CN108573323B - 能源互联网用户用电量预测方法、系统、设备及存储介质 - Google Patents
能源互联网用户用电量预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN108573323B CN108573323B CN201810224418.9A CN201810224418A CN108573323B CN 108573323 B CN108573323 B CN 108573323B CN 201810224418 A CN201810224418 A CN 201810224418A CN 108573323 B CN108573323 B CN 108573323B
- Authority
- CN
- China
- Prior art keywords
- predicted
- time period
- target data
- data block
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims description 10
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002912 waste gas Substances 0.000 description 1
Images
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供了一种能源互联网用户用电量预测方法,包括:将待预测的用户用电数据划分为多个待预测目标数据块;基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比;将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果。本发明实施例提供的一种能源互联网用户用电量预测方法及系统,通过自回归估计序列块之间的相关系数和幅度比,结合估计匹配与加权平均,从而实现更加精确的多点同时用电量预测。
Description
技术领域
本发明实施例涉及能源技术领域,尤其涉及一种能源互联网用户用电量预测方法及系统。
背景技术
随着社会和经济的发展,全球电力消耗不断快速增长,而家庭用户的用电量占其中很大的一部分。对家庭用户用电量的有效管理和控制,是全球能源系统的可持续发展的重要保障,能够实现节能和提高能源使用效率,降低供用电成本和环境污染,保障全球经济的快速、平稳发展。
能源互联网是目前最先进的能源系统,基于泛在、高效的信息通信基础设施和开放、共享的互联网理念,结合物联网技术与信息物理融合系统,能源互联网能够通过能源梯级利用和多能互补,最大化能源利用效率,大幅降低能源生产和消费成本,促进环境保护和降低废气排放,为社会和谐发展和人类幸福生活提供坚实的能源保障。能源互联网的高效运行建立在对电力消费特性的精确理解基础之上,因此快速、精确的用户用电量预测成为能源互联网高效运行的基本保证,是能源互联网系统进行平稳、高效能量管理和调度的先决条件之一。只有通过在不同时间维度和空间维度上实现精确、高效的用户用电量预测,才能为下一阶段的电力调度和管理提供参考,是实现需求侧管理和需求响应的重要技术支撑。同时,能源互联网的运行需要结合不同阶段、不同区域的用电特性进行综合性判断,由此导致对用户用电量的预测需要同时在不同时间维度和空间维度上进行。
传统的用电量预测算法需要根据不同维度下的用电特性,采用不同的电力预测技术,并且现有的预测方法由于预测过程中采用迭代估计,从而造成预测精度会随时间距离的变化而下降,故而现在亟需一种能源互联网用户用电量预测方法,来实现用电量的精确预测。
发明内容
针对现有技术存在的问题,本发明实施例提供一种能源互联网用户用电量预测方法及系统,通过自回归估计数据块之间的相关系数和幅度比,结合估计匹配与加权平均,对未来一段时间内用户的用电量进行精确预测。
第一方面本发明实施例提供一种能源互联网用户用电量预测方法,包括:
S1、将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;
S2、基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;
S3、将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果。
第二方面本发明实施例提供了一种能源互联网用户用电量预测系统,所述系统包括:
分块模块,用于将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;
获取模块,用于基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;
预测模块,用于将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果。
第三方面本发明实施例提供了一种能源互联网用户用电量预测设备,包括:
处理器、存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述所述的一种能源互联网用户用电量预测方法。
第四方面本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述方法。
