下载文档原格式
电力系统短期需求预测理论与方法一、短期需求预测理论1.大数据挖掘理论大数据挖掘理论主要利用大数据技术对历史用电数据进行挖掘和分析，以寻找用电需求变化的规律和模式。
通过对消费者用电行为的挖掘，可以建立预测模型，预测未来电力需求。
2.时间序列分析理论时间序列分析是一种基于时间顺序的统计学方法，可以对历史用电数据进行建模和预测。
常用的时间序列分析方法包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）和季节性自回归移动平均模型（SARIMA）等。
3.灰色系统理论灰色系统理论是一种非常适合于小样本数据预测的方法。
通过建立灰色模型，可以对电力系统的短期需求进行预测。
灰色模型有灰色驱动模型（GM)、灰色关联度模型（GRM）等。
二、短期需求预测方法1.基于统计方法基于统计方法是通过对历史用电数据进行分析和建模，来预测未来短期需求。
常用的方法有：(1)季节性回归模型：该方法将时序分解为趋势、季节性和残差三个部分，通过对趋势和季节性的拟合来预测未来需求。
(2)指数平滑法：通过加权平均的方法，对历史数据进行平滑处理，来预测未来需求。
常用的指数平滑法包括简单指数平滑法、二次指数平滑法和Holt-Winters指数平滑法等。
2.基于机器学习方法机器学习方法是通过对历史用电数据进行学习和训练，建立预测模型，并利用该模型来预测未来需求。
常用的方法有：(1)支持向量回归（SVR）：该方法是一种非线性回归模型，通过在高维特征空间中建立支持向量回归模型，来预测未来需求。
(2)人工神经网络（ANN）：该方法模拟了人类神经系统的工作过程，通过对历史数据的学习和调整，建立预测模型，来预测未来需求。
3.基于深度学习方法深度学习方法是一种基于人工神经网络的学习算法，具有强大的拟合能力和表达能力，可以对复杂非线性关系进行建模。
常用的方法有：(1)循环神经网络（RNN）：该方法通过记忆之前的输入，对未来需求进行预测，适用于带有时序关系的数据。
基于季节指数和灰色预测的月电量预测模型
刘秋华
【期刊名称】《南京工程学院学报（自然科学版）》
【年(卷),期】2006(004)001
【摘要】灰色预测模型GM(1,1)主要适合于光滑数据序列的预测,对非光滑数据序列常采用对数变换法、开n次方变换法和指数加权变换法提高数据的光滑度.由于月电量呈现明显的季节性变换,常用的提高光滑度的方法效果并不明显.文章提出了一种基于季节指数和灰色预测的月电量预测模型,以南京市某供电分公司近五年的月电量数据为基础,采用季节指数变换的灰色预测模型进行预测,与对数变换法的灰色预测模型比较,预测效果得到了明显提高.
【总页数】6页(P1-6)
【作者】刘秋华
【作者单位】南京工程学院经济管理系,江苏,南京,210013
【正文语种】中文
【中图分类】O159
【相关文献】
1.一种改进的月电量灰色预测模型 [J], 朱国华;吕华珍;王林
2.基于残差灰色预测模型的用电量预测 [J], 陈志强;闫玉静
3.基于灰色预测模型的中长期售电量预测计算方法研究 [J], 傅晨;樊立攀;吴巍;霍伟强;孙亮
4.基于多变量灰色预测模型的省级电力公司中长期电量预测 [J], JIANG
Haoran;LIU Xiaocong;LI Yang
5.基于季节波动序列的灰色预测模型及其应用 [J], 张国政;罗党
因版权原因，仅展示原文概要，查看原文内容请购买。
运用季节和趋势模型预测用电负荷
杨颖
【期刊名称】《电力需求侧管理》
【年(卷),期】2004(6)3
【摘要】用电需求迅猛增长和电力供需矛盾日益突出使得用电负荷预测越来越重要.对引起用电负荷变化的季节性和趋势性特点进行分析,并以此为依据,建立季节和趋势模型来预测2004年月度用电负荷.预测结果表明季节和趋势预测模型是一种有效和可行的负荷预测方法.运用该方法对负荷进行预测对于如何在现有的供电容量下提高电能使用效率、提高电网负荷率具有重要的指导意义.
