一种区域用电量预测方法技术

本发明专利技术涉及电网数据处理技术领域，且公开了一种区域用电量预测方法；本区域用电量预测方法包括以下步骤：S1：第一周期数据采集；S2：周期特征分类确定；S3：特征分类预测确定；S4：第二周期数据采集；S5：周期特征分类更新；S6：特征分类预测更新，本发明专利技术通过对该区域内短期内用电量的数据采集，并根据此初步采集进行特征分类，在分类完毕后完成预测，由此可进行初步的电量预测以及后续的电量运维管理，并在后续的用电过程中，按照一定周期再次对用电量数据进行采集，特征更新以及预测更新，由此可不断根据该区域内用电量的实时变化进行运维策略的调整，从而保证运维策略的实时性，以此为该区域的供电带来更低的运行成本。该区域的供电带来更低的运行成本。该区域的供电带来更低的运行成本。

【技术实现步骤摘要】
一种区域用电量预测方法


[0001]本专利技术属于电网数据处理
，具体为一种区域用电量预测方法。

技术介绍

[0002]电量预测是指在满足一定精度要求下，充分考虑一些重要的自然条件与社会影响、系统运于特性与增容决策等方面，研究或利用一种能够处理过去与未来电量的关系的数学方法，确定未来某特定时刻的电量数值。
[0003]现有的电量预测一般为基于区域过往某段时间内的电量数值进行预测，并根据此预测数据进行相应的运维，而此方法实时性较差，区域内用电存在变化，若不能及时根据变化进行预测运维，则可能导致电网运行成本的增加；因此，针对目前的状况，现需对其进行改进。

技术实现思路

[0004]针对上述情况，为克服现有技术的缺陷，本专利技术提供一种区域用电量预测方法，有效的解决了现有的电量预测一般为基于区域过往某段时间内的电量数值进行预测，并根据此预测数据进行相应的运维，而此方法实时性较差，区域内用电存在变化，若不能及时根据变化进行预测运维，则可能导致电网运行成本的增加的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种区域用电量预测方法，包括以下步骤：
[0006]S1：第一周期数据采集：首先对于需要进行用电预测的区域进行定期的用电数量采集，并对采集到的数据进行传输，其中，定期时间为5
‑
7d，且在进行用电数量采集时，采用智能电表进行数据采集，并通过集中器进行数据的集中传输；
[0007]S2：周期特征分类确定：在上述步骤S1的基础上，对采集到的用电数据进行综合整理，并根据用电量对其进行初步的周期特征分类，得到不同的周期特征组，在进行周期特征分类时，具体按照用电量阈值的对应区域范围进行特征分类，而用电量阈值的对应区域范围则通过该区域的人员进行初步划定；
[0008]S3：特征分类预测确定：在上述步骤S2的基础上，根据已经完成的周期特征分类，将不同的周期分类数据分别依次代入预测模型，并分别析出结果，其中，该预测模型的建立基础为：通过对该区域过去用电量的数据收集，并将其作为训练数据进行模型训练，得到预测模型；
[0009]S4：第二周期数据采集：在上述步骤S2以及S3的基础上，在初步预测完毕后，再次通过智能电表对该区域中周期特征组进行第二周期的数据采集，且进行第二周期的数据采集时，周期时间为28
‑
30d；
[0010]S5：周期特征分类更新：在上述步骤S4的基础上，将已经收集到的第二周期数据再次进行二次的周期特征分类，在进行二次周期特征分类时，具体按照用电量阈值以及用电量高峰期以及低峰期进行特征分类，得到二次周期特征组，且在完成特征分类后，将其结合
步骤S2中的周期特征组，进行周期特征分类的更新；
[0011]S6：特征分类预测更新：在上述步骤S5的基础上，将更新后的周期特征组依次代入预测模型，并分别析出结果，得到区域用电量的周期预测，而在后续用电期间，按照28
‑
30d为周期不断对该区域的用电量进行特征分类更新以及预测更新，由此完成区域用电量的不断更新预测。
[0012]优选的，所述步骤S1中，在进行数据的集中传输时，具体采用单工数据传输、半双工数据传输或全双工数据传输中的一种或几种的组合，且在传输前，对数据进行集中压缩打包。
[0013]优选的，所述步骤S2中，对数据进行初步的周期特征分类时，具体采用NBC算法、LR算法、SVM算法、ID3算法、C4.5算法、C5.0算法、KNN算法或ANN算法中的一种或几种的组合。
[0014]优选的，所述步骤S3中，预测模型的建立步骤具体包括：
①
：通过大数据采集技术对该区域内的过去用电量数据进行收集；
②
：对过去用电量数据进行数据清理、数据集成、数据变换以及数据归约的数据一般预处理；
③
：将预处理完毕的数据进行特征提取，并将提取完毕的特征数据代入模型学习算法进行学习训练，学习训练完毕后，得到初步预测模型；
④
：对初步预测模型急性模型验证，若验证结果无误，则得到最终预测模型，若验证结果存在异常，则继续学习训练，直至无误。
[0015]优选的，所述学习算法具体包括LASSO回归、Ridge回归、LDA、k近邻、决策树、感知机、神经网络、支持向量机、AdaBoost、GBDT或XGBoost中的一种或几种的组合。
[0016]优选的，所述步骤S5中，对于第二周期数据再次进行二次的周期特征分类时，具体采用决策树、贝叶斯、人工神经网络、K
‑
近邻、支持向量机或基于关联规则中的一种或几种的组合。
[0017]优选的，所述步骤S1
‑
S6中，所有数据均通过云端进行存储，所述云端具体为移动云、联通云、电信云或自建云中的一种或几种的组合。
[0018]与现有技术相比，本专利技术的有益效果是：1、通过对该区域内短期内用电量的数据采集，并根据此初步采集进行特征分类，在分类完毕后完成预测，由此可进行初步的电量预测以及后续的电量运维管理，并在后续的用电过程中，按照一定周期再次对用电量数据进行采集，特征更新以及预测更新，由此可不断根据该区域内用电量的实时变化进行运维策略的调整，从而保证运维策略的实时性，以此为该区域的供电带来更低的运行成本；
[0019]2、通过不断更新的周期特征数据，从而使得预测数据也更加实时性以及准确性，由此可根据预测结果进行相应的供电调整，在保证居民生活和社会正常生产的同时，能够最低成本的保证电网的运行，提高经济效益；
[0020]3、该电量预测方法，以对数据进行周期分类的方式，再对已经分类的数据进行预测，可有效减少数据处理量，只需对周期数据及西宁特征提取并预测，从而大大提高了预测效率以及数据处理载荷，对处理系统的要求也大幅降低，从基本上节约了成本。
附图说明
[0021]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。
[0022]在附图中：
[0023]图1为本专利技术一种区域用电量预测方法流程图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例；基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]如图1所示，本专利技术提供一种技术方案：一种区域用电量预测方法，包括以下步骤：
[0026]S1：第一周期数据采集：首先对于需要进行用电预测的区域进行定期的用电数量采集，并对采集到的数据进行传输，其中，定期时间为5
‑
7d，且在进行用电数量采集时，采用智能电表进行数据采集，并通过集中器进行数据的集中传输；
[0027]S2：周期特征分类确定：在上述步骤S1的基础本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区域用电量预测方法，其特征在于：包括以下步骤：S1：第一周期数据采集：首先对于需要进行用电预测的区域进行定期的用电数量采集，并对采集到的数据进行传输，其中，定期时间为5
‑
7d，且在进行用电数量采集时，采用智能电表进行数据采集，并通过集中器进行数据的集中传输；S2：周期特征分类确定：在上述步骤S1的基础上，对采集到的用电数据进行综合整理，并根据用电量对其进行初步的周期特征分类，得到不同的周期特征组，在进行周期特征分类时，具体按照用电量阈值的对应区域范围进行特征分类，而用电量阈值的对应区域范围则通过该区域的人员进行初步划定；S3：特征分类预测确定：在上述步骤S2的基础上，根据已经完成的周期特征分类，将不同的周期分类数据分别依次代入预测模型，并分别析出结果，其中，该预测模型的建立基础为：通过对该区域过去用电量的数据收集，并将其作为训练数据进行模型训练，得到预测模型；S4：第二周期数据采集：在上述步骤S2以及S3的基础上，在初步预测完毕后，再次通过智能电表对该区域中周期特征组进行第二周期的数据采集，且进行第二周期的数据采集时，周期时间为28
‑
30d；S5：周期特征分类更新：在上述步骤S4的基础上，将已经收集到的第二周期数据再次进行二次的周期特征分类，在进行二次周期特征分类时，具体按照用电量阈值以及用电量高峰期以及低峰期进行特征分类，得到二次周期特征组，且在完成特征分类后，将其结合步骤S2中的周期特征组，进行周期特征分类的更新；S6：特征分类预测更新：在上述步骤S5的基础上，将更新后的周期特征组依次代入预测模型，并分别析出结果，得到区域用电量的周期预测，而在后续用电期间，按照28
‑
30d为周期不断对该区域的用电量进行特征分类更新以及预测更新，由此完成区域用电量的不断更新预测。2.根据权利要求1所述的一种区域用电量预测方法，其特征在于：所述步骤S1中，在进...

【专利技术属性】
技术研发人员：曾朝霖，黄嘉健，林强，沈尚峰，冼文祥，
申请(专利权)人：南方电网数字企业科技广东有限公司，
类型：发明
国别省市：