第五方面本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种能源互联网用户用电量预测方法及系统,通过自回归估计序列块之间的相关系数和幅度比,结合估计匹配与加权平均,从而实现更加精确的多点同时用电量预测。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的一种能源互联网用户用电量预测方法流程图;
图2为本发明实施例提供的基于用电量预测的需求响应削峰填谷示意图;
图3是本发明实施例提供的一种能源互联网用户用电量预测系统结构图;
图4是本发明实施例提供的能源互联网用户用电量预测设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
图1是本发明实施例提供的一种能源互联网用户用电量预测方法流程图,如图1所示,所述方法包括:
S1、将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;
S2、基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;
S3、将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果。
可以理解的是,现有技术对于用户用电量的预测过程中,由于迭代预测的过程会导致预测精度会随时间距离而下降,从而造成时间恶化效应。
针对上述现有技术中存在的问题,本发明实施例提供了一种能源互联网用户用电量预测方法,来实现多个点的用电量的同时预测,并且在预测过程中不会出现时间恶化效应,从而完成对用户用电量的有效预测。
可以理解的是,对于能源互联网的用户而言,其用户用电量一般具有周期性和平稳特性,也就是说对于同一用户,其每一时间快所用电量的数据具有一定的相关性,以及其在同一时间段的不同天数中也会具有相关特性。
那么针对这一相关特性,本发明实施例通过将数据按时间段分块的形式,再从数据块的相关性中着手进行分析,并结合训练好的各个时间段的预测模型,实现对任意时间段的用户用电量进行预测。
具体的,步骤S1中,所述待预测的用户用电数据即在能源互联网运行过程中,用电量数据采集设备以一定的时间频度记录某一设备、某一房间、某一家庭、某一小区乃至某一城市的用电量数据,并将其保存在相应的数据库中,当需要进行某一维度用户的用电量预测时,通过在数据库中将该用户相关的时间维度和空间维度上数据聚合,形成本发明实施例所需的待预测的用户用电数据,聚合过程包括如相加或取最大值、中值和平均值等方式,具体的本发明实施例不予限定。
进一步的,本发明实施例根据待预测的用户用电数据的时间位置,将数据分为多个待预测目标数据块,每个待预测目标数据块中的数据数量相同且对应不同的时间段,例如将某一天用户的0:00到24:00 的数据按照两小时间隔进行分段,那么可以分为12个待预测目标数据块,每个待预测目标数据块中均包含等量的连续时间用户数据,也可称为数据序列,一般的,每个待预测目标数据块中可以包含4-8个连续时间用户数据。
步骤S2中,所述训练后每个时间段对应的预测模型为本发明实施例针对不同时间段的不同特性,为每个时间段分别建立的模型并训练得到的预测模型,通过该预测模型,能够计算出本发明实施例预测过程所需的自回归系数。
进一步的,将每个时间段的待预测目标数据块输入对应时间段的预测模型中,可以在预测模型中计算出待预测目标数据块和参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块,例如:待预测的目标数据块为1月3号的2:00-4:00时间段内的数据,那么参考目标数据块就是不同于1月3号,例如1月2号、1月1号同样在2:00-4:00 内的数据块,可以理解的是,参考目标数据块的个数即为选择的天数,以10天为例,那么对于10个参考目标数据块,需要分别计算每个参考目标块与待预测目标数据块之间的相关系数和幅度比,一共计算10 次,可以理解的是,上述提供的数量只为了说明,而非具体限定。
步骤S3中,对于多个计算出的参考目标数据块需要进行块匹配,从中选出相关性最优的参考目标数据块,块匹配的条件为所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值,然后对满足条件的所有参考目标数据进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果,可以理解的是,可以利用该方案实现对任意数据块的预测,从而克服了时间恶化效应,实现对用户用电量的精确预测。
需要说明的是,预测的数据可以用于用户用电负荷形状估计、用户用电量管理、尖峰用电量预测和管理、系统整体用电量预测和管理、能源总体调度、新能源生产管理等具体的能量管理任务,并可成为触发需求侧管理或需求响应等高级应用的先决条件,也可以应用到其它具有周期性和平稳性的数据序列估计和预测之中,如能源互联网特定时间段通信流量预测,能源互联网某时间段能源交易量预测以及周期性数据预测理论本身。
图2为本发明实施例提供的基于用电量预测的需求响应削峰填谷示意图,如图2所示,本发明实施例提供的用户用电量预测结果可以用于能源互联网需求侧管理或需求响应任务中,并且能够通过电量预测结果控制用户侧用电方式改变,可以实现削峰填谷的效果。
在上述实施例的基础上,所述方法还包括:
按照不同的时间段分别建立每个时间段对应的预测模型,并根据历史采集数据分别对每个时间段对应的预测模型进行训练,所述历史采集数据为按照一定时间间隔不间断采集的用户用电历史数据,并按照预设时间段对所述用户用电历史数据进行标记。
可以理解的是,本发明实施例对每个时间段的预测均建立了相应的预测模型并进行了训练,在建模训练的过程中,需要获取历史采集数据并进行预处理。
