CN115936184A - 一种适应多用户类型的负荷预测匹配方法 - Google Patents
一种适应多用户类型的负荷预测匹配方法 Download PDFInfo
- Publication number
- CN115936184A CN115936184A CN202211402815.3A CN202211402815A CN115936184A CN 115936184 A CN115936184 A CN 115936184A CN 202211402815 A CN202211402815 A CN 202211402815A CN 115936184 A CN115936184 A CN 115936184A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- user
- similarity
- load prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 167
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 238000010835 comparative analysis Methods 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000013213 extrapolation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007667 floating Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种适应多用户类型的负荷预测匹配方法,包括以下步骤:步骤1、采集不同用户的用电负荷数据,对负荷数据进行预处理;步骤2、基于步骤1预处理后的用户用电负荷数据集Ω,通过K‑means聚类分析方法对用户类型进行分类;步骤3、对不同负荷预测方法的适用性进行对比分析,形成负荷预测方法库;步骤4、将步骤2聚类后的用户类型与步骤3对比分析形成的负荷预测方法库中的多种负荷预测方法进行匹配,通过相似度来度量不同用户类型与负荷预测方法之间的匹配程度;步骤5、对用户负荷进行适应性预测。本发明能够用于划分电力用户类型,并对不同电力用户类型及其适用的电力负荷预测方法进行匹配。
Description
技术领域
本发明属于电力***负荷预测技术领域,涉及一种负荷预测匹配方法,尤其是一种适应多用户类型的负荷预测匹配方法。
背景技术
电力负荷预测是在综合考虑政治、经济、气候等因素的基础上,根据已有的用电数据来预测之后的用电需求;是电力***制定生产计划、进行营销决策的重要基础,也是满足电力供需平衡的重要保证,为电网规划建设及企业的生产经营提供数据信息与决策依据,也为电力***安全性、可靠性的提高提供支持。
随着电力市场改革的深化,国家颁布有关开展电网企业代理购电工作的通知,建立电网企业代理购电机制,通过市场化的方式对未直接参与市场交易的工商业用户进行代理购电。在该形势下,需定期预测不同电力用户的用电规模。因此,需要判定用户类型,再根据不同用户类型匹配合适的负荷预测方法,以提高对不同用户负荷预测的针对性与预测精度。
针对目前的新形势,现有电力负荷预测方法的研究多集中于对短期负荷预测与长期负荷预测精确度的算法改进以及单一用电负荷的预测,对于不同用户类型的分类预测的匹配程度还不够高。因此,亟需提供一种新型的适应多用户类型的负荷预测匹配方法来解决上述问题。
经检索,未发现与本发明相同或相似的现有技术的专利文献。
发明内容
本发明的目的在于克服现有技术的不足,提出一种适应多用户类型的负荷预测匹配方法,能够用于划分电力用户类型,并对不同电力用户类型及其适用的电力负荷预测方法进行匹配。
本发明解决其现实问题是采取以下技术方案实现的:
一种适应多用户类型的负荷预测匹配方法,包括以下步骤:
步骤1、采集不同用户的用电负荷数据,对负荷数据进行预处理;
步骤2、基于步骤1预处理后的用户用电负荷数据集Ω,通过K-means聚类分析方法对用户类型进行分类;
步骤3、对不同负荷预测方法的适用性进行对比分析,形成负荷预测方法库;
步骤4、将步骤2聚类后的用户类型与步骤3对比分析形成的负荷预测方法库中的多种负荷预测方法进行匹配,通过相似度来度量不同用户类型与负荷预测方法之间的匹配程度;
步骤5、对用户负荷进行适应性预测。
而且,所述步骤1的具体步骤包括:
(1)对用户的用电负荷数据进行采集,选取用户负荷样本的小时平均负荷数据;
(2)对采集数据进行预处理:
①若用户小时平均负荷数据中存在较多的缺失值和异常值,则将该负荷数据剔除;对小时平均负荷数据中存在个别缺失值的数据采用线性插值法进行补充;形成初始负荷数据p,p的值为经过数据处理后的小时平均负荷数据;
②对剔除和填充处理后的小时平均负荷数据进行归一化处理,形成用户用电负荷数据集Ω={R1,R2,...,Rn};
而且,所述步骤2具体方法为:
