[发明专利]一种基于智能算法的用户用电偏差分析方法

说明书

本发明公开了一种基于智能算法的用户用电偏差分析方法。它包括：S1：绘制每个影响因素与预测区域年生活用电总量联立的二维散点图，排除离散程度较高或者呈非线性的影响因素，剩下的影响因素即为偏差影响因素；S2：计算每个偏差影响因素与预测区域年生活用电总量的皮尔森系数，将皮尔森系数的绝对值大于或等于设定值K的偏差影响因素作为最终偏差影响因素；S3：利用灰色神经网络建立用电量预测模型；S4：采用用电量预测模型对预测区域的年生活用电总量进行预测。本发明将客观存在的影响因素考虑为可能对用电产生偏差的原因，挖掘出与用电量存在较高影响程度的数据，利用强关联数据作为输入建立灰色神经网络用电量预测模型，提高预测的准确性。

技术领域

本发明涉及用电分析技术领域，尤其涉及一种基于智能算法的用户用电偏差分析方法。

背景技术

自改革开放以来，电力体制的改革不断深入，用户的电力消费结构也发生了很大的改变，居民生活用电在用电支出中所占的比重越来越大。但是居民的生活用电不同于其他用电类型，不同的生活水平、所处地理位置、电力技术发展水平以及生活习惯等方面的因素会导致用电量产生偏差。例如居民的收入状况直接影响到了居民对于手机、电视、冰箱等电器产品的需求；居民生活的地理位置会决定在不同的季节使用取暖或者制冷电器的时间长短；电力技术的发展水平决定了电力资源的生产和使用水平，也一定程度决定了风能、太阳能、化石能源等不同能源转换为电能的效率；而居民的生活习惯则是对人们的用电方式有一定影响。而这些因素都会或多或少的对居民的用电量产生影响，其中很多影响因素是难以观测，同时也会导致预测值存在一定的偏差。而且随着一些地区政策的出台和宣传力度的加大，居民的节电意识也在逐渐增强，所以未来在用户用电这块也会减缓其增长速度。那么综合以上因素进行考虑，居民生活用电量的需求就需要考虑到各种因素对用电量偏差的影响程度，把握其中规律变化，从而建立有效的预测模型。从售电公司的角度上进行考虑，准确的分析和预测电力需求有助于制定有效售电政策，合理安排电力生产和经营计划。

目前应用比较广泛的用电预测方法包括神经网络、对比分析、回归分析等算法，但是这些方法仅考虑理论上用电量的预测，并未将可能影响用电量的客观因素考虑在内，所以得到的结果往往不是很准确。

发明内容

本发明为了解决上述技术问题，提供了一种基于智能算法的用户用电偏差分析方法，其将客观存在的影响因素考虑为可能对用户用电产生偏差的原因，挖掘出与用电量存在较高影响程度的数据，利用强关联数据作为输入建立灰色神经网络用电量预测模型，实现了用电预测全过程的数据驱动，提高了预测的准确性。

为了解决上述问题，本发明采用以下技术方案予以实现：

本发明的一种基于智能算法的用户用电偏差分析方法，包括以下步骤：

S1：选定可能对预测区域的年生活用电总量产生偏差的影响因素，选取预测区域M年的影响因素数据及年生活用电总量数据，绘制每个影响因素与预测区域年生活用电总量联立的二维散点图，排除离散程度较高或者呈非线性的影响因素，剩下的影响因素即为偏差影响因素；

S2：计算每个偏差影响因素与预测区域年生活用电总量的皮尔森系数，将皮尔森系数的绝对值大于或等于设定值K的偏差影响因素作为最终偏差影响因素；

S3：根据预测区域年生活用电总量数据和最终偏差影响因素数据，利用灰色神经网络建立用电量预测模型；

S4：采用用电量预测模型对预测区域的年生活用电总量进行预测。

在本技术方案中，首先初步选定可能对预测区域的年生活用电总量产生偏差的影响因素，收集过去M年的影响因素数据及年生活用电总量数据，将所收集到的数据进行整理，按年划分制作表格，绘制每个影响因素与预测区域年生活用电总量联立的二维散点图，某个影响因素对应的二维散点图的横坐标为该影响因素值、纵坐标为预测区域年生活用电总量值。