[发明专利]一种基于用户用电特征的基线负荷预测修正方法

权利要求书

1.一种基于用户用电特征的基线负荷预测修正方法，其特征在于，该方法包括如下步骤：

S1、基于用户历史用电负荷数据进行用户特征分类，确定用户类别，包括：

负荷平缓型：用电行为日夜无明显差异的用户，

负荷波动型：用电行为日夜差别大的用户，

负荷逐级型：用电行为按照阶段式递增或递减的用户；

S2、对各个类别的用户分别进行基线负荷预测：

a、若属于负荷平缓型用户，则通过分类方法确定预测日负荷曲线所属的负荷类别以及典型负荷曲线，基于与预测日邻近的临近日负荷数据以及典型负荷曲线预测修正用户基线负荷；

b、若属于负荷波动型用户，则基于预测日负荷曲线选取相似日负荷数据，基于相似日负荷数据预测修正用户基线负荷；

c、若属于负荷逐级型用户，则基于用户历史负荷数据预测修正用户基线负荷。

2.根据权利要求1所述的一种基于用户用电特征的基线负荷预测修正方法，其特征在于，步骤S1采用聚类方法进行用户特征分类，所述的聚类方法包括K-means聚类算法。

3.根据权利要求2所述的一种基于用户用电特征的基线负荷预测修正方法，其特征在于，步骤S1采用K-means聚类算法进行用户特征分类的具体步骤包括：

选择从预测日向前N天的历史负荷数据，前N天中不包括双休、节假日；

将每天的历史负荷数据每15分钟一个点，每天96个负荷点作为样本集；

采用K-means聚类算法进行聚类，将用户划分为多个类别。

4.根据权利要求1所述的一种基于用户用电特征的基线负荷预测修正方法，其特征在于，对于负荷平缓型用户确定预测日负荷曲线所属的负荷类别以及典型负荷曲线的具体方法包括：

a1、历史数据选取与预处理：选取预测日前X天的历史负荷数据，对于缺失或异常数据，采用相邻两个时段负荷的平均值进行补齐或替换，X为常数，X≤60；

a2、构造日特征向量：包括日负荷数据、日最高温度、日平均温度、日平均湿度、星期类型，其中日负荷数据按照时间点选取形成若干个日负荷点，对日特征向量中的各类数据进行归一化处理；

a3、基于日特征向量对历史负荷数据进行聚类，确定K个负荷类别，每个负荷类别的聚类中心对应的符合曲线为该负荷类别的典型负荷曲线，K为常数；

a4、计算预测日负荷曲线与各典型符合曲线的欧式距离，距离最小者确定为预测日所属的负荷类别，并获取对应的典型负荷曲线。

5.根据权利要求4所述的一种基于用户用电特征的基线负荷预测修正方法，其特征在于，步骤a3中采用K-means聚类算法对历史负荷数据进行聚类。

6.根据权利要求1所述的一种基于用户用电特征的基线负荷预测修正方法，其特征在于，对于负荷平缓型用户基于与预测日邻近的临近日负荷数据以及典型负荷曲线预测修正用户基线负荷的具体预测方式包括：

其中，P_bl(i，j)为预测日i用户基线负荷曲线中j时刻的负荷大小，P_rl(i-n，j)为预测日i前n天用户实际负荷曲线中j时刻的负荷大小，CT_k，j为预测日用户对应的负荷类别k的典型负荷曲线中j时刻的负荷大小，m为常数。

7.根据权利要求1所述的一种基于用户用电特征的基线负荷预测修正方法，其特征在于，对于负荷波动型用户，选取n个相似日负荷数据，对相似日负荷数据采用加权移动平均法预测修正用户基线负荷。