根据步骤1经过数据处理的用户用电负荷数据集Ω,采用K-means聚类算法对电力用户进行分类:
而且,所述步骤4的具体步骤包括:
(1)首先计算所采集的用户负荷样本集与预测方法库中负荷预测方法对应样本量之间的相似性度量:
基于Jaccard相关系数来表示用户负荷样本集与负荷预测方法对应样本量之间的相似性度量,用Corsample表示,其计算方法如下:
式中,|Px|表示步骤1中所采集到的用户负荷样本数量个数X,|Py|表示负荷预测方法适用样本量范围的平均值Y,|Px,y|表示用户负荷样本数量X和负荷预测方法适用样本量Y在±10%的波动范围内交叉的部分数量。
(2)其次根据文本相似度来度量负荷预测方法的时间范围适用性:
适用性文本相似度指样本所要进行的预测周期与各负荷预测方法适用周期之间的匹配程度度量,用Cortext表示;
设要比对的样本预测周期与负荷预测方法适用周期的文本向量分别为T1,T2,不同用户类型根据预测时间范围的不同对应文本向量T1=(α1,α2,...,αn),负荷预测方法库中方法对应的文本向量为T2=(β1,β2,...,βn),通过计算T1与T2的内积,利用余弦算法求得二者之间的相似度:
T1·T2=α1×β1+α2×β2+...+αn×βn
(3)再根据用户负荷样本集、负荷预测方法对应样本量之间的相似性度量与负荷预测方法时间范围适用性的文本度量计算总相似度。
(4)总相似度用于表示步骤2用户分类类型与步骤3负荷预测方法库的预测方法之间的匹配程度,是通过上述的样本数据量相似度与时间范围适应性文本相似度,按照用户类型与负荷预测方法匹配时的实际情况确定权重计算,用Cortotal表示。
不同相似度的权重表示分别表示对该相似度指标的信任程度大小,总相似度为负荷样本相似度与预测方法适应性相似度两个子相似度与其对应权重相乘之和,具体计算公式如下:
(5)最后对匹配程度的总相似度计算结果进行排序,将总相似度Cortotal最高的一组用户类型与预测方法进行匹配。
而且,所述步骤5的具体步骤包括:
首先计算步骤1经过数据预处理后的小时平均负荷数据p的一次移动平均值以及二次移动平均值:
式中,pt为用户第t时刻的实际负荷值。α为平滑系数,0<α<1,与预测误差的波动程度有关:当原始数据波动较小时,α可取的较小;而原始数据波动较大时,为了使平滑序列反映数据的变化,α可取的较大。n为移动平均数所取的数据项数。
在得到数据预处理后小时平均负荷数据p的一次移动平均值的基础上计算二次移动平均值:
然后依据二次移动平均法进行预测:
本发明的优点和有益效果:
1、本发明提出一种适应多用户类型的负荷预测匹配方法,其步骤1和步骤2对小时平均负荷的处理,能够辅助电力用户负荷特性分类,更精准地划分电力用户类型。
2、本发明针对目前对多用户类型的预测方法选择还需要在负荷预测方法库中手动进行筛选的问题,提出一种适应多用户类型的负荷预测匹配方法,能够依据不同用户分类对象的负荷样本数量或时间维度在负荷预测方法库中选择合适的负荷预测方法进行匹配,以提高负荷预测方法选择的匹配度。通过提高不同用户类型与预测方法之间的匹配度来提高负荷预测的精度。
附图说明
图1是本发明的处理流程图;
图2为步骤2聚类分析流程图;
图3为步骤3将文本转化为八个方向的预处理规则示意图;
图4为步骤3实施例所展示的两个文本转换示意图;
图5为步骤5匹配方法后的适应性预测结果图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种适应多用户类型的负荷预测匹配方法,如图1和图2所示,包括以下步骤:
步骤1:采集不同用户的用电负荷数据,对负荷数据进行预处理。
所述步骤1的具体步骤包括:
(1)对用户的用电负荷数据进行采集,选取用户负荷样本的小时平均负荷数据;
(2)对采集数据进行预处理:
①若用户小时平均负荷数据中存在较多的缺失值和异常值,则将该负荷数据剔除;对小时平均负荷数据中存在个别缺失值的数据采用线性插值法进行补充;形成初始负荷数据p,p的值为经过数据处理后的小时平均负荷数据;
②对剔除和填充处理后的小时平均负荷数据进行归一化处理,形成用户用电负荷数据集Ω={R1,R2,...,Rn};
具体地,利用min-max归一化方法,将负荷数据值映射到[0,1]区间,min-max归一化处理的具体公式如下:
式中p为经过数据预处理后的小时平均负荷数据,pmin为预处理后小时平均负荷数据值的最小值,pmax为数据预处理后小时平均负荷数据值的最大值,p*为经过归一化处理后的负荷数据值。用户用电负荷数据集Ω={R1,R2,...,Rn}中的数据样本即为经过预处理与归一化处理的负荷数据值p*。
步骤2、基于步骤1预处理后的用户用电负荷数据集Ω,通过K-means聚类分析方法对用户类型进行分类。
所述步骤2具体方法为:
根据步骤1经过数据处理的用户用电负荷数据集Ω,采用K-means聚类算法对电力用户进行分类:
步骤3、对不同负荷预测方法的适用性进行对比分析,形成负荷预测方法库。
