[发明专利]一种社区负荷预测方法

权利要求书

1.一种社区负荷预测方法，其特征在于，包括：

步骤S1，采集负荷用电细节数据辨别异常数据点，去除其内的高尺度噪声部分并提取特征向量，进行样本空间到特征空间的映射；

步骤S2，处理输入向量，将特征空间中的非线性输入量转变为线性量；

步骤S3，对全天用电数据进行预测，得到负荷预测值，对负荷预测值进行叠加得到全天的预测数据；

步骤S4，对负荷预测结果进行评估反馈。

2.如权利要求1所述的方法，其特征在于，在步骤S1中，所述辨别异常数据点具体为，根据以下步骤利用纵向比较法辨别原始数据中的异常数据点：

根据以下公式求解用电负荷样本的均值，得到比较基值：

其中，L(p，Q)为负荷序列数据组；其中，p＝1，2，...，288，Q＝1，2，...，N；p为按五分钟取样间隔得到的一天中的288个时刻；Q为取样天数；L(p，q)为电负荷样本；

根据以下公式求解一天内各时刻对应的方差：

其中，L(p，q)为电负荷样本；L(p，Q)为负荷序列数据组；

根据以下公式判断该数据点为坏数据点：

其中，L(p，q)为电负荷样本；L(p，Q)为负荷序列数据组；p为按五分钟取样间隔得到的一天中的288个时刻；

当待检测数据点使公式成立，则判定该数据点为坏数据点，当待检测数据点使公式不成立，则判定该数据点为正常数据点。

3.如权利要求2所述的方法，其特征在于，在步骤S1中，根据以下公式去除其内高尺度噪声部分：

其中，ψ(t)为基小波；a为基小波中的伸缩因子；b为基小波中的平移因子。

4.如权利要求3所述的方法，其特征在于，在步骤S2中，所述将特征空间中的非线性输入量转变为线性量具体过程为：

计算负荷的温度相关系数，根据系数将用户设备分为温度敏感型与温度不敏感型，分别叠加得到温度敏感、温度不敏感负荷的数值；

对不同类别的特征量分别进行规格化处理；

多种特征量组成输入特征向量；

将低维的非线性向量转变为高维空间中容易分析的线性量。

5.如权利要求4所述的方法，其特征在于，所述计算负荷的温度相关系数具体过程为，

根据以下公式计算用户负荷的温度相关系数ρ：

其中，P_LD,t为t时刻该用户此项负荷的用能功率数据，为一天内该负荷的用能平均数据，T_t为该天t时段的温度，为该天的平均温度，t为一天内数据采样的时段序号数；

对温度相关系数ρ进行判断，是否满足ρ≥0.4，若满足则判定为温度敏感型用能设备，若不满足则判定为温度不敏感型用能设备。