CN104809525B - 一种用电负荷的预测方法和装置 - Google Patents

Abstract

本发明提供了一种用电负荷的预测方法和预测装置，其中所述预测方法包括：基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型；对于给定的用电负荷的待预测期间，判断所述待预测期间的期间类型；确定与所述对象和所述期间类型对应的特定历史采样样本的类型；确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数；训练对应的多分辨率支持向量机预测模型；将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型，预测所述对象在所述待预测期间的用电负荷。本发明实施例可以有效提升对企业未来短期内用电负荷的预测准确度。

Description

一种用电负荷的预测方法和装置

技术领域

本发明涉及用电领域，尤其涉及一种用电负荷的预测方法和装置。

背景技术

现有技术中，针对不同的企业对象，预期其未来一段期间内的用电负荷的模型通常都是统一的，而实际上由于不同企业和不同企业的用电负荷与不同因素的相关性存在显著的区别，例如天气敏感型企业的用电通常与天气因素非常相关，而其他类型的企业的用电则可能与天气因素完全不相关，但是由于现有技术都基于统一的模型对不同企业的用电进行预测，因而所得到的预测准确度显然不能得到有效保证。

发明内容

本发明的目的之一是有效提升对不同企业在未来短期内的用电负荷进行预测的准确度。

根据本发明的一个方面，提供了一种用电负荷的预测方法，所述预测方法包括：

基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型；

对于给定的用电负荷的待预测期间，判断所述待预测期间的期间类型；

基于所述待预测用电负荷的对象的类型和所述待预测期间的期间类型，确定与所述对象和所述期间类型对应的特定历史采样样本的类型；

基于所述待预测用电负荷的对象的类型，确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数；

基于确定的所述特定历史采样样本的类型对应的数据和确定的核函数，训练与所述待预测用电负荷的对象对应的多分辨率支持向量机预测模型；

将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型，预测所述对象在所述待预测期间的用电负荷；

其中与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数包括傅里叶核函数、高斯径向基核函数和sigmoid核函数(支持向量机中一种典型的核函数)。

根据本发明的另一个方面，还提供了一种用电负荷的预测装置，所述预测装置包括：

第一判断单元，被配置为基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型；

第二判断单元，被配置为对于给定的用电负荷的待预测期间，判断所述待预测期间的期间类型；

类型确定单元，被配置为基于所述待预测用电负荷的对象的类型和所述待预测期间的期间类型，确定与所述对象和所述期间类型对应的特定历史采样样本的类型；

核函数确定单元，被配置为基于所述待预测用电负荷的对象的类型，确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数；

预测模型训练单元，被配置为基于确定的所述特定历史采样样本的类型对应的数据和确定的核函数，训练与所述待预测用电负荷的对象对应的多分辨率支持向量机预测模型；

用电负荷预测单元，被配置为将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型，预测所述对象在所述待预测期间的用电负荷；

其中与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数包括傅里叶核函数、高斯径向基核函数和sigmoid核函数。

与现有技术相比，本发明实施例具有以下优点：通过对待预测的对象进行分类以及对待预测的期间进行分类，基于与待预测对象相对应的核函数以及相对应的样本训练多分辨率支持向量机预测模型，从而可以显著提升对不同类型的对象的用电负荷进行预测的准确度和泛化能力。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出了根据本发明一个实施例的用电负荷的预测方法1的流程图；

图2(a)～图2(c)分别示出了某企业在工作日期间、周末期间以及节假日期间中的某一天的用电量的曲线图；

图3示出了本发明一个实施例的多分辨率支持向量机预测模型输入和输出的示意图；

图4示出了根据本发明另一个实施例的用电负荷的预测装置2的示意性框图；

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本发明作进一步详细描述。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

后面所讨论的方法(其中一些通过流程图示出)可以通过硬件、软件、固件、中间件、微代码、硬件描述语言或者其任意组合来实施。当用软件、固件、中间件或微代码来实施时，用以实施必要任务的程序代码或代码段可以被存储在机器或计算机可读介质(比如存储介质)中。(一个或多个)处理器可以实施必要的任务。

