煤炭企业产量的预测方法技术

本申请关于煤炭企业产量的预测方法，涉及煤炭产量预测技术领域。该方法包括：获取用户数据，用户数据用于指示与目标煤炭企业的产煤业务相关的数据；对用户数据进行预处理，得到待挖掘用户数据；将待挖掘用户数据输入产量预测模型中，输出得到与目标煤炭企业对应的预测煤炭产量，产量预测模型为基于以电折煤原理的人工智能模型。对应获取到的目标煤炭企业的用户数据，在对于数据进行预处理后，通过产量预测模型对于待挖掘用户数据进行数据处理，得到预测煤炭产量。基于以电折煤的换算原理，实现对于用户数据的多维度挖掘以及准确实时的预测结果输出，提高了对于煤炭企业产煤量预测的准确性。准确性。准确性。

【技术实现步骤摘要】
煤炭企业产量的预测方法


[0001]本申请涉及煤炭产量预测
，特别涉及一种煤炭企业产量的预测方法。

技术介绍

[0002]近年来，国际市场能源价格大幅上涨，国内电力、煤炭供需持续偏紧，多种因素导致近期一些地方出现电力短缺的问题。
[0003]相关技术中，通常通过整理前一个月的企业产煤量的方式，进行当月产煤量的计算与确认，并同时对于下月或者当季度的产煤量进行预估。
[0004]然而，相关技术中的煤炭企业产量的预估方式仅考虑当月情况，偶然性高，对于企业生产变化情况的感知较差，致使预测的准确率低。

