CN109978261A - 确定负荷预测模型的方法、装置、可读介质及电子设备 - Google Patents
确定负荷预测模型的方法、装置、可读介质及电子设备 Download PDFInfo
- Publication number
- CN109978261A CN109978261A CN201910236766.2A CN201910236766A CN109978261A CN 109978261 A CN109978261 A CN 109978261A CN 201910236766 A CN201910236766 A CN 201910236766A CN 109978261 A CN109978261 A CN 109978261A
- Authority
- CN
- China
- Prior art keywords
- data
- forecasting model
- history
- influence factor
- candidate
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种确定负荷预测模型的方法、装置、可读存储介质及电子设备,方法包括:获取用户的至少两个历史负荷信息,所述历史负荷信息包括所述用户在设定时长内的历史用能数据及所述设定时长内影响所述历史用能数据的至少一个影响因素数据;针对每个所述历史负荷信息,对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,并利用所述历史负荷信息中的所述历史用能数据及各个所述特征数据组成样本数据集;根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型。通过本发明的技术方案,得到的负荷预测模型能够更为准确的实现负荷预测。
Description
技术领域
本发明涉及能源领域,尤其涉及确定负荷预测模型的方法、装置、可读介质及电子设备。
背景技术
负荷预测广泛应用于能源系统中,经常需要确定用户的负荷预测模型,通过该负荷预测模型实现负荷预测。
目前,主要通过采集用户的多个历史用能数据,根据采集的多个历史用能数据训练得到负荷预测模型。
但是,环境因素也可能直接影响用户的用能负荷,即采集的历史用能数据可能并不能准确反映用户的实际用能负荷,从而导致通过上述方式得到的负荷预测模型无法准确的实现负荷预测。
发明内容
本发明提供了一种确定负荷预测模型的方法、装置、可读存储介质及电子设备,得到的负荷预测模型能够更为准确的实现负荷预测。
第一方面,本发明提供了一种确定负荷预测模型的方法,包括:
获取用户的至少两个历史负荷信息,所述历史负荷信息包括所述用户在设定时长内的历史用能数据及所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
针对每个所述历史负荷信息,对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,并利用所述历史负荷信息中的所述历史用能数据及各个所述特征数据组成样本数据集;
根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型。
优选地,
还包括:从各个所述样本数据集中确定出至少一个训练数据集以及至少一个测试数据集;则,
所述根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型,包括:
根据预先设置的至少一种人工智能算法及各个所述训练数据集进行机器学习以得到至少一个候选负荷预测模型;
针对每个所述候选负荷预测模型,根据各个所述测试数据集确定所述候选负荷预测模型的预测精度;
根据各个所述候选负荷预测模型的所述预测精度,从各个所述候选负荷预测模型中确定出一个负荷预测模型。
优选地,
所述获取用户的至少两个历史负荷信息,包括:
获取用户在至少两个设定时长内的历史用能数据;
针对每个所述设定时长,获取所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
针对每个所述设定时长,利用所述用户在所述设定时长内的所述历史用能数据及其对应的所述至少一个影响因素数据组成一个候选数据集;
根据预先设置的配置信息对每个所述候选数据集分别进行预处理以得到至少两个历史负荷信息。
优选地,
所述对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,包括:
确定所述历史负荷信息中每个所述影响因素数据相对于所述历史用能数据的相关度;
根据各个所述影响因素数据分别对应的所述相关度,将至少一个所述影响因素数据分别作为特征数据。
第二方面,本发明提供了一种确定负荷预测模型的装置,包括:
数据获取模块,用于获取用户的至少两个历史负荷信息,所述历史负荷信息包括所述用户在设定时长内的历史用能数据及所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
