[发明专利]一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法

权利要求书

1.一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是该方法包括：

S1、脏数据清洗：获取数据样本，通过数据平滑算法对数据样本中的缺测数据及异常数据进行拟合修正；

S2、数据建模：根据时序、季度温差对数据样本的影响定义数据元素的结构；建立预测模型，对每个采样点进行预测，获取负荷以及电量短期预测值；

所述的S2具体为：

S2-1、定义X_i表示当日任一时段样本示值，X_i-t表示t日前的样本示值；N_2h表示预测点近两小时平均负荷；N_d表示预测点前10个工作日或4个非工作日对应时段的平均负荷；表示高低温负荷加权均值；表示正常温度负荷加权均值；表示样本区高低温负荷加权均值；表示样本区正常温度负荷加权均值；

S2-2、采用下述公式计算调整因子μ，μ的初始设置为1：

S2-3、采用下述公式计算气温叠加模型系数λ₁和气温比例模型系数λ₂，λ₁、λ₂的初始值均设置为1；

取误差最小的值作为气温加权系数λ_i；

λ_i＝max{λ₁，λ₂}；

S2-4、采用下述公式获取负荷以及电量短期预测值R_i：R_i＝X_i×μ×λ_i；该方法还包括：

S3、判别数据熔断点，更新预测模型进行预测分析：根据神经网络的反向传播算法获取神经元步长，当周期性神经元步长与上次匹配时，则继续采用该模型进行预测分析，当周期性神经元步长与上次不匹配时，视该点为数据熔断点，更新预测模型，重新进行数据分析。

2.根据权利要求1所述的基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是该方法还包括：

S4、短期负荷以及电量预测可视化：将分析数据构成数据图像，同时将数据的各个属性值以多维的形式进行可视化展示。

3.根据权利要求1所述的基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是当对负荷进行预测时，样本参数为有功功率，当对电量进行预测时，样本参数为电量。

4.根据权利要求1、2或3之一所述的基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是所述的S1中数据平滑算法为：

S1-1、定义X_i表示当日任一时段样本示值，X_i-s表示s日前的同时段样本示值，3≤s≤5；

S1-2、进行判别，若s日内任意天为空值，则取其余非空值的均值填充空值，非空值天数不少于两天；若非空值天数少于两天，则继续向前s日推算均值，依次替换缺测数据及异常数据。

5.根据权利要求1所述的基于用电行为的具备熔断机制的短期负荷以及电量预测方法，其特征是所述的S3具体为：

S3-1、通过历史数据获取神经元步长Y_i：

k＝min{Y_d,Y_w,Y_m}，当k的值为Y_d时，则取Y_i＝Y_d；当k的值为Y_w时，则取Y_i＝Y_w，当k的值为Y_m时，则取Y_i＝Y_m；

X_i表示当日任一时段样本示值，X_i-s表示s日前的同时段样本示值，3≤s≤5；

其中，Y_d表示日神经元；Y_w表示周神经元；Y_m表示月神经元；

S3-2、判断神经元步长Y_i与上次所属的类别是否匹配，即神经元步长为Y_d时，上次神经元步长是否还是为Y_d；神经元步长为Y_w时，上次神经元步长是否还是为Y_w；神经元步长为Y_m时，上次神经元步长是否还是为Y_m；

若不匹配，表示企业用能特征发生改变，之前历史数据会成为干扰项，须从数据熔断点开始重新学习神经元步长，数据熔断点之前数据不纳入学习样本区，恢复步骤S2中的初始设置，进行负荷以及电量短期预测；若匹配，则继续步骤S2，进行负荷以及电量短期预测。