本發(fā)明涉及用電量預(yù)測領(lǐng)域，更具體地說，涉及一種電力客戶用電負荷預(yù)測系統(tǒng)的建模方法。
背景技術(shù)：
：準(zhǔn)確預(yù)測用電量是電力系統(tǒng)運行和規(guī)劃的基礎(chǔ),是電力企業(yè)制定配售計劃、經(jīng)營戰(zhàn)略的基礎(chǔ)。作為一種特殊商品,電能的生產(chǎn)、輸送、分配和使用與其他工業(yè)產(chǎn)品相比有明顯不同的特點。電力無法像煤炭、石油等資源可以直接存儲,其生產(chǎn)、運輸和消費只能同時進行,供給過多會造成巨大的資源浪費,而供給不足則會嚴重影響人們的日常生活并帶來經(jīng)濟損失。此外,巨大的投資使得電網(wǎng)的建設(shè)具有一定的時滯性。因此,這就要求實現(xiàn)對未來用電量的準(zhǔn)確預(yù)測,為未來電力和電網(wǎng)投資規(guī)劃建設(shè)提供依據(jù),使電力建設(shè)滿足國民經(jīng)濟發(fā)展和人民生活的需要。技術(shù)實現(xiàn)要素：有鑒于此，本發(fā)明提供了一種電力客戶用電負荷預(yù)測的系統(tǒng)建模方法，實現(xiàn)對用電負荷的預(yù)測，為電網(wǎng)的投資規(guī)劃提供依據(jù)，提高電網(wǎng)工作效率。為了實現(xiàn)上述目的，現(xiàn)提出的方案如下：一種電力客戶用電負荷預(yù)測的建模方法，其特征在于，包括：對過去若干年的歷史日的用電負荷進行分群，分為工作日集合和非工作日集合；根據(jù)分群結(jié)果分別對工作日集合和非工作日集合的用電負荷進行建模；對預(yù)測日按是否工作日與分群結(jié)果進行匹配，以匹配對應(yīng)集合的模型對預(yù)測日負荷進行預(yù)測，得到初步預(yù)測結(jié)果；在本發(fā)明的一個優(yōu)選實施例中，還包括利用馬爾可夫求取預(yù)測誤差轉(zhuǎn)移矩陣，得到預(yù)測日誤差修正值；由初步預(yù)測結(jié)果和預(yù)測日誤差修正值得到最終預(yù)測結(jié)果。在本發(fā)明的一個優(yōu)選實施例中，對工作日集合和非工作日集合的用電負荷分別進行建模，以每個集合內(nèi)每天的溫度、鄰近日負荷曲線及鄰近日溫度經(jīng)主成分分析后的若干新特征作為輸入，以當(dāng)天的負荷曲線為輸出，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進行模型構(gòu)建。在本發(fā)明的一個優(yōu)選實施例中，所述采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進行模型構(gòu)建過程中還包括權(quán)值修正方法：使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進行反復(fù)的訓(xùn)練調(diào)整，使輸出的向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時訓(xùn)練完成，保存網(wǎng)絡(luò)的權(quán)值和偏差。在本發(fā)明的一個優(yōu)選實施例中，對每個集合以每天的溫度、鄰近日負荷曲線及鄰近日溫度經(jīng)主成分分析后的若干新特征作為輸入，包括：對當(dāng)日平均溫度和同一數(shù)據(jù)集合下當(dāng)前記錄的臨近三天平均溫度，以及同一數(shù)據(jù)集合下當(dāng)前記錄的臨近三天每天24小時內(nèi)的24個用電負荷進行主成分分析，將最終的若干新特征作為模型輸入，以降低變量維度。