[发明专利]一种基于MATLAB算法的电力供应商综合评价方法

权利要求书

1.一种基于MATLAB算法的电力供应商综合评价方法，其特征在于：该方法采用收集供应商合同物资种类和历史用电量信息，选取一定数量数据作为样本，通过小波变换将用电量数据分离为趋势和波动，建立供应商用电量分析模型，根据模型分析供应商月度用电量的合理区间，结合供应商的月度实际用电量，客观准确的评价供应商的产能是否符合要求。

2.根据权利要求1所述的基于MATLAB算法的电力供应商综合评价方法，其特征在于：包括如下步骤：

S1 收集供应商户号：按供应商类别收集供应商用电户号信息；

S2 抽取历史用电量：按户号抽取供应商的历史月度用电量信息；

S3 建立用电量预测模型:将收集的用电量信息进行标准化处理，再利用小波变换，挖掘出稳定的用电量趋势，使用滤波技术，去除异常的用电量信息，最后使用BP网络模型建立用电量预测模型，根据历史用电量预测次月用电量的合理区间；

S4 评估供应商产能:根据预测的用电量区间和实际用电量进行比对，对供应商产能进行评估。

3.根据权利要求2所述的基于MATLAB算法的电力供应商综合评价方法，其特征在于：建立用电量预测模型具体如下：

先对供应商历史用电量数据进行标准化和数据分离处理，再挖掘历史异常数据后预测供应商次月用电量数据，最后设定次月用电量预警区间，编写用电量预测模型；

1）数据标准化处理

由于单个供应商历史月之间用电数据量差异比较大，为提高数据分析的便利性，进行数据归一化处理；

2）用电量数据分离

供应商的历史月度用电量数据可理解为一组信号，采用傅里叶变换，将该组信号的趋势和随机波动进行分离；再利用小波变换，将数据序列里面的最稳定用电量趋势挖掘出来；标准化后的数据与原始数据趋势和波动情况基本一致，而且标准化后的数据在一定程度上消减年与年之间用电量差额的影响；

3）历史异常数据挖掘

对于历史异常数据的挖掘，采用数据处理中常用的滤波技术——低阶差分去噪来实现该目标；

4）预测次月用电量数据

在预测方法的选用上，选择BP神经网络进行预测，利用神经网络自学习和适应的功能建立用电量序列的非参数化模型；

5）设置次月用电量区间

通过再次取样法，设定预警区间；

6）编写用电量预测模型

采用MATLAB对模型进行程序编写，利用模型对各个供应商的月度用电量进行更新。

4.根据权利要求1所述的基于MATLAB算法的电力供应商综合评价方法，其特征在于：利用大量的历史用电量数据，预测次月用电量；创建预测模型时删除了不稳定的用电量信息和异常用电量信息；预测结果是一个用电量区间。