[发明专利]基于大数据技术的短期负荷预测方法及系统

说明书

本发明公开了一种基于大数据技术的短期负荷预测方法及系统，包括以下步骤：获取系统中各用户的用电历史数据；各用户的负荷水平和负荷曲线形状；确定用户的用电模式；根据各用户的用电模式，选择各用户负荷的预测模型；构建各用户负荷的影响因素集合；筛选出若干主导影响因素并赋予权值，然后通过各主导影响因素构建影响因素子集；利用各主导影响因素及其权值对各用户负荷的预测模型的参数进行选择及优化，然后再预测各用户在待预测时间的用电负荷预测值；根据各用户在待预测时间的用电负荷预测值以及系统网损，得到系统在待预测时间的总用电负荷预测值，该方法及系统能够实现短期负荷的预测，并且预测精度较高。

技术领域

本发明属于电力技术领域，涉及一种短期负荷预测方法及系统，具体涉及一种基于大数据技术的短期负荷预测方法及系统。

背景技术

长期以来，由于用户信息采集装置的覆盖程度低，短期负荷预测的对象通常局限在全网的系统负荷，国内外学者对此作了大量的理论和方法的研究工作，提出了多种各具特点的预测方法，如时间序列法，人工神经网络法，专家系统法以及模糊神经网络法等，精度不断提高。

但是由于系统负荷由多个用电负荷构成，用电负荷的变化千差万别，不同类型的用电负荷具有自身的负荷特性与负荷发展规律，用电负荷在叠加时会削弱甚至抵消某些用电负荷的变化规律，使得系统负荷变化的规律性变得模糊，难以精确定位负荷波动真正原因；同时由于负荷的影响因素众多，且它们之间的非线性、复杂性和滞后性等特点，在实际应用中建立系统负荷与众多影响因素之间的关系模型存在很大困难。因此，现有的负荷预测的精度不高。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于大数据技术的短期负荷预测方法及系统，该方法及系统能够实现短期负荷的预测，并且预测精度较高。

为达到上述目的，本发明所述的基于大数据技术的短期负荷预测方法包括以下步骤：

获取系统中各用户的用电历史数据；

利用预设的聚类算法，根据各用户的用电历史数据对各用户的负荷进行聚类，得各用户的负荷水平和负荷曲线形状；

根据聚类得到的各用户的负荷水平和负荷曲线形状确定用户的用电模式；

根据各用户的用电模式，选择各用户负荷的预测模型；

根据各用户的用电历史数据构建各用户负荷的影响因素集合；

对构建的各用户负荷的影响因素集合进行关联分析，筛选出若干对负荷产生强关联的主导影响因素，然后通过筛选出的各主导影响因素构建影响因素子集，同时对各主导影响因素赋予权值；

利用影响因素子集中各主导影响因素及其权值对各用户负荷的预测模型的参数进行选择及优化，然后再根据各用户负荷的预测模型预测各用户在待预测时间的用电负荷预测值；

根据各用户在待预测时间的用电负荷预测值以及系统网损，得到系统在待预测时间的总用电负荷预测值，完成基于大数据技术的短期负荷预测。

可选地，还包括：

对各用户的用电历史数据进行分析，找出用电负荷异常的采样点；

根据该采样点对应的各主导影响因素的权值，判断该采样点采集的异常用电负荷为坏值还是由于突发事件引起的负荷突变；

当该采样点采集的异常用电负荷为坏值时，则删除该异常用电负荷，当该采样点采集的异常用电负荷为由于突发事件引起的负荷突变时，则保存该异常用电负荷。

可选地，根据聚类得到的各用户的负荷水平和负荷曲线形状确定各用户的用电模式具体包括以下步骤：

通过各用户的日平均负荷表示各用户的负荷水平，再根据各用户的日平均负荷得到各用户的负荷水平波动幅度，其中，每用户的负荷水平波动幅度通过以下公式得到：