CN106952042A - 一种售电量预测方法及装置 - Google Patents

Abstract

本申请公开了一种售电量预测方法，该方法包括获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；根据各个待预测位置区域的历史售电量数据，确定各个待预测区域的历史售电量数据的售电量趋势特征；针对每个待预测区域的历史售电量数据的售电量趋势特征，根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；利用所述预测算法对待预测位置区域进行售电量预测，通过上述技术方案提高了预测精度。

Description

一种售电量预测方法及装置

技术领域

本申请涉及售电量数据处理技术领域，更具体地说，涉及一种售电量预测方法及装置。

背景技术

在电力市场营销工作中，售电量预测是一项基本工作，正确的预测所需出售的电量，能够为电力企业安排生产任务(计划)提供准确的依据。

目前，主要是基于季节时间序列即，依据年度12个月的售电量变化趋势进行售电量的预测，但该预测方法导致预测精度较低。

发明内容

有鉴于此，本申请提供一种售电量预测方法及装置，以提高预测售电量的精度。

为了实现上述目的，现提出的方案如下：

一种售电量预测方法，该方法包括：

获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；

根据各个待预测位置区域的历史售电量数据，确定各个待预测区域的历史售电量数据的售电量趋势特征；

针对每个待预测区域的历史售电量数据的售电量趋势特征，根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

利用所述预测算法对待预测位置区域进行售电量预测。

一种售电量预测方法，所述方法包括：

获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；

针对各个待预测位置区域，将该待预测位置区域的历史售电量数据按照用电行业进行分类，得到各个待预测行业的历史售电量数据；

根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征；

针对每个待预测行业的历史售电量数据的售电量趋势特征，根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

利用所述预测算法对待预测行业进行售电量预测。

一种售电量预测装置，所述装置包括：

第一获取单元，用于获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；

第一确定单元，用于根据各个待预测位置区域的历史售电量数据，确定各个待预测区域的历史售电量数据的售电量趋势特征；

第一调用单元，用于针对每个待预测区域的历史售电量数据的售电量趋势特征，根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

第一预测单元，用于利用所述预测算法对待预测位置测区域进行售电量预测。

一种售电量预测装置，所述装置包括：

第二获取单元，用于获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待位置区域；

分类单元，用于针对各个待预测位置区域，将该待预测位置区域的历史售电量数据按照用电行业进行分类，得到各个待预测行业的历史售电量数据；

第二确定单元，用于根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征；

第二调用单元，用于针对每个待预测行业的历史售电量数据的售电量趋势特征，根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

第二预测单元，用于利用所述预测算法对待预测行业进行售电量预测。

上述技术方案中，通过上述实施例，根据获取的各个待预测位置区域的历史售电量数据确定出各个待预测区域的历史售电量数据的售电量趋势特征，进而根据确定出的售电量趋势特征，调用与该趋势特征对应的预测算法去分析预测售电量，可见，该预测方法考虑到了历史售电量数据自身存在的特征，进而对于不同的特征采用不同的预测算法进行预测，相当于现有技术中的依据年度12个月的售电量变化趋势进行售电量的预测的单一预测方式，提高了预测的精度。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例公开的一种售电量预测方法基本流程图；

图2为本申请另一实施例公开的确定各个待预测区域的售电量数据的售电量趋势特征的方法基本流程图；

图3为本申请另一实施例公开的售电量预测方法基本流程图；

图4为本申请实施例公开的另一种售电量预测方法基本流程图；

图5为本申请另实施例公开的另一种售电量预测方法基本流程图；

图6为本申请实施例公开的一种售电量预测装置基本框图；

图7为本申请实施例公开的另一种售电量预测装置基本框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供一种售电量预测方法，如图1所示，该方法包括：

S100、根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征；

实际中，将供电区域划分为多个位置区域，如以全国作为供电区域，按省份将其分为34个位置区域，在进行售电量预测时，该34个位置区域则为待预测位置区域。

具体的，从历史电力营销系统的售电量记录中抽取每个待预测位置区域的历史售电量数据，其中为了后续预测的准确可以抽取海量的售电量数据。后续可以对这些海量的历史售电量数据进行数据格式的转换，转换后的历史售电量数据包括用户编号，用电年月，用电量，用电类型，用电行业分类等。

其中，可以根据用电量和用电时间绘制出历史售电量曲线，后续分析历史售电量数据时可以利用绘制的历史售电量曲线。

S110、根据各个待预测位置区域的历史售电量数据，确定各个待预测区域的历史售电量数据的售电量趋势特征；

具体的，对每个待测位置区域的售电量数据从时域方向进行分析处理，确定其售电量趋势特征，该趋势特征包括线性特征或非线性特征，以及周期性特征或非周期性特征。

S120、针对每个待预测区域的历史售电量数据的售电量趋势特征，根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

