[发明专利]一种基于决策树的个性化用户短期负荷预测算法

说明书

本发明公开了一种基于决策树的个性化用户短期负荷预测算法，其特征在于：包括以下步骤：1、对用户负荷进行波动分量辨识，判断其锯齿形波动是否显著；如果显著将进入波动分量提取环节，再得出用电模式数；如果不显著，则将直接得出用电模式数。针对用电模式数大于7种的用户采用最近日负荷预测法。针对用电模式数在2种～6种的用户采用基于用电模式挖掘的用户侧短期负荷预测法。针对用电模式数只有1种的用户采用聚类预测还原法。本发明通过对用户历史负荷进行数据挖掘，从而提取出用户用电模式，根据模式数的多少，建立基于决策树的个性化用户短期负荷预测算法，实现精确的用户短期负荷预测。

技术领域

本发明属于电力系统需求侧管理领域，特别涉及一种基于决策树的个性化用户短期负荷预测算法。

背景技术

有序用电是需求侧管理的重要组成部分，指在电力供应不足、突发事件等情况下，通过行政措施、经济手段、技术方法，依法控制部分用电需求，维护供用电秩序平稳的管理工作。改革开放以后，国家经济加快发展，电力供需紧张，有序用电发挥了重要作用。

智能化的有序用电通过分析用户负荷特性，利用智能代理技术自动生成有序用电方案，用户可限负荷通过短期预测的负荷与用户基线负荷作差得到，因此负荷侧的预测精度直接关系的有序用电指标分配的准确性。现阶段只做到了系统短期负荷预测和母线短期预测，而用户负荷预测还未深入开展。

发明内容

为了解决现有技术中的问题，本发明提供了一种基于决策树的个性化用户短期负荷预测算法，通过对用户历史负荷进行数据挖掘，从而提取出用户用电模式，根据模式数的多少，建立基于决策树的个性化用户短期负荷预测算法，实现精确的用户短期负荷预测。

为了解决上述问题，本发明所采取的技术方案是：

一种基于决策树的个性化用户短期负荷预测算法，其特征在于：包括以下步骤：

1、对用户负荷进行波动分量辨识，判断其锯齿形波动是否显著，其中波动分量的绝对平均值超过10％认为显著；如果显著将进入波动分量提取环节，将锯齿形波动剔除，采用离散小波变换对用户负荷曲线进行三重小波分解，得到的三阶细节信号分量为平滑分量，再进行用电模式数识别，采用层次聚类法得出用电模式数；如果不显著，则将直接进入用电模式识别步骤，得出用电模式数；

2、针对用电模式数的个数不同，采用不同的预测方法：

1)、针对用电模式数大于7种的用户采用最近日负荷预测法。

2)、针对用电模式数在2种～6种的用户采用基于用电模式挖掘的用户侧短期负荷预测法。

3)、针对用电模式数只有1种的用户采用聚类预测还原法。

3、预测完成后，如果在步骤1中剔除过波动分量的，需要重新加载波动分量，得到最终预测结果，如果没有在步骤1中剔除过波动分量的，即为最终预测结果，

前述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：步骤1)中：针对用电模式数大于7种的用户采用最近日负荷预测法，由于用电模式非常多，其用电特征变化剧烈，惯性较小，直接采用最近日负荷作为预测结果。前述的一种基于决策树的个性化用户短期负荷预测算法，其特征在于：步骤2)、针对用电模式数在2种～6种的用户采用基于用电模式挖掘的用户侧短期负荷预测法，具体包括以下步骤：

(1)、采用层次聚类法对历史负荷进行聚类，生成典型用电模式集合A＝{1,2,…,i,…,N}，并得到每一个历史日的生产模式；