CN110298476A - 能源消耗预测方法、装置、计算机设备及存储介质 - Google Patents
能源消耗预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110298476A CN110298476A CN201910401328.7A CN201910401328A CN110298476A CN 110298476 A CN110298476 A CN 110298476A CN 201910401328 A CN201910401328 A CN 201910401328A CN 110298476 A CN110298476 A CN 110298476A
- Authority
- CN
- China
- Prior art keywords
- data
- external temperature
- prediction
- timestamp
- under test
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- 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"
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请实施例属于研发领域,涉及能源消耗预测方法、装置、计算机设备及存储介质,其中,方法包括:获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,所述消耗数据、以及所述外部温度数据分别与所述时间戳对应;对所述时间戳进行拆解,得到多个循环参数;将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。本申请可以通过降低预测结果过拟合,提高预测结果准确率。
Description
技术领域
本申请涉及研发技术领域,尤其涉及能源消耗预测方法、装置、计算机设备及存储介质。
背景技术
现有业内的预测模型往往要求首先积累充足的历史数据作为模型学习的训练集,但是获取大量的历史数据,这个过程难度系数比较大,资源的消耗也多,一般历史数据集越大,预测结果才会越准确;并且所有的待测物体需要一起预测,那么各待测物体之间的历史数据会相互影响,最终造成预测结果偏差大的情况。但实际应用过程中往往会出现模型在早期启动时,并没有充足的历史数据,即存在冷启动问题。此外,现有技术是通过获取到各个的历史数据之后,对所有待测物体的历史数据输入到模型中进行统一预测,往往得到的每个待测物体预测结果都会受到其他待测物体的历史数据影响,增加了获取历史数据的成本,还对每个待测物体的预测结果造成不必要的偏差。可见,现有技术存在获取数据成本高,预测结果准确率低的问题。
发明内容
本申请实施例的目的在于提出一种能源消耗预测方法、装置、计算机设备及存储介质。可以降低预测结果过拟合,提高预测结果的准确率。
为了解决上述技术问题,本申请实施例提供一种能源消耗预测方法,采用了如下所述的技术方案:
包括下述步骤:
获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,所述消耗数据、以及所述外部温度数据分别与所述时间戳对应;
对所述时间戳进行拆解,得到多个循环参数;
将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。
进一步的,在所述获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据之前,所述方法还包括步骤:
若所述待测物体在所述时间戳内存在外部温度缺失值,则采用所述待测物体的历史外部温度数据的均值替代所述外部温度缺失值,得到所述待测物体当前时间戳的外部温度数据。
进一步的,所述对所述时间戳进行拆解,得到多个循环参数的步骤包括:
通过多种拆解方式将所述时间戳拆解为多个时间参数,将所述多个时间参数分别转换成循环参数,得到多个所述循环参数。
进一步的,所述多个时间参数包括:
年、月、时、一年中的某一天、以及一周中的某一天。
进一步的,所述预测模型包括:
多个第一树模型以及多个第二树模型,其中,所述多个第一树模型与所述多个第二树模型进行叠加。
进一步的,所述将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果的步骤包括:
将所述消耗数据、基础数据、外部温度数据、以及多个循环参数分别输入所述多个第一树模型以及多个第二树模型进行预测,得到多个预测值;
计算所述多个预测值的均值,并将所述均值确定为预测结果。
为了解决上述技术问题,本申请实施例还提供一种能源消耗预测装置,采用了如下所述的技术方案:
所述能源消耗预测装置包括:
获取模块,用于获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,所述消耗数据、以及所述外部温度数据分别与所述时间戳对应;
拆解模块,用于对所述时间戳进行拆解,得到多个循环参数;
预测模块,用于将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。
进一步的,所述装置还包括:
替换模块,用于若所述待测物体在所述时间戳内存在外部温度缺失值,则采用所述待测物体的历史外部温度数据的均值替代所述外部温度缺失值,得到所述待测物体当前时间戳的外部温度数据。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