在本發(fā)明的一個優(yōu)選實施例中，所述初步預(yù)測結(jié)果包括：判斷預(yù)測日是否為工作日，若是工作日則匹配到工作日集合，若是非工作日則匹配到非工作日集合；在預(yù)測日所在相應(yīng)集合的預(yù)測模型中，輸入為預(yù)測日平均溫度和同一數(shù)據(jù)集合下當(dāng)前記錄的臨近三天平均溫度，以及同一數(shù)據(jù)集合下當(dāng)前記錄的臨近三天每天24小時內(nèi)的24個用電負荷進行主成分分析后得到的若干新特征，輸出為預(yù)測日的負荷曲線。在本發(fā)明的一個優(yōu)選實施例中，所述利用馬爾可夫獲取預(yù)測日的絕對誤差修正值，具體包括以下步驟：獲取絕對誤差序列樣本；利用均值方差法對負荷預(yù)測結(jié)果的絕對誤差序列狀態(tài)區(qū)間劃分；計算馬爾可夫預(yù)測誤差狀態(tài)概率轉(zhuǎn)移矩陣；根據(jù)狀態(tài)概率轉(zhuǎn)移矩陣計算出未來時刻預(yù)測誤差的狀態(tài)概率，得到誤差預(yù)測值。在本發(fā)明的一個優(yōu)選實施例中，所述由初步預(yù)測結(jié)果和預(yù)測日誤差修正值得到最終預(yù)測結(jié)果，具體根據(jù)馬爾可夫得到的預(yù)測日誤差修正值對遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)算法得到的初始預(yù)測結(jié)果進行修正，得到最終的負荷預(yù)測曲線。在本發(fā)明的一個優(yōu)選實施例中，若干年優(yōu)選為一年，即對過去一年歷史日的用電負荷按是否工作日進行分群方法包括：獲取過去一年的用戶日用電負荷；獲取每天日期信息；是工作日則劃為工作日下的用電負荷集合，周末、國家法定節(jié)假日則劃為非工作日下的用電負荷集合。經(jīng)由上述技術(shù)方案可知，該方法首先將用戶歷史用電負荷劃分為工作日集合和非工作日集合，采用主成分分析降維后利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法建立每一集合的用電負荷模型；然后，將預(yù)測日按是否工作日匹配到相應(yīng)歷史用電集合，根據(jù)歷史用電負荷集合的模型得到預(yù)測日用電負荷的初步預(yù)測值；再利用馬爾可夫求取誤差轉(zhuǎn)移矩陣，得到預(yù)測日的誤差修正值；最后根據(jù)初步預(yù)測值和誤差修正值得到預(yù)測日的最終用電負荷預(yù)測值。與現(xiàn)有技術(shù)相比，本發(fā)明綜合了主成分分析、改進的BP神經(jīng)網(wǎng)絡(luò)及馬爾可夫，提出了一種適用于電力客戶用電負荷預(yù)測的系統(tǒng)建模方法，能夠?qū)崿F(xiàn)客戶用電負荷預(yù)測，為未來電力和電網(wǎng)投資規(guī)劃建設(shè)提供依據(jù),使電力建設(shè)滿足國民經(jīng)濟發(fā)展和人民生活的需要。附圖說明為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖1示出了本發(fā)明一個實施例公開的一種應(yīng)用于電力客戶用電負荷預(yù)測的系統(tǒng)建模方法的流程示意圖；圖2為本發(fā)明實施例公開的主成分分析降維流程圖；圖3為本發(fā)明實施例公開的BP神經(jīng)網(wǎng)絡(luò)算法建模結(jié)構(gòu)圖；圖4為本發(fā)明實施例公開的遺傳算法確定BP神經(jīng)網(wǎng)絡(luò)算法權(quán)值流程圖；圖5為本發(fā)明實施例公開的馬爾可夫誤差修正流程圖；具體實施方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。