采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法

随着智能电网的不断发展,电力企业积累的大量数据为用户用电量精细化预测提供了数据基础。针对与用电量预测相关的大数据种类多、体量大、维度高和生成速度快等特点,在研究用户用电特性评价指标的基础上,提出海量用户用电特性子空间聚类分析方法,挖掘用户多种用电模式。根据不同用电模式对用户进行群体划分,并利用互信息矩阵从区域及行业经济数据、气候条件,以及电力价格等方面辨识与用户群体用电量相关联的因素,进而构建基于随机森林算法的用电量大数据预测模型。该文方法可以有效识别不同用户群体的用电关联因素,规避用电模式差异性为用电量预测带来的不利影响。仿真结果表明,该方法具有较高的预测精度,且适用于大数据分析处理。     

基于多维特征分析的链式电网短期用电量预测研究

针对链式电网短期用电量既具有波动性,又具有非线性特征,导致用电量预测精度低的问题,进行了基于多维特征分析的链式电网短期用电量预测研究。结合组织映射电网与实际环境,借助多维特征分析方法从非平稳随机序列中提取趋势变量和周期变量。通过计算用户多维特征评价结果,能够构建用户多维度用电特征集合,依据该集合分类多维用电特征集,分别为电模式特征和辅助用户特征,通过这些特征能够获取时间序列关键性信息,构建多维特征分析下用电量预测模型,获取整体数据流转情况,完成链式电网短期用电量预测。通过实验研究结果可知,该方法预测效果较好,相比于以往方法能显著提高预测精准度。     

基于小波去噪和决策树的个性化大用户负荷预测

把握用户的用电规律并对用户未来的用电进行精准的预测对于开展需求响应、提高电网运行效率等具有重要意义。首先对大用户负荷特性进行了分析,指出大用户负荷具有量大面广、个性不一、近大远小、波动显著以及周期失灵等特性。然后针对这些特性,提出了一种基于小波去噪和决策树的个性化模式挖掘预测方法,能够挖掘大用户历史负荷数据进行模式提取,对不同用电模式的大用户分别进行个性化负荷预测。对某省50个典型大用户的算例分析结果表明该方法的准确性较其他常用预测方法更高。     

配网用户用电特性市场分析预测应用系统方案设计

基于大数据平台模式下建立科学合理的电量分析预测管理办法及分析预测模型具有重要意义。基于此,设计一种基于用电分析的配网用户用电特性市场分析预测应用系统方案。给出了系统总体方案设计,包括系统总体架构、技术平台架构和大数据分析方法。其次,重点对系统功能架构、源数据平台层、大数据计算平台、系统接口和安全管理进行了方案设计,给出了设计应遵循的原则和技术实现方式。最后,应用系统设计方案中的电力相似月法模型,以广东某市2000~2008年历史用电量数据为基础,进行了实例分析。所设计的应用系统方案,具备对用电市场数据进行深入分析、挖掘的能力,科学预测的能力及提高全局用电市场分析的管理能力,为用电市场的营销服务策略制定提供支撑与保证。     

基于概率预测的用电采集终端电量异常在线实时识别方法

电力市场环境下用电信息采集系统采集的用电量成为市场结算的重要依据。实时识别用电采集终端上送的异常电量,不但可以提升数据质量,也可以为发现采集终端的故障、识别异常用电行为提供参考。针对现有异常数据识别方法识别性能和实时性不高的问题,提出基于概率预测的电量异常在线实时识别方法。首先,在分析电量异常类型和特点的基础上,提出离线训练概率预测模型、在线实时识别异常数据的检测方法。其次,提出了基于状态空间模型的结构化用电量模型对用户用电规律进行建模,并采用变分贝叶斯推断训练模型,以实现用电量的概率分布预测。最后,利用预测标准分数衡量电量实测数据与电量概率预测结果之间的差异,从而实现异常数据的在线识别。采用实际电量数据进行验证,并与其他方法进行对比,验证了该方法的实用性和有效性。     

基于主成分分析的用电模式稳定性分析

用电模式稳定性分析是实施用户用电量预测的前提,其本质是考察不同历史时间段用电模式的相似性。过长的基础数据时间跨度会降低用电模式稳定性分析的可行性和准确性,而在短期内基于日用电量数据评估的用电特征指标又受随机因素干扰,难以准确反映用电模式。为此,提出一种以过往几周日用电系数和日用电波动率为原始特征指标提取用电模式主成分,进而用两个历史时间段内用电模式主成分因子载荷的欧氏距离衡量用电模式稳定性的方法。针对某小区的算例结果表明,用所提方法判定为用电模式稳定、不稳定的用户组的用电量预测精度存在明显差异,且相似性距离与预测误差存在正相关性。算例分析表明,合适的历史数据时间跨度对提升方法的适用性和准确性至关重要,所提方法采用16周历史数据较为合理。     

