一种电力客户用电负荷预测系统的建模方法与流程

本发明涉及用电量预测领域，更具体地说，涉及一种电力客户用电负荷预测系统的建模方法。
背景技术：
：准确预测用电量是电力系统运行和规划的基础,是电力企业制定配售计划、经营战略的基础。作为一种特殊商品,电能的生产、输送、分配和使用与其他工业产品相比有明显不同的特点。电力无法像煤炭、石油等资源可以直接存储,其生产、运输和消费只能同时进行,供给过多会造成巨大的资源浪费,而供给不足则会严重影响人们的日常生活并带来经济损失。此外,巨大的投资使得电网的建设具有一定的时滞性。因此,这就要求实现对未来用电量的准确预测,为未来电力和电网投资规划建设提供依据,使电力建设满足国民经济发展和人民生活的需要。技术实现要素：有鉴于此，本发明提供了一种电力客户用电负荷预测的系统建模方法，实现对用电负荷的预测，为电网的投资规划提供依据，提高电网工作效率。为了实现上述目的，现提出的方案如下：一种电力客户用电负荷预测的建模方法，其特征在于，包括：对过去若干年的历史日的用电负荷进行分群，分为工作日集合和非工作日集合；根据分群结果分别对工作日集合和非工作日集合的用电负荷进行建模；对预测日按是否工作日与分群结果进行匹配，以匹配对应集合的模型对预测日负荷进行预测，得到初步预测结果；在本发明的一个优选实施例中，还包括利用马尔可夫求取预测误差转移矩阵，得到预测日误差修正值；由初步预测结果和预测日误差修正值得到最终预测结果。在本发明的一个优选实施例中，对工作日集合和非工作日集合的用电负荷分别进行建模，以每个集合内每天的温度、邻近日负荷曲线及邻近日温度经主成分分析后的若干新特征作为输入，以当天的负荷曲线为输出，采用遗传算法优化BP神经网络进行模型构建。在本发明的一个优选实施例中，所述采用遗传算法优化BP神经网络进行模型构建过程中还包括权值修正方法：使用反向传播算法对网络的权值和偏差进行反复的训练调整，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差。在本发明的一个优选实施例中，对每个集合以每天的温度、邻近日负荷曲线及邻近日温度经主成分分析后的若干新特征作为输入，包括：对当日平均温度和同一数据集合下当前记录的临近三天平均温度，以及同一数据集合下当前记录的临近三天每天24小时内的24个用电负荷进行主成分分析，将最终的若干新特征作为模型输入，以降低变量维度。在本发明的一个优选实施例中，所述初步预测结果包括：判断预测日是否为工作日，若是工作日则匹配到工作日集合，若是非工作日则匹配到非工作日集合；在预测日所在相应集合的预测模型中，输入为预测日平均温度和同一数据集合下当前记录的临近三天平均温度，以及同一数据集合下当前记录的临近三天每天24小时内的24个用电负荷进行主成分分析后得到的若干新特征，输出为预测日的负荷曲线。在本发明的一个优选实施例中，所述利用马尔可夫获取预测日的绝对误差修正值，具体包括以下步骤：获取绝对误差序列样本；利用均值方差法对负荷预测结果的绝对误差序列状态区间划分；计算马尔可夫预测误差状态概率转移矩阵；根据状态概率转移矩阵计算出未来时刻预测误差的状态概率，得到误差预测值。在本发明的一个优选实施例中，所述由初步预测结果和预测日误差修正值得到最终预测结果，具体根据马尔可夫得到的预测日误差修正值对遗传算法改进的BP神经网络算法得到的初始预测结果进行修正，得到最终的负荷预测曲线。在本发明的一个优选实施例中，若干年优选为一年，即对过去一年历史日的用电负荷按是否工作日进行分群方法包括：获取过去一年的用户日用电负荷；获取每天日期信息；是工作日则划为工作日下的用电负荷集合，周末、国家法定节假日则划为非工作日下的用电负荷集合。经由上述技术方案可知，该方法首先将用户历史用电负荷划分为工作日集合和非工作日集合，采用主成分分析降维后利用遗传算法优化BP神经网络算法建立每一集合的用电负荷模型；然后，将预测日按是否工作日匹配到相应历史用电集合，根据历史用电负荷集合的模型得到预测日用电负荷的初步预测值；再利用马尔可夫求取误差转移矩阵，得到预测日的误差修正值；最后根据初步预测值和误差修正值得到预测日的最终用电负荷预测值。与现有技术相比，本发明综合了主成分分析、改进的BP神经网络及马尔可夫，提出了一种适用于电力客户用电负荷预测的系统建模方法，能够实现客户用电负荷预测，为未来电力和电网投资规划建设提供依据,使电力建设满足国民经济发展和人民生活的需要。