在本实施例中,将负荷预测的样本数据量划分为大、小,小样本为数据量小于50的样本,大样本则为数据量大于50的样本;以月度为时间界限将负荷预测方法的适用性划分为中长期与短期。以下通过对比各类负荷预测方法的特征与适用性,形成负荷预测方法库。
产值单耗法根据产值用电平均负荷推算未来用电负荷。该方法适用于中长期的负荷预测,适合样本数据范围为小样本。
回归分析法是通过分析所要预测的值和历史负荷值之间的相互关系,拟合相关方程计算预测值。该方法适用于中长期的负荷预测,适合样本数据范围为大样本。
时间序列法是根据历史负荷值建立电力负荷随时间变化的数学模型,通过负荷预测表达式对未来负荷进行预测。该方法适用于中长期与短期的预测,适合的样本数据范围为小样本。
趋势外推法是基于已知的历史负荷数据值得到拟合曲线,由此预测未来某时刻的负荷数据值。该方法适用于中长期与短期的负荷预测,适合的样本数据范围为大样本。
人工神经网络预测选取过去时间的负荷作为训练样本,用训练算法对构建的网络结构进行训练,使其满足精度。该方法适用于短期的负荷预测,适合样本数据范围为大样本。
模糊预测法利用模糊数学概念描述负荷预测中的模糊现象,更好地处理负荷变化不确定性。该方法适用于短期的负荷预测,适合样本范围为大样本。
灰色***预测是对含有不确定因素的用户负荷数据序列进行预测。该方法适用于中长期与短期的预测,适合样本范围为小样本。
以上方法的适用性对比表如下:
表1负荷预测方法适用性及样本数量对比
步骤4、将步骤2聚类后的用户类型与步骤3对比分析形成的负荷预测方法库中的多种负荷预测方法进行匹配,通过相似度来度量不同用户类型与负荷预测方法之间的匹配程度。
所述步骤4的具体步骤包括:
(1)首先计算所采集的用户负荷样本集与预测方法库中负荷预测方法对应样本量之间的相似性度量:
样本数据量相似度指用户负荷样本的数据量与不同负荷预测方法适宜的数据量之间的匹配相似度度量,基于Jaccard相关系数来表示用户负荷样本集与负荷预测方法对应样本量之间的相似性度量,用Corsample表示,其计算方法如下:
式中,|Px|表示步骤1中所采集到的用户负荷样本数量个数X,|Py|表示负荷预测方法适用样本量范围的平均值Y,|Px,y|表示用户负荷样本数量X和负荷预测方法适用样本量Y在±10%的波动范围内交叉的部分数量。
(2)其次根据文本相似度来度量负荷预测方法的时间范围适用性:
基于余弦算法来计算不同用户类型的样本预测周期与负荷预测方法适用周期之间适用性的文本相似度。在计算适用性文本相似度前需对文本进行预处理,将文本字符划分为八个方向,表示为数值1~8,将“中长期”、“短期”等字符对应笔画的先后及方向表示为向量,把对文本内容的处理简化为向量空间中向量的运算,使问题的复杂性大为降低。
适用性文本相似度指样本所要进行的预测周期与各负荷预测方法适用周期之间的匹配程度度量,用Cortext表示。
设要比对的样本预测周期与负荷预测方法适用周期的文本向量分别为T1,T2,不同用户类型根据预测时间范围的不同对应文本向量T1=(α1,α2,...,αn),负荷预测方法库中方法对应的文本向量为T2=(β1,β2,...,βn),通过计算T1与T2的内积,利用余弦算法求得二者之间的相似度:
T1·T2=α1×β1+α2×β2+...+αn×βn
(3)再根据用户负荷样本集、负荷预测方法对应样本量之间的相似性度量与负荷预测方法时间范围适用性的文本度量计算总相似度。
(4)总相似度用于表示步骤2用户分类类型与步骤3负荷预测方法库的预测方法之间的匹配程度,是通过上述的样本数据量相似度与时间范围适应性文本相似度,按照用户类型与负荷预测方法匹配时的实际情况确定权重计算,用Cortotal表示。
不同相似度的权重表示分别表示对该相似度指标的信任程度大小,总相似度为负荷样本相似度与预测方法适应性相似度两个子相似度与其对应权重相乘之和,具体计算公式如下:
(5)最后对匹配程度的总相似度计算结果进行排序,将总相似度Cortotal最高的一组用户类型与预测方法进行匹配。
在本实施例中,以简易的方式进行说明:
对用户类型与负荷预测方法的分类如下,依此计算相似度。
表2用户类型及负荷预测方法分类结果
对文本进行预处理,将文本字符划分为八个方向,表示为数值1-8,如附图3所示。采用择近原则将“中长期”、“短期”等字符对应笔画的先后及方向表示为向量,依据文本向量来计算文本之间的相似度。
本实施例中,如附图4所示,“短期”向量可表示为(8,3,3,3,8,8,8,2,2,3,1,3,8,3,2,8,3),“中长期”的向量可表示为(1,3,3,1,3,3,1,1,1,1),将空缺的维以0补全,令维数相同进行相乘。则A2与B4适用性的文本相似度而A2的样本数据量为745,其±10%的浮动范围为[670.5,819.5],B4适用的样本数据量范围为[200,1000],浮动范围在[180,1100],则A2与B4的样本数据量相似度
A2与B4的总相似度为 类似地A2与B1、B2及B3相似度分别为0.64、0.572、0.682。经过排序可找出总相似度最大的匹配策略,本实施例计算结果为A2与B4的总相似度最高,对用户A2和预测方法B4进行匹配。
