技术领域
[0001] 本
发明属于
电网用户负荷预测技术领域，涉及一种单体用户算法自匹配的负荷预测方法和系统。
背景技术
[0002] 自新一轮电
力体制改革持续深入，发用电计划放开、输配电价、增量配电业务放开等各项改革工作持续推进，电力现货市场进入试点推进阶段，电网企业、发电企业和终端用户等都受到不同程度的影响。其中南方(以广东起步)电力现货市场试运行在2018年8月31日正式启动，标志着广东电力市场体系基本建成，我国电力市场化改革迈出最关键的一步。伴随着售电侧市场化正在逐渐放开，在电力产品交易进入市场后，电力产品将作为现货交易形式出现。因为
电能区别于一般商品，它不能大量存储、需求侧变化大，所以供需两侧应实时保持平衡。各个地区的电能需求量和电价时刻影响着售电公司的购电成本，也是售电公司的
风险因素之一。同样的，对于发电企业，各个地区的电能需求量和电价影响着发电公司在电力市场，尤其是现货市场的售电成本。
电力负荷预测的作用凸显出来，有效且准确的负荷预测可为发售电企业在电力市场交易中提供依据。
[0003] 随着电网信息化
进程的加快，各类
传感器和智能设备大量应用，电力系统运行时产生的数据呈指数级增长，这些数据不仅包括智能
电能表收集的用电量，还包括各类传感器采集的
温度、湿度和风速等监测数据，复杂程度增大。
[0004] 电力负荷的传统预测算法丰富，包括时间序列法、回归分析法、趋势外推法等，其方法理论体系成熟；预测方法包括
支持向量机、模糊预测法、神经网络理论等，能够建立各个变量之间的非线性映射关系，获得预测网络的最优解。虽然上述预测算法模型各具优点，但缺点也十分明显。传统预测方法对原始时间序列的平稳性要求较高，或是要求数据呈现出某种明显的规律性，另外它们更加适用于预测负荷变化较均匀的情况，因为它们关注的重点是数掘的拟合；预测方法更适用于具有非线性、多变量、时变、随机性较强的电力负荷预测，它们所需的历史样本往往很多，对数据量要求比较大，使用应用往往缺乏足够的数掘支持。面对不同用户的用电数据，本发明提出了一种快速
定位适用于该用户负荷特征曲线预测算法的方法，实现高效的负荷特性分析和准确的
预测模型建立，为单体用户提供通用性和准确性兼具的负荷预测方法和系统。
发明内容
[0005] 为解决
现有技术中的不足，本
申请提出一种单体用户算法自匹配的负荷预测方法和系统，通过高效的负荷特性分析和准确的预测模型建立，能够自动定位适用于该用户负荷特征曲线的预测算法，为单体用户提供通用性和准确性兼具的负荷预测方法和系统。
[0006] 为了实现上述目标，本发明具体采用如下技术方案：
[0007] 一种单体用户算法自匹配的负荷预测方法，所述负荷预测方法适用于同一
指定预测周期的负荷预测，其特征在于，所述负荷预测方法包括以下步骤：
[0008] S1：计算单体用户负荷与预测影响因素的关联度，根据关联度辨识得到负荷预测的关键影响因素，其中，所述预测影响因素包括温度、湿度以及降
水量；
[0009] S2：通过
聚类分析挖掘样本负荷数据的分布特征，将集中变化特性相近的负荷序列归为一类，得到k种聚类分组负荷模式，并将其记为典型负荷模式集；
[0010] S3：针对单体用户，依据关联度计算和聚类分析结果建立单体用户和典型负荷模式的关系模型；
[0011] S4：针对典型负荷数据，利用算法库中的负荷预测模型分别一一进行预测，并对不同负荷预测模型得到的预测结果进行误差分析，将典型负荷模式和与其对应的最优负荷预测模型进行关联；
[0012] S5：针对单体用户，实现最优负荷预测模型与单体用户的关联，从而实现负荷预测算法自匹配。
[0013] 本发明进一步包括以下优选方案：
[0014] 进一步地，所述步骤S1包括以下步骤：
[0015] S101：将历史负荷作为参考序列X0＝{X0(1),X0(2),...,X0(m)}，其中，m为负荷序列数量，即指定预测周期的整数倍；
[0016] S102：将温度、湿度、降水量的值作为比较序列，其中，第i个预测影响因素的
