【技术实现步骤摘要】
本专利技术涉及电力用电，尤其涉及一种用户侧的用电量风险提醒方法及装置。
技术介绍
1、我国现有的电价计算方法通常采取阶梯电价策略，通过设定不同档位，随着户均消费电量的增长，每千瓦时电价逐级递增。同时，随着全球气候变暖、居民生活水平提高及电器种类的增加，居民户均用电量也每年稳步提升，居民跨档用电的规模也逐步增加。
2、现有的用户侧的用电信息采集提醒方法通常是在硬件设备如电表上增加指示灯，通过指示灯不同的颜色光亮来告知居民当前的用电档位，难以实现对用户的用电信息进行预测，导致难以及时对用户的用电情况进行提醒，影响用户的用电体验。
技术实现思路
1、本专利技术提供了一种用户侧的用电量风险提醒方法及装置，解决了现有的用户侧的用电信息采集提醒方法难以实现对用户的用电信息进行预测，导致难以及时对用户的用电情况进行提醒，影响用户的用电体验的技术问题。
2、有鉴于此，本专利技术第一方面提供了一种用户侧的用电量风险提醒方法，包括以下步骤：
3、获取用户在历史电费结算周期内的用电场景时序信息，所述用电场景时序信息包括用户的特征用电设备的用电特征时序信息和结算用电量；
4、对所述用电场景时序信息进行预处理，构成用电场景时序数据集；
5、利用所述用电场景时序数据集对bi-lstm神经网络进行训练，构建用电量预测模型；
6、将目标用户的当前时段内的用电场景信息输入至所述用电量预测模型中进行识别，确定所述目标用户的当前电费结算周期内的结算
7、利用所述目标用户的前一历史电费结算周期的实际用电量对所述结算用电量预测值进行修正；
8、将修正后的结算用电量与预设的阶梯电量阈值进行比较，若所述修正后的结算用电量大于所述预设的阶梯电量阈值时，则生成用电量风险提醒消息并推送至所述目标用户的移动终端。
9、优选地，获取用户在历史电费结算周期内的用电场景时序信息，所述用电场景时序信息包括用户的特征用电设备的用电特征时序信息和结算用电量的步骤，具体包括：
10、根据用户的多个用电设备在历史电费结算周期内分别对应的平均用电量，将多个所述用电设备分别对应的平均用电量与预设的特征用电量阈值进行对比，筛选出所述用电设备的平均用电量大于所述预设的特征用电量阈值的用电设备作为所述目标用户的特征用电设备；
11、采集所述目标用户的特征用电设备历史电费结算周期内的的用电特征时序信息和实际用电量，所述用电特征时序信息包括电费结算周期内的用电累计时长、用电功率和累计使用频次。
12、优选地，对所述用电场景时序信息进行预处理，构成用电场景时序数据集的步骤具体包括：
13、对所述用电场景时序信息进行异常值检测，并对所述异常值进行插值处理，构成用电场景时序数据集。
14、优选地，利用所述用电场景时序数据集对bi-lstm神经网络进行训练，构建用电量预测模型的步骤，具体包括：
15、将所述用电场景时序数据集划分为训练集和测试集；
16、利用所述训练集对bi-lstm神经网络进行训练，构建初始电量预测模型；
17、利用所述测试集对所述初始电量预测模型进行测试，基于测试结果优化所述初始电量预测模型的网络参数直至收敛，得到优化后的用电量预测模型。
18、优选地，利用所述目标用户的前一历史电费结算周期的实际用电量对所述结算用电量预测值进行修正的步骤具体包括：
19、获取所述目标用户的前一历史电费结算周期的实际用电量，根据所述实际用电量与预设的调节系数确定调节后的实际用电量；
20、利用平均绝对百分比误差函数计算所述调节后的实际用电量与所述结算用电量预测值的误差值；
21、判断所述误差值是否大于预设的误差阈值，若所述误差值大于所述预设的误差阈值，则调整所述结算用电量预测值直至所述误差值不大于所述预设的误差阈值，完成对结算用电量预测值的修正。
22、优选地，根据修正后的结算用电量与预设的阶梯电量阈值进行比较，若所述修正后的结算用电量大于所述预设的阶梯电量阈值时，则生成用电量风险提醒消息并推送至所述目标用户的移动终端的步骤，具体包括：
23、将所述修正后的结算用电量与所述预设的阶梯电量阈值进行比较；
24、若所述修正后的结算用电量大于所述预设的阶梯电量阈值，则将所述修正后的结算用电量与预设的风险等级阈值进行比较，确定所述目标用户的用电量风险等级；
25、根据所述目标用户的用电量风险等级和所述修正后的结算用电量生成用电量风险提醒消息并推送至所述目标用户的移动终端。
26、第二方面，本专利技术还提供了一种用户侧的用电量风险提醒系统，包括：
27、用电信息获取模块，用于获取用户在历史电费结算周期内的用电场景时序信息，所述用电场景时序信息包括用户的特征用电设备的用电特征时序信息和结算用电量；
28、预处理模块，用于对所述用电场景时序信息进行预处理，构成用电场景时序数据集；
