一种基于多元用户行为画像的用电负荷预测方法与流程

本发明涉及用电负荷预测领域，更具体地，涉及一种基于多元用户行为画像的用电负荷预测方法。

背景技术：

快速准确的电力负荷预测有利于提高电力系统的经济性和可靠性，且是实现自动发电控制以及经济调度控制的前提。随着现代电力行业的逐步改革，准确的电力负荷预测在很大程度上决定了改革的趋势和方向，但是非线性和波动性加大了负荷预测的难度。经济、天气和其他因素的影响导致每天、每周、每年的负荷都在变动。短期负荷预测的精确程度影响着电能的利用率以及电力系统运行的安全性和可靠性。

目前对于短期电力系统负荷预测已经提出大量的方法，包括传统的时间序列、神经网络、小波分析等方法。随着我国电力系统日趋复杂化以及智能电网的发展，影响负荷的因素也呈现出复杂化特点，因此在建立预测模型时，确定影响负荷的相关因素是首先解决的问题。

在众多预测方法中，大多数模型对于影响因素仅依靠经验来选择，这不仅缺乏客观性还会影响预测精度。而且对于电力系统，往往只采取单一的预测方法对用户的用电负荷进行预测，针对目前综合管理下的智能电网系统，用户呈现多元化的特点，用电情况也逐渐多元化，因此亟需针对智能电网下的多元用户的类型采取对应的用电负荷预测方法，快速准确地作出短期电力负荷预测，提高电力系统运行的安全性和可靠性。

技术实现要素：

本发明旨在克服上述现有技术的至少一种缺陷，提供一种基于多元用户行为画像的用电负荷预测方法，能够对不同类型的多元用户采取对应的预测方法，从而达到快速精准地预测电力系统负荷。

本发明采取的技术方案是，

一种基于多元用户行为画像的用电负荷预测方法，采用所述方法对多元用户的用电负荷进行预测，包括以下步骤：

选取若干个多元用户的历史用电负荷数据，并对多元用户的历史用电负荷数据进行预处理；针对不同类型的多元用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，所述不同类型的多元用户包括用电平稳性差的用户、用电平稳性好的用户、温度敏感性低的用户；

利用预测模型对多元用户的用电负荷进行预测得到预测结果，并对所述预测结果进行展示。

多元用户行为画像是基于不同行业的海量用户数据，从温度敏感、电价敏感和用电平稳度三个角度，感知用户行为规律，分别建立和量化特征指标并综合评价，形成用户用电行为标签，最终建立用电行为标签量化、分类、组合的多行业多属性用电行为画像。本发明一种基于多元用户行为画像的用电负荷预测方法，面向不同负荷类型的短期或者超短期用电预测技术，包括面向不同用电平稳度用户、不同温度敏感度用户和不同电价敏感度用户，分别采取不同的负荷预测方法，其中预测的方法包括以下步骤：首先选取多个某一类型多元用户的历史用电负荷数据，并对多元用户的历史用电负荷数据进行预处理，根据多元用户的类型采取相应的算法对预处理后的历史用电负荷数据进行模型训练学习，从而得到对应的预测模型，最后利用训练得到的预测模型对多元用户待预测时刻的用电负荷进行预测得到多个预测结果，并将多个预测结果进行展示。本发明一种基于多元用户行为画像的用电负荷预测方法，面向不同类型的用电用户采取相应的用电预测方法，实现快速精准地对用户的用电负荷进行预测，极大地提高了电能的利用率以及电力系统运行的安全性和可靠性。

进一步地，所述对多元用户的历史用电负荷数据进行预处理，具体包括：对多元用户的历史用电负荷数据进行归一化处理。

本发明选取多个历史用电负荷数据作为样本，将这些样本进行归一化处理，就是把多个数据经过处理后限制在一定的范围内，归纳统一样本的统计分布性，其目的是为了接下去的步骤中对数据处理的方便性，保证算法程序运行的收敛速度。

