本发明属于电力系统规划和运行调度技术领域，尤其涉及一种基于用户特性分析的多模型负荷预测方法。
背景技术：
电力系统发展到今天，已成为国民经济建设和人民生]活中必不可少的重要环节，电力系统的作用是对各类用户尽可能经济的提供持续并且具有良好质量的电能。电能供应的中断、减少都将影响到国民经济的各个部门，甚至造成严重的后果。负荷的大小与特征，无论是对电力系统规划、能源资源平衡、电力余缺调剂都是极为重要的。电力作为商品与其他商品相比较，其最大的特点就是电力商品不能储存，也就是说电的生产、输送、分配、消费时同时进行的。所以提前预测供电范围内的用电负荷对供电企业来说是很重要的。但是由于供电公司辖区内用电类型不一，包括居民用电，商业用电以及工业用电，同时电力负荷又受到许多因素的影响，如温度、人均收入水平、政策法规等因素，导致电力负荷具有不确定性和复杂性。所以，对负荷的变化和特点，进行事先的预测，是电力系统规划与运行研究的重要内容。
电力负荷的预测就是根据负荷的过去和现在推测出其未来数值，由于用电量的不确定性和复杂性，那么就决定了预测结果的不完全准确性，同时由于负荷未来发展的不确定性。一方面供电线路负荷按照一定的趋势有规律地发展变化；另一方面，负荷受到众多因素的影响，随时都可能发生波动。因此，对线路负荷进行预测分析时，既要充分分析其内在的相关性及发展规律，又要考虑各种因素的影响。只有充分考虑线路负荷的特点、变化规律及影响因素，才能建立负荷实际情况的预测模型，得到更加准确的预测模型。
技术实现要素：
本发明的目的在于提供一种基于用户特性分析的多模型负荷预测方法，旨在提供基于用户特性分析的多因子负荷预测方法，根据特定的业务规则，对线路负荷相关的影响因子进行详细分析，结合数据分析算法构建不同影响因子对不同用户特性线路的具体影响关系得出负荷预测模型，通过预测模型精确预测线路的未来负荷值，为线路系统规划与电力调度运行提供支撑与决策依据。
本发明是这样实现的，一种基于用户特性分析的多模型负荷预测方法，所述基于用户特性分析的多模型负荷预测方法使用线性回归算法与时间序列算法构建基于不同用户特性的负荷预测模型，通过具体数据分析算法构建数据模型得出基于用户特性分析的多因子负荷预测，通过线路负荷历史数据，微气象历史数据，地区GDP历史数据预测未来同期的线路负荷值；利用K-Means聚类算法对线路负荷数据进行分类，将线路负荷数据根据用电类别分为居民用电线路、商业用电线路、工业用电线路。
进一步，所述基于用户特性分析的多模型负荷预测方法包括以下步骤：
首先需要对城南地区电力负荷数据进行聚类分析，对不同用户特性的电力负荷变化进行分析；对影响负荷的多影响因子进行相关性分析，以初步考察其相关性；
然后对多影响因子进行信息浓缩，用少数因子代替所有原始变量去进行分析；
最后通过降维后的因子变量与不同类别下的典型线路的负荷数据进行线性回归分析，在建立回归模型时，根据对原始数据的统计类描述，对不同季节的负荷进行预测，如果夏季负荷高峰的预测和冬季负荷波动的预测。
进一步，所述回归模型包括：
线性回归模型，将居民用电线路负荷数据与微气象因子关联建立负荷预测模型；
时间序列模型，将商业用电线路负荷数据与微气象因子；
电线路负荷预测模型与工业用电线路负荷预测模型，工业用电线路负荷数据与GDP关联分别建立商业用。
进一步，所述回归模型的建立的具体方法如下：
步骤一，通过负荷数据本身结构特征对数据进行分类，使用K-Means聚类的方法把电力负荷按不同的特征分类，将线路分为居民用电类线路，商业用电类项目，工业用电类项目；
步骤二，对影响因子做降维处理，分析对负荷影响较大的气象因素自变量的相关性，相关性验证通过后进行因子抽取从而达到自变量降维；
