能耗预测装置及方法制造方法及图纸

本发明专利技术公开一种能耗预测装置及方法。其中所述方法包括：根据多个用电时段区分历史数据集的时段类型；配置与所述时段类型对应的基模型；根据所述时段类型的第一训练集；训练的各自所述基模型；根据各自所述基模型的测试能耗标签及真实的第二能耗标签训练元模型；组合各所述基模型及元模型为联合模型；获取至少一实时功率曲线的实时数据集；根据所述联合模型获取对所述实时数据集的能耗预测。取对所述实时数据集的能耗预测。取对所述实时数据集的能耗预测。

【技术实现步骤摘要】
能耗预测装置及方法


[0001]本专利技术涉及电力
，具体而言，涉及一种应用在能耗评价的能耗预测装置及方法。

技术介绍

[0002]现有技术中，对家庭耗能的统计还是依靠计量表的抄表数据。但计量表在长时间抄表统计中，因外部或自身因素，不必避免的出现误差。现有的计量误差大，而使用诸如深度学习算法虽提高了准确率高，但过度依赖历史数据，并且当前历史数据也未考虑到复杂的家庭用电环境，同时也不可根据家庭用电的改变而作出调整。

技术实现思路

[0003]基于此，本专利技术实施例旨在解决现有技术中深度学习等预测方法对历史样本的依赖及未考虑家庭用电复杂环境而造成的预测失能。
[0004]至少公开一种能耗预测装置及方法。基于本实施例的公开，
[0005]本专利技术一方面公开一种能耗预测方法。
[0006]所述方法包括：
[0007]获取至少一第一历史功率曲线的第一历史数据集及关联的至少一第一能耗标签；
[0008]根据多个用电时段区分所述第一历史数据集的时段类型；
[0009]获取包括所述第一历本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种能耗预测方法，其特征在于，所述方法包括：获取至少一第一历史功率曲线的第一历史数据集及关联的至少一第一能耗标签；根据多个用电时段区分所述第一历史数据集的时段类型；获取包括所述第一历史数据集的至少一第一特征向量及所述第一能耗标签的第一组合；配置与所述时段类型对应的基模型；根据所述时段类型的若干所述第一组合创建第一训练集；根据所述第一训练集对各自的所述基模型训练，以取得训练后的各自所述基模型；获取至少一第二历史功率曲线的第二历史数据集及关联的至少一第二能耗标签；获取包括所述第二历史数据集的至少一第二特征向量及所述第二能耗标签的第二组合；根据若干所述第二组合创建测试集；根据所述测试集的所述第二组合分别对每个所述基模型测试，以取得每个所述第二组合在各所述基模型的测试能耗标签；获取包括所述第二组合在每个所述基模型分别取得的测试能耗标签及所述第二能耗标签的第三组合；根据若干所述第三组合创建第二训练集；根据所述第二训练集训练一配置的元模型；组合所述基模型及元模型为联合模型；获取至少一实时功率曲线的实时数据集；根据所述联合模型获取对所述实时数据集的能耗预测。2.根据权利要求1所述的能耗预测方法，其特征在于，获取所述历史功率曲线时至少清洗所述历史功率曲线的伪突变点，所述伪突变点至少不关联在能耗预测。3.根据权利要求2所述的能耗预测方法，其特征在于，根据局部离群因子检测方法清洗所述伪突变点；所述离群因子配置为其中，m为被测对象与由近及远点的数量，o
’
为被测对象的邻域点，Nm(o)为对象o的第m距离邻域，Ird(o)为局部可达密度。4.根据权利要求1所述的能耗预测方法，其特征在于，获取所述第一特征向量，配置为：至少根据傅里叶变换获取所述第一历史数据集的频域波形数据；根据所述频域波形数据获取不同的频率分量；选取振幅强度排列在前的部分所述频率分量，归一化获取的所述频率分量；获取若干归一化的所述频率分量的方差为至少一所述第一特征向量。5.根据权利要求4所述的能耗预测方法，其特征在于，
获取所述第一历史功率曲线的积分面积为至少一所述第一特征向量。6.根据权利要求4所述的能耗预测方法，其特征在于，所述方法包括：判断所述实时功率曲线与同一所述时段类型中任意所述历史功率曲线存在数据漂移；检测到所述实时功率曲线存在数据漂移后，使所述实时数据集及所述能耗预测迭代至少一对应所述时段类型的所述第一组合。7.根据权利要求6所述的能耗预测方法，...

【专利技术属性】
技术研发人员：赵睿，刘婧一，戚家伟，王坤，刘峥，丁博，都静静，赵卫华，张侃，叶雷，张哲，
申请(专利权)人：国网河南省电力公司营销服务中心，
类型：发明
国别省市：