本發(fā)明涉及電力系統(tǒng)領域，具體涉及一種基于電量信息的用戶負荷預測方法。

背景技術：

隨著經濟社會的快速穩(wěn)定發(fā)展，新型城鎮(zhèn)化和美麗鄉(xiāng)村建設的有序開展，特別是隨著農村居民家庭家用電器的不斷增加，我國居民用電負荷不斷增長，居民生活用電特性也不斷發(fā)生變化。準確掌握用戶負荷、特別是高峰負荷時段用戶負荷的增長情況和用電特性，是合理進行配電臺區(qū)規(guī)劃，優(yōu)化配電臺區(qū)運行控制的基礎。目前在實際配電臺區(qū)規(guī)劃建設過程對用戶用電負荷一般根據(jù)經驗進行估算，準確度不高，導致配電臺區(qū)剛剛進行增容后不久就重過載的情況時有發(fā)生。因此，準確模擬和預測用戶負荷變化急需解決。目前配電臺區(qū)對于用戶僅準確獲知用電量信息，可以通過用戶智能電表采集每天尖峰時段、高峰時段、平段和谷段電量，另外可以通過統(tǒng)計方法獲得用戶家用電器的額定功率和擁有量。

準確掌握用戶負荷、特別是高峰負荷時段用戶負荷的增長情況和用電特性，是合理進行配電臺區(qū)規(guī)劃，優(yōu)化配電臺區(qū)運行控制的基礎。目前在實際配電臺區(qū)規(guī)劃建設過程對用戶用電負荷一般根據(jù)經驗進行估算，準確度不高，導致配電臺區(qū)剛剛進行增容后不久就重過載的情況時有發(fā)生。因此，需要提供一種方便、快捷、準確模擬和預測用戶負荷變化的用戶負荷預測方法，為臺區(qū)配電變壓器容量的合理配置奠定基礎，提高配電臺區(qū)經濟運行水平和建設效率。

技術實現(xiàn)要素：

為了在配電臺區(qū)規(guī)劃建設過程中準確掌握用戶用電負荷，本發(fā)明提供了一種基于電量信息的用戶負荷預測方法。

本發(fā)明的技術方案是：

所述方法包括：

步驟1：獲取用戶家用電器的種類集合DQ、功率集合PDQ、數(shù)量集合NDQ、使用概率初始典型值矩陣PB⁰、高峰負荷時段的時刻集合T和用戶高峰負荷時段用電量集合Q；

步驟2：設定用戶在高峰負荷時段的時刻序號i＝1，1≤i≤m，所述m為高峰負荷時段的 時刻總數(shù)；

步驟3：將使用概率典型值矩陣PB^i-1賦值到使用概率典型值矩陣PBⁱ中；所述PB^i-1為t_i-1時刻的家用電器使用概率典型值矩陣，PBⁱ為t_i時刻的家用電器使用概率典型值矩陣；

步驟4：依據(jù)所述使用概率典型值矩陣PBⁱ計算用戶高峰負荷時段中各時刻的負荷值，構建負荷曲線序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}，p_i為t_i時刻家用電器的負荷值；

步驟5：用遺傳算法優(yōu)化所述使用概率典型值矩陣PBⁱ；

步驟6：設置高峰負荷時段的時刻序號i＝i+1；

步驟7：若i≤m，則返回步驟3；若i＞m，則依據(jù)優(yōu)化后的家用電器的使用概率典型值矩陣PBⁱ和用戶擁有的各種類型家用電器的數(shù)量，運用蒙特卡洛非序貫隨機抽樣方法計算預測用戶的負荷值。

優(yōu)選的，所述步驟1中所述家用電器的種類集合DQ＝{dq₁,dq₂,...,dq_j,...,dq_n}，n為家用電器的類型總數(shù)，dq_j為第j種類型家用電器的名稱；所述家用電器的功率集合PDQ＝{pdq₁,pdq₂,...,pdq_j,...,pdq_n}，pdq_j為第j種類型家用電器的平均功率；所述家用電器的數(shù)量集合NDQ＝{ndq₁,ndq₂,...,ndq_j,...,ndq_n}，ndq_j為第j種類型家用電器的數(shù)量；所述高峰負荷時段的時刻集合T＝{t₁,t₂,...,t_i,...,t_m}，t_m為24制時間的時刻值，1≤t_m≤24；

