一种智能电网电能使用量预测方法与流程

本发明涉及电力电网领域，特别涉及一种智能电网电能使用量预测技术。
背景技术：
：保证电能使用的供需平衡是电网中的一个重要问题。当供应电能小于需求电能时，可能会造成部分电力服务的中断，甚至引起大规模的停电；如果供应电能大于需求电能时，多余的这部分电能需要进行额外地传输或使用合适大小的储能设备进行存储，传输、储能以及它们引起的维护等会显著地增大电能使用的成本。为应对这一问题，就必须对电网的电能使用量进行快速、准确地预测，从而保证电能使用的供需平衡，提高电力网络的经济效益和社会效益。电网中的电能使用主要包括工业用电、农业用电、居民用电和商业用电。其中，工业用电、农业用电由于其生产过程一般具有明确的计划，其电能使用具有很强的规律性。其它用电，如居民用电、商业用电等，由于用户种类繁多、用户数量动态变化、用电计划性较差等原因，其电能使用量规律不明显，难以准确地被预测。智能电网是一种现代化的电力网络。相对于传统电网，智能电网更加可靠、安全、高效，并且它可使用先进的传感、测量、通信等技术获得更为细致的电能使用数据，从而帮助电网更加准确地预测电能使用量。目前，电网中已有的电能使用量预测方法主要存在以下几个方面问题：1、预测精度不高。电网中电能使用量随时间变化构成的时间序列受经济发展、产业结构、气候等多因素影响，并且单个用电行为的发生具有不确定性，使得用电行为间具有复杂的非线性关系；传统的时间序列分析及预测技术难以准确反映用电量变化所蕴含用电行为间的复杂非线性关系，从而影响预测的精度。2、适应性或实时性较差。已有的电能使用量预测方法大多采用数学模型对预测进行建模，建模过程比较复杂，并且在影响电能使用量的某些因素发生变化时，相关参数不能自主调整；某些预测方法具有较好地自适应性，但训练/计算代价较高，实时性较差。目前国内外常见的、可用于电能使用量预测的方法主要包括基于时间序列的预测方法和基于回归分析的预测方法。1.基于时间序列的预测方法：通过寻找历史数据随时间变化的某种规律，建立合适的数学模型以进行预测。如基于自回归模型(Auto-Regressivemodel，简称AR模型)的预测方法、基于滑动平均模型(Moving-Averagemodel，MA模型)模型的预测方法、基于自回归滑动平均模型(Auto-RegressiveMoving-Averagemodel，ARMA模型)的预测方法等。2.基于回归分析的预测方法：通过对历史数据进行回归分析，建立电能使用量与其它相关变量的一组模型方程以进行预测。如基于支持向量机(SupportVectorMachine，SVM)的预测方法、基于K近邻(K-NearestNeighbor，K-NN)的预测方法等。以上方法都仅通过电能使用量的历史值与预测值的关系、历史变化规律来对电能使用量进行预测，而未考虑电能使用量所包含用电行为以及它们之间的内在关系(如，一家公司中电灯的电能使用量与电脑的电能使用量之间的关系)，从而限制了预测的精度。技术实现要素：本发明为解决上述技术问题，提出了一种智能电网电能使用量预测方法，首先根据用电用户种类的不同，从电能使用数据中提取相关电能使用量特征参数，并进行数据预处理；然后，构建多个神经网络分别预测各用电业务类型的电能使用量，各神经网络的参数由一种快速算法生成；最后，由各用电业务类型电能使用量计算得到预测的总电能使用量。本发明采用的技术方案是：一种智能电网电能使用量预测方法，包括：S1、根据用电业务类型确定电能使用量特征参数；所述电能使用量特征参数表示对应用电业务类型的电能使用量；S2、确定电能使用量特征参数的时间标度，构造描述电能使用量的多时间序列其中，表示第i个电能使用量的特征参数在第t个时间点的原始电能使用量，i＝1,2,3…,M，M表示电能使用量的特征参数的总个数，t表示时间点序号；S3、根据步骤S2中确定的时间标度，得到训练时窗的长度；并在训练时窗中对进行归一化处理；S4、根据步骤S2中确定的时间标度，得到历史时窗长度；确定待预测时间点的输入向量其中，Xi,j(t)表示在第t个时间点预测第i个电能使用量特征参数时，所需输入向量的第j个数值，T表示历史时窗长度，所述T为一个周期时间长度内的单位时间标