确定用户用电行为特征的方法、用户用电负荷的预测方法和装置的制造方法
【专利摘要】一种确定用户用电行为特征的方法包括：根据用户的多条历史日用电负荷曲线的相似度，实现将多条历史日用电负荷曲线按照不同的时间区间进行聚类(S10)；对用户的历史用电负荷数据和历史电流数据进行统计学处理，得到该用户在各个时间区间上的用电特征模型(S20)；获取影响用户用电行为的可控因素和不可控因素(S30)；和将下述数据作为初始用电负荷预测模型的输入，训练该用户初始用电负荷预测模型，得到反映该用户用电行为特征的标准用电负荷预测模型，所述数据包括：影响该用户用电行为的可控因素、不可控因素、该用户的历史用电负荷数据和依据用电特征模型得到的历史用电负荷值(S40)。该标准用电负荷预测模型能够准确地反映用户的用电行为特征。
【专利说明】
确定用户用电行为特征的方法、用户用电负荷的预测方法 和装置
技术领域
[0001] 本发明设及电力领域，尤其设及电力负荷的预测。
【背景技术】
[0002] 电力用户的用电行为（主要包括用电负荷）是经常变化的，不但随着一天中不同 的时间变化，而且对季节、溫度、天气等因素也是敏感的，不同的季节，不同地区的气候，W 及溫度的变化都会对负荷造成明显的影响。另外，不同行业的电力负荷也不同。比如商业用 户，包括餐饮、娱乐行业，由于商业行为在节假日会增加营业时间，从而成为节假日中影响 电力负荷的重要因素之一。一般工业负荷的比重在用电构成中居于首位，而工业用户（主 要包括工厂）的用电负荷不仅取决于工业用户的工作方式（包括设备利用情况、企业的工 作班制等），而且与各行业的行业特点紧密相关。准确地确定用户的用电行为特征对实现准 确地预测用户的用电负荷非常重要。
[0003] 用电负荷预测包括最大负荷、最小负荷、年（或日）平均负荷、用电量、负荷曲线等 的预测。最大负荷预测对于确定电力系统发电设备及输变电设备的容量是非常重要的。为 了选择适当的机组类型和合理的电源结构W及确定燃料计划等，还必须预测一段时间内的 平均负荷及电量。负荷曲线的预测可为研究电力系统的峰值、抽水蓄能电站的容量W及发 输电设备的协调运行提供数据支持。
[0004] 随着电力市场的发展，电力负荷预测的重要性日益显现，并且对负荷预测精度的 要求越来越高。传统的预测方法比较成熟，预测结果具有一定的参考价值，但要进一步提高 预测精度，就需要对传统方法进行一些改进，同时随着现代科学技术的不断进步，理论研究 的逐步深入，出现了 W灰色理论、专家系统理论、模糊数学等为代表的新兴交叉学科理论， 为负荷预测的飞速发展提供了理论依据和数学基础。
【发明内容】
阳〇化]本发明的一个实施方式提供一种确定用户用电行为特征的方法，该方法包括：获 取该用户的历史负荷数据，得到该该用户的多条历史日负荷曲线，根据多条日负荷曲线的 相似度，实现将多条历史日负荷曲线按照不同的时间区间进行聚类（S10)。获取与该用户 在各个时间区间上的历史电流数据，对获取的历史负荷数据和历史电流数据进行统计学处 理，得到该用户在各个时间区间上的用电特征模型，各个时间区间的用电特征模型的组合 代表该用户的用电行为特征（S20)。获取影响用户用电行为的用户可控因素和不可控因素 (S30);和将下述数据作为一个初始用电负荷预测模型的输入，训练该用户初始用电负荷 预测模型，得到反映该用户用电行为特征的标准用电负荷预测模型（S40)，所述数据包括： 影响该用户用电行为的用户可控因素、不可控因素、该用户的历史用电负荷数据和该用户 的用电特征模型或依据该用户的用电特征模型得到的历史用电负荷值。
[0006] 为更新用户的用电行为特征，可W定期执行如下步骤：获取该用户的历史负荷数 据，得到该该用户的多条历史日负荷曲线，根据多条日负荷曲线的相似度，实现将多条历史 日负荷曲线按照不同的时间区间进行聚类（S10)。获取与该用户在各个时间区间上的历史 电流数据，对获取的历史负荷数据和历史电流数据进行统计学处理，得到该用户在各个时 间区间上的用电特征模型，各个时间区间的用电特征模型的组合代表该用户的用电行为特 征悅0)。
