CN113282646A

CN113282646A - 一种基于用电行为影响因素的日负荷曲线获取方法

Info

Publication number: CN113282646A
Application number: CN202110482182.0A
Authority: CN
Inventors: 汪伟; 唐权; 李新; 陈博; 徐浩; 刘旭娜; 韩宇奇; 乔云池
Original assignee: Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd
Current assignee: Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date: 2021-04-30
Filing date: 2021-04-30
Publication date: 2021-08-20

Abstract

本发明公开了一种基于用电行为影响因素的日负荷曲线获取方法，首先获取电力用户的用电量及用电行为的潜在关联因素；再利用关联性互信息分析模型进行分析得到用电行为的关联因素列表；选择关联因素列表中的最强关联因素输入已构建好的相关性非参数回归模型中得到各最强关联因素与用电行为的相关性量化结果，预测出用户日负荷曲线；对各最强关联因素进行敏感强度分析。以园区用户侧需求为导向预测出的用户日负荷曲线，能直击用户用能痛点，深度挖掘用户信息，打破能源界限，为数据流、能源流、业务流的“三流合一”打下基础，为用户用能管理的用户侧实际情况分析提供依据，探知用户个性化服务需求。

Description

一种基于用电行为影响因素的日负荷曲线获取方法

技术领域

本发明涉及能源分配分析领域，具体涉及一种基于用电行为影响因素的日负荷曲线获取方法。

背景技术

随着终端用户数据的急剧增长和用户个性化服务的需求不断增强，用户用电行为的分析也势必朝着更大规模、更多维度、更高效、更精细化的方向发展。

客户用能行为往往因客户行业特征差异、外部环境变化、客户用能计划波动等诸多因素而具有较大不确定性，一直以来都是电力***分析领域的难点。随着我国社会经济的持续发展以及产业结构的不断调整，电力客户的用能需求正呈现多维度的发展趋势，对同一行业的不同客户，其用能行为的差异化日益明显，仅以行业类别、电价类别等特征进行客户用能特征识别已无法挖掘足够的信息。

针对上述背景，迫切需要结合我国市场环境，全面思考用户用能痛点，从用户用电行为影响因素出发深度挖掘用户的服务需求信息，改善客户用能感受，从而统筹能源管理提高能效、打造为用户创造价值的能源服务新样版。

随着能源互联网的建设、推广和应用，用户端各用能环节逐渐被信息通信技术联系，潜藏着海量用户用能行为习惯的数据资源大量汇集，智慧能源服务设计也从以产品为中心转变为以客户为中心，从单一产品转变为多种能源产品服务。

如何构建体系化的用户用能行为影响因素关系，利用智慧能源互联网的大数据技术特征提取用户用能特征，明确不同用户集群的用能倾向及行为轨迹，准确感知用户需求，帮助用户更好的了解到自己各方面不同的需求，帮助服务提供商具有针对性的向用户提供服务，从而制定最优的配电策略。

发明内容

本发明所要解决的技术问题是：现有技术中获得的用户日负荷曲线单一，只能机械地展现出预测的用户日负荷，而不能体系化考虑到用户用能行为影响因素，无法提取用户用能特征，明确不同用户集群的用能倾向及行为轨迹，准确感知用户需求，帮助用户更好的了解到自己各方面不同的需求，帮助服务提供商具有针对性的向用户提供服务从而制定最优的配电策略，本发明提供一种基于用电行为影响因素的日负荷曲线获取方法，以解决上述问题。

本发明通过下述技术方案实现：

本发明提供一种基于用电行为影响因素的日负荷曲线获取方法，包括步骤：

S1、采集电力用户的用电量及用电行为的潜在关联因素；

S2、基于S1利用关联性互信息分析模型进行分析得到用电行为的关联因素列表；

S3、选择关联因素列表中的最强关联因素输入已构建好的相关性非参数回归模型中对用户用电行为进行预测，得到用户日负荷曲线；

S4、基于用户日负荷曲线对各最强关联因素进行敏感强度分析。

本发明依托大数据分析方法，研究用户用电行为相关影响因素及关联性、相关性，利用互信息理论(关联性互信息分析模型)对与用户用电相关的各类因素进行分析和排序，找出了与用户用电行为最相关的因素(最强关联因素)，并剔除对用户用电行为影响较小的因素；再基于相关性非参数回归模型重点分析最强关联因素对用户用电行为间的相关性，建立精细化的用户用电行为影响相关性非参数回归模型，识别和预测不同外部环境下的用户用电行为得到各最强关联因素与用电行为的相关性量化结果，得到用户日负荷曲线；然后基于弹性理论量化分析用户用电行为影响因素的敏感强度，一方面可以更好的了解到电力用户各方面不同的需求，帮助电力用户合理用电，进一步理解用户用电行为，把握用户用能倾向；另一方面，帮助供应商有针对性的向用户分配电能，从而制定出最优的分配策略。

进一步优化方案为，所述用电行为的潜在关联因素包括：气象因素、经济发展水平因素、产业结构调整因素、能源技术因素和需求侧管理因素；

经济发展水平因素至少包括电价因素；经济发展水平是电力需求增长的第一驱动力，是长期影响负荷特性的宏观因素，一般来说经济发展水平越高，电气化程度越高，居民人均生活用电量越高，影响负荷率水平趋于下降，电网的峰谷差会增大。

