一种电力系统负荷均衡控制方法及电力系统

技术领域

本发明涉及电力调控技术领域，尤其是一种电力系统负荷均衡控制方法及电力系统。

背景技术

在传统的电力系统中，电力的供需平衡是一个关键的问题。随着电力系统规模的不断扩大和用户的用电需求的增加，电力负荷的不平衡问题变得更加突出。这种问题将会导致某些区域或用户的电力供应过载或不足，从而影响电力系统的稳定性和可靠性。对此，采用负荷均衡技术在电力系统中调节和分配电力负荷，使得各个区域或用户之间的电力负荷更加均衡，从而实现电力系统的电力供需的平衡。负荷均衡技术的应用有助于提高电力系统的稳定性和可靠性，优化能源利用效率，减少能源浪费，降低电网运行成本。

目前，相关技术实现负荷均衡的过程为：通过用户在历史时段内的用电数据预测某一预设时间内的电力系统的负荷值，将预测得到的电力系统的负荷值与用户的用电目标进行比对，利用比对结果对电力系统进行电力调控。例如，公开号为CN106712040A的中国发明专利便采用了上述方式来实现负载均衡。然而，相关技术存在如下问题：

一方面，相关技术仅考虑了用户在历史时段内的用电数据，却并未充分地考虑到用户在历史时段内的用电波动情况和如天气等外界指标因素对电力系统的电力负荷的影响。在实际应用中，电力系统的电力负荷往往会受到部分用户的极端值和外界指标因素的影响，这将会导致预测得到的电力系统的负荷值与预期值相差甚远，从而影响电力调控的效果。

另一方面，在电力调度方面，相关技术通常通过两个预设的阈值分为三个等级，通过划分等级对用户的用电进行调控。但是，非常接近阈值的用户不一定符合划分等级内的用户特征，这容易出现对用户的用电进行反向调控的情况，这种刚性的划分调控方式的弹性程度和精准度有待提高。示例性地，将60千瓦时和120千瓦时作为阈值，划分得到[0，60)、[60，120]、(120，

发明内容

本发明的目的是提供一种电力系统负荷均衡控制方法及电力系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

本发明解决其技术问题的解决方案是：一方面，本发明实施例提供一种电力系统负荷均衡控制方法，包括如下步骤：

获取当前时刻下对电力系统的负荷造成影响的相关参数，对所述相关参数进行指标化处理，得到负荷影响特征；

获取用户的历史用电数据，对所述历史用电数据进行分解处理，得到历史用电季节性指数、历史用电波动率和历史用电周期性特征；

利用所述负荷影响特征和所述历史用电季节性指数，结合支持向量回归模型，预测得到未来时刻下的用电季节性指数，利用所述历史用电周期性特征，结合长短期记忆神经网络模型，预测得到未来时刻下的用电周期性特征，计算未来时刻下的用电季节性指数和未来时刻下的用电周期性特征的乘积作为未来时刻下用户的负荷预测值；

根据所述历史用电波动率，结合隶属度函数，计算得到未来时刻下用户的电力调控值；

获取用户的用电目标值，当所述用电目标值大于所述负荷预测值与所述电力调控值之和时，对所述用电目标值进行电荷增量调节。

进一步地，在本发明的一个实施例中，所述获取当前时刻下对电力系统的负荷造成影响的相关参数，对所述相关参数进行指标化处理，得到负荷影响特征，包括：

获取当前时刻下对电力系统的负荷造成影响的相关参数并进行数据清洗处理；

其中，所述相关参数包括：当前时刻下电力系统所处环境的气温信息、风速信息、湿度信息、云量信息、气压信息和极端天气事件信息、当前时刻所属的日期类型信息、星期信息和季节信息、当前时刻下使用电力系统的用户类型信息和用户发展状况信息；

