CN107590571A - 一种基于用户行为分析的电量预测方法 - Google Patents
一种基于用户行为分析的电量预测方法 Download PDFInfo
- Publication number
- CN107590571A CN107590571A CN201710931863.4A CN201710931863A CN107590571A CN 107590571 A CN107590571 A CN 107590571A CN 201710931863 A CN201710931863 A CN 201710931863A CN 107590571 A CN107590571 A CN 107590571A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- algorithm bag
- algorithm
- quantity predicting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 37
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 4
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力设备技术领域,尤其涉及一种基于用户行为分析的电量预测方法。采集远程数据仓库的数据到本地数据库中,避免直接访问导致的运行速度慢的情况发生,通过对远程数据仓库内的用户数据进行属性定义,便于对采集的数据进行属性分类;系统设计时只用根据属性类型便列出相应的用户属性信息;在本体数据库中存储多个电量预测算法包,便于比较各个算法包的情况,通过处理控制器对收集到的数据进行预处理和预分析,便于利用电量预测算法包进行用户电量预测,获取远程数据仓库中的电量真实值,结合电量预测值,计算处预测准确率,将预测准确率和预测值发送至可视化交互界面,进而可或者适宜的电量预侧算法,提高电量预测的准确性。
Description
技术领域
本发明涉及电力设备技术领域,尤其涉及一种基于用户行为分析的电量预测方法。
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。
电力需求是一个复杂的动力学系统,外在因素对电力需求的影响可能是线性或非线性的。这时基于简单的时间序列回归不能反映电力需求与外在因素的动态调整关系,可能使得预测结果产生较大的偏差。由于饱和电力市场需求的变化规律复杂,而且受到多种因素的影响,而参数模型由于建立的模型所考虑的因素比较单一,预测的精度难以保证。电量的预测与用户行为有着直接的联系,用户行为包括其历史用电量和电价等信息,还涉及到涉及到客服、业务受理、设备运行、检修、事故等信息。
在模型选择方面,常用的季节指数平滑算法模型、人工神经网络算法模型,一方面,现有的单个模型功能单一,适用范围窄,另一方面开发者对电网公司的业务不熟悉,其生搬硬套其他行业的算法模型而没有选取适宜的模型导致预测的结果不准确。
针对上述问题,本发明提供一种基于用户行为分析的电量预测方法。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是提供一种基于用户行为分析的电量预测方法解决现有的电量预测方法存在的预测精度较低,预测结果不准确的问题。
(二)技术方案
为解决上述技术问题,本发明提供了一种基于用户行为分析的电量预测方法,包括以下步骤:
S1、通过操作可视化交互界面从多个独立的用户远程数据仓库采集数据;
S2、将采集到的数据存储在本地数据库,按月份和地区对远程数据仓库内的用户数据进行属性定义,并对收集到的用户数据进行属性分类,在本体数据库中存储多个电量预测算法包,并存储多个电量预测算法包的历史预测结果;
S3、通过处理控制器对收集到的数据进行预处理和预分析,并调用存储在本地数据库中的电量预测算法包进行用户电量预测;
S4、获取远程数据仓库中的电量真实值,结合电量预测值,计算处预测准确率;
S5、将预测准确率和预测值发送至可视化交互界面。
其中,所述电量预测算法包包括季节指数平滑算法包、人工神经网络算法包。
其中,所述远程数据仓库包括多个数据集,每个数据集的属性内容包括属性代码和属性含义。
其中,所述属性类别包括公司代码、行业类别、供电方式、供电电压等级、电能计量点等级、电能计量采集方式,用户类别、用户信用度。
其中,调用多个所述电量预测算法包进行电量预测包括以下步骤:
S301、根据设定的阈值,过滤准确率低于阈值的算法包;
S302、根据高于阈值的算法包的相对误差,根据如下公式确定算法包的权重:
其中,wij为第i月的第j个算法包的权重,Eij第i月的第j个算法包预测的相对误差,Ai为第i月用户的实际用电量,Pij为第i月的第j个算法包的预测结果;
S303、计算历史同期电量预测的权重;
S304、根据历史同期电量预测的权重,计算各算法包在未来一年内各月的权重;
S305、将高于阈值的单个算法包用于电量预测,并乘以各自每月的权值,再将其结果进行累加,从而得到最终的预测结果;
S306、根据预测的结果评估算法包,从而选择最佳算法包进行未来电量的预测。
其中,步骤S4中,
预测准确率=(预测值-真实值)/真实值。
