电力用户基线负荷计算方法及装置与流程

本发明涉及电力系统及其自动化技术领域，特别涉及一种电力用户基线负荷计算方法及装置。

背景技术：

负荷特征分析是智能电网研究的基础，根据负荷特征进行用户基线负荷的预算是电网扩展规划、调度运行、电源建设和负荷管理的重要决策依据，对于保障电网安全、经济、优质运行具有重要意义；需求响应即电力需求响应的简称，是指当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。

传统的电力负荷特征分析方法主要有两类：一是按影响因素分析，即在其余变量保持不变的前提下逐个提取因变量，定性或者定量描述其对自变量的影响程度；二是按行业分类分析，即先对各行业或者细化到某类型用户的用电特征进行分析，定性或者定量得到各类型用户对区域电网用电特征的影响。

但是在具体的实践中，基于需求响应的基线负荷预测一直是存在的一大难题。目前由于负荷种类繁多，特征差异大，负荷变化随机性强，准确计算需求响应的基线负荷难度大，特别是单一考虑某一因素的基线负荷预测准确度非常低。而且目前的基线负荷预测方法和系统缺少对基线负荷预测的自动化手段，造成基线负荷预测效率低下，各业务系统在交互数据过程中容易频繁出错。

技术实现要素：

本发明的发明目的在于提供一种电力用户基线负荷计算方法及装置，以解决现有技术中，由于负荷种类繁多，特征差异大，负荷变化随机性强，准确计算需求响应的基线负荷难度大，特别是单一考虑某一因素的基线负荷预测准确度非常低，以及，基线负荷预测方法和系统缺少对基线负荷预测的自动化手段，造成基线负荷预测效率低下，各业务系统在交互数据过程中容易频繁出错的技术问题。

根据本发明实施例的第一方面，提供了一种电力用户基线负荷计算方法，包括：

获取历史负荷数据，得到历史日负荷曲线集，所述历史日负荷曲线集中所包含的历史日负荷曲线与预先存储的参考负荷曲线集中所包含的参考负荷曲线的数据结构对应；

根据所述历史日负荷曲线集和所述参考负荷曲线集，形成数条特征负荷曲线，将所述特征负荷曲线转换为由CIM/OWL本体对象表示，数条所述特征负荷曲线形成特征负荷曲线集；

确定影响用户基线负荷的关键因素；

建立关联所述特征负荷曲线和所述关键因素的决策树；

利用所述决策树，对所述用户基线负荷进行预测计算，将计算结果反馈给各业务系统。

进一步，所述根据历史日负荷曲线集和所述参考负荷曲线集，形成数条特征负荷曲线的具体步骤为：

判断被对比的所述历史日负荷曲线与所述参考负荷曲线是否满足预设相似标准；

如果满足预设相似标准，则将所述历史日负荷曲线与所述参考负荷曲线形成数条特征负荷曲线。

进一步，所述判断被对比的所述历史日负荷曲线与所述参考负荷曲线是否满足预设相似标准具体为：

计算所述历史日负荷曲线集中全部历史日负荷曲线与所述参考负荷曲线集中每条参考负荷曲线的欧式距离；

判断所述欧式距离是否小于或等于预设的阈值，

如果所述欧式距离小于或等于预设的阈值，则所述历史日负荷曲线与所述参考负荷曲线满足预设相似标准；

如果所述欧氏距离大于预设的阈值，则所述历史日负荷曲线与所述参考负荷曲线不满足预设相似标准。

进一步，所述如果满足预设相似标准，则将所述历史日负荷曲线与所述参考负荷曲线形成数条特征负荷曲线具体为：

计算所述历史日负荷曲线与所述参考负荷曲线对应全部时间点的负荷平均值，所述平均值与所对应的全部时间点形成特征负荷曲线；数组满足预设相似标准的所述历史日负荷曲线与所述参考负荷曲线形成数条特征负荷曲线。

