基于用户行为学的家庭日负荷曲线精细预测方法技术

本发明专利技术涉及一种基于用户行为学的家庭日负荷曲线精细预测方法，包括：1、根据居民时间使用调查报告，计算得到居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵；2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态；3、根据第k个单位时间步长内家庭总成员的状态，通过联合分布的序贯抽样方法计算电器的负荷曲线；4、按照单位时间步长递增循环步骤2、3，直到得到一日内的所有被动电器、空调和电灯的负荷曲线；5、将一日内的所有电器的日负荷曲线叠加，得到单户家庭的日负荷曲线。与现有技术相比，本发明专利技术实现了对不同条件下的居民日负荷曲线的精细预测，具有结果准确、可靠等优点。

A fine prediction method for household daily load curve based on user behavior

The invention relates to a user behavior based on the daily load curve forecasting method of fine family, including: 1, according to a survey of residents use time, calculate the residents and different state transition probability matrix and its family activities began the long duration of the probability matrix; 2, through Monte Carlo method and transtion-probablity matrix to get the family to state residents the K unit time step the total members of the state; 3, according to the K family of a unit of time step total members of the state, through the sequential sampling method of the joint distribution calculation of load curve of electric appliance; 4, according to the unit time step cycle steps 2 and 3 until all passive load curve of electric appliances, air conditioning and a light days; 5, day all electrical appliances daily load curve superposition, get the daily load curve of single family. Compared with the existing technology, the invention has realized the fine prediction of the daily load curve of the residents under different conditions, and has the advantages of accurate and reliable results.

