技术特征：
1.一种基于用户聚类扩展数据的用电预测方法，其特征在于，所述方法包括以下步骤：s1：获取用户数据集，所述用户数据集包括各个时段的用户用电数据；并对所述用户的用电数据进行预处理，得到用户用电时间序列；s2：利用经验模态分解法对所述用户用电时间序列进行分解，得到用户的imf序列；s3：对用户的imf序列采用基于主成分分析的k-means聚类方法降维，获取用户imf序列的聚类结果，并将其作为更新后的用户数据集；s4：对所述用户imf序列的聚类结果采用基于主成分分析的k-means聚类方法，获取用户聚类结果；s5：根据所述用户聚类结果，对属于同类用户的imf序列进行扩展，将同类用户的用电时间序列加到用户的imf序列中；s6：将扩展后的imf序列作为再次更新后的用户数据集输入到卷积神经网络融合长短期记忆人工神经网络模型中，训练网络模型；s7：将用户在当前时段的imf序列及其同类用户在当前时段的用电时间序列输入到训练后的网络模型中，得到用户在下一时段的用电预测结果。2.根据权利要求1所述的一种基于用户聚类扩展数据的用电预测方法，其特征在于，在步骤s1中，预处理的方式包括：用平均值填充空值，将时间序列数据转换为小时单位。3.根据权利要求1所述的一种基于用户聚类扩展数据的用电预测方法，其特征在于，在步骤s2中，具体包括：s21：根据网络模型需要的准确度和经验模态分解法分解的有效性，设置出imf分量的数量，以确定用户的imf数据集的维度；s22：采用经验模态分解法，为每个用户用电时间序列重复添加白噪声，并将计算得到的imf分量的平均值作为最终的结果；包括用户的历史imf序列和用户的待测imf序列。4.根据权利要求3所述的一种基于用户聚类扩展数据的用电预测方法，其特征在于，在步骤s3中，具体包括：s31：将步骤s22中每个历史的imf序列进行主成分分析降维，获取二维的imf数据集；s32：对步骤s31得到的二维imf数据集使用k-means聚类方法，得到imf序列的聚类结果，即每个用户对应的某级imf分量的聚类结果；s33：使用imf序列的聚类结果代替用户用电时间序列，形成更新后的用户数据集。5.根据权利要求4所述的一种基于用户聚类扩展数据的用电预测方法，其特征在于，在步骤s4中，具体包括：s41：对imf序列的聚类结果再次进行主成分分析降维；s42：将降维后的imf序列的聚类结果使用k-means聚类方法，获取用户基于时间序列的聚类结果。6.根据权利要求1所述的一种基于用户聚类扩展数据的用电预测方法，其特征在于，在步骤s5中，具体包括：s51：按照用户聚类结果划分用户数据，即为每类用户创建自己的数据帧，数据帧列标签是用户编号，数据列是对应的用户用电数据；s52：对用户用电数据进行按用户类别进行扩展，也即若用户n在类m，那么类m的用户n
的数据集包括：用户n在类m的数据及属于类m的其他用户数据；s53：将步骤s52得到的扩展数据帧作为扩展的特征向量，并用s22步骤的imf数据集代替用户本身的用电时间序列，即用每个imf自身相似的数据帧扩展用户的用电数据。7.根据权利要求1所述的一种基于用户聚类扩展数据的用电预测方法，其特征在于，在步骤s6中，具体包括：s61：构建出卷积神经网络融合长短期记忆人工神经网络模型，其中的长短期记忆人工神经网络包括连续的3个lstm层；s62：将步骤s5的再次更新后的用户数据集输入到网络模型中，得到对应的预测结果；s63：将对应的预测结果与真实的用电结果进行比较，训练所述网络模型，直至所述网络模型满足精度需求。
技术总结
本发明涉及一种基于用户聚类扩展数据的用电预测方法，属于电力数据分析处理领域；该方法包括对用户用电时间序列特征利用EEMD对其进行分解，得到IMF序列；对分解结果采用PCA K-Means聚类方法降维，获取用户IMF聚类结果；对IMF聚类结果再次采用PCA K-Means聚类方法，获取用户聚类结果；根据用户聚类结果，对属于同类用户的IMF序列进行扩展；将扩展数据输入到卷积神经网络融合长短期记忆人工神经网络模型中，训练网络模型；将用户的待测IMF序列及其同类用户的用电时间序列输入到训练后的网络模型中，得到用户的用电预测结果。本发明利用用户间关系来扩展数据，提升了预测结果的精确性和稳定性。确性和稳定性。确性和稳定性。
技术研发人员：熊安萍 吴一格 陈虹宇
受保护的技术使用者：重庆邮电大学
技术研发日：2022.05.20
技术公布日：2022/7/29