一种系统用电量预测方法
【技术领域】
[0001] 本发明属于电力系统用电量分析领域，涉及一种系统用电量预测方法。
【背景技术】
[0002] 配电网系统短期用电量预测的研究已有很长历史，长期以来，短期用电量预测的 对象通常局限在全网的系统，国内外学者对此作了大量的理论和方法的研究工作，提出了 多种各具特点的预测方法，如时间序列法、专家系统法、人工神经网络法等。
[0003] 短期用电量具有明显周期性，如日用电量曲线的相似性、同一星期类型日的相似 性、节假日的相似性等，此外短期用电量易受到各种环境因素的影响，如天气、文体活动等， 这使得用电量的变化出现非平稳的随机过程。因此目前存在的预测方法，如时间序列法、 专家系统法、人工神经网络法等，其实际应用效果并不理想，难以建立系统用电量与众多影 响因素之间的关系模型。然而，预测结果是制定电网发、购电计划、电力系统规划、计划、用 电、调度等部门的基础工作，因此，能否提出更加可靠、准确的解决方法一直是人们研究的 课题。
【发明内容】
[0004] 本发明的目的在于提供一种新的系统用电量预测方法，该方法可以弥补现有预测 方法的不足。
[0005] -种系统用电量预测方法，包括以下步骤：
[0006] Sl数据获取
[0007] 通过智能电表采集居民、工业、商业等用户的用电信息，通过外部系统获取影响因 素信息，同时生成该用户历史表。
[0008] S2用户用电规律分析
[0009] 结合历史表对采集得到的用户用电信息进行拟合分析，分析得到用户用电规律。
[0010] S3影响因素分析
[0011] 根据用户类型设置负载波动范围，对超出波动范围的时间点进行影响因素分析， 得到各影响因素对该用户用电量的影响值。
[0012] S4系统用电量预测
[0013] 结合用户用电规律分析和影响因素分析，对系统未来短期用电量进行预测。
[0014] 步骤Sl获取的用户用电信息为实时用电信息；生成历史表的方式为定时将获取 的信息形成该用户用电信息历史表。
[0015] 步骤Sl所述影响因素主要包括：天气、节假日、社会事件等。
[0016] 优选的，所述历史表包括：用户ID、用户用电量、天气信息、节假日类型、相关社会 事件信息。
[0017] 优选的，可以每隔一小时统计一次用户用电量并获取当时的天气信息形成该用户 的时历史统计点；每日凌晨〇~4时将该用户的时历史统计点合并形成该用户当日用电量、 天气信息、节假日类型、相关社会事件信息的日历史表。
[0018] 步骤S2所述拟合分析方法为线性分析。
[0019] 优选的，步骤S2所述线性分析方法为：根据步骤Sl所得历史表根据用户类型和 用电类型对用户用电信息以用户日用电量为y，以日期为X，通过下述公式进行线性拟合分 析，分析得到用户用电规律曲线。
[0020] y (X) = (xx n+." +xx 2+xx !+X) / (n+1)
[0021] η值为取值过程中的取值个数，取值范围根据用户类型和用电类型进行划分，取值 数量可根据系统运算能力选取。一般的，对于工作日用电取值不应少于5个工作日点、周末 用电取值不应少于6个周末点、假日用电取值为不超过3次相同节假日的平均值、连续用电 取值不应少于15个取值点。
[0022] 步骤S3所述影响因素分析方法为：
[0023] 1)判断用户是否处于活动状态，判断方法为根据用户类型判断用户该日用电量是 否低于阈值。
[0024] 2)如用户处于活动状态，则判断该时间点该用户用电量是否超出波动范围。
[0025] 3)对超出波动范围的时间点进行天气、节假日、社会事件等影响因素进行单一性 分析；其中天气因素为差值计算，通过计算该时间点和前一天的气温、湿度、风力差值及是 否存在降雨、降雪等特殊变化。
[0026] 4)如为单一影响因素则统计该影响因素影响用户用电量的平均值、最大值和方差 值；其中天气因素需要统计相应的差值；根据统计结果形成单因素模型。
[0027] 5)如为多项影响因素，则结合步骤3)所得单一因素采用下述方法判断各影响因 素的影响系数：
[0028] a.统计多项影响因素所含所有可能的组合方式。
[0029] b.拟合各组合方式下各影响因素平均值累和与真实值的符合程度。
[0030] c.选取最接近组合方式拟合统计各影响因素在多项影响因素中对用户用电量的 影响系数；其中天气因素系数与差值结合；形成该多项影响因素下的统计模型。
[0031] d.对相同模型的各影响系数取平均值。
[0032] 分析得到各影响因素对该用户用电量的影响值。
[0033] 进一步的，所述天气因素主要为：气温、湿度、降雨/雪和风力；节假日因素主要 为：普通周末、法定额外假日、特殊事件假日；社会事件因素主要根据用户类型进行关联事 件划分。
[0034] 优选的，步骤S3所述影响因素分析可采用Hadoop分布式计算框架进行。
[0035] 步骤S4所述系统用电量预测方法为：
[0036] 首先获取未来短期内各影响因素信息，然后根据未来短期内存在的影响因素选择 相应的模拟模型，结合用户用电规律曲线和相应的影响因素模拟模型，模拟预测未来短期 内该用户的用电量；统计各系统区域内所有用户的用电量预测，即可得到该系统区域的用 电量预测。
[0037] 优选的，本发明所述系统用电量预测方法可用于系统用电量的短期预测。
[0038] 与现有预测方法相比，本发明所述预测方法具有如下优点：
[0039] 1.本发明所述分析方法基于用户用电信息，由于用户受行业属性决定，其活动具 有明显的规律性，影响因素相对单一，用电量与影响因素的关系更加简单而有规律，用电特 性更易于把握，因此本发明所述分析方法可以比较准确的掌握用户用电规律。
[0040] 2.本发明充分考虑了影响用户用电量的主要影响因素，并统计计算了各影响因素 的影响值及多项因素共同作用时各因素的贡献比例，因此，本发明所述预测方法与现有预 测方法相比更为准确。
[0041] 3.本发明引入了 Hadoop框架的大数据技术，降低了系统的运算压力，提高了系统 的性能。
[0042] 4.本发明所述预测方法具有较强学习能力，随着统计模型的增加可以更加准确有 效的进行用电量预测，增加新预测模型的过程较为简单，且增加新模型也不需要进行重新 分析。
[0043] 5.本发明的预测方法是今后电力系统用电量预测的一个全新发展方向，将更加有 利于电网公司提高电网运行的稳定性和经济性，此外，用户电量与行业属性、GIS等维度信 息的组合，可实现行业和地块的用电趋势研究，在预测领域具有广泛用途和重要意义。
【附图说明】
[0044] 图1用电量预测方法结构图；
[0045] 图2影响因素分析方法结构图。 具体实施例
[0046] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进 一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本 发明。
[0047] 随着智能电表的大面积安装和用电信息采集系统的广泛应用，获取了大量用户的 用电信息，使得研究用户用电量变化规律成为可能，由于用户受行业属性决定，其生产活动 具有自身明显的规律性，影响因素相对单一，用电量与影响因素的关系更加简单，用电特性 更易于把握，因此用电量分析点越接近于用电需求地就越有利于掌握用电变化规律性。
[0048] 基于以上分析，申请人发明了一种基于海量用户用电数据的系统短期用电量预测 新方法，这种方法由于涉及电网用户数量众多，数据量大、计算量大，传统的计算框架已无 法胜任如此大量的数据计算