第一数据集确定模块,用于针对每个所述历史负荷信息,对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,并利用所述历史负荷信息中的所述历史用能数据及各个所述特征数据组成样本数据集;
模型确定模块,用于根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型。
优选地,
还包括:第二数据集确定模块;其中,
所述第二数据集确定模块,用于从各个所述样本数据集中确定出至少一个训练数据集以及至少一个测试数据集;则,
所述模型确定模块,包括:第一模型确定单元、精度确定单元及第二模型确定单元;其中,
所述第一模型确定单元,用于根据预先设置的至少一种人工智能算法及各个所述训练数据集进行机器学习以得到至少一个候选负荷预测模型;
所述精度确定单元,用于针对每个所述候选负荷预测模型,根据各个所述测试数据集确定所述候选负荷预测模型的预测精度;
所述第二模型确定单元,用于根据各个所述候选负荷预测模型的所述预测精度,从各个所述候选负荷预测模型中确定出一个负荷预测模型。
优选地,
所述数据获取模块,包括:第一数据获取单元、第二数据获取单元、数据集确定单元、负荷信息确定单元;其中,
所述第一数据获取单元,用于获取用户在至少两个设定时长内的历史用能数据;
所述第二数据获取单元,用于针对每个所述设定时长,获取所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
所述数据集确定单元,用于针对每个所述设定时长,利用所述用户在所述设定时长内的所述历史用能数据及其对应的所述至少一个影响因素数据组成一个候选数据集;
所述负荷信息确定单元,用于根据预先设置的配置信息对每个所述候选数据集分别进行预处理以得到至少两个历史负荷信息。
优选地,
所述第一数据集确定模块,包括:相关度确定单元及特征数据确定单元;其中,
所述相关度确定单元,用于确定所述历史负荷信息中每个所述影响因素数据相对于所述历史用能数据的相关度;
所述特征数据确定单元,用于根据各个所述影响因素数据分别对应的所述相关度,将至少一个所述影响因素数据分别作为特征数据。
第三方面,本发明提供了一种可读存储介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
第四方面,本发明提供了一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种确定负荷预测模型的方法、装置、可读存储介质及电子设备,该方法通过获取用户的至少两个历史负荷信息,历史负荷信息包括用户在设定时长内的历史用能数据、影响历史用能数据的一个或多个影响因素数据,然后,针对每个历史负荷信息,对历史负荷信息中的各个影响因素数据进行特征提取,得到一个或多个特征数据,并利用历史负荷信息中的历史用能数据及各个特征数据组成样本数据集,之后,根据预先设置的一种或多种人工智能算法及各个样本数据集进行机器学习以确定负荷预测模型,得到的负荷预测模型因考虑到各个影响因素数据对历史用能数据的影响程度(即相关度)而具有相对较强的泛化能力,能够更为准确的实现负荷预测。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种确定负荷预测模型的方法的流程示意图;
图2为本发明一实施例提供的另一种确定负荷预测模型的方法的流程示意图;
图3为本发明一实施例提供的一种确定负荷预测模型的装置的结构示意图;
图4为本发明一实施例提供的另一种确定负荷预测模型的装置的结构示意图;
图5为本发明一实施例提供的又一种确定负荷预测模型的装置的结构示意图;
图6为本发明一实施例提供的再一种确定负荷预测模型的装置的结构示意图;
图7为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅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。
如图1所述,本发明实施例提供了一种确定负荷预测模型的方法,包括如下各个步骤:
步骤101,获取用户的至少两个历史负荷信息,所述历史负荷信息包括所述用户在设定时长内的历史用能数据及所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
步骤102,针对每个所述历史负荷信息,对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,并利用所述历史负荷信息中的所述历史用能数据及各个所述特征数据组成样本数据集;
步骤103,根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型。
如图1所示的实施例,该方法通过获取用户的至少两个历史负荷信息,历史负荷信息包括用户在设定时长内的历史用能数据、影响历史用能数据的一个或多个影响因素数据,然后,针对每个历史负荷信息,对历史负荷信息中的各个影响因素数据进行特征提取,得到一个或多个特征数据,并利用历史负荷信息中的历史用能数据及各个特征数据组成样本数据集,之后,根据预先设置的一种或多种人工智能算法及各个样本数据集进行机器学习以确定负荷预测模型,得到的负荷预测模型因考虑到各个影响因素数据对历史用能数据的影响程度(即相关度)而具有相对较强的泛化能力,能够更为准确的实现负荷预测。