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1示出了本发明一个实施例公开的一种应用于电力客户用电负荷预测的系统建模方法的流程示意图；图2为本发明实施例公开的主成分分析降维流程图；图3为本发明实施例公开的BP神经网络算法建模结构图；图4为本发明实施例公开的遗传算法确定BP神经网络算法权值流程图；图5为本发明实施例公开的马尔可夫误差修正流程图；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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。图1为本发明实施例提供的售电量预测方法的一种实现流程图，包括：步骤S11：对过去一年历史日的用电负荷按是否工作日进行分群；获取过去一年每天的日期信息，确定每天是工作日还是非工作日，其中，非工作日包括周末和节假日，将全年历史用电负荷划分为两个集合，工作日集合和非工作日集合。步骤S12：根据分群结果对每一集合的用电负荷进行建模；用电负荷影响因素众多，要对其进行主成分分析，降低数据维度，最终确定模型输入为预测日同一集合下前三天每天24个负荷点、预测日当天及同一集合下前三天平均温度经主成分分析后的若干新特征，输出为预测日的24个用电负荷值。确定输入输出后，对两个集合中的历史数据，采用遗传算法优化BP神经网络算法进行建模。步骤S13：对预测日按是否工作日与分群结果进行匹配，以匹配集合的模型对预测日负荷进行预测，得到初步预测结果。判断预测日是否为工作日，将预测日归类到相应的用电负荷类型，将预测日的平均温度、预测日所在集合下前三天用电负荷曲线和平均温度经主成分分析后的若干新特征作为模型输入，输出相应的预测日用电负荷初步预测值。步骤S14：利用马尔可夫求取预测误差转移矩阵，得到预测日误差修正值。将部分历史的预测误差序列等分为n个区间，求出误差转移矩阵，进而求取预测日的误差修正值。步骤S15：由初步预测结果和预测日误差修正值得到最终预测结果。根据马尔可夫得到的预测日误差修正值对遗传算法改进的BP神经网络算法得到的初始预测结果进行修正，得到最终的负荷预测曲线。上述实施例中，可选的，用电负荷影响因素主成分分析，可以包括：与用电负荷有关的各因素变量之间存在较强的相关性，有必要进行主成分分析。对某一问题的研究涉及k个指标，共有n个样本，观测得出的样本矩阵x为n×k维。本发明中k个指标包括预测日的平均温度、预测日所在集合下前三天用电负荷曲线和平均温度，选取过去一年若干天的数据作为样本。对原始矩阵x进行标准化处理，消除指标变量间由于数量级的不同而产生的影响。上述实施例中，可选的，用电负荷影响因素主成分分析流程图如图2所示，可以包括：步骤S21：根据标准化矩阵x1,x2,x3,,...xk，计算样本的相关系数矩阵R；步骤S22：求相关系数矩阵的k个特征值λ1,λ2,λ3,...λk和相应的特征向量e1,e2,e3,...ek；步骤S23：求各个主成分的方差贡献率，计算累积方差贡献率，筛选主成分。当前m个主成分的累计方差贡献率达到指标信息反映精度的要求，一般为85％，求得m个主成分y1,y2,...yk代替原始变量，将m个主成分作为神经网络模型的输入。主成分表达式为y1=e11x1+e12x2+e13x3+...+e1kxky2=e21x1+e22x2+e23x3+...+e2kxk...ym=em1x1+em2x2+em3x3+...+emkxk]]>式中：ei＝[ei1ei2...eik]，eik为原始变量的相关矩阵的第i个特征值所对应的k维特征向量；x为k维的初始输入变量，x＝[x1x2...xk]T。上述实施例中，可选的，采用遗传算法优化BP神经网络算法进行建模，可以包括：利用BP神经网络算法建立用电负荷预测模型过程如图3所示，可以包括：步骤S31：输入单元。以预测日所在集合下前三天每天24个负荷点、预测日当天及预测日所在集合下前三天每天平均温度经过主成分分析后的若干新特征作为改进后的BP神经网络输入；步骤S32：权值修正单元。使用反向传播算法对网络的权值和偏差进行反复的训练调整，使输出的向量与期望向量尽可能地接近，当网络输出层的误差平方和小于指定的误差时训练完成，保存网络的权值和偏差；步骤S33：输出单元。以预测日的24个用电负荷值为输出。