【总页数】3页(P22-24)
【作者】杨颖
【作者单位】上海市电力公司,市东供电公司,上海,200122;上海交通大学,上
海,200052
【正文语种】中文
【中图分类】TM715
【相关文献】
1.运用趋势季节模型预测某院住院人数 [J], 张文;杨静怡;彭蓉
2.运用最小平方趋势季节乘法模型预测门诊人数 [J], 邱小兰;姚鸣红;马国胜
3.运用最小平方趋势季节乘法模型预测我院门诊人次的研究 [J], 曾玉淑
4.用趋势季节模型预测上海市松江区伤害事件发生趋势 [J], 朱美英;黄丽;严卫军
5.运用最小平方趋势季节乘法模型预测门诊人次 [J], 唐林君
因版权原因，仅展示原文概要，查看原文内容请购买。
基于季节ARIMA和指数平滑模型的我国全社会总用电量的
预测
李佳顺
【期刊名称】《应用数学进展》
【年(卷),期】2022(11)3
【摘要】本文基于2010年1月份~2019年12月份我国社会总用电量季度数据,采用Rstudio软件进行分析,对数据进行预处理,通过比较AIC信息准则拟合最优的ARIMA模型,以2010年1月份~2018年12月份的数据作为训练集,2019年的数据作为测试集,对该序列进行1阶12步差分后,序列变的平稳,因此可采用季节ARIMA模型进行预测;由于该序列具有趋势性和季节性的特征,因此采用Holt-Winters三参数指数平滑模型,应用两种模型分别对2019年的数据进行预测。
通过测试集和预测值计算误差,根据平均误差最小原则选择最优的预测模型。
最终的平均误差结果显示Holt-Winters三参数指数平滑模型的平均误差值为0.0232087,远小于季节ARIMA模型的0.0315013,因此选用Holt-Winters三参数指数平滑模型作为我国全社会总用电量的预测模型。
【总页数】10页(P1021-1030)
【作者】李佳顺
【作者单位】云南财经大学昆明
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于季节性ARIMA模型的全社会用电量预测研究
2.我国居民消费价格指数时间序列预测——基于ARIMA模型与平滑ARIMA模型的比较分析
3.福建省全社会固定资产投资预测研究——基于ARIMA模型与二次指数平滑法的应用
4.基于ARIMA模型的北京市全社会用电量短期预测
5.基于R语言和ARIMA乘积季节模型的区域用电量预测
因版权原因，仅展示原文概要，查看原文内容请购买。
考虑季节特性的多时间尺度电动汽车负荷预测模型
牛牧童;廖凯;杨健维;向悦萍
【期刊名称】《电力系统保护与控制》
【年(卷),期】2022(50)5
【摘要】当前对电动汽车(Electric Vehicle, EV)充电负荷预测的研究大多集中在短期单一时间尺度,且鲜有考虑在较长时间尺度下不同季节电动汽车充电负荷存在的
差异。
基于此,提出一种考虑季节特性的多时间尺度电动汽车负荷预测模型。
首先,
考虑季节特性对EV的电池最大载电量、里程耗电量和空调耗电量的影响,结合时空分布规律建立短期日内的电动汽车充电负荷预测模型。
其次,为了展现从短期(短时间尺度)到中长期(长时间尺度)的多时间尺度特性,建立考虑多种因素影响的Bass修正模型预测未来不同年份的EV保有量。
结合短期EV充电负荷预测模型,可延展至中长期EV充电负荷的预测,从而实现综合短期、中长期的多时间尺度EV负荷预测。
最后,采用上海市气温信息及行车数据进行仿真验证。
结果表明,所提模型可以有效
地预测未来数年EV发展趋势以及考虑季节特性的多时间尺度EV充电负荷。
【总页数】12页(P74-85)
【作者】牛牧童;廖凯;杨健维;向悦萍
【作者单位】西南交通大学电气工程学院
【正文语种】中文
【中图分类】U46
【相关文献】
1.考虑电动汽车换电站负荷特性的电网管理效益分析
2.考虑城市土地功能变化与负荷特性的城市电力负荷预测模型
3.考虑时空特性分布的电动汽车充电负荷预测
4.考虑电动汽车充电负荷空间分布的系统特性分析
5.考虑季节因素的电动汽车充电负荷建模与优化充电
因版权原因，仅展示原文概要，查看原文内容请购买。
温特斯季节指数平滑模型预测电力峰荷的方法作者：吴奕来源：《硅谷》2011年第23期摘要：电网负荷预测对于电力系统安全稳定经济运行具有重要的作用，在讨论其重要性的基础上，采用温特斯季节指数平滑模型预测方法对某地区的电网最高负荷进行预测，得到2011年的预测结果，实例分析表明，对电网最高负荷预测这类相关因素多的问题，该方法具有方法简单、所需数据少和计算精度高等的优点。
关键词：负荷预测；温特斯季节指数平滑模型；最大负荷中图分类号：R197.3 文献标识码：A 文章编号：1671－7597（2011）1210190－011 概述作为国民经济的基础，电力工业对我国其他行业的发展有着举足轻重的影响，提供安全可靠的电力供应是实现其他行业稳定、快速发展的重要保证，推动国民经济的不断发展。
同时，经济的发展对电力需求也有着重要影响，拉动了电网负荷的迅速增长。
随着我国电力系统的发展，人们越来越重视对负荷预测问题的研究，现在它已成为现代电力系统科学中一个重要的领域[1]。
负荷预测是指根据负荷变化的内在规律性以及各种可能会影响负荷变化的因素，预测出负荷在未来一定时期内的变化。
准确的负荷预测不仅可以提高电力系统的规划水平和供电质量，而且还可以提高电力系统运行的安全性、经济性和可靠性[2]。
但是在实际生活中，社会作为一个复杂的整体对于用电需求既有一定的统计规律性，又受大量的随机因素影响，具有不确定性，人们并不能充分掌握各种可能引起电网负荷变化的因素。
因此研究负荷变化的内在规律和影响负荷变化的各种因素对提高预测精度有重要的意义[3]。
2 精确预测电网负荷的重要性在电力系统计划与运行管理中，负荷预测是合理安排发电、输电和电能分配的必要前提。