[0007] 本发明的另外一个实施方式提供一种用来预测用户用电负荷的方法，获取对该 用户的用电行为产生影响的用户可控因素和不可控因素（S50);获取该用户在各个时间区 间上的历史电流数据，对获取的历史负荷数据和历史电流数据进行统计学处理，得到该用 户在各个时间区间上的用电特征模型（S100);和将获取的用户可控因素、不可控因素和该 用户的用电特征模型或依据该用户的用电特征模型得到的历史用电负荷值输入到标准用 电负荷预测模型中，预测该用户的用电负荷（S60)。
[0008] 本发明的一个实施方式提供一种使用上述方法得到的用电负荷标准用电负荷预 测模型来预测新用户用电负荷的方法。该方法包括：获取对新用户的用电行为产生影响的 用户可控因素和不可控因素（S70);确定出用电行为与新用户最接近的老用户（S80);获 取确定出的老用户的历史用电负荷数据，得到老用户的多条历史日用电负荷曲线，根据多 条日用电负荷曲线的相似度，实现将老用户的多条历史日用电负荷曲线按照不同的时间区 间进行聚类（S90);获取老用户在各个时间区间上的历史电流数据，对获取的历史用电负 荷数据和历史电流数据进行统计学处理，得到老用户在各个时间区间上的用电特征模型 (S200);和将获取的新用户可控因素、不可控因素和老用户的用电特征模型或者依据老用 户的用电特征模型得到的历史负荷值输入到根据权利要求1所述的方法得到的反映该老 用户的标准用电负荷预测模型中，实现预测新用户的用电负荷（S300);其中新用户是指历 史用电负荷数据小于第一给定时间长度的用户，老用户是指历史用电负荷数据大于第二给 定时间长度的用户。
[0009] 本发明的一个实施方式提供一种确定用户用电行为特征的装置，包括：聚类单元， 用于获取该用户的历史负荷数据，得到该该用户的多条历史日负荷曲线，根据多条日负荷 曲线的相似度，实现将多条历史日负荷曲线按照不同的时间区间进行聚类；用电行为特征 确定单元，用于获取与该用户在各个时间区间上的历史电流数据，对获取的历史负荷数据 和历史电流数据进行统计学处理，得到该用户在各个时间区间上的用电特征模型，各个时 间区间的用电特征模型的组合代表该用户的用电行为特征；影响因素获取单元，用于获取 影响用户用电行为的用户可控因素和不可控因素；模型训练单元，用于将下述数据作为一 个用户初始用电负荷预测模型的输入，训练初始用电负荷预测模型，得到反映该用户用电 行为特征的标准用电负荷预测模型，所述数据包括：影响该用户用电行为的用户可控因素、 不可控因素、该用户的历史负荷数据和依据该用户的用电特征模型得到的历史用电负荷值 或该用户的用电特征模型。
【附图说明】
[0010] 图1示出了一种示例性的确定用户用电行为特征的方法的流程图；
[0011] 图2A-2B示出了对一个用户在6天的6条历史日负荷曲线的聚类结果；
[0012] 图3A-3B示出了对图1中示出的用户的历史日负荷曲线进行回归得到的结果；
[0013] 图4示出了一种示例性的预测用户用电负荷的方法的流程图；
[0014] 图5示出了一种示例性的预测新用户用电负荷的方法的流程图；和 阳015] 图6示出了一种确定用户用电行为特征的装置。
【具体实施方式】
[0016] 为了使本发明实施例的目的、技术方案和优点更加清楚，W下举例对本发明实施 例进行进一步的详细说明。
[0017] 图1示出了一种示例性的确定用户用电行为特征的方法的流程图。该确定用户 用电行为特征的方法获取该用户的历史负荷数据，得到该该用户的多条历史日负荷曲线， 根据多条日负荷曲线的相似度，实现将多条历史日负荷曲线按照不同的时间区间进行聚类 (S10)。之后，获取与该用户在各个时间区间上的历史电流数据，对获取的历史负荷数据和 历史电流数据进行统计学处理，得到该用户在各个时间区间上的用电特征模型，各个时间 区间的用电特征模型的组合代表该用户的用电行为特征（S20)。获取影响用户用电行为的 用户可控因素和不可控因素（S30);最后，将下述数据作为一个初始用电负荷预测模型的 输入，训练该用户初始用电负荷预测模型，得到反映该用户用电行为特征的标准用电负荷 预测模型（S40)，所述数据包括：影响该用户用电行为的用户可控因素、不可控因素、该用 户的历史用电负荷数据和该用户的用电特征模型或依据该用户的用电特征模型得到的历 史用电负荷值。可W理解，上述方法中的多个步骤可W按照其他顺序执行。例如，可W最先 获取影响用户用电行为的用户可控因素和用户不可控因素（S30)，然后再执行其他步骤。