度个数；S5、初始化M个神经网络，并确定各神经网络的隐层层数与隐层节点个数；通过对第i′个神经网络的预测得到第i个电能使用量特征参数对应的用电业务类型电能使用量；所述第i′个神经网络的预测值对应第i个电能使用量特征参数对应的用电业务类型电能使用量的值；S6、判断是否需要计算各神经网络参数组；若是，则转至步骤S7，否则转至步骤S9；S7、对各神经网络进行K次训练，得到每个神经网络对应的K组参数组；S8、判断待训练神经网络是否已完成全部训练，若是，则转至步骤S9；否则转步骤S7；S9、对神经网络进行预测，具体为：通过计算得到当前时间点对于用户下一时间点各电能使用量特征参数对应的用电业务类型电能使用量的预测平均值；S10、对步骤S9得到的各电能使用量特征参数对应的用电业务类型电能使用量的预测平均值进行反归一化处理，得到原始电能使用量的预测值；S11、判断下一个时间点是否需要进行预测，若是，转至步骤S2；否则结束。进一步地，所述步骤S3，具体根据下式对电能使用量的多时间序列进行归一化处理：Si(t)=S^i(t)-min{S^i(j′),j′=1,2,3...,N}max{S^i(j′),j′=1,2,3...,N}-min{S^i(j′),j′=1,2,3...,N}×2-1;]]>其中，Si(t)表示第i个电能使用量特征参数在第t个时间点对应的归一化后的电能使用量，表示第i个电能使用量特征参数在第训练时窗中第j′个时刻对应的原始电能使用量。进一步地，步骤S5中所述通过样本数据测试确定各神经网络中隐层节点的个数具体为：A1、设定第i′个神经网络的隐层节点个数Li′＝1；A2、输入D组训练样本进行训练，分别计算预测结果误差，计算D组训练样本预测误差的平均值；A3、当Li′＝Li′+1时，计算D组训练样本预测误差的平均值；A4、比较当前隐层节点个数Li′，得到的D组训练样本预测误差的平均值与隐层节点个数为Li′-1时，得到的D组训练样本预测误差的平均值的减小比率是否小于阀值，若是，则确定此时的Li′为第i′个神经网络中隐层节点的个数；否则，返回到步骤A3。进一步地，所述步骤S6具体包括以下分步骤：S61、定义参数评估时窗，所述参数评估时窗由当前时间点及前N0-1个个时间点构成；S62、定义参数评估时窗内第i个电能使用量特征参数对应的用电业务类型电能使用量预测的平均误差；S63、如果各神经网络尚未初始化或者截止到当前时间点已进行预测的时间点个数小于N0，则执行步骤S7；否则转至步骤S64；S64、若待判断神经网络所预测的第i类电能使用量特征参数对应用电业务类型的电能使用量在参数评估时窗内的平均误差大于给定阀值，则转至步骤S7，否则转至步骤S9。进一步地，所述步骤S7具体包括以下步骤：S71、对第i′个神经网络的输入权重矩阵和隐层节点偏置向量进行赋值；A→i′={a→i′,j′′},(j′′=1,2,3,...,Li′);]]>其中，表示第i′个神经网络中所有输入节点到第j″个隐层节点的输入权重；b→i′={bi′,j′′},(j′′=1,2,3,...,Li′);]]>其中，bi′,j″表示第i′个神经网络中第j″个隐层节点对应的偏置值；S72、计算神经网络输出矩阵H0；其中，表示第i′个神经网络第j″个隐层节点对应于样本的隐层节点输出，t＝1,2,3…,N，N表示训练数据个数；为第i′个神经网络的输入权重；S73、计算神经网络输出外权β→i′=H0+Q;]]>其中，表示神经网络输出矩阵H0的广义逆；Q=Yi′(1)T...Yi′(N)TN×1,]]>Yi′(t)为第i′个神经网络在第t个时间点所预测电能使用量的真实值，t＝1,2,3…,N，N表示训练数据个数。进一步地，所述步骤S9具体包括以下分步骤：S91、计算当前时间点各神经网络的输出矩阵H；H=G(a→i′,1,bi′,1,X→i′(t)...G(a→i′,Li′,bi′,Li′,X→i′(t))1×Li′;]]>S92、计算当前时间点对于用户下一时间点各电能使用量特征参数对应的用电业务类型电能使用量的预测值{Pi,k(t)}；Pi,k(t)=Pi′,k(t)=G(a→i′,1,bi′,1,X→i′(t)...G(a→i′,Li′,bi′,Li′,X→i′(t))1×Li′βi′,1...