CN107292420A - 数据处理方法和装置 - Google Patents
数据处理方法和装置 Download PDFInfo
- Publication number
- CN107292420A CN107292420A CN201710376397.8A CN201710376397A CN107292420A CN 107292420 A CN107292420 A CN 107292420A CN 201710376397 A CN201710376397 A CN 201710376397A CN 107292420 A CN107292420 A CN 107292420A
- Authority
- CN
- China
- Prior art keywords
- type
- data
- electricity consumption
- industry
- electricity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 224
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012937 correction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种数据处理方法和装置。其中,该方法包括:确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内对应的用电用户类型的用电量;根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量。本发明解决了相关技术中预测用电量的准确率较低的技术问题。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种数据处理方法和装置。
背景技术
传统的电量预测方法有电耗法、弹性系数法、回归法、接电容量法等。采用电耗法对电量预测的精度取决于电耗的预测精度,不同产业甚至不同产品间电耗差异巨大,实际中很难对国民生产总值对应的电耗做出准确估计,导致预测精度较低。电力弹性系数是电力年平均增长率与国民生产总值之间的比值,采用电力弹性系数法同样需要对电力弹性系数趋势进行准确判断,但是当经济发展到一定程度,电力弹性系数的发展受多种因素影响,往往呈现出跳跃性或不确定性发展趋势,因此采用弹性系数法预测同样精度较低。回归法是通过建立电量与经济指标之间的相关关系,以回归预测技术来实现电量发展规律的捕捉,在一定程度上克服了电耗法和弹性系数法的缺陷,是目前最为广泛应用的电量预测方法。但是回归法仅仅考虑了经济指标对电量的影响,当系统负荷中降温负荷/采暖负荷占比较高,受天气因素影响较大,或预测期内出现大的政策调整时,回归法对电量预测的精度难以保障。上述传统的电量预测方法在预测用电量时建模考虑因素较单一,无法根据实际情况准确的预测某个区域内的用电量。
针对相关技术中预测用电量的准确率较低的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据处理方法和装置,以至少解决相关技术中预测用电量的准确率较低的技术问题。
根据本发明实施例的一个方面,提供了一种数据处理方法,该方法包括:确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内对应的用电用户类型的用电量;根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量。
进一步地,多个用电用户类型分为多个产业类型和居民类型,其中,多个产业类型中每个产业类型的用电用户的影响因素为经济数据,居民类型的影响因素为人口数据。
进一步地,确定预设区域内的总预测用电量包括:根据每个产业类型的历史经济数据确定对应产业类型的平均经济数据;确定每个产业类型在待预测的预设时间段内的经济数据偏差;根据每个产业类型的经济数据偏差修正对应的产业类型的平均经济数据,得到对应的产业类型在预设时间段内的预期经济数据;根据每个产业类型的预期经济数据和用电量预测模型确定对应的产业类型的预测用电量。
进一步地,确定预设区域内的总预测用电量包括:根据预设区域内的历史人口数据确定预设区域内的平均人口数据;确定预设区域内在待预测的预设时间段内的人口数据偏差;根据人口数据偏差修正预设区域内的平均人口数据,得到预设区域内在预设时间段内的预期人口数据;根据预期人口数据和居民类型的用电用户的用电量预测模型确定居民类型的用电用户在预设时间段内的预测用电量。
根据本发明实施例的另一方面,还提供了一种数据处理装置,该装置包括:第一确定单元,用于确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;建模单元,用于根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内对应的用电用户类型的用电量;第二确定单元,用于根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量。
进一步地,多个用电用户类型分为多个产业类型和居民类型,其中,多个产业类型中每个产业类型的用电用户的影响因素为经济数据,居民类型的影响因素为人口数据。
进一步地,第二确定单元包括:第一确定模块,用于根据每个产业类型的历史经济数据确定对应产业类型的平均经济数据;第二确定模块,用于确定每个产业类型在待预测的预设时间段内的经济数据偏差;第一修正模块,用于根据每个产业类型的经济数据偏差修正对应的产业类型的平均经济数据,得到对应的产业类型在预设时间段内的预期经济数据;第三确定模块,用于根据每个产业类型的预期经济数据和用电量预测模型确定对应的产业类型的预测用电量。