[0018] 下面结合附图对上述方法进行详细说明。运里需要说明的是，在图2-图3中，历史 日负荷曲线是通过每15分钟采样一次用户的历史负荷值，将一天24小时分成了 96个点。 图中横坐标表示运些时间点，纵坐标表示用户的历史用电负荷值。
[0019] 该方法中的用户是指使用电力公司提供的电力的人或单位。由于单位用户的用电 需求大，而且单位用户由于所在行业等的不同，通常会表现出在某一或某些行业内共有的 特点，因此，本发明的实施例更适合于单位用户，但对个人用户也可应用。下述的举例中是 W单位用户进行举例的。用电负荷是表明用户使用电力时实际负载的功率的数据。
[0020] 该方法获取该用户的历史负荷数据，得到该该用户的多条历史日负荷曲线，根 据多条日负荷曲线的相似度，实现将多条历史日负荷曲线按照不同的时间区间进行聚类 (S10)。从用户所在的供电局可W得到用户的历史用电负荷数据，根据历史用电负荷数据可 W生成多条历史日负荷数据曲线。例如可W获取用户在2014年365天的365条日负荷数 据曲线。
[0021] 工业用户在不同时间区间的用电负荷变化较大。例如，很多工厂周六日和节假日 休息，和工作日的用电负荷相比，其周六日和节假日的用电量会少很多。再如，有的小炼钢 厂为了减少用电费用，只是在电价较低的夜间从事生产。运种小炼钢厂夜里的用电负荷远 远大于其白天的用电负荷。考虑到工业用户的该用电特点，本方法将一个用户的历史日负 荷曲线按照不同的时间区间进行聚类。运样可W提高聚类的准确性，能够更精细地确定用 户在不同时间区间的用电行为特征。图2A-2B示出了对一个用户在6天的6条日负荷曲线 的聚类结果。从图2A和2B中可W看到，3条Ξ个工作日的日负荷曲线相似度较高，Ξ个周 六日的日负荷曲线相似度较高，因此，运6条日负荷曲线分别被聚类在工作日和周六日两 个时间区间上。为简单起见，图2-图3仅仅示例性地示出了 6条日负荷曲线，实际上往往 需要使用更多的日负荷曲线，划分出的时间区间也会更多。例如根据日负荷曲线的相似度 可能分成：工作日的白天，工作日的夜晚，周六日和节假日四个时间区间。
[0022] 对用户的多条历史日负荷曲线在时间区间上进行聚类后，获取与该用户在各个时 间区间上的历史电流数据。可W从供电局获取对应于聚类后分成的各个时间区间上的历史 电流数据。然后，对获取的历史负荷数据和历史电流数据进行统计学处理，得到该用户在各 个时间区间上的用电特征模型，各个时间区间的用电特征模型的组合代表该用户的用电行 为特征（S20)。通过对历史负荷数据和电流数据进行统计学处理后，能够将用户偏离正常的 用电行为回归到正常用电行为。例如，某个夏天某个地区超乎寻常地炎热，该地区的一个冷 冻厂在运个夏天的用电负荷会偏离正常范围，通过统计学处理，能够将运个夏天的用电数 据回归到正常夏天的用电负荷范围。
[0023] 可W使用多种现有的统计学算法对获取的历史负荷数据和电流数据进行处理 (即数据挖掘），得到该用户在各个时间区间上的用电特征模型。可W根据用户的用电特点 使用不同的统计学算法。一种简单的统计学算法是分别对各个时间区间上的各段历史日负 荷曲线进行回归，将得到的回归曲线的函数关系作为各个时间区间上的用电特征模型。图 3示出了对图1中示出的用户的历史日负荷曲线进行回归得到的结果。运里使用了一种简 单的回归算法，即求取各个时间区间上的日负荷曲线的平均值。其中图3A为求取用户在3 个工作日的历史日负荷曲线的平均值得到的工作日平均负荷曲线，图3B为求取用户在3个 周六日的历史日负荷曲线的平均值得到的周六日平均负荷曲线。运两段日平均负荷曲线的 函数表达即为该用户的用电特征模型。运些用电特征模型的组合就代表该用户的用电行为 特征。例如，一个用户的用电特征模型的组合为：
