[发明专利]一种用户日电量模式预测方法

权利要求书

1.一种用户日电量模式预测方法，该方法包括如下步骤：

获取多个用户的历史日电量时点数据，对所述获取的历史日电量时点数据进行谱聚类，获得每一个聚类的聚类中心，并根据聚类中心得到用户的典型日电量时点曲线；

获取所述历史日电量时点数据的当日的气象数据，并基于所述气象数据和所述历史日电量时点数据构建日电量的统计指标，根据所述统计指标构建用户日电量的预测模型，基于所述预测模型计算用户待预测日的时点电量；

根据所述典型的日电量时点曲线和待预测日的时点电量预测用户待预测日的日电量模式。

2.根据权利要求1所述的方法，其特征在于，获取所述历史日电量时点数据的当日的气象数据，并基于所述气象数据和所述历史日电量时点数据构建日电量的统计指标具体包括：

获取所述历史日电量时点数据的当日的气象数据；

对获取的气象数据进行预处理，并根据预处理后的气象数据和历史日电量时点数据构建日电量的统计指标。

3.根据权利要求2所述的方法，其特征在于，所述对获取的气象数据进行预处理具体包括：

确定各个气象特征在不同季节的异常阈值，根据异常阈值筛选出异常气象数据；

采用线性差值方法对异常气象数据进行填补，从而形成数据预处理后的气象数据。

4.根据权利要求3所述的方法，其特征在于，所述确定各个气象特征在不同季节的异常阈值，根据异常阈值筛选出异常气象数据具体包括：

计算每一个季节的每一个气象特征的时间序列对应的四分之三分位数和四分之一分位数；

根据所述四分之三分位数和四分之一分位数计算异常阈值的上限和下限；

根据异常阈值的上限和下限筛选出异常气象数据。

5.根据权利要求4所述的方法，其特征在于，所述根据所述四分之三分位数和四分之一分位数计算异常阈值的上限和下限具体包括：

upQT_mk＝QT_mk[3]+1.5*(QT_mk[3]-QT_mk[1])

downQT_mk＝max(min(QT),QT_mk[1]-1.5*(QT_mk[3]-QT_mk[1]))

其中，QT_mk[3]为四分之三分位数，QT_mk[1]为四分之一分位数，upQT_mk为异常阈值上限，downQR_mk为异常阈值下限，min(QT_k)为第k个气象特征的最小值，m＝1,2,3,4；k＝1,2,3。

6.根据权利要求5所述的方法，其特征在于：所述对数据预处理后的日电量时点数据进行谱聚类，获得每一个聚类的聚类中心具体包括：

根据各用户之间的权重系数计算获得相似矩阵；

根据相似矩阵计算获得邻接矩阵，并根据邻接矩阵计算获得度矩阵；

通过邻接矩阵和度矩阵计算获得拉普拉斯矩阵；

通过拉普拉斯矩阵获得正则拉普拉斯矩阵；

计算正则拉普拉斯矩阵的最下的K1个特征值各自对应的特征向量；

将所述对应的特征向量组成矩阵，并对组成的矩阵按行标准化形成特征矩阵；

将特征矩阵中的每一行作为一个样本，对特征矩阵中的样本进行聚类，获得K个聚类结果以及每个聚类结果的聚类中心；

其中，K1为降维后的维度，K为聚类后的最优维度。

7.根据权利要求6所述的方法，其特征在于：

分别采用组内误差平方和、轮廓系数以及Calinski-Harabasz准则获得对应的聚类后的维度，选取所述获得的聚类后的维度的最大值作为聚类后的最优维度。