进一步地，所述对多元用户的历史用电负荷数据进行预处理，还包括：对多元用户的历史用电负荷数据进行去除离群点处理。

离群点是由于外部干扰造成的异常点，离群点会影响模型的拟合精度，甚至得到一些虚拟的信息，本发明对多元用户的历史用电负荷数据样本进行归一化处理后，对数据样本进行去除离群点处理，剔除数据样本中与其他样本行为或者特征不一致的异常点。

进一步地，所述对多元用户的历史用电负荷数据进行预处理，还包括：对多元用户的历史用电负荷数据进行聚类处理。

将物理或抽象对象的集合分为由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。本发明在预处理过程中通过对用户历史用电负荷数据进行归一化处理和去除离群点处理后，进而对历史用电负荷数据进行聚类处理，对多个数据样本进行统计分析将临近的类似分类区域数据进行聚类并合并。

进一步地，所述针对不同类型的用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，具体包括：

针对用电平稳性差的用户，对预处理后的历史用电负荷数据进行模型训练，得到基于分类多模型变权模糊综合预测模型；

针对用电平稳性好的用户，对预处理后的历史用电负荷数据进行模型训练，得到pso优化最小二乘预测模型；

针对温度敏感性低的用户，对预处理后的历史用电负荷数据进行模型训练，得到lstm负荷预测模型。

本发明面向用电平稳性差的用户、用电平稳性好的用户和温度敏感性低的用户，采用基于分类多模型变权模糊综合预测模型、pso优化最小二乘预测模型和lstm负荷预测模型对其历史用电负荷数据进行用电负荷预测。

在电网的领域中，基于分类多模型变权模糊综合预测模型常常用于研究大用户短期电力负荷预测问题，所谓大用户通常是指钢铁、水泥、炼铝等高能耗工矿企业用户，其用电量超过一定规模，成本支出中电费占很大比例，并经常在其所在地区电力负荷中占有较大比重，大用户电力负荷较少受气候、节假日等因素的影响，但与企业生产工艺和生产计划直接相关，变化剧烈，随机性强，因此其负荷预测更为复杂。本发明参考大用户用电不受其他外界因素干扰且平稳性较差的特点，因此采用基于分类多模型变权模糊综合预测模型对用电平稳性差的用户进行负荷预测；在电网领域中，非线性和波动性加大了负荷预测的难度，经济、天气和其他因素的影响导致每天、每月、每年的负荷都在变动，最小二乘支持向量机算法能够极大地提高求解速率，同时参数的选择在算法中极为重要，因此在此基础上提出了pos优化的最小二乘支持向量机，本发明考虑天气经济等外界因素，有针对性地采用最优的pos优化最小二乘支持向量机模型对平稳性好的用户进行负荷预测；lstm负荷预测模型采用的lstm神经网络是改进循环神经网络的计算单元得到的一种深度学习算法，对于处理时间序列相关的数据有良好的效果。在电网领域中往往用来计算负荷的时间相关性从而提高负荷预测的精度，本发明针对温度敏感性低的用户，考虑其用电负荷大小受温度影响较小，受到其他因素如节假日(日期类型)、产品销量等因素影响较大，因此有针对性地采用lstm负荷预测模型，快速准确地得到待预测时刻的用电负荷数据。