步骤5、对用户负荷进行适应性预测。
对匹配后的用户类型进行适应性预测的具体步骤如下:
根据步骤4中用户类型与负荷预测方法匹配程度的计算结果,选取负荷预测方法,利用选取的方法进行预测,根据预测结果数据比对预测精度。
本实施例以A2用户为例,采用所匹配的负荷预测方法B4:趋势外推法的二次移动平均技术进行负荷预测,并根据预测结果比对预测精度。
首先计算步骤1经过数据预处理后的小时平均负荷数据p的一次移动平均值以及二次移动平均值:
式中,pt为用户第t时刻的实际负荷值。α为平滑系数,0<α<1,与预测误差的波动程度有关:当原始数据波动较小时,α可取的较小;而原始数据波动较大时,为了使平滑序列反映数据的变化,α可取的较大。n为移动平均数所取的数据项数。
在得到数据预处理后小时平均负荷数据p的一次移动平均值的基础上计算二次移动平均值:
然后依据二次移动平均法进行预测:
本实施例应用2017年7月1日至7月21日的数据对该用户匹配趋势外推预测方法,预测同一月份后10天的负荷。部分数据如表。
表3用户A2应用趋势外推法基础数据表
其预测结果如图5所示,预测精度如下表4。
表4用户A2匹配趋势外推法预测精度表
通过实施例可见本方法的有益效果在于由步骤1、2的小时平均负荷处理,更精准地对用户类型进行分类,并通过文本相似度与样本数量相似度对用户对象与负荷预测方法进行相似度的匹配。针对目前对多用户类型的预测方法选择还需要在负荷预测方法库中手动进行筛选的问题,本方法能够依据不同用户分类对象的负荷样本数量或时间维度在负荷预测方法库中选择合适的负荷预测方法进行匹配,以提高负荷预测方法选择的匹配度;对于不同的用户类型,通过更好地选择负荷预测来提高负荷预测的精度。
需要注意的是,上述实例仅是一种可能的情况,还可能划分出更多的用户类型,也会有更多的负荷预测方法,利用相似度进行匹配预测的方法是一样的。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (5)
1.一种适应多用户类型的负荷预测匹配方法,其特征在于:包括以下步骤:
步骤1、采集不同用户的用电负荷数据,对负荷数据进行预处理;
步骤2、基于步骤1预处理后的用户用电负荷数据集Ω,通过K-means聚类分析方法对用户类型进行分类;
步骤3、对不同负荷预测方法的适用性进行对比分析,形成负荷预测方法库;
步骤4、将步骤2聚类后的用户类型与步骤3对比分析形成的负荷预测方法库中的多种负荷预测方法进行匹配,通过相似度来度量不同用户类型与负荷预测方法之间的匹配程度;
步骤5、对用户负荷进行适应性预测。
2.根据权利要求1所述的一种适应多用户类型的负荷预测匹配方法,其特征在于:所述步骤1的具体步骤包括:
(1)对用户的用电负荷数据进行采集,选取用户负荷样本的小时平均负荷数据;
(2)对采集数据进行预处理:
①若用户小时平均负荷数据中存在较多的缺失值和异常值,则将该负荷数据剔除;对小时平均负荷数据中存在个别缺失值的数据采用线性插值法进行补充;形成初始负荷数据p,p的值为经过数据处理后的小时平均负荷数据;
②对剔除和填充处理后的小时平均负荷数据进行归一化处理,形成用户用电负荷数据集Ω={R1,R2,...,Rn}。
3.根据权利要求1所述的一种适应多用户类型的负荷预测匹配方法,其特征在于:所述步骤2具体方法为:
根据步骤1经过数据处理的用户用电负荷数据集Ω,采用K-means聚类算法对电力用户进行分类:
4.根据权利要求1所述的一种适应多用户类型的负荷预测匹配方法,其特征在于:所述步骤4的具体步骤包括:
(1)首先计算所采集的用户负荷样本集与预测方法库中负荷预测方法对应样本量之间的相似性度量:
基于Jaccard相关系数来表示用户负荷样本集与负荷预测方法对应样本量之间的相似性度量,用Corsample表示,其计算方法如下:
式中,|Px|表示步骤1中所采集到的用户负荷样本数量个数X,|Py|表示负荷预测方法适用样本量范围的平均值Y,|Px,y|表示用户负荷样本数量X和负荷预测方法适用样本量Y在±10%的波动范围内交叉的部分数量;
(2)其次根据文本相似度来度量负荷预测方法的时间范围适用性:
适用性文本相似度指样本所要进行的预测周期与各负荷预测方法适用周期之间的匹配程度度量,用Cortext表示;
设要比对的样本预测周期与负荷预测方法适用周期的文本向量分别为T1,T2,不同用户类型根据预测时间范围的不同对应文本向量T1=(α1,α2,...,αn),负荷预测方法库中方法对应的文本向量为T2=(β1,β2,...,βn),通过计算T1与T2的内积,利用余弦算法求得二者之间的相似度:
T1·T2=α1×β1+α2×β2+...+αn×βn
(3)再根据用户负荷样本集、负荷预测方法对应样本量之间的相似性度量与负荷预测方法时间范围适用性的文本度量计算总相似度;
(4)总相似度用于表示步骤2用户分类类型与步骤3负荷预测方法库的预测方法之间的匹配程度,是通过上述的样本数据量相似度与时间范围适应性文本相似度,按照用户类型与负荷预测方法匹配时的实际情况确定权重计算,用Cortotal表示;
