行业用电量预测方法技术

本发明专利技术涉及电力数据处理技术领域，尤其涉及一种行业用电量预测方法，本发明专利技术方法其通过相关性系数，对行业用电因素进行筛选，仅保留了相关性高的因素，并在此基础上，通过聚类模型对筛选后的数据进行聚类，使得数据量进一步得到压缩。最后，通过预测模型获取行业用电量预测结果。本发明专利技术方法，降低了网络数据传输的总量，在保证预测准确率的前提下，降低了预测计算的复杂程度和预测的难度。计算的复杂程度和预测的难度。计算的复杂程度和预测的难度。

【技术实现步骤摘要】
行业用电量预测方法


[0001]本专利技术涉及电力数据处理
，尤其涉及一种行业用电量预测方法。

技术介绍

[0002]不同工业行业用户的用电行为和影响因素均具有多样性，如果将获取的各种因素均作为输入对用电量进行预测的话，将会增加网络传输的负担，更会大大增加预测的难度以及计算过程的复杂程度。
[0003]因此，有必要针对不同的行业，选取不同的影响因素，基于影响因素对行业用电进行预测。
[0004]然而，预测模型输入变量的选择对于预测性能和精度影响较大。对于影响用户用电行为的因素选择上，当前主要有数据驱动和误差驱动两大类主流选择方法，且各有优势。数据驱动型方法基于数据之间关系选择变量，而预测误差驱动型方法利用预测模型误差作为选择变量集的评价指标。
[0005]其中，数据驱动型只衡量影响因素与待分析变量之间的相关性，过滤法、相关系数法与信息理论法等方法基于数据之间关系进行分析，是数据驱动的输入变量选择方法，其计算过程可以独立于预测方法，且计算速度较快；误差驱动型方法利用预测误差大小作为辨识主要影响因素的衡量标准，一般无法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种行业用电量预测方法，其特征在于，包括：获取聚类模型、用电预测模型、多个因素集以及与每个所述因素集相对应的用电数据集，所述因素集包括多个因素，所述用电数据集包括多个用电数据，所述因素与所述用电数据相对应；对于每个所述因素集，根据所述多个用电数据，获取相关系数，所述相关系数用于表征因素与用电数据关联性的系数；从所述多个因素集中筛选出多个初筛因素集，所述初筛因素集为所述相关系数大于阈值的因素集；将所述多个初筛因素集输入至所述聚类模型，获取多个聚类中心；将所述多个聚类中心输入至所述用电预测模型，获取用电量预测数据。2.根据权利要求1所述的行业用电量预测方法，其特征在于，所述对于每个所述因素集，根据所述多个用电数据，获取相关系数，包括：将所述因素以及所述多个用电数据分别进行排序，获得多个因素序号以及多个用电数据序号；根据所述多个因素序号以及所述多个用电数据序号获得多个序号差，所述序号差为所述因素的序号与所述因素相对应的所述用电数据的序号的差；根据所述因素的数量、所述多个序号差以及第一公式，确定相关系数，所述第一公式：式中，ρ为相关系数，d
i
为序号差，N为因素的数量。3.根据权利要求2所述的行业用电量预测方法，其特征在于，所述聚类模型为自组织特征映射网络，所述将所述多个初筛因素集输入至所述聚类模型，获取多个聚类中心，包括：对每个所述初筛因素集，执行如下步骤：获取学习率以及聚类半径；输入步骤：将所述初筛因素输入至所述聚类模型的输入层，所述初筛因素为所述初筛因素集的因素；根据所述输入层与神经元之间的距离，确定获胜神经元；根据所述获胜神经元以及所述聚类半径，获取获胜区域；根据所述学习率更新所述获胜区域的神经元的权重；计算所述获胜神经元的权重变化率，若所述权重变化率大于阈值，则跳转至所述输入步骤，所述权重变化率用于表征权重更新前后的变化情况；获取所述获胜区域神经元的输出，作为聚类中心。4.根据权利要求3所述的行业用电量预测方法，其特征在于，所述输入层与神经元之间的距离，根据所述第二公式确定，所述第二公式为：式中，d
j
为输入层与神经元之间的距离，x
i
为输入层输入的因素，w
ij
为第j个神经元与第
i个输入之间的权重，N为因素的数量，所述x
i
以及所述w
ij
均经过归一化处理。5.根据权利要求3所述的行业用电量预测方法，其特征在于，所述神经元的激活函数为...

【专利技术属性】
技术研发人员：贺春光，赵阳，王涛，安佳坤，张菁，杨书强，刘梅，韩俊杰，孙鹏飞，檀晓林，郭伟，赵子珩，范文奕，侯若松，郝志方，
申请(专利权)人：国网河北省电力有限公司国家电网有限公司北京清软创新科技股份有限公司，
类型：发明
国别省市：