通过本发明实施例提供的技术方案得到的负荷预测模型预测用户在某一个时间段内的用能数据时,可将该负荷预测模型预测得到的用能数据与用户在该时间段内的实际用能数据进行比较,并根据比较结果进一步调整负荷预测模型。
不难理解的,用户可以是工厂、工厂下的一个生产车间、生产车间下的生产设备或其他用能对象;用能数据包括但不限于用户在相应设定时长内的用电量或用气量,显然也可以是供热量或供冷量。
本发明的一个实施例中,还包括:从各个所述样本数据集中确定出至少一个训练数据集以及至少一个测试数据集;则,
所述根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型,包括:
根据预先设置的至少一种人工智能算法及各个所述训练数据集进行机器学习以得到至少一个候选负荷预测模型;
针对每个所述候选负荷预测模型,根据各个所述测试数据集确定所述候选负荷预测模型的预测精度;
根据各个所述候选负荷预测模型的所述预测精度,从各个所述候选负荷预测模型中确定出一个负荷预测模型。
具体地,可根据各个训练数据集对预设的各个人工智能算法自动筛选组合,最终训练得到一个或多个(通常是多个)候选负荷预测模型,然后,针对每个候选负荷预测模型,即可根据各个测试数据集确定该候选负荷预测模型的预测精度。
具体地,可针对每个候选负荷预测模型,将每个测试数据集中的各个特征数据代入候选负荷预测模型,使得候选负荷预测模型对应的预测每个测试数据集分别对应的用能数据;之后,对于预测的每个测试数据集,即可将预测的该测试数据集对应的用能数据与该测试数据集中的用能数据的差值确定为该测试数据集对应的偏差值,将在预设偏差范围内的各个偏差值的数量与各个测试数据集的数量之间的比值确定为该候选负荷预测模型的预测精度;进一步,即可将各个预测精度中的最大值所对应的的候选负荷预测模型确定为负荷预测模型。
举例来说,训练数据集的数量为m个,且候选负荷预测模型的数量为n个,对于每一个训练数据集,可将该训练数据集中的各个特征数据输入第i个候选负荷预测模型,使得第i个候选负荷预测模型预测并输出该训练数据集对应的用能数据,之后,根据预测的该训练数据集对应的用能数据确定该训练数据集的偏差值,假设m个训练数据集分别对应的偏差值中有a个位于预设偏差范围内,则第i个候选负荷预测模型的预测精度为a/m,假设n个候选负荷预测模型分别对应的预测精度中的最大值为a/m,则可将a/m对应的第i个候选负荷预测模型确定为负荷预测模型。
具体地,人工智能算法包括但不限于神经网络、决策树、长短期记忆神经网络。
具体地,可以将第一预设数量个样本数据集确定为训练数据集,并将未被确定为训练数据集的各个样本数据集确定为测试数据集。
或者,将第一预设数量个样本数据集确定为训练数据集,将第二预设数量个样本数据集确定为测试数据集;这里,同一样本数据集也可被同时确定为训练数据集及测试数据集。
本发明的一个实施例中,所述获取用户的至少两个历史负荷信息,包括:
获取用户在至少两个设定时长内的历史用能数据;
针对每个所述设定时长,获取所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
针对每个所述设定时长,利用所述用户在所述设定时长内的所述历史用能数据及其对应的所述至少一个影响因素数据组成一个候选数据集;
根据预先设置的配置信息对每个所述候选数据集分别进行预处理以得到至少两个历史负荷信息。
具体地,配置信息具体可以包括负荷类型、预测粒度,通过对每个候选数据集进行预处理以实现删除重复数据、补全缺失数据、删除离群值,从而确保得到的每个历史负荷信息的准确完整。
举例来说,t0时刻~t1时刻时间段内的候选数据集具体包括t0时刻~t1时刻时间段内用户的用能数据、影响t0时刻~t1时刻时间段内用户的用能数据的一个或多个影响因素数据。
本领域技术人员应当理解的,根据配置信息中的负荷类型、预测粒度能够更加准确的选择出对各个候选数据集进行预处理的算法。
本发明的一个实施例中,所述对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,包括:
确定所述历史负荷信息中每个所述影响因素数据相对于所述历史用能数据的相关度;
根据各个所述影响因素数据分别对应的所述相关度,将至少一个所述影响因素数据分别作为特征数据。
该实施例中,具体可以通过主成分分析、相关性分析确定历史负荷信息中各个影响因素数据相对于历史用能数据的相关度,然后将相关度相对较大的一个或多个影响因素数据分别确定为特征数据,从而减少历史负荷信息中影响因素数据的数量,最终实现对历史负荷信息进行降维。
举例来说,不同的影响因素(比如温度、湿度)对用能数据的影响程度(即相关度)可能各不相同,比如,平均温度、平均湿度对t0时刻~t1时刻时间段内的用能数据的影响程度分别为X、Y,则t0时刻~t1时刻时间段内的平均温度值、平均湿度值对用能数据的相关度分别为X、Y。
