一种自适应模型的用户日前负荷预测方法与流程

1.本发明涉及技术领域是用户日前负荷预测。
技术背景
2.不同类型的用户负荷具有不同程度的随机波动特性，在电力现货市场、储能调度、需求响应及节能增效等领域上的策略制定都离不开用户的日前负荷预测，因此提高用户日前负荷预测的准确率具有重大的意义。
3.在传统技术中，主要以相似日匹配法、二次指数平滑法、加权法、回归分析法等统计算法为主，随着人工智能的兴起，传统机器学习和深度学习算法也逐步用于负荷预测，在具有复杂规律的用户负荷预测上取得了更加优秀的效果，但不同用户的历史数据条件和负荷规律性千差万别，现有方法难以满足所有的用户日前负荷预测并取得不错的预测效果。


技术实现要素：

4.针对上述现有技术存在的问题和不足，本发明的目的是提供一种自适应模型的用户日前负荷预测方法，基于不同用户的历史数据条件和负荷规律性自适应的选择算法进行负荷预测，不仅预测效果好，而且可以将负荷预测系统作为服务提供给使用者。
5.本发明给出一种自适应模型的用户日前负荷预测方法，包括以下步骤：
6.步骤一、用户数据、气象数据获取及预处理。获取用户间隔1小时的用电负荷历史数据；获取用电负荷历史数据对应的历史气象数据、未来一天气象数据，所述气象数据包括日最高温度、日最低温度、日平均温度、天气类型等；若用户属于生产企业类型，还需获取用电负荷历史数据对应的生产计划数据，其中生产计划数据包括工作日类型和休息日类型。
7.对于各数据字段，设定超过平均值加减3倍标准差之外的值为异常值。
8.对于异常值和缺失值，由于各数据字段是有时序关系的，因此可使用插值拟合值代替处理。
9.步骤二、对用户按照用电规律性和用电负荷历史数据量进行分类。对于用电存在规律性且用电负荷历史数据量大于n天的用户，划分为可预测用户；对于用电存在规律性且用电负荷历史数据量小于n天的用户，划分为潜在可预测用户，待用电负荷历史数据量大于n天时，将潜在可预测用户划分为可预测用户；对于用电不存在规律性的用户，划分为不可预测用户。
10.步骤三、对用户预测日期按照日期类型进行分类。对于用户预测日期属于节假日，划分为节假日类型；对于用户预测日期属于工作日的，划分为工作日类型；对于用户预测日期属于休息日的，划分为休息日类型。特别的，对于节假日类型和休息日类型，若同类型电负荷历史数据量小于m天，则划分为不可预测节假日类型和不可预测休息日类型。
11.步骤四、基于不同的用户类型和用户预测日类型，自适应性的匹配对应的预测模型。对于可预测用户的节假日类型、工作日类型及休息日类型，使用可拟合复杂规律的sequence to sequence(seq2seq)模型进行预测；对于可预测用户的不可预测节假日类型
和不可预测休息日类型、潜在可预测用户的节假日类型和休息日类型、不可预测用户的所有预测日类型，基于相似日负荷模型进行预测；对于潜在可预测用户的工作日类型，使用泛化能力强的支持向量机、xgboost进行预测；
12.步骤五、基于时间特征、气象特征、历史负荷特征等特征数据，建立预测模型。
13.构建时间特征集合，考虑时刻t的月份、是否节假日、一年中的第几天、本月的第几天、本周的第几天、小时、分钟构成时刻t的时间特征集合t
time,t
。
14.构建气象特征集合，选取天气类型、温度作为气象特征集合t
nwp
。
15.构建历史负荷特征集合，选取上一周期(天、周)的同一时刻t的历史值及上下时刻的滑动平均值作为时刻t的历史负荷特征集合t
load,t
。
16.历史负荷特征集合t
load,t
、时刻t的气象特征集合t
nwp
和时间特征集合t
time,t
构成特征向量t
t
。
17.建立相似日负荷模型。将属于同一日期类型的日期作为相似日，如工作日、周六、周日、节假日。对每种类型的日期，选取最近5个相似日负荷作为负荷样本，其中剔除日电量低于5个样本日均电量25％或高于5个样本日均电量200％的样本，剩余样本求取各时刻平均值得到预测负荷。
18.建立支持向量机或xgboost模型。将特征向量t
t
中数值类型特征进行归一化处理，离散类型特征进行独热编码处理。历史各时刻t的特征向量t
t
及负荷p
t
组成数据集d，按照一定比例划分为训练集和测试集，对于每个样本，将特征向量t
t
作为输入，将负荷p
t
作为输出，建立支持向量机或xgbboost模型，将模型在训练集上进行训练，同时在测试集进行评估，选取评估效果最优的模型作为最终预测模型。
19.建立seq2seq模型。结合多个影响负荷的特征因素,对负荷的时间序列进行建模,并进行多特征嵌入,最终逐步进行未来负荷值的解码预测,生成未来24个时刻的预测负荷序列。具体的，将特征向量t
t
中数值类型特征进行归一化处理，离散类型特征进行独热编码处理。对于时刻t，令
20.h
t
＝{[t
t-l
,p
t-l
],[t
t-l+1
,p
t-l+1
],k,[t
t-1
,p
t-1
]}
[0021]ft
＝{t
t+1
,t
t+2
,k,t
t+24
}
[0022]
x
t
＝[h
t
,f
t
]
[0023]yt
＝{p
t+1
,p
t+2
,k,p
t+24
}
[0024][0025][0026]
其中x
t
为模型输入，y
t
为模型输出，p
t+k
为第k个时间步真实负荷数据，为第k个时间步编码器估计负荷数据，l为循环神经网络时间窗口，ω(θ)为正则项。模型原理如图所示，编码器和解码器的基本单元为lstm，训练编码器和解码器以最小化目标函数为ζ(θ)，将h
t
输入编码器，在解码器中，将编码器计算得到的隐藏状态c、上一时间步编码器估计负荷数据上一时间步编码器h
t+k-1
和t
t+k
输入解码器lstm单元g估计得到第k个时间步编码器估计负荷数据如此依次输出未来24个点的预测负荷。
[0027]
将历史各时刻t的输入x
t
及负荷y
t
组成数据集d，按照一定比例划分为训练集和测
试集。在训练集上模型训练完之后，使用如下评价指标在测试集上进行评价：
[0028]
均方根误差，
[0029]
平均绝对百分比误差，
[0030]
其中y表示测试集中实际值，表示测试集得到的预测值。
[0031]
步骤六、触发负荷预测系统，输出日前负荷预测值。系统模块包括：
[0032]
数据获取模块，用于采集用户的负荷数据和气象数据；
[0033]
数据处理模块，用于对原始数据进行计算处理，得到小时粒度的负荷值，进一步得到特征向量。
[0034]
模型构建模块，用于基于用户类型和预测日期类型自适应的构建并训练对应的预测模型。
[0035]
负荷预测模块，用于系统使用者输入参数如预测日期、日期类型，基于用户类型和预测日期类型自适应的选择预测模型，并将预测结果返回给使用者。
[0036]
实施本发明，具有如下有益效果：
[0037]
本发明基于不同用户的历史数据量和负荷规律性自适应的选择算法进行负荷预测，可针对不同数据条件的用户和日期选择适应性的预测算法，弥补复杂算法在历史数据不足的情况下难以训练的问题；将深度学习的sequence to sequence模型应用于日前24点的负荷预测,可有效拟合复杂规律，提升预测准确率；负荷预测系统提供服务接口，以url格式访问并得到日前负荷预测结果。
附图说明
[0038]
图1是本发明一种自适应模型的用户日前负荷预测方法的整体示意图。
[0039]
图2是预测系统触发预测流程示意图。
[0040]
图3是seq2seq模型结构图。
[0041]
图4是预设可预测用户工作日预测结果示意图。
[0042]
图5是预设可预测用户休息日预测结果示意图。
[0043]
图6是预设潜在可预测用户工作日预测结果示意图。
具体实施方式
[0044]
下面结合附图和具体实施例对本发明技术方案作进一步详细描述。
[0045]
图1示出了本发明给出一种自适应模型的用户日前负荷预测方法，包括以下步骤：
[0046]
步骤1，用户数据、气象数据获取及预处理；
[0047]
步骤2，对用户按照用电规律性和用电负荷历史数据量进行分类；
[0048]
步骤3，对用户预测日期按照日期类型进行分类；
[0049]
步骤4，基于不同的用户类型和用户预测日类型，自适应性的匹配对应的预测模型；
[0050]
步骤5，基于气象数据、历史负荷特征等特征数据建立预测模型；
[0051]
步骤6，搭建负荷预测系统，输出日前负荷预测值。
[0052]
上述步骤的具体阐述如下：
[0053]
步骤一、用户数据、气象数据的获取及预处理。在电力物联网平台数据库中获取用户间隔1小时的用电负荷历史数据；获取用电负荷历史数据对应的历史气象数据、未来一天的气象预报数据，其中气象数据包括日最高温度、日最低温度、日平均温度、天气类型；若用户属于生产企业类型，获取用电负荷历史数据对应的生产计划数据，其中生产计划数据包括工作日类型、休息日。
[0054]
对于各数据字段，认为超过平均值加减3倍标准差之外的值为异常值。
[0055]
对于异常值和缺失值，由于各数据字段是有时序关系的，因此可使用插值拟合值代替处理。
[0056]
步骤二、对用户按照用电规律性和用电负荷历史数据量进行分类。对于用电存在规律性且用电负荷历史数据量大于n天的用户，划分为可预测用户；对于用电存在规律性且用电负荷历史数据量小于n天的用户，划分为潜在可预测用户，待用电负荷历史数据量大于n天时，将潜在可预测用户划分为可预测用户；对于用电不存在规律性的用户，划分为不可预测用户；
[0057]
步骤三、对用户预测日期按照日期类型进行分类。对于用户预测日期属于节假日，划分为节假日类型；对于用户预测日期属于工作日的，划分为工作日类型；对于用户预测日期属于休息日的，划分为休息日类型。特别的，对于节假日类型和休息日类型，若同类型电负荷历史数据量小于m天，则划分为不可预测节假日类型和不可预测休息日类型。
[0058]
步骤四、基于不同的用户类型和用户预测日类型，自适应性的匹配对应的预测模型。对于可预测用户的节假日类型、工作日类型及休息日类型，使用可拟合复杂规律的sequence to sequence(seq2seq)模型进行预测；对于可预测用户的不可预测节假日类型和不可预测休息日类型、潜在可预测用户的节假日类型和休息日类型、不可预测用户的所有预测日类型，基于相似日负荷模型进行预测；对于潜在可预测用户的工作日类型，使用泛化能力强的支持向量机、xgbboost进行预测；
[0059]
步骤五、基于气象数据、历史负荷特征等特征数据建立预测模型。
[0060]
构建时间特征集合，考虑时刻t的月份、是否节假日、一年中的第几天、本月的第几天、本周的第几天、小时、分钟构成时刻t的时间特征集合t
time,t
。
[0061]
构建气象特征集合，选取天气类型、温度作为气象特征集合t
nwp
。
[0062]
构建历史负荷特征集合，选取上一周期(天、周)的同一时刻t的历史值及上下时刻的滑动平均值作为时刻t的历史负荷特征集合t
load,t
。
[0063]
历史负荷特征集合t
load,t
、时刻t的气象特征t
time,t
和时间特征集合t
time,t
构成特征向量t
t
。
[0064]
建立相似日负荷模型。将属于同一日期类型的日期作为相似日，如工作日、周六、周日、节假日。对每种类型的日期，选取最近5个相似日负荷作为负荷样本，其中剔除日电量低于5个样本日均电量25％或高于5个样本日均电量200％的样本，剩余样本求取各时刻平均值得到预测负荷。
[0065]
建立支持向量机或xgboost模型。将特征向量t
t
中数值类型特征进行归一化处理，
离散类型特征进行独热编码处理。历史各时刻t的特征向量t
t
及负荷p
t
组成数据集d，按照一定比例划分为训练集和测试集，对于每个样本，将特征向量t
t
作为输入，将负荷p
t
作为输出，建立支持向量机或xgboost模型，将模型在训练集上进行训练，同时在测试集进行评估，选取评估效果最优的模型作为最终预测模型。
[0066]
建立seq2seq模型。结合多个影响负荷的特征因素,对负荷的时间序列进行建模,并进行多特征嵌入,最终逐步进行未来负荷值的解码预测,生成未来24个时刻的预测负荷序列。具体的，将特征向量t
t
中数值类型特征进行归一化处理，离散类型特征进行独热编码处理。对于时刻t，令
[0067]ht
＝{[t
t-l
,p
t-l
],[t
t-l+1
,p
t-l+1
],k,[t
t-1
,p
t-1
]}
[0068]ft
＝{t
t+1
,t
t+2
,k,t
t+24
}
[0069]
x
t
＝[h
t
,f
t
]
[0070]yt
＝{p
t+1
,p
t+2
,k,p
t+24
}
[0071][0072][0073]
其中x
t
为模型输入，y
t
为模型输出，p
t+k
为第k个时间步真实负荷数据，为第k个时间步编码器估计负荷数据，l为循环神经网络时间窗口，ω(θ)为正则项。模型原理如图3所示，编码器和解码器的基本单元为lstm，训练编码器和解码器以最小化目标函数为ζ(θ)，将h
t
输入编码器，在解码器中，将编码器计算得到的隐藏状态c、上一时间步编码器估计负荷数据上一时间步编码器h
t+k-1
和t
t+k
输入解码器lstm单元g估计得到第k个时间步编码器估计负荷数据如此依次输出未来24个点的预测负荷。
[0074]
将历史各时刻t的输入x
t
及负荷y
t
组成数据集d，按照一定比例划分为训练集和测试集。在训练集上模型训练完之后，使用如下评价指标在测试集上进行评价：
[0075]
均方根误差，
[0076]
平均绝对百分比误差，
[0077]
其中y表示测试集中实际值，表示测试集得到的预测值。
[0078]
步骤六、触发负荷预测系统，输出日前负荷预测值。系统模块包括：
[0079]
数据获取模块，依托物联网平台和智能电表采集存储用户的负荷数据和气象数据；
[0080]
数据处理模块，用于对原始数据进行计算处理，得到小时粒度的负荷值，进一步得到特征向量。
[0081]
模型构建模块，用于基于用户类型和预测日期类型自适应的构建并训练对应的预测模型。
[0082]
负荷预测模块，图2给出了预测系统触发预测流程示意图，系统使用者以url格式
触发预测模块并输入参数如预测日期、日期类型，系统识别用户类型和预测日期类型，基于识别类型匹配自适应的选择预测模型，并将预测结果返回给使用者。
[0083]
具体的,在本发明一实例中,用户为某工厂用户，有三个月的历史用电负荷数据，设置用户分类阈值n为90天，经分析该用户用电曲线具有一定的规律，因此该用户为可预测用户，对预测日类型进行划分为工作日类型和休息日类型，分别对该用户的工作日类型和休息日类型进行负荷预测。对于工作日类型的预测日，选择seq2seq模型进行预测，预测结果如图4所示；对于休息日类型，由于该用户历史数据中相同日类型的天数过少，选择相似日模型进行预测，预测结果如图5所示。假设该用户仅有一个月历史用电数据，取最近一个月的历史用电负荷数据训练模型，此时用户为潜在可预测用户，对于工作日类型的预测日，选择适用于小样本训练的支持向量机模型进行预测，预测结果如图6。
[0084]
根据不同的预测日类型选择不同的模型进行训练和预测，不同模型预测效果统计如下表：
[0085]
预设用户类型预测日类型预测模型rmsemape可预测用户工作日类型seq2seq883.20.0207可预测用户休息日类型相似日模型1431.60.0351潜在可预测用户工作日类型支持向量机1142.410.0276
[0086]
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其他不同形式的变化或变动。这里无需也无法把所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围。