步骤三，运用线性回归模型将居民用电类线路与影响因子相关联，通过计算分析得出不同季节下的相关系数，从而得出居民用电类线路的负荷预测模型；
步骤四，运用ARIMA模型将商业、工业用电类线路，首先对源数据进行平稳性检验，如果源数据不具有平稳性需做差分处理，然后需对数据做自相关性与偏自相关性检验，通过检验后完成模型的建立。
本发明提供的基于用户特性分析的多模型负荷预测方法，为了完成线路负荷的精确预测，使用了线性回归算法与时间序列算法构建基于不同用户特性的负荷预测模型，实现了基于用户特性分析的多因子负荷预测。在本发明中主要研究微气象因子、地区GDP与线路负荷值的具体关联关系，通过具体数据分析算法构建数据模型得出基于用户特性分析的多因子负荷预测，通过线路负荷历史数据，微气象历史数据，地区GDP历史数据预测未来同期的线路负荷值。
本发明针对不同用户特性的线路负荷分别建立对应的线路负荷预测模型，充分考虑不同用电类型线路之间的区别，使得模型更加精确；综合考虑多影响因子对负荷的影响，通过提取多影响因子主成分，找出对负荷影响的主要因素，摒弃次要因素，利用数据分析算法(线性回归、时间序列算法)构建基于主要影响因子的预测模型。
本发明利用了K-Means聚类算法对线路负荷数据进行分类，将线路负荷数据根据用电类别分为居民用电线路、商业用电线路、工业用电线路；利用线性回归模型将居民用电线路负荷数据与微气象因子关联建立负荷预测模型；利用时间序列模型将商业用电线路负荷数据与微气象因子，工业用电线路负荷数据与GDP关联分别建立商业用电线路负荷预测模型与工业用电线路负荷预测模型；利用不同用电类别线路负荷历史数据与影响因子历史数据嵌入各个负荷预测模型预测未来线路负荷值；通过精确预测线路负荷值，业务部门可以掌握未来线路负荷变化趋势，为电力系统线路规划与电力调度运行提供数据依据，辅助相关部门做决策。
附图说明
图1是本发明实施例提供的基于用户特性分析的多模型负荷预测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例的基于用户特性分析的多模型负荷预测方法包括以下步骤：
S101：首先需要对城南地区电力负荷数据进行聚类分析，从而对不同用户特性的电力负荷变化进行分析；其次对影响负荷的多影响因子进行相关性分析，以初步考察其相关性；
S102：然后对多影响因子进行信息浓缩，以减少变量的数目，用少数因子代替所有原始变量去进行分析；
S103：最后通过降维后的因子变量与不同类别下的典型线路的负荷数据进行线性回归分析，以达到对负荷的预测；在建立回归模型时，根据对原始数据的统计类描述，可以对不同季节的负荷进行预测，如果夏季负荷高峰的预测，和冬季负荷波动的预测。
本发明构建模型的具体方法如下：
1)通过负荷数据本身结构特征对数据进行分类，使用K-Means聚类的方法，我们可以把数据分成若干个类别，使得类别内部的差异尽可能小，类别间的差异尽可能大，将城南地区电力负荷按不同的特征分类，以达到对不同用户特性的电力负荷变化进行分析。通过聚类算法对线路负荷数据的分析，将线路分为居民用电类线路，商业用电类项目，工业用电类项目；
2)为了是负荷预测模型更具有准确性，需对影响因子做降维处理，分析对负荷影响较大的气象因素自变量的相关性，相关性验证通过后进行因子抽取从而达到自变量降维；
3)运用线性回归模型将居民用电类线路与影响因子相关联，通过计算分析得出不同季节下的相关系数，从而得出居民用电类线路的负荷预测模型；
4)运用ARIMA模型将商业、工业用电类线路，首先对源数据进行平稳性检验，如果源数据不具有平稳性需做差分处理，然后需对数据做自相关性与偏自相关性检验，通过检验后完成模型的建立。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。