[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

说明书

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，包括：脏数据清洗、数据建模、具备熔断机制的预测分析、短期负荷(电量)预测可视化；该方法采用了数据平滑算法和具备熔断机制的模糊神经网络算法，既避免了数据不充分时，神经网络无法工作的问题，同时在用户用能特征改变时，保证了预测的精确性。

技术领域

本发明涉及能效管理和云计算领域，具体是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。

背景技术

随着国家大力推动信息化与工业化的深度融合，能源行业正在开展能源互联网的创新实践和“互联网+”的革命，能源行业对数据的应用也需变得更具前瞻性。

长期以来负荷以及电量预测都是能源行业十分关注的问题。所谓预测，是指通过对事物进行分析及研究，并运用合理的方法探索事物的发展变化规律，对其未来发展做出预先估计和判断。

负荷以及电量预测是指在充分考虑系统的运行特性、增容决策、自然条件与社会影响等诸多因数，研究一套系统地处理过去与未来负荷以及电量的数学方法，在满足一定精度要求的条件下，确定未来某特定时刻的负荷以及电量数据，其中负荷以及电量是指电力需求量(功率)。

经典短期负荷以及电量预测法有专家系统法、支持向量机、小波分析法、人工神经网络法等。

专家系统法是一种基于知识推理的系统。这种方法实质上是利用专家的经验知识和推理规则找出历史负荷以及电量数据的一系列规则。它是运用知识、经验和经验系统操作器的模拟推理来预测负荷以及电量。方法的优势在于对人类不可量化的经验进行了转化。系统具有丰富的经验和知识，并且可以不断积累。工作可靠性好，效率高。缺点是不易将专家的知识和经验表示成一系列数学上的逻辑规则，而且系统不具备普遍性。

支持向量机是一种基于统计学习理论的机器学习算法，该算法通过寻求结构风险最小化来实现实际风险最小化，在样本量较少的情况下亦能获得很好的学习效果。优点是具有坚实的数学理论基础、泛化能力较强、全局最优和收敛速度较快。缺点是存贮需求量大，编程困难；选择自选参数和核函数时，主要依靠经验确定；对于随机波动性较强的中小型电网，预测效果相对较差。

小波分析法是运用傅立叶变换的局部化思想，进行时域-频域分析的数学方法。电力负荷以及电量曲线具有特殊的周期性。若将负荷以及电量统计曲线波形图看作不同信号分量叠加而成，可以对负荷以及电量序列进行小波变换，分解得到代表不同频段的若干个子序列。然后再分别对这些子序列进行相应的预测，最后重构得到该负荷以及电量序列的预测结果。小波分析法的优点是预测精度高；但在预测中未考虑到气候等因素的影响，而且结果与小波基的选择有很大关系。

人工神经网络是模仿生物脑结构和功能的一种非线性信息处理系统。这种方法是智能方法的典型代表和重要分支。神经网络的优势在于具有自学习能力和自适应功能。网络可通过训练样本，根据环境来改变自己的算法过程，并根据变化的信息，调整自身结构，具有很强的鲁棒性。神经网络能够很好地解决随机问题和非线性性问题，预测精度高。而缺点在于网络结构的选择和确定缺乏有效的科学理论依据，易陷入局部极小状态；当数据不充分时，神经网络就无法进行工作。

随着能效行业的发展，负荷以及电量预测的重要性日益显现，并且对负荷以及电量预测精度的要求越来越高。传统的预测方法比较成熟，预测结果具有一定的参考价值，但普通存在建模难度高，预测结果不具备普适性，脏数据导致误差较大等问题。要进一步提高预测精度，就需要对传统方法进行必要的改进。

发明内容

本发明针对上述技术问题和难点，提出了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。

本发明的技术方案是：

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，该方法采用数据熔断机制进行短期负荷以及电量预测，该方法包括：