CN109816139B - 基于负荷细分的差异化用户基线负荷预测方法、装置及系统 - Google Patents

Abstract

本发明公开了一种基于负荷细分的差异化用户基线负荷预测方法、装置及系统，包括获取用户用电负荷，并对所述用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷；计算所述迎峰型负荷的气象敏感度和时间敏感度；根据迎峰型负荷的气象敏感度和时间敏感度，判定出对应的用电模式，所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式；分别预测不同用电模式下的用户基线负荷，完成基于负荷细分的差异化用户基线负荷预测。本发明的基于负荷细分的差异化用户基线负荷预测方法、装置及系统，基于负荷细分，考虑多维用电行为及其影响因素，精细化用户用电行为特征，以进一步提高用户基线负荷预测精度。

Description

基于负荷细分的差异化用户基线负荷预测方法、装置及系统

技术领域

本发明属于电力需求响应分析技术领域，具体涉及一种基于负荷细分的差异化用户基线负荷预测方法。

背景技术

随着能源转型的不断发展，电力需求响应被认为是消纳新能源、解决弃风弃光问题的有效措施。在电力需求响应项目效果评价中，用户基线负荷(customer baselineload，CBL)预测能够为评价电力需求响应对用户负荷调整程度提供定量的依据。

常用基线负荷预测方法包括一次指数平滑法(Exponential Moving Average，EMA)、“High X of Y”平均值法、“Middle X of Y”平均值法、线性回归法等。现有的研究方法从不同角度研究用户基线负荷的预测，如考虑用户次日保电计划和检修计划的相似日负荷平均值法、基于负荷特性聚类分析的基线负荷预测方法。但是，由于用户用电行为的多样化，现有方法缺乏对用户用电行为及其影响因素的差异化考虑。而且，迎峰型负荷是当前国内需求响应的重点，其基线负荷预测精度也是关注的难点。因此，如何筛选迎峰型负荷，精细化该类型负荷的用电行为分析，深入挖掘其差异化用电模式，提高用户基线负荷预测精度对于能源转型下需求响应的应用发展有着重要的意义。

发明内容

针对上述问题，本发明提出一种基于负荷细分的差异化用户基线负荷预测方法，基于负荷细分，考虑多维用电行为及其影响因素，精细化用户用电行为特征，以进一步提高用户基线负荷预测精度。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

第一方面，本发明提供了一种基于负荷细分的差异化用户基线负荷预测方法，包括：

获取用户用电负荷，并对所述用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷；

计算所述迎峰型负荷的气象敏感度和时间敏感度；

根据迎峰型负荷的气象敏感度和时间敏感度，判定出对应的用电模式，所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式；

分别预测不同用电模式下的用户基线负荷，完成基于负荷细分的差异化用户基线负荷预测。

优选地，所述对用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷，具体为：

采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷。

优选地，所述采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷，具体包括以下子步骤：

采用基于离差平方和法的系统聚类法对负荷特性进行一次聚类，得到初始聚类中心；

以该初始聚类中心作为FCM聚类的初始值进行二次聚类，进而得到二次聚类中心；

计算日负荷率与日峰谷差率，如果日负荷率与日峰谷差率相差小于设定阈值，则对二次聚类中心进行再次聚类，得到最终聚类中心，反之，该二次聚类中心即为最终聚类中心，根据最终聚类中心，筛选出迎峰型负荷；

所述日负荷率的计算公式为：

所述日峰谷差率的计算公式为：

式中：α表示日负荷率；P_av表示当日平均负荷；P_max表示日最高负荷；β表示日峰谷差率；P_min表示日最低负荷。

优选地，所述一次聚类中采用的聚类公式为：

式中：W_K表示类内离差平方和；G_K表示类，包含m个元素，用列向量x_i(i＝1,2，…，m)来表示；

表示平均值。

优选地，所述计算所述迎峰型负荷的气象敏感度和时间敏感度，具体为：

计算所述迎峰型负荷的气温敏感度，气温敏感度的计算公式为：

式中：ρ表示气温敏感度，n为一年中日最高气温大于30℃时的总天数，P_i为每天的日最大负荷，T_i为每天的日最高气温；若气温敏感度大于1，则认为该迎峰型负荷为高温敏感负荷；