进一步地,第二确定单元包括:第四确定模块,用于根据预设区域内的历史人口数据确定预设区域内的平均人口数据;第五确定模块,用于确定预设区域内在待预测的预设时间段内的人口数据偏差;第二修正模块,用于根据人口数据偏差修正预设区域内的平均人口数据,得到预设区域内在预设时间段内的预期人口数据;第六确定模块,用于根据预期人口数据和居民类型的用电用户的用电量预测模型确定居民类型的用电用户在预设时间段内的预测用电量。
根据本发明实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行本发明的数据处理方法。
根据本发明实施例的另一方面,还提供了一种处理器,该处理器用于运行程序,其中,程序运行时执行本发明的数据处理方法。
在本发明实施例中,通过确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内对应的用电用户类型的用电量;根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量,解决了相关技术中预测用电量的准确率较低的技术问题,进而实现了能够更准确地预测预设区域内的用电量的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的数据处理方法的流程图;
图2是根据本发明实施例的另一种可选的数据处理方法的流程图;
图3是根据本发明实施例的一种可选的数据处理装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请提供了一种数据处理方法的实施例。
图1是根据本发明实施例的一种可选的数据处理方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据:
预设区域是待预测用电量的用电区域,预设区域内的所有用电用户可以分为多个用电用户类型,每个用电用户类型包括多个用户。该实施例提供的数据处理方法是根据不同的用电用户类型采用不同的用电量预测模型来更准确地对用电用户的用电量进行预测。具体而言,需要先确定预设区域内每个用电用户类型下所有用电用户的历史用电量和历史影响因素数据,将预设区域内所有用电用户的历史数据按照用电用户类型分为多个类别。
步骤S102,根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型:
在确定出每个用电用户类型的历史用电量和历史影响因素数据之后,分别根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内对应的用电用户类型的用电量。具体而言,多个用电用户类型可以包括第一用电用户类型、第二用电用户类型、……,在建立模型时,分别建立各个用电用户类型对应的模型,也即,通过第一用电用户类型包括的用电用户的历史数据(历史用电量和历史影响因素数据)建立第一用电用户类型的用电量预测模型,第一用电用户类型的用电量预测模型可以根据第一用电用户类型在需要预测的时间段内的影响因素数据预测第一用电用户类型在需要预测的时间段内的用电量,其它类型的用电用户对应的用电量预测模型的建模方式也是相似的,在此不再赘述。
步骤S103,根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量:
在根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型之后,根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量。
多个用电用户类型可以分为多个产业类型和居民类型,其中,多个产业类型中每个产业类型的用电用户的影响因素为经济数据,居民类型的影响因素为人口数据。
在上述应用场景下,确定预设区域内的总预测用电量可以包括:根据每个产业类型的历史经济数据确定对应产业类型的平均经济数据;确定每个产业类型在待预测的预设时间段内的经济数据偏差;根据每个产业类型的经济数据偏差修正对应的产业类型的平均经济数据,得到对应的产业类型在预设时间段内的预期经济数据;根据每个产业类型的预期经济数据和用电量预测模型确定对应的产业类型的预测用电量。
在上述应用场景下,确定预设区域内的总预测用电量可以包括:根据预设区域内的历史人口数据确定预设区域内的平均人口数据;确定预设区域内在待预测的预设时间段内的人口数据偏差;根据人口数据偏差修正预设区域内的平均人口数据,得到预设区域内在预设时间段内的预期人口数据;根据预期人口数据和居民类型的用电用户的用电量预测模型确定居民类型的用电用户在预设时间段内的预测用电量。
可选的,还可以通过天气因素对预测的总用电量进行修正,具体而言,根据历史用电量与历史天气数据的关系确定在预设时间段内的天气情况对总预测用电量的影响,得到修正值,根据修正值修正预测的总预测用电量。
该实施例通过确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内对应的用电用户类型的用电量;根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量,解决了相关技术中预测用电量的准确率较低的技术问题,进而实现了能够更准确地预测预设区域内的用电量的技术效果。
如图2所示,下面结合一种具体应用场景对上述实施例提供的数据处理方法的步骤进行进一步地详细说明:
步骤一、搜集历史电量数据:
搜集历史电量数据,包括第一产业用电量、第二产业用电量、第三产业用电量和居民用电量等,在数据来源受限时,也可以仅搜集全社会用电量总值。为保证用电量预测模型的有效性,数据搜集期限最好不低于10年。
步骤二、搜集历史经济数据:
搜集历史经济数据(经济历史数据)。经济历史数据包括第一产业GDP、第二产业GDP、第三产业GDP、消费系数等经济数据,当数据来源受限时,也可以仅搜集GDP总量值,经济数据搜集期限与电量数据保持一致。
可选的,在搜集历史经济数据时,也可以同时搜集历史人口数据。
步骤三、将电量数据与经济数据分别进行拟合:
第一产业用电量与第一产业GDP的相关度最高,第二产业用电量与第二产业GDP相关度最高,第三产业用电量与第三产业GDP相关度最高,全行业用电量与GDP相关度最高。在步骤三之后,执行步骤四以及步骤五。
步骤四、建立行业用电量与GDP类之间的非线性拟合模型:
在建立第一产业的用电量预测模型时,可以建立第一产业用电量与第一产业GDP、第二产业GDP、第三产业GDP和全行业GDP的关系,也即,以第一产业GDP、第二产业GDP、第三产业GDP和全行业GDP为变量,第一产业用电量为因变量进行拟合,得到第一产业用电量的用电量预测模型,其它产业用电量的预测模型的建立方式相似,在此不再赘述。拟合方法可以采用非线性方法,可以是对数法、指数法或其他方法。
在建立行业用电量与GDP类之间的非线性拟合模型之后,可以得到全行业用电量,具体公式为:Ei=E1+E2+E3=f1(GDP1)+f2(GDP2)+f3(GDP3),其中,Ei表示全行业用电量;E1、E2、E3分别为第一产业用电量、第二产业用电量、第三产业用电量;GDP1、GDP2、GDP3分别为第一产业GDP、第二产业GDP、第三产业GDP;f1、f2、f3分别为第一产业用电量与第一产业GDP的非线性回归函数、第二产业用电量与第二产业GDP的非线性回归函数、第三产业用电量与第三产业GDP的非线性回归函数。
步骤五、建立居民用电量与人口之间的非线性拟合模型:
居民类型的用电用户的用电量与人口是正相关的,居民用电量与人口数据之间相关度最高,居民用电量的用电量预测模型可以表示居民用电量与人口数据之间的关系。拟合方法可以采用非线性方法,可以是对数法、指数法或其他方法。
居民用电量与人口数据之间的非线性回归函数模型公式为:Ep=fp(Pop),其中,Ep表示居民用电量;Pop表示人口数据;fp表示居民用电量与人口数据之间的非线性回归函数。
步骤六、获得全社会用电量的基础预测模型:
在步骤四和步骤五之后,得到全社会用电量的基础预测模型,作为修正前的基础模型。
步骤七、区域非常规发展热点引起的正修正电量:
可选的,可以根据国家和地区出台的相关政策,梳理预测期为1年、3年、5年、10年或更长时间内区域中的非常规热点,根据热点负荷大小,对热点产生的电量进行逐年预测,得到修正量△Ee。
步骤八、人口趋势非常规变化引起的正/负修正电量:
可选的,可以根据人口发展形势,梳理因人口趋势变化产生的预测期逐年电量修正值△Ep。如果预测期人口发展趋势高于历史趋势,则修正值为正值;否则为负值。
步骤九、极端天气引起的正修正量
可选的,可以根据气象局预测的天气情况,梳理因天气变化导致的预测期逐年电量修正值△Ew。如果预测期人口发展趋势高于历史趋势,则修正值为正值;否则为负值。
步骤十、区域功能疏解的负修正电量
可选的,可以根据国家和地区出台的相关政策,梳理预测期因地区功能疏解导致部分产业搬迁造成的电量损失,得到负修正值△Ef。
在执行上述步骤之后,得到最后的电量预测模型,该电量预测模型是一个考虑了全要素、高精度的电量预测模型。全要素、高精度电量预测模型的公式为:E=Ei+Ep+△Ee+△Ep+△Ew+△Ef。
利用该实施例提出的方法对“十三五”某地区的售电量开展了预测,方法可行,2016年售电量预测结果显示本发明提出的方法在预测精度上较常规方法有较大提升。并用本发明提出的方法对于“十二五”时期的电量预测结果进行了校核,预测平均误差在1%以内。
该实施例提出了一种能够预测电量的数据处理方法,能够对地区电量开展精确预测,有助于电网提供方开展输配电价成本核算,帮助电网提供方合理安排电网投资计划和生产经营任务,同时有助于精确把握地区电量走势。
需要说明的是,在附图的流程图虽然示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请还提供了一种存储介质的实施例,该实施例的存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行本发明实施例的数据处理方法。
本申请还提供了一种处理器的实施例,该实施例的处理器用于运行程序,其中,程序运行时执行本发明实施例的数据处理方法。
本申请还提供了一种数据处理装置的实施例。需要说明的是,本发明实施例提供的数据处理装置可以用于执行本发明实施例提供的数据处理方法。
图3是根据本发明实施例的一种可选的数据处理装置的示意图,如图3所示,该装置包括第一确定单元10,建模单元20和第二确定单元30,其中,第一确定单元,用于确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;建模单元,用于根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内对应的用电用户类型的用电量;第二确定单元,用于根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量。