这里所公开的具体结构和功能细节仅仅是代表性的，并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现，并且不应当被解释成仅仅受限于这里所阐述的实施例。

应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。

这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指，否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是，这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在，而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。

还应当提到的是，在一些替换实现方式中，所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说，取决于所涉及的功能/动作，相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。

图1示出了根据本发明一个实施例的用电负荷的预测方法1的流程图。

所述用电负荷的预测，例如，对企业未来一段时间内的用电负荷总量、未来一段时间内每特定时间段内的用电负荷量进行预测等。

优选地，本实施例提供的预测方法1主要针对不同企业在短期内的用电负荷量进行预测，例如未来一天内的用电负荷总量以及未来一天内每特定时间段内(例如每刻钟)的用电负荷量进行预测。

如图1所示，所述预测方法1包括：

步骤S101，基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型。

其中所述采集可以定时采集，例如每隔一个小时或每隔一刻钟采集一次数据，也可以实时采集。

其中所述与用电相关的多维因素历史数据包括以下中的多项：企业用电设备的电气特性、企业生产操作规程、企业生产订单、企业生产排班、天气状况等。

其中所述待预测用电负荷的对象的类型包括不间断生产型企业(Uninterrupted-running Enterprise,简称UE)、随班间断生产型企业(Intermittent-runningEnterprise,简称IE)和天气敏感型企业(Weather-sensitive Enterprise,简称WE)。所述不间断生产型企业主要指在生产过程中不能随意开停机，也不会随着生产排程和排班的变化而间断、停机和重启的企业，例如金属冶金企业、煤气化工企业等；所述随班间断生产型企业主要指用电设备的运转取决于设备操作员的排班与排程，用电负荷明显随排班作息变化的企业，例如加工生产型企业等；所述天气敏感型企业主要指用电设备的用电量明显受天气的节气、温度、湿度或风力等的影响的企业，如农业生产型企业。

历史用电数据在供电系统内部数据库存储，因此可以在供电系统内部采集。与用电相关的多维因素历史数据可以通过例如各用电企业在供电系统备案的资料、或要求各用户企业提供等方式采集。

其中所述基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型可以包括：

-基于采集的历史用电数据和与用电相关的多维因素历史数据，判断所述历史用电数据和用电相关的所述多维因素历史数据中的每一个因素的相关度。

判断相关度采用已有方法。

-基于所述相关度，从所述多维因素历史数据中确定影响所述对象的用电负荷的核心因素。

-基于所述确定的核心因素，判断待预测用电负荷的对象的类型。

例如，通过判断，得到所述历史用电数据和用电相关的所述多维因素历史数据中的企业用电设备的电气特性、企业生产操作规程、企业生产订单、企业生产排班、天气状况的相关度分别为N1、N2、N3、N4、N5，则在一种情况下，如果N1、N2、N3明显大于N4、N5，即所述待预测用电负荷的对象的历史用电数据主要与用电设备的电气特性、企业生产操作规程、企业生产订单这三个核心因素相关，则判断所述待预测用电负荷的对象的类型为不间断生产型企业。

在另一种情况下，对于所述历史用电数据和用电相关的所述多维因素历史数据中的每一个因素的相关度分别设定对应的阈值，如果上述N1、N2、N3分别大于对应的阈值，而N4、N5分别小于对应的阈值，则也可以以此判断所述待预测用电负荷的对象的历史用电数据主要与用电设备的电气特性、企业生产操作规程、企业生产订单这三个核心因素相关，从而判断所述待预测用电负荷的对象的类型为不间断生产型企业。