计算所述迎峰型负荷的节假日敏感度，所述节假日敏感度的计算公式为：

式中：λ表示节假日敏感度，D_s为对用户一年365日负荷曲线样本进行聚类分析后得到的迎峰型负荷所含的样本个数，D_h为D_s中属于节假日的样本个数，若节假日敏感度大于e，则认为该迎峰型负荷为节假日敏感负荷。

优选地，所述根据迎峰型负荷的气象敏感度和时间敏感度，判定出对应的用电模式，所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式，具体为：

当判定迎峰型负荷属于高温敏感负荷，则认为用电模式为气温敏感型用电模式；

当判定迎峰型负荷属于节假日敏感负荷，则认为用电模式为节假日敏感型用电模式；

当判定迎峰型负荷既不属于高温敏感负荷，又不属于节假日敏感负荷，则认为用电模式为气温和节假日均不敏感型用电模式。

优选地，所述分别计算不同用电模式下的用户基线负荷，具体为：

对于气温敏感型用电模式，在计算初次用户基线负荷后，根据需求响应当天的实际负荷与温度，采用线性回归法对初次用户基线负荷进行调整；

对于节假日敏感型用电模式，若需求响应当天是工作日，则选择历史数据时只选择工作日；反之，若需求响应当天为节假日，则选择只有节假日的历史数据；

对于气温和节假日均不敏感型用电模式，则采用传统的一次指数平滑法、High Xof Y或者Middle X of Y中的任一种进行用户基线负荷的计算。

优选地，所述分别预测不同用电模式下的用户基线负荷步骤之后还包括：采用综合评估方法分析各用电模式下的用户基线负荷预测精度，具体为：

将各用电模式下的用户基线负荷结果输入到综合评估模型中，进行预测精度分析，其中，所述综合评估模型的计算公式为：

OPI＝γRRMSE+(1-γ)ARE

式中，RRMSE为相对均方根误差，反映了基线负荷和实际负荷的偏差程度；ARE为平均相对误差，表示预测负荷偏离实际负荷的趋势；γ为权重系数。

第二方面，本发明提供了一种基于负荷细分的差异化用户基线负荷预测装置，包括：

获取及筛选模块，用于获取用户用电负荷，并对所述用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷；

计算模块，用于计算所述迎峰型负荷的气象敏感度和时间敏感度；

分类模块，根据迎峰型负荷的气象敏感度和时间敏感度，判定用电模式为气象敏感型、时间敏感型和气象及时间均不敏感型三种中的其中一种；

预测模块，分别计算不同用电模式下的用户基线负荷，完成基于负荷细分的差异化用户基线负荷预测。

第三方面，本发明提供了一种基于负荷细分的差异化用户基线负荷预测系统，包括：

处理器，适于实现各指令；以及

存储设备，适于存储多条指令，所述指令适于由处理器加载并执行第一方面中任一项所述的步骤。

与现有技术相比，本发明的有益效果：

本发明所提的基于负荷细分的差异化用户基线负荷预测方法，能够有效筛选出迎峰型负荷用户；将迎峰型负荷进一步精细化为气象敏感型、时间敏感型和气象及时间均不敏感型3种差异化用电模式，在此基础上提出不同用电模式的差异化用户基线负荷预测方法，能够有效提高用户基线负荷的预测精度。

进一步地，由于未来在综合能源系统下，用户用能形式将更加多样化、复杂化，因此，本发明所提方法能够精细化分析综合能源下的用能行为特征，提高综合能源系统的用户基线负荷预测精度，为综合能源系统的需求响应评估提供一定的参考和借鉴意义。

附图说明

图1为本发明一种实施例的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明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发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