其中,,所述步骤S3中,对收集的数据进行预处理包括增减、清洗,变换和选择;所述预分析包括对指定的数据集数据进行训练,评估算法包的准确率,以选择最佳算法包进行未来电量的预测。
其中,所述可视化交互界面设置有管理员登录模块。
其中,所述用户远程数据仓库的数据包括用电量信息、电价信息、电费信息、客服信息、设备运行检修信息及客户信用等级信息。
(三)有益效果
本发明的上述技术方案具有如下优点:通过本发明的基于用户行为分析的电量预测方法,采集远程数据仓库的数据到本地数据库中,避免直接访问导致的运行速度慢的情况发生,通过对远程数据仓库内的用户数据进行属性定义,便于对采集的数据进行属性分类,这样无论如何采集,其属性是一致的,系统设计时只用根据属性类型便列出相应的用户属性信息;在本体数据库中存储多个电量预测算法包,便于比较各个算法包的情况,通过处理控制器对收集到的数据进行预处理和预分析,便于利用电量预测算法包进行用户电量预测,获取远程数据仓库中的电量真实值,结合电量预测值,计算处预测准确率,将预测准确率和预测值发送至可视化交互界面,进而可或者适宜的电量预侧算法,提高电量预测的准确性。
附图说明
图1为本发明基于用户行为分析的电量预测方法的流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明提供的基于用户行为分析的电量预测方法,包括以下步骤:
S1、通过操作可视化交互界面从多个独立的用户远程数据仓库采集数据;
S2、将采集到的数据存储在本地数据库,按月份和地区对远程数据仓库内的用户数据进行属性定义,并对收集到的用户数据进行属性分类,在本地数据库中存储多个电量预测算法包,并存储多个电量预测算法包的历史预测结果;
S3、通过处理控制器对收集到的数据进行预处理和预分析,并调用存储在本地数据库中的电量预测算法包进行用户电量预测;
S4、获取远程数据仓库中的电量真实值,结合电量预测值,计算处预测准确率;
S5、将预测准确率和预测值发送至可视化交互界面。
上述技术方案中,用户远程数据仓库存储各个省级地方的电网公司的数据,包括用户信息,这些数据仓库当然是存储在相应的数据库中,这些数据是量是巨大的,直接访问必然带来必然导致运行速度慢,因此,需要采集到本地数据库中,本地数据库当然也是存处于相应的服务器中,远程数据仓库内的用户数据通过属性定义,便于对采集的数据进行属性分类,这样无论如何采集,其属性是一致的,系统设计时只用根据属性类型便列出相应的用户属性信息;在本体数据库中存储多个电量预测算法包,便于比较各个算法包的情况,通过处理控制器对收集到的数据进行预处理和预分析,便于利用电量预测算法包进行用户电量预测,获取远程数据仓库中的电量真实值,结合电量预测值,计算处预测准确率,将预测准确率和预测值发送至可视化交互界面,进而可或者适宜的电量预侧算法,提高电量预测的准确性。
优选地,电量预测算法包一般包括季节指数平滑算法包、人工神经网络算法包,当然也可包括基于季节指数的灰色算法包。
具体地,所述远程数据仓库包括多个数据集,每个数据集的属性内容包括属性代码和属性含义。除了从远程数据仓库中获取数据集,也可以从本地数据库中获取,由于电网公司中有众多数据集,数据集之间的关系比较复杂,便于查阅方便,设置属性代码和属性含义。
具体地,属性类别包括公司代码、行业类别、供电方式、供电电压等级、电能计量点等级、电能计量采集方式,用户类别、用户信用度,通过属性类别,方便查询,同时也方便各种算法调用电力用户信息。
优选地,调用多个电量预测算法包进行电量预测包括以下步骤:
S301、根据设定的阈值,过滤准确率低于阈值的算法包;
S302、根据高于阈值的算法包的相对误差,根据如下公式确定算法包的权重:
其中,wij为第i月的第j个算法包的权重,Eij第i月的第j个算法包预测的相对误差,Ai为第i月用户的实际用电量,Pij为第i月的第j个算法包的预测结果;
S303、计算历史同期电量预测的权重;
S304、根据历史同期电量预测的权重,计算各算法包在未来一年内各月的权重;
S305、将高于阈值的单个算法包用于电量预测,并乘以各自每月的权值,再将其结果进行累加,从而得到最终的预测结果;
S306、根据预测的结果评估算法包,从而选择最佳算法包进行未来电量的预测。
通过上述算法,综合多个模型使用,从而能够最大限度地利用每个模型的优点,能够更全面更系统地对用户的月度用电量进行预测,从而能够提高预测的准确率。
在步骤S4中,
预测准确率=(预测值-真实值)/真实值。
根据预测的准确率,从而选择最佳的的算法包来预测未来的用电量。
具体地,步骤S3中,对收集的数据进行预处理包括增减、清洗,变换和选择;所述预分析包括对指定的数据集数据进行训练,评估算法包的准确率,以选择最佳算法包进行未来电量的预测。
优选地,所述可视化交互界面设置有管理员登录模块;管理员通过账号密码可以进入系统进行数据信息的查询。
具体地,所述用户远程数据仓库的数据包括用电量信息、电价信息、电费信息、历史实际用电量信息、客服信息、设备运行检修信息及客户信用等级信息。