具体的,本发明实施例按照一定的时间间隔进行不间断采集用户的用电数据,并根据用户用电时间进行标记,以将用电数据划分在预设的各个时间段内。
同时,将采集的大量数据按照时间段由前至后的顺序进行排序,并以天为单位将数据按照一定比例分为训练数据和测试数据,优选的,本发明实施例将比例设为8:2,80%的数据用于训练,20%的数据用于测试。
在上述实施例的基础上,所述根据历史采集数据分别对每个时间段对应的预测模型进行训练,具体包括:
基于历史采集数据,获取每个时间段对应的相关系数和幅度比序列;
基于自回归算法和每个时间段对应的相关系数和幅度比序列,计算每个时间段对应的自回归系数。
可以理解的是,本发明实施例对每个时间段对应的模型采用的训练方式是一致的,都是获取该时间段对应的相关系数和幅度比序列,从而计算该事件段对应自回归系数。
具体的,对于训练数据,随机选取任意不同两天内,对应相同时间段内,包含n个数据序列的数据块。
按照一一对应的原则,分别计算数据块之间的相关系数和幅度比 (取对数形式),形成相关序列,并将该过程重复m次。
例如:n=4,训练数据任选两天的数据块分别形成8个数据序列: xn:x1,x2,x3,x4、yn:y1,y2,y3,y4。
那么计算
n=1:4
Corn=xcor(xn,yn)
Scalen=mean(xn)/mean(yn)
max_value=max(mean(xn)/mean(yn))
Scalen=2*Scalen/max_value-1
从而形成每个时间段对应的相关系数和幅度比序列 Cor1,Cor2,Cor3,Cor4,Scale1,Scale2,Ccale3,Scale4。
由于上述过程重复了m次,那么可以获取m组相关系数和幅度比序列,假定每个序列中第n个相关系数或幅度比与前n-1个相关系数和幅度比整体符合线性自回归模型,即:
利用自回归算法,计算相关系数:
其中,Corp和Scalep为自回归模型的预测结果,Corm=n和Scalem=n为实际测量的第n对数据。
在上述实施例的基础上,所述基于历史采集数据,获取每个时间段对应的相关系数和幅度比序列,还包括:
基于预设的截断函数对历史采集数据进行截断,以使获取的每个时间段对应的幅度比在预设范围内,所述截断函数至少包括对数函数或最大值归一化函数。
可以理解的是,在上述实施例提供的训练过程中,对于相关幅度比的计算过程需要将相关幅度比限制在预设范围内,一般的为-1到1 之间,那么就需要对数据进行截断,从而保证相关幅度比不会超范围。
截断函数本发明实施例中优选的可以采用对数函数和最大值归一化函数,但本发明实施例不限定截断函数的类型,采用对数函数的表达式为:
Scalem=logk(Scalem)。
采用最大值归一化的表达式为:
Scalem=2*Scalem/max(Scalem)-1。
其他例如最大最小值归一化:
Scalem=(Scalem-min_value)*2/(max_value-min_value)-1等能够完成本发明实施例目的的截断函数均可适用于本发明实施例。
在上述实施例的基础上,步骤S2具体包括:
基于训练后每个时间段对应的预测模型,计算待预测时间段之外的待预测数据块和参考数据块之间的相关系数和幅度比;
基于待预测时间段之外的待预测数据块和参考数据块之间的相关系数和幅度比和待预测时间段对应的自回归系数,计算待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比。
需要说明的是,本发明实施例在预测过程中,除了选用待预测时间段的待预测目标数据块,还需要选择和待预测时间段不同的其他数据块作为本发明实施例中所述的待预测时间段之外的待预测数据块,以及相应的选择参考目标数据块时间段不同的数据块作为参考数据块,例如:对于要预测的2:00-4:00的待预测目标数据块,本发明实施例会取2:00-4:00之前的n-1个数据块作为待预测数据块,以及其他m 天内与待预测数据块相同时间段的n个数据块,那么这n个数据块中就包括与待预测目标数据块对应的参考目标数据块以及与待预测数据块对应的参考数据块。
进一步的,本发明实施例对其它每一天内的参考数据块序列,以一一对应的方式,计算其前n-1个数据块与待预测数据块前的n-1个数据块之间的相关系数和幅度比,即待预测数据块和参考数据块之间的相关系数和幅度比,计算过程如下:
m=1:n-1
Corm=xcor(xm,ym)
Scalem=mean(xm)/mean(ym)
Scalem=2*Scalem/max(Scalem)-1。
然后根据待预测数据块和参考数据块之间的相关系数和幅度比的计算结果以及训练过程中所获取的自回归系数的值,可以计算其它每一天内第n个数据块与待预测数据块之间的相关系数和幅度比估计值,即每个参考目标数据块与待预测目标数据块之间的相关系数和幅度比估计值,根据参考目标数据块的数量决定计算次数,以上述例子中的 m天为例,那么需要计算m次,计算过程如下:
其中,Cor为相关系数,Scale为幅度比,km、k'm为上述实施例中计算获取的该时间段对应自回归系数。
可以理解的是,通过相关系数与幅度比的结合,可以有效描述数据块之间的相关性;通过线性自回归预测,可以有效预测数据块之间的相关性趋势,从而实现准确预测。
那么在进行块匹配的过程时,可以通过在m天的参考目标数据块中进行选择相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块,优选的,本发明实施例将第一预设阈值设置为 0.9,第二预设阈值设置为0.2,然后将满足条件的参考目标数据块进行加权平均,获取当前待预测目标数据块的预测值:
Scalem=(Scalem+1)*max_value/2
其中,ym为参考目标数据块,xtest为待预测目标数据块的预测值。
可以理解的是,通过相关性阈值匹配,可以去除不相关的数据样本,并通过加权平均的方式,可以在一定程度上消除数据的随机性和突发性,从而以较高的准确概率实现对用电量的预测
需要说明的是,在进行加权平均时,本发明实施例可以将相关系数替换为相关系数的重要性函数,但替换的相关系数的重要性函数需要保证该函数的单调递增性质,例如:指数函数、对数函数、反正切函数等:
Corm=f(Corm)
f(x)=ex
f(x)=logx
f(x)=arctan(x)。
不同的函数选择会对预测性能造成不同的影响,并具有不同的预测效果,本发明实施例可以根据预测效果最好的状况进行合理调整。
在上述实施例的基础上,步骤S3之后所述方法还包括:
计算待预测目标数据块的预测结果和真实数据之间的平均绝对误差值和平均相对误差值,以评估预测性能。
可以理解的是,对于预测结果本发明实施例还提供了一种性能评估的方法,即预测不同时间段k个数据块的用电量数据,根据平均绝对误差和平均相对误差对算法性能进行评估,从而选择性能最佳的系统函数。
平均绝对误差和平均相对误差计算如下:
其中,error1为平均绝对误差,error2为平均相对误差,xtest为预测值,xreal为真实数据值。
那么当平均绝对误差和平均相对误差最小时,预测性能最佳,此时选用的系统函数也就最好,那么平均绝对误差和平均相对误差较大时,则证明此时预测性能不佳,需要合理更换系统函数。
综合上述实施例的预测方法过程,本发明实施例提供的预测方法在预测过程中没有维度限制,既可以实现短期预测(一天到一周),也可以实现超短期(几分钟到一天)、中期(一周到一年)和长期预测(一年到几年),可以根据预测维度自适应确定序列块的长度和采样时间间隔,并且都能取得较好的预测效果。
图3是本发明实施例提供的一种能源互联网用户用电量预测系统结构图,如图3所示,所述系统包括:分块模块1、获取模块2以及预测模块3,其中:
分块模块1用于将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;
获取模块2用于基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;
预测模块3用于将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果。
具体的如何通过分块模块1、获取模块2以及预测模块3对能源互联网用户用电量预测可用于执行图1所示的能源互联网用户用电量预测方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本发明实施例提供的一种能源互联网用户用电量预测系统,通过自回归估计序列块之间的相关系数和幅度比,结合估计匹配与加权平均,从而实现更加精确的多点同时用电量预测。
本发明实施例提供一种能源互联网用户用电量预测设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:
图4是本发明实施例提供的能源互联网用户用电量预测设备的结构框图,参照图4,所述时间序列变化检测设备,包括:处理器 (processor)810、通信接口(CommunicationsInterface)820、存储器 (memory)830和总线840,其中,处理器810,通信接口820,存储器830通过总线840完成相互间的通信。通信接口820可以用于服务器与时间序列变化检测设备之间的信息传输。处理器810可以调用存储器 830中的逻辑指令,以执行如下方法:S1、将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;S2、基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;S3、将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:S1、将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;S2、基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;S3、将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1、将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;S2、基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;S3、将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种能源互联网用户用电量预测方法,其特征在于,包括:
S1、将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;
S2、基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;
S3、将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果;
步骤S2之前所述方法还包括:
按照不同的时间段分别建立每个时间段对应的预测模型,并根据历史采集数据分别对每个时间段对应的预测模型进行训练,所述历史采集数据为按照一定时间间隔不间断采集的用户用电历史数据,并按照预设时间段对所述用户用电历史数据进行标记;
