基于人体气象舒适度指数的居民用电预测方法

摘要

本发明公开了基于人体气象舒适度指数的居民用电预测方法，包括如下步骤S1：对影响居民用电影响因数的数据进行挖掘、筛选和总结；S2：基于相关系数算法或者灰色关联度算法分析居民用户负荷与各种影响因素的相关度；S3：分析气象因子对人体舒适度指数的影响；S4：根据居民用电的影响因素并结合灰色预测值，基于RBF神经网络预测模型对灰色预测值进行修整，得到最终最优的预测结果。本发明克服了在简单串联型灰色神经网络预测中由于变量数据单一而缺少的其他变量对居民生活用电的缺陷，能更好的体现出模型中主要变量对居民生活用电需求的非线性作用，预测精度高。

说明书

技术领域

本发明涉及居民用电预测技术领域，尤其涉及一种基于人体气象舒适度指数的居民用电预测方法。

背景技术

人体气象舒适度指数是人群对外界气象环境感受到舒适程度，其不仅受到自然环境的影响，也可以是人为因素带来的影响，如：在家中打开空调风扇等等电器设备，如此使人群感觉到更加舒适。通过人为因素提高居民人体气象舒适度指数，相应的则需要消耗相应的电量。居民的用电是受到诸多因素的影响，具有很强的不确定性，深入研究居民用电的影响因素，同时科学预测居民用电负荷，对城乡电力规划及需求侧管理具有重要的意义。

发明内容

为了解决现有技术中存在的缺点，本发明提出一种基于人体气象舒适度指数的居民用电预测方法，弥补了在简单串联型灰色神经网络预测中由于变量数据单一而缺少的其他变量对居民生活用电的影响，能够更好的体现出模型中主要的变量对居民生活用电需求的非线性作用，预测精度高。

为了实现上述目的，本发明采用了如下技术方案：

基于人体气象舒适度指数的居民用电预测方法，包括如下步骤：

S1：对影响居民用电影响因数的数据进行挖掘、筛选和总结；

S2：基于相关系数算法或者灰色关联度算法分析居民用户负荷与各种影响因素的相关度；

S3：分析气象因子对人体舒适度指数的影响；

S4：根据居民用电的影响因素并结合灰色预测值，基于RBF神经网络预测模型对灰色预测值进行修整，得到最终最优的预测结果。

优选地，所述的居民用电影响因数包括人口迁徙、气象因子、用电习惯、城市文化水平和节假日。

优选地，所述的气象因子包括气温、湿度、风速和日照时间。

优选地，所述的灰色关联度算法分析的确定步骤为：确定分析数列、变量无量纲化、计算关联系数和计算关联度。

本发明与现有技术相比，其有益效果为：

1.本发明基于人体气象舒适度指数的居民用电预测方法对影响居民用电影响因数的数据进行挖掘、筛选和总结，分析居民用户负荷与各种影响因素的相关度，分析气象因子对人体舒适度指数的影响，根据居民用电的影响因素并结合灰色预测值，基于RBF神经网络预测模型对灰色预测值进行修整，得到最终最优的预测结果，在普通的串联型灰色神经网络的缺点上进行优化，弥补了在简单串联型灰色神经网络预测中由于变量数据单一而缺少的其他变量对居民生活用电的影响，能更好的体现出模型中主要变量对居民生活用电需求的非线性作用，预测精度高。

附图说明

图1为本发明基于人体气象舒适度指数的居民用电预测方法框图；

图2为日负荷与人体气象舒适度指数的变化趋势图；

图3为日负荷与日最高温度、日负荷与日最低温度以及日负荷与日均温度的变化趋势图；

图4为总负荷与风速的变化趋势图；

图5为总负荷与湿度的变化趋势图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

参照图1，基于人体气象舒适度指数的居民用电预测方法，包括如下步骤：

S1：对影响居民用电影响因数的数据进行挖掘、筛选和总结；

S2：基于相关系数算法或者灰色关联度算法分析居民用户负荷与各种影响因素的相关度；

S3：引入人体气象舒适指数，分析气象因子对人体舒适度指数的影响；

S4：根据居民用电的影响因素并结合灰色预测值，基于RBF神经网络预测模型对灰色预测值进行修整，得到最终最优的预测结果。

步骤S1中，所述的居民用电影响因数包括人口迁徙、气象因子、用电习惯、城市文化水平和节假日。

人口迁徙导致城市和农村人口的大规模迁移，导致了家庭结构发生变化，如此导致居民生活用电增加或降低；

气象因子主要包括气温、湿度、风速和日照时数，室内环境温度的变化，如温度、湿度等变化表，会提高居民对电器的使用度，相应的会增加或降低用电量。

用电习惯，用电量的数据隐藏着用户的用电行为习惯和电器的运行状态，可以发掘居民的用电习惯。

节假日，通常工作为做五休二，而工作五天中的用电平均，则休息两天的时间用电会上升，主要因为不同的时段居民的生活方式发生变化，相应的用电也相应的变化。

步骤S2和S3中，以气象大数据和在气象因素影响下居民用户用电数据为基础，以灰色关联度算法分析气象因子以及人体气象舒适指数与居民用电量的关联性，详述如下：

我国纬度跨度较大，气候复杂，大至以北纬32°、40°为界划分为三个区，分别称为“高寒区”、“中温区”、“低热区”。“高寒区”以有效温度21℃为最舒适温度，“中温区”以有效温度23℃为最舒适稳定，而“低热区”则以有效温度25℃为最舒适温度。基于冯业荣等学者提出人体气象舒适度指数计算方法，可计算出每个区域的逐日人体气象舒适度指数。

当纬度LAT≥40°，即高寒区，最舒适温度为有效温度Tc＝21℃，逐日人体气象舒适度指数如式(5-1)所示：

CI＝100 exp(-(0.143T

当纬度32°≤LAT<40°，即中温区，最舒适温度为有效温度Tc＝23℃，逐日人体气象舒适度指数如式(5-2)所示：

CI＝100 exp(-(0.143T

当纬度LAT<32°，即低热区，最舒适温度为有效温度Tc＝25℃，逐日人体气象舒适度指数如式(5-3)所示：

CI＝100 exp(-(0.143T

式(5-1)～(5-3)中：CI为逐日人体气象舒适度指数，取值范围在0～100之间；T

T

式(5-4)中：T

表1 风速等级对应温度表

相对湿度折算出的当量温度T

T

式(5-5)中RH为相对湿度。

云量状况折算出的当量温度T

T

式(5-6)中，T

表2 云量、日照时数对应温度系数信息表

“人体舒适度”就是在不特意采取任何防寒保暖或防暑降温措施的前提下，人们在自然环境中是否感觉舒适及其达到怎样一种程度的具体描述；其中影响人体舒适度的气象因素主要有气温、湿度、风速以及日照时数；

人体气象舒适度指数的计算方法：舒适度指数可以分为四个等级，赋予每个舒适度等级不同权重，设定为7、5、3、1，可计算出该时间段的综合舒适度指数，参见表3；人体气象舒适度指数数值一般在100～700范围，参见表4；

表3 逐日人体气象舒适度指数与权重对应表

表4 人体气象舒适度指数、指数等级及人体感觉描述

上述具体算法为：针对某时间段，计算不同舒适度等级的天数占这一时间段总天数的百分比，采用等差系数的方法，赋予每个舒适度等级不同权重，设定为7、5、3、1，可计算出该时间段的综合舒适度指数M，如式(5-7)所示：

M＝CI

式(5-7)中：CI

舒适度指数M数值一般在100～700范围。对综合舒适度指数M进行标准化，可得出人体气象舒适度指数M

M

通过上述公式，以某市去年的全年的气象数据为基础，包括平均气温、平均湿度、平均风速以及日照时间，通过以上计算公式作出表5。

表5 某市1～12月份气象数据表

基于上节推导的人体气象舒适度指数，计算得到某市1～12月份舒适度情况，结果如表6所示：

表6 某市1～12月份人体舒适度指数

接着引入灰色关联度算法分析人体气象舒适度指数对居民用户用电的影响，并对比单个气象因子比如平均气温、风速、湿度对居民用电的影响。

其中，灰色关联算法分析是指对一个系统发展变化态势的定量描述和比较的方法，通过确定参考数据列和若干个比较数据列的几何形状相似程度来判断其联系是否紧密，其反映了曲线间的关联程度，灰色关联度算法分析的确定步骤为：确定分析数列、变量无量纲化、计算关联系数和计算关联度，详述如下：

(1)确定分析数列

确定反映系统行为特征的参考数列和影响系统行为的比较数列。参考数列是反映系统行为特征的数据序列；比较数列是影响系统行为的因素组成的数据序列。

参考数列，即母序列：

Y＝Y(k)|k＝1,2…n (5-9)

X

(2)变量无量纲化

由于系统中各因素列中的数据可能因量纲不同，在进行灰色关联度分析时要进行数据的无量纲化处理。处理方法有初始化处理和均值化处理，本发明采用均值化处理，如式(5-11)所示：

式中k对应时间段，i对应比较数列中的一行即一个特征。

(3)计算关联系数

关系系数如式(5-12)所示：

设Δ

式中：ρ为分辨系数，ρ∈(0,∞)，ρ越小分辨力越大，一般ρ的取值区间为(0,1)，当ρ≤0.5463时，分辨力最好，通常取0.5。

(4)计算关联度

关联系数是比较数列与参考数列在各个时刻(即曲线中的各点)的关联程度值，所以其数值不止一个，而信息过于分散不便于进行整体性比较。因此将各个时刻(即曲线中的各点)的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度r

关联度r

以国网某市电力公司提供的2019年6月1日～2019年8月31日的日负荷数据为基础，根据式(5-8)计算的人体气象舒适度指数，分析气象因子对人体舒适度指数的影响。图2是日负荷与人体气象舒适度指数的变化趋势图；图3为日负荷与日最高温度、日最低温度以及日均温度的变化趋势图；图4为日负荷与风速的变化趋势图；图5为日负荷与湿度的变化趋势图；

基于以上，用灰色关联度表示日负荷与最高温度、最低温度、平均温度、风速、人体气象舒适度指数的关联关系，数量统计结果的灰色关联度如表7所示。

表7 气象指标与日负荷的灰色关联度

从表7中可以看出人体气象舒适度指数与日负荷的相关度最大，相比于任何单个气象因子，人体气象舒适度指数都具有更强的相关性。

步骤S4中，根据居民用电的影响因素并结合灰色预测值，基于RBF神经网络预测模型对灰色预测值进行修整，得到最终最优的预测结果

首先对居民用电数据进行预处理，查看数据是否有遗漏或异常，对遗漏数据进行补填；然后将预处理后的数据作为灰色预测模块和居民用电影响因素模块的输入，经过灰色预测模型处理后的预测值作为一种变量加入到RBF神经网络模型的输入中，即RBF神经网络输入变量为人体舒适度指数、用电习惯以及节假日和灰色预测值这四个变量，经过归一化处理，将数据输入至RBF神经网路模块中，得到隐含层和输出层相对应的权值，再拟合运算，得到最终最优的预测结果，详述如下：

一阶GM-RBF模型的建立

灰色系统理论认为原始数列x

灰色系统建模中最基本最常用的是GM(1,1)，其灰色微分方程：

其中a，μ为待定系数。对微分方程(7-1)求解可以得到其离散响应函数：

对灰色微分方程(7-1)的参数进行白化：首先将方程(7-1)的离散响应函数(7-2)映射到一个RBP网络中，然后对这个RBP网络进行训练，当网络收敛时，从

训练后的RBP网络中提取出相应的方程系数，从而得到一个白化的微分方程，进而可利用此白化的微分方程，对系统进行深层次的研究，或对此微分方程求解。

由f(x)＝e-x函数曲线可知，该函数值域区间(0，+∞)是一个无界函数；该函数不存在一个高增益区。因此f(x)＝e-x网络的激活函数。要将(7-2)映射到RBP网络中则需要对(7-2)式作如下变换：

将对等式两边同时乘以(7-2)

则映射的灰色RBF网络结构，k为输入样本值，1、2、3、4、5则是对神经元的编号1分支到2和3，2和3合集到4上，则1-2为W

上式(7-3)，层LB神经元激活函数取为Sigmiod型激励函数：

利用最小二乘的方法估算出微分方程中的参数从而得到灰色神经网络预测模型的网络初始化的权值与阈值，使初始的权值和阈值更加接近准确值。经过(7-4)赋值及RBF网络激活函数确定后，可对网络中各神经元输出计算如下：

y＝y

当灰色预测模型的预测精度达不到预计要求的时候，记残差序列为e

加入神经网络修正残差的灰色预测模型的预测输出表达式为：

将RBF神经网络预测技术应用于灰色预测模型的残差修正中，结合RBF神经网络处理非线性问题的特性，将会对灰色预测模型的精度提高有一定的改善作用。

可以将优选组合预测技术应用到灰色系统理论和RBF神经网络知识相结合方法中，可以得到：设f

f

使用方差-协方差优选组合预测方法，则误差及方差分别为：

e

关于w1对var(ec)求极小值，可得：

因为灰色预测模型的建模思想是灰色系统理论，然而RBF神经网络预测模型的依据是人工神经网络的模拟，两者依据的建模思想及方法都截然不同，所以，两者可以看作是相对独立的两个预测模型，将两者进行组合预测是相当有比较的，可以针对组合预测分类中第二点思想进行应用。则目的是cov(e1,e2)＝0，记var(e1)＝δ11，var(e2)＝δ22，并可以依据上述条件求得组合预测权系数分别为：

由于串联型灰色神经网络只将灰色预测模型的预测结果作为输入，忽略了其它影响因素对预测结果的影响，这样的预测结果只是单一数据的体现而不是真实情况的反映。所以为了使预测更加贴近实际，本发明将原本模型中所忽略的主要影响因素再提取出来，并加上原本的灰色预测模型预测结果，经过RBF神经网络的预测，再利用灰色模型的预测误差对神经网络训练过程中权值的修正及影响因素对居民生活用电需求的非线性作用，得到最终最优的预测结果。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。