所述家用電器的使用概率初始典型值矩陣

所述為t_i時刻第j種類型家用電器dq_j的使用概率典型值的初值；

優(yōu)選的，所述步驟1中用戶用電量集合Q＝{q₁,q₂,...,q_k,...,q_d}，q_k為第k天用戶的用電量，d為智能電表采集所述用電量的總天數(shù)；

所述步驟4中用蒙特卡洛非序貫隨機抽樣方法計算t_i時刻家用電器的負荷值p_i；

優(yōu)選的，所述步驟5中用遺傳算法優(yōu)化t_i時刻家用電器的使用概率典型值矩陣PBⁱ，包括：

步驟5-1：設定迭代次數(shù)h的初值為0，迭代次數(shù)h的最大值為maxnum，種群規(guī)模的數(shù)量為ZQnum；將t_i時刻家用電器的使用概率典型值矩陣PBⁱ中的各使用概率進行對應的染色體編碼，產生初始種群ZQ⁰；

步驟5-2：設置所述迭代次數(shù)h＝h+1；

步驟5-3：將種群ZQ^h-1的數(shù)據(jù)賦值到種群ZQ^h；ZQ^h-1為第h-1次迭代產生的種群，ZQ^h為第h次迭代產生的種群；設定種群ZQ^h中染色體標志位l的初值為0；

步驟5-4：設置所述染色體標志位l＝l+1；

步驟5-5：對第l個染色體進行反編碼，得到t_i時刻各類型家用電器的使用概率；

步驟5-6：依據(jù)所述t_i時刻各類型家用電器的使用概率，用蒙特卡洛非序貫隨機抽樣方法獲取t_i時刻家用電器的負荷值p_i，并更新所述負荷曲線序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}；

步驟5-7：依據(jù)所述更新后的負荷曲線序列集合P計算用戶在高峰負荷時段家用電器的負荷平均值Pav，$\mathrm{Pav}=\left(\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{p}_i\right)/m;$

步驟5-8：依據(jù)用電量集合Q獲取用戶高峰負荷時段的平均負荷集合PG＝{pg₁,pg₂,...,pg_k,...,pg_d}；pg_k為第k天用戶的平均負荷值，d為智能電表采集用戶用電量的總天數(shù)；

步驟5-9：計算第l個染色體的適應度函數(shù)值ε，

步驟5-10：若染色體標志位l＜ZQnum，則返回步驟5-4；若染色體標志位l≥ZQnum，則執(zhí)行步驟5-11；

步驟5-11：將所述染色體按照適應度函數(shù)值ε的數(shù)值由小到大排列，選取第1至第ZQnum個染色體后執(zhí)行步驟5-12；

步驟5-12：對種群ZQ^h進行雙親雙子單點基因整體交叉運算；

步驟5-13：對染色體進行變異，并依據(jù)變異后的染色體更新所述種群ZQ^h；

步驟5-14：若迭代次數(shù)h＜maxnum，則返回步驟5-2；若迭代次數(shù)h≥maxnum，則將所述適應度函數(shù)值ε最優(yōu)的染色體進行反編碼，得到t_i時刻家用電器的使用概率優(yōu)化值；

優(yōu)選的，在步驟7中，所述用蒙特卡洛非序貫隨機抽樣方法計算t_i時刻家用電器的負荷值p_i，包括：

步驟7-1：設定隨機抽樣次數(shù)a的初值為0；

步驟7-2：設置隨機抽樣次數(shù)a＝a+1；

對家用電器在t_i時刻的運行狀態(tài)進行第a次隨機抽樣，得到第j種類型家用電器dq_j在t_i時刻的第a次隨機抽樣運行狀態(tài)系數(shù)