序列表示为Xi＝{Xi(1),Xi(2),...,Xi(m)}；
[0017] S103：通过以下公式计算序列X0与Xi的关联度γi；
[0018] X0与Xi在s点的关联度γi计算公式为：
[0019]
[0020] 式中，ξ0i(s)为X0与Xi在s点的关联系数，s为1～m中的任一点，m为所述负荷序列的数量，γi取值介于0与1之间，γi值越接近1，影响因素与历史负荷的关联程度越大；
[0021] S104：根据负荷与温度、湿度、降水量之间的关联度计算结果，选择γi>0.5所对应的关键影响因素。
[0022] 进一步地，在所述步骤103中，
[0023] 通过以下公式计算X0与Xi在s点的关联系数ξ0i(s)：
[0024]
[0025] 式中，s为1～m中的任一点，m为所述负荷序列的数量， 为两级最小差； 为两级最大差；ρ为分辨系数，取经验值0.5。
[0026] 进一步地，所述步骤S2包括以下步骤：
[0027] S201：将收集到的p个用户的负荷作为历史负荷样本，一个用户的负荷对应为一组历史负荷样本，得到历史负荷样本集合记为X＝{X1,X2,...,Xj,...,Xp}，其中，p为用户的数量，即历史负荷样本的数量；第j个用户的负荷序列为Xj＝{xj1,xj2,...,xjq}，q为该用户的离散负荷序列的数量；
[0028] S202：针对p个历史负荷样本，确定聚类特征，所述聚类特征包括不同时间间隔的负荷值、最高/最低负荷、负荷率；选择
聚类算法，并确定初始聚类质心、聚类数目；
[0029] S203：针对负荷曲线数据进行数据聚类过程，得到k种聚类分组负荷模式。
[0030] 所述S203包括以下步骤：
[0031] S203-1：从p个负荷样本中选取k个样本作为初始聚类质心，令聚类质心集合C＝{C1,C2,...,Cj,...,Ck}；
[0032] S203-2：根据以下距离计算公式计算剩余样本到k个初始聚类质心的距离，并将其归到距离最小的类(负荷模式)中：
[0033] 样本Xi与Xj的通用距离计算公式为：
[0034]
[0035] 式中，t＝1～q，q表示某用户的离散负荷序列的数量；xmax为Xi、Xj两个序列对应维数据最大值；xjt为序列Xj中的任意一个值，xit为序列Xi中的任意一个值；
[0036] S203-3：计算每种负荷模式下所有样本的均值，更新每个类的质心向量Cj；
[0037] S203-4：不断重复S203-1至S203-3，直至k个聚类质心的变化程度不超过预定
阈值为止，得到k种聚类分组负荷模式，并将其记为典型负荷模式集。
[0038] 进一步地，所述步骤S3包括以下步骤：
[0039] S301：对典型负荷模式集进行特征指标度量，提取不同类型用户的负荷模式特征，指标包括关键影响因素、最大负荷点、最小负荷点、负荷率、最小负荷率和峰谷差率；
[0040] S302：对单体用户进行特征指标度量，提取该用户的负荷特征，并与典型负荷模式集进行特征相似度度量；
[0041] S303：对单体用户进行负荷模式相似度匹配，选取具有最相似负荷模式特征的聚类分组典型负荷曲线，从而建立单体用户和典型负荷模式的关系模型。
[0042] 进一步地，在所述步骤S301中，
[0043] 所述关键影响因素依据步骤S1中的关联度计算所得；
[0044] 所述最大负荷点为负荷曲线上的峰值负荷对应的时间点；
[0045] 所述最小负荷点为负荷曲线上的低谷负荷对应的时间点；
[0046] 所述负荷率为平均负荷/最大负荷的百分数，其中平均负荷为负荷曲线上所有单位时刻负荷的平均值；
[0047] 所述最小负荷率为最小负荷/最大负荷的百分数；
[0048] 所述峰谷差率为峰谷差/最大负荷的百分数，其中峰谷差为最大负荷与最小负荷之差。
[0049] 进一步地，在所述S303中，包括以下步骤：
[0050] S303-1：对单体用户和典型负荷模式集的关键影响因素进行匹配，建立初步关系模型；
[0051] S303-2：通过以下公式对最大负荷点、最小负荷点特征进行权重w1计算：