能源技术因素，电力增值服务中的能效电厂、合同能源管理等方案都旨在推广一系列节能技术，如绿色照明技术、交流电动机调速运行技术、变压器经济运行技术、高效电加热技术、无功补偿技术、热电冷联产技术等等。对需求侧而言，节能技术带来最直观的效益在于节约电费，延长了设备的使用寿命；对供应侧而言，由于节电技术的推广，减少了电网冲击性的负荷，减小了峰谷差，平稳了负荷曲线，提高了电能质量，而节约的能源相当于一座虚拟电厂，延缓了电网建设。而对于高耗电产业，如电炉钢产业、电解铝产业、铁合金产业、水泥产业、合成氨产业等，都有一系列针对其生产工序的节能措施，通过分析企业的用电设备运行情况，掌握负荷分布，寻求优化改进方向，结合工艺优化，逐步落实。不仅能够节约电能，而且能合理调整负荷，降低高峰负荷，增加低谷负荷，最终为电网稳定运行做出贡献。

基于激励的需求响应是指把用户的负荷作为电网的调频和备用容量，在电网出现功率缺额时切断已经签订过调频备用协议的负荷，保证电网的安全和可靠性运行。在以往的日前电力调度时，会在机组经济分配过程中为电网预留调频和备用容量，这部分容量可以说是低效而高成本的，为了电网的可靠性而损失经济性的做法；未来的智能电网中分布式电源大量运用，由于分布式能源发电的随机性，其接入给电网造成了很大的威胁，供电公司必然要为之准备更多的调频和备用容量，这一做法即不经济而且也不现实。

基于激励的需求响应通过对参与用户进行直接切除负荷控制或者负荷周期性控制，在确保电网安全稳定运行的同时，达到削峰填谷或者移峰填谷的作用，实现电力资源的优化配置，所以参与用户的负荷率会提高，峰谷差会降低，尤其对负荷高峰日的负荷曲线形状有很大影响。此外，基于电价的需求响应对电网负荷特性的也具有一定的影响；合理的分时时段划分和相应的各时段电价，能起到削峰填谷的良好效果。基于电价较基于激励的需求响应而言，是一种间接改变负荷特性的方式，用户只有在乎电价波动，主动改变自己的用电行为，尽可能避开高峰时间用电，采取转移用电、放弃用电或者采用一些储能设备如蓄冰(冷)空调、蓄热电锅炉等方式，才能达到提高***日负荷率的效果。所以基于电价的需求响应的时段划分必须和负荷曲线的实际情况相一致，分时价差比例要在评估用户需求响应能力的前提下合理制定，才能利于指导用户选择合理的电力消费模式，优化电网的负荷特性曲线。

气象因素至少包括：温度因素、湿度因素、降雨量因素、日照强度因素、天气情况；其中温度因素对用户用电行为的影响程度最大。从近几年的统计数据资料可以看出，气象因素对电网的最高负荷有很明显的相关性，主要表现在对第一产业、第三产业和居民生活负荷的影响很大，但对电网用电量的影响稍弱，因为占总用电量比重最大的第二产业用电量相对稳定。

能源技术因素至少包括：绿色照明技术、交流电动机调速运行技术、变压器经济运行技术、高效电加热技术、无功补偿技术、热电冷联产技术。

进一步优化方案为，步骤S2包括以下子步骤：

S21、将各电力用户的时序用电量序列作为解释变量X，各潜在关联因素序列作为条件变量Y；

S22、将解释变量X和条件变量Y进行变量域离散化处理得到二者之间的互信息；

S23、根据解释变量X和各条件变量Y之间的互信息得到关联因素列表。

进一步优化方案为，解释变量X和条件变量Y的互信息表示为：

式中：M为解释变量X和条件变量Y所有取值的个数和；N_i为解释变量X的区间数量；M_i为解释变量X落在第i个区间的数值个数；N_j为条件变量Y的区间数量；P(y_u)为条件变量 Y落在第u个区间的概率；M_uv为当条件变量Y落在第u个区间时，解释变量X恰好落在第v 个区间的数值个数。

本方案利用互信息理论对与用户用电相关的各类因素进行分析和排序，揭示与用户用电行为最相关的因素，并准确剔除对用户用电行为影响较少的因素，从而降低用户用电行为影响因素建模的复杂度并提高分析精度。

在用户用电行为影响因素的识别和筛选过程中，将各个用户的时序用电量数据序列作为解释变量X，各潜在关联因素数据序列作为条件变量Y；Y和X之间的互信息大小反映了潜在关联因素与用电量之间的关联程度。

对于用户群体G_k(k＝1,…,n)，假设其中p个用户的用电量数据序列构成数据集 X_D＝{X₁,X₂,…,X_p}，l种潜在关联因素的数据序列构成数据集Y_D＝{Y₁,Y₂,…,Y_l}，则G_k(k＝1,…,n) 中各用户用电量与各潜在关联因素之间的互信息可表示为：