进一步地，所述对预处理后的历史用电负荷数据进行模型训练，得到基于分类多模型变权模糊综合预测模型，具体包括：

将预处理后的历史用电负荷数据根据负荷变化规律进行分组，得到多个典型负荷模式；

采用神经网络对各典型负荷模式类进行模型训练，建立预测子模型；

计算待预测时刻负荷模式与各典型用电负荷模式类之间的相似度，并据此确定各子模型的权重；

基于变权综合的模糊推理方法融合各子模型的预测值，得到模糊综合预测结果。

中国期刊《电力设备》2017年第33期中的《电力负荷数据预测模型研究》具体针对大用户的短期电力负荷预测问题，给出一种基于变权综合模糊推理的多模型综合预测方法。本发明将此方法运用于对用户的用电负荷进行预测，其方法主要包括：首先，给出基于质心相似度聚类的负荷模式分析算法，借助该算法可剔除少量的离群异常数据，得到反映用户负荷模式特点的典型负荷模式，并依据相似性进行分组；然后，给出基于共扼梯度的神经网络学习算法，分别训练rbfnn建立与各典型负荷模式分组相对应的单元子预测模型；接着给出一种基于相似度的子模型定方法，从而使得电力的负荷更小。本发明对用电平稳性较差的用户的各典型负荷模式类进行模型训练，使用神经网络学习算法，训练神经网络，建立预测子模型，然后计算待预测时刻负荷模式到各典型负荷模式类之间的相似度，并据此确定各子模型的权重，最后采用基于变权模糊综合方法融合各子模型的权重得到分类多模型变权模糊综合预测模型。本发明通过分类多模型变权模糊综合预测模型预测用电平稳性较差用户的用电负荷，有效地提高了预测准确度，对进一步面向需求侧管理的负荷形态分析图和主动负荷与分布式电源的互动响应行为分析具有研究的意义。

进一步地，所述神经网络采用rbf神经网络。

rbf神经网络是一种三层神经网络，包括输入层、隐层、输出层，从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。rbf神经网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的，网络的权可由线性方程组直接解出，大大加快学习速度并避免局部问题。

进一步地，所述对预处理后的历史用电负荷数据进行模型训练，得到pso优化最小二乘预测模型，具体包括：

采用pso算法对参数进行选优处理，得到最优化的参数，所述参数包括正则化参数c、核参数δ和损失函数中的ξ；

将预处理后的历史用电负荷数据和优化后的参数代入到最小二乘支持向量机函数的回归方程中，建立pso优化最小二乘支持向量机预测模型。

本发明结合温度信息、日期信息、历史负荷信息对用电平稳性好的用户采取基于pso优化最小二乘向量机的预测方法进行短期负荷预测，中国期刊重庆理工大学学报(自然科学)2016年3月第30卷第3期的《基于pso优化参数的最小二乘支持向量机短期负荷预测》的相关文章提到基于pso优化最小二乘支持向量机对用户短期负荷预测的过程，本发明运用此算法对用电平稳性较好的用户进行短期负荷预测，具体过程为：首先采用pso算法对参数和核函数进行选优处理，得到最优化的参数和核函数，确定决策回归方案并将历史用电负荷数据代入到回归方程中，得到pso优化最小二乘支持向量机预测模型。pso优化算法是近年来流行的一种群智能优化算法，具有参数少、收敛速度快、全局搜索能力强等优点，在最小二乘法支持向量机短期负荷预测过程中，参数的寻优选取是提高预测精度的重要因素，选取pso优化算法对svm进行参数寻优可以很好地提高预测精度。

进一步地，所述对预处理后的历史用电负荷数据进行模型训练，得到lstm负荷预测模型，具体包括：

建立lstm神经网络，通过预处理后的历史用电负荷数据计算神经网络的计算节点，得到lstm负荷预测模型；

基于负荷聚合商聚类分析算法、基于负荷相关因素的预测分类器和多模型负荷lstm聚合商算法的结合，对预处理后的历史用电负荷数据进行模型训练，得到多模型lstm的负荷聚合商预测模型；

分别采用lstm负荷预测模型和多模型lstm的负荷聚合商预测模型对多元用户的用电负荷进行预测。

《基于lstm网络的短期负荷预测》中提到采用lstm短期负荷预测的方法基于电力公司的历史负荷数据进行负荷预测，并通过对比lstm神经网络预测结果与bp神经网络算法预测结果，验证了所提算法的预测精度更高。因此本发明运用此方法对温度敏感度较低的用户的历史用电负荷数据进行模型训练，考虑其用电负荷大小受温度影响较小，受到其他因素如节假日、产品销量等其他因素影响较大，因此采用一种基于多模型lstm的聚合商短期负荷预测技术，首先根据历史用电负荷数据对lstm神经网络进行训练学习，然后基于负荷聚合商聚类分析、基于负荷相关因素的预测分类器和多模型负荷lstm聚合商负荷预测算法，训练学习神经网络，最终得到多模型lstm的负荷聚合商预测模型。通过该模型对温度敏感性较低的用户用电负荷进行预测，结合负荷相关影响因素的预测分类有效地提高温度敏感度用户的用电预测效果。

