CN109214578A - 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 - Google Patents

电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 Download PDF

Info

Publication number
CN109214578A
CN109214578A CN201811095427.9A CN201811095427A CN109214578A CN 109214578 A CN109214578 A CN 109214578A CN 201811095427 A CN201811095427 A CN 201811095427A CN 109214578 A CN109214578 A CN 109214578A
Authority
CN
China
Prior art keywords
building
attributive character
tree
decision
model
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.)
Granted
Application number
CN201811095427.9A
Other languages
English (en)
Other versions
CN109214578B (zh
Inventor
常河
阮晓雯
徐亮
肖京
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811095427.9A priority Critical patent/CN109214578B/zh
Publication of CN109214578A publication Critical patent/CN109214578A/zh
Application granted granted Critical
Publication of CN109214578B publication Critical patent/CN109214578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本方案涉及智能决策，提供一种基于决策树的建筑物用电负荷预测方法，该方法包括：接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；根据接收到的标识信息，获取该建筑物的属性特征；根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。能够提高建筑物电力负荷预测的准确性以及预测性能。此外，本发明还提出一种电子装置及存储介质。

Description

电子装置、基于决策树模型的建筑物用电负荷预测方法及存 储介质
技术领域
本发明涉及电力负荷值预测领域，尤其涉及一种电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质。
背景技术
建筑物电力负荷的预测是电力系统发电计划的重要组成部分，是对发电、输电和电能分配等合理安排的必要前提，是电力系统经济运行的基础。
而目前常用的电力负荷预测方法主要是使用逻辑回归等线性算法来实现，线性算法虽然能够对电力负荷进行预测，但是其性能相对而言会差一些，这是由于传统的线性模型对特征组合的分析效率较低，导致构建模型的性能也较低，从而导致无法保证模型的预测准确性。因此，提高电力负荷预测的准确性和预测模型的性能是亟待解决的问题。
发明内容
有鉴于此，本发明提出一种电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质，能够提高建筑物电力负荷预测的准确性以及预测性能。
首先，为实现上述目的，本发明提出一种电子装置，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于决策树模型的建筑物用电负荷预测程序，所述基于决策树模型的建筑物用电负荷预测程序被所述处理器执行时实现如下步骤：
A1、接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；
A2、根据接收到的标识信息，获取该建筑物的属性特征；
A3、根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。
优选地，在所述步骤A2中，所述建筑物的属性特征包括：建筑物表面积、经纬度、楼层数、各个温度测量取样点、在预定义时间的地面温度以及在预定义单位时间的日类型；其中，所述建筑物表面积、经纬度、楼层数可以直接通过搜索该建筑物的简介而获得；所述各个温度测量取样点根据该建筑物的其他属性特征进行设置；所述在预定义单位时间的地面温度可以通过气象台的气象记录获得，所述建筑物在预定义单位时间的日类型包括工作日和休息日。
优选地，在所述步骤A3中，所述预先构建的电力负荷预测模型为决策树模型；所述决策树模型的构建过程包括：
获取预先确定的多个建筑物在预设时间段内的各个预定义单位时间的属性特征，并删除相同的属性特征以及具有缺失项的属性特征，以构成训练样本集；