式中：X_i∈X_D；Y_j∈Y_D；Y_j与X₁,X₂,…,X_p之间互信息的平均值，即平均互信息，可以表示为：

对用户群体G_k(k＝1,…,n)，可利用平均互信息评价潜在影响因素Y_j与用户用电行为之间的关联关系强弱：平均互信息越大，二者之间的关联性越强。对平均互信息大于0的关联因素进行排序，形成用电行为的关联因素列表。

进一步优化方案为，步骤S3包括以下子步骤：

S31、获取包含最强关联因素的历史数据和对应的日负荷曲线时序数据构建历史数据库；

S33、基于状态向量模型在历史数据库中查找与当前最强关联因素匹配的K个近邻状态；

S34、采用权重预测算法计算出各最强关联因素与用户用电行为的相关性量化结果；

S35、基于各最强关联因素与用户用电行为的相关性量化结果得到用户日负荷曲线。

进一步优化方案为，S34中权重预测算法计算公式为：

其中L_hi(t),i＝1,2,...,K，表示与当前最强关联因素匹配的K个近邻状态对应的日负荷时序数据，d_i表示当前最强关联因素和K个近邻状态间的距离。

关联性互信息分析模型对大量影响因素进行了初步分析，而要深度挖掘影响因素与用电行为之间的关系，还需要提炼各种因素影响用户行为的内在机理和影响过程，从而进一步理解用户用电行为。

基于此，本方案基于k-NN(k-最近邻)算法，重点分析最强关联因素对用户用电行为间的相关性，建立精细化的用户用电行为影响相关性非参数回归模型，以识别和预测不同外部环境下的用户用电行为，得到用户日负荷曲线为用户提供满足其需求的差异化优质电力增值服务的前提条件。

非参数回归预测方法适合于非线性的且***是动态的智能方法；是一种以数据为驱动的预测方法，在预测过程中，该方法不需要任何的先验知识，只需要足够多的历史数据即可得到满足预测精度要求的预测结果，其本质是将当前状态向量与历史数据库中状态进行模式匹配，在历史数据库中找寻与当前状态相似的历史状态，并将其应用于状态预测。

非参数回归的核心思想是：参数的模式识别方法，即将以前搜集到的数据经过一定的优化处理当成历史数据库，并在历史数据库中搜寻与历史数据最优匹配的近邻值，并把其应用于下一时刻的预测。该方法认为所有需要的信息都可以在历史数据库中进行匹配，而不是利用历史数据去建立相似模型的方法，因为近似的模型往往是理想的，是对历史数据进行一定处理的，无法还原真实的情况；其原理流程如图2所示。该种方法直接从历史数据得到信息，全过程没有设置参数，更好地符合用户用电行为影响因素分析的复杂性、不确定性和非线性的特点。

如果仔细研究用户用电行为影响因素分析这一问题，我们可以发现非参数回归方法极为适合这一场景，体现在以下几点：用户用电行为具有复杂的时变性且与多种影响因素存在关联性，要用一些参数和数学表达式将用户用电行为的特性完整地表达出来是不现实也是不可能的，而非参数回归方法正好可以很好的应对这个问题；非参数回归方法能够进行预测的理论基础是用户用电行为的历史重复性，即待预测的状态模式能在数据库中找到相似的状态。另外用户用电行为与影响因素间存在一定的因果关联关系，而非参数回归方法正是能寻找到这种因果关系的本质；非参数回归是建立在大量的历史数据之上的，因此要求历史数据库中的数据要尽可能得丰富，基于大数据技术的用户多维信息库的建立给非参数回归建立了数据基础；用户用电行为分析与预测并不要求具有很强的实时性，这一情况可以很好地减小非参数回归在计算时间上的劣势；可见，非参数回归方法可以很好地适用于用户用电行为影响因素分析。

k-NN算法是以历史状态到当前状态的距离为基础，只利用距离当前点最近的K个历史状态估计相应的预测值；基于k-NN算法的影响因素相关性非参数模型算法流程如图3所示；具体为：

(1)创建历史数据库

历史数据库是由历史数据构成，根据最强关联因素与用户用电行为间的相关性，因此历史数据库中应包含最强关联因素和日负荷曲线时序数据，具体数据可从多维用户信息库中提取；历史数据库的规模并不是越大越有利于预测结果，当然规模选取太小肯定也不合适，它的规模由被研究问题的复杂程度，历史数据的特征来决定。假如历史数据呈现很有规律的时空分布，抑或是分布较为集中，那么我们在选择时，就会选择规模相对较小的历史数据库；反之，假如历史数据在空间分布地杂乱无章，且数据分布很分散，此时则需要大大提高历史数据库的规模。

由于用户的用电行为规律性较强，经研究发现，历史数据库涵盖用户5年以内的相关信息即可满足精度要求，采用更大规模的数据不仅易产生过拟合的问题还大大降低了算法效率；此外，由于用户用电行为受温度的影响较为强烈，因此历史数据库根据季节分别进行构建。