所述根据历史采集数据分别对每个时间段对应的预测模型进行训练,具体包括:
基于历史采集数据,获取每个时间段对应的相关系数和幅度比序列;
基于自回归算法和每个时间段对应的相关系数和幅度比序列,计算每个时间段对应的自回归系数;
步骤S2具体包括:
基于训练后每个时间段对应的预测模型,计算待预测时间段之外的待预测数据块和参考数据块之间的相关系数和幅度比;
基于待预测时间段之外的待预测数据块和参考数据块之间的相关系数和幅度比和待预测时间段对应的自回归系数,计算待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比。
2.根据权利要求1所述的方法,其特征在于,所述基于历史采集数据,获取每个时间段对应的相关系数和幅度比序列,还包括:
基于预设的截断函数对历史采集数据进行截断,以使获取的每个时间段对应的幅度比在预设范围内,所述截断函数至少包括对数函数或最大值归一化函数。
3.根据权利要求1所述的方法,其特征在于,步骤S3之后所述方法还包括:
计算待预测目标数据块的预测结果和真实数据之间的平均绝对误差值和平均相对误差值,以评估预测性能。
4.一种能源互联网用户用电量预测系统,其特征在于,所述系统包括:
分块模块,用于将待预测的用户用电数据划分为多个待预测目标数据块,每个待预测目标数据块对应不同的时间段;
获取模块,用于基于训练后每个时间段对应的预测模型,分别获取各个时间段对应的待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比,所述参考目标数据块为与所述待预测目标数据块采集时间段相同且采集日期不同的数据块;
预测模块,用于将所述相关系数大于第一预设阈值且所述幅度比小于第二预设阈值的参考目标数据块进行加权平均,并将加权平均的结果作为待预测目标数据块的预测结果;
所述系统还包括训练模块,用于按照不同的时间段分别建立每个时间段对应的预测模型,并根据历史采集数据分别对每个时间段对应的预测模型进行训练,所述历史采集数据为按照一定时间间隔不间断采集的用户用电历史数据,并按照预设时间段对所述用户用电历史数据进行标记;
所述根据历史采集数据分别对每个时间段对应的预测模型进行训练,具体包括:
基于历史采集数据,获取每个时间段对应的相关系数和幅度比序列;
基于自回归算法和每个时间段对应的相关系数和幅度比序列,计算每个时间段对应的自回归系数;
获取模块具体用于:
基于训练后每个时间段对应的预测模型,计算待预测时间段之外的待预测数据块和参考数据块之间的相关系数和幅度比;
基于待预测时间段之外的待预测数据块和参考数据块之间的相关系数和幅度比和待预测时间段对应的自回归系数,计算待预测目标数据块与多个参考目标数据块之间的相关系数和幅度比。
5.一种计算机设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至3任一所述的方法。
6.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810224418.9A CN108573323B (zh) | 2018-03-19 | 2018-03-19 | 能源互联网用户用电量预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810224418.9A CN108573323B (zh) | 2018-03-19 | 2018-03-19 | 能源互联网用户用电量预测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108573323A CN108573323A (zh) | 2018-09-25 |
CN108573323B true CN108573323B (zh) | 2020-10-16 |
Family
ID=63574455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810224418.9A Active CN108573323B (zh) | 2018-03-19 | 2018-03-19 | 能源互联网用户用电量预测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573323B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658124A (zh) * | 2018-10-24 | 2019-04-19 | 中国平安人寿保险股份有限公司 | 基于大数据的效果预测方法、装置、介质及电子设备 |
CN109556898B (zh) * | 2018-11-22 | 2021-03-02 | 京东方科技集团股份有限公司 | 一种确定设备的性能稼动率的方法及存储介质 |
CN111461377B (zh) * | 2019-01-18 | 2024-02-02 | 中国科学院上海高等研究院 | 用于能源总需求量的预测方法/系统、存储介质及设备 |
CN109917760B (zh) * | 2019-03-08 | 2019-12-06 | 湖南灵想科技股份有限公司 | 一种智能互联大数据处理系统及方法 |
CN113222269A (zh) * | 2021-05-24 | 2021-08-06 | 郑州轻工业大学 | 基于大数据和人工智能的信息处理方法、系统和存储介质 |