通过精确的负荷预测，电力部门不仅可以经济合理地开展用电管理，还可以制定合理的电源建设规划，提高电力系统的经济效益和社会效益，对电力系统的安全运行与国民经济的发展具有非常重要的影响，是实现电力系统安全稳定经济运行的基础。
Holt-Winters模型在电能表需求预测中的应用李兵; 李翀; 吴一敌; 张颖琦; 文雅【期刊名称】《《河北电力技术》》【年(卷),期】2019(038)005【总页数】3页(P7-9)【关键词】电能表需求预测; Holt-Winters模型; 指数平滑【作者】李兵; 李翀; 吴一敌; 张颖琦; 文雅【作者单位】国网河北省电力有限公司电力科学研究院石家庄050021; 国网河北省电力有限公司石家庄050021; 华立科技股份有限公司杭州 310000【正文语种】中文【中图分类】TM933.4目前，电能表的需求管理主要采用区县供电公司或地市公司向省级计量中心上报下月电能表的需求量，然后计量中心汇总各区县的需求量，并进行一定调整之后对各区县进行配送，当前这种需求提报形式相对粗放，容易造成超配而使电能表在库超期的情况，同时也不能合理指导计量中心的采购、检定、配送以及库存管理。
电能表需求预测对于合理配置资源，提高库存使用效率变得越来越重要。
电能表的需求可以分为年度预测和月度预测，对于年度预测误差相对较小，但是很多电能表的管理计划是按照月度制定，因此提高月度预测准确度是非常必要的。
传统预测方法需要收集大量信息，并考虑影响电能表需求量的各种因素，这类预测方法建模相对比较困难，即使模型能够建立，也可能因为某些指标数据无法获得而不能估计模型参数。
一般来说，对于平稳时间序列或非平稳的只有趋势性的时间序列分别采用单参数指数、线性或曲线指数平滑模型进行预测比较有效，但对于既有季节又有趋势的时间序列上述方法基本是无效的[1]。
由于电能表需求量存在明显的周期变化规律，而霍尔特-温特斯（Holt-Winters）预测模型非常适合预测具有明显趋势及季节的数据序列[2]。
为此，建立电能表Holt-Winters预测模型来预测电能表的需求量。
1 模型介绍Holt-Winters模型也称为三次指数平滑模型，包含基于加法的Holt-Winters和基于乘法的Holt-Winters 2种算法模型，这2种算法都可以对同时含有趋势和季节性的时间序列进行预测，主要区别是趋势和季节的变化是以加法形式叠加，就采用加法模型，反之以乘法形式叠加的，就采用乘法模型[3]。
第28卷㊀第3期2023年6月㊀哈尔滨理工大学学报JOURNAL OF HARBIN UNIVERSITY OF SCIENCE AND TECHNOLOGY㊀Vol.28No.3Jun.2023㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀考虑负荷季节特性的电力用户用电行为画像万㊀伟1,㊀刘红旗1,㊀杜单单1,㊀郭航源1,㊀甄㊀颖1,㊀李英超1,㊀孙伟卿2(1.国网山东省电力公司菏泽供电公司,山东菏泽274000,2.上海理工大学电气工程系,上海市200093)摘㊀要:随着我国电网智能化水平提高以及智能量测终端设备的普及,为电力企业带来了海量的用户侧用电数据㊂为增强电力企业对用户的了解,基于数据挖掘技术提出一种考虑负荷季节特性的电力用户用电行为画像的方法㊂首先,对原始负荷数据进行数据清洗和预处理,并利用方差过滤和特征过滤进行特征筛选;然后,根据季节性基础负荷相互独立的特点,将处理后的负荷数据分解成季节性基础负荷和受其他因素影响的敏感负荷;其次,分别对基础负荷和敏感负荷的相关性系数依次聚类分析,得到双重聚类标签结果,最后得到两类标签形成的用户用电行为画像㊂在算例分析部分利用30个电力用户负荷数据验证了所提出用户画像方案的可行性㊂关键词:数据挖掘;用户画像;数据分析;负荷特性;季节性基础负荷;敏感负荷;聚类分析DOI :10.15938/j.jhust.2023.03.006中图分类号:TM73文献标志码:A文章编号:1007-2683(2023)03-0045-11Portrait of Power CustomersᶄElectricity Consumption BehaviorConsidering the Seasonal Characteristics of LoadWAN Wei 1,LIU Hongqi 1,DU Dandan 1,GUO Hangyuan 1,ZHEN Ying 1,LI Yingchao 1,SUN Weiqing 2(1.Heze Power Supply Company of State Grid Shandong Electric Power Company,Heze 274000,China;2.Department of Electrical Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)Abstract :With the continuous improvement of the intelligent level of my countryᶄs power grid,the popularization of intelligentmeasurement terminal equipment has brought massive amounts of user-side electricity consumption data to electric power companies.In order to enhance the power companiesᶄunderstanding of customers,based on data mining technology,a method of power usersᶄbehavioral portraits considering the characteristics of load seasons is