(2)状态向量的构建

使用当前状态在历史数据中寻找相似情况的过程中，需要一个指向标来明确当前状态如何去历史数据库中找寻相似的近邻点，状态向量就是对这个指向标的描述。k-NN算法中，对状态向量的构造并没有固定的要求，但状态向量构造必须兼顾算法的运行效率以及能够反映出影响因素和用电行为的主要因果关系。考虑到本方案目已有数据的实际情况、算法的效率及工程限制，故将状态向量构造为：

V＝{L(t-7),L(t-1),T(t),P(t),S}

式中：L(t-7),L(t-1)分别为用户上周同日类型的日负荷时序数据、用户前一天日负荷时序数据；T(t)为用户当日的气温预测时序数据；P(t)为用户当日的电价时序数据，即拟采用的分时电价；S表征当前的季节，S∈{1,2,3,4}，分别代表春季、夏季、秋季和冬季。

上述状态向量的构建过程中需要根据原始数据进行一定的预处理，主要有以下两点。

避免数据出现“断崖式”的空白，上述时序数据均采用等时间间隔步长，缺值数据可采用插值法估计。

由于上述时序数据的量纲均不相同，因此需对数据进行归一化，本方案采用基于min-max 准则的线性归一化方法。

(3)历史数据匹配

k-NN算法中采用的相似数据搜索策略是进行最近邻搜索算法，即在历史数据中查找与待预测状态最接近的K个状态。这一搜索策略中，涉及到两个基本问题：一是数据相似性定义，即如何构建向量距离度量准则，判定两个状态是相似的；二是K值的选择问题，K值并非越大越好，倘若K等于历史数据库的大小，使用非参数回归进行预测将变得毫无意义，但K值太小就会增加随机因素对***的干扰。

首先，对于向量距离的度量，特征空间中两个实例点的距离可以反应出两个实例之间的相似程度，所以定义距离来表征其相似度。利用这个距离度量准则就可以寻找近邻。距离度量的表示法有很多种，本方案采用曼哈顿距离，两n维向量曼哈顿距离计算公式表示为：采用两个n维向量间曼哈顿距离，如下式：

曼哈顿距离也是欧几里得空间中的一种定义，但它不是空间两点之间直线距离，而是两点连线对固定空间直角坐标系的坐标轴所产生的投影长度之和。其次，在选择临近值K时，历史数据分布分散不均匀时，K值选取较大；历史数据分布集中稠密时，K值选取较小。本方案通过取不同的K值得到不同的预测结果下找到一个最优K的取值。

(4)预测算法

经过历史数据匹配后可选出K个近邻，其相对应的日负荷时序数据表示为 L_hi(t),i＝1,2,...,K，当前状态和K个近邻间的距离用d_i表示。本方案采用权重预测算法进行预测：实时数据和历史数据库中数据的距离越小，其相关程度越大，因而在预测算法中所占的权重应该也越大，与距离成反比的关系。

预测算法的计算公式为：

综上，面对所设定的当前状态(当前最强关联因素)，基于k-NN算法的非参数模型通过搜索历史数据库，对用户用电行为进行预测，因而明确并量化了用户用电行为和最强关联因素相关性。

进一步优化方案为，当最强关联因素为电价因素时，对电价因素与用电行为的相关性量化结果进行敏感强度分析方法为：

T1、根据电量电价典型需求曲线获得电量电价弹性系数；(电量电价典型需求曲线如图4 所示)

T2、根据电量电价弹性系数推出电量电价自弹性系数和电量电价交叉弹性系数；

T3、根据电量电价自弹性系数和电量电价交叉弹性系数及电价模式获得电量电价弹性矩阵进而得到敏感强度分析结果。

进一步优化方案为，将电量电价典型需求曲线进行线性化处理得到电量电价弹性系数：

式中：Δq和Δp分别表示电量q和电价p的相对增量。

进一步优化方案为，

电量电价自弹性系数表示为：

电量电价交叉弹性系数表示为：

式中：i，j代表不同的时间段；电量电价弹性矩阵表示为：

进一步优化方案为，所述电价模式包括：实时电价模式、峰谷分时电价模式和固定电价模式；在峰谷分时电价模式时，i，j可表示为i，j∈{f，p，g}；其中f，p，g分别代表峰时段、平时段、谷时段。

不同电价模式下的电量电价弹性矩阵的计算方法有所差异，现有电力市场中电价分类主要有以下几类：

24h(或48个0.5h)实时电价：每lh(或0.5h)电价变化一次，主要适用于大型的工业和商业用户。这类用户用电量大，且具有较高的测量和通信技术，能较快地获取电价信息，有较强的电价反应能力。

峰谷分时电价(TOU)：将一天分为2—3个阶段，即高峰期、低谷期和平均负荷期，每一阶段的电价是不一样的，每天这几个阶段的起止时间和具体电价也各不相同。这种电价主要适用于中型的工业和商业用户，它们不需要特别高的测量和通信技术，其采集电价信息的周期为月或日。

固定电价：价格可以数月或1年更新一次。用户不需要专门的测量和通信***，一般一个地区同一类用户的电价都相同。

由于目前我国主要实行峰谷价格和时段不变的峰谷分时电价(TUO)，因此上式中的i，j 可表示为i，j∈{f，p，g}；f，p，g代表峰、平、谷时段。对于某时间段1～n，得到电量电价弹性矩阵，表示为：