【技术实现步骤摘要】
基于用户行为学的家庭日负荷曲线精细预测方法
本专利技术涉及电力系统负荷预测
，尤其是涉及一种基于用户行为学的家庭日负荷曲线精细预测方法。
技术介绍
随着社会经济发展，城乡居民生活用电量占全社会用电量的比重逐年上升，居民用户在电力市场中的地位和作用愈加凸显。据国家统计局数据，2015年城乡居民用电量占全社会用电量的13.1％，同比增长5％，远超全社会用电量0.5％的增速。当前，居民侧负荷在维持电力系统安全、经济运行方面更多的是扮演消极、被动的角色，然而随着电动汽车、分布式电源等新技术应用的普及，以及在鼓励能源高效利用、节能减排和传统配电网广泛向主动配电网转变的大背景下，电网运营须重视居民侧的作用，研究其用电行为规律，在通过需求侧管理有效整合新型负荷和发电技术的同时获得经济、环境效益。因此，通过居民负荷曲线的精细预测来刻画居民电力需求的特性就显得十分重要。而居民负荷面大量广、成因复杂、随机性强，对居民日负荷曲线精细预测的研究是国内外关注的热点领域。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供基于用户行为学的家庭日负荷曲线精细预测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于用户行为学的家庭日负荷曲线精细预测方法，包括以下步骤：S1、根据居民时间使用调查报告，计算得到每个单位时间步长的居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵；S2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态；S3、根据第k个单位时间步长内家庭总成员的状态计算电器的负荷曲线，若在家的成员都为睡觉状态，则计算空调在第k个单位时间步长的负荷曲线；若至少有一个成员处于在家活跃状态，则通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长，计算电灯、空调和该家庭活动对应的被动电器的负荷曲线；S4、按照单位时间步长递增循环步骤S2、S3，直到得到一日内的所有被动电器、空调和电灯的负荷曲线；S5、将一日内的所有被动电器、空调、电灯的负荷曲线叠加后，再叠加制冷设备功率、热水器保温功率、附加功率的日负荷曲线，得到单户家庭的日负荷曲线。优选的，所述居民状态转移概率矩阵由居民状态转移概率pij(k)构成，pij(k)具体为：其中，pij(k)表示居民在第k个单位时间步长内从状态i转移到状态j的概率，sij(k)表示在第k个单位时间步长内家庭总成员从状态i转移到状态j的总数，si(k)表示第k个单位时间步长内家庭总成员发生状态转移的总数：优选的，所述家庭活动开始的概率矩阵由家庭活动开始概率构成，具体为：其中，表示第k个单位时间步长中第v个家庭活动av开始的概率，α表示家庭中活跃状态的人数，T表示日类型，表示在第k个单位时间步长开始av的活跃状态人数为α的家庭总数，表示在第k个单位时间步长活跃状态人数为α的家庭总数，q表示家庭活动的种类总数。优选的，所述家庭活动持续时长概率矩阵由家庭活动持续时长概率构成，具体为：其中，表示第k个单位时间步长内开始的第v个家庭活动持续时长为τ的概率，α表示家庭中活跃状态的人数，T表示日类型，表示第k个单位时间步长内开始的第v个活动持续时长为τ的家庭总数，表示第k个单位时间步长内开始进行第v个家庭活动的家庭总数，时长τ是单位时间步长的整数倍。优选的，所述步骤S2具体包括：由蒙特卡罗法生成[0,1]区间上的伪随机数，通过该伪随机数与居民状态转移概率矩阵中的居民状态转移概率比较，得到最接近的居民状态转移概率，其对应转移的状态为第k个单位时间步长内家庭总成员的状态。优选的，所述步骤S3中通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长具体包括：通过联合分布的序贯抽样方法得到第k个单位时间步长家庭活动开始的第一概率，将第一概率与第k个单位时间步长不同家庭活动开始的概率矩阵比较，得到最接近第一概率的家庭活动作为第k个单位时间步长开始的家庭活动，通过联合分布的序贯抽样方法得到该家庭活动持续时长的第二概率，将第二概率与该活动持续时长的概率矩阵比较，得到最接近第二概率的持续时长作为该家庭活动此次开始的持续时长。优选的，影响所述家庭活动开始的随机变量包括所处时刻、日类型及家庭活跃状态的人数，影响所述家庭活动持续时长的随机变量包括所处时刻、日类型、家庭活跃状态的人数和家庭活动类型。优选的，所述家庭活动若在其持续时长D内再次得到开始状态时，则认为该家庭活动仍在D中，不再另行计算持续时长。优选的，所述热水器保温功率包括用户非洗浴状态下热水器使水箱内的水温维持设定温度的功率。优选的，所述附加功率为一日内的固定负荷常数。与现有技术相比，本专利技术具有以下优点：1、在分析影响居民用电行为因素的基础上，充分考虑用户个体的用电能动性，实现了基于用户行为学的家庭日负荷曲线自下向上的精细预测，有利于电网运营对需求侧管理的实施开展。2、采用多维随机变量的联合分布来描述活动的开始和持续时长，能综合考虑日类型、家庭活跃状态人数等多种影响因素，能更精确的描述用户用电行为。3、采用序贯抽样方法，利用条件概率分布将多维分布抽样转化为一维分布抽样问题，大大简化了抽样的复杂性，提高了运算效率，容易得到在某单位时间步长内家庭活动的开始和持续时长。4、从用户角度出发，将用户进行的活动与相应电器联系起来，把被动电器开启的概率转变成家庭活动发生的概率，同时考虑了日类型、居民人数及其状态转移概率，考虑的影响因素全面，使得预测结果真实可靠。附图说明图1为用蒙特卡罗法确定元件z第i种状态发生的示意图；图2为本专利技术的方法流程图；图3为本专利技术中被动电器负荷曲线生成流程图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。实施例影响居民用电行为的因素主要有：社会经济因素：社会经济因素主要体现在：①家庭人口年龄、收入水平、作息规律、工作性质；②家庭成员的数量、房屋结构、家庭电器种类及型号；地理位置因素：不同家庭所处的地理位置不同，所受的日温度、光照强度不同，会对空调、电灯等电器的使用产生直接影响；日类型因素：日类型分为工作日和周末，居民周末在家的时长相对工作日要长，尤其是在白天，这将明显影响日负荷曲线的形状；月份因素：这主要体现在不同月份的温度、光照强度差异较明显，它和地理位置因素一同视为影响日负荷曲线的气象因素。上述所列因素中，部分因素会隐性体现在居民时间使用调查报告(TUS)的数据中，因此本方法仅将家庭成员数量、日类型和气象作为分析影响用户用电行为的变量因素，从TUS中获取原始数据。如图2所示，一种基于用户行为学的家庭日负荷曲线精细预测方法，包括以下步骤：S1、根据居民时间使用调查报告，计算得到每个单位时间步长的居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵；S2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态；S3、根据第k个单位时间步长内家庭总成员的状态计算电器的负荷曲线，若在家的成员都为睡觉状态，则计算空调在第k个单位时间步长的负荷曲线；若至少有一个成员处于在家活跃状态，则通过联合分布的本文档来自技高网...