[0052] w1＝|Lmax(u)-Lmax(ty)|+|Lmin(u)-Lmin(ty)|
[0053] 式中，Lmax(u)、Lmin(u)是单体用户的最大、最小负荷点，Lmax(ty)、Lmin(ty)是典型负荷模式集的最大、最小负荷点；
[0054] S303-3：对负荷率、最小负荷率和峰谷差率特征进行权重w2计算，公式为：
[0055] w2＝|Rload(u)-Rload(ty)|+|Rmin(u)-Rmin(ty)|+|Rdif(u)-Rdif(ty)|[0056] 式中，Rload(u)、Rmin(u)、Rdif(u)是单体用户的负荷率、最小负荷率、峰谷差率，Rload(ty)、Rmin(ty)、Rdif(ty)是典型负荷模式集的负荷率、最小负荷率、峰谷差率；
[0057] 在初步关系模型中，设该单体用户匹配典型负荷模式集中的z个典型负荷模式，z为1，...，k中的值,对z个典型模式进行权重w1计算，将w1由低到高排序，并得到对应的第一次典型模式序号值；类似地，对z个典型模式进行权重w2计算，得到对应的第二次典型模式序号值；将两次典型模式序号值相加并进行由低到高排序，值最小的则为最相似负荷模式。
[0058] 进一步地，所述步骤S4包括以下步骤：
[0059] S401：为每一种负荷模式建立预测模型，利用算法库中的多种算法分别自动进行预测；
[0060] S402：针对每一种负荷模式，对多种算法的预测结果进行误差分析，误差最小的算法匹配为该负荷模式的最优适配算法。
[0061] 进一步地，所述步骤S402包括以下内容：
[0062] 令预测负荷序列为Y＝{Y1,Y2,...,Yi,...,Yf}，实际对比负荷序列为式中：Yi为第i个预测负荷值， 为第i个实际负荷值，f为预测总点数；
[0063] 通过以下公式对每一种算法预测结果，将预测负荷序列和对比负荷序列进行误差分析：
[0064]
[0065] 式中，f为预测总点数，σs是预测误差的标准差，值越小，体现预测结果
精度越高；
[0066] 对每一种算法的预测结果进行排序，误差最小的算法匹配为该负荷模式的最优适配算法。
[0067] 进一步地，所述步骤S5包括以下步骤：
[0068] S501：针对单体用户，将单体用户的负荷数据输入到系统，依据前面的步骤，实现单体用户和典型负荷模型集的匹配；
[0069] S502：设置两个权重阈值，当计算的实际权重不低于所述阈值，即权重w1、权重w2皆不低于所述阈值，则视为单体用户与已存在典型负荷模式集的匹配不符合期待值，则系统会将该单体用户的数据加入到样本数据，重新进行聚类分析，生成新的典型负荷模式集，实现动态更新；
[0070] S503：当权重w1、权重w2中任意一个值低于所述阈值时，依据所述步骤S4，实现典型负荷模式集和最优算法的匹配。
[0071] 一种用于单体用户算法自匹配的负荷预测的系统，包括关键影响因素辨识单元、典型负荷模式挖掘单元、单体用户和典型负荷模式关系匹配单元、典型负荷模式和最优算法关系匹配单元以及单体用户算法自匹配单元，其特征在于：
[0072] 所述关键影响因素辨识单元根据单体用户与预测影响因素的相关性分析研究，通过关联度计算辨识并获取负荷预测的关键影响因素；
[0073] 所述典型负荷模式挖掘单元根据聚类分析挖掘样本负荷数据的分布特征，将集中变化特性相近的负荷归为一类，生成典型负荷模式集；
[0074] 所述单体用户和典型负荷模式关系匹配单元针对单体用户，根据关联度计算和聚类分析结果建立单体用户和典型负荷模型的关系模型；
[0075] 所述典型负荷模式和最优算法关系匹配单元针对典型负荷模型数据，利用综合算法库中的传统预测算法和预测方法进行自动预测，并对算法预测结果进行评估，将典型负荷模式和最优适配算法进行关联；
[0076] 所述单体用户算法自匹配单元针对单体用户实现最优算法与用户的关联，从而实现负荷预测算法自匹配。
[0077] 本发明具有以下有益效果：