当最强关联因素为温度因素时，对温度因素与用电行为的相关性量化结果进行敏感强度分析方法为：

1)气象敏感负荷的提取：影响电力负荷的因素中最主要的是社会经济发展的影响(经济负荷L_t)，气象条件及其他随机变量则是负荷变化大趋势下的波动。研究气象因素(气象敏感负荷L_m)的影响，必须将从总负荷(原始负荷L)中提取出来。

原始负荷L可以初步定义为：L＝L_t+L_m+X

式中，L是原始负荷；L_t是经济负荷；L_m是气象敏感负荷；X是随机负荷。

由于大多数地区的国民经济增长处于均匀状态，故经济负荷一般可表示为：

L_t＝At+B式中，A、B为常数，t为时间。

随机负荷X比较复杂，对总负荷的影响较小，因此可以忽略不记。因而气象敏感负荷可以表示为：L_m＝L-L_t

通过线性回归方法从经济负荷曲线中拟合出经济负荷模型，然后由上式可以得到气象敏感负荷模型。

2)温度敏感度评定指标

用相关性分析方法可以分析得出温度是影响气象敏感负荷的最主要因素。在夏季时，温度越高，气象敏感负荷越高，呈正相关；在冬季时，温度越低，气象敏感负荷越高，呈负相关。

气象敏感负荷与温度是实时对应的，在对某一时段进行研究时，在不同日期相同温度时，负荷变化不一定相同，可能会出现同一个温度对应几个不同的负荷值的情况。因此可将温度对应的所有负荷值取平均值，形成了气象敏感负荷与温度一一对应的序列。按照上述方法，分别得到各个时段气象敏感负荷与温度数据2个序列。

本方案根据大量研究发现，温度和气象敏感负荷拟合的关系较好，呈现明显的二次相关性。故基于气象敏感负荷与温度的回归方程可以建立如下气象敏感负荷与温度的关系模型：

L_mn(T)＝a_nT²+b_nT+c_n

式中，n表示每日的各个时段，n＝1,2,3,K 96；T表示温度，T_min≤T≤T_max，T取整数；a_n,b_n,c_n分别为n时段对应的拟合系数；L_mn为n时段对应的气象敏感负荷。

基于上述回归方程，可求得用户在温度T情况下的负荷敏感程度ε_T，即：

可见，同一用户的气象敏感负荷在同一时刻下基于不同温度带时变化单位温度的温度敏感度是不同的。为便于分析，不妨采用分段线性化的思路，将气温划分为几个常见的区间(如 20～25℃、25～30℃、30℃以上或5℃以下、5～10℃、10～15℃)，在各区间内线性拟合二次回归方程，并用此区间的斜率表征该区间的负荷敏感程度。故用户在温度区间[T₁,T₂]内负荷敏感程度ε_T1,T2可表示为：

为进一步明确不同用户间的温度敏感程度差异，本方案提出构建温度敏感度评定指标η；基于负荷敏感程度ε_T1,T2，模拟用户的温度敏感负荷在夏季(或冬季)与过渡季节(春季、秋季)间的差异，并结合用户平均负荷测算其温度敏感度评定指标，数学模型表示为：

或

式中：λ为比例系数，本方案中取2；T_cq为过渡季节(春季、秋季)的平均气温；T_max为夏季最高气温；T_min为冬季最低气温；L_pre为用户平均负荷；N为温度区间的数目。

为不失一般性，本方案采用夏季与过渡季节(春季、秋季)间的负荷情况来计算用户的温度敏感度评定指标，并设定T_cq＝20℃、T_max＝35℃，故温度区间划分为[20,25]、(25,30]、(30,35]。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明提供一种基于用电行为影响因素的日负荷曲线获取方法，以园区用户侧需求为导向，直击用户用能痛点，深度挖掘用户信息，打破能源界限，为数据流、能源流、业务流的“三流合一”打下基础，为后续用户用能管理分配的发展提供策略参考；

2、本发明提供一种基于用电行为影响因素的日负荷曲线获取方法，利用能源互联网大数据分析技术充分挖掘园区用户用能数据的价值，厘清不同用户的个性化需求和行为特征，构建用户行为影响因素关联关系模型，为用户用能管理的用户侧实际情况分析提供依据，探知用户个性化服务需求。

3、本发明提供一种基于用电行为影响因素的日负荷曲线获取方法，不仅获得不同用电行为影响因素下的日负荷曲线，还可以量化这些影响因素的影响强度，量化用户用电需求及用电行为轨迹与各相关因素的关联程度。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。

