一种工业企业用电需求短期智能预测方法技术

本发明专利技术涉及一种工业企业用电需求短期智能预测方法。该方法分为数据处理、模型训练、负荷预测三个阶段。在数据处理阶段，利用智能电表获取工业用户的历史负荷数据，处理数据异常值和缺失值，并将数据分组。在模型训练阶段，采用无监督学习方法，使用对数极大似然估计模型参数，训练短期负荷预测模型。在负荷预测部分，用训练得到的短期负荷预测模型来预测未来时刻的负荷值。本发明专利技术能够实现精确的工业用户短期负荷预测，并提高预测的鲁棒性。并提高预测的鲁棒性。

【技术实现步骤摘要】
一种工业企业用电需求短期智能预测方法


[0001]本专利技术涉及一种工业电力用户短期负荷预测方法，属于工业用户用电行为的数据分析


技术介绍

[0002]随着我国工业的迅速发展，工业用电量已占全社会用电量的70％以上，由于其重要占比，工业负荷对智能配电网的经济性和稳定性影响巨大。然而，工业用户独特的经营模式、间歇性的设备启停和多样化的生产计划导致负荷呈现更大的随机性和波动性，给工业用户负荷的精确预测带来巨大挑战，因此，传统的系统侧预测模型难以实现对工业用户负荷的精确预测。基于此，本文提出了一种工业企业用电需求短期智能预测方法，具有更强的泛化能力和更高的预测精度，适用于工业用户短期负荷预测。

技术实现思路

[0003]本专利技术的目的在于提供一种工业企业用电需求短期智能预测方法，具有更强的泛化能力和更高的预测精度，适用于工业用户短期负荷预测。
[0004]为实现上述目的，本专利技术的技术方案是：一种工业企业用电需求短期智能预测方法，该方法分为数据处理、模型训练、负荷预测三个阶段。在数据处理阶段，提取历史负荷数据，处理数据异常值和缺失值，将数据分组。在模型训练阶段，将历史负荷数据用于训练生成短期负荷预测模型。在负荷预测部分，计算负荷预测的输入值，用训练得到的短期负荷预测模型来预测未来时刻的负荷值，该方法具体包括如下步骤：
[0005]第一步，通过工业企业的智能电表来提取历史负荷数据；
[0006]第二步，对收集到的数据进行数据预处理，数据缺失值按该时刻前后两个时刻负荷值的平均值填补，数据异常值也按该时刻前后两个时刻负荷值的平均值填补；
[0007]第三步，基于工业用户常以周为单位安排生产计划考虑，历史负荷数据按照每周七天的顺序将数据切分成N个数据块，每块数据对应一周7天的历史负荷数据；
[0008]第四步，将N个数据块有放回地随机取样，形成M组时间顺序不同的样本数据；
[0009]第五步，以第四步获得的样本数据，即每个样本的显序列 {o1,o2,
…
,o
T
}(o
i
为i时刻对应的负荷值)为模型的输入，采用无监督学习方法训练模型,得到最终模型参数λ
e
，将每组样本数据中即每一周数据分别设置一个滑动窗口,滑动窗口序列集合表示为 W＝{W1,W2,
…
,W
T
},与其历史显序列的关系为；
[0010]{W1,W2,
…
,W
T
}＝{o
1:k
,o
2:(k+1)
,
…
,o
(T
‑
k+1):T
}，并以上述所得到的模型参数λ
e
作为在滑动窗口内模型的初始化参数，窗口长度为K，移动步幅为 a，每移动一次便计算对应滑动窗口序列的对数似然值，第i个滑动窗口序列l
i
的似然值计算公式如式(1)所示，窗口滑动到每周数据末尾处停止；
[0011][0012]第六步，取数据点末尾处的框为源滑动窗口，相应的似然值l
T
为源似然值，计算每个滑动窗口对应的似然值与源似然值l
T
的距离D
i
，以衡量每个框内负荷波动趋势与源框内负荷波动趋势的相似性，如公式(2)所示；
[0013]D
i
＝|l
i
‑
l
T
|
ꢀꢀꢀ
(2)
[0014]将每个滑动窗口对应的D
i
值按从小到大排列，取前n个值对应的滑动窗口序列，作为与源滑动窗口最相似的n个时间序列，若第i个滑动窗口为被选中的窗口，则对应的时间序列为{o
i
,o
i+1
,
…
,o
i+k
‑1}，源框的时间序列为{o
T
‑
k+1
,o
T
‑
k+2
,
…
,o
T
}，在整个显序列中检索所述n个滑动窗口的索引，并通过式(3)预测T+1时刻的负荷值；
[0015][0016]第七步，每组数据对应一个短期负荷预测模型，由第四步形成M 组时间顺序不同的样本数据，对应M个短期负荷预测模型，重复第六步得到的每个样本数对应的y
T+1
负荷预测值，并得到M个负荷预测值，取其平均值作为最终的预测值；
[0017]所述短期负荷预测模型预测和训练方法的具体实现方式为：
[0018](1)模型预测方法
[0019]给定模型参数λ＝{A,B,π}，计算某一长度为T的显序列o
1:T
＝{o1,o1,
…
,o
T
}出现的概率P(o
1:T
|λ)。此问题可以通过公式(4)至(6) 解决
[0020]若在t时刻的隐状态为z
i
，显序列o
1:T
＝{o1,o1,
…
,o
T
}发生的概率为先验概
[0021]率，记为式(4)
[0022]α
t
(i)＝P(o1,o2,
…
,o
t
,Z
t
＝z
i
|λ)
ꢀꢀꢀ
(4)
[0023]Step1：计算每个隐状态在初始时刻t＝1的先验概率，如式(5)
[0024]α1(i)＝π
i
b
i
(o1),i＝1,2,
…
,k
ꢀꢀꢀ
(5)
[0025]Step2：递归计算在t＝2至t＝T的先验概率，如式(6)
[0026][0027]Step3：计算长度为T的显序列的条件概率，如式(7)
[0028][0029](2)模型训练方法
[0030]无监督学习方法给定长度为T的显序列作为训练集 o
1:T
＝{o1,o2,
…
,o
T
},确定最优模型参数λ＝(A,B,π)。分两步进行。初始化，对n＝0，选取状态变换概率矩阵观测变换概率矩阵 B
(0)
＝[b
j
(k)
(0)
]，初始概率向量得到模型λ
(0)
＝(A
(0)
,B
(0)
,π
(0)
)；若在 t时刻的隐状态为z
i
，显序列o
t+1:T
发生的概率为后验概率如式(8)
[0031]β
t
(i)＝P(o
t+1
,o
t+2
,
…
,o
T
|Z
t
＝z...

