【技术实现步骤摘要】
本专利技术涉及直流电源监测，更具体地说，涉及一种基于数据挖掘的企业用电量分析与预测方法。
技术介绍
1、电力行业是整个国家的一个非常重要的基础性行业，对整个国家的安全、社会的稳定以及人民的各方面生活有着重大的意义，电力能源不像其他产品一样可以存放，而是具有随发随用的特殊性，不能得到存储，这就对电能的产生、传输以及销售的过程提出了更高的要求，不能供大于求，浪费能量资源，也不能供不应求，满足不了用电客户的用电需要，因此，电量预测也就随之而来，通过对历史电量的分析，得到后期电量情况来提前制定发电、输电及供电的计划，电力需求量的预测决定发电、输电、配电系统新增容量的大小和发电设备的装机类型，如何完善电力规划进行，最大限度地提高规划质量做好电量预测工作，正逐渐成为电力行业的热门课题；
2、但是在实际的使用过程中，随着新能源如风能和太阳能的快速发展，这些能源的波动性给电力系统带来了额外的复杂性，而且企业的数据采集可能存在缺失或不连续的问题，特别是在老旧的工业设施中，数据采集设备的不足或故障可能导致数据不完整，预测技术的挑战也随之增加，需要更精准的量价预测技术来应对这种不确定性；
3、不同行业的用电模式和用电需求存在显著差异，如制造业、数据中心和商业楼宇的用电特征各不相同，现有的预测模型很难适应这些行业特定的用电模式。
技术实现思路
1、为解决上述问题，本专利技术提供了一种基于数据挖掘的企业用电量分析与预测方法。
2、本专利技术提供了一种基于数据挖掘的企业用电
3、步骤一：获取历史用电量数据，并根据历史用电量数据，从多方向进行用电特征分析，挖掘得到用电规律信息和季节变化特征；
4、步骤二：分析代理购电用户规模、增速以及代理购电量的年度变化趋势，得到代理购电的发展运行信息；
5、步骤三：基于历史电量数据，构建指数平滑、arima、sarima和lstm神经网络多重时序预测模型，并进行比较以选择最优模型；
6、步骤四：对所选模型进行残差分析和交叉验证，使用mse、rmse、mae指标衡量模型准确性，并确保模型预测趋势与实际趋势一致；
7、步骤五：使用验证后的最优模型，根据多方向进行用电特征分析，挖掘得到用电规律信息和季节变化特征和代理购电的发展运行信息进行用电量预测，得到预测结果。
8、优选的，所述获取历史用电量数据的具体步骤如下：
9、获取历史用电量数据，包括全市、区域、行业和规上工业企业的用电量信息；需要说明的是，历史用电量数据通过供电公司的历史数据获得；
10、将收集到的数据进行整合，形成统一的数据集；
11、对收集到的数据进行清洗，处理缺失值，确保数据的质量和完整性，得到历史用电量数据。
12、优选的，所述对收集到的数据进行清洗，处理缺失值的具体步骤为：
13、对收集到的数据按照时间顺序进行排列，确定哪些时间点的数据缺失；
14、对于每个方向,包括全市、区域、行业和规上工业企业，分别计算已知用电量数据的均值，根据公式，计算获得，其中 是每个方向中已知的用电量数据点，是已知数据点的数量，计算得到的均值来填补相应方向中的缺失值；
15、对于每个缺失的数据点，用其对应方向的均值进行替换。
16、优选的，所述根据历史用电量数据，从多方向进行用电特征分析，挖掘得到用电规律信息和季节变化特征的具体步骤如下：
17、首先以年为单元，获取当前时间点前固定时间段的全市、区域、行业和规上工业企业的用电量信息，得到固定时间段内的年度用电量数据；
18、将固定时间段内的年度用电量数据等分为若干阶段；
19、对于每个阶段的用电量数据点，计算其与其他所有阶段数据点之间的欧几里得距离；
20、对于每个阶段的用电量数据点，确定其k个最近邻点，并计算这些最近邻点的欧几里得距离的平均值，然后取该平均值的倒数得到局部可达密度lrd；
21、对于每个阶段的用电量数据点，计算其k个最近邻点的局部可达密度lrd的平均值，并与该数据点的lrd进行比较，得到局部离群因子lof；
22、确定一个异常阈值，用于区分异常和非异常数据点，如果某一阶段数据点的lof值大于这个阈值，则将其标记为异常阶段；否则，标记为正常阶段；
23、根据lof值和异常阈值的比较结果，去除被标记为异常的阶段，保留被标记为正常的阶段，得到正常阶段数据。
24、优选的，对于正常阶段的年度用电量数据，计算其每年同比增长率，通过同比增长率识别年度用电量的增长或下降趋势；
25、对于正常阶段的年度用电量数据，进一步分析月度用电量数据，识别月度间的用电量波动，包括季节性波动和非季节性波动；
