[发明专利]一种日电量预测的方法

说明书

本发明公开了一种日用电量预测的方法，所述方法包括：获取在时间段内用户日电量原始数据，并剔除日电量为第一预设值和缺失值总和占比大于第二预设值的用户日电量数据；将所述剔除后的用户日电量数据进行异常值的处理以及缺失值的填补，得到新的用户日电量数据；利用提取的用户重要特征对所述新的用户日电量数据进行聚类处理；基于所述聚类后的用户日电量数据，从天气、节假日类型、星期类型的维度构建衡量用户电量波动的特征；基于LSTM神经网络，利用所述衡量用户电量波动的特征构建用户日电量预测的模型，并对所述模型进行训练；基于所述用户日电量预测的模型以及所述模型训练的结果，对用户日用电量进行预测。在本发明实施中，所述方法更具体地展现用电行为。

技术领域

本发明涉及一种电量预测的技术领域，尤其涉及一种日用电量预测的方法。

背景技术

电量预测是指在满足一定精度要求下，充分考虑一些重要的自然条件与社会影响、系统运行特性与增容决策等方面，研究或利用一种能够处理过去与未来电量的关系的数学方法，确定未来某特定时刻的电量数值；对电量进行准确预测，可以保证人民生活和社会正常生产，有效地降低电力企业的运行成本，保证电网经济运行，提高社会和经济效益；而电量的影响因素较多，例如地区经济、政策、气候等，这些因素中又确定性的，也有随机性的，这一方面说明了电量预测所需的数据较多，另一方面说明了电量预测结果由于影响因素的随机性在一定程度上具有不确定性，很大程度上增加了电量预测的难度。目前，对于中长期电量的预测技术已经日趋承受，而日电量的预测技术研究相对较少，且日电量信息数据隐藏的用电行为更具体。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种日电量预测的方法，可以预测日用电量，更具体地展现用电行为。

为了解决上述技术问题，本发明实施例提供了一种日用电量预测的方法，所述方法包括：

获取在时间段内用户日电量原始数据，并在所述用户日电量原始数据中剔除日电量为第一预设值和缺失值总和占比大于第二预设值的用户日电量数据，得到剔除后的用户日电量数据；

将所述剔除后的用户日电量数据进行异常值的处理以及缺失值的填补，得到新的用户日电量数据；

利用提取的用户重要特征对所述新的用户日电量数据进行聚类处理，得到聚类后的用户日电量数据；

基于所述聚类后的用户日电量数据，从天气、节假日类型、星期类型的维度构建衡量用户电量波动的特征；

基于LSTM神经网络，利用所述衡量用户电量波动的特征构建用户日电量预测的模型，并对所述模型进行训练；

基于所述用户日电量预测的模型以及所述模型训练的结果，对用户日用电量进行预测。

可选的，所述将所述剔除后的用户日电量数据进行异常值的处理以及缺失值的填补，得到新的用户日电量数据包括：

将所述剔除后的用户中的居民日电量数据进行异常值的处理以及缺失值的填补，得到新的用户中的居民日电量数据；

将所述剔除后的用户中的非居民日电量数据进行异常值的处理以及缺失值的填补，得到新的用户中的非居民日电量数据。

可选的，所述将所述剔除后的用户中的居民日电量数据进行异常值的处理包括：

将所述剔除后的用户中的居民日电量数据中为负值、和0、和全局异常值点的数据置为Nan；

通过计算得出所述剔除后的用户中的居民日电量数据的时间序列级比数，具体公式如下：

其中，为时间序列比数，x_i为第i天的居民日用电量，x_i-1为第i-1天的居民日用电量；