智能電網中的客戶行為分析電力行業(yè).pdf

1、基于通信、控制、IT技術的智能電網系統(tǒng)現在已成為全球趨勢。通過客戶行為預測未來電網負荷（電力使用）是向智能電網的重要任務，精確的預測可以幫助公用事業(yè)公司制定合理的資源分配計劃，采取控制措施來平衡供電和電力需求。在競爭激烈的電力市場中,電力負荷預測對消費者和電力生產商來說是至關重要的，既可以使消費者了解自己的用電習慣，又可以幫助生產商根據客戶的消費習慣制定特定的產品，從而規(guī)劃運營和防止電力風險。另外，預測在電力經濟優(yōu)化中也起了非常重要的作

2、用。在本文中，提出了一個新的數據挖掘框架來分析客戶行為，以預測未來時間智能電網中特定消費者實體的負載。然后，利用極限學習機(ELM)分析集群用戶電力行為的相似度，收集用戶電力負荷，將具有相似行為的用戶分類到相同的模型中預測，這樣可以增加模型的適應性。為了證明所提方法的有效性,分別從理論和實驗去分析。極限學習機是一種新型的機器學習算法，其隨機初始化網絡節(jié)點權值和偏置的策略可以解決單層前饋神經網絡訓練和優(yōu)化慢的問題，并可取得全局最優(yōu)解。最后

3、，使用山東省電力公司的運監(jiān)系統(tǒng)數據（包括設備信息、線路信息、用戶信息、負載信息等）和可能影響負荷變化的外部系統(tǒng)數據（如天氣信息），在MATLAB平臺進行了仿真實驗。實驗結果表明,該方法能夠深入挖掘用戶電力行為,通過合理的用戶聚類提高負荷預測的準確性,揭示預測精度與集群數量之間的關系。
　　隨著智能電網技術的發(fā)展,先進的計量基礎設施(AMI)和各種監(jiān)控系統(tǒng)的大量部署生成并積累了大量的數據。智能電表是AMI的重要組成部分,可以在一定時

4、間內（如每15分鐘或者每60分鐘）獲得精確的用戶消耗的電力負荷。與傳統(tǒng)電網系統(tǒng)相比,智能電表收集數據頻率較高，能夠生成更多的數據。但是，累積的大數據一直處于擱置狀態(tài)。隨著機器學習算法和大數據的發(fā)展，可以對電力大數據進行分析,充分挖掘這些隱藏在這些數據的背后的價值。例如,基于運監(jiān)系統(tǒng)中的設備和客戶數據，結合聚類算法挖掘用戶用電行為，基于智能電表數據和分類回歸算法，預測未來負載的變化。[37]負載預測一直是電力系統(tǒng)安全發(fā)展的關鍵，因為它可以

5、影響了許多有關電力系統(tǒng)的決策，如經濟調度,自動發(fā)電控制,安全評估，維護調度和能源商業(yè)化。精確的負載預測可以在經濟合理的情況下啟動和停止電力系統(tǒng)發(fā)電機組，在維護安全穩(wěn)定方面發(fā)揮重要作用，保持社會正常生產和生活，有效降低發(fā)電成本。通常情況下，按照負荷預測時間的長短，負載預測可分為三類:短期負載預測,中期負載預測,長期負載預測。其中，短期負荷預測的預測時間范圍是未來1小時,一天或一周。中期負載預測的預測時間范圍大概是未來一個月。長期負載預測的

6、時間范圍則是未來一年，甚至三至五年。本文主要對用戶電力負荷進行短期負荷預測。
　　負載預測對能源管理系統(tǒng)的實時性和安全性中起著主要作用，準確的預測有利于電力系統(tǒng)的規(guī)劃者完成各種任務,如發(fā)電量的經濟調度,燃料采購的調度等。難題是,負載預測是一項艱巨的任務，因為其變化受到許多因素的影響,如天氣條件,是否是節(jié)假日，人口流動，經濟狀況和客戶的用電習慣。不準確或錯誤地負載預測可能會增加運營成本。據觀察,電力需求預測誤差僅增長百分之一,導致英

7、國電力系統(tǒng)運營成本增加了1000萬英鎊。這是負載預測效用類型的嚴重失誤。而且，糟糕的負載預測會誤導了規(guī)劃者,導致錯誤和昂貴的擴張計劃。高估未來的電力負荷可能導致多余的儲備的電力，對負載的低估導致提供足夠電力的故障。相反，準確的預測可使公用事業(yè)提供商提前計劃燃料等資源,并采取控制措施,如開后/關閉需求響應裝置和修訂電價等。同樣地，高估未來的電力負荷可能導致多余的儲備的電力。相反，對負載的低估導致提供足夠電力的故障。
　　無論計劃者低

8、估還是誤判負荷，高精度的負載預測技術需要先進的技術、自適應的預測模型。雖然不同的模型在動態(tài)系統(tǒng)中有一些優(yōu)勢,但改善相關缺點的可能性是不能排除的。因此，需要開發(fā)最佳和準確的負載預測模型來改善（最小化）預測誤差。通過對多種數據挖掘算法、機器學習算法的分析，致力于提出高精度的負載預測模型。極限學習機是新提出的機器學習算法，不僅效率高而且可以防止過擬合。因此，該項目的主要研究問題是:融合跨系統(tǒng)的數據，進行數據預處理;對數據進行分析，挖掘影響負載