在附图中：

图1为本发明方法流程示意图。

图2为非参数回归方法预测流程示意图。

图3为基于k-NN算法的影响因素相关性非参数模型算法流程示意图。

图4为典型的需求曲线示意图。

图5为实施例园区所在地各月度平均气温分布示意图。

图6为实施例夏季典型日逐时负荷模拟示意图。

图7为实施例冬季典型日逐时负荷模拟示意图。

图8为实施例过渡季典型日逐时负荷模拟示意图。

图9为实施例用户用电量与关联因素的互信息分析结果示意图。

图10为2018年1月1日预测结果对比示意图。

图11为2018年7月1日预测结果对比示意图。

图12为2018年1月1日预测结果相对误差示意图。

图13为2018年7月1日预测结果相对误差示意图。

图14为实施例电量电价弹性矩阵结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

一、园区基本情况：本实施例选取的园区用户所处行业涵盖农业、普通制造工业、印刷业、运输业(航空运输、铁路运输)、食品加工业、电子设备制造业、仓储业、建筑业等领域，电力负荷包含10kV和110kV两个电压等级；地理气象方面，全年的平均温度为14.3℃，7月份为一年中最热的时间段，平均温度可达27℃，1月最冷，平均温度为2.1℃，全年太阳光照时间为2400小时，年平均风速为2.1m/s。

根据各用户的基础用能数据和实际用能情况，可以进行综合能源产品的设计和能源市场的潜力、定位认识，验证本发明目所述方法的可靠程度。

表2典型用户具体情况

二、园区冷热电负荷情况：由于各类负荷的逐时数据影响着综合能源服务产品的设计配置及其对应的市场运营策略，因此需要基于电力营销***、能耗软件对工业园全年逐时冷、热、电负荷的精确数值进行统计和模拟。

1、园区电能负荷统计方法：电力负荷方面，该园区建有完备的电能智能计量***，选取36个用户历史电力负荷数据(采样周期为15min)。

2、园区冷热能负荷模拟办法：冷热负荷方面，该园区各用户的冷热负荷监测水平良莠不齐、采暖制冷形式各有差异，缺乏统一口径的统计数据，故方案组采用能耗软件对36个典型用户的全年逐时冷热电负荷的精确数值进行模拟；考虑到所研究用户主要为普遍工商业而非高能耗重工业企业，因此冷热负荷模拟主要考虑用户的建筑冷热能耗。

(1)气象数据获取

气温、湿度、太阳辐照强度等气象数据是冷热负荷模拟的基础，本实施例基于国家气象信息中心数据库和HOMER软件综合提取园区所在地历史时期的气象资料。考虑到国家气象信息中心所提供气象数据的粒度和历史统计范围有限，本实施例运用了Homer软件进行辅助分析。园区所在地各月度平均气温分布情况如图5所示。

(2)基于DeST软件的冷热能负荷模拟

目前国外研究模拟逐时负荷软件的时间负荷较早，种类较多如Energy Plus、DOE-2，而国内具有代表性的是由清华大学开发的DeST软件；本实施例采用DeST软件来对工业园区冷热逐时负荷进行模拟；根据当地气候分布条件，将全年分为冬季采暖、夏季制冷和春秋过渡季三种运行时段，建筑各季节的运行小时数如表2所示；建筑模拟相关参数设置主要根据公共建筑节能设计标准和基本使用情况来确定，见表3。

表3园区建筑各季节运作时间

表4园区建筑模拟的相关参数

(3)园区多能负荷统计及模拟情况 36个典型用户的平均电负荷及其负荷率情况如下表所示。

表5各典型用户平均电负荷统计情况

在统计周期内，36个典型用户的平均电负荷合计257.98MW，平均负荷率为57.59％。其中，平均负荷最高的为19号用户，负荷高达214020.5kW(负荷率为84.93％)。

平均负荷率最高的3个用户为3号用户、8号用户和13号用户，其平均负荷均高于其报装合同容量，负荷率分别为127.94％、115.42％和161.33％。其中13号用户平均负荷高于报装合同容量超过50％，经统计发现，该用户最高负荷为6700.5kW，超过其报装容量196.46％。

平均负荷率最低的3个用户为36号，34号和35号用户，负荷率分别为4.33％、5.99％和 7.18％。其中36号用户最低负荷为4.8kW，此时的负荷率已低于1％。考虑到所研究的典型用户均为工商业用户，因此猜测是部分计量负荷数据存在误差，导致计算结果出现较大偏差。

根据研究发现，该园区上述典型用户的全年电负荷发布较为均匀，存在一定的季节性特征，表现为夏季、冬季负荷较过渡季(春季、秋季)稍高，故基于DeST软件模拟工业园36 个典型用户的冷、热逐时负荷。

总体而言，园区典型用户的冷、热负荷相较于电负荷存在较大的季节性特征：热负荷主要出现在冬季，全年的热负荷情况大概分布在500kW～40MW，约占电负荷的20％以内；冷负荷主要出现在夏季，主要分布在0～60MW，约占电负荷的25％以内。以下对夏、冬、过渡季典型日的冷热逐时负荷进行具体分析。

如图6所示，夏季工业园建筑需求负荷主要为冷负荷，一般在0:00～6:00时段冷负荷需求相对来说较低，上午7:00～10:00、下午14:00～16:00、晚间20:00～22:00这三个时间段为冷负荷需求量最大，最高可达50MW以上。夏季的热负荷一般为热水(采暖)负荷，相对来说较少，大概在500kW左右。

如图7所示，冬季工业园区中建筑负荷主要是热需求，在0:00～6:00时间段内的热负荷是最低的，7:00～17:00和晚上19:00～22:00这两个时间段内的热负荷是最高的。在高峰期时的热负荷可以达到30MW以上。此外，冬季全天一般无冷负荷需求。