需要说明的是,特征数据为各个影响因素中对用能数据影响较大的影响因素对应的数据,假设温度为各个影响因素中对用能数据影响较大的影响因素,那么,各个影响因素数据中的温度值即可被确定为特征数据。
在一种可能的实现方式中,通过对各个相关度按照由大到小的顺序进行排序并确定其排序结果,此时,即可将排序靠前的预设数量个相关度对应的影响因素数据分别确定为特征数据。
在另一种可能的实现方式中,针对历史负荷信息中的每个影响因素数据,确定影响因素数据的相关度是否大于预设相关度值,如果是,则将该影响因素数据确定为特征数据。
为了更加清楚的说明本发明的技术方案,请参考图2,本发明实施例提供了另一种确定负荷预测模型的方法,具体可以包括如下各个步骤:
步骤201,设置多种人工智能算法、配置信息。
具体地,可将多种人工智能算法存储于模型算法库中,将配置信息存储于配置信息库中。
步骤202,获取用户在多个设定时长内的历史用能数据。
具体地,可从云端数据、数据采集与监视控制系统中获取t0时刻~t1时刻时间段内、t1时刻~t2时刻时间段内、……、tn-1时刻~tn时刻时间段内、tn时刻~tn+1时刻时间段内的历史用能数据,将获取的每个历史用能数据及其对应的时间段存储在负荷数据库中。
具体地,用能数据包括但不限于用电量。
步骤203,针对每个设定时长,获取设定时长内影响历史用能数据的一个或多个影响因素数据。
具体地,可从第三方数据中获取t0时刻~t1时刻时间段内、t1时刻~t2时刻时间段内、……、tn-1时刻~tn时刻时间段内、tn时刻~tn+1时刻时间段内的多个影响用能数据的影响因素数据,将获取的每个影响因素数据及其对应的时间段存储在影响因素数据库中。
具体地,影响因素数据包括但不限于平均温度值、平均湿度值、降雨量。
步骤204,针对每个设定时长,利用设定时长内的历史用能数据及其对应的各个影响因素数据组成候选数据集。
以前述t0时刻~t1时刻时间段为例进行说明,可将负荷数据库中的t0时刻~t1时刻时间段内的历史用能数据、影响因素数据库中的t0时刻~t1时刻时间段内的一个或多个影响因素数据组成一个候选数据集。
步骤205,根据设置的配置信息对每个候选数据集进行预处理以得到多个历史负荷信息。
这里,即根据配置信息库中的配置信息对每个候选数据集进行预处理以得到多个历史负荷信息。
步骤206,针对每个历史负荷信息,通过相关性分析、主成分分析确定历史负荷信息中每个影响因素数据相对于历史用能数据的相关度,根据各个影响因素数据分别对应的所述相关度,将一个或多个影响因素数据分别作为特征数据。
举例来说,用电数据具体可以是用电量,具体以一个历史负荷信息中的影响因素数据包括平均温度值、平均湿度值、降雨量为例,假设平均温度、平均湿度、降雨相对于该历史负荷信息中的用电量的相关度分别为A、B、C,且相关度按照由大到小的顺序进行排序的顺序为A、B、C,若将排序靠前的2个相关度对应的影响因素数据分别确定为特征数据,则可将平均温度值、平均湿度值分别确定为该历史负荷信息的特征数据。
步骤207,针对每个历史负荷信息,将历史负荷信息中的历史用能数据及各个特征数据组成样本数据集。
以前述历史负荷信息进行举例说明,则可将该历史负荷信息中的用电量、平均温度值、平均湿度值确定为样本数据集。
步骤208,从各个样本数据集中确定出多个训练数据集及多个测试数据集。
步骤209,根据设置的多种人工智能算法及各个训练数据集进行机器学习以得到一个或多个候选负荷预测模型。
这里,即根据模型算法库中存储的多种人工智能算法、各个训练数据集进行机器学习以得到一个或多个候选负荷预测模型。
步骤210,针对每个候选负荷预测模型,根据各个测试数据集确定候选负荷预测模型的预测精度。
步骤211,根据各个候选负荷预测模型的预测精度,从各个候选负荷预测模型中确定出一个负荷预测模型。
通过本发明实施上述各个步骤得到的负荷预测模型,因考虑到多个影响因素数据对历史用能数据的影响程度(即相关度)而具有相对较强的泛化能力,能够更为准确的实现负荷预测。
需要说明的是,通过上述各个步骤得到的负荷预测模型实现负荷预测时,比如预测未来多个时间段内用户的用能数据时,可记录预测的各个时间段内的用能数据,之后,当能够获取到预测的各个时间段对应的实际用能数据时,可对预测的各个时间段内的用能数据及各个时间段内的实际用能数据进行偏差分析,根据偏差分析的结果调整负荷预测模型。举例来说,假设偏差分析得到的偏差值大于预设偏差值,则首先调节负荷预测模型,相应的,根据该负荷预测模型重新确定出偏差值,若偏差值仍大于预设偏差值,则调节一个或多个特征数据以便重新确定出一个负荷预测模型,相应的,根据该负荷预测模型重新确定出偏差值,若偏差值仍大于预设偏差值,则调节候选数据集的预处理过程以重新确定出一个负荷预测模型,相应的,根据该负荷预测模型重新确定出偏差值,依次重复上述过程直至偏差值小于预设偏差值。
基于与本发明方法实施例相同的构思,请参考图3,本发明实施例还提供了一种确定负荷预测模型的装置,包括:
数据获取模块301,用于获取用户的至少两个历史负荷信息,所述历史负荷信息包括所述用户在设定时长内的历史用能数据及所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