[0024]
阳0巧]其中，η和f2表示函数关系，P表示用户的用电负荷值。
[0026] 获取影响用户用电行为的用户可控因素和用户不可控因素（S30)。用户的可控因 素即为用户可W调控的因素。相反，用户的不可控因素用户无法调控的因素。例如对一个 炼钢厂而言，不可控因素包括：气象因素、劳动力市场波动因素、钢材市场波动因素、电网拉 闽限电因素和节假日因素等。可控因素包括：使用的生产设备类型和数量、生产规模和生产 计划、设备维护时间、企业自己的节假日安排等。
[0027] 最后，将下述数据作为一个初始用电负荷预测模型的输入，训练该用户初始用电 负荷预测模型，得到反映该用户用电行为特征的标准用电负荷预测模型（S40)，所述数据包 括：影响该用户用电行为的用户可控因素、不可控因素、该用户的历史负荷数据和依据该用 户的用电特征模型得到的历史用电负荷值或该用户的用电特征模型。该标准用电负荷预测 模型可W用来预测短期的，例如某一天的用电负荷，也可W用来预测中长期的，比如某一年 的用电负荷。同时，用电负荷可W是用户的最大用电负荷、最小用电负荷或者平均用电负荷 等。
[0028] 用户初始用电负荷预测模型可W是利用现有的时间序列算法、神经网络算法或者 支持向量机算法（Suppcxrt vector machines, SVM)等算法建立的模型。时间序列法是一 种常见的负荷预测方法，它是针对整个观测序列呈现出的某种随机过程的特性，去建立和 估计产生实际序列的随机过程的模型，然后用运些模型去进行预测。它利用了电力负荷变 动的惯性特征和时间上的延续性，通过对历史数据时间序列的分析处理，确定其基本特征 和变化规律，预测未来负荷。神经网络算法是利用神经网络的学习功能，让计算机学习包含 在历史负荷数据中的映射关系，再利用运种映射关系预测未来负荷。该算法具有很强的鲁 棒性、记忆能力、非线性映射能力W及强大的自学习能力。支持向量机算法与神经网络类 似，都是学习型的机制，但与神经网络不同的是支持向量机算法使用的是数学方法和优化 技术。支持向量机算法不但适于预测比较平稳的数据，也适于预测波动比较大的数据。但 是该算法复杂，难于实现，并且计算速度慢。基于支持向量机算法的上述特点，可W利用该 算法预测波峰波谷时段的用电负荷，预测精度比时间序列精度高。对于高度非线性的序列 来说，时间序列模型需要设定其非线性形式，运比较困难。此种情况下使用神经网络算法或 支持向量机算法建立的初始模型更好。神经网络模型（即用神经网络算法建立的初始模 型）可任意精度逼近非线性函数。在使用神经网络模型时需要注意设定神经网络的结 构（主要是隐神经元的个数）和参数的初始值，避免过拟合和局部极小。本领域的技术人 员可W根据运些现有算法的上述特点，结合用户的用电行为特点确定具体使用哪个算法。
[0029] 用户初始用电负荷预测模型还可W是分时段建立的多个初始预测模型的组合。由 于很多用户在节假日和非节假日、白天和夜里、不同季节的用电负荷差异较大。所W为了进 一步提高用电负荷预测精度，可W先把例如一个餐厅的历史用电负荷数据分成节假日和非 节假日的两类。可W使用一个用时间序列算法建立该餐厅在节假日时的初始用电负荷预测 模型，使用支持向量机算法建立该餐厅在非节假日的初始用电负荷预测模型。
[0030] 初始用户用电负荷预测模型还可W是多个具有不同权重的初始预测模型的组合 形成的综合模型，运样就可W综合不同预测模型的优点，提高预测精度。例如，可W组合使 用现有的灰色模型算法、指数平滑算法和移动平均算法，基于对运Ξ种算法预测精度的了 解，可W赋予其不同的权重，例如权重依次为0. 5、0. 3、0. 2。运Ξ种算法组合成的综合模型 可作为用户用电负荷的初始预测模型。
