本发明涉及节能领域，尤其是涉及一种节电潜力量化预测方法。
背景技术：
我国进入二十一世纪以来迎来了一个建设发展的高速发展期，2010年我国gdp超过日本成为全球第二大经济体，未来我国可能将宠爱过美国成为全球第一的能源消耗大国，但我国单位gdp能耗却仍是世界平均水平的三倍左右，在国际上处于很落后的位置。
因此对于用户节电潜力进行评估并对节电潜力进行量化计算，从而对高耗电用户提供节电提醒和预警，有利于为社会节能作出贡献。
技术实现要素：
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种节电潜力量化预测方法。
本发明的目的可以通过以下技术方案来实现：
一种节电潜力量化预测方法，所述的方法包括以下步骤：
s1、提取行业用户用电数据，从用户用电数据中获取用电特性指标，通过聚类分析划分用电群体；
s2、建立节电潜力预测模型，对同一用电群体内进行标杆选取，将标杆用电量输入节电潜力预测模型获得未来节电潜力预测值。
优选地，步骤s1中对行业用户用电数据进行提取时，以15min为间隔采集功率数据，每天96个点。
优选地，步骤s1所述的用电特性指标包括日均用电量、日均峰时用电、日均谷时用电、峰谷电量比和日均负荷率。
优选地，步骤s1中所述的通过聚类分析划分用电群体具体包括以下步骤：
s101、采用分类适确性指标自适应选择最优的聚类数；
s102、选定k个中心μk的初值；
s103、将每个数据点归类到距离其最近的中心点所代表的聚类中；
s104、获取每个聚类的新的中心点μk，并重复s103，迭代至最大步数或者前后的聚类准则函数值相差小于设定阈值为止。
优选地，步骤s2中建立节电潜力预测模型具体包括以下步骤：
s201：以气象和社会因素历史数据作为输入，以目标用户日节电潜力作为输出，形成样本数据集d；
s202、使用交叉验证法分别形成训练集和测试集，并利用xgboost决策树算法建立节电潜力预测模型。
优选地，利用xgboost决策树算法建立节电潜力预测模型具体为：设定xgboost模型参数，包括基本参数和训练参数，对模型进行训练，训练结束后，利用测试集参数对模型进行预测精度判断，若预测精度不满足设定值则重新设置参数，继续训练，直至满足精度要求。
优选地，步骤s202中使用交叉验证法分别形成训练集和测试集具体为：将数据集d等比例分为d1-d10，将d1作为测试集，d2-d10作为训练集，计算评价指标，之后将d2作为测试集，d1，d3-d10作为训练集，在每一轮迭代过程中，均采用交叉验证的方法进行预测模型评价指标计算。
与现有技术相比，本发明具有以下优点：
1、通过节电潜力预测，可以在未来节电潜力较高时提前提醒用户，关注自身用电习惯，督促高耗电用户及时进行节电改造；
2、节电潜力量化，更直观地指导用电行为。
3、训练模型参考气象、社会因素历史数据，并进行采用交叉验证的方法对模型进行评价，预测结果准确，仅使用灵敏度最高的几种因素的预测数据也可以实现较好的预测准确度。
附图说明
图1为本发明一种节电潜力量化预测方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本发明一种节电潜力量化预测方法，应用大数据相关技术，提出了完整的用户节电分析方法，主要包括三个模块：首先，对行业进行群体划分，计算某行业所有用户的用电特性指标，通过聚类分析划分为规模相近、具备可比性的典型用电群体；其次，在同一群体内进行进一步对比分析，对用户各指标在群体中位次计算得分，以群体平均水平为基准，量化评估每个用户的节电潜力并进行节电潜力预测，通过历史数据对每个用户建模，预测未来五天的节电潜力；最后，从用户典型用电行为、电价及环境感知三方面分析用户节电潜力影响因素和节电策略，进而指导用户用电行为。具体流程如图1所示：
行业群体划分
1.用电特性指标提取
除传统的峰谷电量、日冻结电量等采集数据之外，华东地区100kw以上的大型工商业用户以及部分居民用户开始采集15min为间隔功率数据，每天共96个点，用电特性描述指标如下：
