[发明专利]基于混合机器学习和空间地址匹配的区域用电量预测方法

权利要求书

1.一种基于混合机器学习和空间地址匹配的区域用电量预测方法，其特征在于包括以下步骤：

S1.输入覆盖待预测区域的空间范围中所有电表的原始用电量监测数据，包含一张元数据表和若干张用户表，其中元数据表中存储每个电表的设备类别和电表地址；每张用户表记录一个电表的时序监测数据，包括监测时间和每个监测时间对应的用电量；

S2.遍历元数据表，对其中以文本形式表示的电表地址进行空间地址匹配分析，将电表地址映射为空间点位坐标；

S3.将所有用户表的用电量时序数据进行k-means聚类分析，按用电量特征分为多个用户类别；

S4.针对每类的用户，以近期用电量时序、周期用电规律、历史天气情况和未来天气情况四类数据作为输入，利用Stacking技术将XGBoost和LightGBM两个机器学习模型进行融合，完成每类用户的用电量混合预测模型构建，用于对待预测日期的用电量进行预测；

S5.将待预测区域的空间区域与所有电表的空间点位进行叠加分析，筛选出位于预测区域内的电表；

S6.基于构建的用电量混合预测模型对位于预测区域内每个电表的用电量进行预测，并将预测结果进行相加，结果即为预测区域的预测总用电量。

2.如权利要求1所述的基于混合机器学习和空间地址匹配的区域用电量预测方法，其特征在于所述S2包括以下步骤：

S21.中文分词：基于jieba中文分词工具对每张电表中记录的监测文本地址进行分词；

S22.生成词向量：利用Word2Vec工具将分词后的字符转化为词向量；

S23.生成句向量：利用TF-IDF加权平均方法基于词向量在地址语料库中出现的词频生成其地址句向量；

S24.空间点位坐标映射：将S23中得到的地址句向量输入基于地址语料库预训练好的深度文本匹配模型ESIM中，得到地址句向量对应的经纬度坐标，即每张电表的空间点位坐标。

3.如权利要求1所述的基于混合机器学习和空间地址匹配的区域用电量预测方法，其特征在于S3中所述的k-menas聚类中采用动态时间规整DTW距离作为衡量用电量监测时序间的距离度量指标。

4.如权利要求1所述的基于混合机器学习和空间地址匹配的区域用电量预测方法，其特征在于S4中所述的以近期用电量监测时序、周期用电规律和天气情况三类数据作为输入，具体输入数据包括：

(1)近期用电量监测时序：包括用户在待预测日期前a个月内的日用电量时序数据；

(2)周期用电规律：包括过去b年与预测时间同一天的用电量数据、过去c周与待预测日期属于一周内同一天的用电量数据、待预测日期是否为节假日、待预测日期是否为周末；

(3)历史天气情况：包括待预测日期前a个月内每天的最高气温、最低气温和湿度三个指标组成的时序数据；

(4)未来天气情况：包括待预测日期的最高气温、最低气温和湿度三个指标。