根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征；
根据生成的交叉组合属性特征对逻辑回归Logistic Regression模型进行训练，以构建出所述电力负荷预测模型。
优选地，所述根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征的步骤，包括：
根据训练样本集中各个预定义单位时间的属性特征对GBDT模型进行训练，以构建具有N颗树的GBDT模型，其中，N为正整数；
根据GBDT模型中的N颗树挖掘各属性特征之间的关联关系；
根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征。
优选地，所述根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征的步骤，包括：
将各属性特征对应的数据依次通过GBDT模型中的N颗树，直至每个属性特征对应的数据均分配至每颗树的叶子节点；
针对GBDT模型中的每棵树，将从每棵树的根节点至叶子节点所经过的路径上所对应的属性特征对应的数据进行组合，以生成交叉组合属性特征。
此外，为实现上述目的，本发明还提出一种基于决策树模型的建筑物用电负荷预测方法，所述方法包括如下步骤：
S1、接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；
S2、根据接收到的标识信息，获取该建筑物的属性特征；
S3、根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。
优选地，在所述步骤S2中，所述建筑物的属性特征包括：建筑物表面积、经纬度、楼层数、各个温度测量取样点、在预定义时间的地面温度以及在预定义单位时间的日类型；其中，所述建筑物表面积、经纬度、楼层数可以直接通过搜索该建筑物的简介而获得；所述各个温度测量取样点根据该建筑物的其他属性特征进行设置；所述在预定义单位时间的地面温度可以通过气象台的气象记录获得，所述建筑物在预定义单位时间的日类型包括工作日和休息日。
优选地，在所述步骤S3中，所述预先构建的电力负荷预测模型为决策树模型；所述决策树模型的构建过程包括：
获取预先确定的多个建筑物在预设时间段内的各个预定义单位时间的属性特征，并删除相同的属性特征以及具有缺失项的属性特征，以构成训练样本集；
根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征；
根据生成的交叉组合属性特征对逻辑回归Logistic Regression模型进行训练，以构建出所述电力负荷预测模型。
优选地，所述根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征的步骤，包括：
根据训练样本集中各个预定义单位时间的属性特征对GBDT模型进行训练，以构建具有N颗树的GBDT模型，其中，N为正整数；
根据GBDT模型中的N颗树挖掘各属性特征之间的关联关系；
根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征。此外，为了解决上述技术问题，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质存储有基于决策树模型的建筑物用电负荷预测程序，所述基于决策树模型的建筑物用电负荷预测程序可被至少一个处理器执行，以使所述至少一个处理器执行如上所述的基于决策树模型的建筑物用电负荷预测方法的步骤。
本发明所提出的电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质，通过接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；再根据接收到的标识信息，获取该建筑物的属性特征；最后根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。能够提高建筑物电力负荷预测的准确性以及预测性能。
附图说明
图1是本发明提出的电子装置一可选的硬件架构的示意图；
图2是本发明电子装置一实施例中基于决策树模型的建筑物用电负荷预测程序的程序模块示意图；
图3是本发明基于决策树模型的建筑物用电负荷预测方法较佳实施例的实施流程图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
参阅图1所示，是本发明提出的电子装置一可选的硬件架构示意图。本实施例中，电子装置10可包括，但不仅限于，可通过通信总线14相互通信连接存储器11、处理器12、网络接口13。需要指出的是，图1仅示出了具有组件11-14的电子装置10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，存储器11至少包括一种类型的计算机可读存储介质，计算机可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器11可以是电子装置10的内部存储单元，例如电子装置10的硬盘或内存。在另一些实施例中，存储器11也可以是电子装置10的外包存储设备，例如电子装置10上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器11还可以既包括电子装置10的内部存储单元也包括其外包存储设备。本实施例中，存储器11通常用于存储安装于电子装置10的操作系统和各类应用软件，例如基于决策树模型的建筑物用电负荷预测程序等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。处理器12通常用于控制电子装置10的总体操作。本实施例中，处理器12用于运行存储器11中存储的程序代码或者处理数据，例如运行的基于决策树模型的建筑物用电负荷预测程序等。
