一种基于变输入结构的负荷预测方法及模型与流程

1.本发明属于电力系统负荷预测技术领域，具体涉及基于用户负荷状态分析的变输入结构的负荷预测方法及模型。


背景技术：

2.随着用电信息采集系统智能表计的大量安装，智能表计收集了海量用户负荷数据，使得面向每个用户的用电行为分析成为了可能，使得以往不可见的居民变得可见，衍生了一系列以用户负荷数据作为基础的电力系统新型应用，为电力系统提供了前所未有的对用户行为的洞察力。对用户负荷的短期预测，是在日前对用户的短期负荷曲线作出预测，能够帮助我们在微观尺度上掌握每家每户、各行各业的电力需求变化，为如需求侧响应等一系列面向用户的新型应用奠定数据基础，甚至累加还原整个电力系统的需求。
3.用户用电漂移效应，是指用户的同一用电事件，若其发生，则其在不同日的发生时间并不固定，而是会在一定时间范围内波动。如图1所示，设用户在第i日的负荷状态矢量s
i
＝[s
i1 s
i2
ꢀ…ꢀ
s
it
]，第i 1日的负荷状态矢量s
i 1
＝[s
i 1，1 s
i 1，2
ꢀ…ꢀ
s
i 1，t
]，若从第i日到第i 1用户用电漂移时段为δt
i
，则将s
i
各元素循环移位个时段后，可得到漂移后负荷状态矢量s
′
i
，其与s
i 1
应最为相似。因此，使得s
′
i
与s
i 1
的状态相似系数最大的δt
i
，即为第i日到第i 1的用户用电漂移时段。用户用电漂移时段为δt
i
有正负之分，若为正，则s
i
中各元素向右循环移位，为负则向左循环移位。
[0004]
固定输入结构的预测模型如图2所示，其输入相关因素与输出量之间存在固定的时滞关系。若输出量y的发生时间为t，则其各输入量x
i
的发生时间t
i
与t
o
之间的差δt
i
＝t
‑
t
i
为固定值τ。传统的固定输入结构的预测模型，是指模型的输入相关因素固定。由于居民用电的漂移、惯性及折返特性，导致同一时段上居民在待预测日和历史日所处用电状态(基态/激发态)有可能并不相同。由于不同状态的居民负荷差异很大，若采用传统的固定输入结构的预测模型，与待预测日用电状态相反的历史负荷将输入到预测模型中，这将对负荷预测造成干扰，用户用电漂移效应造成的预测不准。


