本發(fā)明屬于電力系統(tǒng)規(guī)劃和運行調(diào)度技術(shù)領(lǐng)域，尤其涉及一種基于用戶特性分析的多模型負荷預(yù)測方法。

背景技術(shù)：

電力系統(tǒng)發(fā)展到今天，已成為國民經(jīng)濟建設(shè)和人民生]活中必不可少的重要環(huán)節(jié)，電力系統(tǒng)的作用是對各類用戶盡可能經(jīng)濟的提供持續(xù)并且具有良好質(zhì)量的電能。電能供應(yīng)的中斷、減少都將影響到國民經(jīng)濟的各個部門，甚至造成嚴重的后果。負荷的大小與特征，無論是對電力系統(tǒng)規(guī)劃、能源資源平衡、電力余缺調(diào)劑都是極為重要的。電力作為商品與其他商品相比較，其最大的特點就是電力商品不能儲存，也就是說電的生產(chǎn)、輸送、分配、消費時同時進行的。所以提前預(yù)測供電范圍內(nèi)的用電負荷對供電企業(yè)來說是很重要的。但是由于供電公司轄區(qū)內(nèi)用電類型不一，包括居民用電，商業(yè)用電以及工業(yè)用電，同時電力負荷又受到許多因素的影響，如溫度、人均收入水平、政策法規(guī)等因素，導(dǎo)致電力負荷具有不確定性和復(fù)雜性。所以，對負荷的變化和特點，進行事先的預(yù)測，是電力系統(tǒng)規(guī)劃與運行研究的重要內(nèi)容。

電力負荷的預(yù)測就是根據(jù)負荷的過去和現(xiàn)在推測出其未來數(shù)值，由于用電量的不確定性和復(fù)雜性，那么就決定了預(yù)測結(jié)果的不完全準確性，同時由于負荷未來發(fā)展的不確定性。一方面供電線路負荷按照一定的趨勢有規(guī)律地發(fā)展變化；另一方面，負荷受到眾多因素的影響，隨時都可能發(fā)生波動。因此，對線路負荷進行預(yù)測分析時，既要充分分析其內(nèi)在的相關(guān)性及發(fā)展規(guī)律，又要考慮各種因素的影響。只有充分考慮線路負荷的特點、變化規(guī)律及影響因素，才能建立負荷實際情況的預(yù)測模型，得到更加準確的預(yù)測模型。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于用戶特性分析的多模型負荷預(yù)測方法，旨在提供基于用戶特性分析的多因子負荷預(yù)測方法，根據(jù)特定的業(yè)務(wù)規(guī)則，對線路負荷相關(guān)的影響因子進行詳細分析，結(jié)合數(shù)據(jù)分析算法構(gòu)建不同影響因子對不同用戶特性線路的具體影響關(guān)系得出負荷預(yù)測模型，通過預(yù)測模型精確預(yù)測線路的未來負荷值，為線路系統(tǒng)規(guī)劃與電力調(diào)度運行提供支撐與決策依據(jù)。

本發(fā)明是這樣實現(xiàn)的，一種基于用戶特性分析的多模型負荷預(yù)測方法，所述基于用戶特性分析的多模型負荷預(yù)測方法使用線性回歸算法與時間序列算法構(gòu)建基于不同用戶特性的負荷預(yù)測模型，通過具體數(shù)據(jù)分析算法構(gòu)建數(shù)據(jù)模型得出基于用戶特性分析的多因子負荷預(yù)測，通過線路負荷歷史數(shù)據(jù)，微氣象歷史數(shù)據(jù)，地區(qū)GDP歷史數(shù)據(jù)預(yù)測未來同期的線路負荷值；利用K-Means聚類算法對線路負荷數(shù)據(jù)進行分類，將線路負荷數(shù)據(jù)根據(jù)用電類別分為居民用電線路、商業(yè)用電線路、工業(yè)用電線路。

進一步，所述基于用戶特性分析的多模型負荷預(yù)測方法包括以下步驟：

首先需要對城南地區(qū)電力負荷數(shù)據(jù)進行聚類分析，對不同用戶特性的電力負荷變化進行分析；對影響負荷的多影響因子進行相關(guān)性分析，以初步考察其相關(guān)性；

然后對多影響因子進行信息濃縮，用少數(shù)因子代替所有原始變量去進行分析；

最后通過降維后的因子變量與不同類別下的典型線路的負荷數(shù)據(jù)進行線性回歸分析，在建立回歸模型時，根據(jù)對原始數(shù)據(jù)的統(tǒng)計類描述，對不同季節(jié)的負荷進行預(yù)測，如果夏季負荷高峰的預(yù)測和冬季負荷波動的預(yù)測。

進一步，所述回歸模型包括：

線性回歸模型，將居民用電線路負荷數(shù)據(jù)與微氣象因子關(guān)聯(lián)建立負荷預(yù)測模型；

時間序列模型，將商業(yè)用電線路負荷數(shù)據(jù)與微氣象因子；

電線路負荷預(yù)測模型與工業(yè)用電線路負荷預(yù)測模型，工業(yè)用電線路負荷數(shù)據(jù)與GDP關(guān)聯(lián)分別建立商業(yè)用。

進一步，所述回歸模型的建立的具體方法如下：

步驟一，通過負荷數(shù)據(jù)本身結(jié)構(gòu)特征對數(shù)據(jù)進行分類，使用K-Means聚類的方法把電力負荷按不同的特征分類，將線路分為居民用電類線路，商業(yè)用電類項目，工業(yè)用電類項目；

步驟二，對影響因子做降維處理，分析對負荷影響較大的氣象因素自變量的相關(guān)性，相關(guān)性驗證通過后進行因子抽取從而達到自變量降維；

步驟三，運用線性回歸模型將居民用電類線路與影響因子相關(guān)聯(lián)，通過計算分析得出不同季節(jié)下的相關(guān)系數(shù)，從而得出居民用電類線路的負荷預(yù)測模型；