核心因素与待预测用电负荷的对象的类型的对应关系例如可以预先存储在一个表中。根据确定出的核心因素，查找该表，得出待预测用电负荷的对象的类型。

步骤S102，对于给定的用电负荷的待预测期间，判断所述待预测期间的期间类型。

可选地，所述待预测期间的期间类型包括工作日期间、周末期间和节假日期间。

例如对于给定的用电负荷的待预测期间为明天，而明天为周一且不属于节假日，则判断所述待预测期间的期间类型为工作日期间。

由于对于待预测对象(例如企业)而言，不同的期间类型，其用电负荷的情况通常会有显著的不同，对此可参考图2(a)～图2(c)，图2(a)～图2(c)分别给出了某企业在工作日期间、周末期间以及节假日期间中的某一天的用电量的曲线图。其中所述横向坐标代表某一天中每隔一刻钟采集一次用电功率的采集点的数量，由于一天包括24个小时，每个小时又包括四刻钟，因而所述横向坐标的采集点一共为96个，所述纵向坐标代表每个采集点的用电功率。

因而在此通过对企业的期间类型进行判断，有助于后续对待预测对象在未来不同期间的用电负荷更准确地进行预测。

步骤S103，基于所述待预测用电负荷的对象的类型和所述待预测期间的期间类型，确定与所述对象和所述期间类型对应的特定历史采样样本的类型。

-如果所述待预测用电负荷的对象的类型为不间断生产型企业，则与所述对象和所述期间类型对应的特定历史采样样本的类型包括以下中的多项：第一预定历史期限中、与所述待预测期间的期间类型相同的期间中每隔一定时间内历史用电负荷量、日平均温度、日平均气压数据和日降雨量，以及第二预定历史期限中的、与所述待预测期间间隔预定时间段的整数倍的期间中的、与所述待预测期间的期间类型相同的期间中每隔一定时间内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量。

例如，要预测明天(周一)的用电负荷，第一预定历史期限是去年第四季度。明天(周一)的期间类型是工作日，每隔一定时间是15分钟。在本例中，第一预定历史期限中、与所述待预测期间的期间类型相同的期间中每隔一定时间内历史用电负荷量、日平均温度、日平均气压数据和日降雨量就是去年第4季度中的所有工作日中每隔15秒的历史用电负荷量、日平均温度、日平均气压数据和日降雨量。第二预定历史期限是去年一整年。预定时间段是1周，与所述待预测期间(明天，周一)间隔预定时间段(1周)的整数倍就是每个周的周一。周一有可能是工作日，但也可能是节假日。在本例中第二预定历史期限中的、与所述待预测期间间隔预定时间段的整数倍的期间中的、与所述待预测期间的期间类型相同的期间中每隔一定时间内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量就是去年一年的每周一工作日中每隔15秒的历史用电负荷量、日平均温度、日平均气压数据和日降雨量。

-如果所述待预测用电负荷的对象的类型为随班间断生产型企业，则与所述对象和所述期间类型对应的特定历史采样样本的类型包括以下中的多项：第一预定历史期限中、与所述待预测期间的期间类型相同的期间中每隔一定时间内历史用电负荷量、所述随班间断生产型企业的日排班数、所述随班间断生产型企业的每班次工作时长、日平均温度、日平均气压数据和日降雨量，以及第二预定历史期限中的、与所述待预测期间间隔预定时间段的整数倍的期间中的、与所述待预测期间的期间类型相同的期间中每隔一定时间内的历史用电负荷量、所述随班间断生产型企业的日排班数、所述随班间断生产型企业的每班次工作时长、日平均温度、日平均气压数据和日降雨量。

这里提到的各术语的解释和举例参见上述关于不间断生产型企业的描述。

-基于所述待预测用电负荷的对象的类型为天气敏感型企业，则与所述对象和所述期间类型对应的特定历史采样样本的类型包括以下中的多项：第一预定历史期限中、与所述待预测期间的期间类型相同的期间中每隔一定时间内历史用电负荷量、每隔一定时间的温度或平均温度、每隔一定时间的气压或平均气压、每隔一定时间的风速或平均风速，以及第二预定历史期限中的、与所述待预测期间间隔预定时间段的整数倍的期间中的、与所述待预测期间的期间类型相同的期间中每隔一定时间的温度或平均温度、与所述待预测期间间隔预定时间段的整数倍的期间中的每隔一定时间的气压或平均气压、与所述待预测期间间隔预定时间段的整数倍的期间中的每隔一定时间的风速或平均风速。其中所述第二预定历史期限中的每个特定期间可以指与待预测期间的期间长度相同、期间类型相同的期间。

