本发明属于电网规划与发展决策支撑领域，具体涉及一种考虑用户源荷波动特征的居民用电量预测方法。
背景技术：
随着我国经济的发展和经济结构的调整，居民用电占全社会用电量的比重逐渐增大，并且有继续增加的趋势，它将逐步成为衡量我国全面实现小康社会的重要标志。因此，有必要对居民用电的预测模型和方法进行研究，以适应居民电力需求快速增长的需要，为不同地区不同经济发展水平居民小区电网建设提供技术支撑，对政府规划居民小区建设提供决策依据。
国内现有关于用电量预测方法研究较多，针对居民用电量的研究相对较少，如市场经济条件下居民用电分析与预测模型的研究，建立带有虚拟变量的多元回归方程，同时考虑了影响居民电力需求的经济因素和非经济因素，定量描述了非经济因素(例如气候、生活习惯、消费习惯)对居民用电的影响，又如选取影响我国农村居民用电量的9个指标因素,依次采取常规bp神经网络法、主成分-bp神经网络法、主成分回归法对我国农村2015-2020年的居民用电量进行预测。此外还有利用人工神经网络建立家用电器拥有量与居民人均年用电量之间的非线性映射关系,以居民家用电器的拥有情况为输入变量,预测居民的人均年需用电量。
总体来说采用智能算法对居民负荷的影响因素加以考虑，提高了预测精度，但对于新兴负荷的波动特征考虑较少。
技术实现要素：
近年来居民负荷大幅增加，原有20a电流的户表容量已经不能满足居民用电需求，新增大功率用电负荷繁多，如地热供暖、空气源热泵、即热式电热水器、烘干式洗衣机、电烤箱、电动汽车等，同时增加了户用分布式光伏发电设备。
居民用电设备种类与数量的增加使得负荷的随机性更强，现有智能算法求解难度不断增加，参数估计更加困难，但居民负荷与用户行为习惯与气候周期性变化具有潜在关联性，呈现出不同频度的周期性波动特征，为此本发明提出一种考虑用户源荷波动特征的居民用电量预测方法，将用电负荷按不同的波动周期进行分离，按相应周期进行预测，以提高预测精度。
为了实现上述目的，本发明采取的技术方案如下：
一种考虑用户源荷特征的居民用电量预测方法，包括以下步骤：
1)选定电量预测区域包括n个用户，每个用户具有m年小时电量数据，其中第m年为wm_i，i的取值范围为[1,8760]；
2)为了便于波动特征的归一化处理，直接预测对象为容量利用小时数，间接对象为用电量，当前容量利用小时数如式(1)计算得到第n个台区第m年的i个小时k(n,m,i)，取值范围为[0,1]，对式(1)变型可得到用电量计算公式(2)；
3)采用式(3)将待分解的每小时容量利用小时数k(n,m,i)映射到2j个小波包子空间中，其中j即为分解层数，然后采用式(4)对分解后的k(n,m,i)进行重构，由此将k(n,m,i)表示随时变信号i的所有频段分为日变化低频分量与季节变化高频分量；
式中，pjq(i)表示第j层上第q个小波包，为小波包系数；h、g分别为小波包分解的低通、高通滤波器组；h、g分别为小波包重构的低通、高通滤波器组；
4)由公式(4)，可得到第n个用户的第m年的第i个时刻的低频分量kl_n_m(i)和高频分量kh_n_m(i)分别为式(5)所示，
5)采用ar(p)的自回归模型计算第m+1年i小时的容量小时数低频与高频分量如式(6)所示，
式中参数
由预测得到的kh(n,m+1,i)和kl(n,m+1,i)可计算得到k(n,m+1,i)，进而得到m+1年的全年各小时容量利用小时数，该数据与各用户容量相乘得到用户电量，进一步将所有用户电量求和，从而得到全年电量。
与现有技术相比，本发明所取得的有益效果如下：
本发明采用了多频度波动特征分离与独立预测的方法，相比较于现有居民负荷的智能预测算法具有求解方法更为简洁，适用性更好，在波动中跟踪及时，不宜发生预测值大幅跳变的有点，总体预测精度更高，更适用于大功率源荷接入下的居民用电量预测。
具体实施方式
