用电量模式学习方法、装置及智能电表与流程

技术特征：

1.一种用电量模式学习方法，其特征在于，应用于与数据服务器通信连接的智能电表，所述方法包括：

获取预设学习期间内的实况气温对应的用电量；

根据所述用电量及所述实况气温所属的预设温度区间，建立所述预设温度区间的用电量样本集；

根据正态分布概率函数的反函数及所述用电量样本集中的样本个数，计算第一参数集；

根据所述用电量样本集及所述第一参数集，建立用电量模式学习模型，实现对预设温度区间的用电量模式的学习。

2.如权利要求1所述的用电量模式学习方法，其特征在于，所述方法还包括：

计算所述用电量模式学习模型的拟合优度值；

将所述拟合优度值与预设阈值进行比较；

当所述拟合优度值大于或等于所述预设阈值时，将所述用电量模式学习模型发送至所述数据服务器；

当所述拟合优度值小于所述预设阈值，对所述用电量样本集进行拆分，获得子集；

建立每个所述子集对应的用电量模式学习模型；

比较所述子集的总个数是否小于预设总个数；

当所述子集的总个数小于所述预设总个数，重复所述计算所述用电量模式学习模型的拟合优度值及所述将所述拟合优度值与预设阈值进行比较的步骤，直至每个所述子集对应的拟合优度值大于或等于所述预设阈值；

当拆分后的子集总个数等于所述预设总个数，将所述子集对应的用电量模式学习模型发送至所述数据服务器。

3.如权利要求2所述的用电量模式学习方法，其特征在于，所述计算所述用电量模式学习模型的拟合优度值的步骤包括：

根据所述用电量样本集及所述样本个数，利用公式：

$S^2=\underset{i=1}{\overset{Nn}{\mathrm{\Σ}}}{(c_{\left(i\right)}-\frac{1}{N_n}\underset{i=1}{\overset{Nn}{\mathrm{\Σ}}}{c}_{\left(i\right)})}^2,$

计算第二参数，其中，c_(i)表示所述样本集中的第i个样本，N_n表示所述样本个数，S²表示所述第二参数；

根据所述用电量样本集、第一参数集及第二参数，利用公式：

$R^2=\frac{{\left(C_{\left(n\right)}^{T}m\right)}^2}{\left(m^{T}m\right)S^2},$

计算拟合优度值，其中，R²代表拟合优度值，代表用电量样本集的转置，m代表第一参数集，m^T代表第一参数集的转置，S²表示所述第二参数。

4.如权利要求2所述的用电量模式学习方法，其特征在于，所述对所述用电量样本集进行拆分，获得子集的步骤包括：

根据所述用电量样本集，利用公式：

及

$i^{*}=\underset{i=1,\mathrm{...},N_n}{\mathrm{argmax}}{d}_i,$

对所述用电量样本集进行拆分，其中，i的取值范围为小于或等于N_n的正整数，d_i为i的因变量，N_n代表所述用电量样本集的样本个数，c_(j)代表所述用电量样本集中第j个样本，i^*代表拆分后其中一个子集内样本的个数，代表使因变量d_i在i的取值范围内获得最大值的i值，将所述用电量样本集中排在前i^*位的样本拆分为一个子集。

5.如权利要求1所述的用电量模式学习方法，其特征在于，所述建立所述预设温度区间的用电量样本集的步骤包括：

获得所述预设温度区间的用电量样本集的样本个数；

比较所述用电量样本集中的样本个数是否小于预设最大采样数；

当所述用电量样本集中的样本个数小于所述预设最大采样数时，根据所述用电量样本集中的样本及所述用电量的值，以升序的方式排列，获得所述预设温度区间的更新后的用电量样本集；

当所述用电量样本集中的样本个数等于所述预设最大采样数，将用电量样本集中的样本按照获得时间先后进行排序；

用所述用电量替代排序在所述用电量样本集中的第一个样本，获得替代后的用电量样本集；

对所述替代后的用电量样本集中的样本，按照样本值以升序进行排列，获得所述预设温度区间的更新后的用电量样本集。

6.如权利要求5所述的用电量模式学习方法，其特征在于，所述根据所述用电量样本集及所述第一参数集，建立用电量模式学习模型的步骤包括：

根据所述用电量样本集中的样本及所述样本个数，利用公式：

$\mathrm{\μ}=\frac{\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{c}_{\left(i\right)}\right)\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i^2\right)-\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i{c}_{\left(i\right)}\right)\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i\right)}{N_n\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i^2\right)-{\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i\right)}^2},$