第一数据集确定模块302,用于针对每个所述历史负荷信息,对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,并利用所述历史负荷信息中的所述历史用能数据及各个所述特征数据组成样本数据集;
模型确定模块303,用于根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型。
请参考图4,本发明一个实施例中,还包括:第二数据集确定模块304;其中,
所述第二数据集确定模块304,用于从各个所述样本数据集中确定出至少一个训练数据集以及至少一个测试数据集;则,
所述模型确定模块303,包括:第一模型确定单元3031、精度确定单元3032及第二模型确定单元3033;其中,
所述第一模型确定单元3031,用于根据预先设置的至少一种人工智能算法及各个所述训练数据集进行机器学习以得到至少一个候选负荷预测模型;
所述精度确定单元3032,用于针对每个所述候选负荷预测模型,根据各个所述测试数据集确定所述候选负荷预测模型的预测精度;
所述第二模型确定单元3033,用于根据各个所述候选负荷预测模型的所述预测精度,从各个所述候选负荷预测模型中确定出一个负荷预测模型。
请参考图5,本发明的一个实施例中,所述数据获取模块301,包括:第一数据获取单元3011、第二数据获取单元3012、数据集确定单元3013、负荷信息确定单元3014;其中,
所述第一数据获取单元3011,用于获取用户在至少两个设定时长内的历史用能数据;
所述第二数据获取单元3012,用于针对每个所述设定时长,获取所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
所述数据集确定单元3013,用于针对每个所述设定时长,利用所述用户在所述设定时长内的所述历史用能数据及其对应的所述至少一个影响因素数据组成一个候选数据集;
所述负荷信息确定单元3014,用于根据预先设置的配置信息对每个所述候选数据集分别进行预处理以得到至少两个历史负荷信息。
请参考图6,本发明的一个实施例中,所述第一数据集确定模块302,包括:相关度确定单元3021及特征数据确定单元3022;其中,
所述相关度确定单元3021,用于确定所述历史负荷信息中每个所述影响因素数据相对于所述历史用能数据的相关度;
所述特征数据确定单元3022,用于根据各个所述影响因素数据分别对应的所述相关度,将至少一个所述影响因素数据分别作为特征数据。
图7是本发明实施例提供的一种电子设备的结构示意图。在硬件层面,该电子设备包括处理器701以及存储有执行指令的存储器702,可选地还包括内部总线703及网络接口704。其中,存储器702可能包含内存7021,例如高速随机存取存储器(Random-AccessMemory,RAM),也可能还包括非易失性存储器7022(non-volatile memory),例如至少1个磁盘存储器等;处理器701、网络接口704和存储器702可以通过内部总线703相互连接,该内部总线703可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry StandardArchitecture,扩展工业标准结构)总线等;所述内部总线703可以分为地址总线、数据总线、控制总线等,为便于表示,图7中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。当然,该电子设备还可能包括其他业务所需要的硬件。当处理器701执行存储器702存储的执行指令时,处理器701执行本发明任意一个实施例中所述的方法,并至少用于执行如图1、图2所述的方法。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成一种确定负荷预测模型的装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的一种确定负荷预测模型的方法。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图7所示的电子设备;执行指令是一种确定负荷预测模型的装置所对应计算机程序。
本领域内的技术人员应明白,本发明的实施例可提供为方法或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或软件和硬件相结合的形式。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种确定负荷预测模型的方法,其特征在于,包括:
获取用户的至少两个历史负荷信息,所述历史负荷信息包括所述用户在设定时长内的历史用能数据及所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
针对每个所述历史负荷信息,对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,并利用所述历史负荷信息中的所述历史用能数据及各个所述特征数据组成样本数据集;