进一步，所述确定影响用户基线负荷的关键因素的步骤具体包括：

获取影响用户基线负荷的因素；

抽取所述历史负荷数据的峰值和谷值并计算所述历史负荷数据的均值，形成三个数据序列；

结合所述数据序列，利用灰色关联分析法，计算所述历史负荷数据与所述因素间的灰色关联度；

根据所述灰色关联度，确定影响用户基线负荷的关键因素。

进一步，所述建立关联所述特征负荷曲线和所述关键因素的决策树步骤具体包括：

根据所述特征负荷曲线，计算该类别的特征负荷曲线与所述关键因素的GINI指数；

根据所述GINI指数，建立关联所述特征负荷曲线模型与所述关键因素的决策树；

所述计算该类别的特征负荷曲线与所述关键因素的GINI指数的公式为：

其中，D为该类别的特征负荷曲线集合，m为关键因素个数，i为关键因素序号，Pi表示D中任一特征负荷曲线受因素i影响的概率，Pi等于D中受关键因素i影响的特征负荷曲线条数除以D中特征负荷曲线的总条数。

进一步，所述利用决策树，对所述用户基线负荷进行预测计算的步骤具体包括：

通过所述决策树，获取与待计算基线负荷对应的特征负荷曲线及属于该类别负荷曲线的历史负荷数据和关键因素；

选择预测方法进行预测，所述预测方法包括回归分析预测、相似趋势预测以及神经网络预测，并进行平滑权重计算，得到基线负荷计算结果。

进一步，所述方法还包括：在执行上述方法的同时，还将所述历史负荷数据、所述历史日负荷曲线、所述特征负荷曲线、所述关键因素、所述决策树以及所述基线负荷计算结果存储起来。

进一步，所述利用决策树，对所述用户基线负荷进行预测计算之前，还包括：

启动服务接口，循环等待需要进行基线负荷计算和/或进行数据传输的指令，所述指令由各业务系统发出；

接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息。

根据本发明实施例的另一方面，提供了一种电力用户基线负荷计算装置，所述装置用于执行本发明的实施例的第一方面提供的电力用户基线负荷计算方法，其特征在于，所述装置包括：

存储有参考负荷曲线集的存储器和与所述存储器连接的控制处理器；

所述控制处理器包括用电特征建模单元、关键因素辨识单元、决策树建立单元和基线负荷预测计算单元；其中，

所述用电特征建模单元，用于获取历史负荷数据，得到历史日负荷曲线集；所述历史日负荷曲线集中所包含的历史日负荷曲线与预先存储的参考负荷曲线集中所包含的参考负荷曲线的数据结构对应；还用于，根据所述历史日负荷曲线集和所述参考负荷曲线集，形成数条特征负荷曲线，将所述特征负荷曲线转换为由CIM/OWL本体对象表示，数条所述特征负荷曲线形成特征负荷曲线集；

所述关键因素确定单元，用于确定影响用户基线负荷的关键因素；

所述决策树建立单元，用于建立关联所述特征负荷曲线和所述关键因素的决策树；

所述基线负荷预测计算单元，用于利用所述决策树，对所述用户基线负荷进行预测计算，将基线负荷计算结果反馈给各业务系统。

由以上技术方案可知，本发明实施例提供的电力用户基线负荷计算方法及装置，所述方法通过获取历史负荷数据，得到历史日负荷曲线集，所述历史日负荷曲线集中所包含的历史日负荷曲线与预先存储的参考负荷曲线集中所包含的参考负荷曲线的数据结构对应；根据所述历史日负荷曲线集和所述参考负荷曲线集，形成数条特征负荷曲线，将所述特征负荷曲线转换为由CIM/OWL本体对象表示，数条所述特征负荷曲线形成特征负荷曲线集；并确定出影响用户基线负荷的关键因素，从而建立关联所述特征负荷曲线和所述关键因素的决策树；利用所述决策树，快速确定电力用户待计算的基线负荷所属的所述特征负荷曲线的类别，以及该电力用户的历史负荷数据，节省大量数据载入时间，有效提高基线负荷计算结果的准确性，为合理制定和实施电力需求侧管理和需求响应措施提供准确的数据依据，同时，所述装置用于执行所述方法，提高了对于电力用户基线负荷预测计算的自动化程度，提高基线负荷预测计算效率，避免各业务系统在交互数据过程中容易频繁出错的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据一优选实施例示出的一种电力用户基线负荷计算方法流程图；