【技术保护点】
一种基于用户行为学的家庭日负荷曲线精细预测方法，其特征在于，包括以下步骤：S1、根据居民时间使用调查报告，计算得到每个单位时间步长的居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵；S2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态；S3、根据第k个单位时间步长内家庭总成员的状态计算电器的负荷曲线，若在家的成员都为睡觉状态，则计算空调在第k个单位时间步长的负荷曲线；若至少有一个成员处于在家活跃状态，则通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长，计算电灯、空调和该家庭活动对应的被动电器的负荷曲线；S4、按照单位时间步长递增循环步骤S2、S3，直到得到一日内的所有被动电器、空调和电灯的负荷曲线；S5、将一日内的所有被动电器、空调、电灯的负荷曲线叠加后，再叠加制冷设备功率、热水器保温功率、附加功率的日负荷曲线，得到单户家庭的日负荷曲线。

【技术特征摘要】
1.一种基于用户行为学的家庭日负荷曲线精细预测方法，其特征在于，包括以下步骤：S1、根据居民时间使用调查报告，计算得到每个单位时间步长的居民状态转移概率矩阵以及不同家庭活动开始和其持续时长的概率矩阵；S2、通过蒙特卡罗法和居民状态转移概率矩阵得到第k个单位时间步长内家庭总成员的状态；S3、根据第k个单位时间步长内家庭总成员的状态计算电器的负荷曲线，若在家的成员都为睡觉状态，则计算空调在第k个单位时间步长的负荷曲线；若至少有一个成员处于在家活跃状态，则通过联合分布的序贯抽样方法分别确定第k个单位时间步长开始的家庭活动和其持续时长，计算电灯、空调和该家庭活动对应的被动电器的负荷曲线；S4、按照单位时间步长递增循环步骤S2、S3，直到得到一日内的所有被动电器、空调和电灯的负荷曲线；S5、将一日内的所有被动电器、空调、电灯的负荷曲线叠加后，再叠加制冷设备功率、热水器保温功率、附加功率的日负荷曲线，得到单户家庭的日负荷曲线。2.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法，其特征在于，所述居民状态转移概率矩阵由居民状态转移概率pij(k)构成，pij(k)具体为：其中，pij(k)表示居民在第k个单位时间步长内从状态i转移到状态j的概率，sij(k)表示在第k个单位时间步长内家庭总成员从状态i转移到状态j的总数，si(k)表示第k个单位时间步长内家庭总成员发生状态转移的总数：3.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法，其特征在于，所述家庭活动开始的概率矩阵由家庭活动开始概率构成，具体为：其中，表示第k个单位时间步长中第v个家庭活动av开始的概率，α表示家庭中活跃状态的人数，T表示日类型，表示在第k个单位时间步长开始av的活跃状态人数为α的家庭总数，表示在第k个单位时间步长活跃状态人数为α的家庭总数，q表示家庭活动的种类总数。4.根据权利要求1所述的基于用户行为学的家庭日负荷曲线精细预测方法，其特征在于，所述家庭活动持续时长概率矩阵由家庭活动持续时...

【专利技术属性】
技术研发人员：李东东，刘洋，赵耀，邹思源，林顺富，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31