[0031] 建立用户的初始用电负荷预测模型（包括上面所述的多个预测模型组合形成的 组合模型）后，将下述数据作为初始用电负荷预测模型的输入，训练初始用电负荷预测模 型，即可确定出初始用电负荷预测模型中的参数，得到反映该用户用电行为特征的标准用 电负荷预测模型（S40)，上述输入数据包括：影响该用户用电行为的用户可控因素、不可控 因素、该用户的历史用电负荷数据和依据该用户的用电特征模型得到的历史用电负荷值或 该用户的用电特征模型。
[0032] 例如，建立的初始用电负荷预测模型可W为P = Axl+Bx2+Cx3+Dx4。可W将变量 XI定义为代表用户可控因素，将变量X2定义为用户不可控因素，X3定义代表为用户的历 史用电负荷数据，X4定义代表为依据该用户的用电特征模型得到的历史用电负荷值，即用 户的历史用电负荷值。例如，依据用户的用电特征模型得到的历史用电负荷值对前面的例 子而言，就是依据用电特征模型fi(t)和f2(t)计算出的用户的历史用电负荷值。再如，建 立的初始用电负荷预测模型可W为P = g (f 1 (t)，f2 (t)) +h (Z) +i (η) + j (m)，即用电特征模型 fi(t)和f2(t)是初始用电负荷预ii模型的变量。可朗尋h(z)、i(n)和j(m)分别定义为代 表影响用户用电负荷的可控因素、不可控因素和用户的历史负荷数据，其中g，h，i和j分别 表示一种函数关系。
[0033] 上述确定用户用电行为特征的方法通过对一个用户的历史日负荷曲线实现自聚 类，能够确定出用户在不同时间区间的不同用电行为特征。从而使训练出的标准用电负荷 预测模型能够更准确地反映该用户的用电行为特征。同时，上述方法通过使用影响用户用 电负荷的可控因素和用户的用电行为特征曲线，用户的用电特征模型和依据用电特征模型 得到的历史用电负荷值能够反映用户自身的用电特征。例如，对于工业用户而言，其能够反 映用户的生产设备类型和设备使用频率、使用时间、生产设备检的修周期等用户自身的用 电特征。通过使用用户的用电特征模型和依据用电特征模型得到的历史用电负荷值来训练 初始用电负荷预测模型，就能够使训练出的标准模型能够更接近用户自身的用电特点。另 夕F，通过对历史如负荷数据和电流数据进行统计学处理，能够过滤掉用户异常的历史用电 负荷数据和电流数据，运样能更进一步提高预测的精度。最后，由于使用用户的历史用电负 荷数据训练初始用户用电负荷预测模型，使得产生的标准用电负荷预测模型能够更准确地 反映用户的用电行为特征。尤其当用户有最近的历史用电负荷数据时，可W使用最近的历 史用电负荷数据训练初始用户用电负荷预测模型，运样训练出的标准用电负荷预测模型能 够准确地反映该用户最近的用电行为特征。
[0034] 在另外一种确定用户确定用户用电行为特征的方法中，其中定期执行上述聚类 (S10)和回归（S20)步骤，运样能够更新用户的用电行为特征，使得用电行为特征能够反映 用户最近的用电行为特征。更新的频率可W为一个月一次或者半年一次，运主要由用户的 用电特点决定。
[0035] 图4示出了一种示例性的预测用户用电负荷的方法的流程图。该预测用户用电负 荷的方法能够实现利用一个用户的历史用电负荷数据精确地预测该用户未来的用电负荷。 该方法包括：获取该用户在上述方法中实现聚类时确定的各个时间区间上的历史负荷数据 和历史电流数据，对获取的历史负荷数据和历史电流数据进行统计学处理，得到该用户在 各个时间区间上的用电特征模型（S100)。将获取运些因素和依据该用户的用电特征模型得 到的历史负荷值或该用户的用电特征模型输入到依据上述方法得到的该用户的标准用电 负荷预测模型中，预测该用户的用电负荷（S60)。
[0036] 由于在该方法中需要使用用户的历史负荷数据、历史电流数据和根据二者确定的 用电特征模型，所W对于没有或者缺少历史日负荷数据和历史电流数据的新用户无法使用 该方法预测其用电负荷。