图2为根据一优选实施例示出的一种电力用户基线负荷计算装置结构框图。

其中，1-存储器，2-控制处理器，21-用电特征建模单元，22-关键因素辨识单元，23-决策树建立单元，24-基线负荷预测计算单元。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明实施例的第一方面，提供了一种电力用户基线负荷计算方法，参阅图1，为所述电力用户基线负荷计算方法的流程图，从图1中可以看出，所述方法包括：

步骤S1、获取历史负荷数据，得到历史日负荷曲线集，所述历史日负荷曲线集中所包含的历史日负荷曲线与预先存储的参考负荷曲线集中所包含的参考负荷曲线的数据结构对应；

其中，某一电力用户的历史负荷数据是指该用户在当前时间点之前有限时期内的用电负荷数据，所述当前时间点之前的有限时期的终点包括但不限于当前时间点，所述当前时间点的单位可以是小时，也可以是一天，也可以是具体的当前时刻；例如，假设当前时间点为2016年1月10日，则该电力用户的负荷数据可以是从2016年1月9日向前一个月至2015年12月9日的时期内的用电负荷数据；所述时期的长度可以根据需要自行设置；另外，所述历史日负荷曲线是根据用电负荷及其所对应的时间点组成的坐标描绘而成，能够更加直观的显示出该用户在当前时间点之前的某个时期内用电负荷变化规律。

需要说明的是，所述历史日负荷曲线集中所包含的历史日负荷曲线与预先存储的参考负荷曲线集中所包含的参考负荷曲线的数据结构对应，是指两条曲线所包含的时间点一致。

步骤S2、根据所述历史日负荷曲线集和所述参考负荷曲线集，形成数条特征负荷曲线，将所述特征负荷曲线转换为由CIM(公用信息模型，Common Information Model)/OWL(互联网本体语言，Ontology of Web Language)本体对象表示，数条所述特征负荷曲线形成特征负荷曲线集；

针对同一电力用户，所述历史日负荷曲线根据其所包含的时间点不同而各不相同，针对不同的电力用户，所述历史日负荷曲线由于用户间的用电习惯不同加之所包含的时间点不同而各不相同，因此不同类别的历史日负荷曲线形成历史日负荷曲线集；而所述参考负荷曲线集是预先存储于存储器中的，其中的每一条参考负荷曲线都具有各自的特征。在此基础上，步骤S2所述的比较历史日负荷曲线集和所述参考负荷曲线集，根据比较结果形成数条特征负荷曲线细化步骤进一步包括：

判断经计算的所述历史日负荷曲线与所述参考负荷曲线是否满足预设相似标准；

如果满足预设相似标准，则将所述历史日负荷曲线与所述参考负荷曲线形成数条特征负荷曲线。

进一步，所述判断经计算的所述历史日负荷曲线与所述参考负荷曲线是否满足预设相似标准具体为：

计算所述历史日负荷曲线集中全部历史日负荷曲线与所述参考负荷曲线集中每条参考负荷曲线的欧式距离；具体为，选取特征时间点；遍历所述参考负荷曲线集，根据所述特征时间点，逐条计算所述历史日负荷曲线集中全部历史日负荷曲线与所述参考负荷曲线集中每条参考负荷曲线的欧式距离；其中，所述特征时间点，可以根据需要自行设定，例如可以是夜晚黄金时间晚八点至晚十点，原因在于在这段时间内，大部分居民用户都有看电视的习惯，因此用电负荷有一定的规律可循；例如还可以是周末或法定节假日的某个时间点等。

判断所述欧式距离是否小于或等于预设的阈值，

如果所述欧式距离小于或等于预设的阈值，则所述历史日负荷曲线与所述参考负荷曲线满足预设相似标准；

如果所述欧氏距离大于预设的阈值，则所述历史日负荷曲线与所述参考负荷曲线不满足预设相似标准。

进一步，所述如果满足预设相似标准，则将所述历史日负荷曲线与所述参考负荷曲线形成数条特征负荷曲线具体为：

计算所述历史日负荷曲线与所述参考负荷曲线对应全部时间点的负荷平均值，所述平均值与所对应的全部时间点形成特征负荷曲线；数组相似的所述历史日负荷曲线与所述参考负荷曲线形成数条特征负荷曲线。

