计算一个用户的包含频繁属性项集的用电量总和。

该模块包括用户侧属性挖掘装置、关键属性分析装置和电量预测装置。该模块通过用户侧属性挖掘装置将同一时间区间内，节点间消耗相等或相似电量的用户群建立关联关系，再通过关键属性分析装置进行用电习惯的模式识别和关键属性的挖掘，最后利用电量预测装置利用密度子图挖掘算法进行用户侧短期或超短期负荷的预测分析。

具体地：所述用户侧属性挖掘装置用于：

1)在大规模图结构G＝{V,A,C,E}中，挖掘由实时变化用电量C诱导的密度子图。密度子图(定义为集合φ)满足条件如下：子图中的每个节点至少满足有一部分与其他顶点相连，并且每个连通子图的密度都大于设置的最小密度值d_min。N_s是由实时变化用电量C诱导的密度子图的顶点个数，N_e是由C诱导的密度子图包含的边总和，因此，密度子图的密度值d_min＝N_s/N_e。

2)频繁属性项集的挖掘F＝({C_p},{X}),{C_p}是密度子图下的用电量区间属性集合，划分区间属性定义如表1中用电量划分区间所示。X是T_i到T_n时间区间下，各个时间片{A}中所有属性的集合。依照C_p各个用电量评测区间的高低排序，对属性参数集合X进行频繁属性项集Top-n排序，选取前n项的属性集合。

将根据前n项的属性集合，定义为X_f，即A的关键子集。于本实施例中，设置n＝5。S是由X_f诱导的密度子图包含的顶点集合，S集合的大小设定为大于最小定点数ρ且小于等于密度子图的最大顶点数Q；而由X_f诱导的密度子图包含的顶点之间的边C_p的总和，定义为S_c，S_c＝sum{C_p}。

于该实施例中，筛选T_i到T_n区间{A}内所有属性集，按C_p高低排序，选取前5项频繁项集，其中F_f1＝({Cp₂,Cp₃,Cp₄}，{X_f1}，Sc),其中X_f1＝{P_w,P_h,D_w,D_p,W_f,U_i}。{V₂,V₄,V₈}是由频繁属性项集X_f1诱导的顶点集合，Cp₂,Cp₃,Cp₄是点V₂,V₄,V₈之间的边，则S_c＝Cp₂+Cp₃+Cp₄。

3)定义频繁属性模式支持函数λ(X_f)，λ(X_f)的值是输入图中包括属性X_f的顶点个数，其中输入图是T_i到T_n时间区间下所有用户的属性图。

4)定义电量属性关联函数θ，θ是密度子图中包括X_f的顶点个数size(X_f)与输入图中包括X_f的顶点个数λ(X_f)之比，如式3所示，θ即为电量属性之间的关联度。

公式

于本实施例中，将T_i到T_n时间区间内的关联度θ排序，表2为关联度排序表关联度排序表2

{X_f}Size{X_f}λ{X_f}θ{X_f1}10101{X_f2}9100.9{X_f3}7100.7…………

所述的关键属性分析装置用于根据装置得到的计算结果，来分析规律：

1)在多维属性的大规模图结构下，通过挖掘密度子图可以找寻用电习惯最相似的用户群体；同时，通过挖掘频繁属性项集，可以计算出针对不同用电习惯，高关联度属性的关联关系排序。

2)根据关联度推断，在多维属性随时间而变化条件下，对电量产生最大影响的关键属性集合以及属性变化规律。

所述电量预测装置用于：

1)根据模块获取未来短期内影响负荷的属性，将用户进行分类；

2)根据装置得到的关联度排序表,以及筛选出的关键属性集，模拟预测未来短期内相似用户的总用电量；

3)根据每个用户的预测电量，统计区域内所有用户的用电量预测，从而得到该系统区域的用电负荷预测。

所述的数据存储模块主要功能是实时监测主机空间占有率与分配率，同时在各方面采集得到的数据，和各模块处理数据和分析时，可以从数据存储模块中提取和存储数据。其作用体现在用户能够根据自身的用电需求并结合关键属性集调整其电能消费模式，从而实现供需双方良好互动。

