(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111600079.8 (22)申请日 2021.12.24 (71)申请人 南方电网海南数字电网研究院有限 公司 地址 570100 海南省海口市美兰区海 府路 32号 (72)发明人 吴海杰　王联智　王康桑　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 颜希文 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于LSTM模型的用电量预测方法 (57)摘要 本发明提供一种基于LSTM模型的用电量预 测方法， 包括下列步骤： 采集在T时间段内且包含 多个用户的日用电量相关历史数据， 并对所述日 用电量相关历史数据进行异常值处理以及缺失 值填补； 建立第一特征指标， 根据新的用电量相 关数据获得对应用户的第一特征指标的特征值， 对所述用户样本集进行K ‑means聚类， 基于聚类 结果划分多个用户群体； 建立第二特征指标以及 包含LSTM网络的用电量预测模型， 将每类用户群 体的第二特征指标的特征值 以及第一特征指标 的特征值作为所述用电量预测模 型的输入， 对所 述用电量预测模 型进行训练， 得到特定日的电量 预测值， 将待预测月已实际产生的日电量与该月 内特定日的电量预测值相加即得到相应的月电 量预测值。 权利要求书1页 说明书7页 附图1页 CN 114462670 A 2022.05.10 CN 114462670 A 1.一种基于LSTM模型的用电量预测方法， 其特 征在于， 包括下列步骤： 采集在T时间段内且包含多个用户的日用电量相关历史数据， 并对所述日用电量相关 历史数据进行异常值处理以及缺失值填补， 获得新的用电量相关数据， 所述用电量相关历 史数据包括日用电量数据以及日气温数据； 建立包括用户在7天内日电量的平均电量、 最小电量、 最大电量、 电量方差、 电量中位 数、 日平均气温在内的第一特征指标， 根据新的用电量相关数据获得对应用户的第一特征 指标的特征值， 多个用户的特征值构成用户样本集D＝{x1,x2,x3,…,xn}， xn表示第n个用户， 对所述用户样本集进行 K‑means聚类， 基于聚类结果划分多个用户群 体； 建立第二特征指标以及包含LSTM网络的用电量预测模型， 将每类用户群体的第二特征 指标的特征值以及第一特征指标的特征值作为所述用电量预测模型的输入， 对所述用电量 预测模型进行训练， 得到特定日的电量预测值， 将待预测月已实际产生的日电量与该月内 特定日的电量预测值相加即得到相应的月电量预测值。 2.根据权利要求1所述的一种基于LSTM模型的用电量预测方法， 其特征在于， 对用户在 T时段内的日用电量数据进行异常值处理， 具体包括： 计算每个用户在T时间段内的日用电 量数据的中位数以及均值， 对所述中位数和均值进行比较， 若所述中位数和均值相差在30 倍以上， 则对上述T时段内的日用电量数据进行 逐个筛选， 找出异常数据。 3.根据权利要求2所述的一种基于LSTM模型的用电量预测方法， 其特征在于， 对上述T 时段内的日用电量数据进 行逐个筛选， 找出异常数据的过程包括： 将每个用户在T时段内的 日用电量数据按照时间维度从大到小进行排序， 计算其均值以及方差， 同时设定最大门限 值 以及最小门限值 若该用户在T时段内的每个日用电量数据 大于 则用 替换相应的日用电量数据； 若该用户在T时段内的每个日用电量数据小于 则用 替换相 应的日用电量数据， 其中 为均值， std为方差 。 4.根据权利要求3所述的一种基于LSTM模型的用电量预测方法， 其特征在于， 对所述日 用电量数据进行缺失值 填补， 包括： 在用户T时段内的日用电量数据中选取连续31天的日用电量数据， 在所述连续31天的 日用电量数据中至少包括 一个存在缺失值的数据； 将该用户连续31天的日用电量数据采用K近邻法计算缺失值与其他正常值的欧式距 离， 并对所述欧式距离按照从小到大的顺序进行排序， 选取欧式距离最小的三个数据， 通过 计算三个数据的均值 来对缺失值进行替换。 