[0078] 1，面对不同用户规模庞大的用电数据，为单体用户提供通用性和准确性兼具的负荷预测方法和系统；
[0079] 2，通过高效的负荷特性分析和准确的预测模型建立，自动定位适用于该用户负荷特征曲线的预测算法，实现单体用户的算法自匹配预测；
[0080] 3，随着数据样本的增加，本发明中的聚类分析方法与匹配相关性会增加，从而进一步提高系统预测性能；
[0081] 4，当收集数据源不足情况下，本发明仍然适用，且保证一定的预测精度。
附图说明
[0082] 图1是本发明的一种单体用户算法自匹配的负荷预测方法和系统的流程
框图。
[0083] 图2是本发明的一种单体用户算法自匹配的负荷预测方法和系统的系统框图。
具体实施方式
[0084] 下面结合附图对本申请作进一步描述。以下
实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
[0085] 如图1所示，本发明的单体用户算法自匹配的负荷预测方法，针对同一指定预测周期，包括以下步骤：
[0086] S1：计算单体用户负荷与预测影响因素的关联度，根据关联度辨识得到负荷预测的关键影响因素，其中，所述预测影响因素包括温度、湿度以及降水量；
[0087] 本实施例中，单体用户可理解为使用当前系统进行负荷预测的某用户。本发明在研究不同用户负荷特征的
基础上，为单体用户自动定位适用于该用户负荷特征曲线的预测算法，实现单体用户的算法自匹配，为单体用户提供通用性和准确性兼具的负荷预测方法和系统。
[0088] 在本发明中，在年/月预测中，计算用户的年/月负荷和温度、湿度以及降水量与负荷之间的关联度；
[0089] 在日/小时预测预测中，计算用户的日/小时负荷和温度、湿度与负荷之间的关联度。
[0090] 本实施例中，将日作为指定预测周期。S1步骤中，计算单体用户的负荷与温度、湿度、降水量等因素的关联度。
[0091] 具体地，步骤S1包括以下步骤：
[0092] S101：将历史负荷作为参考序列X0＝{X0(1),X0(2),...,X0(m)}，其中，m为序列数量，为指定预测周期的整数倍；
[0093] 本实施例中，取待预测用户的2019年1月1日至4月30日的历史日负荷，共计120天，则m的值为120。
[0094] S102：将温度、湿度、降水量的值作为比较序列，其中第i个预测影响因素的序列表示为Xi＝{Xi(1),Xi(2),...,Xi(m)}；
[0095] 其中，比较序列就是温度、湿度、降水量的值。S1步骤计算的是负荷与温度、湿度、降水量等影响因素之间的关联度，挖掘的是数据间的关系。
[0096] 例如，数据格式如下：
[0097]
[0098] S103：通过以下公式计算序列X0与Xi的关联度γi；
[0099] 首先通过以下公式1计算X0与Xi在s点的关联系数：
[0100] 公式1：
[0101]
[0102] 式中，s为1～m中的任一点，m为所述负荷序列的数量， 为两级最小差； 为两级最大差；ρ为分辨系数，取经验值0.5。
[0103] 其次，通过以下公式2计算X0与Xi的关联度γi：
[0104] 公式2：
[0105]
[0106] 式中，ξ0i(s)为X0与Xi在s点的关联系数，s为1～m的任一点，m为所述负荷序列的数量，γi取值介于0与1之间，γi值越接近1，影响因素与历史负荷的关联程度越大。
[0107] S104：根据负荷与温度、湿度、降水量之间的关联度计算，选择γi>0.5所对应的关键影响因素。
[0108] 本实施例中，根据负荷与温度、湿度、降水量之间的关联度计算，分别计算出的关联度值依次为0.87、0.673、0.34，其中选择关联度值大于0.5的温度、湿度两个关键影响因素。
[0109] S2：通过聚类分析挖掘样本负荷数据的分布特征，得到k种聚类分组负荷模式，并将其记为典型负荷模式集；
[0110] 具体地，步骤S2包括以下步骤：