【技术保护点】

【技术特征摘要】
1.一种工业企业用电需求短期智能预测方法，其特征在于：该方法分为数据处理、模型训练、负荷预测三个阶段。第一步：提取历史负荷数据，处理数据异常值和缺失值，将数据分组；第二步：历史负荷数据用于训练生成短期负荷预测模型；第三步：计算负荷预测的输入值，用训练得到的短期负荷预测模型来预测未来时刻的负荷值。2.根据权利要求1所述的一种工业企业用电需求短期智能预测方法，其特征在于：所述第一步，通过工业企业的智能电表来提取历史负荷数据；对收集到的数据进行数据预处理，数据缺失值按该时刻前后两个时刻负荷值的平均值填补，数据异常值也按该时刻前后两个时刻负荷值的平均值填补；基于工业用户常以周为单位安排生产计划考虑，历史负荷数据按照每周七天的顺序将数据切分成N数据块，每块数据对应一周7天的历史负荷数据；将N个数据块有放回地随机取样，形成M组时间顺序不同的样本数据。3.根据权利要求1所述的一种工业企业用电需求短期智能预测方法，其特征在于：所述第二步，根据第一步得到分组的样本数据，即每个样本的显序列{o1,o2,
…
,o
T
}(o
i
为i时刻对应的负荷值)为模型的输入，采用无监督学习方法训练模型,得到最终模型参数λ
e
，将每组样本数据中即每一周数据分别设置一个滑动窗口,滑动窗口序列集合表示为W＝{W1,W2,
…
,W
T
},与其历史显序列的关系为；{W1,W2,
…
,W
T
}＝{o
1:k
,o
2:(k+1)
,
…
,o
(T
‑
k+1):T
}，并以上述所得到的模型参数λ
e
作为在滑动窗口内模型的初始化参数，窗口长度为K，移动步幅为a，每移动一次便计算对应滑动窗口序列的对数似然值，第i个滑动窗口序列l
i
的似然值计算公式如式(1)所示，窗口滑动到每周数据末尾处停止；取数据点末尾处的框为源滑动窗口，相应的似然值l
T
为源似然值，计算每个滑动窗口对应的似然值与源似然值l
T
的距离D
i
，以衡量每个框内负荷波动趋势与源框内负荷波动趋势的相似性，如公式(2)所示；D
i
＝|l
i
‑
l
T
|
ꢀꢀꢀꢀꢀꢀꢀ
(2)将每个滑动窗口对应的D
i
值按从小到大排列，取前n个值对应的滑动窗口序列，作为与源滑动窗口最相似的n个时间序列，若第i个滑动窗口为被选中的窗口，则对应的时间序列为{o
i
,o
i+1
,
…
,o
i+k
‑1}，源框的时间序列为{o
T
‑
k+1
,o
T
‑
k+2
,
…
,o
T
}，在整个显序列中检索所述n个滑动窗口的索引，并通过式(3)预测T+1时刻的负荷值；每组数据对应一个短期负荷预测模型，根据权利要求1所述的一种工业企业用电需求短期智能预测方法，其特征在于：所述第一步，将N个数据块有放回地随机取样，形成M组时间顺序不同的样本数据，对应M个短期负荷预测模型，重复权利要求1所述的一种工业企业用电需求短期智能预测方法，其特征在于：所述第二步，取数据点末尾处的框为源滑动窗口，相应的似然值l
T
为源似然值，计算每个滑动窗口对应的似然值与源似然值l
T
的距离D
i
，
以衡量每个框内负荷波动趋势与源框内负荷波动趋势的相似性，如公式(2)所示；D
i
＝|l
i
‑
l
T
|得到的每个样本数对应的y
T+1
负荷预测值，并得到M个负荷预测值，取其平均值作为最终的预测值。4.根据权利要求3所述的一种工业企业用电需求短期智能预测方法，其特征在于：所述短期负荷预测模型预测和训练方法的具体实现方式为：(1)模型预测方法给定模型参数λ＝{A,B,π}，计算某一长度为T的显序列o
1:T
＝{o1,o1,
…
,o
T
}出现的概率P(o
1:T
|λ)。此问题可以通过公式(4)至(7)解决若在t时刻的隐状态为z

【专利技术属性】
技术研发人员：王媛媛，孔洋，尹有鹏，陈俊，郭永生，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：