26、对于正常阶段的年度用电量数据，进一步提取工作日与周末的用电量数据，计算两者之间的差异，作为识别工作日和非工作日的用电规律；
27、对于正常阶段的年度用电量数据，进一步分析一天内不同时间段的用电量变化，得到日内用电高峰和低谷时段；
28、将上述数据作为用电规律信息和季节变化特征。
29、优选的，所述步骤二的具体工作方式如下：
30、基于当前代理购电用户档案数据，分析全市代理购电用户数量、占所有参与市场化购电用户的比例；
31、基于当前历史代理购电用户年度新增数据，分析全市代理购电用户年度新增用户数及同比增速情况；
32、将上述数据作为代理购电的发展运行信息；
33、还包括收集新能源发电量，将固定时间段内新能源发电量除以总发电量得到新能源发电量占比。
34、优选的，所述步骤三的具体工作方式如下：
35、基于用电规律信息、季节变化特征、代理购电的发展运行信息和新能源发电量占比，划分训练集和测试集，构建指数平滑预测模型；
36、基于用电规律信息、季节变化特征、代理购电的发展运行信息和新能源发电量占比，划分训练集和测试集，构建arima预测模型；
37、基于用电规律信息、季节变化特征、代理购电的发展运行信息和新能源发电量占比，划分训练集和测试集，构建sarima预测模型；
38、基于用电规律信息、季节变化特征、代理购电的发展运行信息和新能源发电量占比，划分训练集和测试集，构建lstm的神经网络模型。
39、优选的，所述步骤四的具体步骤如下：
40、指数平滑模型验证，对模型预测结果进行残差分析和交叉验证来衡量模型的准确性；
41、arima模型验证，对模型预测结果进行残差分析和计算平均绝对误差、均方根误差来衡量模型的准确性；
42、sarima模型验证，对模型预测结果进行残差分析和计算平均绝对误差、均方根误差来衡量模型的准确性；
43、lstm的神经网络模型验证，对模型预测结果进行均方误差本文档来自技高网...
【技术保护点】
1.一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，所述获取历史用电量数据的具体步骤如下：
3.根据权利要求2所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，所述对收集到的数据进行清洗，处理缺失值的具体步骤为：
4.根据权利要求2所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，所述根据历史用电量数据，从多方向进行用电特征分析，挖掘得到用电规律信息和季节变化特征的具体步骤如下：
5.根据权利要求4所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，对于正常阶段的年度用电量数据，计算其每年同比增长率，通过同比增长率识别年度用电量的增长或下降趋势；
6.根据权利要求5所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，所述步骤二的具体工作方式如下：
7.根据权利要求1所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，所述步骤三的具体工作方式如下：
...【技术特征摘要】
1.一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，所述获取历史用电量数据的具体步骤如下：
3.根据权利要求2所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，所述对收集到的数据进行清洗，处理缺失值的具体步骤为：
4.根据权利要求2所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，所述根据历史用电量数据，从多方向进行用电特征分析，挖掘得到用电规律信息和季节变化特征的具体步骤如下：
5.根据权利要求4所述的一种基于数据挖掘的企业用电量分析与预测方法，其特征在于，对于正常阶段的年度用电量数据，计算其每年同比增长率...
【专利技术属性】
技术研发人员：周利香，徐玲，阳江明，汪建，张玉兵，牟树贞，王涛，杨亚，
申请(专利权)人：国网安徽省电力有限公司铜陵供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。