这里提到的各术语的解释和举例参见上述关于不间断生产型企业的描述。

步骤S104，基于所述待预测用电负荷的对象的类型，确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数。

向量机和多分辨率支持向量机预测模型是已知概念。

本实施例中，对于所述支持向量机而言，通过选择一个适当的映射，将样本从原空间映射到一个高维空间，使对应的样本在新的高维空间中线性可分，其中新的高维空间中的样本间内积可以表示成原空间中对应样本的函数，这个函数即为核函数。

在此所述多分辨率支持向量机可以指包括宽尺度和窄尺度等不同尺度的核函数的支持向量机，其中所述尺度对应于所述样本分布的密集度，相对而言，宽尺度核函数对应的是分布稀疏的样本，窄尺度核函数对应的是分布密集的样本。

可选地，与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数包括傅里叶核函数、高斯径向基核函数和sigmoid核函数(一种神经元的非线性作用函数)。

可选地，所述基于所述待预测用电负荷的对象的类型，确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数S104的步骤包括：

如果所述待预测用电负荷的对象的类型是不间断生产型企业，确定与其对应的核函数为sigmoid核函数；

如果所述待预测用电负荷的对象的类型是随班间断生产型企业，确定与其对应的核函数为高斯径向基核函数；

如果所述待预测用电负荷的对象的类型是天气敏感型企业，确定与其对应的核函数为傅里叶核函数。

本实施例中，根据不同核函数的特点，将不同的核函数适用到与对应的待预测用电负荷的对象的多分辨率支持向量机预测模型，从而进一步提升预测不同类型的对象的用电负荷的准确度，例如，基于sigmoid核函数所具有的对各个影响因子变量具有较好均衡的考量性质的特点，将该核函数应用到不间断生产型企业对应的多分辨率支持向量机预测模型；基于高斯径向基核函数具有的局部优化性质的特点，将该核函数应用到随班间断生产型企业对于的多分辨率支持向量机预测模型；基于傅里叶核函数具有的良好表征影响因子的权重关系性质的特点，将该核函数应用到天气敏感型企业。

步骤S105，基于确定的所述特定历史采样样本的类型对应的数据和确定的核函数，训练与所述待预测用电负荷的对象对应的多分辨率支持向量机预测模型。

如前所述，在步骤S103中，基于所述待预测用电负荷的对象的类型和所述待预测期间的期间类型，确定出了与所述对象和所述期间类型对应的特定历史采样样本的类型，同时也确定出了这些类型对应的数据。

例如，如上所述，在所述待预测用电负荷的对象的类型为不间断生产型企业的情况下，则与所述对象和所述期间类型对应的特定历史采样样本的类型包括以下中的多项：第一预定历史期限中、与所述待预测期间的期间类型相同的期间中每隔一定时间内历史用电负荷量、日平均温度、日平均气压数据和日降雨量，以及第二预定历史期限中的、与所述待预测期间间隔预定时间段的整数倍的期间中的、与所述待预测期间的期间类型相同的期间中每隔一定时间内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量。这些量本身是类型，这些量的值就是这些类型对应的数据。

利用样本数据和核函数训练模型的训练方法是已知的。

可选地，为了使所述多分辨率支持向量机预测模型更准确地预测相应的对象在未来特定期间的用电负荷情况，基于不同时间段的所述特定历史采样样本的类型对应的数据，来分别训练不同时间段内与所述待预测用电负荷的对象对应的多分辨率支持向量机预测模型。