proposed.Firstly,the original load data is cleaned and preprocessed,and the variance filter and feature filter are used for feature screening.Then,according to the characteristic ofindependent seasonal typical load,the processed load data are decomposed into seasonal basic load and sensitive load affected by other factors.Secondly,the correlation coefficients of the load characteristics of the base load and the sensitive load are clustered in turn to obtain the results of double clustering labels,and the customerᶄs electricity behavior portraits formed by the two types of labels are established.Finally,load data of 30customers is utilized to verify the feasibility of the proposed customer profile method in the example analysis part.Keywords :data mining;customer profile;data analysis;load characteristics;seasonal typical load;sensitive load;clustering analysis㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀收稿日期:2021-11-10基金项目:国家自然科学基金(5177726);国网山东省电力公司科技项目(2020A-061).作者简介:万㊀伟(1973 ),男,高级工程师;刘红旗(1990 ),男,硕士研究生.通信作者:孙伟卿(1985 ),男,博士,教授,E-mail:sidswq@.0㊀引㊀言随着国家经济发展水平的不断提升,社会对电能的需求日益增大,不同行业的用电行为呈现出多样性和复杂性的特点[1-3]㊂同时,用户侧各种智能量测终端的普及,给电力系统带来了海量的用户侧数据[4]㊂用户画像,一种基于用户数据从整体上定义标签来刻画用户并针对目标用户制定精准营销策略的数据分析工具,可以帮助电力企业掌握用户的用电行为,从而提供个性化服务[5-7]㊂在电力市场改革的背景下,研究电力用户用电行为画像技术能帮助电力企业了解用户的行为情况㊁提高营销能力,同时也能作为未来实时电价制定的依据㊂在智能电网快速发展的背景下,机器学习技术在电网中的应用逐渐增多,电力系统领域对用户画像的研究也逐渐深入[8]㊂电力系统可通过对用户行为进行画像挖掘出电力用户的需求特征,从而实施差异化的营销策略,提升电力系统的服务水平[9]㊂为了实现电力用户行为精准画像,文[10]采用最大相关最小冗余准则和k-means聚类算法实现了用户的用电特征与行为画像㊂文[11]利用模糊C均值聚类算法从实际用电量数据中聚类出各行业的负荷曲线,并且综合分析各行业用电特性,从4个方面为用户定义更加精细的特性标签体系,建立在疫情影响下多类型用户行为的画像模型㊂文[12]基于大数据平台建立了表征居民负荷用电特性的标签体系,并根据用户在不同季节下典型日的负荷曲线来分析每类用户的负荷波动率和需求响应水平,以期构建出能够反映用户用电时序规律以及用电弹性特征的变时间尺度用户画像㊂文[13]从考虑电网的需求互动出发,提出基于非入户终端的细粒度数据和改进k-means聚类算法的用户画像方法,实现对用户用电行为变化的追踪,但是定义标签的过程中必须依靠专家经验㊂总体来看,上述文献都实现了相应的电力用户画像,但是仍存在部分不足:①多数电力用户画像的研究都过多关注于用户特征的构建㊁用户类型的分类等,而对用户用电行为的研究还存在不足;②分析负荷的季节规律时忽略了季节性负荷具有相对独立性的特点,即该季节下用户通常具有某种固定的属性;③许多研究大多从整体对不同行业用户的用电行为特性进行画像,而少有研究将用户负荷进行分解,剥离出用户的基础负荷和敏感性负荷,进而分析用户不同季节下的基本用电属性和不同影响下的用电敏感性㊂由于在不同季节的影响下,用户侧的用电特性是用户群体处于不同季节时由其本身固有的用电特性和受外部环境因素影响的用电特性综合作用的结果㊂如果将其他因素影响的敏感负荷与基础负荷混合进行分析,则会使得用画像的结果不够精细,也就无法精准地掌握用户的用电行为特点㊂为了解决上述问题,本文提出一种基于数据挖掘技术分析用户不同季节下的基础负荷特性和外部因素敏感性的综合画像方法㊂首先,先对用户侧的多元数据进行预处理,经过数据清洗和特征工程,获取得到与用户用电行为相关的特征和负荷数据;其次,考虑季节性负荷的影响,首次提出以距离最小为目标并通过优化算法将用户的用电行为分解为不同季节下的季节性基础负荷与受其他因素影响的负荷;然后,对这两类负荷分别进行聚类㊁分析,形成两类负荷的标签库,鉴于传统k-means算法[14-15]只考虑样本的均值且集群的形状只能是圆形,于是本文采用考虑标准偏差参数,集群可为任意椭圆形状的高斯混合模型(Gaussian mixed model,GMM)算法,聚类效果更具一般性;最终以两类标签组合形成电力用户的精准画像㊂此外,在数据采样时,受通信的影响数据通常无法直接使用,且存在过多冗余的数据㊂于是本文通过缺失值处理㊁拉依达准则[16]等数据清洗等技术进行了预处理㊂同时,画像建模时本文选取方差过滤和互信息法相结合的方法来筛选特征,可以充分捕捉到特征C与标签F之间的相关性㊂最后,在算例部分利用30个电力用户负荷数据来验证所提考虑负荷特性的用户画像方法的有效性㊂1㊀电力用户用电行为画像方案及思路用户画像技术是一种常用的数据分析方式,用来分析用户的用电行为㊁挖掘用户的用电习惯等信息㊂电力用户画像的核心是根据用户行为㊁用户属性给用户贴标签,力图帮助电力企业掌握用户的关键信息[18-19]㊂电力用户用电行为画像建模时,首先需要筛选出合适且与标签相关性强的特征㊂一般筛选有效特征的方法有方差过滤法㊁F检验和互信息法㊁皮尔逊相关系数等㊂由于方差小的特征通常对样本无明显影响,故可去除方差相对较小的特征㊂互信息[19]能够评价某一特征C与标签F之间的相关性,可用来捕捉特征数据和标签之间的关系㊂于是本文选取64哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀方差过滤和互信息法相结合的方法来筛选特征㊂计算方法如式(1)所示:I (C ,F )=ðc ɪC f ɪFp (c ,f )logp (c ,f )p (c )p (f )(1)式中:p (c )为特征C 的边缘分布;p (f )为标签F 的边缘分布;p (c ,f )为二者的联合分布㊂一般情况下,用户的用电行为主要反应在负荷的变化上,因此对用户的用电行为画像也即是对用户侧负荷进行研究㊂而用户侧负荷通常由季节基础负荷和受其他因素影响的负荷共同组成,前者反映了用户在某一季节下不受外部因素影响的基本用电属性,后者反映出用户对外部因素的敏感特性㊂如果不分开进行分析,必然会导致画像的结果不够精细,因此本文分别对这两种负荷分别建立不同的模型进行研究㊂具体流程如图1所示㊂图1㊀用户用电行为画像流程图Fig.1㊀Flowchart of userᶄs electricity behavior portrait1)首先将负荷分解为季节基础负荷和受其他因素影响的负荷㊂对于季节基础负荷,它基本不受短期内电价信号㊁日常温度㊁是否处于工作日等外部因素的影响,每日的变化基本相同㊂然后,对季节基础负荷采用聚类有效性指标控制法[20]确定基础负荷的类型数,再对数据进行聚类分析,根据聚类结果分别定义标签㊂2)对于受外界其他因素影响的负荷,首先对各种需要考虑的因素进行相关性分析,提取得到各种因素对每一类负荷的相关性系数;然后同样根据聚类有效性指标控制法得到受其他因素影响的聚类数k ,再进行聚类分析,得到不同的影响类型,并分别定义标签㊂3)最后,得到季节基础负荷与受外界其他因素影响负荷的两类标签库后,分别根据两类标签库为每个用户打上两类标签,即用户用电行为画像㊂2㊀电力用户负荷分解方法通常随着季节更替,用户用电习惯以及对外部影响因素的敏感性会发生改变,其变化则会表现在基础负荷和敏感性负荷上㊂为了体现出这种变化的差异,需按季节分开进行研究㊂目前分析用户基础属性的研究大多以各个季节中的典型日为代表来表示用户在该季节中的固有用电行为属性[12]㊂但以该方式选择出的基础负荷具有随机性,且不同地区的季节划分也不同,因此得到的基础日负荷无法真实代表该用户在该季节下的一般用电规律㊂为了克服这一问题,本文提出了一种基础负荷的提取方法:从用户在该季节中的所有负荷曲线中求出一条曲线,使其与所有负荷曲线相似性最高,具体步骤如下:1)先根据春㊁夏㊁秋㊁冬将对应月份的数据集进行归类㊂2)在不同季节下提取用户基础日负荷曲线,即寻找一条与所有负荷曲线最为相似的曲线,于是可以转化为求一条曲线使其与所有曲线对应时刻的距离最短㊂假设已知用户i 在第j 个季节中,该季节共有m +1天,则该用户在此季节中的负荷集合Y ij ɪ(m +1)ˑ24:Y ij =y 00y 01y 02 y 023y 10y 11y 12y 123︙︙︙︙y m 0y m 1y m2y m 23éëêêêêêùûúúúúú(2)式中:y d h 为第j 个季节中用户i 在第d 天第h 小时的负荷值㊂设第i 个用户第j 个季节性日基础负荷为X ij =x 0x 1x 2 x 23[](3)式中:为第j 个季节中用户i 在第h 小时的基础负荷值㊂74第3期万㊀伟等:考虑负荷季节特性的电力用户用电行为画像再以曲线间所有坐标距离最短为目标函数:min S ij ()=ðmn =0ð23t =0(Y ij n []t []-X ij t [])2(4)式中:S ij 为目标函数值;m 为第j 个季节中的天数㊂同时,X ij 各时刻的值不能超过对应时刻的上下限:min{Y ij n []t []}ɤX ij t []ɤmax{Y ij n []t []}t =0,1,2, ,23;n =0,1,2, ,m(5)最后结合式(4)和式(5),通过粒子群优化算法对目标函数进行求解,经迭代求解得到最优的X ij ,即为对应季节下的基础负荷曲线㊂将日负荷Y ij 对应减去基础负荷X ij ,即可得到受其他因素影响的日负荷Z ij ,d :Z d ij=Y d ij -X ij=[y d 0y d 1y d 2y d 23]-x 0x 1x 2 x 23[]=[z d 0z d 1z d 2 z d23](6)式中:z d0为第j 个季节中用户i 在第d 天第h 小时的受其它因素影响的负荷值㊂3㊀电力用户用电行为画像方法通过负荷分解将季节性基础负荷和外界因素的敏感负荷分离开后,再分别构建聚类模型,经过分析分别定义季节性基础负荷的标签库与外界因素敏感负荷的标签库,最后分别以这两类标签来刻画用户的用电行为,实现用户用电行为的精准画像㊂画像过程如图2所示㊂图2㊀画像过程Fig.2㊀Portrait process3.1㊀相关性分析用户的用电行为会受到多种因素的影响,例如温度变化㊁工作日和周末等,这些外界因素变化有可能导致用户用电行为也跟着变化㊂为了描述用户对不同因素的敏感性,本文采用皮尔逊积矩相关系数用来反映这些外部其他影响因素与用户用电负荷之间的关系㊂ρX ,Y =cov X ,Y ()σX σY =E X -μX ()Y -μY ()()σX σY(7)式中:X ㊁Y 分别为两个变量;μX ㊁μY 分别为变量X 和Y 的均值;σX 和σY 为表示变量和Y 的标准差㊂ρX ,Y 取值在-1与+1之间,绝对值越大则表明相关性越强(若为正数,表明两个变量是正相关;若为负数,表明两个变量是负相关)㊂3.2㊀聚类分析3.2.1㊀聚类数k 值确定GMM 聚类算法[21]首先必须确定分类数k ㊂根据GMM 算法的原理,可利用误差平方和(sum of squared error,SSE)作为确定聚类数的评价指标㊂SSE 的公式如下:SSE =ðk i =1ðx ɪC ix -u i 2(8)式中:k 为聚类数;C i 为聚类中的某一簇;u i 为C i 中各数据点的均值;x 为簇中的某一个点㊂假设真实聚类数为k ∗,当聚类数k <k ∗时,k增加,SSE 会迅速减小;当k ȡk ∗时,k 增加,SSE 的减小趋势会明显变缓,于是可以根据SSE 的变化情况确定最佳聚类数㊂3.2.2㊀GMM 聚类算法为了分析不同季节下不同行为类型的用户行为,需对基础负荷以及敏感负荷进行聚类[22],本文采用GMM 算法进行聚类,目的是为了将相似负荷划分至同一类进行分析㊂通过SSE 确定聚类数k 后,假设每类数据都服从高斯分布,其中高斯分布的概率模型为P (y |θ)=ðKk =1αk ϕ(y |θk )(9)式中:y 为样本;αk 为权重;ϕ(y |θk )为高斯分布的概率密度;θk 为概率密度的参数(包括μk 和σk 2)㊂概率密度表达式为ϕ(y |θk )=12πσk -exp -2(y -μk )σ2k()(10)式中:σk 为样本y 的标准差;μk 为样本y 的均值㊂通过高斯模型训练数据分别估计出这k 类高斯分布的概率密度函数和每一类的权重a k ㊂接着计算出每个数据分别在k 类高斯分布中出现的概率,即将该数据分别代入k 个高斯分布中求出属于每个类的概率P y i ()k :P y i ()k =αk ϕ(y i |θk )ðKk =1αk ϕ(y i |θk )(11)式中:y i 为某个数据;k 为第k 个高斯分布㊂最后,通过比较将该样本归至概率值最高的一类㊂84哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀3.3㊀用电行为特征描述描述电力用户的用电行为特征,通常可以采用源于用户负荷曲线的用电特征[23]来描述,如负荷率㊁峰谷差率㊁峰值平均功率比等㊂负荷率k1,可用来描述用户电力设备的使用情况,表示为日平均负荷P av与最大负荷P max之比:k1=P av Pmax (12)峰谷差率k2,可用来描述用电行为的波动性,表示为峰谷差(P峰-P谷)与峰值负荷P峰之比:k2=P峰-P谷P峰(13)峰值平均功率比k3,可用来描述用户峰值时段用电水平,表示为峰值负荷P峰与平均负荷P av之比: k3=P峰P av(14)为了更加形象地体现某种用电类型的不同特征在整体中的水平,可以根据打分制来描述,设定满分为10分,所有用户中此类特征的得分可由下式得到:s c ore(ki,C j)=10T C j k i.av-T k i.minT ki.max-T k i.min(15)式中:k i为特征类别;C j为第j类用电行为;T C j ki.av为所有第j类用电行为中k i特征的平均值;T ki.min为所有用户中k i特征的最小值;T ki.max为所有用户中k i特征的最大值㊂4㊀算例分析本文收集了某普通居民区域内30个用户在4年内的用电数据,采样时间范围为2014年1月1日至2017年12月31日,采样间隔为1小时㊂数据先经过预处理,接着剔除方差小的特征数据,然后通过特征数据和用电负荷数据之间的互信息计算,最终筛选出天气㊁温度㊁星期㊁电价(主要指分时电价)等特征,进一步处理得到数据一共1051920条㊂本文使用Anaconda软件编程仿真,验证所提出的对用户用电行为画像方法的有效性和可行性㊂4.1㊀负荷分解4.1.1㊀季节划分首先根据当地的气象情况对季节进行划分,4个季节的划分结果如表1所示㊂然后,根据季节分别将数据进行划分㊂表1㊀季节划分Tab.1㊀Seasonal division季节起始日期终止日期春季3月1日5月31日夏季6月1日8月31日秋季9月1日11月31日冬季12月1日2月28日/29日4.1.2㊀基础负荷提取用户在不同季节下的基础负荷反映了用户在不同季节下用电规律,一般研究中为了方便通常使用四季中的春分㊁夏至㊁秋分㊁东至这种典型日负荷曲线来表示[12],但这种人为规定的典型日用户曲线具有一定的主观性和偶然性㊂而本文使用第3节中的数据挖掘算法提取基础负荷,较于前者更客观㊂两种方法提取的基础负荷结果如图3所示㊂94第3期万㊀伟等:考虑负荷季节特性的电力用户用电行为画像图3㊀用户14个季节下基础负荷提取结果Fig.3㊀Extraction results of base load for user1in four seasons图3直观体现了两种方式基础负荷的提取结果,红粗线为不同季节下对应的典型日负荷,蓝线为采用第3小节分解方法提取的基础负荷㊂然后,分别将两种方法得到的基础负荷曲线与该季节内的其它曲线进行趋势分析,得到表2所示结果㊂表2㊀基础负荷与实际负荷相关性统计表Tab.2㊀Statistical table of correlation between typicalload and actual