如图8所示过渡季热、冷负荷的需求量相比于冬、夏季负荷需求量大为下降：全天冷负荷需求量基本稳定在500kW左右；0:00～6:00时段冷负荷需求最低，上午7:00～10:00、下午 14:00～16:00、晚间20:00～22:00三个时段热需求量最大。

用户用电行为影响因素分析

1、影响因素关联性分析

利用关联性互信息分析模型进行分析得到用电行为的关联因素列表：用户用电量与多种社会经济因素存在不同程度的关联关系，而同一种社会经济因素对不同用户群体用电量的影响程度亦存在差异。利用互信息理论对与用户用电相关的社会经济因素进行分析和排序，可以揭示与精确用电量预测最相关的因素，并准确剔除对用电量预测贡献较少的因素，从而降低用电量预测建模的复杂度并提高预测精度。

本方案所研究的36个典型用户涵盖农业、普通制造工业、印刷业、运输业(航空运输、铁路运输)、食品加工业、电子设备制造业、仓储业、建筑业等8大领域，以该8类行业的行业景气指数，作为用户用电量潜在关联因素。

此外，还要考虑人均可支配收入、社会消费品零售总额、总GDP、生产价格指数、居民消费价格指数、第一与第二和第三产业GDP、进出口贸易额、道路总里程数、电力价格指数、月平均气温，这12种因素与用户所处区域相关。

将上述8+12种因素作为用户用电量潜在关联因素，构建潜在关联因素数据集Y_D。

将36个典型用户的月度用电量数据作为解释变量，20种潜在关联因素的月度数据作为条件变量，分析解释变量与条件变量之间的互信息，结果如图9所示：图中每行代表一个用户，每列代表一种潜在关联因素，每个色块的颜色表示用户用电量与潜在关联因素的互信息值，互信息值越大，说明用户用电量与该因素的关联程度越高。求得各因素与用户用电量的平均互信息，并选取列表中排名前5的强关联因素，包括：电力价格指数、月平均气温、所在区域的GDP、居民消费价格指数、第二产业GDP。求取各因素与用户用电量的平均互信息，并选取列表中排名前5的最强关联因素，结果见下表。

表6关联因素的平均互信息值

由上表可知，5种最强关联因素包括：电力价格指数(Y20)、月平均气温(Y19)、所在区域的GDP(Y11)、居民消费价格指数(Y13)、第二产业GDP(Y15)。可见本方案将气温和电价作为用户用电行为的主要敏感因素是合理的。

(1)影响因素关联性分析(k-NN非参数负荷预测模型)

本实施例以用户1为例进行具体分析和叙述。用户1为普通制造业用户，合同容量为 1000kVA，电压等级为10kV，执行非居民照明电价(1～10KV)。提取用户近六年来历史电力负荷数据，考虑温度逐时数据、电价时段数据两大主要敏感因素，采用15min间隔的数据粒度，对k-NN非参数模型进行训练，预测2018年7月1日电力负荷值并与真实值进行比对，结果如图10和图11所示。可见，预测负荷曲线与实际负荷曲线基本吻合，可见k-NN非参数模型进行负荷预测的精度较高。同时根据图12和图13可知，这里预测相对误差在10％左右，且波动幅度较小，能够有效地对负荷情况进行预测，验证了本方法可行性。

同时，可发现7月1日的负荷曲线预测情况明显优于1月1日，造成这一结果的原因主要包括：1月1日为法定节假日，负荷情况存在特殊性，但负荷历史数据不够完整、质量不高，导致训练模型初始参数难以选取且预测效果不佳。因此，完善计量监测设备，提升数据的广度、粒度和准确度是实现精准预测的基础。

(2)影响因素敏感强度分析

1)电量电价弹性矩阵

由于电量电价弹性矩阵包含自弹性系数和交叉弹性系数，交叉弹性系数对数据采集和分析求解的要求极高，因此，有必要探讨电量电价矩阵的简化求解方法。

对于不同的用户和不同的电力市场电价类型，电量电价矩阵的非零元素分布不同：

用户只知道当前时刻i以前的电价(时刻1～i的电价)，则矩阵只有下三角有非零元素(如图14中a)；用户对于整个时间段1～n的电价信息都是可知的，且用户对电价较敏感能够在较长的时间段里重新调整他们的用电量，则非零元素沿对角线分布较宽(如图14中b)；用户对于整个时间段1～n的电价信息都是可知的，但只能在较小的时间范围内调整他们的用电量或对电价不太敏感，则非零元素沿对角线分布较窄(如图14中c)由于河南省目前实行时段和价格不变的峰平谷电价，因此电量电价弹性矩阵的类型应属于图14中(b)(c)。

为进一步简化，本方案假设对于给定的时间间隔l，任意时刻i的电价对时刻(i+l)的同一类电能消费具有相同的影响，即可表示为：

故电量电价弹性矩阵中各元素的计算模型可表示为：

式中：其中p_i+l表示与i时刻相邻距离为l的时刻的电价，ε_l为相应弹性系数，m表示了对i时刻电量有影响的时刻的范围。由于选定的整个时间段为1～n，所以当i+l<1或者i+l>n 时，取