具体的，预先设置有趋势特征与预测算法的对应关系，根据该对应关系调用对应的预测算法，其中预测算法包括有：SVM回归算法、BP神经网络算法、稀疏自回归算法等，这些算法都属于深度学习算法，能够实现对历史售电量数据的分析并找出历史售电量数据的内在规律，进而实现对售电量的预测。

S130、利用所述预测算法对该待预测位置区域进行售电量预测。

通过上述实施例，根据获取的各个待预测位置区域的历史售电量数据确定出各个待预测区域的历史售电量数据的售电量趋势特征，进而根据确定出的售电量趋势特征，调用与该趋势特征对应的预测算法去分析预测售电量，可见，该预测方法考虑到了历史售电量数据自身存在的特征，进而对于不同的特征采用不同的预测算法进行预测，相当于现有技术中的依据年度12个月的售电量变化趋势进行售电量的预测的单一预测方式，提高了预测的精度。

本申请另一实施例中，根据所述各个待预测区域的历史售电量数据，确定各个待预测区域的售电量数据的售电量趋势特征，如图2所示，包括：

S200、计算各个待预测区域的历史售电量数据的月环比量；

S210、根据所述月环比量确定对应待预测位置区域的历史售电量是否具有线性特征；

具体的，判断月环比量是否相同，例如：2月相较于1月的环比量为100，3较于2月的环比量为100,4月较于3月的环比量为101，以此计算月环比量，直至计算到12月较于11月的环比量为103，判断上述11个月环比量是否相同，若基本相同，可以确定历史售电量数据具有线性特征，若月环比量都不相同，则确定历史售电量数据具有非线性。

其中，当月环比量不同时，通过对月环比量差值的计算，判断是否能够采用向量偏移的相关数学方法将历史售电量曲线拟合为一个直线，令其具有线性关系，如果能够拟合，则确定历史售电量数据是具有线性特征的。

S220、从各个待预测位置区域的历史售电量数据中确定预设个数的月用电量极值，并判断所述预设个数的月用电量极值是否在所述历史售电量数据中重复发生；

其中，该步骤S220发生在确定历史售电量数据具有非线性特征后。

S230、根据判断结果确定对应待预测位置区域的历史售电量是否具有周期性特征。

具体的，以一实例对上述两步进行说明，例如贵州省的历史售电量数据中2011年的用电量数据，在3-5月的春季，用电量分别为100,105,103，用电量变化量非常小，即用电量较为平稳，而在6-8月的夏季，由于较热用电量激增为190,200,205，而在9-11月的秋季，用电量分别为120,115,108，即用电量较为平稳，可近似为与春季相同。而在12月-12年2月的冬季，由于利用电暖气采暖，用电量激增为185,190,198，上述的售电量数据呈现典型的季节周期性。

在进行周期性特征分析时，可以从2015年的用电量数据中选择3个用电量极值，如选择6-8月的3个用电量，实际可以设定一上下浮动范围如上下浮动20，则基于6-8月的用电量上下浮动20的用电量都看作与6-8月的用电量相同，进而判断6-8月的3个用电量是否在本年以及其他年的用电量数据中重复出现，基于上述的数据可知，6-8月的3个用电量每个3个月发生一次，如此可以确定历史售电量数据具有周期性。

或者，也可以从2011年的用电量数据中选择6个用电量极值，如选择6-8月的3个用电量，以及12月-12年2月的3个用电量，进而判断在12年以及其他年份中的相同月份中6个用电量是否发生，进而确定历史售电量数据是否具有周期性。

通过该实施例对历史售电量数据的分析，能够确定出历史售电量数据的趋势特征，其包括：具有线性特征；具有非线性特征、具有非周期性特征；具有非线性特征、具有周期性特征。

优选地，当确定待预测位置区域的售电量趋势特征后，调用预设的与该趋势特征对应的预测算法包括：

当趋势特征包括线性特征时，调用SVM回归算法；

当趋势特征包括非线性特征和非周期性特征时，调用BP神经网络算法；

当所述趋势特征包括非线性特征和周期性特征时，调用稀疏自回归算法。

在本发明另一实施例中提供一种售电量预测方法，如图3所示，该方法包括：

S300、获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；

S310、根据各个待预测位置区域的历史售电量数据，确定各个待预测区域的历史售电量数据的售电量趋势特征；

S320、根据各个待预测区域的所述售电量趋势特征，对各个所述待预测位置区域进行聚类得到聚类组，同一个聚类组内，各个待预测位置区域的所述售电量趋势特征相同，将该趋势特征作为聚类组的售电量趋势特征；