[0111] S201：将收集到的p个用户的负荷作为历史负荷样本，一个用户的负荷对应为一组历史负荷样本，得到历史负荷样本集合记为X＝{X1,X2,...,Xj,...,Xp}，其中，p为用户的数量，即历史负荷样本的数量；第j个用户的负荷序列为Xj＝{xj0,xj1,...,xjq}，q为该用户的离散负荷序列的数量；
[0112] S202：针对p个历史负荷样本，确定聚类特征，所述聚类特征包括不同时间间隔的负荷值、最高/最低负荷、负荷率；选择K-means聚类算法，并确定初始聚类质心、聚类数目；
[0113] S203：针对负荷曲线数据进行数据聚类过程，得到k种聚类分组负荷模式：
[0114] 即，从p个负荷样本中选取k个样本作为初始聚类质心，令聚类质心集合C＝{C1,C2,...,Cj,...,Ck}；
[0115] 通过以下距离计算公式计算剩余样本到k个初始聚类质心的距离，并将其归到距离最小的类(负荷模式)中：
[0116] 样本Xi与Xj的通用距离计算公式为：
[0117]
[0118] 式中，t＝1，…，q，q表示某用户的离散负荷序列的数量；xmax为Xi、Xj两个序列对应维数据最大值；xjt为xj1,xj2,...,xjq中的某个值，同理xit；
[0119] 计算每种负荷模式下所有样本的均值，更新每个类的质心向量Cj；
[0120] 不断重复这一过程直至k个聚类质心的变化程度不超过预定阈值为止，得到k种聚类分组负荷模式，并将其记为典型负荷模式集。
[0121] 本实施例中，将收集到的26个用户的日负荷作为历史负荷样本，通过聚类分析，得到4种聚类分组负荷模式，并将其记为典型负荷模式集。
[0122] S3：针对单体用户，依据关联度计算和聚类分析结果建立单体用户和典型负荷模式的关系模型；
[0123] 实施例中，步骤S3包括以下步骤：
[0124] S301：对典型负荷模式集进行特征指标度量，提取不同类型用户的负荷模式特征，指标包括关键影响因素、最大负荷点、最小负荷点、负荷率、最小负荷率和峰谷差率。
[0125] 其中，关键影响因素依据步骤S1中的关联度计算所得；最大负荷点为负荷曲线上的峰值负荷对应的时间点；最小负荷点为负荷曲线上的低谷负荷对应的时间点；负荷率为平均负荷/最大负荷的百分数，其中平均负荷为负荷曲线上所有单位时刻负荷的平均值；最小负荷率为最小负荷/最大负荷的百分数；峰谷差率为峰谷差/最大负荷的百分数，其中峰谷差为最大负荷与最小负荷之差。
[0126] S302：对单体用户进行特征指标度量，提取该用户的负荷特征，并与典型负荷模式集进行特征相似度度量；
[0127] S303：对单体用户进行负荷模式相似度匹配，选取具有最相似负荷模式特征的聚类分组典型负荷曲线，从而建立单体用户和典型负荷模式的关系模型，具体匹配方法包括以下步骤：
[0128] S303-1：对单体用户和典型负荷模式集的关键影响因素进行匹配，建立初步关系模型；
[0129] S303-2通过以下公式对最大负荷点、最小负荷点特征进行权重w1计算：
[0130] w1＝|Lmax(u)-Lmax(ty)|+|Lmin(u)-Lmin(ty)|
[0131] 式中，Lmax(u)、Lmin(u)是单体用户的最大、最小负荷点，Lmax(ty)、Lmin(ty)是典型负荷模式集的最大、最小负荷点。
[0132] S303-3：对负荷率、最小负荷率和峰谷差率特征进行权重w2计算，公式为：
[0133] w2＝|Rload(u)-Rload(ty)|+|Rmin(u)-Rmin(ty)|+|Rdif(u)-Rdif(ty)|[0134] 式中，Rload(u)、Rmin(u)、Rdif(u)是单体用户的负荷率、最小负荷率、峰谷差率，Rload(ty)、Rmin(ty)、Rdif(ty)是典型负荷模式集的负荷率、最小负荷率、峰谷差率。
[0135] 在初步关系模型中，设该单体用户匹配典型负荷模式集中的z个典型负荷模式，z为1～k中的值，对z个典型模式进行权重w1计算，将w1由低到高排序，并得到对应的第一次典型模式序号值；类似地，对z个典型模式进行权重w2计算，得到对应的第二次典型模式序号值；将两次典型模式序号值相加并进行由低到高排序，并优先考虑权重w2对应序号值，值最小的则为最相似负荷模式。