其中，所述日期类型信息用于表征当前时刻所属的日期的假期类型或者工作日类型，所述用户类型信息用于表征当前时刻下使用电力系统的用户的行业类型；

对所述气温信息、所述风速信息和所述湿度信息进行指标化处理，得到第一负荷影响特征，所述第一负荷影响特征满足如下公式：

；

其中，

对所述云量信息和所述气压信息进行指标化处理，得到第二负荷影响特征，所述第二负荷影响特征满足如下公式：

；

其中，

对所述极端天气事件信息进行指标化处理，得到第三负荷影响特征，所述第三负荷影响特征满足如下公式：

；

其中，

对所述日期类型信息、所述星期信息和所述季节信息进行指标化处理，得到第四负荷影响特征，所述第四负荷影响特征满足如下公式：

；

其中，

对所述用户类型信息和所述用户发展状况信息进行指标化处理，得到第五负荷影响特征，所述第五负荷影响特征满足如下公式：

；

其中，

将所述第一负荷影响特征、所述第二负荷影响特征、所述第三负荷影响特征、所述第四负荷影响特征和所述第五负荷影响特征作为负荷影响特征。

进一步地，在本发明的一个实施例中，所述获取用户的历史用电数据，对所述历史用电数据进行分解处理，得到历史用电季节性指数、历史用电波动率和历史用电周期性特征，包括：

获取与当前时刻对应的历史时间段内用户的用电曲线作为用户的历史用电数据；

根据所述历史用电数据，结合乘法模型的移动平均法，计算得到历史用电季节性指数；

计算所述历史用电数据与所述历史用电季节性指数的比值作为剔除季节影响后的历史用电周期性特征。

进一步地，在本发明的一个实施例中，所述获取用户的历史用电数据，对所述历史用电数据进行分解处理，得到历史用电季节性指数、历史用电波动率和历史用电周期性特征，包括：

获取与当前时刻对应的历史时间段内用户的用电曲线作为用户的历史用电数据；

计算所述历史用电数据的标准差和平均值的比值作为历史用电波动率。

进一步地，在本发明的一个实施例中，所述根据所述历史用电波动率，结合隶属度函数，计算得到未来时刻下用户的电力调控值，包括：

确定多个隶属度阈值和多个隶属类别，根据多个隶属度阈值和历史用电波动率构建每个隶属类别的隶属度函数，其中，对于第i个隶属类别的隶属度函数满足如下公式：

；

其中，

获取每个隶属类别的调控系数，根据每个隶属类别的隶属度函数和调控系数，确定未来时刻下用户的电力调控值，其中，所述未来时刻下用户的电力调控值满足如下公式：

；

其中，

进一步地，在本发明的一个实施例中，所述获取用户的用电目标值，包括：

根据每个隶属类别的隶属度函数，确定用户隶属于每个隶属类别的隶属度值，选择隶属度值最大的隶属类别作为最大隶属类别；

获取与所述最大隶属类别对应的用电目标值作为用户的用电目标值。

进一步地，在本发明的一个实施例中，所述方法还包括如下步骤：

当所述用电目标值小于或等于所述负荷预测值与所述电力调控值之和时，对所述用电目标值进行电荷减量调节。

进一步地，在本发明的一个实施例中，在对所述用电目标值进行电荷减量调节或者电荷增量调节之前，所述方法还包括如下步骤：

根据每个隶属类别的隶属度函数，确定用户隶属于每个隶属类别的隶属度值，选择隶属度值最大的隶属类别作为最大隶属类别；

获取与所述最大隶属类别对应的用电激励措施信息。

进一步地，在本发明的一个实施例中，在对所述用电目标值进行电荷减量调节或者电荷增量调节时，所述方法还包括如下步骤：

向用户所在的终端发送用电激励措施信息。

另一方面，本发明实施例还提供了一种电力系统，所述电力系统用于为多个用户提供电力，所述电力系统采用前面所述的一种电力系统负荷均衡控制方法对电力负荷进行调节。

本发明的有益效果是：提供一种电力系统负荷均衡控制方法及电力系统，有效地提高了负荷预测的准确率和效率，能够更灵活和个性化地为每个用户分配合适的用电值，满足用户需求侧对用电调节的弹性要求，从而提高了负荷均衡处理的灵活性，能够达到更佳的电力调控效果。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

图1是本发明实施例提供的一种电力系统负荷均衡控制方法的流程图；

图2是本发明实施例提供的一种电力系统负荷均衡控制方法的原理图；

图3是本发明实施例提供的季节分解的流程图；

图4是本发明实施例提供的构建隶属度函数的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

下面结合说明书附图和具体的实施例对本申请进行进一步的说明。所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

针对相关技术存在的问题和缺陷，本发明实施例提供了一种电力系统负荷均衡控制方法及电力系统，电力系统采用控制方法进行电力调控，充分考虑了对电力系统的负荷造成影响的相关参数、历史时间段内用户的用电数据等多个维度的负荷影响因素，不仅提高了负荷预测效率和负荷预测准确率，还能够更灵活、更个性化地为每个用户分配合适的用电值，满足用户需求侧对弹性配电的要求，从而达到更佳的电力调控效果。