技术实现思路

[0005]本申请关于煤炭企业产量的预测方法及装置，能用提高对于用电产煤企业的煤炭产量准确率。该方法包括：
[0006]获取用户数据，用户数据用于指示与目标煤炭企业的产煤业务相关的数据，用户数据包括与目标煤炭企业对应的企业用电量；
[0007]对用户数据进行预处理，得到待挖掘用户数据，预处理包括异常数据处理以及漏采数据处理中的至少一种；
[0008]将待挖掘用户数据输入产量预测模型中，输出得到与目标煤炭企业对应的预测煤炭产量，产量预测模型为基于以电折煤原理的人工智能模型。
[0009]在一个可选的实施例中，产量预测模型包括产量预测子模型以及特征分解子模型；
[0010]将待挖掘用户特征输入产量预测模型中，输出得到与目标煤炭企业对应的预测煤炭产量，包括：
[0011]将待挖掘用户数据属于特征分解子模型，输出得到与目标煤炭企业对应的至少两项用户特征系数；
[0012]将至少两项用电量特征输入产量预测子模型，输出得到与目标煤炭企业对应的预测煤炭产量。
[0013]在一个可选的实施例中，用户特征系数包括电煤折算系数以及用电量特征系数以及煤炭生产特征系数；
[0014]电煤折算系数用于表征目标煤炭企业的用电量与产煤量之间的关系；
[0015]用电量特征系数用于指示目标煤炭企业的用电状态；
[0016]煤炭生产特征系数用于指示目标煤炭企业的煤炭生产状态。
[0017]在一个可选的实施例中，电煤折算系数包括电煤相关系数、分类折算系数中的至少一种。
[0018]在一个可选的实施例中，用电量特征系数包括用电量水平指数、电量季节性系数、
月度电量变异系数和用电量不平衡率系数中的至少一种。
[0019]在一个可选的实施例中，煤炭生产特征系数中包括煤炭产能水平指数、煤炭产能增幅指数、煤炭产能季节性系数、煤炭产能变异系数以及煤炭产能不平衡率中的至少一种。
[0020]在一个可选的实施例中，对用户数据进行预处理，得到待挖掘用户数据，包括：
[0021]设定用户数据异常阈值；
[0022]基于用户数据异常阈值以及处理规则对用户数据进行筛选，得到异常用户数据，处理规则包括平均值法以及插值法中的至少一种；
[0023]对用户数据进行完整性检测，得到与用户数据对应的完整性检测结果，完整性检测结果用于指示与用户数据对应的完整性百分比；
[0024]基于完整性检测结果以及用户异常数据对用户数据进行补充处理，得到待挖掘用户数据。
[0025]在一个可选的实施例中，基于完整性检测结果以及用户异常数据对用户数据进行补充处理，得到待挖掘用户数据，包括：
[0026]对异常数据进行重新采集处理；
[0027]响应于完整性检测结果指示完整性百分比高于完整性阈值但未完整，基于数据补充规则对异常数据进行处理，数据补充规则实现为线性插值规则；
[0028]响应于完整性检测结果指示完整性百分比低于完整性阈值，对用户数据进行补采。
[0029]在一个可选的实施例中，将待挖掘用户数据输入产量预测模型中之前，包括：
[0030]获取样本用户数据，样本用户数据对应有样本煤炭产量；
[0031]确定与产量预测模型对应的参考特征系数；
[0032]基于参考特征系数建立与初始预测模型；
[0033]将样本用户数据输入初始预测模型，输出得到预测样本煤炭产量；
[0034]基于预测样本煤炭产量与样本煤炭产量的差异，对初始预测模型进行调整，得到产量预测模型。
[0035]在一个可选的实施例中，基于预测样本煤炭产量与样本煤炭产量的差异，对初始预测模型进行调整，得到产量预测模型，包括：
[0036]设定目标函数；
[0037]确定预测样本煤炭产量与样本煤炭产量的差异值；
[0038]基于差异值对初始预测模型进行调整；
[0039]将样本用户数据输入调整后的初始产量预测模型，输出得到新的预测样本煤炭产量；
[0040]响应于预测样本煤炭产量与样本煤炭产量的差异小于差异阈值，确定训练完成并确定产量预测模型。
[0041]本申请提供的技术方案带来的有益效果至少包括：
[0042]对应获取到的目标煤炭企业的用户数据，在对于数据进行预处理后，通过产量预测模型对于待挖掘用户数据进行数据处理，得到预测煤炭产量。基于以电折煤的换算原理，实现对于用户数据的多维度挖掘以及准确实时的预测结果输出，提高了对于煤炭企业产煤量预测的准确性。
附图说明
[0043]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]图1示出了本申请一个示例性实施例提供的一种煤炭企业产量的预测方法的流程示意图。
[0045]图2示出了本申请一个示例性实施例提供的另一种煤炭企业产量的预测方法的流程示意图。
[0046]图3示出了本申请一个示例性实施例提供的一种产量预测模型的结构示意图。
具体实施方式
[0047]为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
[0048]图1示出了本申请一个示例性实施例提供的一种煤炭企业产量的预测方法的流程示意图，以该方法应用于计算机设备中为例进行说明，该方法包括：
[0049]步骤101，获取用户数据。
[0050]在本申请实施例中，用户数据用于指示与目标煤炭企业的产煤业务相关的数据。可选地，用户数据包括与目标煤炭企业对应的企业用电量。
[0051]本申请实施例中，目标煤炭企业为
[0052]步骤102，对用户数据进行预处理，得到待挖掘用户数据。
[0053]在本申请实施例中，预处理包括异常数据处理以及漏采数据处理中的至少一种。
[0054]步骤103，将待挖掘用户数据输入产量预测模型中，输出得到与目标煤炭企业对应的预测煤炭产量。
[0055]本申请实施例中，产量预测模型为基于以电折煤原理的人工智能模型，以电折煤原理，即为对于用电产煤企业，以企业的用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种煤炭企业产量的预测方法，其特征在于，所述方法应用于计算机设备中，所述方法包括：获取用户数据，所述用户数据用于指示与目标煤炭企业的产煤业务相关的数据，所述用户数据包括与所述目标煤炭企业对应的企业用电量；对所述用户数据进行预处理，得到待挖掘用户数据，所述预处理包括异常数据处理以及漏采数据处理中的至少一种；将所述待挖掘用户数据输入产量预测模型中，输出得到与所述目标煤炭企业对应的预测煤炭产量，所述产量预测模型为基于以电折煤原理的人工智能模型。2.根据权利要求1所述的方法，其特征在于，所述产量预测模型包括产量预测子模型以及特征分解子模型；所述将所述待挖掘用户特征输入产量预测模型中，输出得到与所述目标煤炭企业对应的预测煤炭产量，包括：将所述待挖掘用户数据属于特征分解子模型，输出得到与所述目标煤炭企业对应的至少两项用户特征系数；将所述至少两项用电量特征输入所述产量预测子模型，输出得到与所述目标煤炭企业对应的预测煤炭产量。3.根据权利要求2所述的方法，其特征在于，所述用户特征系数包括电煤折算系数、用电量特征系数以及煤炭生产特征系数；所述电煤折算系数用于表征所述目标煤炭企业的用电量与产煤量之间的关系；所述用电量特征系数用于指示所述目标煤炭企业的用电状态；所述煤炭生产特征系数用于指示所述目标煤炭企业的煤炭生产状态。4.根据权利要求3所述的方法，其特征在于，所述电煤折算系数包括电煤相关系数、分类折算系数中的至少一种。5.根据权利要求3所述的方法，其特征在于，所述用电量特征系数包括用电量水平指数、电量季节性系数、月度电量变异系数和用电量不平衡率系数中的至少一种。6.根据权利要求3所述的方法，其特征在于，所述煤炭生产特征系数中包括煤炭产能水平指数、煤炭产能增幅指数、煤炭产能季节性系数、煤炭产能变异系数以及煤炭产能不平衡率中的至少一种。7.根据权利要求1所述的方法，其特征在于，所述对所述用户数据进行预处理，得到待挖掘用户数据，包括：...

【专利技术属性】
技术研发人员：王少林，叶尔森，
申请(专利权)人：国网新疆电力有限公司营销服务中心资金集约中心，计量中心，
类型：发明
国别省市：