步骤S3、确定影响用户基线负荷的关键因素；

电力用户的基线负荷会受到一些特定因素的影响，例如，天气因素；如果当天的天气是雷雨，普通居民用户会减少家中用电器的使用，以期能够避免用电器受到雷击儿损坏；如果天气是阴天，那个大部分电力用户在白天都会增加照明灯的使用。再如，时间因素；在上午八点至十一点，大部分居民用户的用电负荷都会低于晚上八点至晚上十一点的用电负荷。再如，日期因素；法定节假日或者周末的用电负荷要高于工作日的用电负荷；同时，同样的道理，电力用户基线负荷还会受到温度、湿度以及特殊事件等因素的影响。基于此，发明人先列举出全部可能会影响基线负荷的因素，之后再辨识影响用户基线负荷的关键因素；所述步骤S3进一步包括的细化步骤为：

获取影响用户基线负荷的因素；

抽取所述历史负荷数据的峰值和谷值并计算所述历史负荷数据的均值，形成三个数据序列；

结合所述数据序列，利用灰色关联分析法，计算所述历史负荷数据与所述因素间的灰色关联度；

根据所述灰色关联度，确定影响用户基线负荷的关键因素。

通过确定影响基线负荷的关键因素，将全部可能影响基线负荷的因素中的非关键因素剔除，所述非关键因素即对所述基线负荷没有影响或产生的影响可以忽略不计的因素，能够在进行基线负荷预测时，只将关键因素列入预测依据的范围，节省计算时间的同时，避免非关键因素的干扰，进一步提高对于基线负荷的预测计算效率。

步骤S4、建立关联所述特征负荷曲线和所述关键因素的决策树；

所述建立关联所述特征负荷曲线和所述关键因素的决策树步骤具体包括：

根据所述特征负荷曲线，计算该类别的特征负荷曲线与所述关键因素的GINI指数；

根据所述GINI指数，建立关联所述特征负荷曲线模型与所述关键因素的决策树；

所述计算该类别的特征负荷曲线与所述关键因素的GINI指数的公式为：

其中，D为该类别的特征负荷曲线集合，m为关键因素个数，i为关键因素序号，Pi表示D中任一特征负荷曲线受因素i影响的概率，Pi等于D中受关键因素i影响的特征负荷曲线条数除以D中特征负荷曲线的总条数。

利用所述决策树，快速确定电力用户待计算的基线负荷所属的所述特征负荷曲线的类别，以及该电力用户的历史负荷数据，节省大量数据载入时间，有效提高基线负荷计算结果的准确性。

步骤S5、利用所述决策树，对所述用户基线负荷进行预测计算，将计算结果反馈给各业务系统。

所述步骤S5所述的利用所述决策树，对所述用户基线负荷进行预测计算所进一步包括的细化步骤为：

通过所述决策树，获取与待计算基线负荷对应的特征负荷曲线及属于该类别负荷曲线的历史负荷数据和关键因素；

选择预测方法进行预测，所述预测方法包括回归分析预测、相似趋势预测以及神经网络预测，并进行平滑权重计算，得到基线负荷计算结果。

进一步，所述方法还包括：在执行所述方法的同时，将所述历史负荷数据、所述历史日负荷曲线、所述特征负荷曲线、所述关键因素、所述决策树以及所述基线负荷计算结果存储起来。

进一步，所述方法还包括，利用所述决策树，对所述用户基线负荷进行预测计算之前，启动服务接口，循环等待需要进行基线负荷计算和/或进行数据传输的指令，所述指令由各业务系统发出；

接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息。

其中，上述各业务系统是指与基线负荷相关的电网公司业务系统，例如营销系统或者调度系统，由电网公司对基线负荷计算方法及装置的应用来决定。上述循环等待是指针对各业务系统，逐个查询是否收到所述指令，如果收到所述指令，则相应地执行，如果没有收到所述指令，则针对下一个业务系统进行查询，所有业务系统均被查询完毕后，再重新逐个查询。

另外，步骤S5中所述的将计算结果反馈给各业务系统之前，所述方法还包括，将计算结果转换成标准接口交互信息，所述标准接口交互信息是指与其他业务系统交换信息所需要符合的信息交互要求。

