[發明專利]基于差異化建模的校園用電量預測建模方法

在審

• 申請號: 201811296952.7
• 申請日: 2018-11-01
• 公開（公告）號: CN109508820A
• 公開（公告）日: 2019-03-22
• 發明（設計）人: 楊冰芳;李海英;張巍;田穎;申偉偉
• 申請（專利權）人: 上海理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62
• 代理公司: 上海天協和誠知識產權代理事務所 31216
• 代理人: 沈國良

本發明公開了一種基于差異化建模的校園用電量預測建模方法，本方法將校園天氣狀況、是否節假日以及歷史用電量作為原始數據集；采用基于FCM和分化距離的方法對原始數據集進行不良數據辨識，確定訓練集數據庫，為避免噪聲數據的干擾，再次通過FCM對訓練集進行分類，產生子訓練集；利用Lazy Learning算法對用電量預測進行差異化建模。本方法通過對實際用電數據中不良數據辨識和真實擬合，合理地對用電量進行預測，可根據不同樓棟，不同待測日期建立不同的用電量預測模型，算例表明本方法可以對校園樓棟用電量進行合理準確的預測，并且有利于電力部門獲取清晰的用電模式信息，合理安排調度校園不同樓棟的用電。

技術領域

本發明涉及一種基于差異化建模的校園用電量預測建模方法。

背景技術

準確的用電量預測是能量管理系統的重要組成部分，合理準確地預測用電情況既有利于電力系統經濟可靠地運行，又有益于校園電網的合理規劃。針對用電特征進行差異化用電量預測建模，可以幫助更好的滿足不同情況下的用電需求，有利于電力的最優調度。然而，由于智能電網背景下用電數據的容量大，復雜度高和生成速度快等特征，使得傳統的預測方法無法有效地挖掘不同時期、不同作業條件下的有效用戶用電模式信息。如何在大數據環境下針對不用用戶用電模式進行差異化建模對研究者來說是一個挑戰。

發明內容

本發明所要解決的技術問題是提供一種基于差異化建模的校園用電量預測建模方法，本方法對校園實際用電數據中不良數據辨識以及真實擬合，建立計及天氣、節假日特征的校園差異化用電量預測模型，從而對校園各樓棟用電量進行合理準確的預測，有利于電力部門獲取清晰的用電模式信息，合理安排調度校園各樓棟的用電。

為解決上述技術問題，本發明基于差異化建模的校園用電量預測建模方法包括如下步驟：

步驟一、獲取待測校園所在地的天氣狀況，通過校歷獲取是否節假日，通過校園電網獲取歷史用電量作為原始數據集；

步驟二、采用因子分析法將天氣狀況量化，以便搭建模型時作為參數使用；

步驟三、原始數據集存在由于設備記錄或者用電行為突然變更而導致的不良數據，采用基于FCM聚類算法和分化距離方法對原始數據集進行不良數據辨識，篩除孤立數據和不良數據，確定訓練集數據庫；

步驟四、為減少噪聲數據的干擾，選擇更加有利的建模點，再次采用FCM 聚類算法對訓練集進行分類，產生子訓練集；

步驟五、利用Lazy Learning算法，在子訓練集中通過k-vnn計算訓練集中數據點與待預測點之間的歐式距離，選取距離最近的k個數據點作為建模點，通過回歸模型擬合k個建模點，對校園用電量建立預測建模，預測待預測點的用電量。

進一步，所述FCM聚類算法對數據庫數據進行處理，根據天氣狀況、是否節假日、最高溫度、最低溫度四個特征獲得用電量分類；分化距離方法對經FCM聚類算法得到的用電量分類計算，分別計算各類別中任意兩個數據點x_i和x_j之間的實際歐式距離D(i,j)和最大距離distance_max，選取一個[0,1]內的數值作為分化度μ，對全部D(i,j)進行分化計算，即放大數據對象之間的距離，得到處理后x_i和x_j之間的分化距離為r(i,j)，其數學表達式為：

比較D(i,j)與distance_max的比值并與μ比較，若比值小于μ，則縮小比值使得分化距離小于實際距離；反之，放大分化距離；比值和μ的差值與分化距離呈斜率增大的反比趨勢，即差值越大，其分化距離越??；差值越小，其分化距離越大；通過分化處理，聚類中關聯性大的數據更加緊密，同時分離具有差異性的數據，使得離群點距離正常值更遠，達到兩極分化的目的。