法，如图1所示，首先，采集 居民用电数据，提取出阶梯电价机制下居民用电行为的属性特征，通过聚类分析识别出阶 梯电价机制下居民不同的用电行为特征，将具有相同或相似的用电行为特征的用户归聚为 同一用户类别；
[0046] 然后，针对每个用户类别分别建立起对应的负载预测模型，并进行预测；
[0047] 最后，汇总各个用户类别的预测结果。
[0048] 本发明所述的方法的核心是一种分类负载预测模型，先把居民用电数据按不同的 用电行为特征分成若干个类，得到一组若干个具有不同输入输出的数据集，然后对每个数 据集建立起相应的负载预测模型。分类负载预测模型通过对单一负载预测模型所有含的信 息先进行分类，不同的用电行为特征采用不同的预测模型，这有助于提供更精确的预测结 果。比如，有两个不同的用户群，分别为价格敏感度高的和价格敏感度低的用户群，分类预 测可以让我们知道每个用户群的精确行为，而传统的总量的平均模型则会导致对价格敏感 度高的用户群预测过高，而价格敏感度低的用户群预测过低。
[0049] 采集居民用电数据后，进行如下操作，完成数据准备阶段：
[0050] 1)数据预处理：获取各用户当日用电量；
[0051] 2)缺失值处理：如果缺失某日用电量，则通过计算用电缺失时间段前后一天的累 计电量之差，并按照缺失的天数进行平均，作为缺失的某日用电量；
[0052] 3)异常值处理：对超出设定的指标阈值范围的当日用电量进行过滤。
[0053] 具体地，完成数据准备阶段后，利用聚类算法捕捉和识别不同用户在分析期内的 用电行为特征，将用电行为特征相同或相似的用户聚成一类。然后对居民用电数据进行分 类，即每个数据类的输入和输出都不同。接着，对不同类型的用户（即不同数据集）分别建 立最适合的负载预测模型。
[0054] 进行预测时，首先要识别待预测的用户所归的用户类别，然后选择对应的负载预 测模型进行负载预测，最后，汇总单个预测结果，得到最终总体预测结果。
[0055] 提取居民用电行为的属性特征主要包括聚类属性选择、预测输入变量提取。
[0056] 经过数据分析和预实验，本发明提取了各用户日均用电量、第二阶梯比例、第三阶 梯比例与高温敏感性四组聚类属性，来反映居民一定时间段内的负荷变化规律。
[0057]日均用电量主要取决于家庭所拥有的各类电器设备的数目，借此可推测居民的收 入水平。而收入水平接近的居民用电行为往往比较相似。
[0058] 第二阶梯比例、第三阶梯比例则可以反映用户在过去几个月内用电的波动性以及 对阶梯电价机制的反映，捕获阶梯电价机制下各用户长期的用电规律。比如，对价格较为敏 感的用户，在快进入下一阶梯时，会有意识地减少用电量，以避免进入下一阶梯，从而减少 总电价。
[0059] 此外，气象因素，尤其是温度，往往对居民用电变化产生影响。尤其是夏季持续高 温，空调等家用电器使用频率较高，日用电量往往大幅提高。高温敏感性指标反映用户在高 温天气用电量的波动情况。
[0060] 上述四组聚类属性的计算方法为：
[0061] 日均用电量=总用电量/采样总天数；
[0062] 第二阶梯比例=到达第二阶梯月份数/总月份数；
[0063] 第三阶梯比例=到达第三阶梯月份数/总月份数；
[0064] 高温敏感性=高温日平均用电量/日均用电量；其中，本实施例所定义的高温日 是指平均温度大于等于25°C的日子。
[0065] 同时，所有负载预测模型的输入变量主要提取出过去七天的用电量与当天的温度 共计八个输入属性。其中，应用历史负荷数据对预测有益，因为可以使用滚动预测方式进 行。而如果温度未知且需要预测，可以使用天气预报数据或该地区过去几年同一日的平均 温度进行估计。
[0066] 本发明提出的分类负载预测模型具有通用性与兼容性好的特点，适用于不同聚类 方法与负载预测模型在本框架下自由组合，包括常用的聚类方法（K均值，自组织特征映射 神经网络）、负载预测模型（回归，时间序列，支持向量机）。此外，不同的用户类别可以采 用完全不同的负载预测模型来进行负载预测，有助于对每个用户类别采用最适合的负载预 测模型，将极大地提高分类负载预测模型的灵活性和预测精度。
[0067] 本实施例中，使用模糊C均值聚类算法（FCM)与自组织模糊神经网络（SOFNN)模 型结合的方法，进行分类负载预测。