βi′,Li′Li′×1;]]>其中，Pi′,k(t)表示第i′个神经网络的第k组参数的预测结果，k＝1,2,…,K；S93、计算当前时间点对于用户下一时间点各电能使用量特征参数对应的用电业务类型电能使用量的预测平均值P‾i(t)=P‾i′(t)=Σk=1k=KPi′,k(t)K;]]>其中，P‾i′(t)]]>表示第i′个神经网络的K组参数的预测结果求平均值的结果。进一步地，步骤S10所述原始电能使用量的预测值具体为：P^i(t)=(max{S^i(j′),j′=1,2,3...,N}-min{S^i(j′),j′=1,2,3...,N})(P‾i(t)+1)2+min{S^i(j′),j′=1,2,3...,N});]]>其中，max{*}表示取最大值，min{*}表示取最小值。本发明的有益效果：本发明的一种智能电网电能使用量预测方法，首先根据用电用户种类的不同，从电能使用数据中提取相关电能使用量特征参数，并进行数据预处理；然后，构建多个神经网络分别预测各用电业务类型的电能使用量，各神经网络的参数由本申请提供的一种快速算法生成；最后，由各用电业务类型电能使用量计算得到预测的总电能使用量；本发明的方法充分考虑电能使用量所包含不同类型用电行为以及它们之间的内在时空关联，解决了传统预测方法对预测精度的限制问题，并且本发明的方法能够实现快速、准确地预测。附图说明图1为本发明提供的一种智能电网电能使用量预测方法框图。图2为本发明提供的用于预测第i个电能使用量特征参数对应的用电业务类型电能使用量的神经网络结构图。图3为本发明提供的预测第i个电能使用量特征参数对应的用电业务类型电能使用量的神经网络训练流程图。具体实施方式为便于本领域技术人员理解本发明的技术内容，下面结合附图对本
发明内容进一步阐释。如图1所示为本发明提供的一种智能电网电能使用量预测方法框图，本申请中涉及的电网电能使用量即电网中用户的用电量。本发明的技术方案为：一种智能电网电能使用量预测方法，包括：S1、根据用电业务类型确定电能使用量特征参数；所述电能使用量特征参数表示对应用电业务类型的电能使用量。从实际智能电网中的电能使用监测设备，如智能电表，可获取电能使用数据。这些电能使用数据包括：用户随时间变化的用电量、电流、电压、频率等。不同的用电业务类型会在用电量、电流、电压、频率等参数上表现出其独有的特点(如波形等)，通过信号分析与处理，已有技术能够通过分析用户随时间变化的用电量、电流、电压、频率，提取出不同的用电业务类型随时间变化的用电量。根据用电业务类型的不同，我们可以从电能使用数据中提取相关电能使用量特征参数描述用户的电能使用量。本申请中，采用多个用电业务类型的电能使用量作为电能使用量特征参数。具体的：描述不同的用电业务类型，需使用不同的电能使用量特征参数。如居民用电用户，可使用随时间变化的照明用电量、厨房插座用电量、洗碗机用电量、微波炉用电量、洗衣机用电量、烤箱用电量、冰箱用电量、浴室电器用电量、电热炉用电量、空调用电量以及其它用电量这11个电能使用量特征参数来描述其电能使用量。本申请中，采用M个电能使用量特征参数描述用户的电能使用量，根据用电业务类型的不同，M可以取不同的值，用户电能使用量的预测可通过对用户不同用电业务类型电能使用量的预测实现，即预测M个描述用户电能使用量的特征参数。S2、确定电能使用量特征参数的时间标度，构造描述电能使用量的多时间序列其中，表示第i个电能使用量的特征参数在第t个时间点的原始电能使用量，i＝1,2,3…,M，M表示电能使用量的特征参数的总个数，t表示时间点序号。根据不同的预测任务，如按每小时进行预测或按天进行预测，电能使用量特征参数可选择相应的时间标度U，如15分钟、1小时或者1天。选定时间标度U后，每个单位时间标度内各用电业务类型的电能使用量为该电能使用量特征参数所对应的用电业务类型电能使用量，记为即第t个时间点的第i个电能使用量特征参数所对应的用电业务类型原始电能使用量。每个时间点上，用户的电能使用量用M个电能使用量特征参数表示，所有电能使用量特征参数随时间的变化构成描述电能使用量的多时间序列，即其中，i＝1,2,3…,M,t为时间点序号。