本发明涉及居民用电负荷领域,具体涉及一种居民区负荷特性及模型预测的归类研究方法。
背景技术:
随着我国经济的快速发展和电力体制改革的进一步深化,电力市场分析工作对电力企业的经营和规划越来越重要。负荷特性分析和调查是电力系统规划的基础,是了解和预测管辖范围内用户和市场的必要手段。居民负荷是城市负荷的重要组成部分,对城市居民负荷特性进行调查研究、对居民负荷预测、居民区供电方案的制定、城市电网规划、电网经济运行及电力市场营销具有重要意义。通过对区域负荷特性进行深入分析,深入了解该区域的负荷特性状况,可以进行有效的负荷监控,改善需求侧的用电情况,使整个电网负荷更加平稳,从而提高社会效益。电力系统负荷预测按时间不同可以分为长期、中期、短期和超短期预测。研究的方法有回归预测法、趋势外推法、时间序列法、神经网络方法等。如果选择预测模型的标准是追求预测精度的极大化,则最好选择时间序列模型。时间序列方法预测电力负荷的基本思路是:收集大量准确的历史数据,根据未来与过去时间序列所具有的相似性,通过历史负荷数据揭示其随时间变化的规律,建立科学的模型,进行大量地检验从而不断完善模型,达到最佳的预测结果。
针对电力系统的负荷特性分析有很多卓有成效的研究工作,虽然这些研究成果对地区负荷特性分析有一定的借鉴意义,但也存在各自的不足与局限。
技术实现要素:
本发明的目的在于提供一种居民区负荷特性及模型预测的归类研究方法,该方法通过对已有居民区的负荷数据去预测新建小区的负荷或进行已有居民区的负荷异常检测,大大减少工作量,有助于科学的进行供电网的调配,更好的使得供电网经济安全运行。
为实现上述目的,本发明的技术方案是:一种居民区负荷特性及模型预测的归类研究方法,包括如下步骤,
s1、建立居民区特征空间,划分类别:根据居民区的特征数据,包括区域位置、占地面积、容积率、总户数、房屋均价、开盘时间、物业费、建筑类别、教育资源、生活娱乐资源、交通出行数据,对该些数据进行处理,使得每个居民区均由一组数值化的特征表示,而后对各居民区进行k-means聚类分析,完成居民区的类别划分;
s2、建立arima预测模型有效的预测负荷;
s3、建立同类型小区负荷预测:对于新居民区,根据已有的特性指标相似的居民区的负荷数据去量化新居民区的负荷指标,并通过已有居民区的发展规律预测新居民区的负荷发展。
在本发明一实施例中,对于两个特性指标相似的居民区而言,需进行负荷异常数据的检验,即若a和b为两个特性指标相似的居民区,对两个居民区分别提取特征,并对a和b建立arima预测模型;若a和b小区的特征相近,则负荷特性也会相近,反之亦然;若出现特征相近,负荷特性相远的情况,则认为出现异常。
在本发明一实施例中,所述步骤s1的具体实现过程如下:
对居民区的特征数据数据做如下处理:
区域位置:按照社区、街道给予唯一的编号;
占地面积,容积率,总户数,房屋均价,物业费:归一化,使其值域为0~1;
开盘时间:转化为与当前时间的时间差,对时间差归一化,使其值域为0~1;
建筑类别:将建筑类别分为别墅、洋房、小高层、高层中的一种或多种的组合形态,每种形态给予唯一的编号;
教育资源:教育资源分为普通小学数量、重点小学数量、普通初中数量、重点初中数量,权值为别赋予3、3.5、4、4.5,计算后归一化,使其值域为0~1;
生活娱乐资源:生活娱乐资源分为银行数量、餐馆数量、电影院数量、商场数量、综合体数量权值为别赋予1、1、5、10、20,计算后归一化,使其值域为0~1;
交通出行:交通出行分为公交车、火车站,当公交车线路<5时,值为0;公交车线路>5时,值为0.5;有火车站时值为1;
对居民区的特征数据数据进行上述处理后,使得每个居民区均由一组数值化的特征表示,而后对各居民区进行k-means聚类分析,完成居民区的类别划分。
相较于现有技术,本发明具有以下有益效果:本发明通过对已有居民区的负荷数据去预测新建小区的负荷或进行已有居民区的负荷异常检测,大大减少工作量,有助于科学的进行供电网的调配,更好的使得供电网经济安全运行。
附图说明
图1是与本发明实施例一致的基于特性指标的预测流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明的一种居民区负荷特性及模型预测的归类研究方法,包括如下步骤,
s1、建立居民区特征空间,划分类别:根据居民区的特征数据,包括区域位置、占地面积、容积率、总户数、房屋均价、开盘时间、物业费、建筑类别、教育资源、生活娱乐资源、交通出行数据,对该些数据进行处理,使得每个居民区均由一组数值化的特征表示,而后对各居民区进行k-means聚类分析,完成居民区的类别划分;