CN113673864A (zh) * | 2021-08-19 | 2021-11-19 | 中国石油化工股份有限公司 | 一种能源自动分输方法 |
CN115130788B (zh) * | 2022-08-29 | 2022-11-22 | 江苏濠玥电子科技有限公司 | 基于大数据分析的用电预测系统 |
CN116957367B (zh) * | 2023-09-21 | 2024-01-09 | 南昌大学 | 综合能源系统运行策略的参数多时间尺度预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194502A (zh) * | 2017-05-04 | 2017-09-22 | 山东大学 | 一种居民用户电力负荷预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10281508B2 (en) * | 2015-04-22 | 2019-05-07 | Electronics And Telecommunications Research Institute | Method and apparatus for automated electricity demand response based on online trading of demand side resources |
CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
CN105469209A (zh) * | 2015-11-24 | 2016-04-06 | 中国电建集团成都勘测设计研究院有限公司 | 光伏电站太阳能资源评估及发电量计算系统及方法 |
-
2018
- 2018-03-19 CN CN201810224418.9A patent/CN108573323B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194502A (zh) * | 2017-05-04 | 2017-09-22 | 山东大学 | 一种居民用户电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
基于数据分析的预测理论与方法研究;王晓佳;《中国博士学位论文全文数据库 经济与管理科学辑》;20130615(第6期);第18-31、83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108573323A (zh) | 2018-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573323B (zh) | 能源互联网用户用电量预测方法、系统、设备及存储介质 | |
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
CA2713889C (en) | System and method for estimating combined workloads of systems with uncorrelated and non-deterministic workload patterns | |
CN110599240A (zh) | 应用的偏好值确定方法、装置和设备及存储介质 | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN116757465A (zh) | 一种基于双训练权重分配模型的线路风险评估方法及装置 | |
CN114581119A (zh) | 流量预测方法以及装置 | |
US20140324760A1 (en) | Synthetic time series data generation | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
Wang et al. | A Transformer-based multi-entity load forecasting method for integrated energy systems | |
Singh et al. | Load forecasting at distribution transformer using IoT based smart meter data from 6000 Irish homes | |
CN116646917A (zh) | 一种校园多步概率电力负荷预测方法及系统 | |
CN110880987A (zh) | 一种基于时间特征的分组域网络容量预测方法及系统 | |
CN114169590B (zh) | 一种基于多情景划分的水库入库径流预报校正方法和系统 | |
CN115130764A (zh) | 基于状态评估的配电网态势预测方法及系统 | |
CN112862014A (zh) | 客户信用预警方法及装置 | |
CN110084399B (zh) | 一种基于支持向量机的周期性时间序列预测方法 | |
CN117856253A (zh) | 一种电力系统概率负荷预测方法和装置 | |
CN117934247A (zh) | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 | |
CN115391423A (zh) | 一种模型参数优化处理方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |