短期负荷的概率预测方法和概率预测装置制造方法及图纸

本发明专利技术公开了一种短期负荷的概率预测方法和概率预测装置，该方法包括：将待预测区域内所有用户智能电表记录的历史负荷数据划分为训练集、集成集和待预测集；针对训练集中的历史负荷数据进行相关的计算得到用户在多个不同聚类数量下的划分结果；根据划分结果对聚类后的每一用户群体进行相关的训练，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；根据集成集中的历史负荷数据、每个预测模型和真实的整体负荷值，得到集成后的待预测区域负荷概率预测模型；根据待预测区域负荷概率预测模型对待预测集中的负荷进行概率预测。本发明专利技术的概率预测方法，能够精细化地利用用户智能电表的历史负荷数据，提升待预测区域负荷概率预测的准确率。

【技术实现步骤摘要】
短期负荷的概率预测方法和概率预测装置
本专利技术涉及电力负荷预测
，特别涉及一种短期负荷的概率预测方法和概率预测装置。
技术介绍
近年来，智能电表在用户侧的普及率逐渐上升，电网公司在进行区域负荷预测时，可以依靠智能电表数据获得高频度、高分辨率的用户负荷数据。一般而言，一个区域的负荷通常由成百上千个用户负荷集聚而成，智能电表所记录的用户负荷将有助于提升区域整体负荷预测的精度。传统意义上的负荷预测主要是通过记录区域整体负荷的变化，随后构建相应的输入特征训练单一模型。考虑到利用智能电表数据来精细化预测区域整体负荷，产生了自下而上的分层负荷预测方法，即对单一用户的负荷分别构建预测模型，再将区域中所有用户的预测模型加总，得到整体预测模型。目前，基于历史负荷数据进行负荷预测的技术已比较成熟，并在国内外大多数电网公司中投入了实用。波兰琴斯托霍瓦工业大学的学者提出了基于模式回归的电力预测模型(DudekG.Pattern-basedlocallinearregressionmodelsforshort-termloadforecasting[J]本文档来自技高网...

【技术保护点】
1.一种短期负荷的概率预测方法，其特征在于，包括：/n步骤S1，获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将所述历史负荷数据划分为训练集、集成集和待预测集；/n步骤S2，针对所述训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和所述相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，所述周平均负荷曲线上任一点为所述训练集中同一用户在各周相同时刻的负荷平均值；/n步骤S3，根据所述划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将所述概...

【技术特征摘要】
1.一种短期负荷的概率预测方法，其特征在于，包括：
步骤S1，获得待预测区域内所有用户智能电表记录的历史负荷数据，并根据预设比例，将所述历史负荷数据划分为训练集、集成集和待预测集；
步骤S2，针对所述训练集中的历史负荷数据，计算每个用户的周平均负荷曲线，并基于余弦相似度计算不同用户之间周平均负荷曲线的相似度矩阵，以及根据基于k-均值聚类的谱聚类方法和所述相似度矩阵，计算用户在多个不同聚类数量下的划分结果，其中，所述周平均负荷曲线上任一点为所述训练集中同一用户在各周相同时刻的负荷平均值；
步骤S3，根据所述划分结果对聚类后的每一用户群体，分别训练分位数回归神经网络的概率预测模型，并将所述概率预测模型的输出概率分布结果通过卷积累加，以分别得到待预测区域整体负荷的多个概率预测结果的预测模型；
步骤S4，根据所述集成集中的历史负荷数据，计算最小化集成集的弹球损失函数，并根据每个预测模型和真实的整体负荷值，以所述最小化集成集的弹球损失函数为目标函数，以每个预测模型的集成权重为优化变量，构建线性规划问题并求解最优集成权重，以所述最优集成权重对每个预测模型进行累加，得到集成后的待预测区域负荷概率预测模型；
步骤S5，根据所述待预测区域负荷概率预测模型对所述待预测集中的负荷进行概率预测。


2.根据权利要求1所述的短期负荷的概率预测方法，其特征在于，设M为待预测区域内的用户数量，T为获取历史负荷的时段数，T0为智能电表每日记录负荷的频次，其中M、T和T0均为正整数，所述步骤S1，具体包括：
步骤S11，根据预设转换算法将所述历史负荷数据转换为历史负荷矩阵LM×T，并设Lt为t时刻待预测区域的总负荷，以及设Lm,t为第m个用户在t时刻的负荷，其中，t为小于等于T的正整数，m为小于等于M的正整数；
步骤S12，将所述历史负荷矩阵LM×T按照时间的先后划分为训练集Ltr、集成集Len和待预测集，并设训练集Ltr的时间长度为Ttr，集成集Len的时间长度为Ten。


3.根据权利要求2所述的短期负荷的概率预测方法，其特征在于，所述步骤S2，具体包括：
步骤S21，对所述训练集Ltr中的负荷，按照每周取平均值，得到每个用户的周特征负荷其中，t'为小于等于7T0的正整数，并构成周特征负荷矩阵所述周特征负荷矩阵第m行的向量为第m个用户的周平均用电负荷；
步骤S22，根据所述周特征负荷矩阵，基于余弦相似度计算不同用户之间的相似度矩阵SM×M，所述相似度矩阵SM×M的第m行第n列的元素Sm,n为第m个用户和第n个用户之间的用电相似度：



步骤S23，根据基于k-均值聚类的谱聚类方法和所述相似度矩阵SM×M将M个用户划分为k个群体，得到聚类后的用户群体划分结果；
步骤S24，取k为以下N＝[log2M]+1个值，[·]为向下取整函数：
kj＝min{2j-1,M}
其中，N为正整数，j为小于等于N的正整数；
步骤S25，重复执行步骤S23，以得到N组不同的划分结果


4.根据权利要求3所述的短期负荷的概率预测方法，其特征在于，所述步骤S3，具体包括：
步骤S31，针对聚类数量为kj时的划分结果将隶属于第1到kj个用户群体的用户负荷分别加总，以得到kj组用户群体的历史用电负荷向量；
步骤S32，针对所述kj组用户群体的历史用电负荷向量，定义其中第a组用户群体的总用电负荷为分别以t时段各用户群体用电总负荷为输出，以t时段对应的星期独热编码、小时编号、昨天同一时段负荷、昨天上一时段负荷、前天同一时段负荷、三天前同一时段负荷、四三天前同一时段负荷构成输入特征使用...

【专利技术属性】
技术研发人员：陈启鑫，郑可迪，王毅，顾宇轩，郭鸿业，康重庆，夏清，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11