【技术实现步骤摘要】
一种用电成本智能优化分析的电量预测方法及装置
[0001]本专利技术涉及电网数据挖掘
，尤其涉及一种用电成本智能优化分析的电量预测方法及装置。
技术介绍
[0002]随着近年来大数据模型的兴起，电力数据逐步受到重视，对电量预测的方法也得到极大的发展，以往预测电量的方法基本集中在以下几个：电力弹性系数法、电量产出效益法、回归分析法、灰色预测法。具体介绍如下：电力弹性系数法、电量产出效益法、回归分析法、灰色预测法。
[0003]以上的方案在计算量上或多或少都不是很大，而且精度上和如今的机器学习算法模型存在一定的差距。
技术实现思路
[0004]本专利技术的目的在于克服现有技术的不足，本专利技术提供了一种用电成本智能优化分析的电量预测方法及装置，可以在准确率上更高，更能捕捉大用户的用电规律，实时准确预测用户电量。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种用电成本智能优化分析的电量预测方法，所述方法包括：
[0006]对采集到的大工业用电用户的用户数据进行数据清洗处理...
【技术保护点】
【技术特征摘要】
1.一种用电成本智能优化分析的电量预测方法，其特征在于，所述方法包括：对采集到的大工业用电用户的用户数据进行数据清洗处理，获得清洗后的用户数据；对所述清洗后的用户数据进行建模样本筛选处理，获得筛选处理后的用户数据；对所述筛选处理后的用户数据按照预设划分种类作为聚类中心进行聚类处理，获得聚类用户数据；基于所述聚类的用户数据进行特征构建处理，获得用户数据特征；基于所述用户数据中的用户数量及用户数据特征在预设的预测模型中进行预测模型选择，并获得选择预测模型；将所述用户数据特征输入所述选择预测模型中进行用电量预测处理，获得用电量预测结果。2.根据权利要求1所述的电量预测方法，其特征在于，所述数据清洗处理包括有效用户数据筛选、用户数据异常值处理、用户数据缺失值填补和用户数据白噪声检验。3.根据权利要求1所述的电量预测方法，其特征在于，所述对采集到的大工业用电用户的用户数据进行数据清洗处理，获得清洗后的用户数据，包括：将所述用户数据中为负值和0的数据置为Nan；计算所述用户数据中的用户月用电量均值和中位数，并比较用户月用电量均值和中位数之间的差距，若差距大于预设差距时，则对所述用电数据中的用户月用电量进行逐一筛查，将月用电量和中位数差距大于预设差距的用户数据置为Nan；根据用户数据中的历史数据求出用户月用电量的四分为点，其中q[1]为1/4分位点，q[3]为3/4分位点，分位差IQR＝q[3]
‑
q[1]；以q[3]+1.5*IQR为上限，以max(q[1]
‑
1.5*IQR,200)为下限，将超出上、下限的点标记为异常点；对大于q[3]+1.5*IQR的异常点，用q[3]+1.5*IQR替代；对下限为q[1]
‑
1.5*IQR的异常点，用q[1]
‑
1.5*IQR代替；对下限为200的异常点，将其标置为Nan；对置为Nan之后的缺失值采用K近邻和滑动平均相结合的方式进行缺失值填补，获得填补后的用户数据；使用白噪声检验对所述填补后的用户数据进行数据清洗筛选，获得清洗后的用户数据。4.根据权利要求3所述的电量预测方法，其特征在于，所述对置为Nan之后的缺失值采用K近邻和滑动平均相结合的方式进行缺失值填补，获得填补后的用户数据，包括：对置为Nan之后的缺失值中单个独立缺失值进行窗口为3的滑动平均值填补处理，获得填补后的用户数据；对置为Nan之后的缺失值中具有连续的缺失值采用K近邻进行缺失值填补，获得填补后的用户数据。5.根据权利要求1所述的电量预测方法，其特征在于，所述对所述清洗后的用户数据进行建模样本筛选处理，获得筛选处理后的用户数据，包括：对所述清洗后的用户数据基于历史用电量对比样本法或事后样本检测法进行建模样本筛选处理，获得筛选处理后的用户数据。6.根据权利要求5所述的电量预测方法，其特征在于，所述对所述清洗后的用户数据基于历史用电量对比样本法进行建模样本筛选处理...
【专利技术属性】
技术研发人员：蔡开国，黄志鹄，欧翔，秦家昆，张君，郭杰文，张炳超，陈超阳，邱海平，黎梓庆，
申请(专利权)人：广西电网有限责任公司梧州供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。