获得所述用电量模式学习模型的期望，其中μ代表所述期望，c_(i)代表所述用电量样本集中第i个样本，m_i代表所述第一参数集中的第i个参数，代表所述第一参数集中的第i个参数的平方，N_n代表所述样本个数；

根据所述用电量样本集中的样本及所述样本个数，利用公式：

$\mathrm{\δ}=\frac{N_n\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i{c}_{\left(i\right)}\right)-\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{c}_{\left(i\right)}\right)\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i\right)}{N_n\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i^2\right)-{\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i\right)}^2},$

获得所述用电量模式学习模型的方差，其中δ代表所述方差，c_(i)代表所述用电量样本集中第i个样本，m_i代表所述第一参数集中的第i个参数，代表所述第一参数集中的第i个参数的平方，N_n代表所述样本个数；

根据所述期望及方差，利用高斯分布，建立用电量模式学习模型。

7.一种用电量模式学习装置，其特征在于，应用于与数据服务器通信连接的智能电表，所述装置包括：

获取模块，用于获取预设学习期间内的实况气温对应的用电量；

建立模块，用于根据所述用电量及所述实况气温所属的预设温度区间，建立所述预设温度区间的用电量样本集；

计算模块，用于根据正态分布概率函数的反函数及所述用电量样本集中的样本个数，计算第一参数集；

模型建立模块，用于根据所述用电量样本集及所述第一参数集，建立用电量模式学习模型；以及建立每个子集对应的用电量模式学习模型。

8.如权利要求7所述的用电量模式学习装置，其特征在于，所述装置还包括：

拟合优度计算模块，用于计算所述用电量模式学习模型的拟合优度值；

比较模块，用于将所述拟合优度值与预设阈值进行比较；

发送模块，用于当所述拟合优度值大于或等于所述预设阈值时，将所述用电量模式学习模型发送至所述数据服务器；以及将最后一次拆分后的子集对应的用电量模式学习模型发送至所述数据服务器；

拆分模块，用于当所述拟合优度值小于所述预设阈值，对所述用电量样本集进行拆分，获得子集；

模型建立模块，还用于建立每个所述子集对应的用电量模式学习模型；

比较模块，还用于比较拆分后的子集总个数是否小于预设总个数。

9.如权利要求7所述的用电量模式学习装置，其特征在于，所述模型建立模块包括：

计算子模块，用于根据所述用电量样本集中的样本及所述样本个数，利用公式：

$\mathrm{\μ}=\frac{\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{c}_{\left(i\right)}\right)\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i^2\right)-\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i{c}_{\left(i\right)}\right)\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i\right)}{N_n\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i^2\right)-{\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i\right)}^2},$

获得所述用电量模式学习模型的期望，其中μ代表所述期望，c_(i)代表所述用电量样本集中第i个样本，m_i代表所述第一参数集中的第i个参数，代表所述第一参数集中的第i个参数的平方，N_n代表所述样本个数；及根据所述用电量样本集中的样本及所述样本个数，利用公式：

$\mathrm{\δ}=\frac{N_n\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i{c}_{\left(i\right)}\right)-\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{c}_{\left(i\right)}\right)\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i\right)}{N_n\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i^2\right)-{\left(\underset{i=1}{\overset{N_n}{\mathrm{\Σ}}}{m}_i\right)}^2},$

获得所述用电量模式学习模型的方差，其中δ代表所述方差，c_(i)代表所述用电量样本集中第i个样本，m_i代表所述第一参数集中的第i个参数，代表所述第一参数集中的第i个参数的平方，N_n代表所述样本个数；

建立子模块，用于根据所述期望及方差，利用高斯分布，建立用电量模式学习模型。

10.一种智能电表，其特征在于，所述智能电表包括：

存储器；

处理器；以及

用电量模式学习装置，所述装置包括：

获取模块，用于获取预设学习期间内的实况气温对应的用电量；

建立模块，用于根据所述用电量及所述实况气温所属的预设温度区间，建立所述预设温度区间的用电量样本集；

计算模块，用于根据正态分布概率函数的反函数及所述用电量样本集中的样本个数，计算第一参数集；

模型建立模块，用于根据所述用电量样本集及所述第一参数集，建立用电量模式学习模型。