若第a次隨機抽樣的隨機數(shù)則若第a次隨機抽樣的隨機數(shù)則為t_i時刻家用電器的使用概率；

步驟7-3：計算用戶在t_i時刻的第a次隨機抽樣的負荷值

步驟7-4：若隨機抽樣次數(shù)a＜RS，則返回步驟1-2；若隨機抽樣次數(shù)a≥RS，則計算RS次隨機抽樣下所述負荷值p_i；

所述RS為最大抽樣次數(shù)。

與最接近的現(xiàn)有技術相比，本發(fā)明的優(yōu)異效果是：

本發(fā)明提供的一種基于電量信息的用戶負荷預測方法，利用了智能電表采集的每天高峰負荷時段電量，運用遺傳算法對各種類型家用電器的使用概率進行優(yōu)化；進行蒙特卡洛非序貫隨機抽樣模擬負荷分布。能夠方便、快捷模擬和預測用戶負荷變化，提高了預測準確度，為臺區(qū)配電變壓器容量的合理配置奠定基礎，提高配電臺區(qū)經濟運行水平和建設效率。

附圖說明

下面結合附圖對本發(fā)明進一步說明。

圖1：本發(fā)明實施例中用戶負荷預測方法應用圖；

圖2：本發(fā)明實施例中遺傳算法流程圖；

圖3：本發(fā)明實施例中蒙特卡洛非序貫隨機抽樣方法流程圖。

具體實施方式

下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。

本發(fā)明提供的一種基于電量信息的用戶負荷預測方法，能夠方便、快捷預測用戶高峰負荷時段的負荷變化，提高預測準確度，為臺區(qū)配電變壓器容量的合理配置奠定基礎，提高配電臺區(qū)經濟運行水平和建設效率。

一、如圖1所示，用戶負荷預測方法的具體步驟包括：

一)獲取用戶家用電器的種類集合DQ、功率集合PDQ、數(shù)量集合NDQ、使用概率初始典型值矩陣PB⁰、高峰負荷時段的時刻集合T和用戶高峰負荷時段的用電量集合Q。

1、家用電器的種類集合DQ＝{dq₁,dq₂,...,dq_j,...,dq_n}，n為家用電器的類型總數(shù)，dq_j為第j種類型家用電器的名稱。

2、家用電器的功率集合PDQ＝{pdq₁,pdq₂,...,pdq_j,...,pdq_n}，pdq_j為第j種類型家用電器的平均功率。

3、家用電器的數(shù)量集合NDQ＝{ndq₁,ndq₂,...,ndq_j,...,ndq_n}，ndq_j為第j種類型家用電器的數(shù)量。

4、高峰負荷時段的時刻集合T＝{t₁,t₂,...,t_i,...,t_m}，t_m為24制時間的時刻值，1≤t_m≤24。

5、家用電器的使用概率初始典型值矩陣為t_i時刻第j種類型家用電器dq_j的使用概率典型值的初值。

6、用戶高峰負荷時段的用電量集合Q＝{q₁,q₂,...,q_k,...,q_d}，q_k為第k天用戶高峰負荷時段的用電量，d為智能電表采集所述用電量的總天數(shù)。

二)設定用戶在一天中高峰負荷時段的時刻序號i＝1，本實施例中1≤i≤m。

三)將使用概率典型值矩陣PB^i-1賦值到使用概率典型值矩陣PBⁱ中。

PB^i-1為t_i-1時刻的家用電器使用概率典型值矩陣，PBⁱ為t_i時刻的家用電器使用概率典型 值矩陣。

四)根據(jù)當前的家用電器使用概率典型值矩陣PBⁱ，進行蒙特卡洛非序貫隨機抽樣，計算該用戶高峰負荷時段的各時刻的負荷值p_i，構建負荷曲線序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}。