所述计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现本申请实施例中提出的任一项所述的能源消耗预测方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例中提出的任一项所述的能源消耗预测方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,所述消耗数据、以及所述外部温度数据分别与所述时间戳对应;对所述时间戳进行拆解,得到多个循环参数;将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。本申请可以实现减少获取历史数据的成本,同时通过预测模型对每个待测物体进行单独的预测能更加准确地预测消耗情况,降低过拟合,提高预测结果准确率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性结构图;
图2根据本申请的能源消耗预测方法的一个实施例的流程图;
图3是图2中所示方法的另一种具体实施方式的流程图;
图4是图2中步骤202的一种具体实施方式的流程图;
图5是图2中步骤203的一种具体实施方式的流程图;
图6是根据本申请的能源消耗预测装置的一个实施例的结构示意图;
图7是根据本申请的能源消耗预测装置的另一个实施例的结构示意图;
图8是图6所示预测模块的一种具体实施方式的结构示意图;
图9是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,为了更清楚的描述本发明实施例内容,设置了示例结构图100,示例结构图100可以包括待测物体101、测量设备102以及能源消耗预测装置103。待测物体101可以是各种机械设备、建筑等,待测物体可分有大、中、小型号,不同的设备对应的基础数据不同,工作状态下的外部环境温度也可以不同。待测物体101可以通过测量设备102将自身的多个数据发送到能源预测装置103,然后,通过内部的预测模型可以实现对未来能源消耗进行预测。当然,能源预测装置103可以配置有显示器,可以在显示器上看到预测结果,或者还可以是通过有线或无线连接到终端设备,在终端设备上进行查看预测结果。其中,在预测模型中,需要先对时间戳进行拆解,形成多个时间参数,对应的时间参数上有对应的多个数据,从而预测模型会根据相应的算法对接收到的多个数据进行预测。
继续参考图2,示出了根据本申请的能源消耗预测的方法的一个实施例的流程图。上述的能源消耗预测方法,包括以下步骤:
步骤201,获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,所述消耗数据、以及所述外部温度数据分别与所述时间戳对应。
在本实施例中,能源消耗预测方法运行于其上的电子设备,可以通过有线连接方式或者无线连接方式获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi(Wireless-Fidelity)连接、蓝牙连接、WiMAX(Worldwide Interoperability for Microwave Access)连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
其中,上述待测物体可以是机械设备,也可以是建筑物或者电器等,上述时间戳可以是包括待测物体处于工作状态的时间区间;上述消耗数据可以是待测物体在工作环境下,对能源的消耗数据,可以指每小时能源消耗数据、每日能源消耗数据或者每周能源消耗数据等,可根据具体需求进行设置。上述基础数据可以是每个待测物体自身携带的参数、待测物体开放时间、待测物体编号以及类型等,例如:待测物体为机械设备,该机械设备的类型为大型设备,该大型设备在周一至周五开放,在双休日关闭,“开放”可以用数字“1”表示,“关闭”可以用数字“0”表示。上述外部温度数据可以是待测物体若在室外,则指外部的天气温度,若待测物体在室内,则可以是室内温度,当然室内温度可以是人为预先提供的温度,例如:室内温度为恒温36°等。并且上述外部温度数据会影响到待测物体的能源消耗情况,例如:外部温度过高,会增加能源消耗,外部温度低,可以降低能源消耗等。
具体的,消耗数据以及外部温度数据与上述时间戳对应,可以是在时间戳内待测物体都记录有自身的能源消耗数据,以及对应的每个时间点或者时间区间上的温度数据,例如:若待测物体为电动机,则2018年6月1号早上8点至2018年6月1号早上9点之间,电动机每小时消耗0.1吨能源,在此期间的外部温度数据为24°,准确的对应关系,可以提高预测结果的准确率。
步骤202,对所述时间戳进行拆解,得到多个循环参数。
在本实施例中,上述拆解可以是按照某种方式将时间戳划分为多个时间变量,例如:2018年3月1日早上8点至9点可以拆解为2018年、3月、1日、早上8点至9点这几个时间变量,循环参数可以是通过周期函数对多个时间变量分别做一个周期循环,上述周期函数可以是正弦函数sinA或/和余弦函数cosA。通过周期函数处理,可以知道一个周的循环,例如:星期日的后一天是星期一而不是星期八;还可以知道月份的循环,例如:12月之后是1月而不是13月;还可以知道年的循环,例如:一年中的第365天或366天之后是次年的第一天。也即是循环参数将上述时间戳做一个量化处理。
步骤203,将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。
