技术摘要：
本发明公开了一种用户用电负荷的预测方法，步骤为：选择数据样本，对数据样本进行清洗，包括缺失值的填补和异常值的修改，读取处理好的日负荷曲线表，并对其进行节假日和平常日分类；利用用户聚类方法将归一化后相似的典型负荷曲线聚为一类；在预测前通过改进的步长果  全部
背景技术：
随着2015年《关于进一步深化电力体制改革的若干意见》出台，我国电力体制改革 进入到了一个新阶段。在开放售电环境下科学、精准地分析用户负荷响应以及响应力度与 规律，是提高电网的可靠性、合理安排运行调度的基础，也是市场售电主体合理制定电价、 电力调度的前提。不同售电主体间相互竞争与合作使电价和响应负荷的变化也更加明显。 因此实时电价也成为主导因素之一。 传统的售电方式，往往是通过一家售电公司管辖一个市(县)。随着供电公司直接 服务到户的客户数量激增，客户服务诉求呈现出多样化和个性化的发展趋势。为了保障民 生用电、提升为民服务的品质，供电服务采用了“网格化”管理体系。其工作目标，就是依托 “网格化”供电平台，化整为零，重心下移。原来是售电公司，管辖一个整个市(县)，而经过 “网格化”管理后，按照用电负荷的规律，几个用电规律近似相同的地区，由一个售电公司管 理。比如学校由一个售电公司管理，医院则由另外一个售电公司管理。这样打通了电企业和 电用户信息的最后一公里，使供电服务与客户用电零距离接触，提供用电服务的高效快捷， 实现供电服务便民利民目的。 现阶段考虑开放售电情况下，有的利用自回归模型、人工神经网络和递归神经网 络等方法对用户负荷的电价响应进行了预测，将电价新的输入变量加入到传统预测模型 中，预测误差稍有改善；还有的建立了电价-弹性系数矩阵，将电价与传统的负荷影响因素 (天气、温度等)分开考虑，但是弹性矩阵的建立过程过于理想化，导致预测结果不够精确。 而考虑售电“网格化”情况下，在武汉开发区纱帽街绿苑路社区看到，一张电力知音网格服 务公示牌挂在小区的显眼处，还公示了汉南供电服务的微信公众号，以便市民及时利用互 联网的优势联系供电服务；在兰州，供电公司网格化管理也成效显著。 为了能够更精确的进行负荷预测，我们应用广义回归神经网络(GRNN)，将负荷样 本分为两部分，为训练样本和测试样本。首先将训练样本的数据输入广义神经网络中，然后 引入电价等因素，最后将将预测的样本输入，就可以得到结果。因其具有很强的非线性映射 能力和学习速度，比BP神经网络和径向基函数网络(RBF)具有更强的优势，网络最后收敛于 样本量集聚较多的优化回归，样本数据少时预测效果很好，网络还可以处理不稳定数据。不 足之处是没有考虑利用优化算法动态调整径向基函数的问题，也没有注意到历史负荷数据 存在的内部规律的特点。 LSTM网络是RNN的一种特殊变体。近年来，LSTM网络在许多时序任务中成就颇丰。 此神经网络通过特殊的神经网络模块设计，它既具备与RNN相同的递归属性，又具备独特的 选择性记忆能力，可有效解决长序依赖问题。考虑到负荷样本的特点，神经网络必须具有很 强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性。利用LSTM网络工具，引 入温度和价格等因素，能较为准确的预测负荷。 3 CN 111598151 A 说　明　书 2/4 页 LSTM网络具有记忆的优点，能够考虑样本的历史规律等因素，但又考虑到负荷样 本的其它特点，神经网络必须具有很强的非线性映射能力和柔性网络结构以及高度的容错 性和鲁棒性，而LSTM此方面并不是强项。
技术实现要素：
针对现有技术中的不足，本发明所解决的技术问题在于提供一种用户用电负荷的 预测方法，以解决K-MEANS随机初始化聚类中心和层次聚类效率较低且难以确定聚类数据， 以及常规神经网络预测精确度不高和优化算法容易陷入局部最优解的问题。 为了解决上述技术问题，本发明通过以下技术方案来实现： 本发明提供一种用户用电负荷的预测方法，包括以下步骤： 步骤S1：选择数据样本，对数据样本进行清洗，包括缺失值的填补和异常值的修 改，读取处理好的日负荷曲线表，并对其进行节假日和平常日分类； 步骤S2：利用用户聚类方法将归一化后相似的典型负荷曲线聚为一类； 步骤S3：在预测前通过改进的步长果蝇调优算法确定神经网络的系数，利用LGRNN 神经网络进行预测； 步骤S4：通过反归一化，求和得到系统负荷。 可选的，所述步骤S2的用户聚类方法为： 通过K-means聚类生成适量的类簇，再利用层次聚类对这些类再进行聚类，最后经 过剪枝得到合适的聚类结果。 进一步的，所述步骤S3中改进的步长果蝇调优算法随着迭代次数的增加逐步减小 其搜索步长。 可选的，所述步骤S3中的LGRNN神经网络在原有的广义回归神经网络上加入了记 忆模块，使系统具有适应时变特性的能力。 进一步的，在所述步骤S1中，将用户的平常日一天和假期日一天，级联成一个负荷 曲线，并按照min-max标准进行归一化，作为用户的典型负荷曲线。 由上，本发明的用户用电负荷的预测方法先把不同行业内典型用户负荷曲线进行 聚类，然后在训练时利用改进的果蝇优化算法优化神经网络的径向基系数，最后通过改进 的广义回归神经网络进行预测的组合模型。本发明不仅关注到负荷的实时电价和温度的影 响，还考虑到在逼近能力和学习速度上有更强优势，并且对于历史数据具有记忆的特性，能 够直接反应系统动态的特性，利用贪婪的算法思想，每一个都使其达到最佳精度，最后达到 最佳效果。 上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段， 而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够 更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。 附图说明 为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介 绍。 图1为本发明的用户用电负荷的预测方法的流程图； 4 CN 111598151 A 说　明　书 3/4 页 图2为本发明的用户聚类方法的演绎过程图； 图3为本发明的LGRNN神经网络的结构图。