[0037] 图5示出了一种示例性的预测新用户用电负荷的方法的流程图。该方法包括：获 取对新用户的用电行为产生影响的用户可控因素和不可控因素（S70);确定出与新用户用 电行为特征最接近的老用户（S80);获取确定出的老用户的历史用电负荷数据，得到老用 户的多条历史日用电负荷曲线，根据多条日用电负荷曲线的相似度，实现将多条历史日用 电负荷曲线按照不同的时间区间进行聚类（S90)。获取老用户在各个时间区间上的历史电 流数据，对获取的历史用电负荷数据和历史电流数据进行统计学处理，得到老用户在各个 时间区间上的用电特征模型（S200)。将获取的待预测新用户可控因素、不可控因素和老用 户的用电特征模型或者依据老用户的用电特征模型得到的历史负荷值输入到根据权利要 求1所述的方法得到的反映老用户的标准用电负荷预测模型中，实现预测新用户的用电负 荷（S300)。运里，新用户是指历史用电负荷数据小于第一给定时间长度的用户，老用户是指 历史用电负荷数据大于第二给定时间长度的用户。例如，可w设定历史用电负荷数据时间 长度小于半年的用户为新用户，历史用电负荷数据时间长度大于一年的用户为老用户。第 一时间长度和第二时间长度可W相等。需要说明的是，历史用电数据小于上述时间长度的 用户均称为新用户。例如有的用户虽然用电时间已经较长，但是其历史数据可能丢失或者 未采集，运样的用户也属于本方法中所述的新用户。
[0038] 可W通过下述两种方式确定与新用户的用电行为特征最接近的历史用电负荷数 据充足的老用户。当新用户具有一定的历史负荷数据，能够形成历史日负荷曲线时，可W将 该新用户的历史日负荷曲线和多个老用户的日负荷曲线比较，与新用户的日负荷曲线相似 度最高的老用户即为与新用户的用电行为特征最接近的老用户。当新用户的历史负荷数据 非常少，不能形成历史日负荷曲线时，可W根据新用户的变电容量、额定电压和额定电流等 用电参数，确定出和新用户的运些参数最接近的老用户。利用确定出的该老用户的标准用 电负荷预测模型，将对该待预测新用户的用电行为产生影响的用户可控因素、不可控因素 和确定出的用电行为特征与该新用户最接近的老用户的用电特征模型或者依据该老用户 的用电特征模型得到的历史负荷值输入到老用户的标准用电负荷预测模型中，即可实现预 测新用户的用电负荷。
[0039] 图6示出了一种一种确定用户用电行为特征的装置。该装置包括聚类单元12、用 电行为特征确定单元14、影响因素获取单元16和模型训练单元18。运些单元的功能可W通 过软件实现。聚类单元12用于获取该用户的历史负荷数据，得到该该用户的多条历史日负 荷曲线，根据多条日负荷曲线的相似度，实现将多条历史日负荷曲线按照不同的时间区间 进行聚类。用电行为特征确定单元14,用于获取与该用户在各个时间区间上的历史电流数 据，对获取的历史负荷数据和历史电流数据进行统计学处理，得到该用户在各个时间区间 上的用电特征模型，各个时间区间的用电特征模型的组合代表该用户的用电行为特征。影 响因素获取单元16用于获取影响用户用电行为的用户可控因素和不可控因素。模型训练 单元18用于将下述数据作为一个用户初始用电负荷预测模型的输入，训练初始用电负荷 预测模型，得到反映该用户用电行为特征的标准用电负荷预测模型，所述数据包括：影响该 用户用电行为的用户可控因素、不可控因素和该用户的历史用电负荷数据和该用户的用电 特征模型或依据该用户的用电特征模型得到的历史用电负荷值。
[0040] W上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。在具 体的实施过程中可对根据本发明的优选实施例进行适当的改进，W适应具体情况的具体需 要。因此可W理解，本文所述的本发明的【具体实施方式】只是起示范作用，并不用W限制本发 明的保护范围。
【主权项】