[0136] 在实施例中，对典型负荷模式集和
电梯用户进行特征指标度量的结果具体如下表1：
[0137] 表1
[0138]
[0139]
[0140] 首先，通过初步关系模型匹配，该单体用户和典型负荷模式1、2、3形成初步关系；
[0141] 之后通过计算权重w1、w2，计算结果图下表2所示：
[0142] 表2
[0143]
[0144] 根据表2可知，根据权重w1的计算结果，典型负荷模式1、2、3对应的第一次典型模式序号值分别为2,1,3；根据权重w2计算结果，典型负荷模式1、2、3对应的第二次典型模式序号值为2,3,1；两次序号值分别相加后，三种典型负荷模式的序号值之和相同，因此，优先考虑权重w2的对应序号值，则模式3为匹配结果，即单体用户匹配的最相似负荷模式为典型负荷模式3。
[0145] S4：针对典型负荷数据，利用算法库中的负荷预测模型分别一一进行预测，并对不同负荷预测模型得到的预测结果进行误差分析，将典型负荷模式和与其对应的最优负荷预测模型进行关联；
[0146] 实施例中，步骤S4包括以下步骤：
[0147] S401：为每一种负荷模式建立预测模型，利用算法库中的多种算法分别自动进行预测。
[0148] 在步骤401中，建立包含经典预测算法和预测方法的综合算法库，其中算法包括时间序列法、回归分析法、趋势外推法；预测方法包括
马尔可夫预测法、灰色预测法、神经网络预测法等多种算法。
[0149] S402：针对每一种负荷模式，对多种算法的预测结果进行误差分析，误差最小的算法匹配为该负荷模式的最优适配算法。
[0150] 其中，令预测负荷序列为Y＝{Y1,Y2,...,Yi,...,Yf}，实际对比负荷序列为式中：Yi为第i个预测负荷值，为第i个实际负荷值，f为预测总点数；
[0151] 通过以下公式对每一种算法预测结果，将预测负荷序列和对比负荷序列进行误差分析：
[0152]
[0153] 式中，f为预测总点数，σs是预测误差的标准差，值越小，体现预测结果精度越高；
[0154] 对每一种算法的预测结果进行排序，误差最小的算法匹配为该负荷模式的最优适配算法。
[0155] 本实施例中，该单体用户匹配的最相似负荷模式为典型负荷模式3，模式3对应的负荷序列利用算法库中的多种算法进行预测，预测的误差分析如以下表3所示：
[0156] 表3
[0157] 算法 误差分析σs时间序列法 0.1904
回归分析法 0.2881
趋势外推法 0.2881
马尔可夫预测法 0.0631
灰色预测法 0.0568
神经网络预测法 0.0237
[0158] 根据表3可知，典型负荷模式3的最优适配算法为神经网络预测法。
[0159] S5：针对单体用户，实现最优算法与用户的关联，从而实现负荷预测算法自匹配。
[0160] 实施例中，步骤S5包括以下步骤：
[0161] S501：针对单体用户，将单体用户的负荷数据输入到系统，依据前面的步骤，实现单体用户和典型负荷模型集的匹配；
[0162] S502：S502：设置两个权重阈值，当计算的实际权重不低于所述阈值，即权重w1、权重w2皆不低于所述阈值，则视为单体用户与已存在典型负荷模式集的匹配不符合期待值，则系统会将该单体用户的数据加入到样本数据，重新进行聚类分析，生成新的典型负荷模式集，实现动态更新；
[0163] S503：当权重w1、权重w2中任意一个值低于所述阈值时，依据所述步骤S4，实现典型负荷模式集和最优算法的匹配。
[0164] 通过以上步骤，实现单体用户和最优适配算法的关联，从而实现负荷预测算法自匹配。
[0165] 图2是本发明的一种单体用户算法自匹配的负荷预测方法和系统的系统框图，如图2所示，本发明的用于单体用户算法自匹配的负荷预测的系统，包括关键影响因素辨识单元、典型负荷模式挖掘单元、单体用户和典型负荷模式关系匹配单元、典型负荷模式和最优算法关系匹配单元、单体用户算法自匹配单元。