数据驱动下窃电智能分析系统的研究

随着智能电表的推广及用电信息采集系统建设的逐步完善,电网公司积累了海量用户用电数据,为大数据技术在电力领域的应用提供了基础。基于数据挖掘思想针对行业分类及用户特征,对海量的多元计量数据进行窃电用户分析,从中挖掘出窃电用户的关联性多维度特征参量,建立神经网络构建数据驱动下的窃电预测模型。系统测试验证了预测窃电值与实际窃电值有很高的吻合度,在一定程度上反映了模型预测的准确性。     

数据驱动下窃电智能分析系统的研究

近年来,随着智能电表的推广及用电信息采集系统建设的逐步完善,电网公司积累了海量用户用电数据, 为大数据技术在电力领域的应用提供了基础。文章基于数据挖掘思想,针对行业分类及用户特征,对海量的多元计量 数据进行分析,从中挖掘出窃电用户的关联性多维度特征参量,基于神经网络构建数据驱动下的窃电预测模型。实验表明该方法具有较高的工程应用价值,为窃电预测提供了一种有效的方法和途径。     

基于空间相似度和深度学习的中长期用电量预测

准确地预测用户中长期用电量对电力系统优化与调度具有重要意义。为此,提出一种根据用电曲线空间相似性划分用电用户类别,进而利用深度网络预测单类用户中长期用电量的方法,用以提升预测精度。首先,计算用电数据间的动态时间规整距离,基于规整距离利用层次聚类法绘制层次聚类树对用户分类。然后,通过离差标准化约束分类后每类用户数据的取值范围,进而通过深度神经网络建立单类用户的中长期用电量预测模型。最后,通过实例分析了传统方法与所提方法的用户聚类效果,并对比单类用户的总体、个体用电量预测结果,证明了所提依据空间形状相似度指标可较准确地划分用户类别,提升了中长期用电量的预测精度。     

基于多源多维度用能数据的用户标签萃取方法研究

随着电力行业数字化、智能化水平稳步提升,电力公司利用大数据技术精准识别用户需求、掌握用户用能规律,进而满足用户多样化的用能需求成为营造良好用电体验的关键.为此提出一种基于多源多维度用能数据的用户标签萃取方法,旨在通过采用模糊C均值聚类算法进行标签聚类、用户智能画像,更好支撑用户用电行为掌握、精准营销策略执行,辅助制定电力需求侧响应策略,推动电力服务质效提升.     

基于配用电大数据的短期负荷预测

受限于数据信息的不完整和粗粒度,短期网供负荷预测的准确率一直难以进一步提升,而配用电信息系统数据的积累和大数据技术的快速发展为开展基于配用大数据的短期负荷预测提供了数据基础和技术支撑。本文首先针对配用电大数据的特征分析了"脏数据"的来源与类型,并提出了相应的数据清洗方法;其次基于大量的历史负荷、电量和气象数据,构建了行业负荷温度影响模型和行业电量节假日影响模型;最后基于上述用电影响模型开展了江苏电网短期网供负荷预测,实际计算结果验证了预测效果的有效性和准确性。     

基于DE-GWO-SVR的中长期电力需求预测

电力需求预测是电力系统科学规划与运行的重要前提。根据相关性分析,从经济发展水平、城镇化水平、工业化水平、人口数量、产业结构、居民消费水平、电价和用电基数8个方面筛选出电力需求关键影响因素。利用差分进化（differential evolution,DE）和灰狼优化（grey wolf optimization,GWO）算法对支持向量回归模型（support vector regression,SVR）的参数进行优化,建立差分进化-灰狼优化-支持向量回归电力需求预测模型。选取北京市电力需求历史数据进行实证分析,比较不同模型的预测结果,验证组合优化模型的有效性及其预测的准确率,并对北京市2021—2025年电力需求进行预测。     

电力市场用电量需求分析预测模型研究

结合广东省某市历史用电量数据,通过行业细分,设计了基于行业用电特性的电力市场用电量需求分析预测模型的总体架构,包括基于大数据平台的云计算技术架构设计,可有效解决“数据孤岛”的弊病。基于该架构和实例分析,讨论了几种常用的电量分析预测方法,包括行业驱动因素法、电力弹性系数法和电力相似月法等,给出了相应的预测过程和预测结果。然后,结合电量分析,进行了行业信用等级评价及景气指数分析模型的研究。最后,基于模型设计,探讨了电网-用户-售电商三方在市场竞争机制下的供需互动关系。所设计的模型可为市场营销服务策略的制定、电费回收、行业信用度评价及预警提供数理依据和模型,提高市场分析决策的能力。     