5.根据权利要求1所述的一种基于LSTM模型的用电量预测方法， 其特征在于， 所述第二 特征指标包括特定用户在31天 内的日用电量数据以及31天 内的日用电量数据的平均值、 最 大值、 最小值、 方差、 电量中位数、 待预测当天星期类型、 节假日情况。 6.根据权利要求5所述的一种基于LSTM模型的用电量预测方法， 其特征在于， 将待预测 当天星期类型、 节假日情况进行数值话处理， 数字0或1表示是否为节假日情况， 采用数字1 至7表征待预测当天星期类型。 7.根据权利要求1所述的一种基于LSTM模型的用电量预测方法， 其特征在于， 采用线性 插值法对日气温数据中的异常值以及缺失值进行处 理。权　利　要　求　书 1/1 页 2 CN 114462670 A 2一种基于LSTM模型的用电量预测方 法 技术领域 [0001]本发明涉及电量预测技 术领域， 尤其涉及一种基于LSTM模型的用电量预测方法。 背景技术 [0002]电量预测是指在满足一定精度要求下， 充分考虑一些重要的自然条件与社会影 响、 系统运行特性与增容决策等方面， 研究或利用一种能够处理过去与未来电量的关系的 数学方法， 确定未来某特定时刻的电量数值； 对电量进 行准确预测， 可以保证人民生活和社 会正常生产， 有效地降低电力企业的运行成本， 保证电网经济运行， 提高社会和经济效益； 而电量的影响因素较多， 例如地区经济、 政策、 气候等， 这些 因素中又确定性的， 也有随机性 的， 这一方面说明了电量预测所需的数据较多， 另一方面说明了电量预测结果由于影响因 素的随机性在一定程度上具有不确定性， 很大程度上增加了电量预测的难度。 目前， 对于中 长期电量的预测技术已经日趋承受， 而 日电量的预测 技术研究相对较少， 且日电量信息数 据隐藏的用电行为更 具体。 发明内容 [0003]本发明的目的在于提供一种基于LSTM模型的用电量预测方法， 以解决上述背景技 术中提出的问题。 [0004]本发明是通过以下技术方案 实现的： 本发明公开了一种基于LSTM模型的用电量预 测方法， 包括下列步骤： [0005]采集在T时间段内且包含多个用户的日用电量相关历史数据， 并对所述日用电量 相关历史数据进行异常值处理以及缺失值填补， 获得新的用电量相关数据， 所述用电量相 关历史数据包括日用电量数据以及日气温数据， ； [0006]建立包括用户在7天内日电量的平均电量、 最小电量、 最大电量、 电量方差、 电量中 位数、 日平均气温在内的第一特征指标， 根据新的用电量相关数据获得对应用户的第一特 征指标的特征值， 多个用户的特征值构成用户样本集D＝{x1,x2,x3,…,xn}， xn表示第n个用 户， 对所述用户样本集进行 K‑means聚类， 基于聚类结果划分多个用户群 体； [0007]建立第二特征指标以及包含LSTM网络的用电量预测模型， 将每类用户群体的第二 特征指标的特征值以及第一特征指标的特征值作为所述用电量预测模型的输入， 对所述用 电量预测模型进行训练， 得到特定日的电量预测值， 将待预测月已实际产生的日电量与该 月内特定日的电量预测值相加即得到相应的月电量预测值。 [0008]可选的， 对用户在T时段内的日用电量数据进行异常值处理， 具体包括： 计算每个 用户在T时间段内的日用电量数据的中位数以及均值， 对所述中位数和均值进 行比较， 若 所 述中位数和均值相差在30倍以上， 则对上述T时段内的日用电量数据进 行逐个筛选， 找出异 常数据。 [0009]可选的， 对上述T时段内的日用电量数据进行逐个筛选， 找出异常数据的过程包 括： 将每个用户在T时段内的日用电量数据按照时间维度从大到小进 行排序， 计算其均值以说　明　书 1/7 页 3 CN 114462670 A 3