下面对本申请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申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。在本申请的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是为了便于描述本申请和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本申请保护范围的限制；方位词“内、外”是指相对于各部件本身的轮廓的内外。为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件方位之外的在使用或操作中的不同方位。例如，如果器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本申请保护范围的限制。
一种考虑用户源荷特征的居民用电量预测方法，包括以下步骤：
1)选定电量预测区域包括n个用户，每个用户具有m年小时电量数据，其中第m年为wm_i，i的取值范围为[1,8760]；
2)为了便于波动特征的归一化处理，直接预测对象为容量利用小时数，间接对象为用电量，当前容量利用小时数如式(1)计算得到第n个台区第m年的i个小时k(n,m,i)，取值范围为[0,1]，对式(1)变型可得到用电量计算公式(2)；
3)采用式(3)将待分解的每小时容量利用小时数k(n,m,i)映射到2j个小波包子空间中，其中j即为分解层数，然后采用式(4)对分解后的k(n,m,i)进行重构，由此将k(n,m,i)表示随时变信号i的所有频段分为日变化低频分量与季节变化高频分量；
式中，pjq(i)表示第j层上第q个小波包，为小波包系数；h、g分别为小波包分解的低通、高通滤波器组；h、g分别为小波包重构的低通、高通滤波器组；
4)由公式(4)，可得到第n个用户的第m年的第i个时刻的低频分量kl_n_m(i)和高频分量kh_n_m(i)分别为式(5)所示，
5)采用ar(p)的自回归模型计算第m+1年i小时的容量小时数低频与高频分量如式(6)所示，
式中参数
由预测得到的kh(n,m+1,i)和kl(n,m+1,i)可计算得到k(n,m+1,i)，进而得到m+1年的全年各小时容量利用小时数，该数据与各用户容量相乘得到用户电量，进一步将所有用户电量求和，
从而得到全年电量。
本例以某地级市为例进行说明：
1)选定电量预测区域包括340.4万个用户，每个用户具有10年小时电量数据，其中第m年为wm_i，i的取值范围为[1,8760]；
2)分别求取每个台区各年度每个小时的容量利用小时数k(n,m,i)；
3)采用式(3)将待分解的每小时容量利用小时数k(n,m,i)映射到2j个小波包子空间中，其中j即为分解层数，然后采用式(4)对分解后的k(n,m,i)进行重构，由此将k(n,m,i)表示随时变信号i的所有频段分为日变化低频分量与季节变化高频分量；
式中，pjq(i)表示第j层上第q个小波包，为小波包系数；h、g分别为小波包分解的低通、高通滤波器组；h、g分别为小波包重构的低通、高通滤波器组。
4)由式(5)计算得到各个用户的每年的第i个时刻的低频分量kl_n_m(i)和高频分量kh_n_m(i)；
5)按式(6)，采用ar(3)的自回归模型计算下一年i小时的容量小时数低频与高频分量如所示，式中参数
6)由预测得到的下一年高频分量kh(n,m+1,i)和低频分量kl(n,m+1,i)可计算得到下一年k(n,m+1,i)，
7)计算得到m+1年的全年各小时容量利用小时数；
8)将m+1年的各用户的容量利用小时书与各用户容量相乘得到用户电量；
9)进一步将所有用户电量求和，从而得到m+1年全年电量。
本发明采用了多频度波动特征分离与独立预测的方法，相比较于现有居民负荷的智能预测算法具有求解方法更为简洁，适用性更好，在波动中跟踪及时，不宜发生预测值大幅跳变的有点，总体预测精度更高，更适用于大功率源荷接入下的居民用电量预测。
以上所述实施方式仅为本发明的优选实施例，而并非本发明可行实施的穷举。对于本领域一般技术人员而言，在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动，都应当被认为包含在本发明的权利要求保护范围之内。