步驟四，運用ARIMA模型將商業(yè)、工業(yè)用電類線路，首先對源數(shù)據(jù)進行平穩(wěn)性檢驗，如果源數(shù)據(jù)不具有平穩(wěn)性需做差分處理，然后需對數(shù)據(jù)做自相關(guān)性與偏自相關(guān)性檢驗，通過檢驗后完成模型的建立。

本發(fā)明提供的基于用戶特性分析的多模型負荷預(yù)測方法，為了完成線路負荷的精確預(yù)測，使用了線性回歸算法與時間序列算法構(gòu)建基于不同用戶特性的負荷預(yù)測模型，實現(xiàn)了基于用戶特性分析的多因子負荷預(yù)測。在本發(fā)明中主要研究微氣象因子、地區(qū)GDP與線路負荷值的具體關(guān)聯(lián)關(guān)系，通過具體數(shù)據(jù)分析算法構(gòu)建數(shù)據(jù)模型得出基于用戶特性分析的多因子負荷預(yù)測，通過線路負荷歷史數(shù)據(jù)，微氣象歷史數(shù)據(jù)，地區(qū)GDP歷史數(shù)據(jù)預(yù)測未來同期的線路負荷值。

本發(fā)明針對不同用戶特性的線路負荷分別建立對應(yīng)的線路負荷預(yù)測模型，充分考慮不同用電類型線路之間的區(qū)別，使得模型更加精確；綜合考慮多影響因子對負荷的影響，通過提取多影響因子主成分，找出對負荷影響的主要因素，摒棄次要因素，利用數(shù)據(jù)分析算法(線性回歸、時間序列算法)構(gòu)建基于主要影響因子的預(yù)測模型。

本發(fā)明利用了K-Means聚類算法對線路負荷數(shù)據(jù)進行分類，將線路負荷數(shù)據(jù)根據(jù)用電類別分為居民用電線路、商業(yè)用電線路、工業(yè)用電線路；利用線性回歸模型將居民用電線路負荷數(shù)據(jù)與微氣象因子關(guān)聯(lián)建立負荷預(yù)測模型；利用時間序列模型將商業(yè)用電線路負荷數(shù)據(jù)與微氣象因子，工業(yè)用電線路負荷數(shù)據(jù)與GDP關(guān)聯(lián)分別建立商業(yè)用電線路負荷預(yù)測模型與工業(yè)用電線路負荷預(yù)測模型；利用不同用電類別線路負荷歷史數(shù)據(jù)與影響因子歷史數(shù)據(jù)嵌入各個負荷預(yù)測模型預(yù)測未來線路負荷值；通過精確預(yù)測線路負荷值，業(yè)務(wù)部門可以掌握未來線路負荷變化趨勢，為電力系統(tǒng)線路規(guī)劃與電力調(diào)度運行提供數(shù)據(jù)依據(jù)，輔助相關(guān)部門做決策。

附圖說明

圖1是本發(fā)明實施例提供的基于用戶特性分析的多模型負荷預(yù)測方法流程圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合實施例，對本發(fā)明進行進一步詳細說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖對本發(fā)明的應(yīng)用原理作詳細的描述。

如圖1所示，本發(fā)明實施例的基于用戶特性分析的多模型負荷預(yù)測方法包括以下步驟：

S101：首先需要對城南地區(qū)電力負荷數(shù)據(jù)進行聚類分析，從而對不同用戶特性的電力負荷變化進行分析；其次對影響負荷的多影響因子進行相關(guān)性分析，以初步考察其相關(guān)性；

S102：然后對多影響因子進行信息濃縮，以減少變量的數(shù)目，用少數(shù)因子代替所有原始變量去進行分析；

S103：最后通過降維后的因子變量與不同類別下的典型線路的負荷數(shù)據(jù)進行線性回歸分析，以達到對負荷的預(yù)測；在建立回歸模型時，根據(jù)對原始數(shù)據(jù)的統(tǒng)計類描述，可以對不同季節(jié)的負荷進行預(yù)測，如果夏季負荷高峰的預(yù)測，和冬季負荷波動的預(yù)測。

本發(fā)明構(gòu)建模型的具體方法如下：

1)通過負荷數(shù)據(jù)本身結(jié)構(gòu)特征對數(shù)據(jù)進行分類，使用K-Means聚類的方法，我們可以把數(shù)據(jù)分成若干個類別，使得類別內(nèi)部的差異盡可能小，類別間的差異盡可能大，將城南地區(qū)電力負荷按不同的特征分類，以達到對不同用戶特性的電力負荷變化進行分析。通過聚類算法對線路負荷數(shù)據(jù)的分析，將線路分為居民用電類線路，商業(yè)用電類項目，工業(yè)用電類項目；

2)為了是負荷預(yù)測模型更具有準確性，需對影響因子做降維處理，分析對負荷影響較大的氣象因素自變量的相關(guān)性，相關(guān)性驗證通過后進行因子抽取從而達到自變量降維；

3)運用線性回歸模型將居民用電類線路與影響因子相關(guān)聯(lián)，通過計算分析得出不同季節(jié)下的相關(guān)系數(shù)，從而得出居民用電類線路的負荷預(yù)測模型；

4)運用ARIMA模型將商業(yè)、工業(yè)用電類線路，首先對源數(shù)據(jù)進行平穩(wěn)性檢驗，如果源數(shù)據(jù)不具有平穩(wěn)性需做差分處理，然后需對數(shù)據(jù)做自相關(guān)性與偏自相關(guān)性檢驗，通過檢驗后完成模型的建立。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。