[发明专利]一种自我补全修正的基站能耗模型预测方法

权利要求书

1.一种自我补全修正的基站能耗模型预测方法，其特征在于，包括如下步骤：

1)收集基站耗电量和基站属性数据，数据包括电表读数、电费缴费单、机房租赁合同和基站设备中的一项或多项；

2)选择基站历史缴费和基站资属性数据，先进行预处理，然后计算日均温度和日均耗电量；

3)对历史缴费样本数足够达到设定数的基站生成日均耗电量的线性回归预测模型，线性回归预测模型Y＝kX+b按照基站日均温度X和日均耗电量Y建立；并对预测模型进行自我修正，去掉离预测值偏差过大的样本；

对修正后样本数不足设定数的基站采用frNN算法进行聚类分析，包括如下步骤：(1)针对这些基站提取与耗电量相关的基站属性和修正后的历史缴费的日均电费作为聚类的特征向量；(2)对特征向量补缺修正和标准化预处理；(3)对所有特征向量的点计算平均距离，作为设定半径的依据；(4)使用frNN最近邻算法中的球树算法对所有基站的特征向量构建球树编码模型；(5)使用球树编码模型对修正后的样本不足的基站找半径距离内的最近邻基站进行聚类分析；对样本数不足设定数的基站，使用通过聚类分析结果提供的最近邻的基站的缴费记录补充样本后，最后建立线性回归预测模型；

4)对线性回归预测模型中的小于0的k系数修正为k为0,b取平均值；

5)使用修正的线性回归预测模型预测基站耗电量。

2.根据权利要求1所述的自我补全修正的基站能耗模型预测方法，其特征在于：收集基站耗电量和基站属性数据包括使用基于Mask-FCNN的目标检测图像识别算法对电表读数的识别，通过电费缴费单固定模板的扫描数据提取数据，通过相关系统接口导入数据。

3.根据权利要求1所述的自我补全修正的基站能耗模型预测方法，其特征在于：预处理包括去除异常数据和补缺、修正缺失数据；去除异常数据包括用基站及其同类的日均电费比较并去除离群点，同时根据基站耗电设备的功率之和及日耗电上限来去除异常高的电费；缺失数据的补缺修正包括根据各相关性和延续惯性来补缺，通过置信区间和相关数据的计算关系式来核对修正。

4.根据权利要求1所述的自我补全修正的基站能耗模型预测方法，其特征在于：对预测模型自我修正方法为：计算模型的耗电量预测值与真实的Y值的残差的均值和标准差，去除|真实值-预测值|残差均值+残差标准差的离群样本。

5.根据权利要求1所述的自我补全修正的基站能耗模型预测方法，其特征在于：重复步骤2)、步骤3)一次以上用以自我修复基站能耗模型的样本有效性。

6.根据权利要求1所述的自我补全修正的基站能耗模型预测方法，其特征在于：还包括用于对日均温度做加权处理的空调耗电量-温度系数T′，T′＝1+(T-14)^1.1，其中T为实际的室外温度。