首先，下面将参照附图详细阐述本发明实施例提供的一种电力系统负荷均衡控制方法的实施步骤。

本发明实施例提供的方法，可应用于终端中，也可应用于服务器中，还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等，但并不局限于此。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分布网络、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1和图2，所述方法主要包括如下步骤S100-S600。

S100，获取当前时刻下对电力系统的负荷造成影响的相关参数，对相关参数进行指标化处理，得到负荷影响特征。

需要说明的是，相关参数主要包括天气方面、时间方面和用户方面的参数。

本步骤旨在呈现各个相关参数对电力系统的负荷的影响程度。同时，对于如天气方面参数等离散型数据，指标化处理能够起到一定的编码作用和降维作用，有利于加快后续步骤中的预测效率。

S200，获取用户的历史用电数据，对历史用电数据进行分解处理，得到历史用电季节性指数、历史用电波动率和历史用电周期性特征。

需要说明的是，历史用电季节性指数的作用是表征历史用电数据中的季节性特征对电力负荷的影响程度，即影响因子；历史用电周期性特征为历史用电数据中具有周期性特点的数据。

本步骤中，用电数据通常具有周期性的特点，因此对于负荷预测而言，历史时间段内的用电数据极为重要。为了从历史用电数据中提取得到具有周期性特点的数据和季节性的影响因子，本步骤对历史用电数据进行季节性分解，进而得到历史用电周期性特征以及历史用电季节性指数。另外，为了便于对电力系统的负荷进行调控，本步骤还对历史用电数据进行数值处理，旨在得到表征历史时间段内用电波动程度的历史用电波动率，它可以反映出负荷分散的相对大小。

S300，利用负荷影响特征和历史用电季节性指数，结合支持向量回归模型，预测得到未来时刻下的用电季节性指数，利用历史用电周期性特征，结合长短期记忆神经网络模型，预测得到未来时刻下的用电周期性特征，计算未来时刻下的用电季节性指数和未来时刻下的用电周期性特征的乘积作为未来时刻下用户的负荷预测值。

本步骤中，将历史用电季节性指数以及负荷影响特征作为SVR（Support VectorRegression，支持向量回归）模型的输入，通过SVR模型对未来时刻的季节性指数进行预测，进而得到未来时刻下的用电季节性指数。与此同时，将历史用电周期性特征作为LSTM（LongShort-Term Memory，长短期记忆神经网络）模型的输入，通过LSTM模型对未来时刻的周期性特征进行预测，进而得到未来时刻下的用电周期性特征。然后，计算这两个预测结果的乘积，并将该乘积作为未来时刻下用户的负荷预测值。

S400，根据历史用电波动率，结合隶属度函数，计算得到未来时刻下用户的电力调控值。

本步骤中，历史用电波动率反映了历史时间段内负荷分散的相对大小，通过历史用电波动率结合模糊集理论对使用电力系统的用户进行分类，使得每一个用户都可以拥有一个属于自己的用电目标和用于调控用电目标的电力调控值，从而满足负荷弹性调整的要求。

S500，获取用户的用电目标值，判断用电目标值是否大于负荷预测值与电力调控值之和。若是，进入步骤S600。

本步骤中，将用电目标值与对应于未来某一时刻的预测值和对应时刻的可调控值进行比对，根据比对结果采取对应的用电调整方案。

S600，对用电目标值进行电荷增量调节。

本步骤中，当用户的用电目标值大于电力调控值与负荷预测值之和时，说明供应给用户的电力不足，则需对用户的用电进行电荷增量调节，以使得电力系统的负荷均衡。

在本发明的一些实施例中，参照图1，所述控制方法中，在步骤S500中，当用电目标值小于或等于在未来时刻下用户的负荷预测值与电力调控值之和时，进入步骤S700。

S700，对用电目标值进行电荷减量调节。

本步骤中，当用电目标值小于或等于电力调控值与负荷预测值之和时，说明供应给用户的电力过载，则需对用户的用电进行电荷减量调节，以使得电力系统的负荷均衡。

在本发明的一些实施例中，步骤S100可以包括但不限于如下步骤S110-S170。

S110，获取当前时刻下对电力系统的负荷造成影响的相关参数并进行数据清洗处理。

需要说明的是，相关参数包括：当前时刻所属的日期类型信息、星期信息和季节信息。

可选地，日期类型信息的作用是表征当前时刻所属的日期的假期类型或者工作日类型。示例性地，假期类型可以包括中秋节、端午节等具体假期类型，工作日类型可以包括工作日和非工作日。