该实施例通过第一确定单元,用于确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;建模单元,用于根据每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内对应的用电用户类型的用电量;第二确定单元,用于根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定预设区域内的总预测用电量,解决了相关技术中预测用电量的准确率较低的技术问题,进而实现了能够更准确地预测预设区域内的用电量的技术效果。
进一步地,多个用电用户类型分为多个产业类型和居民类型,其中,多个产业类型中每个产业类型的用电用户的影响因素为经济数据,居民类型的影响因素为人口数据。
进一步地,第二确定单元包括:第一确定模块,用于根据每个产业类型的历史经济数据确定对应产业类型的平均经济数据;第二确定模块,用于确定每个产业类型在待预测的预设时间段内的经济数据偏差;第一修正模块,用于根据每个产业类型的经济数据偏差修正对应的产业类型的平均经济数据,得到对应的产业类型在预设时间段内的预期经济数据;第三确定模块,用于根据每个产业类型的预期经济数据和用电量预测模型确定对应的产业类型的预测用电量。
进一步地,第二确定单元包括:第四确定模块,用于根据预设区域内的历史人口数据确定预设区域内的平均人口数据;第五确定模块,用于确定预设区域内在待预测的预设时间段内的人口数据偏差;第二修正模块,用于根据人口数据偏差修正预设区域内的平均人口数据,得到预设区域内在预设时间段内的预期人口数据;第六确定模块,用于根据预期人口数据和居民类型的用电用户的用电量预测模型确定居民类型的用电用户在预设时间段内的预测用电量。
上述的装置可以包括处理器和存储器,上述单元均可以作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
上述本申请实施例的顺序不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。
其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;
根据所述每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,所述用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内所述对应的用电用户类型的用电量;
根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定所述预设区域内的总预测用电量。
2.根据权利要求1所述的方法,其特征在于,所述多个用电用户类型分为多个产业类型和居民类型,其中,所述多个产业类型中每个产业类型的用电用户的影响因素为经济数据,所述居民类型的影响因素为人口数据。
3.根据权利要求2所述的方法,其特征在于,确定所述预设区域内的总预测用电量包括:
根据每个产业类型的历史经济数据确定对应产业类型的平均经济数据;
确定每个产业类型在待预测的预设时间段内的经济数据偏差;
根据每个产业类型的所述经济数据偏差修正对应的产业类型的所述平均经济数据,得到对应的产业类型在所述预设时间段内的预期经济数据;
根据每个产业类型的所述预期经济数据和所述用电量预测模型确定对应的产业类型的预测用电量。
4.根据权利要求2所述的方法,其特征在于,确定所述预设区域内的总预测用电量包括:
根据所述预设区域内的历史人口数据确定所述预设区域内的平均人口数据;
确定所述预设区域内在待预测的预设时间段内的人口数据偏差;
根据所述人口数据偏差修正所述预设区域内的所述平均人口数据,得到所述预设区域内在所述预设时间段内的预期人口数据;
根据所述预期人口数据和所述居民类型的用电用户的用电量预测模型确定所述居民类型的用电用户在所述预设时间段内的预测用电量。
5.一种数据处理装置,其特征在于,包括:
第一确定单元,用于确定预设区域内的多个用电用户类型中每个用电用户类型的历史用电量和历史影响因素数据;
建模单元,用于根据所述每个用电用户类型的历史用电量和历史影响因素数据建立对应的用电用户类型的用电量预测模型,其中,所述用电量预测模型用于根据对应的用电用户类型的影响因素预测预设时间段内所述对应的用电用户类型的用电量;
第二确定单元,用于根据每个用电用户类型的用电量预测模型和对应用电用户类型的影响因素数据确定对应的用电用户类型的预测用电量以确定所述预设区域内的总预测用电量。
6.根据权利要求5所述的装置,其特征在于,所述多个用电用户类型分为多个产业类型和居民类型,其中,所述多个产业类型中每个产业类型的用电用户的影响因素为经济数据,所述居民类型的影响因素为人口数据。
7.根据权利要求6所述的装置,其特征在于,所述第二确定单元包括:
第一确定模块,用于根据每个产业类型的历史经济数据确定对应产业类型的平均经济数据;
第二确定模块,用于确定每个产业类型在待预测的预设时间段内的经济数据偏差;
第一修正模块,用于根据每个产业类型的所述经济数据偏差修正对应的产业类型的所述平均经济数据,得到对应的产业类型在所述预设时间段内的预期经济数据;
第三确定模块,用于根据每个产业类型的所述预期经济数据和所述用电量预测模型确定对应的产业类型的预测用电量。
8.根据权利要求6所述的装置,其特征在于,所述第二确定单元包括:
第四确定模块,用于根据所述预设区域内的历史人口数据确定所述预设区域内的平均人口数据;
第五确定模块,用于确定所述预设区域内在待预测的预设时间段内的人口数据偏差;
