基于用户自身用电特点的自调整中长期负荷聚类预测方法技术

本发明专利技术提供了一种基于用户自身用电特点的自调整中长期负荷聚类预测方法，包括以下步骤：获取待测用户历史用电数据，构建待测用户的用电负荷数据库；构建影响因素集合和评价指标集合；识别每个评价指标下影响用户用电情况的主要影响因素项集；利用待测用户的用电负荷数据库，分别针对每个评价指标下的每个主要影响因素项集，采用DNN模型进行待测用户的中长期用电负荷预测；分别将每个评价指标下的每个主要影响因素项集相应的预测结果进行融合，得到基于每个评价指标的预测结果；再将得到的每个评价指标的预测结果进行融合，得到最终的预测结果。本发明专利技术可以根据每个用户自身的实际情况进行聚类预测，实现中长期负荷的精准预测。实现中长期负荷的精准预测。实现中长期负荷的精准预测。

【技术实现步骤摘要】
基于用户自身用电特点的自调整中长期负荷聚类预测方法


[0001]本专利技术属于电网用电预测
，具体涉及一种基于用户自身用电特点的自调整中长期负荷聚类预测方法。

技术介绍

[0002]随着环境问题的日益加剧和化石能源的日益短缺，构建一个环境友好型的低碳电力系统已经势在必行。电力系统的首要目标是在最小化运行成本并满足各约束条件的前提下，满足负荷的需求，并力争达到供需平衡。然而，负荷自身的不确定性和随机性，以及新能源的间歇性和不稳定性，都为电力系统的供需平衡带来了挑战。在这种背景下，一个合理准确的中长期负荷预测模型将有助于了解负荷端需求，从而合理地进行发电侧规划，为供需平衡提供指引。
[0003]目前用于负荷预测的方法很多，包括回归分析法、灰色预测法、神经网络法等方法。其核心方法都是基于历史数据来建立预测模型，对未来负荷需求进行预测。这些方法虽然各有优势，但是这些方法都没有全面地考虑随机变量，且在面对多类随机的、模糊的信息时，没有办法提供精确度足够高的预测方案。另一方面，在对预测模型进行评估时，选取不同的评价指标往往会得到不同的评价结果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户自身用电特点的自调整中长期负荷聚类预测方法，其特征在于：包括以下步骤：获取待测用户历史用电数据，构建待测用户的用电负荷数据库；构建影响用户用电情况的影响因素集合以及评价预测模型结果的评价指标集合；识别每个评价指标下影响用户用电情况的的主要影响因素项集；利用待测用户的用电负荷数据库，分别针对每个评价指标下的每个主要影响因素项集，采用DNN模型进行待测用户的中长期用电负荷预测；分别将每个评价指标下的每个主要影响因素项集相应的预测结果进行融合，得到基于每个评价指标的预测结果；再将得到的每个评价指标的预测结果进行融合，得到最终的预测结果。2.根据权利要求1所述的方法，其特征在于：还包括以下步骤：实时更新待测用户的用电负荷数据库；基于预测结果和实际用电负荷数据的偏差调整DNN模型；采用新的用电负荷数据库和调整后的DNN模型进行下一轮中长期负荷预测。3.根据权利要求2所述的方法，其特征在于：构建待测用户的用电负荷数据库的过程包括：收集待测用户过去5年、每年365天、共43800小时的每小时用电量，并剔除其中不合理的数据，形成待测用户的用电负荷数据库。4.根据权利要求2所述的方法，其特征在于：所述影响用户用电情况的影响因素集合包括：用电时间、尖峰时段电价、高峰时段电价、平段电价、低谷时段电价、负荷消耗电力那一时刻的环境温度、周日期信息、节假日信息、待测用户的家庭人口组成、待测用户的房屋面积、待测用户的家庭收入和待测用户的家庭所有用电设备功率总和。5.根据权利要求2所述的方法，其特征在于：所述评价预测模型结果的评价指标包括：相对误差、平均绝对误差、平均绝对百分比误差、均方根误差、标准差误差、均方对数误差和预测有效度。6.根据权利要求2所述的方法，其特征在于：识别每个评价指标下影响用户用电情况的的主要影响因素项集的过程包括：设置最小支持度和最小置信度；针对不同的评价指标，生成相应的影响因素项集；每个影响因素项集为考虑待测用户特定用电状况的影响因素集合，每个影响因素项集中包含的影响因素不完...

【专利技术属性】
技术研发人员：舒东胜，赵红生，杨洁，王佳，徐秋实，熊志，陈锋，熊炜，任羽伦，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：