load相关性系数不同方法统计占比本文文[12]ρ>0.85100%96.7%ρ>0.998%90.2%ρ>0.9595%86.3%㊀㊀以相关性系数r的大小来评价两条曲线的趋势一致性时,相关性系数值越大,说明二者的变化趋势越相似㊂一般而言,只要ρ值大于0.8即可认为二者变化趋势相同㊂表2结果表明,负荷分解后的基础负荷曲线与原曲线相似性都在0.85以上,而选择以典型日负荷曲线与原曲线相似性大于0.85的仅有96.7%㊂因此,可以认为分解得到的基础负荷曲线更能客观地反映用户在该季节下的用电规律㊂随机取某一用户某一天的负荷为例,展示分解结果,如图4所示㊂图4㊀某用户某一天的负荷分解结果Fig.4㊀The load decomposition results of a useron a given day㊀㊀图4(a)㊁(b)㊁(c)分别为该用户在该季节下的原始负荷曲线㊁基础负荷曲线以及受其他因素影响的敏感负荷曲线㊂图4表明敏感负荷在实际负荷中的占比较小,表现为实际负荷曲线上的波动㊂因此,负荷分解的目的有两个:一是提取出用户的基本负荷用来分析用户的整体的基本用电行为规律,二是剥离出用户的敏感性负荷用来分析用户的对其它因素的敏感性㊂4.2㊀确定最佳聚类数4.2.1㊀基础负荷聚类数n由于不同用户各种特征之间的量纲以及数量级不一致,为了消除这种影响,在进行负荷分解后,首先将分解后得到的基础负荷数据经过Z-Score标准化处理:X=X ij-μσ(16)式中:X ij为用户i在第j个季节的负荷;μ为这120个负荷数据的均值;σ为标准差㊂然后,根据GMM聚类数的评价指标SSE确定基础负荷数据最佳聚类数n,结果如图5所示㊂由图5可知,分解后基础负荷与分解前实际日负荷的SSE曲线在k<3时变化快,k>3时变化慢,因此确定n值为3㊂因此,图5表明了30个用户在4个季节中的行为类型可分为3类㊂4.2.2㊀受外界其它因素影响的敏感负荷聚类数m将每个用户的日负荷统一减去对应季节的基础负荷值,得到受其他因素影响的负荷㊂然后对可能导致负荷变动的外界因素(本文主要考虑气温㊁电价㊁工作日)进行相关性分析,利用皮尔逊积矩分析每个用户每个季节受外界因素影响的负荷与气温㊁电价㊁工作日之间的相关性㊂05哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀图5㊀基础负荷最佳聚类数n 的确定过程Fig.5㊀Determining process of optimal clusteringnumber n for typicalloads图6㊀用户1春季相关性结果热力图Fig.6㊀Spring correlation results thermalmaps of user1图7㊀用户1夏季相关性结果热力图Fig.7㊀Summer correlation results thermalmaps of user 1㊀㊀以用户1为例进行相关性分析,分析结果如图6㊁图7所示㊂用户1在不同季节下与各因素的相关性存在差异,受各因素的影响大小不同㊂经过分析得:1)春季和秋季,温度变化不稳定,用户用电情况易受其影响;而夏季和冬季,温度变化稳定,故温度与负荷的相关性较弱㊂2)对于工作日与周末,较多用户属于周一到周五工作的上班族,故周末用电负荷较工作日大㊂3)负荷与电价关系敏感时,电价与敏感负荷的相关性系数为负值,表明电价与用户负荷呈负相关性㊂受其他因素影响负荷聚类数的SSE 结果如图8所示㊂图8㊀敏感负荷最佳聚类数m 的确定过程Fig.8㊀Determination process of the optimal clusternumber m for sensitive loads由图8可知,受其他因素影响的负荷可分成4类㊂由于受到了外界不同因素的影响,不同用户的具体情况需通过进一步分析㊂4.3㊀负荷聚类分析4.3.1㊀基础负荷聚类结果经过分析,确定实际负荷与基础负荷均可分为3类㊂利用GMM 算法分别进行聚类,结果如图9所示㊂图9㊀负荷聚类结果图Fig.9㊀Typical load clustering result graph15第3期万㊀伟等:考虑负荷季节特性的电力用户用电行为画像图9(a)为对实际负荷聚类的结果,可以发现:用户1~10除了用户8㊁9的夏季全年的用电行为都是类型1㊁用户21~30全年的基础负荷为类型3,而在用户11~20中用户13㊁16㊁19的夏季以及用户13㊁14的秋季用电为类型1,其他时间均为类型2㊂图9(b)为分解后基础负荷的聚类结果,发现除了用户8㊁9的夏季用电行为变成了类型1,以及用户13㊁14的秋季用电行为变成了类型2,其它结果均与分解前一致㊂现将每类负荷分别求取平均值得到聚类中心的三条基础负荷曲线(k =1,2,3),由于每个用户在电器数量和能耗上均有差异,且用电行为更注重趋势而非数量级大小,故本文对X k 进行如下处理:X =X Kmax(X k )-min(X k )(17)式中:max(X k )为k 类负荷中的最大值;min(X k )为k 类负荷中的最小值㊂最终得到此3类用户的基础负荷曲线,如图10所示㊂图10㊀3类基础负荷曲线对比Fig.10㊀Comparison of three typical load curves对图10进行对比分析发现,3类用电行为存在以下特点:1)类型1为日间双高峰型:该用电类型存在两段高峰与两段低谷㊂11点至12点以及18点至7点之间处于用电低谷,且中午用电负荷多于晚上;8点至10点㊁13点至17点之间处于用电高峰㊂2)类型2为早晚双高峰型:该用电类型一天内存在两段高峰时段与两段低谷时段㊂1点至5点㊁11点至15点为用电低谷;6点至10点㊁16点至0点为用电高峰,且晚高峰高负荷值于早高峰㊂3)类型3为晚间单峰型:该用电类型从6点开始用电负荷逐渐增大,直至20点负荷下降㊂高峰时段是16点至21点,低谷时段是0点至5点㊂再分别计算3类基础负荷的负荷率㊁峰谷差率以及峰值平均功率比,计算结果如表3所示㊂表3㊀基础负荷用电行为特征对比Tab.3㊀Comparison of electrical behavior characteristicsof base