[發(fā)明專利]電量預測方法、裝置、介質及設備

有效

• 申請?zhí)枺?/td>: 202111508170.7
• 申請日: 2021-12-10
• 公開（公告）號: CN113901731B
• 公開（公告）日: 2022-03-15
• 發(fā)明（設計）人: 董春;袁音
• 申請（專利權）人: 四川瑞康智慧能源有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q50/06
• 代理公司: 北京勁創(chuàng)知識產權代理事務所(普通合伙) 11589
• 代理人: 張鐵蘭

1.一種電量預測方法，其特征在于，包括：

獲取各用電企業(yè)消耗電量時間序列數(shù)據(jù)和總損耗電量數(shù)據(jù)；

確定各用電企業(yè)預設單位時間內的用電量和預單位時間內的線損電量；

根據(jù)預設單位時間內的用電量和預單位時間內的線損電量確定各用電企業(yè)消耗電量與總損耗電量的皮爾森相關系數(shù)；

基于各用電企業(yè)預設單位時間內的用電量以及皮爾森相關系數(shù)并根據(jù)從高到低進行排序，并將對應的位序相加確定最終排序；

根據(jù)最終排序結果初篩預設比例靠前的用電企業(yè)作為初篩用電異常企業(yè)；

根據(jù)經驗模態(tài)分解方法對初篩用電異常企業(yè)進行異常排查，確定初篩后的用電異常企業(yè)并反饋至售電公司和對應用電企業(yè)進行問題排查并修正用電數(shù)據(jù)；

基于修正后的用電數(shù)據(jù)進行預設時間內的電量預測：

據(jù)修正后的最終用電量，確定總用電量作為歷史總用電量數(shù)據(jù)樣本作為輸入特征，通過KELM訓練，構建歷史總用電量與預測時刻總用電量的關系；

對KELM模型輸入第m個目標日期t+m的特征，得到總用電量基礎預測值Pt+m，其中，t為當前日期；

執(zhí)行步驟，獲取未來7天的總用電量基礎預測值Pt+m，其中，m=1，2…，7；

基于KELM模型訓練的歷史總用電量數(shù)據(jù)、KELM模型對訓練數(shù)據(jù)預測結果，確定KELM模型對建模數(shù)據(jù)的殘差序列；

基于總用電量基礎預測值以及殘差序列，通過傅里葉級數(shù)對殘差序列進行二次擬合得到對應的殘差值；

基于總用電量基礎預測值以及殘差值確定最終總用電量預測值。

2.根據(jù)權利要求1所述的電量預測方法，其特征在于，獲取各用電企業(yè)預設單位時間內的用電量和預設單位時間內的線損電量，具體為：獲取各用電企業(yè)日均用電量和日均線損電量。

3.根據(jù)權利要求2所述的電量預測方法，根據(jù)最終排序結果初篩預設比例靠前的用電企業(yè)作為初篩用電異常企業(yè)，具體為：根據(jù)最終排序結果初篩靠前10%的用電企業(yè)作為初篩用電異常企業(yè)。

4.根據(jù)權利要求3所述的電量預測方法，其特征在于，根據(jù)經驗模態(tài)分解方法對初篩用電異常企業(yè)進行異常排查，包括：根據(jù)經驗模態(tài)分解方法對初篩用電異常企業(yè)中的各用電企業(yè)消耗電量與總損耗電量進行分解，確定分解得到的高頻分量，根據(jù)其變化趨勢和皮爾森相關系數(shù)確定最終異常用電企業(yè)。

5.電量預測裝置，其特征在于，包括

獲取單元，所述獲取單元用于獲取各用電企業(yè)消耗電量時間序列數(shù)據(jù)和總損耗電量數(shù)據(jù)；

確定單元，所述確定單元用于確定各用電企業(yè)預設單位時間內的用電量和預單位時間內的線損電量；

系數(shù)單元，所述系數(shù)單元用于根據(jù)預設單位時間內的用電量和預單位時間內的線損電量確定各用電企業(yè)消耗電量與總損耗電量的皮爾森相關系數(shù)；

排序單元，所述排序單元用于基于各用電企業(yè)預設單位時間內的用電量以及皮爾森相關系數(shù)并根據(jù)從高到低進行排序，并將對應的位序相加確定最終排序；

初篩單元，所述初篩單元用于根據(jù)最終排序結果初篩預設比例靠前的用電企業(yè)作為初篩用電異常企業(yè)；

排查單元，所述排查單元用于根據(jù)經驗模態(tài)分解方法對初篩用電異常企業(yè)進行異常排查，確定初篩后的用電異常企業(yè)并反饋至售電公司和對應用電企業(yè)進行問題排查并修正用電數(shù)據(jù)；

預測單元，所述預測單元用于基于修正后的用電數(shù)據(jù)進行預設時間內的電量預測：

據(jù)修正后的最終用電量，確定總用電量作為歷史總用電量數(shù)據(jù)樣本作為輸入特征，通過KELM訓練，構建歷史總用電量與預測時刻總用電量的關系；

對KELM模型輸入第m個目標日期t+m的特征，得到總用電量基礎預測值Pt+m，其中，t為當前日期；

執(zhí)行步驟，獲取未來7天的總用電量基礎預測值Pt+m，其中，m=1，2…，7；

基于KELM模型訓練的歷史總用電量數(shù)據(jù)、KELM模型對訓練數(shù)據(jù)預測結果，確定KELM模型對建模數(shù)據(jù)的殘差序列；

基于總用電量基礎預測值以及殘差序列，通過傅里葉級數(shù)對殘差序列進行二次擬合得到對應的殘差值；

基于總用電量基礎預測值以及殘差值確定最終總用電量預測值。