为了解决现有技术中无法实现筛选迎峰型负荷，精细化该类型负荷的用电行为分析，深入挖掘其差异化用电模式，提高用户基线负荷预测精度的问题，本发明提出了一种基于负荷细分的差异化用户基线负荷预测方法、装置及系统，能够有效筛选出迎峰型负荷用户；将迎峰型负荷进一步精细化为气象敏感型、时间敏感型和气象及时间均不敏感型三种差异化用电模式，在此基础上提出不同用电模式的差异化用户基线负荷预测方法，能够有效提高用户基线负荷的预测精度。

实施例1

如图1所示，本发明实施例提供了一种基于负荷细分的差异化用户基线负荷预测方法，包括以下步骤：

步骤(1)：获取用户用电负荷，并对用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷，在本发明实施例的一种具体实施方式中，具体为：采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷；

所述Ward-FCM二次聚类法采用基于离差平方和法(Ward法)的系统聚类法进行一次聚类，如式(1)所示，得到初始聚类中心，并以该初始聚类中心作为FCM聚类的初始值进行二次聚类，进而得到二次聚类中心。在本发明的实际操作中，一次聚类采用系统聚类法对负荷特性进行分类；二次聚类采用模糊C均值法，聚类中心由初次系统聚类结果提供。这样，既可避免模糊C均值法对初始参数的敏感性，又能取得分类准确客观的聚类效果；

式中：W_K表示类内离差平方和；G_K表示类，包含m个元素，用列向量x_i(i＝1,2，…，m)来表示；

表示平均值；

表示对

求转置。

为进一步提高用户负荷曲线聚类结果的有效性，本发明考虑日负荷率、日峰谷差率等负荷特性指标，如式(2)、(3)所示，对二次聚类的结果做进一步聚类处理，以优化聚类中心，具体过程为：

计算日负荷率与日峰谷差率，如果日负荷率与日峰谷差率相差小于设定阈值，则对二次聚类中心进行再次聚类，得到最终聚类中心，所述聚类过程采用的是现有技术，因此本实施例中不做过多的赘述，反之，则二次聚类中心即为最终聚类中心，根据最终聚类中心，筛选出迎峰型负荷，该过程采用的是现有技术，因此不做过多的赘述；

所述日负荷率的计算公式为：

所述日峰谷差率的计算公式为：

式中：α表示日负荷率；P_av表示当日平均负荷；P_max表示日最高负荷；β表示日峰谷差率；P_min表示日最低负荷。

步骤(2):计算所述迎峰型负荷的气象敏感度和时间敏感度，在本发明实施例的一种具体实施方式中，具体为：

从气象维度和时间维度分别建立差异化分析模型，以实现精细化用电模式分析，将迎峰型负荷用户用电行为划分为气象敏感型、时间敏感型和气象及时间均不敏感型三种差异化用电模式。其中，气象维度主要是分析用户负荷对气温及温湿效应、气温累积效应等城市微气象的敏感程度；时间维度主要是分析用户负荷对节假日的敏感程度。下面分别从气象维度和时间维度进行详细描述。

(2.1)气象维度

选取日最高气温大于T℃时用户典型负荷中的日最大负荷和日最高气温作为研究对象，采用最小二乘法进行线性回归，定义回归系数为气温灵敏度，建立考虑气温维度的用电行为差异化模型如式(4)所示，若灵敏度大于1，则认为该迎峰型负荷为高温敏感负荷。

式中：ρ表示气温灵敏度，n为一年中日最高气温大于30℃时的总天数，P_i为每天的日最大负荷，T_i为每天的日最高气温。

(2.2)时间维度

为了分析是否存在节假日的影响，建立考虑节假日维度的用电行为差异化模型如式(5)所示，其中，定义节假日大于e的用户为节假日敏感负荷；

式中：λ表示节假日占比，D_s为对用户一年365日负荷曲线样本进行聚类分析后得到的每类负荷所含的样本个数，D_h为D_s中属于节假日的样本个数。

(3)根据迎峰型负荷的气象敏感度和时间敏感度，判定出对应的用电模式，所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式；具体为：