不同相似度的权重表示分别表示对该相似度指标的信任程度大小,总相似度为负荷样本相似度与预测方法适应性相似度两个子相似度与其对应权重相乘之和,具体计算公式如下:
(5)最后对匹配程度的总相似度计算结果进行排序,将总相似度Cortotal最高的一组用户类型与预测方法进行匹配。
5.根据权利要求1所述的一种适应多用户类型的负荷预测匹配方法,其特征在于:所述步骤5的具体步骤包括:
首先计算步骤1经过数据预处理后的小时平均负荷数据p的一次移动平均值以及二次移动平均值:
式中,pt为用户第t时刻的实际负荷值;α为平滑系数,0<α<1,与预测误差的波动程度有关:当原始数据波动较小时,α可取的较小;而原始数据波动较大时,为了使平滑序列反映数据的变化,α可取的较大;n为移动平均数所取的数据项数;
在得到数据预处理后小时平均负荷数据p的一次移动平均值的基础上计算二次移动平均值:
然后依据二次移动平均法进行预测:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402815.3A CN115936184A (zh) | 2022-11-10 | 2022-11-10 | 一种适应多用户类型的负荷预测匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402815.3A CN115936184A (zh) | 2022-11-10 | 2022-11-10 | 一种适应多用户类型的负荷预测匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115936184A true CN115936184A (zh) | 2023-04-07 |
Family
ID=86699862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211402815.3A Pending CN115936184A (zh) | 2022-11-10 | 2022-11-10 | 一种适应多用户类型的负荷预测匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936184A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956075A (zh) * | 2023-09-18 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 电力用户侧类型自动识别方法、***、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
US20180351355A1 (en) * | 2016-11-02 | 2018-12-06 | China Electric Power Research Institute Company Limited | Method for identifying pattern of load cycle |
CN113657545A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 用户业务数据的处理方法、装置、设备及存储介质 |
KR20220055737A (ko) * | 2020-10-27 | 2022-05-04 | 고려대학교 산학협력단 | 전기 이용 고객 데이터 군집 분석 방법 |
CN114611738A (zh) * | 2020-12-08 | 2022-06-10 | 南京工程学院 | 一种基于用户用电行为分析的负荷预测方法 |
CN115018200A (zh) * | 2022-07-04 | 2022-09-06 | 中国地质大学(北京) | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及*** |
CN115222106A (zh) * | 2022-06-24 | 2022-10-21 | 润建股份有限公司 | 一种自适应模型的用户日前负荷预测方法 |
-
2022
- 2022-11-10 CN CN202211402815.3A patent/CN115936184A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
US20180351355A1 (en) * | 2016-11-02 | 2018-12-06 | China Electric Power Research Institute Company Limited | Method for identifying pattern of load cycle |