五)優(yōu)化使用概率典型值矩陣PBⁱ。

如圖2所示，本實施例中用遺傳算法優(yōu)化t_i時刻家用電器的使用概率典型值矩陣PBⁱ，具體步驟為：

1、設定迭代次數(shù)h的初值為0，迭代次數(shù)h的最大值為maxnum，種群規(guī)模的數(shù)量為ZQnum。

2、依據(jù)基因編碼策略，將t_i時刻家用電器的使用概率典型值矩陣PBⁱ中的各使用概率進行對應的染色體編碼，產生初始種群ZQ⁰。

3、設置迭代次數(shù)h＝h+1。

4、將種群ZQ^h-1的數(shù)據(jù)賦值到種群ZQ^h。

ZQ^h-1為第h-1次迭代產生的種群，ZQ^h為第h次迭代產生的種群。

5、設定種群ZQ^h中染色體標志位l的初值為0。

6、置染色體標志位l＝l+1。

7、從種群ZQ^h中取出第l個染色體，對該染色體進行反編碼，得到t_i時刻各類型家用電器的使用概率，例如得到t_i時刻第j種類型家用電器的使用概率

8、如圖3所示，根據(jù)當前t_i時刻各類型家用電器的使用概率，用蒙特卡洛非序貫隨機抽樣方法進行隨機抽樣獲取t_i時刻用戶的家用電器負荷值p_i。

9、依據(jù)步驟8得到的t_i時刻用戶的家用電器負荷值p_i，更新當前負荷曲線序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}。

10、依據(jù)當前t_i時刻的負荷曲線序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}，計算用戶在一天中 高峰負荷時段家用電器的負荷平均值Pav，

11、依據(jù)用電量集合Q計算用戶高峰負荷時段的平均負荷集合PG＝{pg₁,pg₂,...,pg_k,...,pg_d}。

其中，pg_k為第k天用戶的平均負荷值，pg_k＝q_k/m，d為智能電表采集用戶用電量的總天數(shù)。

12、計算第l個染色體的適應度函數(shù)值ε，

13、若染色體標志位l＜ZQnum，則返回步驟6；若染色體標志位l≥ZQnum，則執(zhí)行步驟14；

14、選擇。

其中，選擇是根據(jù)種群中每個染色體的適應度函數(shù)值ε，選取適應度函數(shù)值ε較小的ZQnum個染色體；本實施例中將染色體按照適應度函數(shù)值ε的數(shù)值由小到大排列，選取第1至第ZQnum個染色體后執(zhí)行步驟15；

15、對種群ZQ^h進行雙親雙子單點基因整體交叉運算。

16、變異。

其中，變異是根據(jù)變異率來控制染色體是否進行變異，需要進行變異時，隨機選擇需要變異的基因。在確定需要變異的基因后，應當按照基因的依賴和互斥關系情況進行變異。

17、依據(jù)變異后的染色體更新種群ZQ^h。

18、若迭代次數(shù)h＜maxnum，則返回步驟3；若迭代次數(shù)h≥maxnum，則將適應度函數(shù)值ε最優(yōu)的染色體進行反編碼，得到t_i時刻家用電器的使用概率優(yōu)化值。

19、依據(jù)上述t_i時刻家用電器的使用概率優(yōu)化值，確定優(yōu)化后的家用電器的使用概率典型值矩陣PBⁱ。

六)設置高峰負荷時段的時刻序號i＝i+1。

七)若i≤m，則返回步驟三)，將使用概率典型值矩陣PB^i-1賦值到使用概率典型值矩陣PBⁱ中；若i＞m，則依據(jù)優(yōu)化后的使用概率典型值矩陣PBⁱ和用戶擁有的各種類型家用電器 的數(shù)量計算預測用戶負荷值。

二、如圖3所示，本實施例中步驟一)、五)和七)中用蒙特卡洛非序貫隨機抽樣方法計算用戶在t_i時刻家用電器的負荷值p_i的具體步驟為：

1、設定隨機抽樣次數(shù)a的初值為0。

2、設置隨機抽樣次數(shù)a＝a+1。

對家用電器在t_i時刻的運行狀態(tài)進行第a次隨機抽樣，得到第j種類型家用電器dq_j在t_i時刻的第a次隨機抽樣運行狀態(tài)系數(shù)

