一种用户用电量预测方法、系统以及设备与流程

本发明涉及电力技术领域，尤其涉及一种用户用电量预测方法、系统以及设备。

背景技术：

目前，随着社会经济的不断发展，用电需求不断扩大，电网规模不断扩张，各类电力项目持续发展，近几年随着售电侧改革逐步深化，售电市场竞争加剧，对电力企业的服务水平和服务意识提出了新的更高要求，为实现客户精细化服务、提升客户用电体验，需要深入洞察客户用电特性，预测用户的用电量，智能用电技术为提升客户用电体验奠定了基础，但当前的智能用电技术主要集中在智能家居和电器两大领域，仅有少数研究立足于电网侧，使得电力企业无法准确地对用户的未来用电量趋势进行合理预测，从而使得电力企业无法了解各类用户的用电需求。

综上所述，现有技术中智能用电技术仅有少数研究立足于电网侧，使得电力企业无法准确地对用户的未来用电量趋势进行合理预测的技术问题。

技术实现要素：

本发明提供了一种用户用电量预测方法、系统以及设备，用于解决现有技术中智能用电技术仅有少数研究立足于电网侧，使得电力企业无法准确地对用户的未来用电量趋势进行合理预测的技术问题。

本发明提供的一种用户用电量预测方法，适用于预先建立好的用电量预测模型，方法包括以下步骤：

采集用户的用电信息，用电信息包括用电设备的用电数据；

对用电信息进行预处理，对经过预处理后的用电信息进行储存；

提取经过预处理后的用电信息，采用聚类算法对用电信息进行聚类处理，得到聚类结果；

根据聚类结果对用户的用电行为进行分析，得到用户的用电行为特征；

将用户的用电行为特征输入到用电量预测模型中，用电量预测模型输出用户用电设备每个时段的用电量预测值，根据用户用电设备每个时段的用电量预测值从而得到用户每个时段的用电量预测值；

将用户的用电行为特征以及用户每个时段的用电量预测值进行可视化显示。

优选的，用电量预测模型通过神经网络训练得到的，具体训练步骤包括：

获取用户的用电历史数据，用电历史数据包括用电行为特征历史数据以及用户用电设备每个时段的用电量历史数据，对用电历史数据进行预处理后作为训练样本，构建神经网络并设定神经网络的参数；

根据神经网络的参数计算神经网络隐含层的节点数量的取值范围，求解神经网络隐含层的节点数量在取值范围下的多个学习误差的神经网络，将学习误差最小的神经网络作为用电量预测模型。

优选的，对用电信息进行预处理的过程为：

查找出用电信息中的缺失值以及异常值，对缺失值进行填充处理，对异常值进行过滤处理。

优选的，采用聚类算法对用电信息进行聚类处理，得到聚类结果的具体过程在于：

从用电信息中提取出用电行为特征值，构成特征向量组，采用聚类算法对特征向量组进行聚类处理，将具有相似用电行为特征的用电设备聚成一类，得到聚类结果。

优选的，用电设备的用电数据包括用电设备的种类、用电设备的用电规格以及用电设备的用电量。

优选的，在得到用户每个时段的用电量预测值之后，还包括以下步骤：

采用对称加密算法对用户的用电行为特征以及用户每个时段的用电量预测值进行加密。

一种用户用电量预测系统，包括：数据采集模块、数据预处理模块、数据储存模块、聚类模块、用电行为分析模块、用电量预测模型模块以及智能终端；

数据采集模块用于采集用户的用电信息，用电信息包括用电设备的用电数据；

数据预处理模块用于对用电信息进行预处理；

数据储存模块用于对经过预处理后的用电信息进行储存；

聚类模块用于提取经过预处理后的用电信息，采用聚类算法对用电设备的用电数据进行聚类处理，得到聚类结果；

用电行为分析模块用于根据聚类结果对用户的用电行为进行分析，得到用户的用电行为特征；

用电量预测模型模块用于提供用电量预测模型，电量预测模型用于根据用户的用电行为特征输出用户用电设备每个时段的用电量预测值，根据用户用电设备每个时段的用电量预测值从而得到用户每个时段的用电量预测值；