例如，将一天的时间按照每隔一刻钟的间隔分为96个时间段，则以2点00分至2点15分作为其中一个时间段，3点15分至3点30分作为其中另一个时间段，对应的预测模型分别为f1和f2为例，则用于训练f1的数据可以为：

第一预定历史期限(例如，去年第4季度)中与所述待预测期间的期间类型相同的期间(工作日)的2点00分至2点15分内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量，以及第二预定历史期限(去年一年)中、所述待预测期间间隔预定时间段的整数倍(每周周一)、与所述待预测期间的期间类型相同的期间(工作日)的2点00分至2点15分内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量。

而用于训练f2的数据可以为：

第一预定历史期限(例如，去年第4季度)中与所述待预测期间的期间类型相同的期间(工作日)的3点15分至3点30分内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量，以及第二预定历史期限(去年)中、所述待预测期间间隔预定时间段的整数倍(每周周一)、与所述待预测期间的期间类型相同的期间(工作日)的3点15分至3点30分内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量。

通过本实施例，基于不同小时间段内用电负荷的不同情况，训练不同时间段内与所述待预测用电负荷的对象对应的多分辨率支持向量机预测模型，从而可以更准确、更详细地预测某对象(例如某企业)在未来期间内每小时间段内的用电负荷量。

步骤S106，将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型，预测所述对象在所述待预测期间的用电负荷。

其中与所述特定历史采样样本的类型相同的样本在特定期间的数据，指的是虽然与特定历史采样样本的类型相同，但是期间上存在区别。也即，用于训练多分辨率支持向量机预测模型的样本与作为输入数据输入到所述多分辨率支持向量机预测模型的样本仅在期间上存在区别。

例如，用于训练多分辨率支持向量机预测模型的样本可能为去年第4季度、去年一年内的相应样本，而作为输入数据输入到所述多分辨率支持向量机预测模型的样本为前6天或前四周内的相应样本。

请参考图3，图3给出了本实施例的一个多分辨率支持向量机预测模型输入和输出的示意图。如图3所示，例如将一天的时间按照每隔一刻钟的间隔分为96个时间段，训练得到的与各个时间段对应的模型分别为f1～fm，其中x₁～x_n为输入到所述多分辨率支持向量机预测模型的数据，y1～ym表示预测得到的每个一刻钟内的用电负荷，其中m为96，n为输入的数据个数，则得到的某对象在未来一天中每个一刻钟内的用电负荷。

可选地，所述将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型包括：

-如果所述待预测用电负荷的对象的类型为不间断生产型企业，将采集的以下数据中的多项输入到所述多分辨率支持向量机预测模型：与所述待预测期间的期间类型相同的前六天每隔一定时间内历史用电负荷量、日平均温度、日平均气压数据和日降雨量，以及与所述待预测期间的期间类型相同的前四周中、与所述待预测期间间隔预定时间段的整数倍的期间中每隔一定时间内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量。

例如，待预测期间是明天(周一)，期间类型是工作日。与所述待预测期间的期间类型相同的前六天每隔一定时间内历史用电负荷量、日平均温度、日平均气压数据和日降雨量是明天往前6天中工作日每隔15分钟历史用电负荷量、日平均温度、日平均气压数据和日降雨量。所述待预测期间的期间类型相同的前四周中、与所述待预测期间间隔预定时间段的整数倍的期间中每隔一定时间内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量是明天往前4周的周一工作日每隔15分钟的历史用电负荷量、日平均温度、日平均气压数据和日降雨量。

-如果所述待预测用电负荷的对象的类型为随班间断生产型企业，将采集的以下数据中的多项输入到所述多分辨率支持向量机预测模型：与所述待预测期间的期间类型相同的前六天每隔一定时间内历史用电负荷量、所述随班间断生产型企业的日排班数、所述随班间断生产型企业的每班次工作时长、日平均温度、日平均气压数据和日降雨量，以及与所述待预测期间的期间类型相同的前两周中、与所述待预测期间间隔预定时间段的整数倍的期间中每隔一定时间内的历史用电负荷量、所述随班间断生产型企业的日排班数、所述随班间断生产型企业的每班次工作时长、日平均温度、日平均气压数据和日降雨量。

