摘要：针对用户短期用电量预测能力低下的问题,提出了神经网络算法模型,实现用电预测系统的设计。用电预测评定的功能设计,通过完全集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法和经验模态分解(Empirical Mode Decomposition,EMD)信号对用电预测数据进行评估和计算,进而实现对用电预测终端、电网负荷的评定。采用双层极限梯度提升(Extreme Gradient Boosting,XGBoost)算法构建弱学习器,提取用电预测数据的特征变量,调用权重和增益完成特征选择,建立好预测模型后进行负荷预测。实验表明,在进行用电预测的精确度测试时,用电预测的准确度可达97%。

摘要：在电力营销决策中 ,运营成本是决策所需考虑的重要方面 ,同时也是决策管理者最为关心的一个问题 ,而电力营销活动中 ,与运营成本相关的最主要因素是电量的销售情况。若能够以前几个月的用电量预测出下一个月的用电量 ,并以此为依据购电 ,这样既可以避免购电过多所造成的存储电量损耗 ;又可以避免由于购电过少而难以达到用户需求的情况。为了完成这个目的 ,必须对数据仓库中的数据进行分析 ,从中发现并提取出隐藏在其中的信息或知识。这个过程就是数据挖掘的过程 ,本文提出了一种基于智能技术的用电预测数据挖掘模型 。

摘要：家庭用电是能源市场的一个重要组成部分,预测家庭用电需求能够实现智能供电,可以有效地提高供给率,但目前预测方法大多效果不佳。针对此,提出了一种基于LSTM的面向家庭智能用电预测算法,建立了端到端的智能家庭用电预测模型。其在Boruta特征筛选的基础上设计了特征选择方法,对多个特征进行重要性计算,选取其中重要性高的部分进行建模,然后利用LSTM网络与全连接层对时间序列数据进行训练,得到预测模型。实验结果表明,所提方法的预测效果明显优于其他三种模型,能与真实数据较好地拟合。

摘要：为减小区域短期用电量的预测误差、减少电力系统的能源消耗,设计了基于混合聚类分析的区域短期用电量预测方法。对采集到的历史用电量数据进行修正处理,并通过归一化处理过程统一用电量数据形式;利用高斯混合模型得到区域短期用电量的正态分布情况,根据区域最小化原理推导出短期用电量的目标函数,并结合聚类分析将用电量预测转化为线性求解过程,划分出用电量数据的子序列,再结合不同时期用电需求配比得到最终的区域短期用电量预测结果。实验结果证明,与现有的预测方法相比,基于混合聚类分析的预测方法的预测结果与实际值更为接近,预测准确性更高。

摘要：营销数据作为电力公司生产过程中的重要数据,因此对营销数据的分析至关重要,针对数据特点,提出使用基于Spark平台的并行FP-Growth算法对营销数据进行建模分析,实现对行业用电的预测分析。平台的设计实现了企业用电的预测分析以及建立了完善的企业信用评价体系,同时可以为企业实现电力行业的营销精益化管理,精准化营销。