若第a次隨機抽樣的隨機數(shù)則家用電器未運行；若第a次隨機抽樣的隨機數(shù)則家用電器運行；為t_i時刻家用電器的使用概率。

3、計算用戶在t_i時刻的第a次隨機抽樣的負荷值

4、若隨機抽樣次數(shù)a＜RS，則返回步驟2；若隨機抽樣次數(shù)a≥RS，則計算RS次隨機抽樣下用戶的家用電器負荷值p_i；RS為最大抽樣次數(shù)。

三、采用本發(fā)明提供的負荷預測方法，對用戶夏季高峰負荷時段進行負荷預測的具體過程為：

一)確定家用電器的種類集合DQ、功率集合P_DQ、數(shù)量集合N_DQ、使用概率初始典型值矩陣、用戶高峰負荷時段的時刻集合T和用戶用電量集合Q。

1、家用電器的種類集合：

DQ＝{dq₁,dq₂,dq₃,dq₄,dq₅,dq₆,dq₇,dq₈,dq₉,dq₁₀,dq₁₁,dq₁₂,dq₁₃,dq₁₄,dq₁₅,dq₁₆}：

dq₁表示電燈照明設備、dq₂表示電磁爐、dq₃表示電飯煲、dq₄表示電熱水壺、dq₅表示微波爐、dq₆表示抽油煙機、dq₇表示高檔電炊具(包括電餅鐺等高檔設備)、dq₈表示電風扇、dq₉表示空調、dq₁₀表示電取暖器、dq₁₁表示電視機、dq₁₂表示電冰箱、dq₁₃表示洗衣機、dq₁₄表示電熱水器、dq₁₅表示家用計算機、dq₁₆表示電動自行車。

2、家用電器的功率集合PDQ＝{pdq₁,pdq₂,...,pdq₁₆}。

3、家用電器的數(shù)量集合NDQ＝{ndq₁,ndq₂,...,ndq₁₆}。

4、高峰負荷時段的時刻集合T＝{9,10,11,17,18,19,20,21}。

5、家用電器的使用概率初始典型值矩陣

6、用戶用電量集合Q＝{q₁,q₂,...,q₆₂}，本實施例中選取智能電表采集的用戶7和8月的用電量。

二)設定用戶在一天中高峰負荷時段的時刻序號i＝1，本實施例中1≤i≤8。

三)將使用概率典型值矩陣PB^i-1賦值到使用概率典型值矩陣PBⁱ中。

四)根據(jù)當前的家用電器使用概率典型值矩陣PBⁱ，進行蒙特卡洛非序貫隨機抽樣，計算該用戶高峰負荷時段的各時刻的負荷值p_i，形成當前的負荷曲線序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}。

五)根據(jù)該用戶夏季7月和8月每天的高峰負荷時段的用電量Q＝{q₁,q₂,...,q₆₂}和當前負荷曲線序列值集合Pⁱ＝{p₁,p₂,...,p_i,...,p_m}，運用遺傳算法逐步對t_i時刻點使用概率典型值矩陣PBⁱ進行優(yōu)化。

六)依據(jù)優(yōu)化后的使用概率值更新當前的家用電器使用概率典型值矩陣PBⁱ，

七)置高峰負荷時段的時刻序號i＝i+1。

八)判斷高峰負荷時段的時刻序號i是否大于8，如果高峰負荷時段的時刻序號i小于或等于8，轉步驟三)；如果i大于8，轉步驟九)。

九)根據(jù)優(yōu)化后的家用電器使用概率典型值矩陣以及該用戶擁有的各種類型家用電器的數(shù)量，根據(jù)蒙特卡洛非序貫隨機抽樣，對該用戶所有家用電器在時刻的運行狀態(tài)隨機抽樣，預測該用戶夏季高峰時段的負荷值。

最后應當說明的是：所描述的實施例僅是本申請一部分實施例，而不是全部的實施例?；诒旧暾堉械膶嵤├绢I域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其 他實施例，都屬于本申請保護的范圍。