一种基于多元用户行为画像的用电负荷预测方法技术

本发明专利技术涉及用电负荷预测领域，尤其涉及一种基于多元用户行为画像的用电负荷预测方法，采用所述方法对多元用户的用电负荷进行预测，包括以下步骤：选取若干个多元用户的历史用电负荷数据，并对多元用户的历史用电负荷数据进行预处理；针对不同类型的多元用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，所述不同类型的多元用户包括用电平稳性差的用户、用电平稳性好的用户、温度敏感性低的用户；对多元用户的用电负荷进行预测得到预测结果，并对所述预测结果进行展示。本发明专利技术能够对不同类型的多元用户采取对应的预测方法，从而达到快速精准地预测电力系统负荷。

【技术实现步骤摘要】
一种基于多元用户行为画像的用电负荷预测方法
本专利技术涉及用电负荷预测领域，更具体地，涉及一种基于多元用户行为画像的用电负荷预测方法。
技术介绍
快速准确的电力负荷预测有利于提高电力系统的经济性和可靠性，且是实现自动发电控制以及经济调度控制的前提。随着现代电力行业的逐步改革，准确的电力负荷预测在很大程度上决定了改革的趋势和方向，但是非线性和波动性加大了负荷预测的难度。经济、天气和其他因素的影响导致每天、每周、每年的负荷都在变动。短期负荷预测的精确程度影响着电能的利用率以及电力系统运行的安全性和可靠性。目前对于短期电力系统负荷预测已经提出大量的方法，包括传统的时间序列、神经网络、小波分析等方法。随着我国电力系统日趋复杂化以及智能电网的发展，影响负荷的因素也呈现出复杂化特点，因此在建立预测模型时，确定影响负荷的相关因素是首先解决的问题。在众多预测方法中，大多数模型对于影响因素仅依靠经验来选择，这不仅缺乏客观性还会影响预测精度。而且对于电力系统，往往只采取单一的预测方法对用户的用电负荷进行预测，针对目前综合管理下的智能电网系统，用户呈现多元化的特点，用电情况也逐渐多元化，因此亟需针对智能电网下的多元用户的类型采取对应的用电负荷预测方法，快速准确地作出短期电力负荷预测，提高电力系统运行的安全性和可靠性。
技术实现思路
本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种基于多元用户行为画像的用电负荷预测方法，能够对不同类型的多元用户采取对应的预测方法，从而达到快速精准地预测电力系统负荷。本专利技术采取的技术方案是，一种基于多元用户行为画像的用电负荷预测方法，采用所述方法对多元用户的用电负荷进行预测，包括以下步骤：选取若干个多元用户的历史用电负荷数据，并对多元用户的历史用电负荷数据进行预处理；针对不同类型的多元用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，所述不同类型的多元用户包括用电平稳性差的用户、用电平稳性好的用户、温度敏感性低的用户；利用预测模型对多元用户的用电负荷进行预测得到预测结果，并对所述预测结果进行展示。多元用户行为画像是基于不同行业的海量用户数据，从温度敏感、电价敏感和用电平稳度三个角度，感知用户行为规律，分别建立和量化特征指标并综合评价，形成用户用电行为标签，最终建立用电行为标签量化、分类、组合的多行业多属性用电行为画像。本专利技术一种基于多元用户行为画像的用电负荷预测方法，面向不同负荷类型的短期或者超短期用电预测技术，包括面向不同用电平稳度用户、不同温度敏感度用户和不同电价敏感度用户，分别采取不同的负荷预测方法，其中预测的方法包括以下步骤：首先选取多个某一类型多元用户的历史用电负荷数据，并对多元用户的历史用电负荷数据进行预处理，根据多元用户的类型采取相应的算法对预处理后的历史用电负荷数据进行模型训练学习，从而得到对应的预测模型，最后利用训练得到的预测模型对多元用户待预测时刻的用电负荷进行预测得到多个预测结果，并将多个预测结果进行展示。本专利技术一种基于多元用户行为画像的用电负荷预测方法，面向不同类型的用电用户采取相应的用电预测方法，实现快速精准地对用户的用电负荷进行预测，极大地提高了电能的利用率以及电力系统运行的安全性和可靠性。进一步地，所述对多元用户的历史用电负荷数据进行预处理，具体包括：对多元用户的历史用电负荷数据进行归一化处理。本专利技术选取多个历史用电负荷数据作为样本，将这些样本进行归一化处理，就是把多个数据经过处理后限制在一定的范围内，归纳统一样本的统计分布性，其目的是为了接下去的步骤中对数据处理的方便性，保证算法程序运行的收敛速度。进一步地，所述对多元用户的历史用电负荷数据进行预处理，还包括：对多元用户的历史用电负荷数据进行去除离群点处理。离群点是由于外部干扰造成的异常点，离群点会影响模型的拟合精度，甚至得到一些虚拟的信息，本专利技术对多元用户的历史用电负荷数据样本进行归一化处理后，对数据样本进行去除离群点处理，剔除数据样本中与其他样本行为或者特征不一致的异常点。进一步地，所述对多元用户的历史用电负荷数据进行预处理，还包括：对多元用户的历史用电负荷数据进行聚类处理。将物理或抽象对象的集合分为由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。本专利技术在预处理过程中通过对用户历史用电负荷数据进行归一化处理和去除离群点处理后，进而对历史用电负荷数据进行聚类处理，对多个数据样本进行统计分析将临近的类似分类区域数据进行聚类并合并。进一步地，所述针对不同类型的用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，具体包括：针对用电平稳性差的用户，对预处理后的历史用电负荷数据进行模型训练，得到基于分类多模型变权模糊综合预测模型；针对用电平稳性好的用户，对预处理后的历史用电负荷数据进行模型训练，得到PSO优化最小二乘预测模型；针对温度敏感性低的用户，对预处理后的历史用电负荷数据进行模型训练，得到LSTM负荷预测模型。本专利技术面向用电平稳性差的用户、用电平稳性好的用户和温度敏感性低的用户，采用基于分类多模型变权模糊综合预测模型、PSO优化最小二乘预测模型和LSTM负荷预测模型对其历史用电负荷数据进行用电负荷预测。在电网的领域中，基于分类多模型变权模糊综合预测模型常常用于研究大用户短期电力负荷预测问题，所谓大用户通常是指钢铁、水泥、炼铝等高能耗工矿企业用户，其用电量超过一定规模，成本支出中电费占很大比例，并经常在其所在地区电力负荷中占有较大比重，大用户电力负荷较少受气候、节假日等因素的影响，但与企业生产工艺和生产计划直接相关，变化剧烈，随机性强，因此其负荷预测更为复杂。本专利技术参考大用户用电不受其他外界因素干扰且平稳性较差的特点，因此采用基于分类多模型变权模糊综合预测模型对用电平稳性差的用户进行负荷预测；在电网领域中，非线性和波动性加大了负荷预测的难度，经济、天气和其他因素的影响导致每天、每月、每年的负荷都在变动，最小二乘支持向量机算法能够极大地提高求解速率，同时参数的选择在算法中极为重要，因此在此基础上提出了POS优化的最小二乘支持向量机，本专利技术考虑天气经济等外界因素，有针对性地采用最优的POS优化最小二乘支持向量机模型对平稳性好的用户进行负荷预测；LSTM负荷预测模型采用的LSTM神经网络是改进循环神经网络的计算单元得到的一种深度学习算法，对于处理时间序列相关的数据有良好的效果。在电网领域中往往用来计算负荷的时间相关性从而提高负荷预测的精度，本专利技术针对温度敏感性低的用户，考虑其用电负荷大小受温度影响较小，受到其他因素如节假日(日期类型)、产品销量等因素影响较大，因此有针对性地采用LSTM负荷预测模型，快速准确地得到待预测时刻的用电负荷数据。进一步地，所述对预处理后的历史用电负荷数据进行模型训练，得到基于分类多模型变权模糊综合预测模型，具体包括：将预处理后的历史用电负荷数据本文档来自技高网...