[0068] 相较于传统的K-means聚类算法，FCM加入了模糊的概念，使得每一个输入向量 (属性特征）不再仅隶属于某一个特定的聚类，而是以其隶属度来表示其属于不同聚类的 程度。即用户的每个属性特征隶属于一个或多个用户类别，以隶属度表示其归属于不同用 户类别的程度。
[0069] 另外，SOFNN的优点在于：第一，简单易用，即使使用者对模糊系统与神经网络认 识不深，SOFNN也能自动确定模型的结构，识别模型的参数；第二，预测精度较高。
[0070] FCM的基本思想是通过不断优化目标函数来获得各样本点对于所有聚类中心的隶 属度，进而确定样本点的类属，最终达到自动对样本数据聚类的目的。
[0071] 假设样本集合为Z = {Zl，Z2，…，zN}，N为样本总数。将其分为C个模糊聚类组， 并且求出聚类中心集为V= {Vl，v2，…，vj，依据最小二乘法原理，采用以下优化目标函数 来划分数据：
[0073] 其中，m为模糊调节参数，Um是第η个样本第c类的隶属度，且 0彡Ucn彡1，U= [UJ是CXN维的矩阵。
[0074] 此外，在模糊聚类之前，需将提取出的特征属性需进行归一化，即将这些的属性值 映射到[0.1]之间，以去除不同量级对用户用电量特征的影响。通常采用极大极小值法对 数据集进行归一化处理，处理方法如下：
[0076] 式中Zn'为采用极大极小值法归一化后的第η样本数据，分别为数 据序列的最大值和最小值。
[0077] 负载预测模型基于自组织模糊神经网络模型，图2所示，SOFNN模型包括输入层、 椭球基函数（EBF)层、标准化层、加权平均层和输出层构成。其中，
[0078] (1)输入层中的神经元i = 1，2, · · ·，r表示输入变量xi;
[0079] (2)EBF层中的神经元j = 1，2，. . .，u表示一个模糊规则的前提，各神经元将其中 所有隶属函数的值相乘作为输出结果Φ,，具体算法如下：
[0081] 式中，Clj表示隶属函数的中心，δ 表示隶属函数的宽度；
[0082] (3)标准化层中的神经元个数一般与EBF层相同，其对应的输出结果Ψ,* :
[0084] (4)加权平均层中各个神经元的输出是将标准化层输出结果乘以加权偏差W2，该 层神经兀输出结果为fj = w 2Ψ」。
[0085] (5)输出层中的每个神经元表示通过加总加权平均层中的输出结果得到的变量， 因此，该层的输出结果y为：
[0087] 自组织模糊神经网络（SOFNN)的学习过程主要包括参数学习与结构学习。
[0088] 参数学习通过在线递推最小二乘算法使得网络快速收敛。
[0089] 结构学习通过自动地增加、修改或删减椭球基函数层中的神经元的自组织，找到 最为合适的神经网络规模。
[0090] 结构学习主要包括三个关键步骤：
[0091] 1)增加神经元；
[0092] 2)修剪神经元；
[0093] 3)合并椭球基函数层中的隶属度函数与模糊规则。
[0094] 因此，通过SOFNN中的参数学习与结构学习算法，可以为每个聚类寻找最优的网 络结构进行预测。
[0095] 实施例
[0096] 本实施例以某地区533户居民为对象进行实例分析，由于该地区抄表日为11日， 我们以2014年4月11日至2015年1月10日的用电数据作为训练集，2015年1月11日至 2月10日的用电数据作为测试集来进行实验。
[0097] 数据准备阶段主要包括：
[0098] (1)数据预处理：由于所收集的智能电表记录的居民用电数据均为累计值，因此， 计算各用户当日用电量需要通过将当日的用电累计值减去前一日的用电累计值；
[0099] (2)缺失值处理：预处理后需检测数据中是否存在缺失的现象。通过计算用电缺 失时间段前后一天的累计电量之差，并按照缺失的天数进行平均，将缺失的数据补齐；
[0100] (3)异常值处理：对超出设定的指标阈值范围的数据样本进行过滤，例如：路灯、 工业用户与长期无主的住户等。
[0101] FCM聚类分析
[0102] 传统的FCM算法，需要用户事先确定聚类个数。在聚类分析中，聚类个数的确定对 聚类结果将产生很大影响。为了客观地确定合适的聚类个