圖1為本發(fā)明實施例提供的售電量預(yù)測方法的一種實現(xiàn)流程圖，包括：步驟S11：對過去一年歷史日的用電負荷按是否工作日進行分群；獲取過去一年每天的日期信息，確定每天是工作日還是非工作日，其中，非工作日包括周末和節(jié)假日，將全年歷史用電負荷劃分為兩個集合，工作日集合和非工作日集合。步驟S12：根據(jù)分群結(jié)果對每一集合的用電負荷進行建模；用電負荷影響因素眾多，要對其進行主成分分析，降低數(shù)據(jù)維度，最終確定模型輸入為預(yù)測日同一集合下前三天每天24個負荷點、預(yù)測日當(dāng)天及同一集合下前三天平均溫度經(jīng)主成分分析后的若干新特征，輸出為預(yù)測日的24個用電負荷值。確定輸入輸出后，對兩個集合中的歷史數(shù)據(jù)，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法進行建模。步驟S13：對預(yù)測日按是否工作日與分群結(jié)果進行匹配，以匹配集合的模型對預(yù)測日負荷進行預(yù)測，得到初步預(yù)測結(jié)果。判斷預(yù)測日是否為工作日，將預(yù)測日歸類到相應(yīng)的用電負荷類型，將預(yù)測日的平均溫度、預(yù)測日所在集合下前三天用電負荷曲線和平均溫度經(jīng)主成分分析后的若干新特征作為模型輸入，輸出相應(yīng)的預(yù)測日用電負荷初步預(yù)測值。步驟S14：利用馬爾可夫求取預(yù)測誤差轉(zhuǎn)移矩陣，得到預(yù)測日誤差修正值。將部分歷史的預(yù)測誤差序列等分為n個區(qū)間，求出誤差轉(zhuǎn)移矩陣，進而求取預(yù)測日的誤差修正值。步驟S15：由初步預(yù)測結(jié)果和預(yù)測日誤差修正值得到最終預(yù)測結(jié)果。根據(jù)馬爾可夫得到的預(yù)測日誤差修正值對遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)算法得到的初始預(yù)測結(jié)果進行修正，得到最終的負荷預(yù)測曲線。上述實施例中，可選的，用電負荷影響因素主成分分析，可以包括：與用電負荷有關(guān)的各因素變量之間存在較強的相關(guān)性，有必要進行主成分分析。對某一問題的研究涉及k個指標(biāo)，共有n個樣本，觀測得出的樣本矩陣x為n×k維。本發(fā)明中k個指標(biāo)包括預(yù)測日的平均溫度、預(yù)測日所在集合下前三天用電負荷曲線和平均溫度，選取過去一年若干天的數(shù)據(jù)作為樣本。對原始矩陣x進行標(biāo)準(zhǔn)化處理，消除指標(biāo)變量間由于數(shù)量級的不同而產(chǎn)生的影響。上述實施例中，可選的，用電負荷影響因素主成分分析流程圖如圖2所示，可以包括：步驟S21：根據(jù)標(biāo)準(zhǔn)化矩陣x1,x2,x3,,...xk，計算樣本的相關(guān)系數(shù)矩陣R；步驟S22：求相關(guān)系數(shù)矩陣的k個特征值λ1,λ2,λ3,...λk和相應(yīng)的特征向量e1,e2,e3,...ek；步驟S23：求各個主成分的方差貢獻率，計算累積方差貢獻率，篩選主成分。當(dāng)前m個主成分的累計方差貢獻率達到指標(biāo)信息反映精度的要求，一般為85％，求得m個主成分y1,y2,...yk代替原始變量，將m個主成分作為神經(jīng)網(wǎng)絡(luò)模型的輸入。主成分表達式為y1=e11x1+e12x2+e13x3+...+e1kxky2=e21x1+e22x2+e23x3+...+e2kxk...ym=em1x1+em2x2+em3x3+...+emkxk]]>式中：ei＝[ei1ei2...eik]，eik為原始變量的相關(guān)矩陣的第i個特征值所對應(yīng)的k維特征向量；x為k維的初始輸入變量，x＝[x1x2...xk]T。