[0166] 关键影响因素辨识单元，用于根据单体用户与预测影响因素的相关性分析研究，通过关联度计算辨识并获取负荷预测的关键影响因素。
[0167] 其中，关键影响因素辨识单元包括参考序列单元、比较序列单元、关联度计算单元和关键影响因素选择单元；
[0168] 参考序列单元，将历史负荷作为参考序列X0＝{X0(1),X0(2),...,X0(m)}，其中，m为负荷序列数量，即指定预测周期的整数倍。；
[0169] 比较序列单元，用于将温度、湿度、的值作为比较序列，其中，第i个预测影响因素的序列表示为Xi＝{Xi(1),Xi(2),...,Xi(m)}。
[0170] 关联度计算单元，通过以下公式计算序列X0与Xi的关联度γi。
[0171] 首先通过以下公式1计算X0与Xi在s点的关联系数：
[0172] 公式1：
[0173]
[0174] 式中，s为1，...，m中的任一点，m为所述负荷序列的数量，为两级最小差； 为两级最大差；ρ为分辨系数，取经验值0.5。
[0175] 其次，通过以下公式2计算X0与Xi的关联度γi：
[0176] 公式2：
[0177]
[0178] 式中，ξ0i(s)为X0与Xi在s点的关联系数，s为1，...，m中的任一点，m为所述负荷序列的数量，γi取值介于0与1之间，γi值越接近1，影响因素与历史负荷的关联程度越大。
[0179] 关键影响因素选择单元，用于根据负荷与温度、湿度、降水量之间的关联度计算，选择γi>0.5所对应的关键影响因素。
[0180] 实施例中，典型负荷模式挖掘单元包括历史负荷样本选取单元、聚类准备单元以及数据聚类和典型负荷模式集生成单元。
[0181] 历史负荷样本选取单元，用于将收集到的p个用户的负荷作为历史负荷样本，一个用户的负荷对应为一组历史负荷样本，得到历史负荷样本集合记为X＝{X1,X2,...,Xj,...,Xp}，其中，p为用户的数量，即历史负荷样本的数量；第j个用户的负荷序列为Xj＝{xj0,xj1,...,xjq}，q为该用户的离散负荷序列的数量。
[0182] 聚类准备单元，用于针对p个历史负荷样本，确定聚类特征，特征包括不同时间间隔的负荷值、最高/最低负荷、负荷率；选择K-means聚类算法，并确定初始聚类质心、聚类数目。
[0183] 数据聚类和典型负荷模式集生成单元，用于针对负荷曲线数据进行数据聚类过程，得到k种聚类分组负荷模式：
[0184] 即，从p个负荷样本中选取k个样本作为初始聚类质心，令聚类质心集合C＝{C1,C2,...,Cj,...,Ck}；
[0185] 通过以下距离计算公式计算剩余样本到k个初始聚类质心的距离，并将其归到距离最小的类(负荷模式)中：
[0186] 样本Xi与Xj的通用距离计算公式为：
[0187]
[0188] 式中，t＝1，…，q，q表示某用户的离散负荷序列的数量；xmax为Xi、Xj两个序列对应维数据最大值；xjt为xj1,xj2,...,xjq中的某个值，即为序列Xj中的任意一个值，同理xit；
[0189] 计算每种负荷模式下所有样本的均值，更新每个类的质心向量Cj；
[0190] 不断重复这一过程直至k个聚类质心的变化程度不超过预定阈值为止，得到k种聚类分组负荷模式，并将其记为典型负荷模式集。
[0191] 实施例中，单体用户和典型负荷模式关系匹配单元包括典型负荷模式集的特征指标度量单元、单体用户的特征指标度量单元和关系匹配单元。
[0192] 典型负荷模式集的特征指标度量单元，用于对典型负荷模式集进行特征指标度量，提取不同类型用户的负荷模式特征，指标包括关键影响因素、最大负荷点、最小负荷点、负荷率、最小负荷率和峰谷差率。
[0193] 其中，关键影响因素依据关联度计算单元计算关联度所得；最大负荷点为负荷曲线上的峰值负荷对应的时间点；最小负荷点为负荷曲线上的低谷负荷对应的时间点；负荷率为平均负荷/最大负荷的百分数，其中平均负荷为负荷曲线上所有单位时刻负荷的平均值；最小负荷率为最小负荷/最大负荷的百分数；峰谷差率为峰谷差/最大负荷的百分数，其中峰谷差为最大负荷与最小负荷之差。