Electricity demand load forecasting of the Hellenic power system using an ARMA model

Effective modeling and forecasting requires the efficient use of the information contained in the available data so that essential data properties can be extracted and projected into the future. As far as electricity demand load forecasting is concerned time series analysis has the advantage of being statistically adaptive to data characteristics compared to econometric methods which quite often are subject to errors and uncertainties in model specification and knowledge of causal variables. This paper presents a new method for electricity demand load forecasting using the multi-model partitioning theory and compares its performance with three other well established time series analysis techniques namely Corrected Akaike Information Criterion (AICC), Akaike's Information Criterion (AIC) and Schwarz's Bayesian Information Criterion (BIC). The suitability of the proposed method is illustrated through an application to actual electricity demand load of the Hellenic power system, proving the reliability and the effectiveness of the method and making clear its usefulness in the studies that concern electricity consumption and electricity prices forecasts.     

基于负荷细分的差异化用户基线负荷预测

电力用户基线负荷(CBL)预测精度会极大影响需求响应效果的评估。本文基于负荷细分,考虑多维用电行为及其影响因素,通过精细化用户用电行为特征,提出一种考虑用户用电模式差异化的基线负荷预测方法。首先采用Ward-模糊C均值(FCM)聚类法,并结合负荷特性指标,改善用户负荷曲线聚类分析的效果;然后,分析气象、时间等多维影响因素,建立考虑温湿度和气温累积效应等城市微气象因素及节假日社会行为因素的差异化用电行为分析模型,提出温度敏感型、节假日敏感型以及两者均不敏感的精细化用电模式;最后,提出不同用电模式的CBL预测方法,建立综合评估方法分析其预测准确度。算例结果表明,所提算法能进一步提高CBL预测精度。     

一种基于用电行业分类的中长期电量预测方法

针对传统中长期电量预测方法思路单一,忽视不同层次电量预测之间的内在联系而影响中长期电量预测精度的问题,提出了一种基于用电行业分类的新型中长期电量预测方法。首先,设计了适用于电量预测的用电行业分类原则和方法;然后,以8种特性互补的预测方法为基础,建立优选组合预测模型,对待预测区域整体以及各用电行业的电量需求分别进行年度和季度的预测;最后,运用多级预测协调理论建立了一个二维二级协调模型,对上一步的电量预测值进行修正,改善预测精度,得到上下级统一的区域整体以及各行业未来年度和季度的电量预测值。以实际的电量数据进行了算例分析,验证了该方法的有效性。     

基于GDP-电能消费耦合关系的中长期电量预测

建立了一种基于用电量和GDP之间耦合关系的中长期电量预测模型。首先利用协整检验和格兰杰(Granger)因果检验,剖析电能消费和经济发展之间的协整关系和因果关系,并建立中长期电量预测模型。然后采用误差修正方法对预测模型进行短期调节,以提高模型的鲁棒性以及预测精度。以某地区1991—2015年的用电量和GDP数据作为算例输入数据,结果表明:通过构建电能消费和经济发展之间的耦合关系,有助于提高预测模型的解释能力,同时含短期调节的中长期用电量预测模型具有更高的预测精度。     

改进的并行模糊核聚类算法在电力负荷预测的应用

用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。     

High-Precision Power Load Forecasting Using Real-time Temperature Information and Deep Learning Method

Abstract

Load forecasting is an important part of power system planning, which directly affects the safety and reliability of power grid operation. Real-time and high-precision load forecasting results are the key to improve the efficiency of the entire power grid. In order to solve the problem of low prediction accuracy of existing algorithms, based on the deep analysis of the strong correlation between temperature and electricity consumption, Long Short Memory Network (LSTM) is constructed, which implements the deep mining of the characteristics of historical electricity consumption data and the deep self-learning of the correlation between electricity consumption and temperature, and realizes the power load forecasting. Compared with traditional load forecasting techniques, the prediction results were significantly improved. In addition, the experiments utilizing the Google Tensor-flow platform were carried out to further study the impact of the combination of different activation functions on the prediction performance of the LSTM algorithm. The verification results shown that the prediction accuracy was significantly improved by using the ELU activation function than other activation functions. The developed algorithm could more effectively solve the low precision problem that is common in current prediction algorithms.