S3、根据步骤S2中确定的时间标度，得到训练时窗的长度；并在训练时窗中对进行归一化处理；根据步骤S2中选取的时间标度U，确定需要的训练数据个数N，即训练时窗的长度。训练数据个数N可取一个周期时间长度内，如一天、一周或者一月，单位时间标度个数的50-100倍。对于U为15分钟时，则N为(60/15)*24*50＝4800；对于U为1小时时，则N为24*100＝2400；对于U为1天时，则N为30*100＝3000。当前时间点以及其前N-1个时间点的数据构成训练时窗中的数据。在训练时窗中，可用如下公式对描述电能使用量的多时间序列进行归一化。Si(t)=S^i(t)-min{S^i(j′),j′=1,2,3...,N}max{S^i(j′),j′=1,2,3...,N}-min{S^i(j′),j′=1,2,3...,N}×2-1;]]>对电能使用量的多时间序列进行归一化能够避免值域范围较大的电能使用量特征参数覆盖掉值域范围较小的电能使用量特征参数对最终预测结果的影响。后文中，为叙述方便，本申请中Si(t)表示第i个电能使用量特征参数在第t个时间点对应的归一化后的电能使用量，称为第i个电能使用量特征参数所对应用电业务类型在第t个时间点的原始电能使用量，表示第i个电能使用量特征参数在第训练时窗中第j′个时刻对应的原始电能使用量。S4、根据步骤S2中确定的时间标度，得到历史时窗长度；确定待预测时间点的输入向量其中，Xi，j(t)表示在第t个时间点预测第i个电能使用量特征参数时，所需输入向量的第j个数值，T表示历史时窗长度，所述T为一个周期时间长度内的单位时间标度个数。根据步骤S2中选取的时间标度U，确定历史时窗长度T。历史时窗长度T为一个周期时间长度内。如一天、一周或一月。的单位时间标度个数。对于U为15分钟时，T为(60/15)×24＝96；对于U为1小时时，T为24；对于U为1天时，T为30。当前时间点以及其前N-1个时间点的数据构成历史时窗中的数据。由于M个电能使用量特征参数描述的M个用电业务类型电能使用量在同一时间点具有相关性(对应用户的某种活动)，并且，各电能使用量特征参数在当前点的值与该电能使用量特征参数在历史时窗中的值具有时间相关性。因此，对于第i个电能使用量特征参数在下一个时间点值的预测，即对于第i个用电业务类型在下一个时间点电能使用量的预测，可使用当前时间点所有电能使用量特征参数的值以及该电能使用量特征参数在历史时窗内的所有值作为预测需要的输入向量。本申请记第i个电能使用量特征参数在下一个时间点(第t+1个时间点)的预测值为Pi(t)(i＝1,2,3…,M)，其对应的输入向量为：X→i(t)={Zi(t),Z^i(t)},(i=1,2,3...,M).]]>其中，Zi(t)＝{Si(t),Si(t-1),...,Si(t-T+1)}，Pi(t)是对第i个电能使用量特征参数对应的用电业务类型在第t+1个时间点的电能使用量Si(t+1)的预测。Yi(t)是第i个电能使用量特征参数对应的用电业务类型在第t+1个时间点的电能使用量Si(t+1)的真实值，即目标值。为后文叙述方便，本申请记其中，Xi,j(t)表示在第t个时间点预测第i个电能使用量特征参数时，所需输入向量的第j个数值。由于Si(t)已经归一化，所以此时无需再对Xi,j(t)进行归一化。在后续使用神经网络进行预测的步骤中，本申请将直接使用作为待预测时间点的输入向量。S5、初始化M个神经网络，通过对第i′个神经网络的预测得到第i个电能使用量特征参数对应的用电业务类型电能使用量；并确定各神经网络的隐层层数与隐层节点个数。如图2所示为用于预测第i个电能使用量特征参数对应的用电业务类型电能使用量的神经网络结构图，为M+T-1维行向量，代表第i′个神经网络中第j″个隐层节点的输入权重；bi′,j″为一个数值，代表第i′个神经网络中第j″个隐层节点对应的偏置；βi′,j″表示第i′个神经网络中连接第j″个隐层节点和网络输出之间的外权值；表示第j″个隐层节点对应于输入向量的i′输出，G(·)为激活函数。本申请使用M个神经网络并行地对M类用电业务类型的电能使用量进行预测。