此外，相关参数还包括：当前时刻下电力系统所处环境的气温信息、风速信息、湿度信息、云量信息、气压信息和极端天气事件信息，以及当前时刻下使用电力系统的用户类型信息和用户发展状况信息。

可选地，用户类型信息的作用是表征当前时刻下使用电力系统的用户的行业类型，这些类型均可以根据实际情况而设置，本发明实施例对此不作具体限定。示例性地，用户类型可以包括林业、餐饮业、畜牧业等行业。

本步骤中，可能存在有因设备故障等问题而出现数据缺失的情况，因此在获得相关参数之后需要对其进行数据清洗。具体地，对于时间序列的数据而言，若采用删除缺失数据的措施清洗数据，则可能会导致有效信息的缺失，因此本步骤采用填充法对时间序列的数据进行填充，填充法可以是K近邻缺失值填补方法和随机森林缺失值填补方法等方法。

S120，对气温信息、湿度信息和风速信息进行指标化处理，得到第一负荷影响特征。

需要说明的是，第一负荷影响特征的作用是表征气温信息、湿度信息和风速信息对电力系统的负荷的影响程度，其满足如下公式（1）：

（1）；

式中，

可选地，气温信息、湿度信息和风速信息的权重以及湿度影响因子和调节常数均可以根据实际情况而设置，本发明实施例对此不作具体限定。湿度影响因子优选为

本步骤中，通常情况下气温对电力负荷的影响较大，当气温较低时用户将会开启如地暖等保暖设备进行保暖，当气温较高时用户将会开启如空调等降温设备来解热，因此过高的气温和过低的气温都将导致用电的升高，从而提升电力系统的负荷。对此，本步骤采用二次函数的方式来将气温转换为指标性数据，人体皮肤表面较为舒适的气温一般为23至25°C，本步骤取其中的平均值，即24°C，从而得到气温模型，气温模型映射了气温对电力系统的负荷的影响程度。

此外，风速和相对湿度对人体的冷热感觉也有一定程度的影响，比如在30°C、风速3m/s、相对湿度70%的天气条件下，人体的感觉反而更为舒适。先验知识表明，风速与电力负荷是线性相关的，相对湿度与电力负荷呈指数相关，因此本步骤在气温模型的基础上添加风速以及相对湿度的影响，从而得到天气模型，如公式（1）所示，天气模型能够反馈气温、相对湿度和风速对电力负荷的影响，将当前时刻的气温信息、湿度信息和风速信息代入至天气模型中，即可得到第一负荷影响特征。

S130，对气压信息和云量信息进行指标化处理，得到第二负荷影响特征。

需要说明的是，第二负荷影响特征的作用是表征气压信息和云量信息对电力系统的负荷的影响程度，其满足如下公式（2）：

（2）；

式中，

可选地，阴天、晴天、多云和少云对电力系统的负荷的影响因子以及阴天、晴天、多云和少云转换为雨的概率与雨对电力系统的负荷的影响因子的乘积可以根据实际情况而定，本发明实施例对此不作具体限定。示例性地，

本步骤中，云量信息是指云的面积以及云占据天空的百分比，常被天气预报用于判断天气的依据，云量信息可以通过爬取当地的气象数据网站来实时获取。当云量在0%~10%时，天气大概率是晴天；当云量为10%~30%时，天气大概率是少云；当云量为30%~70%时，天气大概率是多云；当云量大于70%时，天气大概率是阴天。在上述天气情况下，若气压下降，则存在下雨的可能。对于晴天以及少云的情况，下雨的概率较小且一般为小雨；对于多云以及阴天的情况，下雨的概率较大且一般为中雨或者大雨。先验知识表明，晴天、少云以及多云情况下，电力负荷相对较低，而在阴天、有雨的情况下，电力负荷相对较高。基于此，本步骤构建云量气压模型，如公式（2）所示，云量气压模型能够反馈云量和气压对电力负荷的影响，将当前时刻下的云量信息和气压信息输入至云量气压模型中，即可得到第二负荷影响特征。

