[发明专利]基于负荷特性和用电行为模式的家庭负荷预测方法及系统

说明书

本发明公开了一种基于负荷特性和用电行为模式的家庭负荷预测方法及系统，首先采集家庭原始用电负荷时间序列得到原始数据集，并对原始数据集进行预处理得到完整原始数据集，然后采用基于负荷特性和用电行为模式从完整原始数据集中获取用电数据特征，基于SVD分解协方差矩阵的PCA算法完成特征提取，实现数据降维，通过差分变换和Exponentially‑weighted moving average处理得到平稳序列，利用组合模型捕捉序列更复杂的非线性关系，优化数据输入结构使模型在预测时结合历史状态，通过多变量的模型提升拟合的精度，提高了现有电力负荷预测方法的精度。

技术领域

本发明属于电力负荷预测领域，涉及一种基于负荷特性和用电行为模式的家庭负荷预测方法及系统。

背景技术

电力负荷预测水平已经成为电力系统运行和管理现代化的一个关键标志，它关系到参与电力市场交易各方的经济利益，关系到不确定性不断增加的电力系统的安全经济运行。由于短期负荷变化相关因子多(假期、气候、电价、人口)、在时间序列上表现为显著的非平稳的随机过程、负荷变化规律复杂、负荷的随机性和不确定性较高等原因使得短期负荷预测成为较有挑战性的预测。短期电力负荷预测方法可以简单分为三类：第一类是基于传统数学统计模型的方法，如回归预测模型，指数平滑法，时间序列法等；第二类是基于机器学习的预测方法，如神经网络模型，支持向量机模型，决策树模型等；第三类是组合预测方法，利用优化算法获得预测模型参数或一些预处理技术如波谱分析中将负荷分解后再预测，或者通过分配权重将不同模型组合或使用一个模型的预测结果作为另一个模型的特征进行训练，然后得到新的预测结果。

对于非平稳的家庭负荷数据，由于居民用电行为的多样性使得负荷的分布具有更高的不确定性和波动性，直接使用单一的预测模型很难挖掘出更深层次的时序特征。在短期电力负荷预测中，每种方法都有不可避免的缺陷。例如，非线性和季节性特征不能通过线性回归来捕捉，人工神经网络可能陷入局部最优等问题。因此结合具体场景的数据特征和问题推演机理将不同模型进行结构化堆叠，往往能取得更好的效果。

现有的组合预测模型大多采用负荷分解后再预测的方法。经过负荷分解后得到的高频分量中通常有很大成分的噪声，难以预测。由于这部分分量也是原始负荷的重要组成部分，如果直接采取降噪或滤波处理，显然会降低预测的精度。同时，目前对于短期电力负荷的预测模型缺乏对电力场景下的数据特征的分析和处理，使模型缺乏异质性。模型的输入数据通常只包括负荷数据、天气数据、温度数据等，缺乏针对电力系统运行特性和居民用电行为特性去提取负荷时间序列中更多的信息，无法准确实现家庭负荷的预测。

发明内容

本发明的目的在于提供一种基于负荷特性和用电行为模式的家庭负荷预测方法及系统，以克服现有技术的不足。

为达到上述目的，本发明采用如下技术方案：

一种基于负荷特性和用电行为模式的家庭负荷预测方法，包括以下步骤：

步骤1)、构建组合预测模型，采集家庭原始用电负荷时间序列得到原始数据集，并对原始数据集进行预处理得到完整原始数据集；

步骤2)、基于负荷特性和用电行为模式从完整原始数据集中获取用电数据特征；

步骤3)、基于PCA方法将负荷特征进行降维处理得到四维特征向量；

步骤4)、将完整原始数据集通过差分变换和指数加权移动平均处理得到平稳序列，使用ARIMA模型对平稳序列进行学习得到预测序列，采用降维处理后得到的四维特征向量结合预测序列对组合预测模型进行训练并验证，利用训练完成的组合预测模型实现家庭负荷预测。

进一步的，采样频率为60次/小时。

进一步的，对原始数据集进行预处理具体为：对原始数据集中的缺失值，采用该原始数据集中前一天同一时刻的数据填充该缺失值。