一种楼宇短期负荷预测方法及系统技术方案

本发明专利技术提供了一种楼宇短期负荷预测方法及系统，包括：获取具有相同时间的移动基站数据、气象数据和楼宇负荷数据，并提取所述移动基站数据的拟特征变量；基于所述拟特征变量、所述气象数据和所述楼宇负荷数据，通过熵权法求取负荷预测的输入变量；根据所述输入变量，通过BP神经网络对楼宇负荷进行预测。本发明专利技术提供的一种楼宇短期负荷预测方法，提高了楼宇短期负荷预测的预测精度。有助于进一步理解用户用电行为、探索电力系统的发展规律，对电力负荷预测、配网负荷预警及智能电网的安全经济运行具有重要的指导意义。

A short-term load forecasting method and system for buildings

【技术实现步骤摘要】
一种楼宇短期负荷预测方法及系统
本专利技术涉及电力工程
，具体涉及一种楼宇短期负荷预测方法及系统。
技术介绍
伴随着社会经济的快速发展和互联网信息技术的飞速进步，用电需求侧管理面临着新的机遇与挑战：各种国际会议、大型赛事、展览在中国召开，如APEC、奥运会、世青赛、世博会、迪士尼等，这些大型场馆在很短的时间内迅速建成并运营，同时各种大型商业楼宇、公共活动场所相继建立以及交通枢纽改建成综合商业场所，其用电数量巨大且增长迅速,对当地的电网安全稳定、经济运行带来了很大的冲击。同时，现有技术已初步实现了企业级数据资源的整合、共享与利用。但是大数据条件下的电力数据的有效处理与分析利用的技术能力目前仍然不够成熟，特别是面对泛在、多样的大数据资源，如何有效评估数据电力大数据以及外部经济社会大数据的质量，如何高效的利用和发掘各类用电数据以及外部经济社会大数据资源为配用电服务，提高电网公司运行质量和效益还亟待研究与探索。
技术实现思路
为了解决现有技术中所存在的现有负荷预测模型中，缺少对人类活动影响部分的量化指标的问题，本专利技术提供了一种楼宇短期负荷预测方法。本专利技术提供的技术方案是：一种楼宇短期负荷预测方法，包括基于获取的相同时间的移动基站数据、楼宇负荷数据和预先设定的拟特征变量进行关联度分析获得拟特征输入变量；基于获取的相同时间的气象数据和楼宇负荷数据进行关联度分析获得气象输入变量；将所述拟特征输入变量、气象输入变量带入预先训练的BP神经网络，对所述楼宇负荷进行预测。优选的，所述基于获取的相同时间的移动基站数据、楼宇负荷数据和预先设定的拟特征变量进行关联度分析获得拟特征输入变量，包括：通过熵权法求取所述拟特征变量和所述楼宇负荷数据之间的纵向关联度和所述拟特征变量间的横向关联度；将所述横向关联度和所述纵向关联度经过减维筛选得到拟特征变量输入变量。优选的，所述通过熵权法求取所述拟特征变量和所述楼宇负荷数据之间的纵向关联度和所述拟特征变量间的横向关联度，包括：基于拟特征变量与所述楼宇数据负荷，通过灰色关联度计算公式，得到初始矩阵；基于所述初始矩阵，计算拟特征变量对因变量的纵向关联度，得到纵向关联度矩阵，从而得到所述拟特征变量对所述楼宇数据负荷的纵向关联度；利用基于熵权法的灰色关联分析算法计算拟特征变量间的横向关联度，得到横向关联度矩阵。优选的，所述初始矩阵如下式所示：式中，Xi为第i个拟特征变量序列的每日平均数据，i＝1,2…i；Y0为楼宇数据负荷序列的每日平均数据，j为第j个楼宇数据负荷。优选的，所述纵向关联度矩阵如下式所示：其中，X0y1表示第i个所述拟特征变量对j种所述楼宇数据负荷的纵向关联度，i＝0,1…m；j＝1,2…n。优选的，所述横向关联矩阵如下式所示：其中，Xixj表示第i种所述拟特征变量对第j种所述拟特征变量的横向关联度，i＝0，1…m；j＝0，1…m；若i＝j，则Xixj＝0。优选的，所述通过熵权法求取所述拟特征变量和所述楼宇负荷数据之间的纵向关联度和所述拟特征变量间的横向关联度，包括：将大于预设阈值的所述横向关联度对应的拟特征变量划分为第一变量组，比较所述第一变量组中的拟特征变量对应的纵向关联度，选出纵向关联度最大的第一拟特征变量；将小于预设阈值的所述横向关联度对应的拟特征变量划分为第二变量组，比较所述第二变量组中的拟特征变量对应的纵向关联度，选出所述纵向关联度最大的第二拟特征变量；所述第一拟特征变量与所述第二拟特征变量为移动基站数据的预测输入变量。优选的，所述基于获取的相同时间的气象数据和楼宇负荷数据进行关联度分析获得气象输入变量，包括通过熵权法求取所述气象数据和所述楼宇负荷数据之间的纵向关联度和所述气象数据间的横向关联度；将所述横向关联度和所述纵向关联度经过减维筛选得到气象数据输入变量。优选的，所述通过熵权法求取所述气象数据和所述楼宇负荷数据之间的纵向关联度和所述气象数据间的横向关联度，包括：基于气象数据与所述楼宇数据负荷，通过灰色关联度计算公式，得到气象数据初始矩阵；基于所述气象数据初始矩阵，计算气象数据对楼宇数据负荷的纵向关联度，得到纵向关联度矩阵；利用基于熵权法的灰色关联分析算法，计算气象数据间的横向关联度，得到横向关联度矩阵。优选的，所述气象数据初始矩阵如下式所示：式中，Xi为第i个气象数据序列的每日平均数据，i＝1,2…i；Y0为楼宇数据负荷序列的每日平均数据，j为第j个楼宇数据负荷。优选的，所述纵向关联度矩阵如下式所示：其中，X0y1表示第i个所述气象数据对j种所述楼宇数据负荷的纵向关联度，i＝0,1…m；j＝1,2…n。优选的，所述横向关联矩阵如下式所示：其中，Xixj表示第i种所述气象数据对第j种所述气象数据的横向关联度，i＝0，1…m；j＝0，1…m；若i＝j，则Xixj＝0。优选的，所述将所述横向关联度和所述纵向关联度经过减维筛选得到气象数据输入变量，包括：将大于预设阈值的所述横向关联度对应的拟特征变量划分为第一数据组，比较所述第一数据组中的气象数据对应的纵向关联度，选出纵向关联度最大的第一气象数据；将小于预设阈值的所述横向关联度对应的气象数据划分为第二数据组，比较所述第二数据组中的气象数据对应的纵向关联度，选出所述纵向关联度最大的第二气象数据；所述第一气象数据与所述第二气象数据为气象数据的预测输入变量。优选的，所述将所述拟特征输入变量、气象输入变量带入预先训练的BP神经网络，对所述楼宇负荷进行预测，之前包括：选取经过数据预处理与数据匹配的移动基站数据、气象数据、总负荷数据为初始数据集；以9:1的比例将初始数据集划分为训练集与测试集，分别用于训练神经网络与测试预测效果，得到训练好的BP神经网络。优选的，所述移动基站数据，包括：时间标签、达到的楼层数、变动的楼层数、楼宇名称和变动人数；所述气象数据，包括：温度、露点温度、相对湿度、风速和气压；所述楼宇负荷数据，包括：总负荷、照明与插座用能、空调用能、动力用能和其他用能。所述拟特征变量，包括：上楼人数、下楼人数、不动人数、变动人数、上楼及不动人数、下口及不动人数和总人数。一种楼宇短期负荷预测系统，包括：数据获取模块：获取具有相同时间的移动基站数据、气象数据和楼宇负荷数据，并提取所述移动基站数据的拟特征变量；输入变量获取模块：基于所述拟特征变量、所述气象数据和所述楼宇负荷数据，通过熵权法求取负荷预测的输入变量；预测模块：根据所述输入变量，通过BP神经网络对楼宇负荷进行预测。优选的，所述输入变量获取模块，包括：拟特征变量输入量获取子模块：基于所述拟特征变量，通过所述熵权法的灰色关联分析法进行纵向关联度计算和横本文档来自技高网...

