[发明专利]一种电力行业中基于客户分群的电力负荷预测方法

说明书

技术领域

本发明涉及一种电力行业电力负荷预测方法，具体是指一种电力行业中基于客户分群的电力负荷预测方法。

背景技术

由于电力工业与一般的其它产业不同，其产品即电能无法大量储存，电力的生产和消费必须在同一瞬间进行，电站建设耗资大，建设周期长，电能对于国民经济各个行业和人民生活的重要性，尤其是在一个相当时期内的供需矛盾，这一切使电力负荷预测工作尤显重要。从长时间观察，电力负荷具有周期性的特点，而且负荷变化是连续的，一般不会出现大的跃变；同时，电力负荷对季节、温度、天气等是敏感的，不同的季节，不同地的气候以及温度的变化都会对负荷造成明显的影响。以上均是传统的负荷特点，随着电力市场的深入，电力负荷会有新的特点出现，这就需要不断补充对新形势下的电力负荷的认识和了解，才能针对负荷的特性而采用恰当的预测方法，得到符合精度要求的预测负荷值，更好地为电力系统的发展和运行提供依据。

目前国内外的预测应用软件大多基于特定的少数的几种模型，而选择模型单一造成的后果是预测结果往往只对某种发展规律有效，当事物发展规律改变时，如果仍然采用原有的单一模型，就会造成预测结果偏差过大，从而失去了预测的实际意义。尤其是对于使用系统的各个供电公司，由于发展水平不同，用电结构不同，负荷特性差异很大，特定的某种预测方法将很难在各地都发挥出良好的效果。另外，在电力市场环境下，影响电力发展的因素非常多，包括经济发展、能源消费、气象条件等众多影响因素，加之不同系统间数据共享性差，很难考虑相关因素的影响等，导致目前基于用电侧的电力负荷预测效果不甚理想。

发明内容

本发明的目的是提供一种电力行业中基于客户分群的电力负荷预测方法，该方法能够对客户分群的电力负荷进行准确预测，为电力系统的发展和运行提供依据。

本发明的上述目的通过如下技术方案来实现的：一种电力行业中基于客户分群的电力负荷预测方法，包括如下步骤：

步骤1：对客户负荷数据进行抽取，并获得负荷样本数据；

步骤2：预处理负荷样本数据；

步骤3：对客户进行聚类分组，获得多个客户群组；

步骤4：汇总各个客户群组的负荷数据；

步骤5：对单个客户群组进行负荷时序预测；

步骤6：汇总计算多个客户分群的负荷预测结果；

步骤7：对步骤6获得的负荷预测结果进行评价。

本发明中，所述步骤1包括以下子步骤：

S1.1：确定样本覆盖范围

从计量自动化系统和营销管理系统获得客户档案类数据，客户电量数据，客户负荷数据，具体包括客户档案信息、客户电量信息和客户负荷信息，将客户档案信息、客户电量信息和客户负荷信息分别生成A表、B表和C表；

S1.2确定样本数据范围

样本抽取时至少包含1年以上的客户负荷数据和半年以上的电量信息，以及最新的客户档案数据；

所述步骤2包括如下子步骤：

S2.1计算聚类指标

考虑对负荷波动的影响较大的因子，根据B表相关字段计算规定时间内（上一个月每天平均）反映负荷变动情况的指标：

负荷率=平均负荷/最大负荷；

峰总比=峰电量/总电量；

平总比=平电量/总电量；

谷总比=谷电量/总电量；

其中：最大负荷=Max(L_i),i＝1,2,...,96，L_i表示每隔15分钟的用电负荷采样值；

峰、谷、平电量对应城市用电高峰时间段、平峰时间段和谷峰时间段的用电量；

高峰时间段指的是用电量的高峰，用电量相对集中，低谷时间段则相反；高峰时间段8小时：9:00～12:00，17:00～22:00；平段时间段7小时：8:00～9:00，12:00～17:00，22:00～23:00；低谷时间段9小时：23:00～次日8:00；

通过计算聚类指标，构成D表；

S2.2缺失值处理

若发现样本数据存在缺失现象时，可通过同类型日数据结合插值算法进行处理；

S2.3异常值处理

对超出指标阀值范围的数据，通过同类型日数据结合插值算法进行修正处理；

所述的步骤3包括以下子步骤：

S3.1按用电类别分群

根据A表中的字段用电类别，得到相同用电类别的计量点分群；

S3.2用电类别内客户分群

对客户按用电类别分群后，再按客户的用电特征进行聚类分群，具体采用K-means聚类算法完成聚类分群；