S140，对极端天气事件信息进行指标化处理，得到第三负荷影响特征。

需要说明的是，第三负荷影响特征的作用是表征极端天气事件信息对电力系统的负荷的影响程度，其满足如下公式（3）：

（3）；

式中，

可选地，其他极端天气情况和其他极端天气情况对电力系统的负荷的影响因子可以根据实际情况而设置，本发明实施例对此不作具体限定。

本步骤中，极端天气事件信息是指一些突发或者即将到来的极端天气事件。由于目前并未有先验知识表明极端天气事件信息对电力系统的负荷的影响程度，因此本步骤采用字典的映射来描述极端天气事件信息对电力系统的负荷的影响程度，如公式（3）所示，将当前时刻下的极端天气事件信息输入到字典映射中，即可得到第三负荷影响特征。

S150，对星期信息、日期类型信息和季节信息进行指标化处理，得到第四负荷影响特征。

需要说明的是，第四负荷影响特征的作用是表征星期信息、日期类型信息和季节信息对电力系统的负荷的影响程度，其满足如下公式（4）：

（4）；

式中，

可选地，地区常数可以根据各个地区的影响情况进行设置，本发明对此不作具体限定。

本步骤中，根据先验知识，工作日的电力负荷往往比非工作日的电力负荷较高，工作日与非工作日的电力负荷差距大约在20%~25%之间；而在如春节等重大法定节假日当天或节假日期间，电力负荷往往比工作日的电力负荷低，例如春节与工作日的负荷差距高达76%。并且，电力负荷往往具有季节性，例如，春季与夏季相比负荷差距约为20%，冬季与秋季相比负荷差距约为15%。考虑到节假日和季节对电力系统的负荷的影响较大，本步骤考虑将三者以乘积的方式表示，以构建日期模型，如公式（4）所示。

在获得当前时刻下的星期信息、日期类型信息和季节信息之后，本步骤根据电力系统所处的地区的实际情况，对不同星期、不同假期和不同季节对电力系统的负荷的影响程度进行映射，进而得到日期类型信息、星期信息和季节信息对电力系统的负荷的影响因子，将这些影响因子代入到日期模型中，即可得到第四负荷影响特征。

S160，对用户发展状况信息和用户类型信息进行指标化处理，得到第五负荷影响特征。

需要说明的是，第五负荷影响特征的作用是表征用户发展状况信息和用户类型信息对电力系统的负荷的影响程度，其满足如下公式（5）：

（5）；

式中，

可选地，对于用户类型信息，可以根据其行业性质，将用户分类为第一产业、第二产业和第三产业等并赋予对应的值。对于用户发展状况信息，若用户没有数据来源，该信息可以不用设置。对于影响常数，若没有用户类型信息，该信息可以不用设置，即影响常数属于可选数据，至于其具体数值，可以根据实际情况而设置，本发明实施例对此不作具体限定。

本步骤中，根据先验知识，用户的经济状况对电力系统的负荷的预测有着一定程度的影响。对于如纺织、金属冶炼等工业类型的用户，其电力负荷往往比如林业、农业等农业类型用户的电力负荷要大。而对于正在经济高速发展用户，往往需要扩大生产，因此用电负荷往往会比往年有所增多。基于此，本步骤构建用户影响模型，如公式（5）所示，用户影响模型能够反馈用户的类型和发展状况对电力负荷的影响，将当前时刻下的用户发展状况信息和用户类型信息代入到用户影响模型中，即可得到第五负荷影响特征。

S170，将第一负荷影响特征、第二负荷影响特征、第三负荷影响特征、第四负荷影响特征和第五负荷影响特征作为负荷影响特征。

在本发明的一些实施例中，对于富含季节性周期的历史负荷数据而言，提取其季节性至关重要。因此，本发明实施例采用x-11季节调整法将用户的历史用电数据分解为趋势分量、季节性指数、季节调整序列以及随机成分，季节调整序列又可以理解为剔除季节影响后的数据。考虑到趋势分量和随机成分均可以通过剔除季节影响后的数据与季节性指数计算得到，本发明实施例仅从历史用电数据中提取出剔除季节影响后的数据与季节性指数，以用于预测电力负荷。

