[發明專利]一種基于歷史數據的大用戶月度用電量預測方法及系統

有效

• 申請號: 202210295774.6
• 申請日: 2022-03-24
• 公開（公告）號: CN114638425B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 李秋實;張權;陸建鋒;徐曉春;宋海燕;唐文斌;樊天榮;張文祥;袁軼
• 申請（專利權）人: 國網江蘇省電力有限公司南通供電分公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0639;G06Q50/06;G06F18/214;G06N3/0442;G06N3/09
• 代理公司: 鎮江至睿專利代理事務所(普通合伙) 32529
• 代理人: 郭雨姍

1.一種基于歷史數據的大用戶月度用電量預測方法，其特征在于，所述方法包括以下步驟：

S1:采集大用戶用電量歷史數據，對所述歷史數據進行預處理，所述歷史數據包括日負荷歷史數據和/或月負荷歷史數據；

S2:將所述預處理后的歷史數據劃分成為訓練集和測試集，利用所述訓練集對預設類型的模型進行訓練，得到大用戶月度用電量預測模型；

S3:根據所述大用戶月度用電量預測模型和所述大用戶用電量歷史數據，預測并輸出所述大用戶未來一個月的月度用電量預測值；所述對所述歷史數據進行預處理包括：

對缺失的數據進行填補，對異常數據進行識別和修正，并進行歸一化處理；當所述歷史數據為日負荷歷史數據時，所述預設類型的模型為長短期神經網絡LSTM模型；當所述歷史數據為月負荷歷史數據時，所述預設類型的模型為多元線性回歸模型；

當所述預設類型的模型為長短期神經網絡LSTM模型時，利用所述訓練集對預設類型的模型進行訓練，得到大用戶月度用電量預測模型包括：

所述LSTM模型的超參數采取梯度下降調整方式，代價函數為平方重構誤差；將所述訓練集數據輸入到所述LSTM模型中進行迭代并計算誤差，判斷所述誤差是否小于預設閾值且迭代次數是否超過最大限制次數，若否，則繼續執行迭代操作，否是，則將所述測試集數據輸入所述LSTM模型中進行校驗，完成模型訓練，得到所述大用戶月度用電量預測模型。

2.根據權利要求1所述的方法，其特征在于，當所述預設類型的模型為多元線性回歸模型時，利用所述訓練集對預設類型的模型進行訓練，得到大用戶月度用電量預測模型包括：

將所述訓練集數據輸入所述多元線性回歸模型進行多元線性回歸擬合，輸入所述測試集數據計算誤差，判斷所述誤差是否小于設定值，若否，則調整參數再次進行多元線性回歸擬合，若是，則判斷模型是否適用，若模型適用，則完成模型訓練，得到所述大用戶月度用電量預測模型。

3.一種基于歷史數據的大用戶月度用電量預測系統，其特征在于，所述系統包括：

處理模塊，用于采集大用戶用電量歷史數據，對所述歷史數據進行預處理，所述歷史數據包括日負荷歷史數據和/或月負荷歷史數據；

訓練模塊，用于將所述預處理后的歷史數據劃分成為訓練集和測試集，利用所述訓練集對預設類型的模型進行訓練，得到大用戶月度用電量預測模型；

預測模塊，用于根據所述大用戶月度用電量預測模型和所述大用戶用電量歷史數據，預測并輸出所述大用戶未來一個月的月度用電量預測值；

所述處理模塊對所述歷史數據進行預處理包括：

對缺失的數據進行填補，對異常數據進行識別和修正，并進行歸一化處理；當所述歷史數據為日負荷歷史數據時，所述預設類型的模型為長短期神經網絡LSTM模型；當所述歷史數據為月負荷歷史數據時，所述預設類型的模型為多元線性回歸模型；當所述預設類型的模型為長短期神經網絡LSTM模型時，所述訓練模塊利用所述訓練集對預設類型的模型進行訓練，得到大用戶月度用電量預測模型包括：

所述LSTM模型的超參數采取梯度下降調整方式，代價函數為平方重構誤差；將所述訓練集數據輸入到所述LSTM模型中進行迭代并計算誤差，判斷所述誤差是否小于預設閾值且迭代次數是否超過最大限制次數，若否，則繼續執行迭代操作，否是，則將所述測試集數據輸入所述LSTM模型中進行校驗，完成模型訓練，得到所述大用戶月度用電量預測模型。

4.根據權利要求3所述的系統，其特征在于，當所述預設類型的模型為多元線性回歸模型時，所述訓練模塊利用所述訓練集對預設類型的模型進行訓練，得到大用戶月度用電量預測模型包括：

將所述訓練集數據輸入所述多元線性回歸模型進行多元線性回歸擬合，輸入所述測試集數據計算誤差，判斷所述誤差是否小于設定值，若否，則調整參數再次進行多元線性回歸擬合，若是，則判斷模型是否適用，若模型適用，則完成模型訓練，得到所述大用戶月度用電量預測模型。