[发明专利]单户概率净负荷预测方法、装置、设备及存储介质

权利要求书

1.一种单户概率净负荷预测方法，其特征在于，包括以下步骤：

步骤1，基于高斯混合模型聚类，对单户用户历史净负荷数据曲线进行聚类，提取用电模式特征；

步骤2，基于高斯混合模型聚类，对单户用户历史净负荷数据中的每一时段净负荷数据进行聚类，提取每一时段用电场景特征；

步骤3，基于所述的用电模式特征和每一时段用电场景特征，建立多分类逻辑回归模型，计算未来每一时间段每个用电场景的发生概率；

步骤4，分别根据不同的用电场景建立高斯过程回归模型，计算每个用电场景下净负荷大小的概率分布；

步骤5，根据用电场景的发生概率和用电场景下净负荷大小，计算获得单户概率净负荷预测混合高斯分布结果。

2.根据权利要求1所述的一种单户概率净负荷预测方法，其特征在于，所述步骤1包括步骤：

历史净负荷数据进行横向归一化处理

建立高斯混合模型，对横向归一化后的历史净负荷数据进行聚类，通过所述的高斯混合模型的聚类结果，提取所述的用电模式特征。

3.根据权利要求1所述的一种单户概率净负荷预测方法，其特征在于，所述步骤2包括步骤：

对历史净负荷数据按时段进行纵向归一化处理：

对纵向归一化后的历史净负荷数据进行高斯混合模型聚类，得到分时段的净负荷聚类结果集合，聚类结果用以表征所述的段每一时段用电场景特征。

4.根据权利要求1所述的一种单户概率净负荷预测方法，其特征在于，所述步骤3包括步骤：

建立多分类逻辑回归模型，研究该时段用电场景和用电模式特征、前几个时段的负荷、前一天相同时段的负荷以及实时温度之间的关系；

分时段训练多分类逻辑回归模型，训练完成后的模型。

5.根据权利要求1所述的一种单户概率净负荷预测方法，其特征在于，所述步骤4包括步骤：

分用电场景训练高斯过程回归模型，训练完成后，输入测试集中的自变量，高斯过程回归模型输出未来该时段用电场景的预测净负荷，并获得所述的每个用电场景下净负荷大小的概率分布。