网络接口13可包括无线网络接口或有线网络接口，网络接口13通常用于在电子装置10与其他电子设备之间建立通信连接。
通信总线14用于实现组件11-13之间的通信连接。
图1仅示出了具有组件11-14以及基于决策树模型的建筑物用电负荷预测程序的电子装置10，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
可选地，电子装置10还可以包括用户接口(图1中未示出)，用户接口可以包括显示器、输入单元比如键盘，其中，用户接口还可以包括标准的有线接口、无线接口等。
可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED触摸器等。进一步地，显示器也可称为显示屏或显示单元，用于显示在电子装置10中处理信息以及用于显示可视化的用户界面。
可选地，在一些实施例中，电子装置10还可以包括音频单元(音频单元图1中未示出)，音频单元可以在电子装置10处于呼叫信号接收模式、通话模式、记录模式、语音识别模式、广播接收模式等等模式下时，将接收的或者存储的音频数据转换为音频信号；进一步地，电子装置10还可以包括音频输出单元，音频输出单元将音频单元转换的音频信号输出，而且音频输出单元还可以提供与电子装置10执行的特定功能相关的音频输出(例如呼叫信号接收声音、消息接收声音等等)，音频输出单元可以包括扬声器、蜂鸣器等等。
可选地，在一些实施例中，电子装置10还可以包括警报单元(图中未示出)，警报单元可以提供输出已将事件的发生通知给电子装置10。典型的事件可以包括呼叫接收、消息接收、键信号输入、触摸输入等等。除了音频或者视频输出之外，警报单元可以以不同的方式提供输出以通知事件的发生。例如，警报单元可以以震动的形式提供输出，当接收到呼叫、消息或一些其他可以使电子装置10进入通信模式时，警报单元可以提供触觉输出(即，振动)以将其通知给用户。
在一实施例中，存储器11中存储的基于决策树模型的建筑物用电负荷预测程序被处理器12执行时，实现如下操作：
A1，接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求。
在本实施例中，所述建筑物可以是医院里的住院大楼、门诊大楼，也可以是办公大楼、家属楼、学校教学楼、商场等场所的建筑物；所述建筑物标识信息(ID，Identification)对应为该建筑物的名称或者地址；所述预定义单位时间为以天为单位的时间粒度、以时刻为单位的时间粒度，或者以小时为单位的时间粒度；当电力系统需要针对该建筑物制定发电计划时，可以通过地图选定该建筑物(如可以通过点击或双击等方式来选定该建筑物)，并自动生成携带该建筑物标识信息的电力负荷预测请求。
A2，根据接收到的标识信息，获取该建筑物的属性特征。
具体地，在本实施例中，所述建筑物的属性特征包括建筑物表面积、经纬度、楼层数、各个温度测量取样点、在预定义时间的地面温度以及在预定义单位时间的日类型；具体地，所述建筑物表面积、经纬度、楼层数可以直接通过搜索该建筑物的简介而获得；所述各个温度测量取样点根据该建筑物的其他属性特征进行设置、所述在预定义单位时间的地面温度可以通过气象台的气象记录获得，所述建筑物在预定义单位时间的日类型包括工作日和休息日。
A3，根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。
具体地，所述预先构建的电力负荷预测模型为决策树模型。在本实施例中，所述决策树模型的构建过程包括：
获取预先确定的多个建筑物在预设时间段内的各个预定义单位时间的属性特征，并删除相同的属性特征以及具有缺失项的属性特征，以构成训练样本集；具体地，所述预设时间段包括至少一年，例如在本实施例中为3年；
根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征；具体地，在本实施例中，可根据训练样本集中各个预定义单位时间的属性特征对GBDT模型进行训练以构建具有N颗树的GBDT模型，其中，N为正整数，并根据GBDT模型中的N颗树挖掘各属性特征之间的关联关系，最后，根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征。
可以理解地，GBDT是一种迭代的决策树算法，该算法由多颗决策树组成，所有决策树的决策结果累加起来作为输出结果。例如，可将每一颗树去拟合钱K颗树的残差，可以理解成每一颗树都依赖前一颗树的结果，因此，树之间需要保证一定的顺序。这样，通过GBDT模型中的多棵决策树对各属性特征进行决策分类，从而可以找出个属性特征之间的关联关系，并将具有关联关系的特征进行组合，得到交叉组合属性特征。
