数，本实施例主要通过计算每一 个试探类别数的误差平方和（SSE)和Mean Index Adequacy(MIA)值，通过对比分析找出最 优的聚类个数参数。SSE和MIA计算公式如下： CN 105117810 A 肌 叩 ~Π> 7/9 贞
[0105] 其中，η。表示第c类中的样本数据的个数，ζ &表示第c类中的第k个样本。根据 指标变化走势选取最优聚类数，所得到的聚类结果，如图3所示，当类数超过6时，随着类数 的增加，曲线越来越平坦，SSE和MIA指标值的减小趋势明显减弱。
[0106] 同时，为了保证每一个聚类中心均有一定数量的样本，因此，将聚类个数设定为6， 聚类结果如表1所示。
[0107] 表1六个聚类中心结果
[0109] 观察K-means聚类中心的数值，结合每一类的样本特征，可以总结出以下特征： [0110] (1)第一类用户平均用电量最少，每一类用电量依次增加，第六类用户平均用电量 最多。
[0111] ⑵第一类用户用电量基本停留在第一阶梯电价规定的用电量之内，到达第二、第 三阶梯的用电量很少；第二类用户用电量平均分布在第一、第二阶梯电价规定的用电量之 内；第三类用户用电量基本停留在第二阶梯电价规定的用电量之内，第一、第三阶梯的用电 量很少；第四、五类的用户则主要停留第二、三阶梯中。其中，第四类用户的用电量更经常落 在第二阶梯，而第五类用户更经常落在第三阶梯；第六类用户用电量基本停留在第三阶梯 电价规定的用电量之内，第一、第二阶梯的用电量极少。
[0112] (3)可以看出，对于第一类、第三类、第六类用户来说，阶梯电价并不能很理想地减 少其用电量，原因在于，这类人每个月的用电量较为稳定，几乎处于某一阶梯用电量之内不 变，阶梯电价的微调并不能引起他们对生活用电量的显著改变。对于第二类、第四类、第五 类用户来说，阶梯电价对其影响可能比较明显，原因在于这三类用户的用电量分布在不同 的阶梯电价内，一般会出现阶梯跨度。当由某一阶梯用电量跳入另一阶梯用电量时，根据理 性经济学人假设，价格敏感度高的用户都会相应地减少其用电量，避免在更高的电价下面 使用更多的用电量。
[0113] 同时，根据原始数据集分别描绘出各聚类中居民用电量曲线簇，如图4所示，从中 可以发现类别1中的用户每天的用电量都很少，并且非常平均，基本集中在IOkWh以下，对 高温天气不敏感；类别3中的用户同样对高温天气不敏感；而其余类别均在夏季用电量有 明显幅度的增加，且对应的高温敏感性指标较高，这些类别中的用户对于高温天气比较敏 感。
[0114] SOFNN负载预测
[0115] 将居民用电数据按照聚类结果进行加总，再分别搭建起相应的SOFNN模型。通过 多次模拟实验与跟踪误差矫正，估计较优的SOFNN预实验参数为δ =〇.〇1，〇。= 0.1， krmse = 0.01 和 kd(i) = 0.01(i = 1，2，···，8)〇
[0116] 预测的准确性由常用的平均绝对百分比误差（MPE)衡量与最大绝对百分误差 (ME)进行衡量，计算公式如下：
[0119] 其中，yn和露表示用该区域用电总量的实际值与预测值，I表示预测的天数。
[0120] 各个聚类所对应模型的滚动误差如表2所示。
[0121] 表2聚类所对应模型的滚动预测误差
[0123] 整体来看，除了模型1外，各模型的滚动预测误差均在可接受的范围内。原因在 于，模型1所对应的聚类1中存在着一些用户，他们的用电行为随机性特别强，其用电规律 难以甄别。在分类预测模型中，这类用户的用电行为和其它有规律的用户用电行为差别较 大，往往会将这类用户归为一类。但由于随机性强等特点，这类用户的用电行为往往无法精 确预测。所幸，模型1所预测的用电量相对于总用量的比例较小，对分类预测模型的预测精 度影响并不大。
[0124] 将各模型预测结果进行汇总，如图5所示，得到最终分类负载预测模型结果。单一 负载预测模型与分类负载预测模型的MPE值分别为3. 34%与2. 78%，均在4%以内，精度 结果令人满意。相比于单一负载预测模型，分类负载预测模型整体预测精度提高了 〇. 56%。 此外，在第14天的时候（即2015年1月25日）两个模型预测精度同时下降至90%以下， 查阅了相关历史数据发现，其原因是由于区域性停电导致实际用电量突然大幅降低。对于 这种突发事件，预测模型难以及时对此进行响应和修正，这在一定程度上影响了总体的预 测精度。
[0125] 上述实施例仅是用来说明本发明，而并非用作对本发明的限定。只要是依据本发 明的技术实质，对上述实施例进行变化、变型等都将落在本发明的权利要求的范围内。
【主权项】
1. 一种阶梯电价机制下居民用电中期负载预测方法，其特征在于， 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； 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； 最后，汇总各个用户类别的预测结果。2. 根据权利要求1所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 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。3. 根据权利要求1所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 采集居民用电数据后，进行如下操作： 1) 数据预处理：获取各用户当日用电量； 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； 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。4. 根据权利要求1所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 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。5. 根据权利要求1所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 提取居民用电行为的属性特征包括聚类属性选择、预测输入变量提取；聚类属性包括各用 户日均用电量、第二阶梯比例、第三阶梯比例与高温敏感性；预测输入变量包括过去七天的 用电量、当天的温度。6. 根据权利要求5所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 日均用电量=总用电量/采样总天数； 第二阶梯比例=到达第二阶梯月份数/总月份数； 第三阶梯比例=到达第三阶梯月份数/总月份数； 高温敏感性=高温日平均用电量/日均用电量。7. 根据权利要求1所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 聚类分析通过模糊C值均值聚类算法实现，用户的每个属性特征隶属于一个或多个用户类 另IJ，以隶属度表示其归属于不同用户类别的程度。8. 根据权利要求1所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 负载预测模型基于自组织模糊神经网络模型，包括输入层、椭球基函数层、标准化层、加权 平均层、输出层。9. 根据权利要求8所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 自组织模糊神经网络的学习过程包括参数学习、结构学习； 参数学习通过在线递推最小二乘算法使得网络快速收敛； 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，查找并选 择神经网络规模。10. 根据权利要求9所述的阶梯电价机制下居民用电中期负载预测方法，其特征在于， 结构学习包括如下操作： 1) 增加神经元； 2) 修剪神经元； 3) 合并椭球基函数层中的隶属度函数与模糊规则。
【专利摘要】本发明涉及一种阶梯电价机制下居民用电中期负载预测方法，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；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；最后，汇总各个用户类别的预测结果。本发明创新性地将阶梯电价相关的指标引入聚类模型中；利用智能电表所提供的更精确，更全面的数据，更好地进行中期负载预测。同时，相比传统的每15分钟数据采集，在保证精度要求的前提下，本方法利用较少的数据采样点(每日数据)进行中期预测。
【IPC分类】G06Q30/02, G06Q10/04, G06Q50/06
【公开号】CN105117810
【申请号】CN201510616219
【发明人】蔡秀雯, 王铮, 傅馨, 曾晓军, 冷钢
【申请人】国网福建省电力有限公司泉州供电公司, 泉州亿兴电力有限公司
【公开日】2015年12月2日
【申请日】2015年9月24日