上述實施例中，可選的，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法進行建模，可以包括：利用BP神經(jīng)網(wǎng)絡(luò)算法建立用電負荷預(yù)測模型過程如圖3所示，可以包括：步驟S31：輸入單元。以預(yù)測日所在集合下前三天每天24個負荷點、預(yù)測日當(dāng)天及預(yù)測日所在集合下前三天每天平均溫度經(jīng)過主成分分析后的若干新特征作為改進后的BP神經(jīng)網(wǎng)絡(luò)輸入；步驟S32：權(quán)值修正單元。使用反向傳播算法對網(wǎng)絡(luò)的權(quán)值和偏差進行反復(fù)的訓(xùn)練調(diào)整，使輸出的向量與期望向量盡可能地接近，當(dāng)網(wǎng)絡(luò)輸出層的誤差平方和小于指定的誤差時訓(xùn)練完成，保存網(wǎng)絡(luò)的權(quán)值和偏差；步驟S33：輸出單元。以預(yù)測日的24個用電負荷值為輸出。上述實施例中，可選的，權(quán)值修正單元，可以包括：首先用遺傳算法對神經(jīng)網(wǎng)絡(luò)初始權(quán)值進行優(yōu)化，在解空間中定位出一個較好的搜索空間。使用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練優(yōu)化權(quán)值步驟如圖4所示，可以包括：步驟S41：個體編碼及種群的初始化。個體包含了整個BP神經(jīng)網(wǎng)絡(luò)的所有權(quán)值和閾值。本文對個體采用實數(shù)編碼的方式進行編碼。編碼長度為：S＝m×v+v×l+v+l其中，v為隱含層節(jié)點數(shù)；m為輸入層節(jié)點數(shù)；l為輸出層節(jié)點數(shù)。步驟S42：根據(jù)適應(yīng)度函數(shù)值對個體進行評價。適應(yīng)度函數(shù)設(shè)定為神經(jīng)網(wǎng)絡(luò)誤差平方和的倒數(shù)：其中，SE為神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出與期望輸出之間的誤差平方和。對每個個體進行解碼得到一組BP神經(jīng)網(wǎng)絡(luò)權(quán)值閾值，計算出BP神經(jīng)網(wǎng)絡(luò)的SE，然后根據(jù)適應(yīng)度函數(shù)計算出各個個體的適應(yīng)值。步驟S43：選擇、交叉、變異遺傳操作。步驟S44：達到最大進化代數(shù)，或者誤差小于設(shè)定值，跳出算法。遺傳操作完成后，取在整個遺傳操作中得到的最優(yōu)個體作為神經(jīng)網(wǎng)絡(luò)的初始權(quán)值，再運用BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，計算其誤差，并不斷修改其權(quán)值閾值，直至滿足精度要求。上述實施例中，可選的，馬爾可夫模型修正流程圖如圖5所示，可以包括：馬爾可夫鏈最基本的特征是在系統(tǒng)“現(xiàn)在”的狀態(tài)已知的條件下，其“將來”的狀態(tài)與“過去”的狀態(tài)無關(guān)。如果具有各種狀態(tài)的某種事物或某種現(xiàn)象的時間序列可視為馬爾可夫鏈，則根據(jù)n時刻的狀態(tài)即可預(yù)測出n+1時刻的狀態(tài)，這就是應(yīng)用馬爾可夫鏈模型解決各種預(yù)測問題的基本思想。本發(fā)明中用馬爾可夫進行預(yù)測誤差修正，具體步驟如圖5所示。步驟S51：獲取絕對誤差序列樣本。選取樣本后，確定每天的用電負荷預(yù)測結(jié)果絕對誤差序列其中Pn為實際用電負荷序列，為預(yù)測用電負荷序列，都為24維的列向量。