s2、建立arima预测模型有效的预测负荷;
s3、建立同类型小区负荷预测:对于新居民区,根据已有的特性指标相似的居民区的负荷数据去量化新居民区的负荷指标,并通过已有居民区的发展规律预测新居民区的负荷发展。
对于两个特性指标相似的居民区而言,需进行负荷异常数据的检验,即若a和b为两个特性指标相似的居民区,对两个居民区分别提取特征,并对a和b建立arima预测模型;若a和b小区的特征相近,则负荷特性也会相近,反之亦然;若出现特征相近,负荷特性相远的情况,则认为出现异常。
所述步骤s1的具体实现过程如下:
对居民区的特征数据数据做如下处理:
区域位置:按照社区、街道给予唯一的编号;
占地面积,容积率,总户数,房屋均价,物业费:归一化,使其值域为0~1;
开盘时间:转化为与当前时间的时间差,对时间差归一化,使其值域为0~1;
建筑类别:将建筑类别分为别墅、洋房、小高层、高层中的一种或多种的组合形态,每种形态给予唯一的编号;
教育资源:教育资源分为普通小学数量、重点小学数量、普通初中数量、重点初中数量,权值为别赋予3、3.5、4、4.5,计算后归一化,使其值域为0~1;
生活娱乐资源:生活娱乐资源分为银行数量、餐馆数量、电影院数量、商场数量、综合体数量权值为别赋予1、1、5、10、20,计算后归一化,使其值域为0~1;
交通出行:交通出行分为公交车、火车站,当公交车线路<5时,值为0;公交车线路>5时,值为0.5;有火车站时值为1;
对居民区的特征数据数据进行上述处理后,使得每个居民区均由一组数值化的特征表示,而后对各居民区进行k-means聚类分析,完成居民区的类别划分。
以下为本发明的具体实现过程。
本发明的居民区负荷特性及模型预测的归类研究方法,包括以下步骤:
(1)建立居民区特征空间,划分类别
居民区的特征数据包括:区域位置、占地面积、容积率、总户数、房屋均价、开盘时间、物业费、建筑类别、教育资源、生活娱乐资源、交通出行,对这些数据可以做如下处理:
区域位置:按照社区、街道给予唯一的编号;
占地面积,总户数,房屋均价,物业费,容积率:归一化,使其值域为0~1;
开盘时间:转化为与当前时间的时间差,对时间差归一化,使其值域为0~1;
建筑类别:建筑类别可分为别墅、洋房、小高层、高层,总有15种组合形态,每种形态给予唯一的编号;
教育资源:教育资源分为普通小学数量、重点小学数量、普通初中数量、重点初中数量,权值为别赋予3、3.5、4、4.5,计算后归一化,使其值域为0~1;
生活娱乐资源:生活娱乐资源分为银行数量、餐馆数量、电影院数量、商场数量、综合体数量权值为别赋予1、1、5、10、20,计算后归一化,使其值域为0~1;
交通出行:交通出行分为公交车、火车站,当公交车线路<5时,值为0;公交车线路>5时,值为0.5;有火车站时值为1。
数据经以上的处理后,每个居民区都由一组数值化的特征进行描述,对居民区进行k-means聚类分析,完成居民区的类别划分。
(2)建立arima预测模型有效的预测负荷
所谓arima模型,是指将非平稳时间序列转化为平稳时间序列,然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。arima模型根据原序列是否平稳以及回归中所含部分的不同,包括移动平均过程(ma)、自回归过程(ar)、自回归移动平均过程(arma)以及arima过程。
(3)建立同类型小区负荷预测
对于新建小区而言,通过已有小区的负荷数据去量化新建小区的负荷指标,有利于减少新建小区的负荷分析工作,并通过已有小区的发展规律准确地把握新建小区的负荷发展;
对于两个特性指标相似的小区而言,可以进行负荷异常数据的检验。如图所示,a和b两个小区分别提取特征,并对a和b建立预测模型。如果a和b小区的特征相近,则负荷特性也会相近,反之亦然。若出现特征相近,负荷特性相远的情况,考虑出现异常情况。
本发明的原理是:
本发明通过建立居民区特征的空间,进行划分类别。通过某小区历史数据建立合适的预测模型,那么这一模型也适用于同类小区的负荷预测。随着时间的变化,同一小区用电特性也有所变化,对于这种变化规律同样可以归类分析,大大减少了工作量。
本发明的有益效果在于:
本发明通过对通过已有居民区的负荷数据去预测新建小区的负荷或进行已有居民区的负荷异常检测,大大减少工作量,有助于科学的进行供电网的调配,更好的使得供电网经济安全运行。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是cd-rom,u盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。