智能终端用于将用户的用电行为特征以及用户每个时段的用电量预测值进行可视化显示。

优选的，系统还包括加密模块，加密模块具体用于采用对称加密算法对用户的用电行为特征以及用户每个时段的用电量预测值进行加密。

优选的，数据预处理模块具体用于查找出用电信息中的缺失值以及异常值，对缺失值进行填充处理，对异常值进行过滤处理。

一种用户用电量预测设备，包括服务器以及终端设备；

所述服务器包括数据采集模块、数据预处理模块、数据储存模块、聚类模块、用电行为分析模块以及用电量预测模型模块；

数据采集模块用于采集用户的用电信息，用电信息包括用电设备的用电数据；

数据预处理模块用于对用电信息进行预处理；

数据储存模块用于对经过预处理后的用电信息进行储存；

聚类模块用于提取经过预处理后的用电信息，采用聚类算法对用电设备的用电数据进行聚类处理，得到聚类结果；

用电行为分析模块用于根据聚类结果对用户的用电行为进行分析，得到用户的用电行为特征；

用电量预测模型模块用于提供用电量预测模型，电量预测模型用于根据用户的用电行为特征输出用户用电设备每个时段的用电量预测值，根据用户用电设备每个时段的用电量预测值从而得到用户每个时段的用电量预测值；

所述终端设备用于将用户的用电行为特征以及用户每个时段的用电量预测值进行可视化显示。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例通过对用电信息进行聚类处理，并根据聚类结果得到了用户用电行为特征，最后将用户的用电行为特征输入到用电量预测模型中，获得用户用电设备每个时段的用电量预测值以及用户每个时段的用电量预测值，本发明实施例通过用电量预测模型使得对用户的用电量预测能够细化到每个设备以及每个时段，大大提高了预测的精度和准确度，从而使得电力企业更好地了解用户每个时间段的用电需求，为未来电网发展及电力政策的制定提供了数据支撑。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种用户用电量预测方法、系统及设备的方法流程图。

图2为本发明实施例提供的一种用户用电量预测方法、系统及设备的系统框架图。

图3为本发明实施例提供的一种用户用电量预测方法、系统及设备的设备框架图。

具体实施方式

本发明实施例提供了一种用户用电量预测方法、系统以及设备，用于解决现有技术中智能用电技术仅有少数研究立足于电网侧，使得电力企业无法准确地对用户的未来用电量趋势进行合理预测的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例提供的一种用户用电量预测方法、系统及设备的方法流程图。

本发明实施例提供的一种用户用电量预测方法，适用于预先训练好的用电量预测模型，方法包括以下步骤：

从电网公司信息中心中采集用户的用电信息，用电信息包括用电设备的用电数据，通过预先采集用户的用电信息从而方便后续步骤的开展以及计算；需要进一步说明的是，用电设备的用电数据包括用电设备的种类、用电设备的用电规格以及用电设备的用电量。

对用电信息进行预处理，对不合格的数据进行补充和剔除，避免无效的数据对预测结果造成影响，使得预测结果不准确；对经过预处理后的用电信息进行储存，以便后期进行调用；

经过预处理后的用电信息，采用聚类算法对用电信息进行聚类处理，得到聚类结果；需要进一步说明的是，在本实施例中，采用k-means聚类算法对用电数据进行聚类处理，具体过程如下：

从n个对象中任意选择k个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度，分别将它们分配给与其最相似的聚类；计算每个所获新聚类的聚类中心；不断重复这一过程直到标准测度函数开始收敛为止，在本实施例中，采用均方差作为标准测度函数。

根据k-means聚类算法的聚类结果对用户的用电行为进行分析，对聚类结果进行进一步的分析能够得到用户的用电行为特征，用户的用电行为特征包括了用户每个设备每个时段的用电量、每个设备的用电高峰以及用户的用电习惯等数据；

将用户的用电行为特征输入到用电量预测模型中，用电量预测模型输出用户用电设备每个时段的用电量预测值，对用户用电设备每个时段的用电量预测值进行叠加整合，从而得到用户每个时段的用电量预测值；

将用户的用电行为特征以及用户每个时段的用电量预测值进行可视化显示，方便电力企业中的技术人员进行查看。

作为一个优选的实施例，用电量预测模型通过bp神经网络训练得到的，具体训练步骤包括：

获取用户的用电历史数据，用电历史数据包括用电行为特征历史数据以及用户用电设备每个时段的用电量历史数据，对用电历史数据进行预处理后生成训练样本，构建bp神经网络；bp神经网络中包含有具有一个输入层，一个隐含层和一个输出层的三层bp神经网络，设定bp神经网络的参数；以用电历史数据对本实施例进行说明，即确定输入层的节点数量为1，输出层节点数量为1，输入层输入用电行为特征历史数据，输出层输出用户用电设备每个时段的用电量历史数据；再确定bp神经网络的隐含层节点数，若隐含层节点数过少，则无法产生足够的连接权组合数来满足若干样本的学习，若隐含层节点数过多的话，会使模型训练时间增加，神经网络的容错性差，导致测试误差增大，模型的泛化能力下降。

计算bp神经网络隐含层的节点数量的取值范围，求解隐含层的节点数量在取值范围下的多个学习误差的bp神经网络，将学习误差最小的bp神经网络作为训练好的用电量预测模型。

作为一个优选的实施例，对用电信息进行预处理的过程为：

对用电信息进行一致性检查，一致性检查(consistencycheck)是根据每个变量的合理取值范围和相互关系，检查数据是否合乎要求，从而查找出用电信息中的缺失值以及异常值，对缺失值进行填充处理，对异常值进行过滤处理，避免用电信息中的异常数据对计算结果进行干扰。

作为一个优选的实施例，采用聚类算法对用电数据特征进行聚类处理，得到聚类结果的具体过程在于：

从用电设备的用电数据中提取出用电行为特征值，构成特征向量组，采用聚类算法对特征向量组进行聚类处理，将具有相似用电行为特征的用户聚成一类，得到聚类结果。

作为一个优选的实施例，在得到用户每个时段的用电量预测值之后，还包括以下步骤：

采用对称加密算法对用户的用电行为特征以及用户每个时段的用电量预测值进行加密。在本实施例中，从sm1对称算法、sm4对称算法、aes对称算法选取一种进行加密。

如图2所示，一种用户用电量预测系统，包括：数据采集模块201、数据预处理模块202、数据储存模块203、聚类模块204、用电行为分析模块205、用电量预测模型模块206以及智能终端208；

数据采集模块201用于采集用户的用电信息，用电信息包括用电设备的用电数据；

数据预处理模块202用于对用电信息进行预处理；

数据储存模块203用于对经过预处理后的用电信息进行储存；

聚类模块204用于提取经过预处理后的用电信息，采用聚类算法对用电设备的用电数据进行聚类处理，得到聚类结果；

用电行为分析模块205用于根据聚类结果对用户的用电行为进行分析，得到用户的用电行为特征；

用电量预测模型模块206用于提供用电量预测模型，电量预测模型用于根据用户的用电行为特征输出用户用电设备每个时段的用电量预测值，根据用户用电设备每个时段的用电量预测值从而进而得到用户每个时段的用电量预测值；

智能终端208用于将用户的用电行为特征以及用户每个时段的用电量预测值进行可视化显示。

需要进一步说明的是，本系统的具体工作过程如下：

数据采集模块201采集用户的用电信息，用电信息包括用电设备的用电数据；数据预处理模块202对用电信息进行预处理后将用电信息传输到数据储存模块203中进行储存，聚类模块204提取储存模块203中储存的经过预处理后的用电信息，采用k-means聚类算法对用电设备的用电数据进行聚类处理，将具有相似用电行为特征的用户聚成一类，得到聚类结果；用电行为分析模块205根据聚类结果对用户的用电行为进行分析，得到用户的用电行为特征，用户的用电行为特征包括了用户每个用电设备每个时间段的用电功率、用电量、开关时刻、用电高峰以及用户的用电行为习惯等特征数据；用电量预测模型模块206中的电量预测模型输出用户用电设备每个时段的用电量预测值，对用户用电设备每个时段的用电量预测值进行叠加整合，从而得到用户每个时段的用电量预测值，之后智能终端208接收用户用电设备每个时段的用电量预测值以及用户的用电行为特征并进行可视化显示。

作为一个优选的实施例，系统还包括加密模块207，加密模块207具体用于采用对称加密算法对用电量预测模型模块206输出的用户用电设备每个时段的用电量预测值、用户每个时段的用电量预测值以及用户的用电行为特征进行安全加密，并通过网络传输到用户智能终端。在本实施例中，加密模块207从sm1对称算法、sm4对称算法、aes对称算法中选取一种对称算法进行加密。

如图3所示，一种用户用电量预测设备，包括服务器300以及终端设备301；

所述服务器300包括数据采集模块201、数据预处理模块202、数据储存模块203、聚类模块204、用电行为分析模块205以及用电量预测模型模块206；

数据采集模块201用于采集用户的用电信息，用电信息包括用电设备的用电数据；

数据预处理模块202用于对用电信息进行预处理；

数据储存模块203用于对经过预处理后的用电信息进行储存；

聚类模块204用于提取经过预处理后的用电信息，采用聚类算法对用电设备的用电数据进行聚类处理，得到聚类结果；

用电行为分析模块205用于根据聚类结果对用户的用电行为进行分析，得到用户的用电行为特征；

用电量预测模型模块206用于提供用电量预测模型，电量预测模型用于根据用户的用电行为特征输出用户用电设备每个时段的用电量预测值，根据用户用电设备每个时段的用电量预测值从而得到用户每个时段的用电量预测值；

所述终端设备301用于将用户的用电行为特征以及用户每个时段的用电量预测值进行可视化显示。所述终端设备301可以是桌上型计算机、笔记本以及掌上电脑等计算设备。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。