第二修正模块,用于根据所述人口数据偏差修正所述预设区域内的所述平均人口数据,得到所述预设区域内在所述预设时间段内的预期人口数据;
第六确定模块,用于根据所述预期人口数据和所述居民类型的用电用户的用电量预测模型确定所述居民类型的用电用户在所述预设时间段内的预测用电量。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至4任意一项所述的数据处理方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至4任意一项所述的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710376397.8A CN107292420A (zh) | 2017-05-24 | 2017-05-24 | 数据处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710376397.8A CN107292420A (zh) | 2017-05-24 | 2017-05-24 | 数据处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292420A true CN107292420A (zh) | 2017-10-24 |
Family
ID=60094254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710376397.8A Pending CN107292420A (zh) | 2017-05-24 | 2017-05-24 | 数据处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292420A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921323A (zh) * | 2018-06-04 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111275267A (zh) * | 2020-02-26 | 2020-06-12 | 吴天 | 一种生产型企业的用电量预测方法 |
CN111292106A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求影响因素确定方法以及装置 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN113902230A (zh) * | 2021-12-10 | 2022-01-07 | 四川瑞康智慧能源有限公司 | 电量偏差控制方法、系统、存储介质和电子设备 |
CN114153358A (zh) * | 2021-11-16 | 2022-03-08 | 中国电信集团系统集成有限责任公司 | 条码显示方法、装置、电子设备和存储介质 |
CN114529072A (zh) * | 2022-02-11 | 2022-05-24 | 杭州致成电子科技有限公司 | 一种基于时间序列的区域电量预测方法 |
CN118134540A (zh) * | 2024-05-07 | 2024-06-04 | 国网浙江省电力有限公司 | 基于能源电力供需预测模型的多维数据交互方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413253A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于经济、气象因素的年最大负荷分类预测方法 |
CN103729689A (zh) * | 2013-12-20 | 2014-04-16 | 华南理工大学 | 一种基于行业分类与主导行业数据的电网电量预测方法 |
-
2017
- 2017-05-24 CN CN201710376397.8A patent/CN107292420A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413253A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于经济、气象因素的年最大负荷分类预测方法 |
CN103729689A (zh) * | 2013-12-20 | 2014-04-16 | 华南理工大学 | 一种基于行业分类与主导行业数据的电网电量预测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108921323A (zh) * | 2018-06-04 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111292106A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求影响因素确定方法以及装置 |
CN111275267A (zh) * | 2020-02-26 | 2020-06-12 | 吴天 | 一种生产型企业的用电量预测方法 |
CN111275267B (zh) * | 2020-02-26 | 2024-04-16 | 吴天 | 一种生产型企业的用电量预测方法 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN113435923B (zh) * | 2021-06-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN114153358A (zh) * | 2021-11-16 | 2022-03-08 | 中国电信集团系统集成有限责任公司 | 条码显示方法、装置、电子设备和存储介质 |