上述参数的解释和举例参照不间断生产型企业的例子。

-如果所述待预测用电负荷的对象的类型为天气敏感型企业，将采集的以下数据中的多项输入到所述多分辨率支持向量机预测模型：与所述待预测期间的期间类型相同的前六天每隔一定时间内历史用电负荷量、每隔一定时间的温度或平均温度、每隔一定时间的气压或平均气压、每隔一定时间的风速或平均风速以及与所述待预测期间的期间类型相同的前四周中、与所述待预测期间间隔预定时间段的整数倍的期间中每隔一定时间内的历史用电负荷量、、与所述待预测期间间隔预定时间段的整数倍的期间中的每隔一定时间的温度或平均温度、、与所述待预测期间间隔预定时间段的整数倍的期间中的每隔一定时间的气压或平均气压、、与所述待预测期间间隔预定时间段的整数倍的期间的每隔一定时间的风速或平均风速。

上述参数的解释和举例参照不间断生产型企业的例子。

图4示出了根据本发明另一个实施例的用电负荷的预测装置2的示意性框图。

预测装置2可以指计算机程序、计算机硬件或两者的结合。

如图4所示，所述预测装置2包括：

第一判断单元201，被配置为基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型；

第二判断单元202，被配置为对于给定的用电负荷的待预测期间，判断所述待预测期间的期间类型；

类型确定单元203，被配置为基于所述待预测用电负荷的对象的类型和所述待预测期间的期间类型，确定与所述对象和所述期间类型对应的特定历史采样样本的类型；

核函数确定单元204，被配置为基于所述待预测用电负荷的对象的类型，确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数；

预测模型训练单元205，被配置为基于确定的所述特定历史采样样本的类型对应的数据和确定的核函数，训练与所述待预测用电负荷的对象对应的多分辨率支持向量机预测模型；

用电负荷预测单元206，被配置为将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型，预测所述对象在所述待预测期间的用电负荷；

其中与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数包括傅里叶核函数、高斯径向基核函数和sigmoid核函数。

所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件，也可以是完全的软件，还可以是硬件和软件结合的形式。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (7)

1.一种用电负荷的预测方法(1)，所述预测方法(1)包括：

基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型(S101)；

对于给定的用电负荷的待预测期间，判断所述待预测期间的期间类型(S102)；

基于所述待预测用电负荷的对象的类型和所述待预测期间的期间类型，确定与所述对象和所述期间类型对应的特定历史采样样本的类型(S103)；

基于所述待预测用电负荷的对象的类型，确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数(S104)；

基于确定的所述特定历史采样样本的类型对应的数据和确定的核函数，训练与所述待预测用电负荷的对象对应的多分辨率支持向量机预测模型(S105)；

将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型，预测所述对象在所述待预测期间的用电负荷(S106)；

其中与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数包括傅里叶核函数、高斯径向基核函数和sigmoid核函数。

2.根据权利要求1所述的预测方法(1)，其中多维因素历史数据包括企业用电设备的电气特性、企业生产操作规程、企业生产订单、企业生产排班、天气状况中的多项，待预测用电负荷的对象的类型包括不间断生产型企业、随班间断生产型企业和天气敏感型企业。

3.根据权利要求1所述的预测方法(1)，其中基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型的步骤(S101)包括：

基于采集的历史用电数据和与用电相关的多维因素历史数据，判断所述历史用电数据和用电相关的所述多维因素历史数据中的每一个因素的相关度；

基于所述相关度，从所述多维因素历史数据中确定影响所述对象的用电负荷的核心因素；

基于所述确定的核心因素，判断待预测用电负荷的对象的类型。

4.根据权利要求1所述的预测方法(1)，其中所述待预测期间的期间类型包括：

工作日期间、周末期间和节假日期间。

5.根据权利要求2所述的预测方法(1)，其中所述基于所述待预测用电负荷的对象的类型，确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数(S104)的步骤包括：