具体地，参照图2和图3，与季节性分解处理相对应的步骤S200可以包括但不限于如下步骤：

首先，获取与当前时刻对应的历史时间段内用户的用电曲线作为用户的历史用电数据。

然后，根据历史用电数据，结合乘法模型的移动平均法，计算得到历史用电季节性指数。

最后，计算历史用电数据与历史用电季节性指数的比值作为剔除季节影响后的历史用电周期性特征。

以上步骤中，季节性分解处理包含季节性指数的计算以及季节调整两个步骤，其中，季节性指数的作用是衡量每个时间点对于平均季节模式的偏差程度，而季节调整的作用是将原始数据中受到季节性影响的部分去除。对于季节性指数的计算，本发明实施例采用乘法模型的移动平均法来计算，得到的历史用电季节性指数满足如下公式（6）：

（6）；

式中，

对于季节调整，本发明实施例将原始的数据除以季节性指数，得到剔除季节影响后的数据，即历史用电周期性特征，如下公式（7）所示：

（7）；

式中，

在本发明的一些实施例中，步骤S200还可以包括但不限于如下步骤：

计算历史用电数据的平均值和标准差的比值作为历史用电波动率。

本步骤中，负荷波动率是指用户用电时段内的负荷波动程度，可以反映出负荷分散的相对大小，负荷波动率可以通过如下公式（8）得到：

（8）；

式中，s表示在历史时间段内的用电曲线的标准差，

在本发明的一些实施例中，在步骤S300中，SVR模型和LSTM模型均为预先训练好的预测模型，SVR模型的作用是根据当前时刻下的负荷影响特征和往年的季节性指数来对同期的季节性指数进行预测，而LSTM模型则是根据用户负荷的周期性部分进行当年周期性的预测。

具体地，对于SVR模型的预测过程，以当前时刻下的负荷影响特征以及历史用电季节性指数作为SVR模型的输入特征，SVR模型预先学习有历史用电季节性指数和当前时刻下的负荷影响特征与未来时刻下的用电季节性指数的映射关系，SVR模型能够通过该映射关系预测出未来时刻下的用电季节性指数。

可选地，选择具有高泛用性的高斯径向基函数作为SVR模型的核函数，采用间接损失函数来度量SVR模型的预测值和真实值之间的差异，并最小化这个差异。具体地，使用

具体地，对于LSTM模型，以历史用电周期性特征作为LSTM模型的输入特征，LSTM模型预先学习有历史用电周期性特征与未来时刻下的用电周期性特征的映射关系，LSTM模型能够通过该映射关系预测出未来时刻下的用电周期性特征。

可选地，关于LSTM模型的如偏置等超参数及其权重的设置，可以采用随机搜索的方法来进行选择。

在本发明的一些实施例中，在步骤S400中，使用模糊集论对用户进行分类，根据不同的隶属类别的用户提供不同的电力调控值，以便于后续步骤中根据用户的电力调控值以及用户的负荷预测值的相互关系来采取相应的用电调整方案。

具体地，参照图2和图4，步骤S400可以包括但不限于如下步骤S410-S420。

S410，确定多个隶属度阈值和多个隶属类别，根据多个隶属度阈值和历史用电波动率构建每个隶属类别的隶属度函数。

需要说明的是，隶属度函数是指若对范围U中的任一元素x，都有一个数A属于[0，1]与之对应，则称A是U上的模糊集，A（x）为x对A的隶属度。当x在U中变动时，A（x）为一个函数，称为A的隶属度函数。实际上，隶属度函数可以理解为相关程度，隶属度值越接近于0，则说明A与x越不相关；隶属度值越接近于1，则说明A与x越相关。

本步骤中，首先，设置多个隶属度阈值

具体地，对于第i个隶属类别的隶属度函数如下公式（9）所示：

（9）；

式中，

S420，获取每个隶属类别的调控系数，根据每个隶属类别的隶属度函数和调控系数，确定未来时刻下用户的电力调控值。

本步骤中，对于每个隶属类别，均分配一个对应的可调控常数，该可调控常数称为调控系数，这个调控系数可以根据实际地区情况而设置。假设将某地区的用户分为n个隶属类别，那么未来时刻下，可分配给用户的电力调控值如下公式（10）所示：

（10）；

式中，

在本发明的一些实施例中，在步骤S500中，获取用户的用电目标值的实现过程主要包括如下步骤S510-S520。

S510，根据每个隶属类别的隶属度函数，确定用户隶属于每个隶属类别的隶属度值，选择隶属度值最大的隶属类别作为最大隶属类别；

S520，获取与最大隶属类别对应的用电目标值作为用户的用电目标值。

以上步骤中，对于每一个隶属类别，可以设置一个对应的电量调度方案。其中，电量调度方案可以被分解为该隶属类别的用户的用电目标值以及用电激励措施信息。当确定最大隶属类别时，获取该最大隶属类别的电量调度方案，从电量调度方案中提取得到对应的用电目标值，并将其作为用户的用电目标值。