在本实施例中,其中,预测模型可以是一个预先训练好的模型,也可以是多个预先训练好的模型,还可以是多种模型组合在一起形成的混合模型。将时间戳拆解为多个时间变量,将时间变量转换为循环参数后,将循环参数以及获取到的消耗数据、基础数据、外部温度数据输入预测模型中,也即是给预测模型提供一个训练数据集以及时间的循环参数,预测模型接收到上述多种数据后,用户可以输入想要预测的时间点或者时间段,然后预测模型会根据内部的预测公式和/或算法综合上述多种数据对用户输入的未来某个时间点或时间段进行能源消耗的预测。例如:用户想要未来24小时的能源消耗情况,那么,模型会对获取到的多个数据进行计算整合,整理出待测物体过去多天中相对应的每小时能源消耗数据,然后根据模型的取值公式得出最终的预测结果。当然,其中,每个小时可以是按照顺序排列,例如早上6点到7点为第一小时,7点到8点为第二小时,直到次日早晨5点到6点为第二十四小时,这样按顺序排列出待测物体在24个小时中每个小时的消耗数据,可以让用户简单明了的获取到想要的预测结果,让用户想要获取的未来24小时能源消耗数据呈现出条理性。
其中,上述每台待测物体的外部温度数据和基础数据对消耗数据都会产生一定的影响,例如:大型设备在外部温度数据为60°的情况下的能源消耗量可以是多于小型设备在外部温度数据为常温36°情况下的能源消耗量。上述消耗数据、基础数据、外部温度数据与时间戳是对应的,将时间戳拆解为多个时间变量后,同样,与多个时间变量也是相互对应的,这样可以保证上述消耗数据、基础数据、外部温度数据不会因为对时间戳进行拆解而改变。预测模型根据每个待测物体提供的多种数据可以对每个待测物体在未来的24小时的每小时能源消耗进行预测,或者可以是对未来1周内每日能源消耗进行预测,还可以是对未来2周的每周能源消耗进行预测,预测完成后可以获取预测结果。
在本实施例中,获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,消耗数据、以及外部温度数据分别与时间戳对应;对时间戳进行拆解,得到多个循环参数;将消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。本发明可以实现获取少量的历史数据就能实现预测,同时通过预测模型对每个待测物体进行单独的预测能更加准确地预测消耗情况,降低过拟合,提高预测结果准确率。
进一步的,如图3所示,上述步骤201之前,本实施例还可以包括以下步骤:
步骤301,若所述待测物体在所述时间戳内存在外部温度缺失值,则采用所述待测物体的历史外部温度数据的均值替代所述外部温度缺失值,得到所述待测物体当前时间戳的外部温度数据。
其中,外部温度缺失值可以是在某个时间段或者时间点,待测物体因为某些原因没有记录外部温度数据,所造成的外部温度数据缺失的数值。
在一个实施例中,当存在外部温度缺失值时,通过获取待测物的多个历史外部温度数据,计算出多个历史外部温度数据的均值进行填充,例如:需要获取的2018年3月1日早上8点至9点的外部温度数据缺失,则通过获取2016年以及2017年3月1日早上8点至9点该待测物体的外部温度数据,若分别为23°和25°,则计算两个温度值的均值进行填充,则填充的温度数值为24°。
在另一个实施例中,若是历史外部温度数据只有一个数据,也可以是将获取到的一个历史外部温度数据直接进行填充,例如:需要获取的2018年3月1日早上8点至9点的外部温度数据缺失,则通过获取2017年3月1日早上8点至9点该待测物体的外部温度数据为25°进行填充。此外,若是待测物体存在外部温度缺失值,但是又没有历史外部温度数据可以获取,则可以忽略不计。
进一步的,如图4所示,上述步骤202可以包括以下步骤:
步骤401,通过多种拆解方式将所述时间戳拆解为多个时间参数,将所述多个时间参数分别转换成循环参数,得到多个所述循环参数。
其中,多种拆解方式可以是按照年、月、时、一年中的某一天、以及一周中的某一天的方式,通过这样的拆解方式可以形成对应的多个时间参数,然后时间参数可以输入到周期函数中进行计算,转换为循环参数,并且每一个时间参数对应转换为一个循环参数,这样,在预测的时候可以获取到更为详细的数据,并且能够保证时间上的有序性。
进一步的,上述步骤401中的多个时间参数可以包括:
年、月、时、一年中的某一天、以及一周中的某一天。
具体的,可以是将时间戳拆解为年、月、时、一年中的某一天、以及一周中的某一天这5个时间参数,然后将这5个时间参数根据周期函数sinA和/或cosA转换为循环参数。年、月、时、一年中的某一天、以及一周中的某一天这5个时间参数变化比较小,例如:周的循环中,一个循环周期为7天,月的循环中,一个循环周期为12天,时的循环中,一个循环周期为24小时等。按照上述5个时间参数划分,可以降低输入到模型中的数据因较大的变化给预测结果带来影响。
在另一种实施例中,除了上述年、月、时、一年中的某一天、以及一周中的某一天这5个时间参数以外,还可以有一种时间参数为日,不同的月份所包括的天数不同,例如:2月有28天或29天,其他月份有30天或31天,天数的变化较大,但在实施例中,并不限定时间参数的个数。
当然,作为另一种可选的实施例,多个时间参数还可以包括:一个小时中的某分钟、一分钟中的某秒钟,以及一秒钟的某毫秒等,例如:一个小时有60分钟,则可根据周期函数sinA和/或cosA转换为循环参数,形成循环周期为60分钟的参数,上述一分钟中的某一秒同样可以根据周期函数sinA和/或cosA转换为循环参数,从而形成一个循环周期为60秒的参数;上述一秒钟的某毫秒同样可以根据周期函数sinA和/或cosA转换为循环参数,从而形成一个循环周期为60毫秒的参数。通过这样的拆分方式将时间参数充分细化,可以在获取能源消耗的预测结果时得到足够准确细致的结果。