【技术保护点】
1.一种基于多元用户行为画像的用电负荷预测方法，其特征在于，采用所述方法对多元用户的用电负荷进行预测，包括以下步骤：/n选取若干个多元用户的历史用电负荷数据，并对多元用户的历史用电负荷数据进行预处理；/n针对不同类型的多元用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，所述不同类型的多元用户包括用电平稳性差的用户、用电平稳性好的用户、温度敏感性低的用户；/n利用预测模型对多元用户的用电负荷进行预测得到预测结果，并对所述预测结果进行展示。/n

【技术特征摘要】
1.一种基于多元用户行为画像的用电负荷预测方法，其特征在于，采用所述方法对多元用户的用电负荷进行预测，包括以下步骤：
选取若干个多元用户的历史用电负荷数据，并对多元用户的历史用电负荷数据进行预处理；
针对不同类型的多元用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，所述不同类型的多元用户包括用电平稳性差的用户、用电平稳性好的用户、温度敏感性低的用户；
利用预测模型对多元用户的用电负荷进行预测得到预测结果，并对所述预测结果进行展示。


2.根据权利要求1所述的一种基于多元用户行为画像的用电负荷预测方法，其特征在于，所述对多元用户的历史用电负荷数据进行预处理，具体包括：
对多元用户的历史用电负荷数据进行归一化处理。


3.根据权利要求2所述的一种基于多元用户行为画像的用电负荷预测方法，其特征在于，所述对多元用户的历史用电负荷数据进行预处理，还包括：
对多元用户的历史用电负荷数据进行去除离群点处理。


4.根据权利要求3所述的一种基于多元用户行为画像的用电负荷预测方法，其特征在于，所述对多元用户的历史用电负荷数据进行预处理，还包括：
对多元用户的历史用电负荷数据进行聚类处理。


5.根据权利要求1所述的一种基于多元用户行为画像的用电负荷预测方法，其特征在于，所述针对不同类型的用户对预处理后的历史用电负荷数据进行模型训练，得到对应的预测模型，具体包括：
针对用电平稳性差的用户，对预处理后的历史用电负荷数据进行模型训练，得到基于分类多模型变权模糊综合预测模型；
针对用电平稳性好的用户，对预处理后的历史用电负荷数据进行模型训练，得到PSO优化最小二乘预测模型；
针对温度敏感性低的用户，对预处理后的历史用电负荷数据进行模型训练，得到LSTM负荷预测模型。


6.根据权利要求5所述的一种基于多元用户行为画像的用电负荷预测方法，其特征在于，所述对预处理后的历史用电负荷数...

【专利技术属性】
技术研发人员：卢耀武，黄宇魁，夏文伟，郑建明，陈百晖，吴翔翔，
申请(专利权)人：广东卓维网络有限公司，
类型：发明
国别省市：广东;44