【技术实现步骤摘要】
本专利技术涉及电力用户负荷预测，具体涉及一种基于人工智能的电力用户负荷预测系统。
技术介绍
1、在对电力用户进行负荷预测时，所用数据为用户的历史用户负荷数据，但是，历史用户负荷数据中往往存在着偶然性的异常用电数据，其会对常规的电力用户负荷预测产生一定的影响，因此需要对用户的历史用户负荷数据中的正常用电数据进行筛选，对异常用电数据进行筛除，目前通常采用pca主成分分析方法对用户的历史用户负荷数据进行主成分提取，进而得到正常用电数据。但是由于pca主成分分析方法仅从数据统计的角度进行主成分提取，因此，若直接根据pca主成分分析方法得到的主成分结果进行数据筛选，存在较大的误差，进而影响电力用户负荷的精准预测。
技术实现思路
1、有鉴于此，为了解决采用现有主成分分析方法进行电力用户负荷数据筛选时，存在较大误差的技术问题，本专利技术提供一种基于人工智能的电力用户负荷预测系统。
2、所采用的技术方案具体如下：
3、一种基于人工智能的电力用户负荷预测系统，包括：
4、数据获取模块，用于获取待分析电力用户负荷数据集合，所述待分析电力用户负荷数据集合由多个采样周期的电力用户负荷数据构成；
5、主成分分析模块，用于对所述待分析电力用户负荷数据集合进行主成分分析，得到预设数量个主成分方向及其对应的特征值；
6、差异获取模块，用于获取每一个采样周期的电力用户负荷数据对应的坐标向量与各主成分方向的贡献程度指标，并获取每一个采样周期的电力用户负荷数据
7、异常置信程度获取模块，用于根据各主成分方向对应的特征值以及所述差异，获取各采样周期的电力用户负荷数据对应的异常置信程度；
8、判断模块，用于根据所述异常置信程度从所述待分析电力用户负荷数据集合中筛选得到正常负荷数据，所述正常负荷数据用于电力用户负荷预测。
9、进一步地，所述获取每一个采样周期的电力用户负荷数据对应的坐标向量与各主成分方向的贡献程度指标，包括：
10、对于任意一个采样周期的电力用户负荷数据，该采样周期的电力用户负荷数据与第i个主成分方向的贡献程度指标的计算公式如下：
11、
12、其中，μi为该采样周期的电力用户负荷数据与第i个主成分方向的贡献程度指标，θi为第i个主成分方向，(x,y,z)为该采样周期的电力用户负荷数据对应的坐标向量，k为主成分方向数量，θi·(x,y,z)为θi和(x,y,z)的点乘运算。
13、进一步地，所述获取每一个采样周期的电力用户负荷数据对应的贡献程度指标与对应各主成分方向的特征值的差异，包括：
14、对各主成分方向的特征值进行归一化，得到归一化特征值；
15、对于任意一个采样周期，计算该采样周期的电力用户负荷数据各主成分方向的贡献程度指标与对应主成分方向的归一化特征值的差值绝对值，得到该采样周期的电力用户负荷数据所对应的各主成分方向的所述差异。
16、进一步地，所述根据各主成分方向对应的特征值，以及所述差异，获取各采样周期的电力用户负荷数据对应的异常置信程度，包括：
17、根据所述各主成分方向对应的特征值，获取特征值的负相关映射，得到特征值负相关映射参数；
18、根据所述差异，得到各主成分方向所对应的差异波动情况；
19、根据所述特征值负相关映射参数和所述差异波动情况，得到各采样周期的电力用户负荷数据对应的异常置信程度。
20、进一步地，对于任意一个采样周期，该采样周期的电力用户负荷数据对应的异常置信程度的计算公式如下：
21、
22、其中，db是该采样周期的电力用户负荷数据对应的异常置信程度，k为主成分方向数量，ρi′是对第i个主成分方向的特征值进行归一化后得到的归一化特征值，ωi是该采样周期的电力用户负荷数据对应的第i个主成分方向的贡献程度指标与第i个主成分方向的特征值的差异，是该采样周期的电力用户负荷数据对应的差异的均值，是该采样周期的电力用户负荷数据对应的差异的标准差，exp()是以自然常数e为底的指数函数。
23、进一步地，所述根据所述异常置信程度从所述待分析电力用户负荷数据集合中筛选得到正常负荷数据，包括：
24、将各采样周期的电力用户负荷数据对应的异常置信程度进行归一化，得到异常置信程度归一化值；
25、比较各异常置信程度归一化值与预设异常阈值，将小于所述预设异常阈值的异常置信程度归一化值对应的电力用户负荷数据判定为正常负荷数据，将大于或者等于所述预设异常阈值的异常置信程度归一化值对应的电力用户负荷数据判定为异常负荷数据。
26、进一步地，所述获取待分析电力用户负荷数据集合，包括：
27、获取历史预设时间段内的电力用户负荷数据初始集合；
28、将所述电力用户负荷数据初始集合输入至预训练好的初始异常数据识别网络模型中，获取电力用户负荷初始异常数据，所有的所述电力用户负荷初始异常数据构成所述待分析电力用户负荷数据集合。