根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型。
2.根据权利要求1所述的方法,其特征在于,
还包括:从各个所述样本数据集中确定出至少一个训练数据集以及至少一个测试数据集;则,
所述根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型,包括:
根据预先设置的至少一种人工智能算法及各个所述训练数据集进行机器学习以得到至少一个候选负荷预测模型;
针对每个所述候选负荷预测模型,根据各个所述测试数据集确定所述候选负荷预测模型的预测精度;
根据各个所述候选负荷预测模型的所述预测精度,从各个所述候选负荷预测模型中确定出一个负荷预测模型。
3.根据权利要求1所述的方法,其特征在于,
所述获取用户的至少两个历史负荷信息,包括:
获取用户在至少两个设定时长内的历史用能数据;
针对每个所述设定时长,获取所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
针对每个所述设定时长,利用所述用户在所述设定时长内的所述历史用能数据及其对应的所述至少一个影响因素数据组成一个候选数据集;
根据预先设置的配置信息对每个所述候选数据集分别进行预处理以得到至少两个历史负荷信息。
4.根据权利要求1至3中任一所述的方法,其特征在于,
所述对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,包括:
确定所述历史负荷信息中每个所述影响因素数据相对于所述历史用能数据的相关度;
根据各个所述影响因素数据分别对应的所述相关度,将至少一个所述影响因素数据分别作为特征数据。
5.一种确定负荷预测模型的装置,其特征在于,包括:
数据获取模块,用于获取用户的至少两个历史负荷信息,所述历史负荷信息包括所述用户在设定时长内的历史用能数据及所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
第一数据集确定模块,用于针对每个所述历史负荷信息,对所述历史负荷信息中的各个所述影响因素数据进行特征提取以得到至少一个特征数据,并利用所述历史负荷信息中的所述历史用能数据及各个所述特征数据组成样本数据集;
模型确定模块,用于根据预先设置的至少一种人工智能算法及各个所述样本数据集进行机器学习以得到负荷预测模型。
6.根据权利要求5所述的装置,其特征在于,
还包括:第二数据集确定模块;其中,
所述第二数据集确定模块,用于从各个所述样本数据集中确定出至少一个训练数据集以及至少一个测试数据集;则,
所述模型确定模块,包括:第一模型确定单元、精度确定单元及第二模型确定单元;其中,
所述第一模型确定单元,用于根据预先设置的至少一种人工智能算法及各个所述训练数据集进行机器学习以得到至少一个候选负荷预测模型;
所述精度确定单元,用于针对每个所述候选负荷预测模型,根据各个所述测试数据集确定所述候选负荷预测模型的预测精度;
所述第二模型确定单元,用于根据各个所述候选负荷预测模型的所述预测精度,从各个所述候选负荷预测模型中确定出一个负荷预测模型。
7.根据权利要求6所述的装置,其特征在于,
所述数据获取模块,包括:第一数据获取单元、第二数据获取单元、数据集确定单元、负荷信息确定单元;其中,
所述第一数据获取单元,用于获取用户在至少两个设定时长内的历史用能数据;
所述第二数据获取单元,用于针对每个所述设定时长,获取所述设定时长内影响所述历史用能数据的至少一个影响因素数据;
所述数据集确定单元,用于针对每个所述设定时长,利用所述用户在所述设定时长内的所述历史用能数据及其对应的所述至少一个影响因素数据组成一个候选数据集;
所述负荷信息确定单元,用于根据预先设置的配置信息对每个所述候选数据集分别进行预处理以得到至少两个历史负荷信息。
8.根据权利要求5至7中任一所述装置,其特征在于,
所述第一数据集确定模块,包括:相关度确定单元及特征数据确定单元;其中,
所述相关度确定单元,用于确定所述历史负荷信息中每个所述影响因素数据相对于所述历史用能数据的相关度;
所述特征数据确定单元,用于根据各个所述影响因素数据分别对应的所述相关度,将至少一个所述影响因素数据分别作为特征数据。
9.一种可读存储介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述处理器执行如权利要求1至4中任一所述的方法。
10.一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如权利要求1至4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236766.2A CN109978261A (zh) | 2019-03-27 | 2019-03-27 | 确定负荷预测模型的方法、装置、可读介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236766.2A CN109978261A (zh) | 2019-03-27 | 2019-03-27 | 确定负荷预测模型的方法、装置、可读介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978261A true CN109978261A (zh) | 2019-07-05 |