其中，聚类即为对具有共同趋势的数据进行分组，令得到的分组之间数据的差别尽可能的大，而分组内部的数据差别尽可能的小，具体的采用视觉聚类的方法对各个所述待预测位置区域进行聚类。

S330、根据所述聚类组的售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

S340、利用所述预测算法对各个待预测位置区域进行售电量预测。

上述步骤S300-S310的具体实施方式分别与步骤S100-S110相同，在此不再赘述。

上述实施例中，通过确定趋势特征对历史售电量数据进行了初步的分类，然后再根据确定出的趋势特征进一步的对数据进行分类即根据各个待预测区域的所述售电量趋势特征，对各个所述待预测位置区域进行聚类得到聚类组，以实现对历史售电量数据的准确分类，令具有相同趋势特征的数据属于同一聚类组内，进而再对该聚类组中的各个待预测位置区域的售电量进行预测。

本申请另一实施例中售电量预测方法，如图4所示，还包括：

S400、获取预设的影响售电量的因素的预测值和情报值；

具体的，预设的影响售电量的因素包括：月GDP增速或年GDP增速、月放假天数或年放假天数、月平均气温等。其中，预测值可以通过历史因素数据进行预测得到，如根据历史GDP增速值预测当年GDP增速为6.7％；情报值可以实时的从互联网中获取，如获取到当年的GDP增速为6％.

S410、根据所述预设的影响售电量的因素的预测值和情报值对预测得到售电量进行调整。

具体的，可以计算影响售电量的因素的预测值和情报值的差值，利用f(T、H、E、Q)的模型，其中T是温度的差值，H是节假日的差值，E是GDP增速的差值，Q是预测得到的售电量值，计算得到一个最终的售电量值。

通过上述实施例，对预测得到的售电量值结合天气情况、假期情况、经济情况进行修正，令得到的预测售电量值更为精确。

本申请实施例还提供一种售电量预测方法，如图5所示，该方法包括：

S500、获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待位置区域；

具体的，具体的，从历史电力营销系统的售电量记录中抽取每个待预测位置区域的历史售电量数据，其中为了后续预测的准确可以抽取海量的售电量数据。后续可以对这些海量的历史售电量数据进行数据格式的转换，转换后的历史售电量数据包括用户编号，用电年月，用电量，用电类型，用电行业分类等。

S510、针对各个待预测位置区域，将该待预测位置区域的历史售电量数据按照用电行业进行分类，得到各个待预测行业的历史售电量数据；

具体的，根据用电行业的分类对一个预测位置区域中的历史售电量数据进行分类，其中可以按照三大产业的八大行业将售电量数据分为属于8个行业的售电量数据。进而可以根据用电量和用电时间绘制出该行业的历史售电量曲线，下述分析历史售电量数据时可以利用绘制的历史售电量曲线。

S520、根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征；

具体的，对每个待预测行业的售电量数据从时域方向进行分析处理，确定其售电量趋势特征，该趋势特征包括线性特征或非线性特征，以及周期性特征或非周期性特征。

S530、针对每个待预测行业的历史售电量数据的售电量趋势特征，根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

具体的，预测方法包括有：SVM回归算法、BP神经网络算法、稀疏自回归算法等。

S540、利用所述预测算法对待预测行业进行售电量预测。

上述的技术方案中，对待预测区域中的历史售电量数据进行行业划分，进而针对各个行业进行售电量预测，如此得到各个行业的预测售电量。进一步的可以根据各个行业的预测售电量得到全行业的预测售电量，即得到了一个位置区域的预测售电量，进而将该全行业的预测售电量与直接计算得到的一个待预测位置区域的预测售电量进行综合，以得到修正预测的售电量的结果。

优选地，根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征包括：

计算各个待预测行业的历史售电量数据的月环比量；

根据所述月环比量确定对应待预测行业的历史售电量是否具有线性特征；

从各个待预测行业的历史售电量数据中确定预设个数的月用电量极值，并判断所述预设个数的月用电量极值是否在所述历史售电量数据中周期性发生；

根据判断结果确定对应待预测行业的历史售电量是否具有周期性特征。

优选地，所述根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法包括：

当所述趋势特征包括线性特征时，调用SVM回归算法；

当所述趋势特征包括非线性特征和非周期性特征时，调用BP神经网络算法；

当所述趋势特征包括非线性特征和周期性特征时，调用稀疏自回归算法。

优选地，所述方法还包括：

根据各个待预测行业的所述售电量趋势特征，对各个所述待预测行业进行聚类得到聚类组，同一个聚类组内，各个待预测行业的所述售电量趋势特征相同，将该趋势特征作为聚类组的售电量趋势特征；

则针对每个待预测行业的历史售电量数据的售电量趋势特征，根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；利用所述预测算法对待预测区域进行售电量预测为：

根据所述聚类组的售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

利用所述预测算法对聚类组内的各个待预测行业进行售电量预测。

以及优选地，利用获取预设的影响售电量的因素的预测值和情报值对预测到的行业售电量进行修正。

上述的步骤的具体实施方式与前文所述的相关步骤的实施方式相同，在此不再赘述。

本申请实施例还提供一种售电量预测装置，如图6所述，该装置包括：

第一获取单元600，用于获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；

第一确定单元610，用于根据各个待预测位置区域的历史售电量数据，确定各个待预测区域的历史售电量数据的售电量趋势特征；

优选地，所述第一确定单元610包括：

第一子确定单元，用于根据所述月环比量确定对应待预测位置区域的历史售电量是否具有线性特征；

第一判断单元，用于从各个待预测位置区域的历史售电量数据中确定预设个数的月用电量极值，并判断所述预设个数的月用电量极值是否在所述历史售电量数据中呈周期性发生；

根据判断结果确定对应待预测位置区域的历史售电量是否具有周期性特征；

第二子确定单元，用于根据所述周期性指数确定对应待预测位置区域的历史售电量是否具有周期性特征。

第一调用单元620，用于对每个待预测区域的历史售电量数据的售电量趋势特征，根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

第一预测单元630，用于利用所述预测算法对待预测位置测区域进行售电量预测。

优选地，所述装置还包括：

聚类单元，用于根据各个待预测行业的所述售电量趋势特征，对各个所述待预测行业进行聚类得到聚类组；同一个聚类组内，各个待预测行业的所述售电量趋势特征相同，将该趋势特征作为聚类组的售电量趋势特征；

则调用单元，具体用于根据所述聚类组的售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

预测单元，具有用于利用所述预测算法对聚类组内的各个待预测行业进行售电量预测。

本申请实施例还提供一种售电量预测装置，如图7所述，该装置包括：

第二获取单元700，用于获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待位置区域；

分类单元710，用于针对各个待预测位置区域，将该待预测位置区域的历史售电量数据按照用电行业进行分类，得到各个待预测行业的历史售电量数据；

第二确定单元720，用于根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征；

第二调用单元730，用于针对每个待预测行业的历史售电量数据的售电量趋势特征，根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

第二预测单元740，用于利用所述预测算法对待预测行业进行售电量预测。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (13)

1.一种售电量预测方法，其特征在于，所述方法包括：

获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；

根据各个待预测位置区域的历史售电量数据，确定各个待预测位置区域的历史售电量数据的售电量趋势特征；

针对每个待预测区域的历史售电量数据的售电量趋势特征，根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

利用所述预测算法对待预测位置区域进行售电量预测。

2.如权利要求1所述方法，其特征在于，所述根据各个待预测位置区域的历史售电量数据，确定各个待预测区域的历史售电量数据的售电量趋势特征包括：

计算各个待预测区域的历史售电量数据的月环比量；

根据所述月环比量确定对应待预测位置区域的历史售电量是否具有线性特征；

从各个待预测位置区域的历史售电量数据中确定预设个数的月用电量极值，并判断所述预设个数的月用电量极值是否在所述历史售电量数据中周期性发生；

根据判断结果确定对应待预测位置区域的历史售电量是否具有周期性特征。

3.如权利要求2所述方法，其特征在于，所述根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法包括：

当所述趋势特征包括线性特征时，调用SVM回归算法；

当所述趋势特征包括非线性特征和非周期性特征时，调用BP神经网络算法；

当所述趋势特征包括非线性特征和周期性特征时，调用稀疏自回归算法。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

根据各个待预测位置区域的所述售电量趋势特征，对各个所述待预测位置区域进行聚类得到聚类组；其中，同一个聚类组内，各个待预测位置区域的所述售电量趋势特征相同，将该趋势特征作为聚类组的售电量趋势特征；

则针对每个待预测位置区域的历史售电量数据的售电量趋势特征，根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；利用所述预测算法对待预测区域进行售电量预测具体为：

根据所述聚类组的售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

利用所述预测算法对聚类组内的各个待预测位置区域进行售电量预测。

5.如权利要求1所述的方法，其特征在于，所述方法还包括：

获取预设的影响售电量的因素的预测值和情报值；

根据所述预设的影响售电量的因素的预测值和情报值对预测得到的售电量进行调整。

6.一种售电量预测方法，其特征在于，所述方法包括：

获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；

针对各个待预测位置区域，将该待预测位置区域的历史售电量数据按照用电行业进行分类，得到各个待预测行业的历史售电量数据；

根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征；

针对每个待预测行业的历史售电量数据的售电量趋势特征，根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

利用所述预测算法对待预测行业进行售电量预测。

7.如权利要求6所述的方法，其特征在于，所述：根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征包括：

计算各个待预测行业的历史售电量数据的月环比量；

根据所述月环比量确定对应待预测行业的历史售电量是否具有线性特征；

从各个待预测行业的历史售电量数据中确定预设个数的月用电量极值，并判断所述预设个数的月用电量极值是否在所述历史售电量数据中呈周期性发生；

根据判断结果确定对应待预测行业的历史售电量是否具有周期性特征。

8.如权利要求7所述方法，其特征在于，所述根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法包括：

当所述趋势特征包括线性特征时，调用SVM回归算法；

当所述趋势特征包括非线性特征和非周期性特征时，调用BP神经网络算法；

当所述趋势特征包括非线性特征和周期性特征时，调用稀疏自回归算法。

9.如权利要求6所述方法，其特征在于，所述方法还包括：

根据各个待预测行业的所述售电量趋势特征，对各个所述待预测行业进行聚类得到聚类组，同一个聚类组内，各个待预测行业的所述售电量趋势特征相同，将该趋势特征作为聚类组的售电量趋势特征；

则针对每个待预测行业的历史售电量数据的售电量趋势特征，根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；利用所述预测算法对待预测区域进行售电量预测具体为：

根据所述聚类组的售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

利用所述预测算法对聚类组内的各个待预测行业进行售电量预测。

10.一种售电量预测装置，其特征在于，所述装置包括：

第一获取单元，用于获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待预测位置区域；

第一确定单元，用于根据各个待预测位置区域的历史售电量数据，确定各个待预测区域的历史售电量数据的售电量趋势特征；

第一调用单元，用于针对每个待预测区域的历史售电量数据的售电量趋势特征，根据该待预测位置区域的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

第一预测单元，用于利用所述预测算法对待预测位置测区域进行售电量预测。

11.如权利要求10所述装置，其特征在于，所述第一确定单元包括：

第一计算单元，用于计算该各个待预测区域的历史售电量数据的月环比量；

第一子确定单元，用于根据所述月环比量确定对应待预测位置区域的历史售电量是否具有线性特征；

第一判断单元，用于从各个待预测位置区域的历史售电量数据中确定预设个数的月用电量极值，并判断所述预设个数的月用电量极值是否在所述历史售电量数据中呈周期性发生；

根据判断结果确定对应待预测位置区域的历史售电量是否具有周期性特征；

第二子确定单元，用于根据所述周期性指数确定对应待预测位置区域的历史售电量是否具有周期性特征。

12.如权利要求10所述方法，其特征在于所述装置还包括：

聚类单元，用于根据各个待预测行业的所述售电量趋势特征，对各个所述待预测行业进行聚类得到聚类组；同一个聚类组内，各个待预测行业的所述售电量趋势特征相同，将该趋势特征作为聚类组的售电量趋势特征；

则调用单元，具体用于根据所述聚类组的售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

预测单元，具有用于利用所述预测算法对聚类组内的各个待预测行业进行售电量预测。

13.一种售电量预测装置，其特征在于，所述装置包括：

第二获取单元，用于获取供电区域内每个待预测位置区域的历史售电量数据，所述供电区域包括多个所述待位置区域；

分类单元，用于针对各个待预测位置区域，将该待预测位置区域的历史售电量数据按照用电行业进行分类，得到各个待预测行业的历史售电量数据；

第二确定单元，用于根据各个所述待预测行业的历史售电量数据，确定各个待预测行业的历史售电量数据的售电量趋势特征；

第二调用单元，用于针对每个待预测行业的历史售电量数据的售电量趋势特征，根据该待预测行业的所述售电量趋势特征，调用预设的与该趋势特征对应的预测算法；

第二预测单元，用于利用所述预测算法对待预测行业进行售电量预测。