CN113902230A (zh) * | 2021-12-10 | 2022-01-07 | 四川瑞康智慧能源有限公司 | 电量偏差控制方法、系统、存储介质和电子设备 |
CN114529072A (zh) * | 2022-02-11 | 2022-05-24 | 杭州致成电子科技有限公司 | 一种基于时间序列的区域电量预测方法 |
CN118134540A (zh) * | 2024-05-07 | 2024-06-04 | 国网浙江省电力有限公司 | 基于能源电力供需预测模型的多维数据交互方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292420A (zh) | 数据处理方法和装置 | |
CN106156941A (zh) | 一种用户信用评分优化方法和装置 | |
CN110852519A (zh) | 一种考虑多类型负荷的售电公司最优盈利方法 | |
Karamouz et al. | Development of an optimal reservoir operation scheme using extended evolutionary computing algorithms based on conflict resolution approach: a case study | |
CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
CN109741177A (zh) | 用户信用的评估方法、装置及智能终端 | |
CN112328395B (zh) | 一种云资源容量规划方法和系统 | |
US20090178050A1 (en) | Control of Access to Services and/or Resources of a Data Processing System | |
Khalilisenobari et al. | Optimal participation of price-maker battery energy storage systems in energy and ancillary services markets considering degradation cost | |
CN105786830A (zh) | 计算机系统中模型自适应调整方法、装置及系统 | |
Huang et al. | Supplier–remanufacturing and manufacturer–remanufacturing in a closed-loop supply chain with remanufacturing cost disruption | |
Pandey et al. | Modeling and assessment of incentive based demand response using price elasticity model in distribution systems | |
CN103646670A (zh) | 一种评估存储系统性能的方法和设备 | |
Kim et al. | Inventory availability commitment under uncertainty in a dropshipping supply chain | |
Chao et al. | Optimal policy for a periodic-review inventory system under a supply capacity contract | |
Meng et al. | An optimal real-time pricing algorithm for the smart grid: a bi-level programming approach | |
CN104063810B (zh) | 一种基于大数据的用电因素影响模型的构建方法 | |
CN117422374A (zh) | 基于大数据技术的食堂智能采购方法、电子设备及介质 | |
Dorgham et al. | A novel dynamic pricing model for the telecommunications industry | |
Tee et al. | Short-term load forecasting using artificial neural networks | |
CN115965278A (zh) | 用于确定供应商配额的方法、处理器、装置及存储介质 | |
CN108073629B (zh) | 通过网站访问数据识别购买模式的方法及装置 | |
CN109242578A (zh) | 房屋价值预测方法、装置、计算机设备和存储介质 | |
JP2012514259A5 (zh) | ||
CN107368853A (zh) | 基于机器学习的电网项目分类确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
RJ01 | Rejection of invention patent application after publication |