[发明专利]一种电力实时需量的预测方法

权利要求书

1.一种电力实时需量的预测系统，其特征在于，包括以下模块：

设备分类模块，其根据设备用电数据特性划分设备类型；

特征提取模块，其根据设备用电数据、影响设备用电的关键数据、表征设备状态变化的关键数据分别提取特征；

工况识别模块，其通过对母联状态的识别，识别出不同的工况，针对不同的工况建立不同的模型，将模拟的所有工况分别训练，得到不同工况的预测模型；

模型训练模块，其将特征提取处理后的数据采用机器学习算法训练不同工况的预测模型，优化调整参数，得到未来预设时间的预测模型；

实时预测模块，其实时使用最近某段时间的数据，通过特征提取模块构造特征，选择模型训练模块训练出来的模型实现预设时间的预测。

2.根据权利要求1所述的预测系统，其特征在于，所述工况识别模块利用已有历史数据模拟生成其他工况的数据，实时预测模块预测时，选择工况最相近的模型进行预测。

3.根据权利要求2所述的预测系统，其特征在于，所述工况识别模块利用已有历史数据模拟生成其他工况数据的模拟方法是通过设备间不同数据的组合或者在已有历史数据上增减功率。

4.根据权利要求1-3中任一项所述的预测系统，其特征在于，还包括模型在线更新模块，其在所述实时预测模块预测的结果超过偏差阈值时，利用实际发生的工况数据，重新经过所述特征提取模块来训练模型。

5.根据权利要求4所述的预测系统，其特征在于，所述实时预测模块选择模型的方法包括通过最近某段时间总电量及下属设备的电量变化情况来确定工况，或者通过母联状态来推算当前总降下设备的用电情况。

6.根据权利要求1-3、5中任一项所述的预测系统，其特征在于，还包括数据质量判断模块，其采用基于统计或规则的方法对通过传感器采集的生产过程数据质量进行初步判断，然后采用统计或异常监测算法实现数据的质量判断。

7.一种电力实时需量的预测方法，其特征在于，包括以下步骤：

(1)根据设备用电数据特性划分设备类型；

(2)根据设备用电数据、影响设备用电的关键数据、表征设备状态变化的关键数据分别提取特征；

(3)通过对母联状态的识别，识别出不同的工况，针对不同的工况建立不同的模型，将模拟的所有工况分别训练，得到不同工况的预测模型；

(4)将特征提取处理后的数据采用机器学习算法训练模型，优化调整参数，得到未来预设时间的预测模型；

(5)实时使用最近某段时间的数据，通过特征提取模块构造特征，选择模型训练模块训练出来的模型实现预设时间的预测。

8.根据权利要求7所述的预测方法，其特征在于，在实时预测的结果超过偏差阈值时，利用实际发生的工况数据，重新经过特征提取来训练模型。

9.根据权利要求7或8所述的预测方法，其特征在于，进行实时预测模型训练的方法为：对冲击大负荷设备的数据分别提取特征，分别建立单个设备预测模型，其他设备用总表和冲击大负荷设备电量偏差的数据或者是用其他用电设备电量之和来提取特征建立其他设备预测模型，最后求和得到总降的实时需量预测模型。

10.根据权利要求7-9中任一项所述的预测方法，其特征在于，进行实时预测模型训练的方法为：建立总预测模型，分别对冲击大负荷设备相关数据提取特征，其他设备也提取特征，这些特征全部作为总预测模型的输入。