进一步的,上述步骤203中的所述预测模型具体包括:
多个第一树模型以及多个第二树模型,其中,所述多个第一树模型与所述多个第二树模型进行叠加。
其中,第一树模型可以是随机森林(RandomForest)树模型,第二树模型可以是极端随机树(ExtraTrees)模型。随机森林属于集成学习(Ensemble Learning)中的bagging算法从原始样本集中使用Bootstraping方法随机抽取n个训练样本,共进行k轮抽取采样,得到k个训练集,其中,这k个训练集之间相互独立,元素可以有重复,对于k个训练集,需要训练k个树模型,k个树模型可以是决策树模型,对于单个决策树模型,按照一定规律进行无剪枝分裂,直到节点的所有训练样例都属于同一类。在本发明实施例中,属于回归问题,则由k个树模型预测结果的均值作为最后预测结果,通过这种方式得到预测结果可以提高预测结果的准确率,其随机性还能减少出现过拟合。
具体的,第一树模型与第二树模型可以是分别使用6重,当然也可以是其它重,例如:8重、10重等。将6重RandomForest模型与6重ExtraTrees模型进行叠加得到12重树模型,也即是在进行训练的过程中,需要训练12个模型,每个树模型中树的棵树分别从50-175,以25为跨度,分别进行6次学习,总共进行12次学习。使用上述6重RandomForest模型与6重ExtraTrees模型进行叠加进行预测,可以有效降低过拟合,得到一个更为准确的预测值,提高了预测的准确率。其中,每重树模型都会根据获取到的待测物体的消耗数据、基础数据、外部温度数据,根据用户输入的需求条件进行计算整理,对应得到一个预测结果,需求条件可以是某一年、某一年中的某个月等,12重树模型总共会进行12次预测,预测可以是同时进行,也可以是依次进行预测,最终预测出12个结果,例如:用户需要知道未来一周中第一天的第二个小时,某台待测物体的每小时能源消耗情况,并且预测模型在此之前只接收到两周该台待测物体消耗数据,若第一周第一天第二小时的每小时消耗数据为2.00吨,第二周第一天第二小时的每小时消耗数据为4.00吨,那么每个树模型会将这两个数据导入预测公式和/或算法中进行预测,得到对未来一周中第一天的第二个小时12个预测结果分别为2.50吨、2.46吨、2.55吨、2.56吨、2.47吨、2.68吨、2.39吨、3.05吨、3.16吨、3.28吨、3.36吨、3.48吨,最后可以根据某种取值方式对上述12个预测结果进行计算,得出一个最为准确的结果,例如取算数平均值则预测结果为2.83吨,当然还可以是取均方根平均值等方式,在本发明实施例中不做限定。
进一步的,如图5所示,上述步骤203可以包括以下步骤:
步骤501,将所述消耗数据、基础数据、外部温度数据、以及多个循环参数分别输入所述多个第一树模型以及多个第二树模型进行预测,得到多个预测值;
步骤502,计算所述多个预测值的均值,并将所述均值确定为预测结果。
具体的,将获取到的待测物体的消耗数据、基础数据、外部温度数据以及多个循环参数输入到6重RandomForest模型与6重ExtraTrees模型进行叠加得到的12重树模型进行预测,对应该待测物体,得到12个预测数值,然后计算12个数值的均值作为预测结果,其中,每重树模型都会根据获取到的待测物体的消耗数据、基础数据、外部温度数据根据用户输入的需求条件进行计算整理,对应得到一个预测结果,需求条件可以是某一年中的某个月、某个星期中的某一天等,12重树模型总共会进行12次预测,预测可以是依次进行,最终预测出12个结果,例如:当消耗数据、基础数据、外部温度数据均已经输入到预测模型,并将时间戳拆解为时间变量,转换为循环参数后,若用户输入的需求条件为“预测某个待测物体未来一周内第二天的每日消耗数据”,且该待测物体已输入预测模型的多种数据总共有七周,该七周的第一天、第二天直到第七天为一个周循环,对应这七周的每周第二天的每日能源消耗数据分别为0.35吨、0.45吨、0.40吨、0.38吨、0.39吨、0.46吨、0.55吨,并且这七周的外部温度数据为恒温36°,然后12重树模型对上述7个每日耗数据根据决策树模型的算法进行分裂,得到12个预测结果分别为0.38吨、0.45吨、0.49吨、0.55吨、0.54吨、0.58吨、0.48吨,最后可以是根据如下算数平均值公式:
得到该待测物体未来一周内第二天的每日消耗数据为0.50吨。上述X表示算数平均值,1,2...n表示消耗数据的个数,i表示从1到n中的任意一个消耗数据。当然,除了使用算数平均值计算之外,还可以使用几何平均值或均方根平均值等进行计算,在本实施例中,对均值的计算方式不做限定。此外,还可以是计算未来的24小时的每小时能源消耗、未来1周内每日能源消耗、或未来2周的每周能源消耗等的预测结果,都可以根据用户需求而定。通过取均值的方式,可以提高预测结果的准确率,而随机性的引入,使得随机森林不容易过拟合。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)等非易失性存储介质,或随机存储记忆体(RandomAccessMemory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了一种能源消耗预测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例所述的能源消耗预测装置600包括:获取模块601、拆解模块602、预测模块603。其中:
获取模块601用于获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,所述消耗数据、以及所述外部温度数据分别与所述时间戳对应;
拆解模块602用于对所述时间戳进行拆解,得到多个循环参数;
预测模块603用于将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。
参阅图7,上述装置600还包括:
替换模块604用于若所述待测物体在所述时间戳内存在外部温度缺失值,则采用所述待测物体的历史外部温度数据的均值替代所述外部温度缺失值,得到所述待测物体当前时间戳的外部温度数据。
进一步的,拆解模块602还用于通过多种拆解方式将所述时间戳拆解为多个时间参数,将所述多个时间参数分别转换成循环参数,得到多个所述循环参数。
进一步的,所述多个时间参数包括:年、月、时、一年中的某一天、以及一周中的某一天。
进一步的,所述预测模型包括:多个第一树模型以及多个第二树模型,其中,所述多个第一树模型与所述多个第二树模型进行叠加。
参阅图8,为预测模块603一种具体实施方式的结构示意图,预测模块603包括:输入子模块6031以及计算子模块6032。其中,
输入子模块6031用于将所述消耗数据、基础数据、外部温度数据、以及多个循环参数分别输入所述多个第一树模型以及多个第二树模型进行预测,得到多个预测值;
计算子模块6032用于计算所述多个预测值的均值,并将所述均值确定为预测结果。
本申请实施例提供的能源消耗预测装置能够实现图2至图5的方法实施例中的各个实施方式,以及相应有益效果,为避免重复,这里不再赘述。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
上述计算机设备9包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是,图中仅示出了具有组件91-93的计算机设备9,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,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(DigitalSignalProcessor,DSP)、嵌入式设备等。
上述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。上述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
上述存储器91至少包括一种类型的可读存储介质,上述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,上述存储器91可以是上述计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,上述存储器91也可以是上述计算机设备9的外部存储设备,例如该计算机设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,上述存储器91还可以既包括上述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中,上述存储器91通常用于存储安装于上述计算机设备9的操作系统和各类应用软件,例如能源消耗预测方法的程序代码等。此外,上述存储器91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。
上述处理器92在一些实施例中可以是中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制上述计算机设备9的总体操作。本实施例中,上述处理器92用于运行上述存储器91中存储的程序代码或者处理数据,例如运行上述能源消耗预测方法的程序代码。
上述网络接口93可包括无线网络接口或有线网络接口,该网络接口93通常用于在上述计算机设备9与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,上述计算机可读存储介质存储有能源消耗预测的程序,上述能源消耗预测的程序可被至少一个处理器执行,以使上述至少一个处理器执行如上述的能源消耗预测方法的步骤。
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能源消耗预测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)执行本申请各个实施例上述的能源消耗预测方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种能源消耗预测方法,其特征在于,包括步骤:
获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,所述消耗数据、以及所述外部温度数据分别与所述时间戳对应;
对所述时间戳进行拆解,得到多个循环参数;
将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。
2.根据权利要求1所述的能源消耗预测方法,其特征在于,在所述获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据之前,所述方法还包括步骤:
若所述待测物体在所述时间戳内存在外部温度缺失值,则采用所述待测物体的历史外部温度数据的均值替代所述外部温度缺失值,得到所述待测物体当前时间戳的外部温度数据。
3.根据权利要求1所述的能源消耗预测方法,其特征在于,所述对所述时间戳进行拆解,得到多个循环参数的步骤包括:
通过多种拆解方式将所述时间戳拆解为多个时间参数,将所述多个时间参数分别转换成循环参数,得到多个所述循环参数。
4.根据权利要求3所述的能源消耗预测方法,其特征在于,所述多个时间参数包括:
年、月、时、一年中的某一天、以及一周中的某一天。
5.根据权利要求1所述的能源消耗预测方法,其特征在于,所述预测模型包括:
多个第一树模型以及多个第二树模型,其中,所述多个第一树模型与所述多个第二树模型进行叠加。
6.根据权利要求5所述的能源消耗预测方法,其特征在于,所述将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果的步骤包括:
将所述消耗数据、基础数据、外部温度数据、以及多个循环参数分别输入所述多个第一树模型以及多个第二树模型进行预测,得到多个预测值;
计算所述多个预测值的均值,并将所述均值确定为预测结果。
7.一种能源消耗预测装置,其特征在于,包括:
获取模块,用于获取待测物体的时间戳、消耗数据、基础数据、以及外部温度数据,其中,所述消耗数据、以及所述外部温度数据分别与所述时间戳对应;
拆解模块,用于对所述时间戳进行拆解,得到多个循环参数;
预测模块,用于将所述消耗数据、基础数据、外部温度数据、以及多个循环参数输入预测模型中进行预测,得到预测结果。
8.根据权利要求7所述的能源消耗预测装置,其特征在于,所述装置还包括:
替换模块,用于若所述待测物体在所述时间戳内存在外部温度缺失值,则采用所述待测物体的历史外部温度数据的均值替代所述外部温度缺失值,得到所述待测物体当前时间戳的外部温度数据。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的能源消耗预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的能源消耗预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401328.7A CN110298476A (zh) | 2019-05-15 | 2019-05-15 | 能源消耗预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910401328.7A CN110298476A (zh) | 2019-05-15 | 2019-05-15 | 能源消耗预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110298476A true CN110298476A (zh) | 2019-10-01 |
Family
ID=68026798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910401328.7A Pending CN110298476A (zh) | 2019-05-15 | 2019-05-15 | 能源消耗预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298476A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344402A (zh) * | 2021-06-18 | 2021-09-03 | 浙江中新电力工程建设有限公司 | 基于电力性能的需求测响应测算系统及其测算方法 |
CN113673760A (zh) * | 2021-08-19 | 2021-11-19 | 上海上实龙创智能科技股份有限公司 | 一种能耗预测方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2251614A1 (en) * | 2008-02-27 | 2010-11-17 | Mitsubishi Heavy Industries, Ltd. | Air conditioning system and device for predicting building air conditioning facility power consumption amount |
CN102682197A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市海亿达能源科技股份有限公司 | 对单设备能源消耗变化趋势实时预测的监测方法及装置 |
CN106327028A (zh) * | 2016-11-09 | 2017-01-11 | 国网能源研究院 | 一种终端能源消耗量预测方法及装置 |
CN107871538A (zh) * | 2016-12-19 | 2018-04-03 | 平安科技(深圳)有限公司 | 基于宏观因子的大数据预测方法及系统 |
-
2019
- 2019-05-15 CN CN201910401328.7A patent/CN110298476A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2251614A1 (en) * | 2008-02-27 | 2010-11-17 | Mitsubishi Heavy Industries, Ltd. | Air conditioning system and device for predicting building air conditioning facility power consumption amount |