步驟S52：利用均值方差法對負荷預(yù)測結(jié)果的絕對誤差序列狀態(tài)區(qū)間劃分；對于預(yù)測結(jié)果的絕對誤差序列δn其均值為均方差為s，利用均值-均方差分級法后，一般可將序列劃分為5級：其中a1,a4取值在[1.0,1.5]中取值，a2,a3在[0.3,0.6]中取值。步驟S53：計算馬爾可夫預(yù)測誤差狀態(tài)概率轉(zhuǎn)移矩陣；根據(jù)馬爾可夫理論，考慮樣本的絕對誤差數(shù)據(jù)，每一天有多個誤差狀態(tài)可能發(fā)生，若誤差在Ei的范圍內(nèi)，則事件處于狀態(tài)Ei；誤差從第一天的Ei變成第二天的Ej的概率，也就是狀態(tài)Ei經(jīng)過1步變成Ej的概率為：Pij(1)=Nij(1)Ni]]>式中：為樣本中預(yù)測誤差從Ei一步轉(zhuǎn)移到Ej的轉(zhuǎn)移次數(shù)；Ni為狀態(tài)Ei出現(xiàn)的總次數(shù)(若)，則1步狀態(tài)概率轉(zhuǎn)移矩陣為P(1)=P11(1)...P1n(1).........Pn1(1)...Pnn(1)]]>狀態(tài)概率轉(zhuǎn)移矩陣是一個n階方陣，具有兩個特點：i.矩陣各元素非負性；ii.即矩陣每行之和為1。而k步狀態(tài)概率轉(zhuǎn)移矩陣P(k)＝(P(1))k步驟S54：根據(jù)狀態(tài)概率轉(zhuǎn)移矩陣計算出未來時刻預(yù)測誤差的狀態(tài)概率，得到誤差預(yù)測值。選取當(dāng)前日(n)的用電負荷預(yù)測絕對誤差δn所在的狀態(tài)作為初始狀態(tài)，求取待預(yù)測日的狀態(tài)向量，初始狀態(tài)向量Vn。待預(yù)測第(n+1)日的用電負荷預(yù)測絕對誤差的狀態(tài)向量Vn+1＝VnP(1)待預(yù)測第(n+2)日的用電負荷預(yù)測絕對誤差的狀態(tài)向量Vn+2＝VnP(2)分別找到Vn+1或Vn+2中概率最大的值：a)找到一個概率最大的值所在的位置即是待預(yù)測的誤差所處的區(qū)間。取區(qū)間的均值即是誤差的預(yù)測值δn+1和δn+2，E1取的一半即可，E5同理。b)若概率最大的值超過1個，那么取誤差的預(yù)測值為這幾個最大值對應(yīng)區(qū)間的均值。例如，1月1日的預(yù)測結(jié)果絕對誤差初始值為δ1，狀態(tài)向量為V1，則1月2日的絕對誤差狀態(tài)向量V2＝V1P，向量V2最大的值所在的位置即是1月2日的絕對誤差所處的區(qū)間，1月3日的絕對誤差為向量V3＝V1P(2)，向量V3最大的值所在的位置即是1月3日的絕對誤差所處的區(qū)間，取區(qū)間的均值即為1月2日和1月3日絕對誤差的預(yù)測值δ2,δ3。由以上實施例可知：本發(fā)明公開了一種應(yīng)用于電力客戶用電負荷預(yù)測的系統(tǒng)建模方法。該方法首先將用戶歷史用電負荷分為兩類，分別是工作日類和非工作日類，然后采用遺傳算法改進BP神經(jīng)網(wǎng)絡(luò)算法確定每一類的用電模型。進而，將預(yù)測日根據(jù)是否工作日匹配到相應(yīng)的歷史用電類型。再根據(jù)歷史用電類型的模型預(yù)測預(yù)測日的用電負荷。本發(fā)明采用了主成分分析確定模型輸入，利用改進的BP神經(jīng)網(wǎng)絡(luò)算法確定預(yù)測模型，并由馬爾可夫?qū)δＰ皖A(yù)測結(jié)果進行誤差修正，能夠?qū)崿F(xiàn)客戶用電量負荷預(yù)測，為未來電力和電網(wǎng)投資規(guī)劃建設(shè)提供依據(jù),使電力建設(shè)滿足國民經(jīng)濟發(fā)展和人民生活的需要。當(dāng)前第1頁1 2 3