如果所述基于所述待预测用电负荷的对象的类型是不间断生产型企业，确定与其对应的核函数为sigmoid核函数；

如果所述基于所述待预测用电负荷的对象的类型是随班间断生产型企业，确定与其对应的核函数为高斯径向基核函数；

如果所述基于所述待预测用电负荷的对象的类型是天气敏感型企业，确定与其对应的核函数为傅里叶核函数。

6.根据权利要求2所述的预测方法(1)，其中所述将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型包括：

-如果所述待预测用电负荷的对象的类型为不间断生产型企业，将采集的以下数据中的多项输入到所述多分辨率支持向量机预测模型：与所述待预测期间的期间类型相同的前六天每隔一定时间内历史用电负荷量、日平均温度、日平均气压数据和日降雨量，以及与所述待预测期间的期间类型相同的前四周中、与所述待预测期间间隔预定时间段的整数倍的期间中每隔一定时间内的历史用电负荷量、日平均温度、日平均气压数据和日降雨量；

-如果所述待预测用电负荷的对象的类型为随班间断生产型企业，将采集的以下数据中的多项输入到所述多分辨率支持向量机预测模型：与所述待预测期间的期间类型相同的前六天每隔一定时间内历史用电负荷量、所述随班间断生产型企业的日排班数、所述随班间断生产型企业的每班次工作时长、日平均温度、日平均气压数据和日降雨量，以及与所述待预测期间的期间类型相同的前两周中、与所述待预测期间间隔预定时间段的整数倍的期间中每隔一定时间内的历史用电负荷量、所述随班间断生产型企业的日排班数、所述随班间断生产型企业的每班次工作时长、日平均温度、日平均气压数据和日降雨量；

-如果所述待预测用电负荷的对象的类型为天气敏感型企业，将采集的以下数据中的多项输入到所述多分辨率支持向量机预测模型：与所述待预测期间的期间类型相同的前六天每隔一定时间内历史用电负荷量、每隔一定时间的温度或平均温度、每隔一定时间的气压或平均气压、每隔一定时间的风速或平均风速以及与所述待预测期间的期间类型相同的前四周中、与所述待预测期间间隔预定时间段的整数倍的期间中每隔一定时间内的历史用电负荷量、与所述待预测期间间隔预定时间段的整数倍的期间中的每隔一定时间的温度或平均温度、与所述待预测期间间隔预定时间段的整数倍的期间中的每隔一定时间的气压或平均气压、与所述待预测期间间隔预定时间段的整数倍的期间的每隔一定时间的风速或平均风速。

7.一种用电负荷的预测装置(2)，所述预测装置(2)包括：

第一判断单元(201)，被配置为基于采集的历史用电数据和与用电相关的多维因素历史数据，判断待预测用电负荷的对象的类型；

第二判断单元(202)，被配置为对于给定的用电负荷的待预测期间，判断所述待预测期间的期间类型；

类型确定单元(203)，被配置为基于所述待预测用电负荷的对象的类型和所述待预测期间的期间类型，确定与所述对象和所述期间类型对应的特定历史采样样本的类型；

核函数确定单元(204)，被配置为基于所述待预测用电负荷的对象的类型，确定与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数；

预测模型训练单元(205)，被配置为基于确定的所述特定历史采样样本的类型对应的数据和确定的核函数，训练与所述待预测用电负荷的对象对应的多分辨率支持向量机预测模型；

用电负荷预测单元(206)，被配置为将采集的与所述特定历史采样样本的类型相同的样本在特定期间的数据输入到所述多分辨率支持向量机预测模型，预测所述对象在所述待预测期间的用电负荷；

其中与所述对象的类型相对应的待训练的多分辨率支持向量机预测模型的核函数包括傅里叶核函数、高斯径向基核函数和sigmoid核函数。