在本申请的一个实施例中，根据GBDT模型中的N颗树挖掘训练样本集中各属性特征之间的关联关系，并根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征的实现过程包括如下步骤：
将各属性特征对应的数据依次通过GBDT模型中的N颗树，直至每个属性特征对应的数据均分配至每颗树的叶子节点；
针对GBDT模型中的每棵树，将从每棵树的根节点至叶子节点所经过的路径上所对应的属性特征对应的数据进行组合，以生成交叉组合属性特征。
具体地，GBDT模型中的每棵树除叶子节点之外的节点对应一个分裂特征和分裂特征值，如果属性特征对应的数据的分裂特征的值大于节点的分裂特征值，则将该属性特征对应的数据分配到该节点的右子节点，否则分到左子节点，下层节点同理，直至该属性特征对应的数据落到某叶子节点。进一步地将从每棵树的根节点至叶子节点所经过的路径上所对应的属性特征对应的数据进行组合，以生成交叉组合属性特征。
根据生成的交叉组合属性特征对逻辑回归Logistic Regression模型进行训练，以构建出所述电力负荷预测模型。
具体地，在生成交叉组合属性特征之后，可将交叉组合属性特征使用线性模型Logistic Regression模型进行训练以得到电力负荷预测模型。
进一步地，为了提高电力负荷预测模型的预测性能，以及提高使用该模型时预测结果的准确性，在本申请的一个实施例中，可根据各属性特征和交叉组合属性特征对Logistic Regression模型进行训练以构建电力负荷预测模型。具体地，在得到交叉组合属性特征之后，可将各属性特征以交叉组合特征一起放到Logistic Regression模型中进行训练，最终得到电力负荷预测模型，该模型为决策树模型。可以理解地，该模型的预测效果优于GBDT模型和Logistic Regression模型。
由上述事实施例可知，本发明提出的电子装置，首先获取预先确定的建筑物在第一预定义时间段内的电力数据；然后利用预先确定的异常值确定方法分析获取的电力数据，以得到第一无异常的电力数据集和第一异常的电力数据集；最后将所述第一异常电力数据集代入预先训练完成的异常值预测模型进行异常值预测，以预测出所述第一异常电力数据集中的异常电力数据。能够提高电力数据中异常数据预测的准确性，为智能电网的建设以及推广提供参考数据。
此外，本发明的基于决策树模型的建筑物用电负荷预测程序依据其各部分所实现的功能不同，可用具有相同功能的程序模块进行描述。请参阅图2所示，是本发明电子装置一实施例中基于决策树模型的建筑物用电负荷预测程序的程序模块示意图。本实施例中，基于决策树模型的建筑物用电负荷预测程序依据其各部分所实现的功能的不同，可以被分割成接收模块201、获取模块202以及分析模块203。由上面的描述可知，本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述基于决策树模型的建筑物用电负荷预测程序在电子装置10中的执行过程。所述模块201-203所实现的功能或操作步骤均与上文类似，此处不再详述，示例性地，例如其中：
接收模块201用于接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；
获取模块202用于根据接收到的标识信息，获取该建筑物的属性特征；
分析模块203用于根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。
此外，本发明还提出一种基于决策树模型的建筑物用电负荷预测方法，请参阅图3所示，所述基于决策树模型的建筑物用电负荷预测方法包括如下步骤：
S301，接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求。
在本实施例中，所述建筑物可以是医院里的住院大楼、门诊大楼，也可以是办公大楼、家属楼、学校教学楼、商场等场所的建筑物；所述建筑物标识信息(ID，Identification)对应为该建筑物的名称或者地址；所述预定义单位时间为以天为单位的时间粒度、以时刻为单位的时间粒度，或者以小时为单位的时间粒度；当电力系统需要针对该建筑物制定发电计划时，可以通过地图选定该建筑物(如可以通过点击或双击等方式来选定该建筑物)，并自动生成携带该建筑物标识信息的电力负荷预测请求。
S302，根据接收到的标识信息，获取该建筑物的属性特征。
具体地，在本实施例中，所述建筑物的属性特征包括建筑物表面积、经纬度、楼层数、各个温度测量取样点、在预定义时间的地面温度以及在预定义单位时间的日类型；具体地，所述建筑物表面积、经纬度、楼层数可以直接通过搜索该建筑物的简介而获得；所述各个温度测量取样点根据该建筑物的其他属性特征进行设置、所述在预定义单位时间的地面温度可以通过气象台的气象记录获得，所述建筑物在预定义单位时间的日类型包括工作日和休息日。
S303，根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。
具体地，所述预先构建的电力负荷预测模型为决策树模型。在本实施例中，所述决策树模型的构建过程包括：
获取预先确定的多个建筑物在预设时间段内的各个预定义单位时间的属性特征，并删除相同的属性特征以及具有缺失项的属性特征，以构成训练样本集；具体地，所述预设时间段包括至少一年，例如在本实施例中为3年；
