[发明专利]一种基于历史数据的大用户月度用电量预测方法及系统

权利要求书

1.一种基于历史数据的大用户月度用电量预测方法，其特征在于，所述方法包括以下步骤：

S1:采集大用户用电量历史数据，对所述历史数据进行预处理，所述历史数据包括日负荷历史数据和/或月负荷历史数据；

S2:将所述预处理后的历史数据划分成为训练集和测试集，利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型；

S3:根据所述大用户月度用电量预测模型和所述大用户用电量历史数据，预测并输出所述大用户未来一个月的月度用电量预测值；所述对所述历史数据进行预处理包括：

对缺失的数据进行填补，对异常数据进行识别和修正，并进行归一化处理；当所述历史数据为日负荷历史数据时，所述预设类型的模型为长短期神经网络LSTM模型；当所述历史数据为月负荷历史数据时，所述预设类型的模型为多元线性回归模型；

当所述预设类型的模型为长短期神经网络LSTM模型时，利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型包括：

所述LSTM模型的超参数采取梯度下降调整方式，代价函数为平方重构误差；将所述训练集数据输入到所述LSTM模型中进行迭代并计算误差，判断所述误差是否小于预设阈值且迭代次数是否超过最大限制次数，若否，则继续执行迭代操作，否是，则将所述测试集数据输入所述LSTM模型中进行校验，完成模型训练，得到所述大用户月度用电量预测模型。

2.根据权利要求1所述的方法，其特征在于，当所述预设类型的模型为多元线性回归模型时，利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型包括：

将所述训练集数据输入所述多元线性回归模型进行多元线性回归拟合，输入所述测试集数据计算误差，判断所述误差是否小于设定值，若否，则调整参数再次进行多元线性回归拟合，若是，则判断模型是否适用，若模型适用，则完成模型训练，得到所述大用户月度用电量预测模型。

3.一种基于历史数据的大用户月度用电量预测系统，其特征在于，所述系统包括：

处理模块，用于采集大用户用电量历史数据，对所述历史数据进行预处理，所述历史数据包括日负荷历史数据和/或月负荷历史数据；

训练模块，用于将所述预处理后的历史数据划分成为训练集和测试集，利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型；

预测模块，用于根据所述大用户月度用电量预测模型和所述大用户用电量历史数据，预测并输出所述大用户未来一个月的月度用电量预测值；

所述处理模块对所述历史数据进行预处理包括：

对缺失的数据进行填补，对异常数据进行识别和修正，并进行归一化处理；当所述历史数据为日负荷历史数据时，所述预设类型的模型为长短期神经网络LSTM模型；当所述历史数据为月负荷历史数据时，所述预设类型的模型为多元线性回归模型；当所述预设类型的模型为长短期神经网络LSTM模型时，所述训练模块利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型包括：

所述LSTM模型的超参数采取梯度下降调整方式，代价函数为平方重构误差；将所述训练集数据输入到所述LSTM模型中进行迭代并计算误差，判断所述误差是否小于预设阈值且迭代次数是否超过最大限制次数，若否，则继续执行迭代操作，否是，则将所述测试集数据输入所述LSTM模型中进行校验，完成模型训练，得到所述大用户月度用电量预测模型。

4.根据权利要求3所述的系统，其特征在于，当所述预设类型的模型为多元线性回归模型时，所述训练模块利用所述训练集对预设类型的模型进行训练，得到大用户月度用电量预测模型包括：

将所述训练集数据输入所述多元线性回归模型进行多元线性回归拟合，输入所述测试集数据计算误差，判断所述误差是否小于设定值，若否，则调整参数再次进行多元线性回归拟合，若是，则判断模型是否适用，若模型适用，则完成模型训练，得到所述大用户月度用电量预测模型。