(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 202210952118.9 (22)申请日 2022.08.09 (71)申请人 安徽南瑞中天电力电子有限公司 地址 230000 安徽省合肥市高新区创新大 道2800号创新产业园二期G1楼 (72)发明人 左勇　付月生　黄燕　金锐　 满翠芳　刘洁　李燚　辛雯　 陈鹏杰　罗超　孙雁青　钱谢成　 (74)专利代理 机构 合肥洪雷知识产权代理事务 所(普通合伙) 34164 专利代理师 张悦 (51)Int.Cl. H02J 3/00(2006.01) H02J 13/00(2006.01) G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于大数据非侵入技术的智能 电能表 分布式预测方法 (57)摘要 本发明公开了一种基于大数据非侵入技术 的智能电能表分布式预测方法。 包括如下步骤： 智能电表接收上级采集终端下发的负荷调度指 令； 智能电表启动负荷预测程序； 负荷预测程序 读取电能表电力数据； 负荷预测程序通过大数据 分析技术， 预测超短期负荷； 智 能电表通过通讯 模块向上级采集终端反馈超短期负荷预测结果； 上级采集终端根据负荷预测结果， 细化负荷调度 指令。 本发明通过利用智能电表采集的电力数 据， 对当前节点下的负荷进行短期预测， 并与上 级采集设备通讯， 将预测结果作为电网调度的参 考； 采用大数据技术， 结合节点当前的环境数据、 历史用电数据、 用户用电行为特征等高维参数， 对电能表中存储的数据进行分析， 得到超短期负 荷预测结果。 权利要求书2页 说明书6页 附图1页 CN 115149528 A 2022.10.04 CN 115149528 A 1.一种基于大数据非侵入技术的智能电能表分布式预测方法， 其特征在于， 包括如下 步骤： 步骤一、 智能电表通过通信模块接收上级采集终端下发的负荷调度指令； 步骤二、 智能电表启动负荷预测程序； 步骤三、 负荷预测程序读取电能表电力数据； 步骤四、 负荷预测程序通过 大数据分析技 术， 预测超短期负荷； 包括以下子步骤： SS01、 获得输入； 设预测时刻为t， 程序读取时间段[t+ε， t ‑1]内的智能电表历史数据， 形成原始数据库， ε为常数； SS02、 数据预处 理； 采用异常点识别方法剔除明显异常的数据， 形成输入数据库X； SS03、 负荷预测程序获取[t+ ε， t ‑1]内的环境 参数、 电价数据参数； 形成参数 数据集Ψ； SS04、 负荷预测程序对X和Ψ进行回归迭代， 输出映射关系矩阵ω； 即X＝f(Ψ， ω)； 式 中f为输入输出之间的映射 函数； 为了求解关系矩阵ω的最优解， 求 解目标函数； 其中m为负荷数据X的矩阵维度， i是变量， 对应 每个维度的X的数据； 获得使函数L 最小的关系矩阵ω的值， 即求得映射 函数f； 采用最小二乘法， 表示对数据集所有数据求平方误差后再累 计求和， 即可获得使函数L 最小的关系矩阵ω的值， 即求得映射 函数f； SS05、 获得当前时刻t的环境参数、 电价数据以及其他参数， 形成参数数据集Ψ ′， 电力 负荷数据作为输出Y： Y＝∑f(Ψ ′， X)； 步骤五、 智能电表通过通讯模块向上级采集终端反馈超短期负荷预测结果； 步骤六、 上级采集终端根据负荷预测结果， 进一 步细化负荷调度指令 。 2.根据权利要求1所述的一种基于大数据非侵入技术的智能电能表分布式预测方法， 其特征在于， 所述负荷预测程序获取的环境参数包括气温数据、 湿度数据、 气 压值数据中的 一种或多种。 3.根据权利要求1所述的一种基于大数据非侵入技术的智能电能表分布式预测方法， 其特征在于， 所述负荷调度指令包括需求响应指 令、 有序用电指令、 并网指 令中的一种或多 种。 4.根据权利要求1所述的一种基于大数据非侵入技术的智能电能表分布式预测方法， 其特征在于， 所述步骤SS 02中异常点识别方法采用孤立森林法或采用聚类 分析或相关性分 析。 5.根据权利要求3所述的一种基于大数据非侵入技术的智能电能表分布式预测方法， 其特征在于， 所述异常点识别方法采用孤立森林法， 设原 始数据为S， 按照以下步骤进行： Stp01、 从原 始数据S中采样， 选择t个数据作为训练集P； Stp02、 从训练集P中随机指定一个数据p， 将训练集 中其他数据空间划分为2个子空间：权　利　要　求　书 1/2 页 2 CN 115149528 A 2小于p的数据放在数据p的左分支， 把大于等于p的数据放在数据p的右分支； Stp03、 在分支中递归步骤Stp02， 不断构造新的分支， 直到分支中只有一个数据或分支 深度达到极限， 从而完成训练； Stp04、 使用已生成的树评估原始数据S； 对于一个数据x∈S， 令x遍历每一棵 树， 计算x在树的高度； Stp05、 根据步骤Stp04中得 出的x的高度， 剔除高度最高的数据x。 6.根据权利要求3所述的一种基于大数据非侵入技术的智能电能表分布式预测方法， 其特征在于， 所述异常点识别方法采用聚类算法， 设原 始数据为S， 按照以下步骤进行： Stp11、 从原始数据S中随机挑选k个样本点作为聚类中心， 从而将数据分成k个 类别； Stp12、 计算原始数据中除了聚类中心之外的数据点与k个聚类中心之间的距离， 并把 各数据点按照距离最近的类别进行分类； Stp13、 重新计算各类别中数据的均值， 并以均值作为 新的k个聚类中心； Stp14、 不断重复步骤Stp12和Stp13， 直到聚类中心的变化趋于收敛， 从而形成最终的k 个类别； Stp15、 设定阈值， 计算每一类别下各数据点与聚类中心的距离， 如距离大于阈值， 则标 记为异常点， 剔除该 数据点； Stp16、 形成最终的输入数据库X。权　利　要　求　书 2/2 页 3 CN 115149528 A 3