一种基于电器化指数的居民用电量预测方法技术

本发明专利技术涉及一种基于电器化指数的居民用电量预测方法，包括以下步骤：1)统计主要家用电器的百户均保有量Ni与平均功率Pi；2)获取家用电器的使用时长，计算各种家用电器频率因子；3)计算家用电器的修正因子λi；4)计算电气化指数HEA；5)构建多元线性回归模型，将电器化指数HEA、居民总户数Aj和人均可支配收入Bj作为多元线性回归模型的输入，居民用电量Yj作为输出值进行训练，并根据训练好的多元线性回归模型进行居民用电量预测。与现有技术相比，本发明专利技术具有综合考虑、相关性高、精确有效等优点。

【技术实现步骤摘要】
一种基于电器化指数的居民用电量预测方法
本专利技术涉及居民用电量预测，尤其是涉及一种基于电器化指数的居民用电量预测方法。
技术介绍
影响居民用电量的因素多种多样，包括家庭可支配收入、建筑面积大小、居住区气候、家庭规模、家电持有率和使用率、家庭生活习惯以及政策宣传等。家用电器作为居民用电的负载，其保有量是影响居民用电量的最大因素。然而家用电器的有效保有量缺乏统一评价标准，不同家用电器之间无法进行有效对比，若单纯依靠功率和对比，忽略家用电器的使用频率及使用时长则过于片面。进行居民用电量预测时，以家用电器的保有量及使用时间作为主要因素，缺乏可行方法进行量化。要实现准确有效的居民用电量预测，需要从家用电器的保有量及使用时间全面考虑。针对家用电器的有效保有量对于居民用电量的影响，许多国内外学者提出自己的观点。颜艳在《北京市居民生活用电量中长期预测硏究》中认为家用电器数量的变化将直接导致居民生活用电量的变化，家用电器的数量与居民的收入水平相关。文中将家用电器数量作为变量，利用灰色关联计算各类家用电器的保有量与居民用电量的关联度，以关联度大于0.9的因素作为各类关键因素之一，预测北京市生活用电量。李逢元在《住宅用电负荷分析》中根据家用电器普及程度分为三类家用电器，提出通过家用电器普及率计算住宅每户用电负荷计算容量的公式。但是每户住宅家用电器的购置和使用有很大的不确定性，该算法尽管在理论上成立，但在设计中却很难实施。苏铭等在《基于Logit模型的华东四省一市居民生活用电预测研究》中发现家用电器数量具有饱和值，根据年家用电器用电量与照明用电量求得代表性家庭用电特征。提出家用电器的用电特征主要包括功率大小和使用频率，但是该用电特征仅从电量角度出发，并不能作为一种指标作为参考对未来电量预测。梁慧芳等在《我国居民用电方式与新型城镇化要求相一致吗？——基于城镇居民家庭用电设备及用电状况的实证研究》中利用多元选择模型构建居民家庭家用电器购买决策的多元选择模型，估计各类家用电器保有量的饱和值，并再此基础上估计家用电器的潜在用电量。但该方法忽视了随着社会发展，各种家用电器功率变化、使用频率变化与年利用小时数的变化，因此家用电器的潜在用电量估计存在较大误差。
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一种基于电器化指数的居民用电量预测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于电器化指数的居民用电量预测方法，包括以下步骤：1)统计主要家用电器的百户均保有量Ni与平均功率Pi；2)获取家用电器的使用时长，计算各种家用电器频率因子；3)计算家用电器的修正因子λi；4)计算电气化指数HEA；5)构建多元线性回归模型，将电器化指数HEA、居民总户数Aj和人均可支配收入Bj作为多元线性回归模型的输入，居民用电量Yj作为输出值进行训练，并根据训练好的多元线性回归模型进行居民用电量预测。所述的步骤1)中，在统计时忽略平均功率小于40W的家用电器。所述的步骤2)中，第i种家用电器频率因子fi的计算式为：其中，hi为家用电器的年利用小时数。所述的步骤3)中，修正因子λi的计算式为：λi＝λi1λi2其中，λi1为功率的修正因子，λi2为频率因子的修正因子。所述的步骤4)中，电气化指数HEA的计算式为：其中，n为家用电器的种类总数。所述的步骤5)中，多元线性回归模型的表达式为：Yj＝θ0+θ1Aj+θ2Bj+θ3HEAj其中，下标j表示年份，θ0为常数项，θ1、θ2、θ3为回归系数。所述的步骤4)还包括以下步骤：根据皮尔逊相关系数计算电器化指数HEA与居民用电量Y之间的相关性系数r(HEA,Y)，用以表示电器化指数与居民用电量的相关密切程度，所述的相关性系数r(HEA，Y)的计算式为：与现有技术相比，本专利技术具有以下优点：本专利技术提出一种家用电器有效保有程度的度量标准——电器化指数，同时利用该指数对居民用电量进行预测。电器化指数对家用电器的保有量、额定功率以及使用频率进行了综合考虑，该指数能够作为居民家用电器有效保有程度的标准，以评判居民家庭电器化程度的大小，从而反映居民生活水平的高低。同时电器化指数与居民用电量具有极高的相关性，可作为居民用电量预测的重要依据。将电器化指数用于居民用电量预测，可以提高居民用电量预测结果的精确性和有效性。附图说明图1为某市历年电器化指数。图2为本专利技术的方法流程图。图中标记说明：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。如图2所示，本专利技术提出了一种电器化指数的计算方法并将其用于居民用电量预测，包括如下具体步骤：调查主要家用电器的保有量与功率：通过统计年鉴调查主要家用电器的百户均保有量Ni，其中i＝1，2，...，n，代表家用电器的种类，如空调、冰箱等。查阅各主要家用电器的功率，计算各主要家用电器的平均功率Pi，平均功率小于40W的家用电器，由于对居民用电量的贡献较小，进行计算时可以忽略。2)计算家用电器频率因子：不同家用电器的使用时间不均匀，如空调夏冬季的使用频率明显高于春秋季，取短周期计算家用电器频率因子不具备代表性，因此采用家庭走访调查的形式获取家用电器的使用时长，对数据整合处理得到家用电器的年使用时间，按照公式(1)计算各种家用电器频率因子fi。式中，hi为家用电器的年利用小时数。3)计算家用电器的修正因子：家用电器随着技术的改进朝多功能化、节能化发展，不同时期的家用电器功率不同。但家用电器的更替是逐步进行的，无法对电器化指数实行一刀切的计算方法，因此提出功率修正因子的概念。随着居民收入水平的提高与生活水平的提升，家用电器的使用频率也不断增加，使用频率因子的修正因子对历年的使用频率进行修正。根据公式(2)，利用功率的修正因子与频率因子的修正因子计算总的修正因子λi。λi＝λi1λi2(2)式中，λi1为功率的修正因子，λi2为频率因子的修正因子。4)计算电器化指数：依据步骤1)至步骤3)，计算得到各种家用电器的百户均保有量Ni、平均功率Pi、频率因子fi、修正因子λi，按照公式(3)计算电器化指数。式中，HEA为电器化指数，n为家用电器的种类数。5)相关性分析：利用皮尔逊相关系数计算电器化指数HEA与居民用电量Y之间的相关性系数，根据公式(4)计算得到电器化指数与居民用电量的相关密切程度。式中，Cov(HEA,Y)为HEA与Y的协方差，Var[HEA]为HEA的方差，Var[Y]为Y的方差。6)居民用电量预测：选择预测模型，将通过公式(3)计算得到的电器化指数作为其中一项输入参数，预测未来居民用电量。以下以多元线性回归预测模型为例说明本步骤。在多元线性回归预测模型中，选择某市居民总户数Aj、人均可支配收入Bj、电器化指数HEAj作为输入参数，某市居民用电量Yj作为输出值进行训练，其中j代表年份。多元线性回归模型如公式(5)所示，Yj＝θ0+θ1Aj+θ2Bj+θ3HEAj(5)式中，θ0为常数项，θ1、θ2、θ3为回归系数。将需预测年份的居民总户数、人均可支配收入、电器化指数数据值输入至训练好的模型，即可得到该年某市居民用电量的预测值。7)预测结果评价：根据步骤6)中得到的居民用电量预测值结合该年实际居民用电量，按照公式(6)、(7)，分别求某市居民用电量预测的绝对误本文档来自技高网...

