[发明专利]一种基于多表融合数据的用户短期用电量预测方法

说明书

本发明公开了一种基于多表融合数据的用户短期用电量预测方法，属于电力技术领域。现有的用户用能之间存在着一定的相关性。如果能够充分地挖掘用户用能之间的相关性，就可以有效地提高预测的精度。本发明首先通过模糊聚类方法选取相似日，然后用这些相似日作为支持向量机的训练样本，对支持向量机参数进行优化，得到训练后的模型，用于对用户用电量进行预测；本发明能够充分地挖掘用户用能之间的相关性，合理利用多表融合数据，有效地提高预测的精度。本发明充分考虑了各种用电量的影响因素，有效提高预测的精度，减少了训练样本数量，对用户用电异常行为检测具有重要的意义。

技术领域

本发明涉及一种基于多表融合数据的用户短期用电量预测方法，属于电力技术领域。

背景技术

随着社会的发展和能源变革时代的到来，智能电网的发展和完善受到了越来越多的重视。智能用电业务的发展可以满足用户新型、多样化的需求，是电力公司、电网转变发展方式的重要组成部分。

负荷预测是电力系统分析和管理的一项基础内容，通过分析电网整体负荷或单个用户用电量的内在趋势和规律，建立起合适的模型对用电负荷进行预测，对于电力系统的高效运转具有重大意义。然而，由于缺乏用户用水、用气数据，以往研究都仅仅是基于用电量对用户用能进行的预测，实际中，用户用能之间存在着一定的相关性，如果能够充分地挖掘用户用能之间的相关性，就可以有效地提高用户短期用电量预测的精度。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种能够充分地挖掘用户用能之间的相关性，合理利用多表融合数据，有效地提高预测的精度的基于多表融合数据的用户短期用电量预测方法。

为实现上述目的，本发明的技术方案为：

一种基于多表融合数据的用户短期用电量预测方法，首先利用通径分析计算出影响用户用电量的日特征向量的权重，得到模糊相似矩阵；然后通过模糊聚类传递闭包法选取相似日，并将这些相似日作为样本训练支持向量机，对用户用电量进行预测；

具体包括以下步骤：

第一步，日特征向量的确定和量化，选取影响用户用电量的因素作为日特征向量的元素，形成样本集合X＝{x_i}；

第二步，通径分析得到日特征向量权重矩阵A，日特征向量中不同的因素对用电量的影响程度是不同的，因此需要给这些元素赋予不同的权重；

第三步，计算日特征向量间的相似度R(x_i，x_j)，为了对不同特征向量进行比较以选取相似日，需要定义两个特征向量之间的相似度，进而由计算出的相似度构造模糊相似矩阵并用于模糊聚类分析；

第四步，采用模糊聚类方法对样本集进行分类以进行相似日的选取，一个模糊等价关系的建立能够确定一个模糊分类，而模糊等价关系由模糊等价矩阵来表示；

第五步，支持向量机模型建立和参数初始化；

第六步，输入相似日数据，优化支持向量机参数；

第七步，将训练好的模型用于用电量短期预测。

本发明首先通过模糊聚类方法选取相似日，然后用这些相似日作为支持向量机的训练样本，对支持向量机参数进行优化，得到训练后的模型，用于对用户用电量进行预测；本发明能够充分地挖掘用户用能之间的相关性，合理利用多表融合数据，有效地提高预测的精度。本发明充分考虑了各种用电量的影响因素，有效提高预测的精度，减少了训练样本数量，对用户用电异常行为检测具有重要的意义。从电网整体结构来说，短期的电力负荷预测可以促进电力供应和需求的平衡，帮助电力部门合理制订生产计划、高效整合资源、提高经济效益，使电网的运行更加安全稳定。同时，有效的负荷预测也可以帮助我们对异常用能情况做出检测。

作为优选技术措施，所述第一步，