根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征；具体地，在本实施例中，可根据训练样本集中各个预定义单位时间的属性特征对GBDT模型进行训练以构建具有N颗树的GBDT模型，其中，N为正整数，并根据GBDT模型中的N颗树挖掘各属性特征之间的关联关系，最后，根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征。
可以理解地，GBDT是一种迭代的决策树算法，该算法由多颗决策树组成，所有决策树的决策结果累加起来作为输出结果。例如，可将每一颗树去拟合钱K颗树的残差，可以理解成每一颗树都依赖前一颗树的结果，因此，树之间需要保证一定的顺序。这样，通过GBDT模型中的多棵决策树对各属性特征进行决策分类，从而可以找出个属性特征之间的关联关系，并将具有关联关系的特征进行组合，得到交叉组合属性特征。
在本申请的一个实施例中，根据GBDT模型中的N颗树挖掘训练样本集中各属性特征之间的关联关系，并根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征的实现过程包括如下步骤：
将各属性特征对应的数据依次通过GBDT模型中的N颗树，直至每个属性特征对应的数据均分配至每颗树的叶子节点；
针对GBDT模型中的每棵树，将从每棵树的根节点至叶子节点所经过的路径上所对应的属性特征对应的数据进行组合，以生成交叉组合属性特征。
具体地，GBDT模型中的每棵树除叶子节点之外的节点对应一个分裂特征和分裂特征值，如果属性特征对应的数据的分裂特征的值大于节点的分裂特征值，则将该属性特征对应的数据分配到该节点的右子节点，否则分到左子节点，下层节点同理，直至该属性特征对应的数据落到某叶子节点。进一步地将从每棵树的根节点至叶子节点所经过的路径上所对应的属性特征对应的数据进行组合，以生成交叉组合属性特征。
根据生成的交叉组合属性特征对逻辑回归Logistic Regression模型进行训练，以构建出所述电力负荷预测模型。
具体地，在生成交叉组合属性特征之后，可将交叉组合属性特征使用线性模型Logistic Regression模型进行训练以得到电力负荷预测模型。
进一步地，为了提高电力负荷预测模型的预测性能，以及提高使用该模型时预测结果的准确性，在本申请的一个实施例中，可根据各属性特征和交叉组合属性特征对Logistic Regression模型进行训练以构建电力负荷预测模型。具体地，在得到交叉组合属性特征之后，可将各属性特征以交叉组合特征一起放到Logistic Regression模型中进行训练，最终得到电力负荷预测模型，该模型为决策树模型。可以理解地，该模型的预测效果优于GBDT模型和Logistic Regression模型。
由上述事实施例可知，本发明提出的基于决策树模型的建筑物用电负荷预测方法，首先获取预先确定的建筑物在第一预定义时间段内的电力数据；然后利用预先确定的异常值确定方法分析获取的电力数据，以得到第一无异常的电力数据集和第一异常的电力数据集；最后将所述第一异常电力数据集代入预先训练完成的异常值预测模型进行异常值预测，以预测出所述第一异常电力数据集中的异常电力数据。能够提高电力数据中异常数据预测的准确性，为智能电网的建设以及推广提供参考数据。
此外，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有基于决策树模型的建筑物用电负荷预测程序，所述基于决策树模型的建筑物用电负荷预测程序被处理器执行时实现如下操作：
接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；
根据接收到的标识信息，获取该建筑物的属性特征；
根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。
本发明计算机可读存储介质，其具体实施过程与电子装置以及基于决策树模型的建筑物用电负荷预测方法类似，在此不再赘述。
通过上述分析可知，本发明的计算机可读存储介质，通过接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；根据接收到的标识信息，获取该建筑物的属性特征；根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。能够提高建筑物电力负荷预测的准确性以及预测性能。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种电子装置，其特征在于，所述电子装置包括存储器、及与所述存储器连接的处理器，所述处理器用于执行所述存储器上存储的基于决策树模型的建筑物用电负荷预测程序，所述基于决策树模型的建筑物用电负荷预测程序被所述处理器执行时实现如下步骤：
A1、接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；
A2、根据接收到的标识信息，获取该建筑物的属性特征；
A3、根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。