29、模型训练模块，用于利用所述用电场景时序数据集对bi-lstm神经网络进行训练，构建用电量预测模型；
30、用电量预测模块，用于将目标用户的当前时段内的用电场景信息输入至所述用电量预测模型中进行识别，确定所述目标用户的当前电费结算周期内的结算用电量预测值；
31、用电量修正模块，用于利用所述目标用户的前一历史电费结算周期的实际用电量对所述结算用电量预测值进行修正；
32、风险提醒模块，用于将修正后的结算用电量与预设的阶梯电量阈值进行比较，若所述修正后的结算用电量大于所述预设的阶梯电量阈值时，则生成用电量风险提醒消息并推送至所述目标用户的移动终端。
33、第三方面，本专利技术还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的方法。
34、第四方面，本专利技术还提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的方法。
35、从以上技术方案可以看出，本专利技术具有以下优点：
36、本专利技术通过获取用户在历史电费结算周期内的用电场景时序信息，构成用电场景时序数据集，利用用电场景时序数据集对bi-lstm神经网络进行训练，构建用电量预测模型，将目标用户的当前时段内的用电场景信息输入至用电量预测模型中进行识别，确定的当前电费结算周期内的结算用电量预测值，利用目标用户的前一历史电费结算周期的实际用电量对结算用电量预测值进行修正，将修正后的结算用电量与预设的阶梯电量阈值进行比较，从而确定是否存在用电量风险，并生成用电量风险提醒消息推送至目标用户的移动终端，从而及时对用户的用电情况进行提醒，并提高用电量预测精度。
本文档来自技高网...【技术保护点】
1.一种用户侧的用电量风险提醒方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，获取用户在历史电费结算周期内的用电场景时序信息，所述用电场景时序信息包括用户的特征用电设备的用电特征时序信息和结算用电量的步骤，具体包括：
3.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，对所述用电场景时序信息进行预处理，构成用电场景时序数据集的步骤具体包括：
4.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，利用所述用电场景时序数据集对Bi-LSTM神经网络进行训练，构建用电量预测模型的步骤，具体包括：
5.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，利用所述目标用户的前一历史电费结算周期的实际用电量对所述结算用电量预测值进行修正的步骤具体包括：
6.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，根据修正后的结算用电量与预设的阶梯电量阈值进行比较，若所述修正后的结算用电量大于所述预设的阶梯电量阈值时，则生成用电量风险提醒消息并推送至所
7.一种用户侧的用电量风险提醒系统，其特征在于，包括：
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任意一项所述的方法。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6任意一项所述的方法。
...【技术特征摘要】
1.一种用户侧的用电量风险提醒方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，获取用户在历史电费结算周期内的用电场景时序信息，所述用电场景时序信息包括用户的特征用电设备的用电特征时序信息和结算用电量的步骤，具体包括：
3.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，对所述用电场景时序信息进行预处理，构成用电场景时序数据集的步骤具体包括：
4.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，利用所述用电场景时序数据集对bi-lstm神经网络进行训练，构建用电量预测模型的步骤，具体包括：
5.根据权利要求1所述的用户侧的用电量风险提醒方法，其特征在于，利用所述目标用户的前一历史电费结...
【专利技术属性】
技术研发人员：黄国政，李礼兵，林彬海，郭亮，黄亮浩，郑广勇，李永乐，任剑辉，王旭帆，冯志华，蔡子恒，
申请(专利权)人：广东电网有限责任公司江门供电局，
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。