在本发明的一些实施例中，在步骤S600中进行电荷增量调节之前，以及，在步骤S700中进行减量调节之前，所述方法还可以包括如下步骤：

首先，根据每个隶属类别的隶属度函数，确定用户隶属于每个隶属类别的隶属度值，选择隶属度值最大的隶属类别作为最大隶属类别；

然后，获取与最大隶属类别对应的用电激励措施信息。

以上步骤中，对于每一个隶属类别，可以设置一个对应的电量调度方案。其中，电量调度方案可以被分解为该隶属类别的用户的用电目标值以及用电激励措施信息。当确定最大隶属类别时，获取该最大隶属类别的电量调度方案，从电量调度方案中提取得到对应的用电激励措施信息。

在本发明的一些实施例中，在步骤S600中进行电荷增量调节时，以及，在步骤S700中进行电荷减量调节时，所述方法还可以包括如下步骤：

向用户所在的终端发送用电激励措施信息，以激励用户用电或者建议用户减少用电。

下面将以一个例子对本发明提供的方法的原理进行举例说明。参照图2，在本示例中：

第一步，采集当前时刻下电力系统在天气方面、时间方面和用户方面的相关参数，并获取历史时间段内用户的用电曲线。

第二步，利用x-11季节分解法对用电曲线进行分解，得到历史用电周期性特征以及历史用电季节性指数，并对用电曲线进行数值处理，得到历史用电波动率。与此同时，将相关参数转换为多个特征指标，进而得到负荷影响特征。

第三步，将负荷影响特征和历史用电季节性指数作为SVR模型的输入，通过SVR模型预测得到未来时刻下的用电季节性指数，将历史用电周期性特征作为LSTM模型的输入，通过LSTM预测得到未来时刻下的用电周期性特征，计算这两个预测结果的乘积作为未来时刻下用户的负荷预测值。

第四步，根据历史用电波动率，结合每个隶属类别的隶属度函数，得到未来时刻下用户的电力调控值。

第五步，根据用户隶属于每个隶属类别的隶属度值，确定其中隶属度值最大的隶属类别作为最大隶属类别，然后获取该最大隶属类别的电量调度方案，电量调度方案可以被分解为用电目标值和用电激励措施信息。

第六步，判断用电目标值是否大于电力调控值与负荷预测值之和；若是，则进入第六步；若否，则进入第七步；

第六步，对用电目标值进行电荷增量调节，并向用户发送用电激励措施信息。

第七步，对用电目标值进行电荷减量调节，并向用户发送用电激励措施信息。

综上可见，本发明实施例提供的方法可提供如下技术效果：

一方面，对气象、日期、用户类型等数据进行指标化处理，并且根据各个特征之间相互的影响关系搭建符合实际情况的指标化函数，从而降低预测模型的维度，提高预测模型的预测效率。此外，指标化处理还可以将各个数据对用户负荷影响情况提取出来，便于用户查看各个数据的影响系数，提高负荷预测的准确率，同时还可以让用户根据地区的需要调整对应的影响系数，从而大大减少了在模型预测方面的人力与物力。

另一方面，使用长短期神经网络与支持向量回归预测模型对用户负荷的不同分量进行预测，能够让不同的模型在各自擅长的领域中对不同特点的特征数据进行预测，从而最大程度的发挥每个预测模型的优势，提高负荷预测的准确率。

又一方面，使用模糊集理论对用电用户进行分类，相比传统的电荷分级的方案，模糊集分类能够更灵活、更个性化地对每一个用户配置对应的可调控量以及用电目标，电力系统能够按照预设的用电方案以及对应措施进行负荷均衡处理，从而更好地满足用户需求侧的弹性要求，极大地提升了负荷均衡处理系统的灵活性。

此外，本发明实施例还提供了一种电力系统，电力系统的作用是为多个用户提供电力，电力系统采用前面实现的一种电力系统负荷均衡控制方法对电力负荷进行调节。

同理，上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。

此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干程序用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行程序的定序列表，可以具体实现在任何计算机可读介质中，以供程序执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统）使用，或结合这些程序执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。