1. 一种确定用户用电行为特征的方法，包括： 获取该用户的历史用电负荷数据，得到该该用户的多条历史日用电负荷曲线，根据多 条日用电负荷曲线的相似度，实现将多条历史日用电负荷曲线按照不同的时间区间进行聚 类（S10); 获取与该用户在各个时间区间上的历史电流数据，对获取的历史用电负荷数据和历史 电流数据进行统计学处理，得到该用户在各个时间区间上的用电特征模型，各个时间区间 的用电特征模型的组合代表该用户的用电行为特征（S20); 获取影响用户用电行为的用户可控因素和不可控因素（S30);和 将下述数据作为一个初始用电负荷预测模型的输入，训练该用户初始用电负荷预测模 型，得到反映该用户用电行为特征的标准用电负荷预测模型，所述数据包括：影响该用户用 电行为的用户可控因素、不可控因素、该用户的历史用电负荷数据和该用户的用电特征模 型或依据该用户的用电特征模型得到的历史用电负荷值（S40)。2. 根据权利要求1所述的方法，其中，为更新用户的用电行为特征，定期执行如下步 骤： 获取该用户的历史用电负荷数据，得到该该用户的多条历史日负荷曲线，根据多条日 负荷曲线的相似度，实现将多条历史日负荷曲线按照不同的时间区间进行聚类（S10); 获取与该用户在各个时间区间上的历史电流数据，对获取的历史负荷数据和历史电流 数据进行统计学处理，得到该用户在各个时间区间上的用电特征模型，各个时间区间的用 电特征模型的组合代表该用户的用电行为特征（S20)。3. -种使用权利要求1-3中任一项所述的方法得到的用户用电负荷标准预测模型来 预测该用户用电负荷的方法，包括： 获取对该用户的用电行为产生影响的用户可控因素和不可控因素（S50); 获取该用户在各个时间区间上的历史电流数据，对获取的历史负荷数据和历史电流数 据进行统计学处理，得到该用户在各个时间区间上的用电特征模型（S100);和 将获取的用户可控因素、不可控因素和该用户的用电特征模型或依据该用户的用电 特征模型得到的历史用电负荷值输入到标准用电负荷预测模型中，预测该用户的用电负荷 (S60)〇4. 一种预测新用户用电负荷的方法，包括： 获取对新用户的用电行为产生影响的用户可控因素和不可控因素（S70); 确定出用电行为特征与新用户最接近的老用户（S80); 获取确定出的老用户的历史用电负荷数据，得到老用户的多条历史日用电负荷曲线， 根据多条日用电负荷曲线的相似度，实现将老用户的多条历史日用电负荷曲线按照不同的 时间区间进行聚类（S90); 获取老用户在各个时间区间上的历史电流数据，对获取的历史用电负荷数据和历史电 流数据进行统计学处理，得到老用户在各个时间区间上的用电特征模型（S200);和 将获取的新用户可控因素、不可控因素和老用户的用电特征模型或者依据老用户的用 电特征模型得到的历史负荷值输入到根据权利要求1所述的方法得到的反映该老用户的 标准用电负荷预测模型中，实现预测新用户的用电负荷（S300); 其中新用户是指历史用电负荷数据小于第一给定时间长度的用户，老用户是指历史用 电负荷数据大于第二给定时间长度的用户。5. -种确定用户用电行为特征的装置，包括： 聚类单元（12)，用于获取该用户的历史负荷数据，得到该该用户的多条历史日负荷曲 线，根据多条日负荷曲线的相似度，实现将多条历史日负荷曲线按照不同的时间区间进行 聚类； 用电行为特征确定单元（14)，用于获取与该用户在各个时间区间上的历史电流数据， 对获取的历史负荷数据和历史电流数据进行统计学处理，得到该用户在各个时间区间上的 用电特征模型，各个时间区间的用电特征模型的组合代表该用户的用电行为特征； 影响因素获取单元（16)，用于获取影响用户用电行为的用户可控因素和不可控因素； 模型训练单元（18)，用于将下述数据作为一个用户初始用电负荷预测模型的输入，训 练初始用电负荷预测模型，得到反映该用户用电行为特征的标准用电负荷预测模型，所述 数据包括：影响该用户用电行为的用户可控因素、不可控因素、该用户的历史用电负荷数据 和该用户的用电特征模型或依据该用户的用电特征模型得到的历史用电负荷值。
【文档编号】G06Q10/04GK105989420SQ201510076866
【公开日】2016年10月5日
【申请日】2015年2月12日
【发明人】刘泉斌, 李晶
【申请人】西门子公司