2.如权利要求1所述的电子装置，其特征在于，在所述步骤A2中，所述建筑物的属性特征包括：建筑物表面积、经纬度、楼层数、各个温度测量取样点、在预定义时间的地面温度以及在预定义单位时间的日类型；其中，所述建筑物表面积、经纬度、楼层数可以直接通过搜索该建筑物的简介而获得；所述各个温度测量取样点根据该建筑物的其他属性特征进行设置；所述在预定义单位时间的地面温度可以通过气象台的气象记录获得，所述建筑物在预定义单位时间的日类型包括工作日和休息日。
3.如权利要求2所述的电子装置，其特征在于，在所述步骤A3中，所述预先构建的电力负荷预测模型为决策树模型；所述决策树模型的构建过程包括：
获取预先确定的多个建筑物在预设时间段内的各个预定义单位时间的属性特征，并删除相同的属性特征以及具有缺失项的属性特征，以构成训练样本集；
根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征；
根据生成的交叉组合属性特征对逻辑回归Logistic Regression模型进行训练，以构建出所述电力负荷预测模型。
4.如权利要求3所述的电子装置，其特征在于，所述根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征的步骤，包括：
根据训练样本集中各个预定义单位时间的属性特征对GBDT模型进行训练，以构建具有N颗树的GBDT模型，其中，N为正整数；
根据GBDT模型中的N颗树挖掘各属性特征之间的关联关系；
根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征。
5.如权利要求4所述的电子装置，其特征在于，所述根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征的步骤，包括：
将各属性特征对应的数据依次通过GBDT模型中的N颗树，直至每个属性特征对应的数据均分配至每颗树的叶子节点；
针对GBDT模型中的每棵树，将从每棵树的根节点至叶子节点所经过的路径上所对应的属性特征对应的数据进行组合，以生成交叉组合属性特征。
6.一种基于决策树模型的建筑物用电负荷预测方法，其特征在于，所述方法包括如下步骤：
S1、接收携带建筑物标识信息的建筑物在预定义单位时间的电力负荷预测请求；
S2、根据接收到的标识信息，获取该建筑物的属性特征；
S3、根据预先构建的电力负荷预测模型对获取的属性特征进行分析，以预测出该建筑物在所述预定义单位时间的电力负荷值。
7.如权利要求6所述的基于决策树模型的建筑物用电负荷预测方法，其特征在于，在所述步骤S2中，所述建筑物的属性特征包括：建筑物表面积、经纬度、楼层数、各个温度测量取样点、在预定义时间的地面温度以及在预定义单位时间的日类型；其中，所述建筑物表面积、经纬度、楼层数可以直接通过搜索该建筑物的简介而获得；所述各个温度测量取样点根据该建筑物的其他属性特征进行设置；所述在预定义单位时间的地面温度可以通过气象台的气象记录获得，所述建筑物在预定义单位时间的日类型包括工作日和休息日。
8.如权利要求7所述的基于决策树模型的建筑物用电负荷预测方法，其特征在于，在所述步骤S3中，所述预先构建的电力负荷预测模型为决策树模型；所述决策树模型的构建过程包括：
获取预先确定的多个建筑物在预设时间段内的各个预定义单位时间的属性特征，并删除相同的属性特征以及具有缺失项的属性特征，以构成训练样本集；
根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征；
根据生成的交叉组合属性特征对逻辑回归Logistic Regression模型进行训练，以构建出所述电力负荷预测模型。
9.如权利要求8所述的基于决策树模型的建筑物用电负荷预测方法，其特征在于，所述根据迭代决策树GBDT模型对训练样本集中各个预定义单位时间的属性特征进行特征组合处理，以生成对应的交叉组合属性特征的步骤，包括：
根据训练样本集中各个预定义单位时间的属性特征对GBDT模型进行训练，以构建具有N颗树的GBDT模型，其中，N为正整数；
根据GBDT模型中的N颗树挖掘各属性特征之间的关联关系；
根据关联关系对训练样本集中的各属性特征进行特征组合以生成交叉组合属性特征。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有基于决策树模型的建筑物用电负荷预测程序，所述基于决策树模型的建筑物用电负荷预测程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求6-9中任一项所述的基于决策树模型的建筑物用电负荷预测方法的步骤。
CN201811095427.9A 2018-09-19 2018-09-19 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 Active CN109214578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811095427.9A CN109214578B (zh) 2018-09-19 2018-09-19 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811095427.9A CN109214578B (zh) 2018-09-19 2018-09-19 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质

