[发明专利]用电量的预测方法及装置

说明书

本申请提供了一种用电量的预测方法及装置，其中，该方法包括：获取待测试电器的种类和/或用电参数；使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。采用上述技术方案，解决了相关技术中缺乏对电器的用电量预测方法的问题，通过机器学习设计的模型可以实现对电器用电量的精准预测，给用户开关电器提供依据，节省了电力资源。

技术领域

本申请涉及电力领域，具体而言，涉及一种用电量的预测方法及装置。

背景技术

在相关技术中，所有家电产品都是围绕人们日常生活而进行的，它们的交互非常频繁。同时用户用电量受到各种因素的影响，分为短期和长期两个过程。短期内影响用电量变化的因素有电力价格、天气变化等；影响长期用电量因素有家用电器拥有量(与人们的生活水平直接相关)、气候条件(决定采暖和制冷负荷等大容量设备的使用频率)、能源条件(决定是否有大量的电炊用具)及人们的消费观念等。

人工智能是目前火热的市场，不论电脑厂商还是家电厂商，甚至是互联网应用厂商都纷纷投身于人工智能技术、产品研发。在家电市场上，现在已经出现了多种人工智能产品，同时考虑对家电用电量及故障的预测也越来越重视。针对用电量，已有技术对家电用电量的预测方法是使用一元非线性回归模型分析用户用电量与各个因素之间的关系并进行预测，虽可用于实际预测，但用户用电量实际值与期望值之差在较小的置信范围内，可信度不强，并且当用户用电量增长到一定程度后，需根据具体情况更改模型才能达到预期效果，有一定的局限性，不能随意外推或者做长期预测。

针对相关技术中缺乏对电器的用电量预测方法的问题，目前还没有有效的解决方案。

发明内容

本申请实施例提供了一种用电量的预测方法及装置，以至少解决相关技术中缺乏对电器的用电量预测方法的问题。

根据本申请的一个实施例，提供了一种用电量的预测方法，包括：获取待测试电器的种类和/或用电参数；使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。

可选地，通过以下方式训练出所述第一模型，包括：针对所述一个或多个电器，获取每个电器的种类及用电参数，以及实际使用所述一个或多个电器的用电量；对所述种类、用电参数、和所述用电量的多个数据进行相关性分析，获取每个电器的一个或多个特征，提取彼此之间相关性大于阈值的特征；依据所述相关性大于阈值的特征，和所述多个数据，训练出所述第一模型。

可选地，对所述种类、用电参数、和所述用电量的多个数据进行相关性分析之前，所述方法还包括：在检测所述多个数据的格式和类型不符合预设条件时，对所述多个数据进行以下操作至少之一：清洗、集成、转换、消减。

可选地，对所述种类、用电参数、和所述用电量的多个数据进行相关性分析，获取每个电器的一个或多个特征，提取相关性大于阈值的特征，包括：对所述多个数据进行相关性分析，获取每个电器的一个或多个特征；对所述一个或多个电器的特征进行相关性排序，提取彼此之间相关性大于阈值的特征。

可选地，依据所述相关性大于阈值的特征，和所述多个数据，训练出所述第一模型，包括：将所述相关性大于阈值的特征，和所述多个数据，分成训练集和测试集；使用所述训练集训练所述第一模型，使用所述测试集测试所述第一模型。

可选地，使用所述测试集测试所述第一模型之后，包括：获取测试结果中预测用电量，计算所述预测用电量和实际用电量之间的均方根误差；依据所述均方根误差确定所述第一模型是否合格。