[发明专利]一种日电量预测的方法

权利要求书

1.一种日用电量预测的方法，其特征在于，所述方法包括：

获取在时间段内用户日电量原始数据，并在所述用户日电量原始数据中剔除日电量为第一预设值和缺失值总和占比大于第二预设值的用户日电量数据，得到剔除后的用户日电量数据；

将所述剔除后的用户日电量数据进行异常值的处理以及缺失值的填补，得到新的用户日电量数据；

利用提取的用户重要特征对所述新的用户日电量数据进行聚类处理，得到聚类后的用户日电量数据，

所述利用提取的用户重要特征对所述新的用户日电量数据进行聚类处理，得到聚类后的用户日电量数据包括：

提取在用户重要特征范围内的所述新的用户日电量数据，并计算所述在用户重要特征范围内的所述新的用户日电量数据、和所有新的用户日电量数据的平均值、标准差、最大值、最小值和中位数；

根据所述平均值、标准差、最大值、最小值和中位数合并组成全部特征D＝{x₁,x₂,x₃,…x_n}；

根据全部特征D＝{x₁,x₂,x₃,…x_n}，以及k均值算法针对聚类所得到的C＝{C₁,C₂,C₃,…C_n}，最后计算得到最小化平方误差，具体公式如下：

其中，E为最小化平方误差；X为簇C_i的均值向量；

基于所述聚类后的用户日电量数据，从天气、节假日类型、星期类型的维度构建衡量用户电量波动的特征，所述基于所述聚类后的用户日电量数据，从天气、节假日类型、星期类型的维度构建衡量用户电量波动的特征包括：

利用天气温度特征和以往电量特征对所述聚类后的用户电量数据进行向量描述；其中，所述以往电量特征包括前31天数据的用电量，前31天用电量数据的平均值、最小电量、最大电量、电量方差、电量中位数，前7天日电量的平均电量、最小电量、最大电量、电量方差、电量中位数；所述天气温度特征包括当天温度平均值，当天所属星期几，是否为节假日，是否为节气，所属在一个月中的第几天，所属在一年中的第几个月；

将所述天气温度特征和以往电量特征进行标准化，具体公式如下：

其中为某一天所有用户数据的平均值，std为某一天所有用户数据的标准差；

基于LSTM神经网络，利用所述衡量用户电量波动的特征构建用户日电量预测的模型，并对所述模型进行训练；

基于所述用户日电量预测的模型以及所述模型训练的结果，对用户日用电量进行预测。

2.根据权利要求1所述的一种日用电量预测的方法，其特征在于，所述将所述剔除后的用户日电量数据进行异常值的处理以及缺失值的填补，得到新的用户日电量数据包括：

将所述剔除后的用户中的居民日电量数据进行异常值的处理以及缺失值的填补，得到新的用户中的居民日电量数据；

将所述剔除后的用户中的非居民日电量数据进行异常值的处理以及缺失值的填补，得到新的用户中的非居民日电量数据。

3.根据权利要求2所述的一种日用电量预测的方法，其特征在于，所述将所述剔除后的用户中的居民日电量数据进行异常值的处理包括：

将所述剔除后的用户中的居民日电量数据中为负值、和0、和全局异常值点的数据置为Nan；

通过计算得出所述剔除后的用户中的居民日电量数据的时间序列级比数，具体公式如下：

其中，为时间序列比数，x_i为第i天的居民日用电量，x_i-1为第i-1天的居民日用电量；

根据所述时间序列级比数对异常值进行判定，并将所述判定为异常值的结果置为Nan。

4.根据权利要求2所述的一种日用电量预测的方法，其特征在于，所述将所述剔除后的用户中的居民日电量数据进行缺失值的填补包括：

基于所述剔除后的用户中的居民日电量数据，将存在缺失值的数据按每31天作为一个循环输入；

将所述输入的31天数据进行K近邻模型训练；

在K近领模型训练中设置K＝3，选取缺失值位置最为相近的三个数据，并使用所述三个数据的均值对所述缺失值进行填补。