进一步地，所述对所述预测结果进行展示，具体包括：对多元用户的待预测时刻的用电负荷数据进行预测，将预测结果输入到表格并通过曲线图展示。

本发明分别通过以上步骤对不同类型的用户采取相应的预测模型进行预测，并得到多个预测结果，将预测结果数据进行表格记录并通过对比曲线图进行分析，直观地显示用户的用电负荷变化情况。

与现有技术相比，本发明的有益效果为：本发明一种基于多元用户行为画像的用电负荷预测方法，主要面向用户类型分别为用电平稳性差的用户、用电平稳性较好的用户、温度敏感度较低的用户，对应生成预测模型分别为分类多模型变权模糊综合预测模型、pso优化最小二乘预测模型、多模型lstm负荷预测模型，并采用相应训练得到的预测模型对多元用户进行用电负荷预测。通过面向不同类型的用电用户采取相应的用电预测方法，实现快速精准地怼用户的用电负荷进行预测，极大地提高了电能的利用率以及电力系统运行的安全性和可靠性。

附图说明

图1为本发明的步骤流程图。

具体实施方式

本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

实施例

如图1所示，图1为本发明实施例一种基于多元用户画像的用电负荷预测方法的步骤流程图，采用所述方法对多元用户的用电负荷进行预测，包括以下步骤：

s1、选取若干个多元用户的历史用电负荷数据，并对多元用户的历史用电负荷数据进行预处理；

优选地，本实施例中所述对多元用户的历史用电负荷数据进行预处理，具体包括：对多元用户的历史用电负荷数据进行归一化处理；

优选地，本实施例中所述对多元用户的历史用电负荷数据进行预处理，还包括：对多元用户的历史用电负荷数据进行去除离群点处理；

优选地，本实施例中所述对多元用户的历史用电负荷数据进行预处理，还包括：对多元用户的历史用电负荷数据进行聚类处理；

具体地，本发明实施例针对一种类型的多元用户选取多个历史用电负荷数据作为数据样本，并对数据样本进行预处理，预处理具体过程为：首先对数据样本进行归一化处理，将多个数据限制在一定范围内，方便后续的数据处理步骤；其次对归一化处理后的数据样本进行去除离群点处理，剔除数据样本中特征不一致的异常点，保证训练模型的拟合精度；最后对去除离群点处理后的数据样本进行聚类处理，将类似分类区域的数据进行聚类合并。

s2、针对不同类型的多元用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，所述不同类型的多元用户包括用电平稳性差的用户、用电平稳性好的用户、温度敏感性低的用户；

优选地，本实施例中所述针对不同类型的用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，具体包括：

针对用电平稳性差的用户，对预处理后的历史用电负荷数据进行模型训练，得到基于分类多模型变权模糊综合预测模型；

针对用电平稳性好的用户，对预处理后的历史用电负荷数据进行模型训练，得到pso优化最小二乘预测模型；

针对温度敏感性低的用户，对预处理后的历史用电负荷数据进行模型训练，得到lstm负荷预测模型。

优选地，本实施例中所述对预处理后的历史用电负荷数据进行模型训练，得到基于分类多模型变权模糊综合预测模型，具体包括：

将预处理后的历史用电负荷数据根据负荷变化规律进行分组，得到多个典型负荷模式；

采用rbf神经网络对各典型负荷模式类进行模型训练，建立预测子模型；

计算待预测时刻负荷模式与各典型用电负荷模式类之间的相似度，并据此确定各子模型的权重；

基于变权综合的模糊推理方法融合各子模型的预测值，得到分模糊综合预测结果。

优选地，本实施例中所述对预处理后的历史用电负荷数据进行模型训练，得到pso优化最小二乘预测模型，具体包括：

采用pso算法对参数进行选优处理，得到最优化的参数，所述参数包括正则化参数c、核参数δ和损失函数中的ξ；

将预处理后的历史用电负荷数据和优化后的参数代入到最小二乘支持向量机函数的回归方程中，建立pso优化最小二乘支持向量机预测模型。

优选地，本实施例中所述对预处理后的历史用电负荷数据进行模型训练，得到lstm负荷预测模型，具体包括：

建立lstm神经网络，通过预处理后的历史用电负荷数据计算神经网络的计算节点，得到lstm负荷预测模型；

基于负荷聚合商聚类分析算法、基于负荷相关因素的预测分类器和多模型负荷lstm聚合商算法的结合，对预处理后的历史用电负荷数据进行模型训练，得到多模型lstm的负荷聚合商预测模型；