当判定迎峰型负荷属于高温敏感负荷，则认为用电模式为气温敏感型用电模式；

当判定迎峰型负荷属于节假日敏感负荷，则认为用电模式为节假日敏感型用电模式；

当判定迎峰型负荷既不属于高温敏感负荷，又不属于节假日敏感负荷，则认为用电模式为气温和节假日均不敏感型用电模式

步骤(4)分别预测不同用电模式下的用户基线负荷，用户基线负荷的预测过程一般分为数据选择、基线计算和调整计算三个步骤，在本实施例的一种具体实施方式中，具体包括：

(4.1)气温敏感型用电模式

该类用户对应的用电模式为仅温度敏感，在数据选择环节，不用考虑节假日的影响，在基线计算环节，采用一次指数平滑法；在调整计算环节，在计算初次基线负荷后，根据需求响应当天的实际负荷与温度，采用线性回归法对初次基线负荷进行调整。其中，线性归回调整采用用户在需求响应日前m天的平均负荷和平均温度做线性回归拟合，得到拟合系数。随后，将需求响应当天平均温度和前m天平均温度之差作为温度调整量，该温度调整量乘以拟合系数后便得到基线负荷调整量。该调整量和初次基线负荷相叠加后便得到调整后的基线负荷。

(4.2)节假日敏感型用电模式

该类用户对应的用电模式为仅节假日敏感，在数据选择环节，需要考虑节假日的影响。例如：若需求响应当天是工作日，则选择历史数据时只选择工作日，反之，若需求响应当天为节假日，则需选择只有节假日的历史数据。在基线计算环节，采用一次指数平滑法；在调整计算环节，不同于气温敏感型用电模式，由于该用电模式仅为节假日敏感，在数据选择上已经考虑节假日的影响，因此不做调整计算。

(4.3)气温和节假日均不敏感型用电模式

在该模式下，基线负荷是不需要考虑两者对基线负荷预测的影响。具体表现为：在数据选择环节，直接向前选取历史数据计算窗口，不需要考虑计算窗口是否为节假日；在基线计算环节，可以采用一次指数平滑法、“High X of Y”或者“Middle X of Y”方法；在调整计算环节，不需要考虑计及温度的调整计算。故针对该类型用户，只需要进行基线负荷简单计算即可，进而简化了传统基线负荷计算过程。

其中，所述一次指数平滑法对过去5个工作日的负荷求平均值，并参考需求响应当天的负荷值，采用权重法叠加后得到基线负荷。所述“High X of Y”平均值法同样以过去10个工作日为时间挑选窗口，去除日用电量(kW)最大值和最小值的两天，再对剩下的8天求平均值，剔除实施了需求响应项目的那些天。

步骤(5)采用综合评估方法分析各用电模式下的用户基线负荷预测精度；在本发明实施例的一种具体实施方式中，具体为：

综合考虑基线负荷和实际负荷的偏差程度以及偏差趋势，采用权重系数法，建立综合评估(Overall Performance Index，OPI)模型，如式(6)所示，将各用电模式下的用户基线负荷结果输入到所述综合评估模型中，进行预测精度分析；

OPI＝γ|RRMSE|+(1-γ)|ARE| (6)

其中，RRMSE为相对均方根误差，反映了基线负荷和实际负荷的偏差程度；ARE为平均相对误差，表示预测负荷偏离实际负荷的趋势；γ为权重系数。

实施例2

基于与实施例1相同的发明构思，本发明实施例中提供了一种基于负荷细分的差异化用户基线负荷预测装置，包括：

获取及筛选模块，用于获取用户用电负荷，并对所述用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷；

计算模块，用于计算所述迎峰型负荷的气象敏感度和时间敏感度；

分类模块，根据迎峰型负荷的气象敏感度和时间敏感度，判定用电模式为气象敏感型、时间敏感型和气象及时间均不敏感型三种中的其中一种；

预测模块，分别计算不同用电模式下的用户基线负荷，完成基于负荷细分的差异化用户基线负荷预测。

进一步地，所述基于负荷细分的差异化用户基线负荷预测装置，还包括分析模块，所述分析模块用于采用综合评估方法分析各用电模式下的用户基线负荷预测精度，

其余部分均与实施例1相同。

实施例3

基于与实施例1相同的发明构思，本发明实施例中提供了一种基于负荷细分的差异化用户基线负荷预测系统，包括：

处理器，适于实现各指令；以及

存储设备，适于存储多条指令，所述指令适于由处理器加载并执行第一方面中任一项所述的步骤。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于负荷细分的差异化用户基线负荷预测方法，其特征在于，包括：