xk＝{α1,...,αu；β1,...,βν；f1,...,fl}；
k＝1,2,...m
其中，α表示日96点功率时间序列数据，β表示月用电量时间序列数据，f表示非时序评价参数，包括日均用电量，日均峰时用电，日均谷时用电，峰谷电量比，日均负荷率，m表示样本数目。
2.行业用电群体划分
在用户用电特性指标提取的基础上，采用基于统计距离的k-means聚类算法对同一行业的用户进行聚类。由于现场采集的时间序列数据质量层次不齐，有时会出现某些点的缺失及异常，因此采用基于统计距离的k-means聚类算法，算法接受参数k，然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足同一聚类中的对象相似度较高而不同聚类中的对象相似度较小，具体步骤如下：
1)采用分类适确性指标(davies-bouldinindex，dbi)自适应选择最优的聚类数，计算公式为
2)选定k个中心μk的初值。这个过程通常是针对具体的问题有一些启发式的选取方法，或者大多数情况下采用随机选取的办法。因为前面说过k-means并不能保证全局最优，而是否能收敛到全局最优解其实和初值的选取有很大的关系。
3)将每个数据点归类到离它最近的那个中心点所代表的cluster中，其中距离计算公式不采用欧式距离，而是选择统计距离，其定义为dij＝(eij2+sij2)0.5，其中dij表示曲线i和曲线j之间的距离(数据点i与j类中心点之间的距离)，eij表示数据点i与j类中心点之间的水平方向的距离，sij表示数据点i与j类中心点之间的垂直方向的距离。
4)用公式计算出每个cluster的新的中心点
5)重复第3)步，一直到迭代了最大的步数或者前后的j的值相差小于一个阈值为止。
节电潜力量化评估和预测
1.节电潜力量化评估
获取行业用电群体后，需要选取用电群体内的节电标杆，主要依据的是日均用电量这一指标，以群体均值作为群体的节电基准标杆，节电标杆获取后，通过目标用户与节电标杆日用电量做差，即可获得目标用户的节电潜力。
2.短期节电潜力预测
以气象、社会因素历史数据作为输入，以目标用户日节电潜力作为输出，形成样本数据集d，使用交叉验证法分别形成训练集和测试集，使用xgboost算法建立节电潜力预测模型。模型采用10折交叉验证，将数据集d等比例分为d1-d10，将d1作为测试集，d2-d10作为训练集，计算评价指标，然后将d2作为测试集，d1，d3…d10作为训练集，以此类推。在每一轮迭代过程中，都采用交叉验证的方法对模型进行评价。模型建立后，使用预测日的高精度数值天气预报预测结果及是否为工作日等社会信息即可对未来短期节电潜力值进行预测。
使用训练集(样本真实值)训练一棵树建立决策树模型，并通过加入正则项限制模型的复杂度以防止过拟合。进而借助于此决策树在真实观察值上可以预测结果。
建立预测模型的方法：设定xgboost的模型参数，包括基本参数和训练参数，如基分类器，线程数，树的最大深度，学习率，迭代次数等；开始训练模型；训练模型结束后进行模型评价；如果模型的预测精度满足要求，则把训练的模型保存，否则重新设置参数，再次进行训练，直到满足要求为止；训练完成的模型会保存为一定格式的文件，如xgboost.model，该模型可以从输入的数据中预测出节点潜力数值。
xgboost模型预测函数为：
其中hi为节点的权重，gi为梯度，λ为常数项；
目标函数为：
obj中，
节电影响因素
优先保证节电潜力高灵敏度因素的预测精度，是提高节电潜力预测准确度的关键，在气象等预测数据源信息不全的情况下，仅提供灵敏度最高的几种因素的预测数据也可以实现较好的预测准确度。通过节电潜力预测，可以在未来节电潜力较高时提前提醒用户，关注自身用电习惯，督促高耗电用户及时进行节电改造。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。