【技术保护点】
1.一种基于电器化指数的居民用电量预测方法，其特征在于，包括以下步骤：1)统计主要家用电器的百户均保有量Ni与平均功率Pi；2)获取家用电器的使用时长，计算各种家用电器频率因子；3)计算家用电器的修正因子λi；4)计算电气化指数HEA；5)构建多元线性回归模型，将电器化指数HEA、居民总户数Aj和人均可支配收入Bj作为多元线性回归模型的输入，居民用电量Yj作为输出值进行训练，并根据训练好的多元线性回归模型进行居民用电量预测。

【技术特征摘要】
1.一种基于电器化指数的居民用电量预测方法，其特征在于，包括以下步骤：1)统计主要家用电器的百户均保有量Ni与平均功率Pi；2)获取家用电器的使用时长，计算各种家用电器频率因子；3)计算家用电器的修正因子λi；4)计算电气化指数HEA；5)构建多元线性回归模型，将电器化指数HEA、居民总户数Aj和人均可支配收入Bj作为多元线性回归模型的输入，居民用电量Yj作为输出值进行训练，并根据训练好的多元线性回归模型进行居民用电量预测。2.根据权利要求1所述的一种基于电器化指数的居民用电量预测方法，其特征在于，所述的步骤1)中，在统计时忽略平均功率小于40W的家用电器。3.根据权利要求1所述的一种基于电器化指数的居民用电量预测方法，其特征在于，所述的步骤2)中，第i种家用电器频率因子fi的计算式为：其中，hi为家用电器的年利用小时数。4.根据权利要求3所述的一种基于电器化指数的居民用电量预测方法...

【专利技术属性】
技术研发人员：夏飞，彭运赛，彭道刚，孟珊珊，柴闵康，张洁，蒋碧鸿，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31