[发明专利]用户用能的优化方法及装置

权利要求书

1.一种用户用能的优化方法，其特征在于，包括以下步骤：

采集用户的初始用能数据；

对所述初始用能数据进行过滤，以得到目标用能数据；

对所述目标用能数据进行回归分析，并根据分析结果训练用能预测模型；以及

通过所述用能预测模型预测在未来不同时间段内的用能信息，并根据所述用能信息推荐最优用能方案。

2.根据权利要求1所述的用户用能优化方法，其特征在于，通过改进自适应噪声完全集成经验模态分解算法CEEMDAN对所述初始用能数据进行过滤，进一步包括：

获取待分解信号；

通过分别对M次高斯白噪声进行EMD分解运算，获取第一模态分量与第一余项分量；

通过分别对所述M次高斯白噪声进行EMD分解，获取第二模态分量，并根据所述第二IMF分量和所述第一余项分量得到第二余项分量；

通过分别对所述M次高斯白噪声进行EMD分解，获取第三至第K模态分量，并根据所述第三至第K模态分量和前一个模态分量的余项分量分别得到第三至第K余项分量，其中，K为正整数；

在余项分量无法分解时，获取所述待分解信号的分解信号。

3.根据权利要求2所述的用户用能的优化方法，其特征在于，在得到所述目标用能数据之后，还包括：

通过奇异值分解算法SVD提取多个用能特征参数，并将所述多个用能特征参数输入至支持向量机SVM，以通过所述支持向量机SVM进行回归分析。

4.根据权利要求3所述的用户用能的优化方法，其特征在于，所述通过奇异值分解算法SVD提取多个用能特征参数，进一步包括：

根据预设条件选取第一模态分量至第N模态分量，其中，N小于K；

通过所述奇异值分解算法SVD得到所述第一模态分量至第N模态分量构成的矩阵的奇异值，以提取所述多个用能特征参数。

5.根据权利要求1-4任一项所述的用户用能的优化方法，其特征在于，还包括：

在训练所述SVM时，通过遗传算法优化核函数参数和惩罚因子，以选择所述SVM的最优参数。

6.一种用户用能的优化装置，其特征在于，包括：

采集模块，用于采集用户的初始用能数据；

分解模块，用于对所述初始用能数据进行过滤，以得到目标用能数据；

训练模块，用于对所述目标用能数据进行回归分析，并根据分析结果训练用能预测模型；以及

优化模块，用于通过所述用能预测模型预测在未来不同时间段内的用能信息，并根据所述用能信息推荐最优用能方案。

7.根据权利要求6所述的用户用能的优化装置，其特征在于，所述分解模块进一步用于通过改进自适应噪声完全集成经验模态分解算法CEEMDAN对所述初始用能数据进行过滤，其中，所述分解模块包括：

第一获取子模块，用于获取待分解信号；

运算子模块，用于通过分别对M次高斯白噪声进行EMD分解运算，获取第一模态分量与第一余项分量，并且通过分别对所述M次高斯白噪声进行EMD分解，获取第二模态分量，并根据所述第二IMF分量和所述第一余项分量得到第二余项分量，以及通过分别对所述M次高斯白噪声进行EMD分解，获取第三至第K模态分量，并根据所述第三至第K模态分量和前一个模态分量的余项分量分别得到第三至第K余项分量，其中，K为正整数；

第二获取子模块，用于在余项分量无法分解时，获取所述待分解信号的分解信号。

8.根据权利要求7所述的用户用能的优化装置，其特征在于，还包括：

提取模块，用于在得到所述目标用能数据之后，通过奇异值分解算法SVD提取多个用能特征参数，并将所述多个用能特征参数输入至所述支持向量机SVM，以通过所述支持向量机SVM进行回归分析。