第i′个神经网络所预测的对象为第i个电能使用量特征参数对应的用电业务类型的电能使用量，其对应的输入向量(在第t个时间点)为预测值为(在第t个时间点)Pi(t)，目标值为(在第t个时间点)Yi(t)。对于各神经网络，本申请均选取单隐层网络，即隐层层数为1。单隐层神经网络具有结构简单、训练速度快、不容易过拟合等优点。各神经网络中隐层节点的个数Li′，本申请通过样本数据测试来确定，具体步骤如下：1.首先设定目标神经网络的隐层节点个数Li′＝1。2.输入50组训练样本进行训练，分别计算预测结果误差，计算50组训练样本预测误差的平均值。3.令Li′＝Li′+1，再次计算使用该隐层节点数时，50组训练样本预测误差的平均值。若Li′增加时，使用训练样本计算的预测误差平均值较上一次的值减小比率小于阀值，本申请选择默认值为0.1％作为阀值，则确定此时的Li′为目标神经网络中隐层节点的个数；否则，返回到步骤3。减小比率具体为：令当前隐层节点个数Li′，得到的D组训练样本预测误差的平均值为Mean1，Li′-1对应的的平均值为Mean2，则减小比率为：|Mean1-Mean2|/Mean1。S6、判断是否需要计算各神经网络参数组；若是，则转至步骤S7，否则转至步骤S9。如图3所示为预测第i个电能使用量特征参数对应的用电业务类型电能使用量的神经网络训练流程图，具体步骤如下：首先，定义参数评估时窗以帮助判断是否需要重新计算各神经网络参数组。参数评估时窗由当前时间点及其前N0-1个个时间点构成。在本申请中，参数评估时窗长度N0的默认取值为5。然后，定义参数评估时窗内第i个电能使用量特征参数对应的用电业务类型电能使用量预测的平均误差为：δ‾i(t0)=Σt=t0-N0+1t0|P^i(t-1)-Si(t)|Si(t)N0×100%]]>其中，t0为当前时刻，为第t-1个时间点上所预测电能使用量的平均值，即在第t-1个时间点对于Si(t)进行多次预测的平均预测值。再者，如果各神经网络尚未初始化或者截止到当前时间点已进行预测的时间点个数小于N0，所有的神经网络均进入参数组训练步骤，计算每个神经网络的参数组。否则，依次对每个神经网络的参数组是否需要重新计算进行判断。最后，若待判断神经网络所预测的第i个电能使用量特征参数对应的用电业务类型电能使用量在参数评估时窗内的平均误差大于给定阀值，视预测精度要求而定，比如本申请中取为训练样本预测误差的平均值Mean的1.5倍，根据不同精度需求，也可取2倍、3倍、1.2倍等，则该神经网络需要重新计算参数组。否则，该神经网络不需要重新计算参数组，在预测该神经网络所对应的第i个电能使用量特征参数对应的用电业务类型电能使用量时，可以直接利用当前该神经网络的参数组进行预测。S7、对各神经网络进行K次训练，得到每个神经网络对应的K组参数组；本申请中设定训练次数为K＝50，具体为：根据历史数据进行训练，得到神经网络的参数组；具体包括以下步骤：S71、对第i′个神经网络的输入权重矩阵和隐层节点偏置向量进行赋值；其中，表示第i′个神经网络中所有输入节点到第j个隐层节点的输入权重，其中，bi′,j表示第i′个神经网络中第j个隐层节点对应的偏置值；对于预测第i′个用电业务类型电能使用量的神经网络，需要对其参数和进行赋值。其中，为随机生成的Li′*(M+T-1)大小的矩阵，为第i′个神经网络中所有输入节点到第j″个隐层节点的输入权重，是一维的长度为M+T-1的向量。为随机生成Li′*1大小的向量。其中，bi′,j″表示第i′个神经网络中第j″个隐层节点对应的偏置值。神经网络输入权重和隐层节点偏置bi′,j″(j″＝1,2,3...,Li′)由系统随机生成。以上随机数可由一个在[0,1]均匀分布的概率密度函数产生。S72、计算神经网络输出矩阵H0；神经网络的激活函数我们选取Sigmoid函数。G(x)=11+e-x]]>对于输入向量具有Li′个隐层节点的神经网络的输出表达式为：Yi′(t)=Σj′′=1j′′=Li′βi′,j′′G(a→i′,j′′,bi′,j′′,X→i′(t))]]>式中，Yi′(t)为第i′个神经网络在第t个时间点所预测电能使用量的真实值，即Si(t)，为第i′个神经网络的输入权重，bi′,j为第i′个神经网络第j″个隐层节点的偏置，βi′,j表示第i′个神经网络中连接第j″个隐层节点和神经网络输出的外权，表示第i′个神经网络第j″个隐层节点对应于样本的隐层节点输出。