CN102682197A (zh) * | 2012-04-25 | 2012-09-19 | 深圳市海亿达能源科技股份有限公司 | 对单设备能源消耗变化趋势实时预测的监测方法及装置 |
CN106327028A (zh) * | 2016-11-09 | 2017-01-11 | 国网能源研究院 | 一种终端能源消耗量预测方法及装置 |
CN107871538A (zh) * | 2016-12-19 | 2018-04-03 | 平安科技(深圳)有限公司 | 基于宏观因子的大数据预测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344402A (zh) * | 2021-06-18 | 2021-09-03 | 浙江中新电力工程建设有限公司 | 基于电力性能的需求测响应测算系统及其测算方法 |
CN113344402B (zh) * | 2021-06-18 | 2022-09-23 | 浙江中新电力工程建设有限公司 | 基于电力性能的需求侧响应测算系统及其测算方法 |
CN113673760A (zh) * | 2021-08-19 | 2021-11-19 | 上海上实龙创智能科技股份有限公司 | 一种能耗预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Physical energy and data-driven models in building energy prediction: A review | |
Alzoubi | Machine learning for intelligent energy consumption in smart homes | |
Roldán-Blay et al. | Upgrade of an artificial neural network prediction method for electrical consumption forecasting using an hourly temperature curve model | |
EP2686937B1 (en) | Non-intrusive load monitoring system and method | |
CN113835344A (zh) | 设备的控制优化方法、展示平台、云服务器及存储介质 | |
CN104008432A (zh) | 基于emd-kelm-ekf的微网短期负荷预测方法 | |
US20160084889A1 (en) | System and method for stability monitoring, analysis and control of electric power systems | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
WO2017153991A1 (en) | A method and system for optimizing and predicting demand response | |
JP2020501491A (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
US10474177B2 (en) | System and method for stability monitoring, analysis and control of electric power systems | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN102930155B (zh) | 获取电力需求的预警参数的方法及装置 | |
KR102482043B1 (ko) | 소규모 이력 데이터에서 냉방부하를 예측하기 위한 학습 방법 및 장치 | |
CN110212524A (zh) | 一种区域电力负荷预测方法 | |
CN113222403B (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
Salomons et al. | Practical real-time optimization for energy efficient water distribution systems operation | |
CN110298476A (zh) | 能源消耗预测方法、装置、计算机设备及存储介质 | |
CN104376372A (zh) | 基于源网荷互动模式的智能配电网调度业务优化方法 | |
CN107895211A (zh) | 一种基于大数据的中长期电力负荷预测方法和系统 | |
KR20170106686A (ko) | 가정의 에너지 사용량 예측 방법 및 장치 | |
CN109523053A (zh) | 一种多能流系统负荷预测方法 | |
Batbaatar et al. | DeepEnergy: Prediction of appliances energy with long-short term memory recurrent neural network | |
CN113608434B (zh) | 一种综合能源系统异质能流联动优化平台 | |
CN113434690B (zh) | 基于聚类算法的用电预测评估方法、装置、系统及介质 |
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 |