29、进一步地，所述每一个采样周期的电力用户负荷数据对应的坐标向量的获取过程，包括：
30、获取每一个采样周期的电力用户负荷数据对应到三维坐标系中的三维坐标，所述三维坐标系以时间为x轴，以采样周期为y轴，以电力用户负荷数据为z轴；
31、根据所述三维坐标得到坐标向量。
32、进一步地，对所述待分析电力用户负荷数据集合进行主成分分析，包括：
33、将所述待分析电力用户负荷数据集合置于三维样本空间中，对所述三维样本空间中的所述待分析电力用户负荷数据集合进行主成分分析。
34、进一步地，所述电力用户负荷数据为电力用户的用电功率。
35、本专利技术至少具有如下有益效果：本专利技术提供的基于人工智能的电力用户负荷预测系统中，在对待分析电力用户负荷数据集合进行主成分分析，得到预设数量个主成分方向及其对应的特征值之后，获取每一个采样周期的电力用户负荷数据对应的坐标向量与各主成分方向的贡献程度指标，坐标向量反映了电力用户负荷数据的实际维度方向，那么，根据实际维度方向与主成分方向所对应的维度之间的映射关系，确定各主成分方向所对应的贡献程度指标，表征电力用户负荷数据在不同主成分维度上的贡献程度，并结合主成分方向的特征值，确定两个方面之间的差异情况，然后结合差异情况，以及各主成分维度对应的特征值，获取各采样周期的电力用户负荷数据对应的异常置信程度，那么，异常置信程度能够准确、客观地反映出各个采样周期的电力用户负荷数据的异常情况，最后根据异常置信程度从待分析电力用户负荷数据集合中筛选得到正常负荷数据，能够得到准确的正常数据和异常数据，实现正常负荷数据的可靠获取，以及异常数据的可靠筛除，大大减少了检测误差。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的电力用户负荷预测系统，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述获取每一个采样周期的电力用户负荷数据对应的坐标向量与各主成分方向的贡献程度指标，包括：
3.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述获取每一个采样周期的电力用户负荷数据对应的贡献程度指标与对应各主成分方向的特征值的差异，包括：
4.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述根据各主成分方向对应的特征值，以及所述差异，获取各采样周期的电力用户负荷数据对应的异常置信程度，包括：
5.根据权利要求4所述的基于人工智能的电力用户负荷预测系统，其特征在于，对于任意一个采样周期，该采样周期的电力用户负荷数据对应的异常置信程度的计算公式如下：
6.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述根据所述异常置信程度从所述待分析电力用户负荷数据集合中筛选得到正常负荷数据，包括：
7.根据权利要求1所述的
8.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述每一个采样周期的电力用户负荷数据对应的坐标向量的获取过程，包括：
9.根据权利要求8所述的基于人工智能的电力用户负荷预测系统，其特征在于，
10.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述电力用户负荷数据为电力用户的用电功率。
...【技术特征摘要】
1.一种基于人工智能的电力用户负荷预测系统，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述获取每一个采样周期的电力用户负荷数据对应的坐标向量与各主成分方向的贡献程度指标，包括：
3.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述获取每一个采样周期的电力用户负荷数据对应的贡献程度指标与对应各主成分方向的特征值的差异，包括：
4.根据权利要求1所述的基于人工智能的电力用户负荷预测系统，其特征在于，所述根据各主成分方向对应的特征值，以及所述差异，获取各采样周期的电力用户负荷数据对应的异常置信程度，包括：
5.根据权利要求4所述的基于人工智能的电力用户负荷预测系统，其特征在于，对于任意一个采样周期，该采样...
【专利技术属性】
技术研发人员：陈丽，张志勇，任开中，高巍，韩国宁，李庆，苏素影，张畅，赵菲，任泽宇，
申请(专利权)人：河北建投电力科技服务有限公司，
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。