分别采用lstm负荷预测模型和多模型lstm的负荷聚合商预测模型对多元用户的用电负荷进行预测。

s3、对多元用户的用电负荷进行预测得到预测结果，并对所述预测结果进行展示。

优选地，本实施例中所述对所述预测结果进行展示，具体包括：对多元用户的待预测时刻的用电负荷数据进行预测，将预测结果输入到表格并通过曲线图展示。

具体地，针对不同类型的多元用户采用对应的预测模型对用电负荷进行预测，具体实施过程如下：

针对用电平稳性较差的用户采取基于分类多模型变权模糊综合预测模型对第121天的用电负荷进行预测，具体实施步骤如下：

s11、选取120天的历史用电负荷数据，其中具体抽样间隔为一天选取96个点，每15分钟抽取一个用电负荷数据，对120天的历史用电负荷数据进行数据预处理包括归一化处理、去除离群点处理、聚类处理；

s12、采用采用rbf神经网络对预处理后的历史用电负荷数据进行模型训练，建立预测子模型，计算待预测时刻负荷模式与各典型用电负荷模式之间的相似度，并据此确定各子模型的权重，基于变权模糊综合方法融合各子模型的权重，得到分类多模型变权模糊综合预测模型；s13、分别采用子模型和分类多模型变权模糊综合预测模型预测用户在第121天的用电负荷，并将预测结果输入到表格并通过曲线图展示。

针对用电平稳性较好的用户采取基于pso优化的最小二乘支持向量机预测模型对用电负荷进行预测，具体实施步骤如下：

s21、选取116天的历史用电负荷数据，预测第117至123天的用电负荷数据，其中具体抽样间隔为一天选取96个点，每15分钟抽取一个用电负荷数据，并对116天的历史用电负荷数据进行数据预处理包括归一化处理、去除离群点处理、聚类处理；

s22、采用pso算法对参数进行选优处理，得到最优化的参数，将预处理后的历史用电负荷数据和优化后的参数代入到最小二乘支持向量机函数中，建立pso优化最小二乘支持向量机预测模型。

s23、分别采用支持向量机算法模型和基于pso优化的最小二乘支持向量机预测模型预测第117至123天的用电负荷数据，根据所预测数据计算平均用电负荷数据得出预测结果并进行展示。

针对温度敏感度较低的用户采取基于机器学习的lstm的负荷预测模型对用电负荷进行预测，具体实施步骤如下：

s31、选取365天中每天96个点、每15分钟抽取一个用电负荷数据，并选取365天中每日日期数据和对应的历史平均气温，对以上数据样本进行数据预处理包括归一化处理、去除离群点处理、聚类处理；

s32、采用lstm神经网络对预处理后的历史用电负荷数据进行模型训练，得到lstm负荷预测模型，采用基于负荷聚合商聚类分析算法、基于负荷相关因素的预测分类器和多模型负荷lstm聚合商算法的结合，对预处理后的历史用电负荷数据进行模型训练，得到多模型lstm的负荷聚合商预测模型；

s33、分别采用lstm负荷预测模型和多模型lstm的负荷聚合商预测模型对多元用户的用电负荷进行预测，对用电负荷进行预测得到预测结果，并对所述预测结果进行展示。

基于上述实施例，本发明的有益效果为：本发明一种基于多元用户行为画像的用电负荷预测方法，主要面向用户类型分别为用电平稳性差的用户、用电平稳性较好的用户、温度敏感度较低的用户，对应生成预测模型分别为分类多模型变权模糊综合预测模型、pso优化最小二乘预测模型、多模型lstm负荷预测模型，并采用相应训练得到的预测模型对多元用户进行用电负荷预测。通过面向不同类型的用电用户采取相应的用电预测方法，实现快速精准地怼用户的用电负荷进行预测，极大地提高了电能的利用率以及电力系统运行的安全性和可靠性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。