【技术保护点】
1.一种楼宇短期负荷预测方法，其特征在于，包括/n基于获取的相同时间的移动基站数据、楼宇负荷数据和预先设定的拟特征变量进行关联度分析获得拟特征输入变量；/n基于获取的相同时间的气象数据和楼宇负荷数据进行关联度分析获得气象输入变量；/n将所述拟特征输入变量、气象输入变量带入预先训练的BP神经网络，对所述楼宇负荷进行预测。/n

【技术特征摘要】
1.一种楼宇短期负荷预测方法，其特征在于，包括
基于获取的相同时间的移动基站数据、楼宇负荷数据和预先设定的拟特征变量进行关联度分析获得拟特征输入变量；
基于获取的相同时间的气象数据和楼宇负荷数据进行关联度分析获得气象输入变量；
将所述拟特征输入变量、气象输入变量带入预先训练的BP神经网络，对所述楼宇负荷进行预测。


2.如权利要求1所述的一种楼宇短期负荷预测方法，其特征在于，所述基于获取的相同时间的移动基站数据、楼宇负荷数据和预先设定的拟特征变量进行关联度分析获得拟特征输入变量，包括：
通过熵权法求取所述拟特征变量和所述楼宇负荷数据之间的纵向关联度和所述拟特征变量间的横向关联度；
将所述横向关联度和所述纵向关联度经过减维筛选得到拟特征变量输入变量。


3.如权利要求2所述的一种楼宇短期负荷预测方法，其特征在于，所述通过熵权法求取所述拟特征变量和所述楼宇负荷数据之间的纵向关联度和所述拟特征变量间的横向关联度，包括：
基于拟特征变量与所述楼宇数据负荷，通过灰色关联度计算公式，得到初始矩阵；
基于所述初始矩阵，计算拟特征变量对因变量的纵向关联度，得到纵向关联度矩阵，从而得到所述拟特征变量对所述楼宇数据负荷的纵向关联度；
利用基于熵权法的灰色关联分析算法计算拟特征变量间的横向关联度，得到横向关联度矩阵。


4.如权利要求3所述的一种楼宇短期负荷预测方法，其特征在于，所述初始矩阵如下式所示：



式中，Xi为第i个拟特征变量序列的每日平均数据，i＝1,2…i；Y0为楼宇数据负荷序列的每日平均数据，j为第j个楼宇数据负荷。


5.如权利要求3所述的一种楼宇短期负荷预测方法，其特征在于，所述纵向关联度矩阵如下式所示：



其中，X0y1表示第i个所述拟特征变量对j种所述楼宇数据负荷的纵向关联度，i＝0,1…m；j＝1,2…n。


6.如权利要求3所述的一种楼宇短期负荷预测方法，其特征在于，所述横向关联矩阵如下式所示：



其中，Xixj表示第i种所述拟特征变量对第j种所述拟特征变量的横向关联度，i＝0，1…m；j＝0，1…m；若i＝j，则Xixj＝0。


7.如权利要求2所述的一种楼宇短期负荷预测方法，其特征在于，所述通过熵权法求取所述拟特征变量和所述楼宇负荷数据之间的纵向关联度和所述拟特征变量间的横向关联度，包括：
将大于预设阈值的所述横向关联度对应的拟特征变量划分为第一变量组，比较所述第一变量组中的拟特征变量对应的纵向关联度，选出纵向关联度最大的第一拟特征变量；
将小于预设阈值的所述横向关联度对应的拟特征变量划分为第二变量组，比较所述第二变量组中的拟特征变量对应的的纵向关联度，选出所述纵向关联度最大的第二拟特征变量；
所述第一拟特征变量与所述第二拟特征变量为移动基站数据的预测输入变量。


8.如权利要求1所述的一种楼宇短期负荷预测方法，其特征在于，所述基于获取的相同时间的气象数据和楼宇负荷数据进行关联度分析获得气象输入变量，包括
通过熵权法求取所述气象数据和所述楼宇负荷数据之间的纵向关联度和所述气象数据间的横向关联度；
将所述横向关联度和所述纵向关联度经过减维筛选得到气象数据输入变量。


9.如权利要求8所述的一种楼宇短期负荷预测方法，其特征在于，所述通过熵权法求取所述气象数据和所述楼宇负荷数据之间的纵向关联度和所述气象数据间的横向关联度，包括：
基于气象数据与所述楼宇数据负荷，通过灰色关联度计算公式，得到气象数据初始矩阵；
基于所述气象数据初始矩阵，计算气象数据对楼宇数据负荷的纵向关联度，得到纵向关联度矩阵；
利用基于熵权法的灰色关联分析算法，计算气象数据间的横向关联度，得到横向关联度矩阵。

<...

【专利技术属性】
技术研发人员：田世明，田英杰，卜凡鹏，苏运，李德智，龚桃荣，宫飞翔，韩凝辉，石坤，董明宇，潘明明，
申请(专利权)人：中国电力科学研究院有限公司，国网上海市电力公司，国家电网有限公司，
类型：发明
国别省市：北京;11