所述的电量查询模块主要功能是用户可以根据自己的智能电表ID，登录用电负荷预测系统，点击“电量查询”模块，可以查询自己实时的用电信息。也可以开通电子账单，通过填写相关的用户信息，即可通过电子邮箱定期收到电子账单。同时也可以逆向查询负荷的来源取向，根据负荷来源分布，调整自己的用电习惯，从而达到节能目的。

所述的系统日常管理模块主要是负责系统的常规管理即运行和维护。在系统运行中根据问题建立维护方案，考虑涉及的范围，通过对程序，数据以及代码的变更和管理，对程序进行修改并调试。除此之外，该模块还包括对系统其它模块功能和工作内容的简要描述。同时可以进行用户权限管理，系统管理员可对每个用户设置不同模块的使用权限，比如对信息的修改和资料输入可以设置权限，保证数据的统一性和正确性，从而提高系统的安全性。

在本发明的另一个实施例中，提供了一种能源互联网环境下基于属性关联的短期负荷预测方法，参照图2所示，具体方法如下：

步骤1：根据采集到的实时负荷数据信息，构建大规模图结构G＝{V,A,C,E}，在G中挖掘由实时变化用电量C诱导的密度子图，定义为集合φ。

密度子图，定义为集合φ满足条件如下：子图中的每个节点至少满足有一部分与其他顶点相连，并且每个连通子图的密度都大于设置的最小密度值d_min。N_s是由实时变化用电量C诱导的密度子图的顶点个数，N_e是由C诱导的密度子图包含的边总和，因此，密度子图的密度值d_min＝N_s/N_e。

步骤2：进行频繁属性项集F的挖掘，F＝({C_p},{X})。其中{C_p}是密度子图下的用电量区间属性集合，划分区间属性定义如表1中用电量划分区间所示。X是T_i到T_n时间区间下，各个时间片{A}中所有属性的参数集合。依照C_p各个用电量评测区间的高低排序，对属性参数集合X进行频繁属性项集Top-5排序，选取前n项的属性集合。根据相似用户中影响电量的关键属性集排序，可由此可预测未来短期内该相似用户中的某用户的用电量。

根据Top-5项的属性集合，定义为X_f，即A的关键子集。S是由X_f诱导的密度子图包含的顶点集合，S集合的大小设定为大于最小定点数ρ且小于等于密度子图的最大顶点数Q；而由X_f诱导的密度子图包含的顶点之间的边C_p的总和，定义为S_c，S_c＝sum{C_p}。

于该实施例中，筛选T_i到T_n区间{A}内所有属性集，按C_p高低排序，选取前5项频繁项集，其中F_f1＝({Cp₂,Cp₃,Cp₄},{X_f1}，Sc),其中X_f1＝{P_w,P_h,D_w,D_p,W_f,U_i}。{V₂,V₄,V₈}是由频繁属性项集X_f1诱导的顶点集合，Cp₂,Cp₃,Cp₄是点V₂,V₄,V₈之间的边，则S_c＝Cp₂+Cp₃+Cp₄。

步骤3：定义频繁属性模式支持函数λ(X_f)，λ(X_f)的值是输入图中包括属性X_f的顶点个数，其中输入图是T_i到T_n时间区间下所有用户的属性图。

步骤4：定义电量属性关联函数θ，θ是密度子图中包括X_f的顶点个数size(X_f)与输入图中包括X_f的顶点个数λ(X_f)之比，如式3所示，θ即为电量属性之间的关联度。

公式

依据关联度排序，可以推断在多维属性随时间而变化条件下，对电量产生最大影响的关键属性集合以及属性变化规律。

参照图3所示，是本发明的能源互联网环境下基于属性关联的短期负荷预测系统的较佳实施例的运行环境图。所述预测系统运行于服务器1中。所述服务器1通过互联网和一个数据库2以及多个用户终端3进行通讯连接。所述服务器1是一个应用程序服务器，提供网络服务和应用程序服务，处理用户终端3发送的服务请求等。所述数据库2用于存储文件和各类表数据等。所述用户终端3分别是智能电表用电量采集终端和传统发电与新能源发电量数据采集终端；日期和时间GPS定位终端和基于GIS供电网络分布的用户侧地理信息定位终端；气象信息采集终端和空气质量监测终端，用户信息创建终端。

本发明所涉及的软件程序，依据互联网、自动控制和计算机技术编制，是本领域技术人员所熟悉的技术。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。