[0194] 单体用户的特征指标度量单元，用于对单体用户进行特征指标度量，提取该用户的负荷特征，并与典型负荷模式集进行特征相似度度量。
[0195] 关系匹配单元，对单体用户进行负荷模式相似度匹配，选取具有最相似负荷模式特征的聚类分组典型负荷曲线，从而建立单体用户和典型负荷模式的关系模型，具体匹配方法如下：
[0196] 首先对单体用户和典型负荷模式集的关键影响因素进行匹配，建立初步关系模型；
[0197] 其次，通过以下公式对最大负荷点、最小负荷点特征进行权重w1计算：
[0198] w1＝|Lmax(u)-Lmax(ty)|+|Lmin(u)-Lmin(ty)|
[0199] 式中，Lmax(u)、Lmin(u)是单体用户的最大、最小负荷点，Lmax(ty)、Lmin(ty)是典型负荷模式集的最大、最小负荷点。
[0200] 然后，对负荷率、最小负荷率和峰谷差率特征进行权重w2计算，公式为：
[0201] w2＝|Rload(u)-Rload(ty)|+|Rmin(u)-Rmin(ty)|+|Rdif(u)-Rdif(ty)|[0202] 式中，Rload(u)、Rmin(u)、Rdif(u)是单体用户的负荷率、最小负荷率、峰谷差率，Rload(ty)、Rmin(ty)、Rdif(ty)是典型负荷模式集的负荷率、最小负荷率、峰谷差率。
[0203] 在初步关系模型中，设该单体用户匹配典型负荷模式集中的z个典型负荷模式，z为1，...，k中的值，对z个典型模式进行权重w1计算，将w1由低到高排序，并得到对应的第一次典型模式序号值；类似地，对z个典型模式进行权重w2计算，得到对应的第二次典型模式序号值；将两次典型模式序号值相加并进行由低到高排序，值最小的则为最相似负荷模式。
[0204] 实施例中，典型负荷模式和最优算法关系匹配单元包括负荷模式预测单元、和最优适配算法匹配单元。
[0205] 负荷模式预测单元，用于为每一种负荷模式建立预测模型，利用算法库中的多种算法分别自动进行预测。
[0206] 建立包含经典预测算法和预测方法的综合算法库，其中算法包括时间序列法、回归分析法、趋势外推法；预测方法包括马尔可夫预测法、灰色预测法、神经网络预测法等多种算法。
[0207] 最优适配算法匹配单元，用于针对每一种负荷模式，对不同算法的预测结果进行评估；
[0208] 其中，令预测负荷序列为Y＝{Y1,Y2,...,Yi,...,Yf}，实际对比负荷序列为式中：Yi为第i个预测负荷值， 为第i个实际负荷值，f为预测总点数；
[0209] 通过以下公式对每一种算法预测结果，将预测负荷序列和对比负荷序列进行误差分析：
[0210]
[0211] 式中，f为预测总点数，σs是预测误差的标准差，值越小，体现预测结果精度越高；
[0212] 对每一种算法的预测结果进行排序，误差最小的算法匹配为该负荷模式的最优适配算法。
[0213] 实施例中，单体用户算法自匹配单元包括单体用户和典型负荷模型集匹配单元、动态更新单元、典型负荷模式集和最优算法匹配单元和单体用户算法自匹配单元。
[0214] 单体用户和典型负荷模型集匹配单元，用于针对单体用户，将单体用户的负荷数据输入到系统，依据前面的步骤，实现单体用户和典型负荷模型集的匹配。
[0215] 动态更新单元，用于设置最低匹配值，当匹配值低于该设定值时，单体用户与已存在典型负荷模式集的匹配不符合期待值，则系统会将该单体用户的数据加入到样本数据，重新进行聚类分析，生成新的典型负荷模式集，实现动态更新；
[0216] 典型负荷模式集和最优算法匹配单元，用于当匹配值不低于该设定值时，依据步骤S4，实现典型负荷模式集和最优算法的匹配；
[0217] 单体用户算法自匹配单元，用于通过以上步骤，实现单体用户和最优适配算法的关联，从而实现负荷预测算法自匹配。
[0218] 本发明
申请人结合
说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
