[发明专利]基于次级用电量特性聚类分析的总电量预测方法

权利要求书

1.基于次级用电量特性聚类分析的总电量预测方法，其特征在于，包含以下步骤：

步骤1、利用KNN算法检验全行业月度用电量数据的离群点和缺失点，利用缺失点K近邻间的距离进行反比赋权，通过K近邻数据点同属性列的加权得到缺失点的填充值，并将离群点置为零后得到全行业月度电量时间序列；

步骤2、对全行业月度电量时间序列进行X-12-ARIMA季节调整，得到行业月度电量季节调整分量TCI和季节周期分量S；

步骤3、应用改进K-means聚类算法对行业月度电量TCI分量进行聚类，通过计算轮廓系数得到最佳的距离算子和聚类数K，将各行业TCI分量的预测转化为K类聚类结果的预测；

步骤4、对每类聚类结果，运用趋势外推、时间序列、灰色预测法进行预测，通过计算历史值的预测误差，判断最适合该聚类的预测方法，对各聚类的月度电量进行预测；

步骤5、综合各行业季节周期分量和季节调整分量的预测结果，获得地区月度电量的预测值。

2.根据权利要求1所述的基于次级用电量特性聚类分析的总电量预测方法，其特征在于，所述步骤1中KNN算法检验全行业月度用电量数据的离群点和缺失点，具体步骤包括：

将全行业月度用电量数据集D中的数据存入待检测点集D1，清空不离群点集D2和判断点集D3；

设定近邻个数k和k-近邻平均距离阈值r；

从D1中随机选择回传区外的数据点p进入D3，同时循环遍历D1中的剩余数据点，计算其与数据点p间的距离dist，若则将其也存入D3；若D3内数据点个数不小于k，则通过不离群点判别，将D3内的所有数据点全部存入D2的传入区；若D3内数据点个数小于k，则将该数据点p传回D1回传区；重复上述步骤直到检测完D1回传区外的所有点。

3.根据权利要求1所述的基于次级用电量特性聚类分析的总电量预测方法，其特征在于，所述步骤2中，全行业月度电量时间序列Y_t被拆分为趋势循环项TC_t、季节周期项S_t和不规则因素I_t，且满足：

Y_t＝TC_t+S_t+I_t

其中，趋势循环项TC_t和不规则因素I_t的和为TCI曲线。