KR20220055737A (ko) * | 2020-10-27 | 2022-05-04 | 고려대학교 산학협력단 | 전기 이용 고객 데이터 군집 분석 방법 |
CN114611738A (zh) * | 2020-12-08 | 2022-06-10 | 南京工程学院 | 一种基于用户用电行为分析的负荷预测方法 |
CN113657545A (zh) * | 2021-08-30 | 2021-11-16 | 平安医疗健康管理股份有限公司 | 用户业务数据的处理方法、装置、设备及存储介质 |
CN115222106A (zh) * | 2022-06-24 | 2022-10-21 | 润建股份有限公司 | 一种自适应模型的用户日前负荷预测方法 |
CN115018200A (zh) * | 2022-07-04 | 2022-09-06 | 中国地质大学(北京) | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956075A (zh) * | 2023-09-18 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 电力用户侧类型自动识别方法、***、设备及存储介质 |
CN116956075B (zh) * | 2023-09-18 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 电力用户侧类型自动识别方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766929B (zh) | 模型分析方法及装置 | |
CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
CN105225135B (zh) | 潜力客户识别方法以及装置 | |
Lin et al. | Tourism demand forecasting: Econometric model based on multivariate adaptive regression splines, artificial neural network and support vector regression | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN112732786A (zh) | 金融数据处理方法、装置、设备及存储介质 | |
CN113111924A (zh) | 电力客户分类方法及装置 | |
CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
CN113191533A (zh) | 仓库用工预测方法、装置、设备及存储介质 | |
CN115936184A (zh) | 一种适应多用户类型的负荷预测匹配方法 | |
CN114493443A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
CN111667307B (zh) | 一种理财产品销量的预测方法及装置 | |
Ilich et al. | Modeling of employment structural transformations | |
CN110717103B (zh) | 基于堆栈降噪编码器改进的协同过滤方法 | |
Kanwal et al. | An attribute weight estimation using particle swarm optimization and machine learning approaches for customer churn prediction | |
CN111445025A (zh) | 确定业务模型超参数的方法和装置 | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN115130924A (zh) | 一种源网荷储背景下微电网电力设备资产评估方法及*** | |
CN115687948A (zh) | 一种基于负荷曲线的电力专变用户无监督分类方法 | |
CN110956528B (zh) | 一种电商平台的推荐方法及*** | |
CN113077108A (zh) | 一种电力物资配置需求的数据预测*** | |
CN113657501A (zh) | 模型自适应训练方法、装置、设备、介质及程序产品 | |
CN111079995A (zh) | 电力负荷非线性调和综合预测方法、装置及存储介质 | |
Sasaki et al. | An interactive genetic algorithm for portfolio optimization considering the decision maker’s preference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |