基于大数据的智能电能表数据分析方法与流程

本发明涉及电能表领域。更具体地，本发明涉及基于大数据的智能电能表数据分析方法。

背景技术：

1、随着信息化社会的快速发展和智能化技术的不断进步，传统的电力行业也在不断地进行数字化和智能化转型。在智能电网、智慧城市和智能家居的推动下，电力数据的收集、监控和分析变得日益重要。智能电能表作为电力行业智能化改造的重要组成部分，承担着实时记录和传输用户用电数据的功能，是智能电网实现远程监控和数据采集的基础设施之一。智能电能表通过传感器和数字化技术，能够精确测量电力消费情况，并通过网络将数据传输至集中处理平台。

2、现有公开号为cn110598899a的中国专利申请文件公开了一种基于数据预测的地方电能表申校服务规划方法及系统，包括：获取地方电能表申校历史数据；利用预测算法对地方电能表申校历史数据进行计算，获得未来电能表申校预测数据；综合所述未来电能表申校预测数据，规划对每个划分区域内每个时间段的电能表申校服务投入。

3、但是，上述申请文件在依据温度预测用电量时，对周期分量按近大远小的原则采用基于历史同期同类分量的加权法进行预测，忽略了stl分解算法中趋势、季节性、残差的不同重要程度，会出现电能表数据分析结果的准确度低的情况。

技术实现思路

1、为解决电能表数据分析结果的准确度低的问题，本发明提出基于大数据的智能电能表数据分析方法。

2、本发明公开基于大数据的智能电能表数据分析方法，包括：按照预设采样间隔获取预处理后的电流数据、电压数据和温度数据；将任一采样时刻作为目标时刻，构建目标窗口，根据目标窗口计算电压相关性，基于不同窗口尺寸的目标窗口的电压相关性计算电压重要因子，根据电压重要因子的计算方法同理获得电流重要因子；利用stl分解算法对温度数据分解，以计算温度重要因子；根据电压重要因子、电流重要因子和温度重要因子计算目标时刻的滞后特征，遍历获得每个采样时刻的滞后特征，将滞后特征的众数作为最优滞后特征，根据最优滞后特征确定输入的长度，输入预设网络中，输出用电量预测值，完成数据分析；滞后特征满足关系式：

3、，表示目标时刻的滞后特征，表示目标时刻的电压重要因子，表示目标时刻的电流重要因子，表示目标时刻的温度重要因子，表示扩大系数，表示向上取整。

4、通过对电压与电流的相关性分析，方案能够识别电力系统中的异常波动和负载变化趋势，从而为用电量预测提供精准的参考。同时，利用stl分解法对温度数据进行趋势、季节性和残差的分解，可以有效消除温度变化的周期性影响，使得温度的影响因子更加准确，并且与电压和电流的因子一起共同作用于滞后特征的计算，从而优化模型的时效性和预测精度。滞后特征的选取与加权计算，不仅保证了模型对历史数据变化的响应能力，也提高了预测的稳定性和鲁棒性，能够更好地应对实际应用中的电力需求波动、环境变化等复杂因素，最终实现精确的用电量预测。

5、优选的，所述预处理包括：使用均值填补法对缺失的电流数据、电压数据以及温度数据进行填补，使用z-score法识别并处理电流数据、电压数据以及温度数据中的异常值，使用卡尔曼滤波器来减少电流数据、电压数据以及温度数据中的噪声。

6、三者的结合，不仅改善了数据质量，消除了数据缺失和异常的干扰，还提高了数据的信噪比和模型的预测精度。

7、优选的，以目标时刻为窗口末端，构建目标窗口。

8、优选的，所述电压相关性满足关系式：

9、，表示窗口尺寸为时目标时刻的电压相关性，表示窗口尺寸为时目标时刻的电压值，表示窗口尺寸为时目标时刻的电压值，表示协方差，表示窗口尺寸为的电压方差。

10、通过计算目标时刻电压与历史时刻电压之间的协方差，并标准化为电压的方差，反映了电压序列中各时间点之间的相互依赖关系。

11、优选的，所述电压相关性还满足关系式：

12、，表示窗口尺寸为时目标时刻的电压相关性，表示窗口尺寸为时目标时刻的电压值，表示窗口尺寸为时目标时刻的电压值，表示协方差，表示窗口尺寸为的电压方差，表示电压标准差，表示指数函数。

13、优选的，计算所述电压重要因子包括：对于任一窗口尺寸，计算一个采样日中的电压相关性方差和电压相关性均值，计算目标时刻的电压相关性与电压相关性均值的绝对差值，计算绝对差值与电压相关性方差的比值；遍历获得每个窗口尺寸对应的比值，将所有比值的均值进行归一化，作为目标时刻的电压重要因子。

14、优选的，计算所述电压重要因子还满足关系式：

15、，表示目标时刻的电压重要因子，表示窗口尺寸为时目标时刻的电压相关性，表示窗口尺寸为时电压相关性的众数，表示窗口尺寸种类数，表示窗口尺寸为时电压相关性均值，表示窗口尺寸为时电压相关性方差，表示归一化函数。

16、通过引入目标时刻的电压相关性与众数的差值，能够体现出在较长的时间线上，可以反映目标时刻与数据整体行为的相对偏离，进而识别出数据在该时刻可能存在的异常波动或不稳定因素。

17、优选的，所述温度重要因子包括：将按照预设采样间隔获得的温度数据构建为温度序列，利用stl分解算法获得温度序列的趋势、季节性和残差；将目标时刻的趋势与温度序列中的最大趋势的比值进行加权，作为趋势因子，根据趋势因子的计算方法获得季节性因子和残差因子，将趋势因子、季节性因子和残差因子之和进行归一化作为温度重要因子。

18、能够反映出当前时刻的温度变化与整体气候趋势的相对关系，从而识别出可能的异常或极端温度波动。同时，季节性因子和残差因子则考虑了季节性变动和短期波动对温度变化的贡献，进一步增强了模型对不同时间尺度内温度行为的敏感性和精度。

19、优选的，所述预设网络为lstm网络，使用一个或多个lstm层来捕捉输入数据的时序特征，输入数据为与最优滞后特征等长的电流数据、电压数据和温度数据，lstm层的输出会传递到全连接层，用来生成用电量预测值。

20、本发明的有益效果：

21、本发明首先通过精细化的预处理步骤，填补缺失值、识别异常值，并减少噪声，从而保证数据质量。在特征提取阶段，电压和电流的重要因子通过分析其相关性，结合不同窗口尺寸的统计特性，能够捕捉到电力系统中的细微变化；而温度的影响则通过stl分解法提取出趋势、季节性和残差成分，进一步精细化了温度因素的分析。通过计算各类滞后特征和应用lstm网络模型，该方法不仅能够挖掘时序数据中的深层次关系，还能通过学习长时间跨度的历史数据模式来精确预测未来的用电量。这种方法能够更好地应对复杂的电力负荷波动，提高电力系统调度与数据分析结果的精度。

技术特征：

1.基于大数据的智能电能表数据分析方法，其特征在于，包括：

2.根据权利要求1所述的基于大数据的智能电能表数据分析方法，其特征在于，所述预处理包括：

3.根据权利要求1所述的基于大数据的智能电能表数据分析方法，其特征在于，以目标时刻为窗口末端，构建目标窗口。

4.根据权利要求1所述的基于大数据的智能电能表数据分析方法，其特征在于，所述电压相关性满足关系式：

5.根据权利要求1所述的基于大数据的智能电能表数据分析方法，其特征在于，所述电压相关性还满足关系式：

6.根据权利要求1所述的基于大数据的智能电能表数据分析方法，其特征在于，计算所述电压重要因子包括：

7.根据权利要求1所述的基于大数据的智能电能表数据分析方法，其特征在于，计算所述电压重要因子还满足关系式：

8.根据权利要求1所述的基于大数据的智能电能表数据分析方法，其特征在于，所述温度重要因子包括：

9.根据权利要求1所述的基于大数据的智能电能表数据分析方法，其特征在于，所述预设网络为lstm网络，使用一个或多个lstm层来捕捉输入数据的时序特征，输入数据为与最优滞后特征等长的电流数据、电压数据和温度数据，lstm层的输出会传递到全连接层，用来生成用电量预测值。

技术总结本发明涉及电能表领域，更具体地，本发明涉及基于大数据的智能电能表数据分析方法。所述方法包括：按照预设采样间隔获取预处理后的电流数据、电压数据和温度数据；构建目标窗口，根据目标窗口计算电压相关性，计算电压重要因子，根据电压重要因子的计算方法同理获得电流重要因子；计算温度重要因子；根据电压重要因子、电流重要因子和温度重要因子计算目标时刻的滞后特征，遍历获得每个采样时刻的滞后特征，将滞后特征的众数作为最优滞后特征，根据最优滞后特征确定输入的长度，输入预设网络中，输出用电量预测值，完成数据分析。通过本发明的技术方案，能够提高电能表数据分析结果的准确度。技术研发人员：邹继东受保护的技术使用者：江苏卡欧万泓电子有限公司技术研发日：技术公布日：2025/1/13