获取用户用电负荷，并对所述用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷；

计算所述迎峰型负荷的气象敏感度和时间敏感度；

根据迎峰型负荷的气象敏感度和时间敏感度，判定出对应的用电模式，所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式；

分别预测不同用电模式下的用户基线负荷，完成基于负荷细分的差异化用户基线负荷预测；

所述对所述用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷，具体为：

采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷；

所述采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷，具体包括以下子步骤：

采用基于离差平方和法的系统聚类法对负荷特性进行一次聚类，得到初始聚类中心；

以该初始聚类中心作为FCM聚类的初始值进行二次聚类，进而得到二次聚类中心；

计算日负荷率与日峰谷差率，如果日负荷率与日峰谷差率相差小于设定阈值，则对二次聚类中心进行再次聚类，得到最终聚类中心，反之，该二次聚类中心即为最终聚类中心，根据最终聚类中心，筛选出迎峰型负荷；

所述日负荷率的计算公式为：

所述日峰谷差率的计算公式为：

式中：α表示日负荷率；P_av表示当日平均负荷；P_max表示日最高负荷；β表示日峰谷差率；P_min表示日最低负荷；

所述一次聚类中采用的聚类公式为：

式中：W_K表示类内离差平方和；G_K表示类，包含m个元素，用列向量x_i(i＝1,2，…，m)来表示；

表示平均值；

所述计算所述迎峰型负荷的气象敏感度和时间敏感度，具体为：

计算所述迎峰型负荷的气温敏感度，气温敏感度的计算公式为：

式中：ρ表示气温敏感度，n为一年中日最高气温大于30℃时的总天数，P_i为每天的日最大负荷，T_i为每天的日最高气温；若气温敏感度大于1，则认为该迎峰型负荷为高温敏感负荷；

计算所述迎峰型负荷的节假日敏感度，所述节假日敏感度的计算公式为：

式中：λ表示节假日敏感度，D_s为对用户一年365日负荷曲线样本进行聚类分析后得到的迎峰型负荷所含的样本个数，D_h为D_s中属于节假日的样本个数，若节假日敏感度大于e，则认为该迎峰型负荷为节假日敏感负荷；

所述根据迎峰型负荷的气象敏感度和时间敏感度，判定出对应的用电模式，所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式，具体为：

当判定迎峰型负荷属于高温敏感负荷，则认为用电模式为气温敏感型用电模式；

当判定迎峰型负荷属于节假日敏感负荷，则认为用电模式为节假日敏感型用电模式；

当判定迎峰型负荷既不属于高温敏感负荷，又不属于节假日敏感负荷，则认为用电模式为气温和节假日均不敏感型用电模式。

2.根据权利要求1所述的一种基于负荷细分的差异化用户基线负荷预测方法，其特征在于：所述分别预测不同用电模式下的用户基线负荷，具体为：

对于气温敏感型用电模式，在计算初次用户基线负荷后，根据需求响应当天的实际负荷与温度，采用线性回归法对初次用户基线负荷进行调整；

对于节假日敏感型用电模式，若需求响应当天是工作日，则选择历史数据时只选择工作日；反之，若需求响应当天为节假日，则选择只有节假日的历史数据；对于气温和节假日均不敏感型用电模式，则采用传统的一次指数平滑法、High X of Y或者Middle X of Y中的任一种进行用户基线负荷的计算。