技术实现要素：

[0005]
为解决现有技术存在的问题，本发明提供了一种基于用户负荷状态分析的变输入结构的负荷预测方法及模型。
[0006]
一种基于用户负荷状态分析的变输入结构的负荷预测方法包括：
[0007]
选定近日的统计日期数m和同类型日的统计日期数d；
[0008]
将m d日t时段的居民负荷状态组成历史状态矢量s
h
＝[s
f
‑
1，t s
f
‑
2，t
ꢀ…ꢀ
s
f
‑
m，t s
f
‑
7，t s
f
‑2×
7，t
ꢀ…ꢀ
s
f
‑
d
×
7，t
]；其中，s
f，t
是预测日f在t时刻的负荷状态；
[0009]
若s
f，t
取0的条件概率大于取1的条件概率，则s
f，t
取为0，若s
f，t
取0的条件概率小于取1的条件概率，则s
f，t
取为1；
[0010]
通过历史相关日在t时刻的负荷状态得到预测日在该时刻t的负荷状态，s
f，t
取为0
则为基态，若s
f，t
取为0，则为激发态。
[0011]
建立变输入结构模型，使得输出量y发生时间t与输入因素x
i
发生时间t
i
之差δt
i
＝t
‑
t
i
可变；同时对于输入因素x
i
的发生时间t
i
，使得y(t)与x
i
(t
i
)最相关；
[0012]
将历史负荷按照相关程度筛选，使其与待预测日的负荷最为相关；
[0013]
采用最近邻同状态筛选方法找到与待预测日负荷最为相关的历史负荷，寻找与待预测日第n天第t个时段负荷状态相同的历史日h第t
near
时段负荷，使得估计待预测日的负荷状态的概率。
[0014]
一种svm模型，基于所述svm模型实现上述述的基于用户负荷状态分析的变输入结构的负荷预测方法。
[0015]
相对于现有技术，本发明的有益技术效果在于：本发明能够解决因居民用电的漂移、惯性及折返特性造成的高度的不确定性的预测场景，确保预测模型的输入不会对预测造成干扰，从而取得更好的预测效果。
附图说明
[0016]
图1是用户用电漂移效应示意图；
[0017]
图2是固定输入结构的svm模型；
[0018]
图3是变输入结构的svm模型。
具体实施方式
[0019]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0020]
实施例一
[0021]
本实例的基于用户负荷状态分析的变输入结构的负荷预测方法包括：
[0022]
选定近日的统计日期数m和同类型日的统计日期数d，统计日期数共计m d。
[0023]
设待预测日为f，则从第f日开始依次往前数m日，即f
‑
1，f
‑
2，
…
，f
‑
m，计为相关的近日。示例性的，以7为周期，依次往前数d个同类型日，即f
‑
7，f
‑2×
7，
…
，f
‑
d
×
7。
[0024]
将m d日t时段的居民负荷状态组成历史状态矢量s
h
＝[s
f
‑
1，t s
f
‑
2，t
ꢀ…ꢀ
s
f
‑
m，t s
f
‑
7，t s
f
‑2×
7，t
ꢀ…ꢀ
s
f
‑
d
×
7，t
]。所述历史状态矢量存在多种可能的取值，统计每种取值情况下s
f，t
取0和1的条件概率。若s
f，t
取0的条件概率大于取1的条件概率，则s
f，t
取为0，反之亦然。通过历史相关日在t时刻的负荷状态得到预测日在该时刻t的负荷状态，0为基态，1为激发态。其中，s
f，t
是预测日f在t时刻的负荷状态。
[0025]
变输入结构的预测模型，其输入因素与输出量之间不存在固定的时滞关系，即输出量y发生时间t与输入因素x
i
发生时间t
i
之差δt
i
＝t
‑
t
i
可变。对于变输入结构的预测模型，其输入相关因素的发生时间t
i
不按照固定的时滞关系选择，而是按照相关关系确定输入因素的发生时间t
i
，即对于输入因素x
i
的发生时间t
i
，应使得y(t)与x
i
(t
i
)最相关。
[0026]
基于获得预测日t时刻的负荷状态，去找历史日同负荷状态的时段ti，那么ti就跟
预测日t的负荷状态最相关。
[0027]
由于居民负荷状态受日类型的影响较为显著。因此对居民负荷状态作统计预测时，需要分日类型。又因居民负荷状态具有显著的“近大远小”效应，一般与近期的历史负荷状态相关系数高，与远期的历史负荷状态相关系数低，对居民负荷状态作统计时还应着重考虑近期的历史负荷状态。因此本实施例采用分日类型的近日负荷状态统计预测方法，给出待预测日的负荷状态的概率估计。
[0028]
实施例二
[0029]
如图3所示，本实施例提供了一种实现实施例一所述的基于用户负荷状态分析的变输入结构的负荷预测方法的用户负荷预测模型。按照相关程度筛选输入的历史负荷，使其与待预测日负荷最为相关，而固定输入结构的预测模型，则按照固定的时滞期选择，由于用户负荷具有高度的不确定性，按照固定的时滞期选择历史负荷，无法保证输出量与输入因素之间的相关性。因此，变输入结构的用户负荷预测模型，在预测原理上就比固定输入结构的用户负荷预测模型更先进。