(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111508170.7 (22)申请日 2021.12.10 (65)同一申请的已公布的文献号 申请公布号 CN 113901731 A (43)申请公布日 2022.01.07 (73)专利权人 四川瑞康智慧能源 有限公司 地址 610000 四川省成 都市天府新区籍田 街道东街东段153-189号 (72)发明人 董春　袁音　 (74)专利代理 机构 北京劲创知识产权代理事务 所(普通合伙) 11589 代理人 张铁兰 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01)G06Q 50/06(2012.01) (56)对比文件 谢晓龙等.梯度提升随机森林模型及其在日 前出清电价预测中的应用. 《计算机 应用与软 件》 .2018,(第09期), 审查员 刘晓丹 (54)发明名称 电量预测方法、 装置、 介质及设备 (57)摘要 本申请提供一种电量预测方法、 装置、 介质 及设备， 涉及电量预测技术领域。 该方法根据经 验模态分解方法对初筛用电异常企业中的各用 电企业消耗电量与总损耗电量进行分解， 确定分 解得到的高频分量， 根据其变化趋势和皮尔森相 关系数确定最终异常用电企业。 该方法利用相关 系数分析和经验模态分解方法结合， 能够快速排 查异常数据， 提高异常数据排查效率， 该方法能 够对历史电量数据进行修正， 以此提高电量预测 精度。 权利要求书2页 说明书8页 附图2页 CN 113901731 B 2022.03.15 CN 113901731 B 1.一种电量预测方法， 其特 征在于， 包括： 获取各用电企业消耗电量时间序列数据和总损耗电量数据； 确定各用电企业预设单位时间内的用电量和预 单位时间内的线损电量； 根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量 与总损耗电量的皮尔森相关系数； 基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行 排序， 并将对应的位序相加 确定最终排序； 根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业； 根据经验模态分解方法对初筛用电异常企业进行异常排查， 确定初筛后的用电异常企 业并反馈 至售电公司和对应用电企业进行问题排 查并修正用电数据； 基于修正后的用电数据进行 预设时间内的电量预测： 据修正后的最终用电量， 确定总用电量作为历史总用电量数据样本作为输入特征， 通 过KELM训练， 构建历史总用电量与预测时刻总用电量的关系； 对KELM模型输入第m个目标日期t+m的特征， 得到总用电量基础预测值Pt+m， 其中， t为 当前日期； 执行步骤， 获取 未来7天的总用电量基础预测值Pt+m， 其中， m=1， 2 …， 7； 基于KELM模型训练的历史总用电量数据、 KELM模型对训练数据预测结果， 确定KELM模 型对建模数据的残差序列； 基于总用电量基础预测值以及残差序列， 通过傅里叶级数对残差序列进行二 次拟合得 到对应的残差值； 基于总用电量基础预测值以及残差值确定最终总用电量预测值。 2.根据权利要求1所述的电量预测方法， 其特征在于， 获取各用电企业预设单位时间内 的用电量和预设单位时间内的线损电量， 具体为： 获取各用电企业日均用电量和日均线损 电量。 3.根据权利要求2所述的电量预测方法， 根据最终排序结果初筛预设比例靠前的用电 企业作为初筛用电异常企业， 具体为： 根据最 终排序结果初筛靠前10%的用电企业作为初筛 用电异常企业。 4.根据权利要求3所述的电量预测方法， 其特征在于， 根据 经验模态分解方法对初筛用 电异常企业进行异常排查， 包括： 根据经验模态分解方法对初筛用电异常企业中的各用电 企业消耗电量与总损耗电量进行分解， 确定分解得到的高频分量， 根据其变化趋势和皮尔 森相关系数确定最终异常用电企业。 5.电量预测装置， 其特 征在于， 包括 获取单元， 所述获取单元用于获取各用电企业消耗电量 时间序列数据和总损耗电量数 据； 确定单元， 所述确定单元用于确定各用电企业预设单位 时间内的用电量和预单位 时间 内的线损电量； 系数单元， 所述系数单元用于根据 预设单位 时间内的用电量和预单位 时间内的线损电 量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数； 排序单元， 所述排序 单元用于基于各用电企业预设单位 时间内的用电量以及皮尔森相权　利　要　求　书 1/2 页 2 CN 113901731 B 2关系数并根据从高到低进行排序， 并将对应的位序相加 确定最终排序； 初筛单元， 所述初筛单元用于根据最终排序 结果初筛预设比例靠前的用电企业作为初 筛用电异常企业； 排查单元， 所述排查单元用于根据 经验模态分解方法对初筛用电异常企业进行异常排 查， 确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进 行问题排查并修正用 电数据； 预测单元， 所述预测单 元用于基于修 正后的用电数据进行 预设时间内的电量预测： 据修正后的最终用电量， 确定总用电量作为历史总用电量数据样本作为输入特征， 通 过KELM训练， 构建历史总用电量与预测时刻总用电量的关系； 对KELM模型输入第m个目标日期t+m的特征， 得到总用电量基础预测值Pt+m， 其中， t为 当前日期； 执行步骤， 获取 未来7天的总用电量基础预测值Pt+m， 其中， m=1， 2 …， 7； 基于KELM模型训练的历史总用电量数据、 KELM模型对训练数据预测结果， 确定KELM模 型对建模数据的残差序列； 基于总用电量基础预测值以及残差序列， 通过傅里叶级数对残差序列进行二 次拟合得 到对应的残差值； 基于总用电量基础预测值以及残差值确定最终总用电量预测值。 6.根据权利要求5所述的电量预测装置， 其特 征在于， 获取各用电企业预设单位时间内的用电量和预设单位时间内的线损电量， 具体为： 获取各用电企业日均用电量和日均线损电量。 7.根据权利要求6所述的电量预测装置， 根据最终排序结果初筛预设比例靠前的用电 企业作为初筛用电异常企业， 具体为： 根据最 终排序结果初筛靠前10%的用电企业作为初筛 用电异常企业。 8.根据权利要求7所述的电量预测装置， 其特征在于， 根据 经验模态分解方法对初筛用 电异常企业进行异常排查， 包括： 根据经验模态分解方法对初筛用电异常企业中的各用电 企业消耗电量与总损耗电量进行分解， 确定分解得到的高频分量， 根据其变化趋势和皮尔 森相关系数确定最终异常用电企业。 9.一种存 储介质， 其特 征在于， 所述存储介质包括存储的程序， 其中， 在所述程序运行时控制所述存储介质所在设备 执行权利要求1至4中任意 一项所述的电量预测方法。 10.一种电子设备， 其特 征在于， 包括存储器和 处理器， 所述存储器用于存储包括程序指令的信息， 所述处理器用于控 制程序指 令的执行， 所述程序指 令被处理器加载并执行时实现权利要求 1至4中任意一项 所 述的电量预测方法。权　利　要　求　书 2/2 页 3 CN 113901731 B 3