【技术实现步骤摘要】
基于历史相似日和概率统计的居民用电预测方法及其应用
[0001]本专利技术涉及用电预测技术,尤其涉及一种基于历史相似日和概率统计的居民用电预测方法及其应用。
技术介绍
[0002]随着我国社会经济的持续发展以及产业结构的不断调整,电力用户的用电特性正呈现多样化发展趋势:对同一行业的不同用户,其用电行为的差异化日益明显,仅以行业总体特性进行用电模式识别已无法客观挖掘足够的信息。对不同行业的用户,由于其在社会经济活动中的分工、资源配置和服务对象等具有一定的不确定性,且对上下游行业发展情况存在依赖关系,因此用户用电特性还与除本行业以外的多种社会经济因素存在关联关系,这种关联关系的复杂度也在不断提高。不同区域用户的用电特性呈现与不同行业用户类似的变化趋势。用户用电特性的多样化对传统的用电量预测方法提出了挑战。
[0003]目前,由于智能电网的发展,利用采集的电力数据对电力需求进行预测的研究越来越多。当前已有较多关于居民负荷用电行为的研究,如雷升、徐启峰等人于电气开关2022年第2期第13页发表的《基于LSTM
‑
SVR的用电需求预测研究》,及姚颖蓓、陆建忠等人于电力系统保护与控制2021年第四期第141页发表的《华东地区电动汽车发展趋势及用电需求预测》等,但多是基于“自上而下”的建模思想,而基于“自下而上”的相关文献缺乏对历史用电数据有效性筛选研究。居民用电行为受自身和外部因素影响,不同影响因素作用下将会产生不同的用电行为。因此,结合当前研究的不足之处,本专利技术综合考虑并量化内外部影响因素来衡量预 ...
【技术保护点】
【技术特征摘要】
1.一种基于历史相似日和概率统计的居民用电预测方法,包括如下步骤:步骤1:构建相似度特征向量:通过构建相似度特征向量来衡量历史日与预测日相似度高低,并从中选取相似度高的历史日作为相似日;步骤2:计算预测日与历史日之间的相似度因子:通过计算两者相似度特征向量间的欧几里得距离来衡量;步骤3:历史数据预处理:涉及家用电器历史用电数据进行预处理;步骤4:用电行为预测模型建模:通过对历史相似日用户家用电器开关状态数据统计分析,即可获得能表征居民用电行为特征的用电行为概率模型;步骤5:负荷电气特征模型建模:用来表征居民负荷功率与电力系统变量之间的数学关系,反映家用电器耗电量特征,现阶段包括多项式和指数两种数学模型来衡量负荷电气特征模型;步骤6:负荷需求预测模型建模:基于居民用电行为特征模型和负荷电气特征模型,建立单个家用电器在各时刻能耗模型;步骤7:计算结果分析:根据上述步骤建立的三个模型,采用处理后的历史数据,对用电需求进行预测分析,并对预测结果进行分析。2.根据权利要求1所述的基于历史相似日和概率统计的居民用电预测方法,其特征为:所述相似度特征向量X为如下形式:X=[α,δ,λ,θ,ε]式中,α表示人体舒适度指数;δ表示预测日和历史日日期差;入表示星期类型;θ表示重大事件;ε表示家庭类型。3.根据权利要求1所述的基于历史相似日和概率统计的居民用电预测方法,其特征为:对特征向量元素进行标幺化,设标幺化后相似度特征向量各因子分别为α
*
,δ
*
,入
*
,θ
*
,ε
*
,假设预测日和历史日标幺化后的相似度特征向量分别为和和两者间的欧几里得距离通过以下式子获得:由于欧几里得距离衡量的是两个相似度特征向量不相似度,因此两个特征向量的相似度可通过下式获得:式中,表示预测日和历史日之间的相似度;假设共有N个历史日数据可供预测日预测,得到历史日与预测日相似度因子集S={S1,S2,
…
,S
N
},其中任一历史日n与预测日的相似度为S
n
;从相似度因子集S中选取出M个与预测日相似度最高的历史日,即可作为历史相似日。4.根据权利要求1所述的基于历史相似日和概率统计的居民用电预测方法,其特征为:
所述步骤3进一步包括如下内容:假设每日数据共有J个记录,即将每日分为J个时刻,每个时刻均记录着家用电器功率情况;令D(j,n)表示第n个历史日j时刻的负荷数据,α
max
(j,n)表示前n
‑
1天内j时刻与j
‑
1时刻负荷变化率的最大值;则通过数据横向比较法可对有问题数据进行处理,即式中,d表示与当前日间隔天数;当D(j,n)满足上式条件时,则表明该数据存在问题,需要通过下式对其进行处理,D(j,n)=μ1D(j,n
‑
1)+μ2D(j,n
‑
2)+
…
μ
n
‑1D(j,1)式中,μ1,μ2,
…
,μ
n
‑1分别表示对应历史日所占权重。5.根据权利要求4所述的基于历史相似日和概率统计的居民用电预测方法,其特征为:在对历史数据进行预处理后,需要统计历史日电器在各时刻的开关状态;基于每个电器能耗历史数据,...
【专利技术属性】
技术研发人员:李慧璇,张艺涵,杨钦臣,李鹏,郑永乐,祖文静,张泓楷,田春筝,杨萌,
申请(专利权)人:国网河南省电力公司经济技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。