用电信息的处理方法及装置制造方法及图纸

本申请公开了一种用电信息的处理方法及装置。其中，该方法包括获取用电终端的样本用电信息，其中，样本用电信息包括：用电量样本，以及与用电量样本关联的影响因素数据；采用BP神经网络回归模型对样本用电信息进行回归分析，得到回归模型，其中，回归模型表征用电规律，用于预测用户住宅在预定时间内的用电量。本申请解决了由于相关技术中采用K‑Means聚类算法对历史负荷数据进行分析造成的分析得到的用户用电量准确性差、与实际用电情况存在较大误差的技术问题。

【技术实现步骤摘要】
用电信息的处理方法及装置
本申请涉及电力领域，具体而言，涉及一种用电信息的处理方法及装置。
技术介绍
随着我国经济的快速发展以及电力体制改革的不断深入，电力能源已经成为我国居民用能的重要组成部分，其用电水平是衡量居民生活现代化水平、社会发展水平的重要标准，而影响居民用电水平的因素较多，其中包含价格因素、气候因素、收入因素等。做好居民用能规律挖掘分析可以帮助政府部门制定有效的电力政策、电力规划，减少日益增长的环境压力，也有利于电力企业合理的安排电力生产和经营计划，提高人民的生活水平。相关技术中的用能规律(用电规律)是对用户的用电设备进行分类认知，利用K-Means聚类算法对用户的历史负荷数据进行聚类，实现对不同用户用电行为辨识，从而获取用户的用能规律。这种方法无法准确获取用户详细的用能规律，因此，采用这种方法的科学合理性较差，易造成分析结果泛化性差，不具备说服力和推广性,导致预测未来居民用电水平准确性和科学性均可能存在较大误差。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本申请实施例提供了一种用电信息的处理方法及装置，以至少解决由于相关技术中采用K-Means聚类算法对历史负荷数据进行分析造成的分析得到的用户用电量准确性差、与实际用电情况存在较大误差的技术问题。根据本申请实施例的一个方面，提供了一种用电信息的处理方法，包括：获取用电终端的样本用电信息，其中，样本用电信息包括：用电量样本，以及与用电量样本关联的影响因素数据；采用BP神经网络回归模型对样本用电信息进行回归分析，得到回归模型，其中，回归模型表征用电规律，用于预测用户住宅在预定时间内的用电量。可选地，用电量样本包括：预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量，影响因素数据包括：预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温，以及计算得到的用电量与各变量之间的相关系数。可选地，在获取用电终端的样本用电信息之后，对用电量样本进行预处理，该步骤包括：将用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联，生成由用电量表，其中，用电量表包括如下字段：用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。可选地，在获取用电终端的样本用电信息之后，方法还包括：从用电量表中筛选出待分析的字段，并对筛选出来的字段对应的数据进行去重处理，其中，在待分析的字段为用电量的情况下，如果预定周期内采集到的多次用电量数据，选取用电量数据平均值进行记录。可选地，如果当前用电周期内的用电量数据为空，则采用上一个用电周期内的用电量替换当前用电周期内的用电量数据，其中，如用电量为空的用电周期的数量超过预定阈值，则停止统计下一个用电周期内的用电量。可选地，影响因素数据用于表征回归挖掘的关键影响因素变量，其中，在获取用电终端的样本用电信息之后，方法还包括：对影响因素数据进行预处理，该步骤包括：按照相关系数的计算公式，计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。可选地，对影响因素数据的变量数据进行归一化处理，将影响因素数据简化到预定数据区间内，使有纲量化转化为无纲量化。可选地，BP神经网络回归模型采用有监督学习方式进行训练，并将学习模式输入至神经网络，神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。根据本申请实施例的另一方面，还提供了一种用电信息的处理装置，包括：获取模块，用于获取用电终端的样本用电信息，其中，样本用电信息包括：用电量样本，以及与用电量样本关联的影响因素数据；回归分析模块，用于采用BP神经网络回归模型对样本用电信息进行回归分析，得到回归模型，其中，回归模型表征用电规律，用于预测用户住宅在预定时间内的用电量。可选地，用电量样本包括：预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量，影响因素数据包括：预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温，以及计算得到的用电量与各变量之间的相关系数。可选地，装置还包括：第一预处理模块，用于对用电量样本进行预处理，该第一预处理模块包括：第一子处理模块，用于将用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联，生成由用电量表，其中，用电量表包括如下字段：用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。可选地，影响因素数据用于表征回归挖掘的关键影响因素变量，其中，装置还包括：第二预处理模块，用于对影响因素数据进行预处理，该第二预处理模块包括：第二子处理模块，用于按照相关系数的计算公式，计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。可选地，装置还包括：归一化处理模块，用于对影响因素数据的变量数据进行归一化处理，将影响因素数数据简化到预定数据区间内，使有纲量化转化为无纲量化。可选地，装置还包括：生成模块，用于生成BP神经网络回归模型，其中，BP神经网络回归模型采用有监督学习方式进行训练，并将学习模式输入至神经网络，神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。根据本申请实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种用电信息的处理方法。根据本申请实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行任意一种用电信息的处理方法。在本申请实施例中，采用BP神经网络回归模型对用电信息进行分析的方式，通过获取用电终端的样本用电信息，其中，样本用电信息包括：用电量样本，以及与用电量样本关联的影响因素数据；采用BP神经网络回归模型对样本用电信息进行回归分析，得到回归模型，达到了基于BP神经网络回归模型对用电信息进行分析，并根据分析结果预测用户住宅在预定时间内的用电量的技术效果，进而解决了由于相关技术中采用K-Means聚类算法对历史负荷数据进行分析造成的分析得到的用户用电量准确性差、与实际用电情况存在较大误差的技术问题。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的一种可选的用电信息的处理方法的流程示意图；图2是根据本申请实施例的一种可选的用电信息的处理装置的结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造本文档来自技高网...