load行为特征用户类型日间双高峰型早晚双高峰型晚间单峰型负荷率0.6250.750.73峰谷差率0.56250.6250.666峰值平均功率比1.61.331.36㊀㊀由表3可知,早晚双高峰型用电行为的负荷率较高,说明具备此类行为的用户大功率的用电设备使用集中在早晚时刻;晚间的单峰型的峰谷差率较高,因此具有此类行为的用户的平均负荷波动性强;日间双高峰型的峰值平均功率比较高,表明此类行为在其峰值时段的用电水平较高㊂为了更直观地展现不同基础负荷类型的行为特征,以雷达图的形式展示用电行为特征打分结果,结果如图11所示㊂25哈㊀尔㊀滨㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第28卷㊀图11㊀3种基础负荷类型的用电行为打分结果Fig.11Scoring results of three types of electricityconsumption behavior4.3.2㊀受其他外界因素影响的负荷聚类结果由图8可知,受其他外界因素影响的负荷可分为4类㊂对不同影响因素的敏感性进行聚类,得到如图12所示的分类结果㊂图12㊀受其他因素影响负荷聚类结果Fig.12The load clustering results are affectedby other factors以不同的颜色代表不同的敏感性,由图12可知,用户21~30全年敏感性均一致,用户1~10存在3种敏感性,用户11~20具有两种敏感性㊂将30个用户在不同季节下受其他因素影响负荷的聚类结果与其影响因素的相关性系数对应,结果如表4所示,最后一列为聚类类别的标签㊂1)第一类:对外界的3种变化都敏感(label =3)㊂对应于图11中的黑色部分,此类用户具有极大的调峰潜力㊂主要集中于用户1~10的秋季与用户10~21的春㊁秋㊁冬季㊂2)第二类:对电价变化最敏感(label =0)㊂对应于图11中的浅灰色部分,主要出现在用户10~20中,说明该用户对于需求响应价格信号响应积极度比起其他类型的用户更高一些㊂此外,用户1㊁2在夏季同样呈现该类型特点㊂3)第三类:对工作日与周末最敏感(label =2)㊂对应于图11中的浅黄色部分,全部出现在用户1~10中,说明此类用户在工作日与周末的负荷有较大的区别,工作日期间负荷较周末低一些㊂表4㊀30个用户不同敏感因素的聚类标签与敏感性对应表Tab.4㊀Correlation coefficient of user's degree of externalinfluence in different seasons季节用户编号温度电价工作日Label 春季12︙1516︙2223︙-0.02-0.02︙0.020.03︙0.070.08︙-0.14-0.13︙-0.28-0.24︙-0.010.02︙-0.31-0.40︙-0.06-0.05︙0.030.03︙22︙00︙11︙夏季12︙1516︙2223︙-0.01-0.01︙0.310.31︙0.030.02︙-0.52-0.50︙-0.37-0.36︙-0.1-0.12︙-0.16-0.17︙-0.34-0.32︙0-0.01︙00︙33︙11︙秋季12︙1516︙2223︙0.23-0.23︙0.020.02︙0.020︙-0.18-0.17︙-0.28-0.15︙0.050.01︙-0.19-0.19︙-0.06-0.08︙00︙22︙00︙11︙冬季12︙1516︙2223︙0.400.40︙-0.36-0.39︙0.060.05︙-0.04-0.07︙-0.37-0.32︙-0.06-0.04︙0.080.07︙-0.35-0.38︙0.020.01︙22︙33︙11︙4)第四类:对外界变化均不敏感(label =1)㊂对应于图11中的深灰色部分,全部出现在用户35第3期万㊀伟等:考虑负荷季节特性的电力用户用电行为画像。
Holt-Winters模型简介Holt-Winters模型是一种用于时间序列预测的经典方法，其在季节性和趋势性数据分析中被广泛应用。
该模型可以帮助我们对未来的数值进行预测，并通过考虑季节性和趋势性的变化来提高预测的准确性。
模型原理Holt-Winters模型基于三个指数平滑算法，即指数平滑、趋势衰减和季节性衰减。
这三个算法分别对应了时间序列数据的平滑、趋势预测和季节性预测。
1.指数平滑：利用加权平均法对数据进行平滑，用于消除数据的噪音。
此算法认为最新数据的权重较大，之前的数据权重逐渐减小。
2.趋势衰减：在指数平滑的基础上，考虑数据的趋势变化，用于预测未来的趋势。
该算法引入了一个衰减因子，使得旧数据的权重随时间的推移而减少。
3.季节性衰减：在趋势衰减的基础上，考虑数据的季节性变化，用于预测未来的季节性。
该算法引入了一个季节性衰减因子，使得不同季节的数据权重有所不同。
模型应用Holt-Winters模型适用于具有明显季节性和趋势性的数据分析，如销售量、温度变化等。
它可以帮助我们理解数据的趋势和季节性，并预测未来的数值。
下面是使用Holt-Winters模型进行数据预测的步骤：1.数据准备：首先收集并整理时间序列数据，确保数据的完整性和连续性。
2.模型选择：根据数据的特征选择合适的Holt-Winters模型，如加法模型或乘法模型。
3.参数估计：使用最小二乘法或最大似然估计等方法估计模型的参数。
4.模型拟合：将估计得到的参数应用于Holt-Winters模型，对训练数据进行拟合。
5.模型评估：对拟合效果进行评估，通过计算误差指标（如均方根误差）来评估模型的准确性。
6.预测未来数据：使用已拟合的模型对未来的数据进行预测，并计算预测的可信区间。
注意事项在应用Holt-Winters模型时，需要注意以下几点：1.数据的稳定性：模型要求时间序列数据的波动性和趋势性稳定，否则可能导致拟合效果较差。
2.数据的周期性：模型适用于具有周期性变化的数据，如季节性变化或周期性波动。