对于如图14中(a)类型用户，ε₁,……,ε_m＝0；对于图14中(b)类型用户所示类型的用户，m的取值较大；对于图14中(c)类型用户所示类型的用户，m的取值较小。

考虑到本方案涉及的园区用户以工业为主，负荷转移能力不强，因此在计算中取m＝2。

采用河南省统计年鉴所提供的各行业近3年用电量数据求取36个典型用户所涉及的普通制造工业、印刷业、运输业等8类行业的月度电量电价弹性矩阵。

这里之所以用行业统计数据来求取月度电量电价弹性，是由于行业统计数据的变化是用户自身对电价变化的响应的宏观表现；而单纯使用单一用户进行计算缺乏普遍性，且对数据要求过高。

下表给出了36个典型用户所涉及的8类行业的电量电价弹性矩阵计算结果，其中常数项代表了其它因素引起的电量的自然增长率。

表7电量电价弹性系数计算结果

行业名称	常数项	ε<sub>-2</sub>	ε<sub>-1</sub>	ε<sub>0</sub>
					农业	0.1535	-0.7021	-0.6328	-1.0886
普通制造工业	-0.0330	-0.0353	-0.0873	-1.8404
					印刷业	0.0574	-0.2506	-0.7102	-2.8581
运输业	0.0803	0.0129	-0.0362	-1.2648
					食品加工业	0.0113	-0.5740	-1.0234	-2.1964
电子设备制造业	0.0143	0.1549	-0.4030	-1.6604
					仓储业	0.0897	-0.1187	-0.2787	-1.2463
建筑业	-0.0090	-0.1286	-0.3926	-3.0434

由上表可以看出，8类行业电量电价弹性普遍表现为典型的互补型特征，即自弹性系数、交叉弹性系数均为负。这是因为当以月为时间间隔时，不同月间的电量的变动主要是由于增加或减少月用电量引起的。对于算例中的情况，当第i月之前月份的电价上涨时，用户由于电费账单的增长，会相应的考虑减少第i月的用电量，反之亦然。

此外，由结果可以看出多数行业的第i月的电量对本月的弹性系数(自弹性系数)绝对值最大，对i-1月的弹性系数(交叉弹性系数)绝对值次之，对i-2月的弹性系数(交叉弹性系数)绝对值最小。这反映出离时刻i越远的时刻的电价对时刻i的电量的影响越小。而部分行业对i-2月的弹性系数(交叉弹性系数)很小，这说明这些行业对离时刻i较远时刻的电价不太敏感。

不同行业的对比情况来看，对电价最为敏感的三类行业为：印刷业、食品加工业和建筑业；最不敏感的三类行业为：运输业、仓储业和普通制造工业。

基于前述弹性矩阵分析方法(其中a_ε取0.25，b_ε取1)，根据上述电量电价弹性矩阵计算结果，可计算36个典型用户的电量电价敏感程度，如下表所示。

表8各典型用户电量电价敏感程度

2)温度电量敏感度

近年来，随着经济的增长和人民生活水平的提高，全社会用电负荷不断提高；负荷有很好的季节变化，夏季(6、7、8、9月)、冬季(12、1、2月)偏高。这是由于夏季是生产旺季，用电量自然多，特别是气温较高时，各种制冷设备被大量使用，用电量大幅度增加；冬季负荷主要为生产负荷与取暖负荷。

基于郑州市历史气象数据和36个典型用户的电力负荷数据，用相关性分析方法得出气象敏感负荷与温度间的相关系数，在3:00、7:00、11:00、15:00、19:00和23:00时的相关系数分别为0.931、0.744、0.957、0.714、0.850、0.904。

由于气象敏感负荷的影响因素很多，研究气象敏感负荷与实时温度的关系时，需要对每日的96个时段分别研究，即负荷与温度是实时对应的。在对某一时段进行研究时，在不同日期相同温度时，负荷变化不一定相同，可能会出现同一个温度对应几个不同的负荷值的情况。因此算例中将同一温度对应的所有负荷值取平均值，形成了温度与气象因子一一对应的序列。

按照这一方法，以用户15为例，可根据各时段气象敏感负荷与温度数据2个序列来绘制负荷—温度散点图。由散点图图可知，温度和气象敏感负荷拟合的关系较好，呈现明显的二次相关性，利用Matlab软件建立气象敏感负荷与温度之间的二次回归模型，拟合结果见下表。

表9用户15气象敏感负荷与温度的的敏感度

进一步分析可知，气象敏感负荷随温度变化的规律(其他气象条件不变):温度每升高1℃， 20～25℃为弱感区，气象敏感负荷平均增大0.6573kW；25～30℃为强敏感区，气象敏感负荷平均增大1.7677kW；30～36℃为强敏感区，气象敏感负荷平均增大1.1603kW。

进一步地，根据前述影响因素分析方法，可求解用户15的温度敏感度评定指标：

同理，可计算36个典型用户的温度敏感度评定指标，如下表所示。

表10各典型用户温度敏感度评定指标

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。