[发明专利]一种基于电力大客户群体售电量特征的智能预测方法及装置

权利要求书

1.一种基于电力大客户群体售电量特征的智能预测方法，其特征在于，包括：步骤S100：获取历史客户售电量数据，并筛选得到电力大客户群体数据；

步骤S100包括步骤S110、S120、S130、S131、S132和S140：

步骤S110：所述获取历史客户售电量数据，并筛选得到电力大客户群体数据的步骤包括：

从电力公司的客户售电数据库中获取历史时间的售电数据信息；获取的电力公司的客户售电数据库中的原始数据包括：行业分类、电压等级、电价类别、总电价、峰电价、谷电价、单位性质、客户基本信息、客户用电量、设备信息、售电量、电量增长率、售电收入、售电收入增长率、线路信息、变压器信息和信用等级；

步骤S120：根据大客户标准的周期时间售电量X，从所述售电数据信息中筛选出电力大客户群体；

步骤S130：对所述电力大客户群体的售电数据信息进行特征筛选；所述对所述电力大客户群体的售电数据信息进行特征筛选的步骤包括：

步骤S131：搭建随机森林模型；

步骤S132：将所述电力大客户群体的售电数据信息输入所述随机森林模型，筛选得到特征：大客户用电量、用电量增长率、售电量、售电量增长率、售电收入、售电收入增长率；

步骤S140：将筛选后的电力大客户群体的单位时间售电量进行离散化处理：

其中，h_i为第i个离散化售电量，i∈[1，a]，a为单位时间的离散数，x为单位时间售电量；

特征筛选及离散化处理后的数据即为所述电力大客户群体数据；

步骤S200：对所述电力大客户群体数据进行预处理和特征融合，得到处理后数据；步骤S200包括步骤S210、S220、S221、S222、S223、S224和S225：

步骤S210：对所述电力大客户群体数据进行异常值清空和缺失值填充，完成预处理；预处理方法包括对电力大客户群体数据中的异常值进行清空以及对缺失值采用该特征的均值进行填充，数据中的异常值是不在给定的电力客户数据标准范围内的数据值，求解数据特征均值的方法是：

其中，N为该特征数据量的总数，y_i为该特征中的第i个数据；

步骤S220：对预处理后的电力大客户群体数据Z∈R^n×m×c中单个电力大客户数据Z′∈R^n×m进行降维处理，得到处理后数据；

其中，n为样本的个数，m为特征的个数，c为电力大客户的个数；

所述对预处理后的电力大客户群体数据Z∈R^n×m×c中单个电力大客户数据Z′∈R^n×m进行降维处理的步骤包括：

步骤S221：计算单个电力大客户数据Z′中每个特征对应的均值：

其中，z′_i，k为Z′中第k个特征上的第i条数据值；

步骤S222：对单个电力大客户数据Z′中每列数据进行零均值化处理：

步骤S223：计算协方差矩阵：

步骤S224：计算所述协方差矩阵C的特征矩阵E＝(e₁，e₂，...，e_n)，所述特征矩阵E对应的特征值矩阵为：

其中，λ_i为第i个特征向量e_i的特征值，i∈[1，n]；

步骤S225：将特征向量e_i按照对应特征值的大小从上到下按行排列为矩阵，并取其中前k行得到矩阵P；

计算降维数据：

Y＝PZ′

所述降维数据Y即为处理后数据；

步骤S300：将所述处理后数据输入训练好的GRU神经网络，得到输出结果，

所述输出结果即为电力大客户群体的售电预测结果；

所述GRU神经网络的前向传播公式包括：

r_t＝σ(W_r·[h_t-1，x_t])

z_t＝σ(W_z·[h_t-1，x_t])

y_t＝σ(W_o·h_t)

其中，z_t为更新门，r_t为重置门，W_r、W_z、W_h、W_o均为学习参数，x_t、y_t分别为t时刻的输入和输出，h_t为t时刻的状态信息，为当前候选集，σ为sigmoid激活函数；

步骤S400：输出所述电力大客户群体的售电预测结果。