综上所述,通过本发明的基于用户行为分析的电量预测方法,采集远程数据仓库的数据到本地数据库中,避免直接访问导致的运行速度慢的情况发生,通过对远程数据仓库内的用户数据进行属性定义,便于对采集的数据进行属性分类,这样无论如何采集,其属性是一致的,系统设计时只用根据属性类型便列出相应的用户属性信息;在本体数据库中存储多个电量预测算法包,便于比较各个算法包的情况,通过处理控制器对收集到的数据进行预处理和预分析,便于利用电量预测算法包进行用户电量预测,获取远程数据仓库中的电量真实值,结合电量预测值,计算处预测准确率,将预测准确率和预测值发送至可视化交互界面,进而可或者适宜的电量预侧算法,提高电量预测的准确性。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种基于用户行为分析的电量预测方法,其特征在于,包括以下步骤:
S1、通过操作可视化交互界面从多个独立的用户远程数据仓库采集数据;
S2、将采集到的数据存储在本地数据库,按月份和地区对远程数据仓库内的用户数据进行属性定义,并对收集到的用户数据进行属性分类,在本体数据库中存储多个电量预测算法包,并存储多个电量预测算法包的历史预测结果;
S3、通过处理控制器对收集到的数据进行预处理和预分析,并调用存储在本地数据库中的电量预测算法包进行用户电量预测;
S4、获取远程数据仓库中的电量真实值,结合电量预测值,计算处预测准确率;
S5、将预测准确率和预测值发送至可视化交互界面。
2.如权利要求1所述的基于用户行为分析的电量预测方法,其特征在于,所述电量预测算法包包括季节指数平滑算法包、人工神经网络算法包。
3.如权利要求2所述的基于用户行为分析的电量预测方法,其特征在于,所述远程数据仓库包括多个数据集,每个数据集的属性内容包括属性代码和属性含义。
4.如权利要求3所述的基于用户行为分析的电量预测方法,其特征在于,所述属性类别包括公司代码、行业类别、供电方式、供电电压等级、电能计量点等级、电能计量采集方式,用户类别、用户信用度。
5.如权利要求4所述的基于用户行为分析的电量预测方法,其特征在于,调用多个所述电量预测算法包进行电量预测包括以下步骤:
S301、根据设定的阈值,过滤准确率低于阈值的算法包;
S302、根据高于阈值的算法包的相对误差,根据如下公式确定算法包的权重:
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<mo>=</mo>
<mfrac>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>|</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
</mrow>
其中,wij为第i月的第j个算法包的权重,Eij第i月的第j个算法包预测的相对误差,Ai为第i月用户的实际用电量,Pij为第i月的第j个算法包的预测结果;
S303、计算历史同期电量预测的权重;
S304、根据历史同期电量预测的权重,计算各算法包在未来一年内各月的权重;
S305、将高于阈值的单个算法包用于电量预测,并乘以各自每月的权值,再将其结果进行累加,从而得到最终的预测结果;
S306、根据预测的结果评估算法包,从而选择最佳算法包进行未来电量的预测。
6.如权利要求5所述的基于用户行为分析的电量预测方法,其特征在于,步骤S4中,
预测准确率=(预测值-真实值)/真实值。
7.如权利要求6所述的基于用户行为分析的电量预测方法,其特征在于,所述步骤S3中,对收集的数据进行预处理包括增减、清洗,变换和选择;所述预分析包括对指定的数据集数据进行训练,评估算法包的准确率,以选择最佳算法包进行未来电量的预测。
8.如权利要求1所述的基于用户行为分析的电量预测方法,其特征在于,所述可视化交互界面设置有管理员登录模块。
9.如权利要求1所述的基于用户行为分析的电量预测方法,其特征在于,所述用户远程数据仓库的数据包括用电量信息、电价信息、电费信息、客服信息、设备运行检修信息及客户信用等级信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931863.4A CN107590571A (zh) | 2017-10-10 | 2017-10-10 | 一种基于用户行为分析的电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931863.4A CN107590571A (zh) | 2017-10-10 | 2017-10-10 | 一种基于用户行为分析的电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590571A true CN107590571A (zh) | 2018-01-16 |
Family
ID=61052146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710931863.4A Pending CN107590571A (zh) | 2017-10-10 | 2017-10-10 | 一种基于用户行为分析的电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590571A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047075A (zh) * | 2019-11-18 | 2020-04-21 | 广东卓维网络有限公司 | 一种用于电量数据查询和统计的方法 |
-
2017