9、變化的強關聯特征;利用極限學習機構建負載預測模型，調整參數獲得精度最高的負荷預測結果。
　　在大數據的背景下，影響負載變化的因子眾多，電力負荷預測是一項復雜的工作，其呈現復雜的非線性變換。傳統(tǒng)的電力負載預測模型，大都是線性模型，缺乏非線性映射能力。因此，以前的預測方法根本不適應大數據時代的發(fā)展。另一方面，智能電網缺乏通用的訓練框架，為電力系統(tǒng)的其他任務提供支撐，以提高智能電網分析的效率。
　　自1990年以來，研究人員就開始

10、關注電力負載預測問題并提出了很多預測模型[1]。如提出的時間序列分析模型ARIMA,該模型重點在于分析負載根據時間的變化曲線，從而預測未來負荷的變化，其優(yōu)點是簡單,缺點是沒有考慮影響負載變化的因子。使用模糊邏輯方法FuzzyLogic分析負載的變化，該方法考慮了影響負荷變化的各種影響因子，如溫度、濕度等，但其沒有考慮設備、線路信息。使用人工神經網絡方法構建負荷預測模型，神經網絡的優(yōu)化和訓練較慢，而且對復雜的負載變化，較易陷入局部最優(yōu)值。

11、使用支持向量回歸SVR,該方法將特征映射到核空間,可以取得全局最優(yōu)，但訓練效率交低。
　　通過對已有負載預測方法的調研，本文提出基于極限機器學習ELM的負荷預測模型，并通過實際的智能電網數據去驗證模型的有效性。在研究中,所涉及的消費者實體可以具有各種粒度級別。例如，它可以是一個智能電表（一個家庭）,一組智能電表（一個區(qū)）,一個變電站（城鎮(zhèn)或城市）或電站（通常覆蓋一個很大的地理位置區(qū)）。類似地,所討論的電力負載的時間單位也具有不同的

12、長度。它可以是5分鐘,15分鐘,1小時，1天，1周,1個月，1年等。在這項工作中,創(chuàng)建一個系統(tǒng)來預測每個智能電表的每日最高負載。另外，需要指出的是，在負載預測的研究中使用的框架和技術，也同樣適用于不同消費者實體的行為預測。
　　已有的負載預測模型，都有些許的不足,無法滿足當前智能電網的需求。通過研究相關的數據挖掘和機器學習算法,采用極限學習機來構建負載預測模型。ELM是一種新型的極限學習機作為一類機器學習方法,以簡單易用、有效的單

13、隱層前饋神經網絡學習算法,受到越來越多的研究者關注。傳統(tǒng)的神經網絡學習算法（如BP算法）需要人為設置大量的網絡訓練參數,并且容易產生局部最優(yōu)解。極限學習機只需要設置網絡的隱層節(jié)點個數,在算法執(zhí)行過程中不需要調整網絡的輸入權值以及隱元的偏置,可以產生唯一的最優(yōu)解,因此它具有學習速度快且泛化性能好的優(yōu)點。
　　由于預測未來一段時間的最高負載P，首先需要對采集到歷史電力負載數據進行處理，提取每天負載最大值，作為目標屬性，設搜集的天數為N

14、。另外，從外部數據庫中爬取相應日期的天氣信息，主要包括日最高溫、日最低溫、月最高溫、月最低溫、是否是節(jié)假日、星期幾。
　　因此，對于歷史記錄中的每個目標峰值負載值，構建與目標相關聯的特征向量。在特征分析后,訓練開始訓練極限學習機ELM模型，使用N天的<特征向量,目標>對來完成。在訓練完ELM模型后,將使用得到的回歸模型來預測給定日期的峰值負載值P。為此，需要使用相同的方式處理待預測數據，并提取特征相同的特征向量。經過ELM模型，可

15、以得出未來第d天的負載。
　　在訓練測試完成后，將構建的ELM模型應用到實際的電力系統(tǒng)中，該模型取得了很好的效果。該模型具有重要的意義,如發(fā)電機公司,可以根據未來電力負荷的變化來合理的分配能源;另外，電力公司也可以根據負載的變化做出合理的決策。
　　綜上所述，在這項工作中，提出了一個準確的負載預測模型,可以為智能電網的管理者提供決策支持。在我們的方法中,融合跨系統(tǒng)的電力數據，分析影響負荷變化的強關聯特征，采用極限學習機(EL

16、M)回歸算法構建高精度的預測模型。實驗結果表明,我們的方法能夠比現有的其他預測方法提供更準確的結果，并且在計算復雜度較低。
　　在將來的工作紅,打算研究基于自動特征選擇的負荷回歸模型,以進一步提高其準確性和自適應性。另外,計劃用不同國家的多個智能電網負載數據測試我們的方法,并對已有的模型進行微調,以確保其通用性。最后，將進一步拓展我們的分析框架和預測模型，使其可適用于任何粒度級別（如個體戶、街區(qū)、城鎮(zhèn)，城市和大地理區(qū)域）的消費實體