上述实施例中，可选的，权值修正单元，可以包括：首先用遗传算法对神经网络初始权值进行优化，在解空间中定位出一个较好的搜索空间。使用遗传算法对BP神经网络进行训练优化权值步骤如图4所示，可以包括：步骤S41：个体编码及种群的初始化。个体包含了整个BP神经网络的所有权值和阈值。本文对个体采用实数编码的方式进行编码。编码长度为：S＝m×v+v×l+v+l其中，v为隐含层节点数；m为输入层节点数；l为输出层节点数。步骤S42：根据适应度函数值对个体进行评价。适应度函数设定为神经网络误差平方和的倒数：其中，SE为神经网络的预测输出与期望输出之间的误差平方和。对每个个体进行解码得到一组BP神经网络权值阈值，计算出BP神经网络的SE，然后根据适应度函数计算出各个个体的适应值。步骤S43：选择、交叉、变异遗传操作。步骤S44：达到最大进化代数，或者误差小于设定值，跳出算法。遗传操作完成后，取在整个遗传操作中得到的最优个体作为神经网络的初始权值，再运用BP神经网络进行训练，计算其误差，并不断修改其权值阈值，直至满足精度要求。上述实施例中，可选的，马尔可夫模型修正流程图如图5所示，可以包括：马尔可夫链最基本的特征是在系统“现在”的状态已知的条件下，其“将来”的状态与“过去”的状态无关。如果具有各种状态的某种事物或某种现象的时间序列可视为马尔可夫链，则根据n时刻的状态即可预测出n+1时刻的状态，这就是应用马尔可夫链模型解决各种预测问题的基本思想。本发明中用马尔可夫进行预测误差修正，具体步骤如图5所示。步骤S51：获取绝对误差序列样本。选取样本后，确定每天的用电负荷预测结果绝对误差序列其中Pn为实际用电负荷序列，为预测用电负荷序列，都为24维的列向量。步骤S52：利用均值方差法对负荷预测结果的绝对误差序列状态区间划分；对于预测结果的绝对误差序列δn其均值为均方差为s，利用均值-均方差分级法后，一般可将序列划分为5级：其中a1,a4取值在[1.0,1.5]中取值，a2,a3在[0.3,0.6]中取值。步骤S53：计算马尔可夫预测误差状态概率转移矩阵；根据马尔可夫理论，考虑样本的绝对误差数据，每一天有多个误差状态可能发生，若误差在Ei的范围内，则事件处于状态Ei；误差从第一天的Ei变成第二天的Ej的概率，也就是状态Ei经过1步变成Ej的概率为：Pij(1)=Nij(1)Ni]]>式中：为样本中预测误差从Ei一步转移到Ej的转移次数；Ni为状态Ei出现的总次数(若)，则1步状态概率转移矩阵为P(1)=P11(1)...P1n(1).........Pn1(1)...Pnn(1)]]>状态概率转移矩阵是一个n阶方阵，具有两个特点：i.矩阵各元素非负性；ii.即矩阵每行之和为1。而k步状态概率转移矩阵P(k)＝(P(1))k步骤S54：根据状态概率转移矩阵计算出未来时刻预测误差的状态概率，得到误差预测值。选取当前日(n)的用电负荷预测绝对误差δn所在的状态作为初始状态，求取待预测日的状态向量，初始状态向量Vn。待预测第(n+1)日的用电负荷预测绝对误差的状态向量Vn+1＝VnP(1)待预测第(n+2)日的用电负荷预测绝对误差的状态向量Vn+2＝VnP(2)分别找到Vn+1或Vn+2中概率最大的值：a)找到一个概率最大的值所在的位置即是待预测的误差所处的区间。取区间的均值即是误差的预测值δn+1和δn+2，E1取的一半即可，E5同理。b)若概率最大的值超过1个，那么取误差的预测值为这几个最大值对应区间的均值。例如，1月1日的预测结果绝对误差初始值为δ1，状态向量为V1，则1月2日的绝对误差状态向量V2＝V1P，向量V2最大的值所在的位置即是1月2日的绝对误差所处的区间，1月3日的绝对误差为向量V3＝V1P(2)，向量V3最大的值所在的位置即是1月3日的绝对误差所处的区间，取区间的均值即为1月2日和1月3日绝对误差的预测值δ2,δ3。由以上实施例可知：本发明公开了一种应用于电力客户用电负荷预测的系统建模方法。该方法首先将用户历史用电负荷分为两类，分别是工作日类和非工作日类，然后采用遗传算法改进BP神经网络算法确定每一类的用电模型。进而，将预测日根据是否工作日匹配到相应的历史用电类型。再根据历史用电类型的模型预测预测日的用电负荷。本发明采用了主成分分析确定模型输入，利用改进的BP神经网络算法确定预测模型，并由马尔可夫对模型预测结果进行误差修正，能够实现客户用电量负荷预测，为未来电力和电网投资规划建设提供依据,使电力建设满足国民经济发展和人民生活的需要。当前第1页1 2 3