Publications (2)

Publication Number Publication Date
CN109214578A true CN109214578A (zh) 2019-01-15
CN109214578B CN109214578B (zh) 2023-05-26

Family

ID=64985148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811095427.9A Active CN109214578B (zh) 2018-09-19 2018-09-19 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质

Country Status (1)

Country Link
CN (1) CN109214578B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253038A1 (zh) * 2019-06-18 2020-12-24 平安普惠企业管理有限公司 一种模型构建方法及装置
CN115759236A (zh) * 2022-12-30 2023-03-07 北京德风新征程科技有限公司 模型训练方法、信息发送方法、装置、设备和介质
CN116720984A (zh) * 2023-08-11 2023-09-08 山东昊能电力建设有限公司 一种基于卫星地图技术的智慧电力审计方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732298A (zh) * 2015-04-02 2015-06-24 南京天溯自动化控制系统有限公司 基于决策树和线性回归插值实现ems负荷预测的方法
CN105243456A (zh) * 2015-11-09 2016-01-13 国家电网公司 基于决策树和专家系统的短期电力负荷预测系统及方法
CN107423839A (zh) * 2017-04-17 2017-12-01 湘潭大学 一种基于深度学习的智能楼宇微网负荷预测的方法
CN108334992A (zh) * 2018-02-28 2018-07-27 新奥泛能网络科技股份有限公司 建筑物的负荷预测方法及系统
CN108493933A (zh) * 2018-04-13 2018-09-04 贵州电网有限责任公司 一种基于深度决策树算法的电力负荷特性挖掘方法
CN108539738A (zh) * 2018-05-10 2018-09-14 国网山东省电力公司电力科学研究院 一种基于梯度提升决策树的短期负荷预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732298A (zh) * 2015-04-02 2015-06-24 南京天溯自动化控制系统有限公司 基于决策树和线性回归插值实现ems负荷预测的方法
CN105243456A (zh) * 2015-11-09 2016-01-13 国家电网公司 基于决策树和专家系统的短期电力负荷预测系统及方法
CN107423839A (zh) * 2017-04-17 2017-12-01 湘潭大学 一种基于深度学习的智能楼宇微网负荷预测的方法
CN108334992A (zh) * 2018-02-28 2018-07-27 新奥泛能网络科技股份有限公司 建筑物的负荷预测方法及系统
CN108493933A (zh) * 2018-04-13 2018-09-04 贵州电网有限责任公司 一种基于深度决策树算法的电力负荷特性挖掘方法
CN108539738A (zh) * 2018-05-10 2018-09-14 国网山东省电力公司电力科学研究院 一种基于梯度提升决策树的短期负荷预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020253038A1 (zh) * 2019-06-18 2020-12-24 平安普惠企业管理有限公司 一种模型构建方法及装置
CN115759236A (zh) * 2022-12-30 2023-03-07 北京德风新征程科技有限公司 模型训练方法、信息发送方法、装置、设备和介质
CN115759236B (zh) * 2022-12-30 2024-01-12 北京德风新征程科技股份有限公司 模型训练方法、信息发送方法、装置、设备和介质
CN116720984A (zh) * 2023-08-11 2023-09-08 山东昊能电力建设有限公司 一种基于卫星地图技术的智慧电力审计方法
CN116720984B (zh) * 2023-08-11 2023-12-01 山东昊能电力建设有限公司 一种基于卫星地图技术的智慧电力审计方法

Also Published As

Publication number Publication date
CN109214578B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN111210269B (zh) 基于大数据的对象识别方法、电子装置及存储介质
CN109299156A (zh) 电子装置、基于XGBoost的电力数据异常预测方法及存储介质
CN109214578A (zh) 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质
CN112508205A (zh) 一种联邦学习调度方法、装置及系统
CN109377333A (zh) 电子装置、基于分类模型的催收员确定方法及存储介质
CN111276123B (zh) 一种语音播报留言的方法、装置、计算机设备及存储介质
CN109556621A (zh) 一种路线规划的方法及相关设备
CN106845644A (zh) 一种通过相互关系学习用户及移动应用的联系的异构网络
CN109377406A (zh) 电子装置、基于梯度提升回归的建筑物电力负荷预测方法及存储介质
CN109410068A (zh) 电子装置、基于XGBoost的电力数据缺失值填充方法及存储介质
CN105989144A (zh) 通知消息管理方法、装置、系统及终端设备
CN108449313A (zh) 电子装置、互联网服务系统风险预警方法及存储介质
CN109447674A (zh) 电子装置、保险代理人目标服务区域确定方法及存储介质
CN108492137A (zh) 电话外呼分析控制方法、电子装置及可读存储介质
CN109976823A (zh) 一种应用程序启动方法、装置及终端设备
CN111833021A (zh) 一种事件提醒方法、装置、设备及计算机可读存储介质
CN113886721B (zh) 个性化兴趣点推荐方法、装置、计算机设备及存储介质
CN110275866A (zh) 文件生成过程的交互方法、装置、服务器和用户终端
CN109240916A (zh) 信息输出控制方法、装置及计算机可读存储介质
CN112801145A (zh) 安全监测方法、装置、计算机设备及存储介质
CN110109674A (zh) 时间选择器的优化方法、装置及存储介质
CN109409570A (zh) 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质
CN105389241A (zh) 移动终端防骚扰工具的性能测试方法及系统
CN109683762A (zh) 移动终端程序启动控制处理方法、移动终端及存储介质
CN114124460A (zh) 工控系统入侵检测方法、装置、计算机设备及存储介质

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