一种阶梯电价机制下居民用电中期负载预测方法
【技术领域】
[0001] 本发明涉及负载预测与数据挖掘领域，更具体地说，涉及一种阶梯电价机制下居 民用电中期负载预测方法。
【背景技术】
[0002] 居民阶梯电价自实施以来，已取得了初步的成效，并在一定程度上增强了居民的 节能意识，改变了一些不良的用电习惯。在传统的单一低价的电力价格制度下，不同特征的 用户群之间的用电行为（而非用电量）差异并不明显。
[0003] 然而，在新的阶梯电价制度下，不同特征的（如收入、家庭结构、生活习惯等）用户 群对阶梯电价将产生不同的响应，这所引起的用电行为差异将逐步凸显出来。这也使得阶 梯电价下的负载预测变得更加复杂。精确的负载预测不仅能保证电网系统安全稳定地运 行，同时还能降低电力运营成本，提高经济效益和社会效益。
[0004] 负载预测按照时间范畴可分为短期、中期与长期。短期一般指未来几小时、一天到 几天的预测，中期则是指未来数周、数月的预测，而长期预测则是对未来数年、甚至更长时 间的预测。相较于短期预测而言，中长期负载时间跨度较长，需要的基础数据量较大，并且 容易受多种因素的干扰，预测误差累积而变得不可靠。
[0005] 阶梯电价的科学理论基础是通过市场细分的方法区分出不同特征用户群，针对不 同用户群采用不同电价机制，以提高资源配置效率。我国尚处于全面实行阶梯电价的初步 阶段，对我国阶梯电价下用电消费行为分析方面的研究还比较稀少，在理论和实践上均存 在较大的研究空白。
[0006] 自八十年代中期以来，国内外学者开展了大量以各种电力负载预测模型和方法为 主体的电力负载预测研究。但绝大多数为单一负载预测模型，主要包括回归分析、时间序 列、神经网络与支持向量机等模型。单一负载预测模型通过分析影响区域用电量的关键因 素，捕获变量间的相关关系，并以此构建出模型进行预测。然而，几乎所有的单一负载预测 模型只是将用户的用电量进行简单加总，以区域用电总量为目标建立该区域的平均行为模 型，而忽略了不同类型用户用电行为的特征性。
[0007] 现有研究中，用户细分方法一般都是基于家庭收入、用电量等单一变量，把用户群 简单分为高、中、低收入的用户群。同时，需要事先确定用户群的数目。比如根据家庭年人 均收入将居民家庭人为分成四类；以用户月均用电量为唯一指标，依据月均用电量邻域内 的户数密度将居民用户初步分为低、中、高收入三类用户。然而，用户每月用电情况并非是 一成不变的，而往往是随着气温、季节的变化而变化。近期不少研究已经指出影响电力消费 的因素纷繁复杂，更为丰富的影响变量需要在用户细分中考虑，如通过年度用电总量、平均 电价、用电增长率、变异系数、负载率、付费率等细分变量对电力行业客户进行了细分。但 是，现有研究中还未把阶梯电价相关变量加入到用户细分中。另一方面，国内外关于电力负 荷预测的研究已经非常多了，以往研究总是将某个区域内用户的用电总量作为目标进行预 测。传统的总量预测建立的是用户的平均行为模型，这类模型无法揭示各个顾客群体的不 同行为，同时忽略了不同类型用户用电行为的差异性。因此，高效准确的用户类别并且捕捉 各类用户用电行为规律是在阶梯电价机制下智能电网规划急需改进的两个重要方面。
[0008] 传统的负载预测都是根据总量的历史数据来进行负载预测，近年来，随着智能电 表的普及，现行的居民实时用采系统可以方便快捷地捕捉阶梯电价下的更丰富和精细的居 民实时用电数据，这为识别不同类型用户的用电特征提供了强有力的数据支持。
[0009] 目前，常见的组合负载预测模式是对同一输入输出数据集建立多个不同的预测模 型，然后将预测结果组合起来，或按适当的权重进行加权平均，或者采用更复杂的非线性组 合模型，最后选择拟合度最佳或标准离差最小的组合模型。
【发明内容】
[0010] 本发明的目的在于克服现有技术的不足，提供一种能够精确地对中长期负载进行 预测的阶梯电价机制下居民用电中期负载预测方法。
[0011] 本发明的技术方案如下：
[0012] -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；
[0013] 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；
[0014] 最后，汇总各个用户类别的预测结果。
[0015] 作为优选，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。
[0016] 作为优选，采集居民用电数据后，进行如下操作：
[0017] 1)数据预处理：获取各用户当日用电量；
[0018] 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；
[0019] 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。
[0020] 作为优选，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。
[0021] 作为优选，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。
[0022] 作为优选，日均用电量=总用电量/采样总天数；
[0023] 第二阶梯比例=到达第二阶梯月份数/总月份数；
[0024] 第三阶梯比例=到达第三阶梯月份数/总月份数；
[0025] 高温敏感性=高温日平均用电量/日均用电量。
[0026] 作为优选，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别，以隶属度表示其归属于不同用户类别的程度。
[0027] 作为优选，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。
[0028] 作为优选，自组织模糊神经网络的学习过程包括参数学习、结构学习；
[0029] 参数学习通过在线递推最小二乘算法使得网络快速收敛；
[0030] 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。
[0031] 作为优选，结构学习包括如下操作：
[0032] 1)增加神经元；
[0033] 2)修剪神经元；
[0034] 3)合并椭球基函数层中的隶属度函数与模糊规则。
[0035] 本发明的有益效果如下：
[0036] 本发明所述的方法，从模型机理上看，与传统的总量负载预测模型是不同的；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。然而，精确的中长期负载， 有助于进一步为科学合理地开展智能配电网规划建设提供一系列决策支持，是实现智能电 网的一个重要模块。
[0037] 本发明所述的方法以聚类分析与负载预测算法为核心，提出一种分类负载预测模 型，组合结合了模糊C均值聚类（FCM)与自组织模糊神经网络（SOFNN)等方法，不仅能捕 捉阶梯电价机制下用户用电行为的不同特征性，而且对于总体的中期负载预测精度有所提 高。准确的中期负载预测。
[0038] 本发明所提出的分类负载预测模型和传统的组合预测不同之处，在于（1)分类负 载预测模型中，每一个子模型都是预测一类负载，但所预测的输入输出都是不同的；（2)对 各个子模型的预测结果只是做了汇总，并没有组合预测模型中线性加权或者非线性组合的 建模过程；（3)分类负载预测模型可以方便地获得两类输出，除了传统的总量预测结果外， 还可以获得各个用电类别的预测结果，但组合预测模型只能获得总量预测结果。
【附图说明】
[0039] 图1是本发明的原理流程图（包括负载预测模型的框架）；
[0040] 图2是自组织模糊神经网络的基本框架；
[0041] 图3是不同类别的SSE和MIA指标测试结果对比图；
[0042] 图4是聚类后的居民用电量曲线簇；
[0043] 图5是测试集预测结果比较图。
【具体实施方式】
[0044] 以下结合附图及实施例对本发明进行进一步的详细说明。
[0045] 本发明一种阶梯电价机制下居民用电中期负载预测方