由以上技术方案可知，本发明实施例提供的电力用户基线负荷计算方法，所述方法通过获取历史负荷数据，得到历史日负荷曲线集，所述历史日负荷曲线集中所包含的历史日负荷曲线与预先存储的参考负荷曲线集中所包含的参考负荷曲线的数据结构对应；根据所述历史日负荷曲线集和所述参考负荷曲线集，形成数条特征负荷曲线，将所述特征负荷曲线转换为由CIM/OWL本体对象表示，数条所述特征负荷曲线形成特征负荷曲线集；并确定出影响用户基线负荷的关键因素，从而建立关联所述特征负荷曲线和所述关键因素的决策树；利用所述决策树，快速确定电力用户待计算的基线负荷所属的所述特征负荷曲线的类别，以及该电力用户的历史负荷数据，节省大量数据载入时间，有效提高基线负荷计算结果的准确性，为合理制定和实施电力需求侧管理和需求响应措施提供准确的数据依据。

根据本发明实施例的另一方面，提供了一种电力用户基线负荷计算装置，所述装置用于执行本发明实施例提供的基线负荷计算方法，参阅图2，为所述电力用户基线负荷计算装置的结构示意图，从图2中可以看出，所述装置包括：

存储有参考负荷曲线集的存储器1和与所述存储器1连接的控制处理器2；

所述控制处理器2包括用电特征建模单元21、关键因素辨识单元22、决策树建立单元23和基线负荷预测计算单元24；其中，

所述用电特征建模单元21，用于获取历史负荷数据，得到历史日负荷曲线集；所述历史日负荷曲线集中所包含的历史日负荷曲线与预先存储的参考负荷曲线集中所包含的参考负荷曲线的数据结构对应；还用于，根据所述历史日负荷曲线集和所述参考负荷曲线集，形成数条特征负荷曲线，将所述特征负荷曲线转换为由CIM/OWL本体对象表示，数条所述特征负荷曲线形成特征负荷曲线集；

所述关键因素辨识单元22，用于确定影响用户基线负荷的关键因素；

所述决策树建立单元23，用于建立关联所述特征负荷曲线和所述关键因素的决策树；

所述基线负荷预测计算单元24，用于利用所述决策树，对所述用户基线负荷进行预测计算，将基线负荷计算结果反馈给各业务系统；

需要说明的是，所述存储器1用于存储所述历史负荷数据、所述历史日负荷曲线、所述特征负荷曲线、所述关键因素、所述决策树以及所述计算结果。

优选地，所述基线负荷预测计算单元24在用于利用所述决策树，对所述用户基线负荷进行预测计算之前，还用于：

启动服务接口，循环等待需要进行基线负荷计算和/或进行数据传输的指令，所述指令由各业务系统发出；

接收所述指令，并通过所述服务接口向所述各业务系统发送确认已接收所述指令的消息；

将所述基线负荷计算结果转换成标准接口交互信息后反馈给所述各业务系统。

由以上技术方案可知，本发明实施例提供的电力用户基线负荷计算装置，用于执行本发明实施例提供的电力用户基线负荷计算方法，所述方法通过获取历史负荷数据，得到历史日负荷曲线集，所述历史日负荷曲线集中所包含的历史日负荷曲线与预先存储的参考负荷曲线集中所包含的参考负荷曲线的数据结构对应；根据所述历史日负荷曲线集和所述参考负荷曲线集，形成数条特征负荷曲线，将所述特征负荷曲线转换为由CIM/OWL本体对象表示，数条所述特征负荷曲线形成特征负荷曲线集；并确定出影响用户基线负荷的关键因素，从而建立关联所述特征负荷曲线和所述关键因素的决策树；利用所述决策树，快速确定电力用户待计算的基线负荷所属的所述特征负荷曲线的类别，以及该电力用户的历史负荷数据，节省大量数据载入时间，有效提高基线负荷计算结果的准确性，为合理制定和实施电力需求侧管理和需求响应措施提供准确的数据依据，同时，所述装置用于执行所述方法，提高了对于电力用户基线负荷预测计算的自动化程度，提高基线负荷预测计算效率，避免各业务系统在交互数据过程中容易频繁出错的问题。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。