[發明專利]一種基于用電行為的具備熔斷機制的短期負荷以及電量預測方法

有效

• 申請號: 201710602531.1
• 申請日: 2017-07-21
• 公開（公告）號: CN107464015B
• 公開（公告）日: 2021-06-11
• 發明（設計）人: 陳智;陸寒熹;張兵
• 申請（專利權）人: 南京林洋電力科技有限公司;江蘇林洋能源股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 北京思創大成知識產權代理有限公司 11614
• 代理人: 王堯

1.一種基于用電行為的具備熔斷機制的短期負荷以及電量預測方法，其特征是該方法包括：

S1、臟數據清洗：獲取數據樣本，通過數據平滑算法對數據樣本中的缺測數據及異常數據進行擬合修正；

S2、數據建模：根據時序、季度溫差對數據樣本的影響定義數據元素的結構；建立預測模型，對每個采樣點進行預測，獲取負荷以及電量短期預測值；

所述的S2具體為：

S2-1、定義X_i表示當日任一時段樣本示值，X_i-t表示t日前的樣本示值；N_2h表示預測點近兩小時平均負荷；N_d表示預測點前10個工作日或4個非工作日對應時段的平均負荷；表示高低溫負荷加權均值；表示正常溫度負荷加權均值；表示樣本區高低溫負荷加權均值；表示樣本區正常溫度負荷加權均值；

S2-2、采用下述公式計算調整因子μ，μ的初始設置為1：

S2-3、采用下述公式計算氣溫疊加模型系數λ₁和氣溫比例模型系數λ₂，λ₁、λ₂的初始值均設置為1；

取誤差最小的值作為氣溫加權系數λ_i；

λ_i＝max{λ₁，λ₂}；

S2-4、采用下述公式獲取負荷以及電量短期預測值R_i：R_i＝X_i×μ×λ_i；該方法還包括：

S3、判別數據熔斷點，更新預測模型進行預測分析：根據神經網絡的反向傳播算法獲取神經元步長，當周期性神經元步長與上次匹配時，則繼續采用該模型進行預測分析，當周期性神經元步長與上次不匹配時，視該點為數據熔斷點，更新預測模型，重新進行數據分析。

2.根據權利要求1所述的基于用電行為的具備熔斷機制的短期負荷以及電量預測方法，其特征是該方法還包括：

S4、短期負荷以及電量預測可視化：將分析數據構成數據圖像，同時將數據的各個屬性值以多維的形式進行可視化展示。

3.根據權利要求1所述的基于用電行為的具備熔斷機制的短期負荷以及電量預測方法，其特征是當對負荷進行預測時，樣本參數為有功功率，當對電量進行預測時，樣本參數為電量。

4.根據權利要求1、2或3之一所述的基于用電行為的具備熔斷機制的短期負荷以及電量預測方法，其特征是所述的S1中數據平滑算法為：

S1-1、定義X_i表示當日任一時段樣本示值，X_i-s表示s日前的同時段樣本示值，3≤s≤5；

S1-2、進行判別，若s日內任意天為空值，則取其余非空值的均值填充空值，非空值天數不少于兩天；若非空值天數少于兩天，則繼續向前s日推算均值，依次替換缺測數據及異常數據。

5.根據權利要求1所述的基于用電行為的具備熔斷機制的短期負荷以及電量預測方法，其特征是所述的S3具體為：

S3-1、通過歷史數據獲取神經元步長Y_i：

k＝min{Y_d,Y_w,Y_m}，當k的值為Y_d時，則取Y_i＝Y_d；當k的值為Y_w時，則取Y_i＝Y_w，當k的值為Y_m時，則取Y_i＝Y_m；

X_i表示當日任一時段樣本示值，X_i-s表示s日前的同時段樣本示值，3≤s≤5；

其中，Y_d表示日神經元；Y_w表示周神經元；Y_m表示月神經元；

S3-2、判斷神經元步長Y_i與上次所屬的類別是否匹配，即神經元步長為Y_d時，上次神經元步長是否還是為Y_d；神經元步長為Y_w時，上次神經元步長是否還是為Y_w；神經元步長為Y_m時，上次神經元步長是否還是為Y_m；

若不匹配，表示企業用能特征發生改變，之前歷史數據會成為干擾項，須從數據熔斷點開始重新學習神經元步長，數據熔斷點之前數據不納入學習樣本區，恢復步驟S2中的初始設置，進行負荷以及電量短期預測；若匹配，則繼續步驟S2，進行負荷以及電量短期預測。