【技术保护点】
1.一种用电信息的处理方法，其特征在于，包括：/n获取用电终端的样本用电信息，其中，所述样本用电信息包括：用电量样本，以及与所述用电量样本关联的影响因素数据；/n采用BP神经网络回归模型对所述样本用电信息进行回归分析，得到回归模型，其中，所述回归模型表征用电规律，用于预测用户住宅在预定时间内的用电量。/n

【技术特征摘要】
1.一种用电信息的处理方法，其特征在于，包括：
获取用电终端的样本用电信息，其中，所述样本用电信息包括：用电量样本，以及与所述用电量样本关联的影响因素数据；
采用BP神经网络回归模型对所述样本用电信息进行回归分析，得到回归模型，其中，所述回归模型表征用电规律，用于预测用户住宅在预定时间内的用电量。


2.根据权利要求1所述的方法，其特征在于，所述用电量样本包括：预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量，所述影响因素数据包括：所述预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温，以及计算得到的所述用电量与各变量之间的相关系数。


3.根据权利要求2所述的方法，其特征在于，在获取用电终端的样本用电信息之后，对所述用电量样本进行预处理，该步骤包括：
将所述用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联，生成由用电量表，其中，所述用电量表包括如下字段：用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。


4.根据权利要求3所述的方法，其特征在于，在获取用电终端的样本用电信息之后，所述方法还包括：
从所述用电量表中筛选出待分析的字段，并对筛选出来的字段对应的数据进行去重处理，其中，在所述待分析的字段为用电量的情况下，如果预定周期内采集到的多次用电量数据，选取所述用电量数据平均值进行记录。


5.根据权利要求4所述的方法，其特征在于，如果当前用电周期内的用电量数据为空，则采用上一个用电周期内的用电量替换所述当前用电周期内的用电量数据，其中，如用电量为空的用电周期的数量超过预定阈值，则停止统计下一个用电周期内的用电量。


6.根据权利要求2所述的方法，其特征在于，所述影响因素数据用于表征回归挖掘的关键影响因素变量，其中，在获取用电终端的样本用电信息之后，所述方法还包括：对所述影响因素数据进行预处理，该步骤包括：按照相关系数的计算公式，计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。


7.根据权利要求6所述的方法，其特征在于，对所述影响因素数据的变量数据进行归一化处理，将所述影响因素数据简化到预定数据区间内，使有纲量化转化为无纲量化。


8.根据权利要求1所述的方法，其特征在于，所述BP神经网络回归模型采用有监督学习方式进行训练，并将学习模式输入至神经网络，所述神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播，在所述输出层的各神经元输出对应于输入模式的网络响应。
<...

【专利技术属性】
技术研发人员：张禄，王培祎，严嘉慧，徐蕙，陆斯悦，马龙飞，焦然，李香龙，丁屹峰，张宝群，赵宇彤，
申请(专利权)人：国网北京市电力公司，国家电网有限公司，
类型：发明
国别省市：北京;11