Family
ID=67080866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910236766.2A Pending CN109978261A (zh) | 2019-03-27 | 2019-03-27 | 确定负荷预测模型的方法、装置、可读介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978261A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689168A (zh) * | 2019-09-03 | 2020-01-14 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
CN111415050A (zh) * | 2020-04-27 | 2020-07-14 | 新智数字科技有限公司 | 短期负荷预测方法、短期负荷预测模型训练方法及装置 |
CN112257923A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
CN112258342A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
CN112525438A (zh) * | 2020-10-15 | 2021-03-19 | 国网浙江省电力有限公司杭州供电公司 | 一种sf6密度继电器的漏气监测方法及系统 |
CN115408197A (zh) * | 2022-10-31 | 2022-11-29 | 南方电网数字电网研究院有限公司 | 基于流式处理及多源数据交叉校验的负荷数据校验方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110066299A1 (en) * | 2009-09-16 | 2011-03-17 | Square D Company | System and method of modeling and monitoring an energy load |
CN104156783A (zh) * | 2014-07-29 | 2014-11-19 | 广西电网有限责任公司 | 计及气象累积效应的电力系统最大日负荷预测系统及方法 |
CN104156786A (zh) * | 2014-08-18 | 2014-11-19 | 广西电网有限责任公司 | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 |
CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及系统 |
CN109242180A (zh) * | 2018-08-31 | 2019-01-18 | 合肥工业大学 | 中长期电力负荷预测方法和系统 |
-
2019
- 2019-03-27 CN CN201910236766.2A patent/CN109978261A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110066299A1 (en) * | 2009-09-16 | 2011-03-17 | Square D Company | System and method of modeling and monitoring an energy load |
CN104156783A (zh) * | 2014-07-29 | 2014-11-19 | 广西电网有限责任公司 | 计及气象累积效应的电力系统最大日负荷预测系统及方法 |
CN104156786A (zh) * | 2014-08-18 | 2014-11-19 | 广西电网有限责任公司 | 一种考虑气象多因素影响的非工作日最大日负荷预测系统 |
CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及系统 |
CN109242180A (zh) * | 2018-08-31 | 2019-01-18 | 合肥工业大学 | 中长期电力负荷预测方法和系统 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689168A (zh) * | 2019-09-03 | 2020-01-14 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
CN110689168B (zh) * | 2019-09-03 | 2024-04-16 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