对于加法型的隐层节点，的表达式为：G(a→i′,j′′,bi′,j′′,X→i′(t))=11+exp(-(a→i′,j′′·X→i′(t)+bi′,j′′))]]>其中，代表权重向量和输入向量的内积。本申请中定义G(·):R->R为一个名字叫G，定义域、值域均为实数的映射；函数G(·)的定义即是上文中的函数即“·”代表该函数的所有自变量；“R->R”中前一个R表示定义域为实数，后一个R表示值域为实数，->为映射符号。使用N(N为步骤3中定义的训练数据个数)个连续时间点的输入数据可计算第i′个神经网络的输出矩阵H0：S73、计算神经网络输出外权仍然使用步骤S72中所述的N，N为步骤S3中定义的训练数据个数，个连续时间点的输入数据计算第i′个神经网络输出外权的计算公式如下：β→i′=H0+Q;]]>其中，表示神经网络输出矩阵H0的广义逆，为神经网络输出矩阵H0的转置，为矩阵的逆矩阵；Yi′(t)为第i′个神经网络在第t个时间点所预测电能使用量的真实值，t＝1,2,3…,N，N表示训练数据个数。是一个Li′×1的列向量。S8、判断待训练神经网络是否已完成全部训练，若是，则转至步骤S9；否则转步骤S7。依次对每个待训练的神经网络进行判断，若待判断神经网络未完成50次独立训练，则转到步骤S7继续进行训练；当所有待训练神经网络均已完成50次独立训练时，则完成了进行当前时间点电能使用量预测需要的神经网络参数组计算。通过步骤S7可以得到第i′个神经网络的一组参数和对每个待训练神经网络，本申请采用相同的输入数据进行50次独立训练。依次对每个待训练的神经网络进行判断。若待判断神经网络未完成50次独立训练，则转到步骤S7继续进行训练。当所有待训练神经网络均已完成50次独立训练时，则完成了进行当前时间点电能使用量预测需要的神经网络参数组计算，则转至步骤S9。S9、对神经网络进行预测，具体为：通过计算得到当前时间点对于用户下一时间点各电能使用量特征参数对应的用电业务类型电能使用量的预测平均值；具体包括以下分步骤：S91、计算当前时间点各神经网络的输出矩阵H；对于第i′个神经网络的每组参数和其输出矩阵可用如下公式计算：H=G(a→i′,1,bi′,1,X→i′(t)...G(a→i′,Li′,bi′,Li′,X→i′(t))1×Li′;]]>S92、计算当前时间点对于用户下一时间点各电能使用量特征参数对应的用电业务类型电能使用量的预测值{Pi,k(t)}；对于第i′个神经网络的第k组参数和均可得到一个第i类电能使用量特征参数对应的用电业务类型电能使用量的预测值Pi,k(t)，通过计算第i′个神经网络的第k组参数的预测结果，对应得到Pi,k(t)，计算公式如下：Pi,k(t)=Pi′,k(t)=G(a→i′,1,bi′,1,X→i′(t)...G(a→i′,Li′,bi′,Li′,X→i′(t))1×Li′βi′,1...βi′,Li′Li′×1]]>S93、计算当前时间点对于用户下一时间点各电能使用量特征参数对应的用电业务类型电能使用量的预测平均值通过计算第i′个神经网络的K＝50组参数的预测结果求平均值的结果，对应得到从而得到P‾i(t)=P‾i′(t)=Σk=1k=50Pi′,k(t)50.]]>S10、对步骤S9得到的各电能使用量特征参数对应的用电业务类型电能使用量的预测平均值进行反归一化处理，得到原始电能使用量的预测值；将各用电业务类型电能使用量的预测平均值进行反归一化，得到各用电业务类型原始电能使用量的预测值当前时间点对用户下一时间点各用电业务类型原始电能使用量的预测值可使用如下公式计算：P^i(t)=(max{S^i(j′),j′=1,2,3...,N}-min{S^i(j′),j′=1,2,3...,N})(P‾i(t)+1)2+min{S^i(j′),j′=1,2,3...,N})]]>S11、判断下一个时间点是否需要进行预测，若是，转至步骤S2；否则结束。本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。当前第1页1 2 3