3.根据权利要求1所述的一种基于负荷细分的差异化用户基线负荷预测方法，其特征在于：所述分别预测不同用电模式下的用户基线负荷步骤后还包括：采用综合评估方法分析各用电模式下的用户基线负荷预测精度，具体为：

将各用电模式下的用户基线负荷结果输入到综合评估模型中，进行预测精度分析，其中，所述综合评估模型的计算公式为：

OPI＝γ|RRMSE|+(1-γ)|ARE|

式中，RRMSE为相对均方根误差，反映了基线负荷和实际负荷的偏差程度；ARE为平均相对误差，表示预测负荷偏离实际负荷的趋势；γ为权重系数。

4.一种基于负荷细分的差异化用户基线负荷预测装置，其特征在于，包括：

获取及筛选模块，用于获取用户用电负荷，并对所述用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷；

计算模块，用于计算所述迎峰型负荷的气象敏感度和时间敏感度；

分类模块，根据迎峰型负荷的气象敏感度和时间敏感度，判定用电模式为气象敏感型、时间敏感型和气象及时间均不敏感型三种中的其中一种；

预测模块，分别预测不同用电模式下的用户基线负荷，完成基于负荷细分的差异化用户基线负荷预测；

所述对用户用电负荷进行数据挖掘分析，筛选出迎峰型负荷，具体为：

采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷；

所述采用Ward-FCM二次聚类法结合负荷特性指标筛选出迎峰型负荷，具体包括以下子步骤：

采用基于离差平方和法的系统聚类法对负荷特性进行一次聚类，得到初始聚类中心；

以该初始聚类中心作为FCM聚类的初始值进行二次聚类，进而得到二次聚类中心；

计算日负荷率与日峰谷差率，如果日负荷率与日峰谷差率相差小于设定阈值，则对二次聚类中心进行再次聚类，得到最终聚类中心，反之，该二次聚类中心即为最终聚类中心，根据最终聚类中心，筛选出迎峰型负荷；

所述日负荷率的计算公式为：

所述日峰谷差率的计算公式为：

式中：α表示日负荷率；P_av表示当日平均负荷；P_max表示日最高负荷；β表示日峰谷差率；P_min表示日最低负荷；

所述一次聚类中采用的聚类公式为：

式中：W_K表示类内离差平方和；G_K表示类，包含m个元素，用列向量x_i(i＝1,2，…，m)来表示；

表示平均值；

所述计算所述迎峰型负荷的气象敏感度和时间敏感度，具体为：

计算所述迎峰型负荷的气温敏感度，气温敏感度的计算公式为：

式中：ρ表示气温敏感度，n为一年中日最高气温大于30℃时的总天数，P_i为每天的日最大负荷，T_i为每天的日最高气温；若气温敏感度大于1，则认为该迎峰型负荷为高温敏感负荷；

计算所述迎峰型负荷的节假日敏感度，所述节假日敏感度的计算公式为：

式中：λ表示节假日敏感度，D_s为对用户一年365日负荷曲线样本进行聚类分析后得到的迎峰型负荷所含的样本个数，D_h为D_s中属于节假日的样本个数，若节假日敏感度大于e，则认为该迎峰型负荷为节假日敏感负荷；

所述根据迎峰型负荷的气象敏感度和时间敏感度，判定出对应的用电模式，所述用电模式为气象敏感型用电模式、时间敏感型用电模式或气象及时间均不敏感型用电模式，具体为：

当判定迎峰型负荷属于高温敏感负荷，则认为用电模式为气温敏感型用电模式；

当判定迎峰型负荷属于节假日敏感负荷，则认为用电模式为节假日敏感型用电模式；当判定迎峰型负荷既不属于高温敏感负荷，又不属于节假日敏感负荷，则认为用电模式为气温和节假日均不敏感型用电模式。

5.一种基于负荷细分的差异化用户基线负荷预测系统，其特征在于，包括：

处理器，适于实现各指令；以及

存储设备，适于存储多条指令，所述指令适于由处理器加载并执行权利要求1～3中任一项所述的方法。

Images