- 2017-10-10 CN CN201710931863.4A patent/CN107590571A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047075A (zh) * | 2019-11-18 | 2020-04-21 | 广东卓维网络有限公司 | 一种用于电量数据查询和统计的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Microgrid to enable optimal distributed energy retail and end-user demand response | |
Hilorme et al. | Smart grid concept as a perspective for the development of Ukrainian energy platform | |
Detert et al. | Real options approach to renewable energy investments in Mongolia | |
Önüt et al. | Multiple criteria evaluation of current energy resources for Turkish manufacturing industry | |
CN109428344B (zh) | 含风电场的多电源投资规划方法和装置 | |
CN108629500A (zh) | 一种适用于新电改背景下电力客户综合价值评估方法 | |
CN107346502A (zh) | 一种基于大数据的迭代产品销售预测方法 | |
Ding et al. | Optimal sizing of user-side energy storage considering demand management and scheduling cycle | |
CN106067137A (zh) | 一种基于智能电网监控系统的客户信用等级评价方法 | |
CN109165763A (zh) | 一种95598客服工单的潜在被投诉的评估方法及装置 | |
CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
CN107590571A (zh) | 一种基于用户行为分析的电量预测方法 | |
JP2016213987A (ja) | 電力小売料金メニュー策定装置 | |
CN104268804A (zh) | 基于层次化数据包络分析的电力优质客户数据挖掘方法 | |
Muangjai et al. | An apply IoT for collection and analysis of specific energy consumption in production line of ready-to-drink juice at the second royal factory mae chan | |
Barbour | Segmentation of household smart meter data linked to PV and battery value | |
Zhang et al. | Joint planning of residential electric vehicle charging station integrated with photovoltaic and energy storage considering demand response and uncertainties | |
CN111027831A (zh) | 一种基于经济评价模型的投资决策方法及系统 | |
Wang et al. | Optimal allocation of customer energy storage based on power big data and improved LSTM load forecasting | |
Nair et al. | Selection of electricity tariff designs for distribution networks using analytic network process | |
Mabile | Consumer preferences of solar systems in Boston and Atlanta: a choice experiment | |
Baliyan et al. | Predictive Analytics for Energy Forecasting and Optimization | |
CN117557300B (zh) | 基于主要设备的能耗数据推演商业活跃度的方法及系统 | |
CN107403276A (zh) | 分析用电需求的方法和装置 | |
Alqasim | Using Regression Analysis for Predicting Energy Consumption in Dubai Police |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180116 |
|
WD01 | Invention patent application deemed withdrawn after publication |