CN111415050A (zh) * | 2020-04-27 | 2020-07-14 | 新智数字科技有限公司 | 短期负荷预测方法、短期负荷预测模型训练方法及装置 |
CN111415050B (zh) * | 2020-04-27 | 2023-12-05 | 新奥新智科技有限公司 | 短期负荷预测方法、短期负荷预测模型训练方法及装置 |
CN112525438A (zh) * | 2020-10-15 | 2021-03-19 | 国网浙江省电力有限公司杭州供电公司 | 一种sf6密度继电器的漏气监测方法及系统 |
CN112257923A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
CN112258342A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
CN112257923B (zh) * | 2020-10-21 | 2023-02-03 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
CN112258342B (zh) * | 2020-10-21 | 2023-02-03 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
CN115408197A (zh) * | 2022-10-31 | 2022-11-29 | 南方电网数字电网研究院有限公司 | 基于流式处理及多源数据交叉校验的负荷数据校验方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978261A (zh) | 确定负荷预测模型的方法、装置、可读介质及电子设备 | |
CN111008640A (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN111275491A (zh) | 一种数据处理方法及装置 | |
CN111353610A (zh) | 一种模型参数确定方法、装置、存储介质及电子设备 | |
US11841839B1 (en) | Preprocessing and imputing method for structural data | |
CN110308946A (zh) | 基于人工智能的跑批处理方法、设备、存储介质及装置 | |
WO2022134586A1 (zh) | 基于元学习的目标分类方法、装置、设备和存储介质 | |
CN112463859B (zh) | 基于大数据和业务分析的用户数据处理方法及服务器 | |
CN109492093A (zh) | 基于高斯混合模型和em算法的文本分类方法及电子装置 | |
CN116451594B (zh) | 覆冰预测模型的训练方法、预测方法、装置和电子设备 | |
CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN110162939A (zh) | 人机识别方法、设备和介质 | |
CN109598285A (zh) | 一种模型的处理方法、装置及设备 | |
CN115294397A (zh) | 一种分类任务的后处理方法、装置、设备及存储介质 | |
CN110490595A (zh) | 一种风险控制方法和装置 | |
CN110472246A (zh) | 工单分类方法、装置及存储介质 | |
CN110309774A (zh) | 虹膜图像分割方法、装置、存储介质及电子设备 | |
CN109934845A (zh) | 基于自注意力网络的时序行为捕捉框生成方法及装置 | |
Elgohary et al. | Smart evaluation for deep learning model: churn prediction as a product case study | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN111353577A (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 | |
Kabakus | A novel sketch recognition model based on convolutional neural networks | |
Fan et al. | Research on Quick Inventory Framework Based on Deep Neural Network | |
CN114638278A (zh) | 一种数据清洗方法、装置及系统 | |
CN109903074A (zh) | 基于数据分析的市场状态划分方法和装置 |
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: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |