CN110766186A - 用电量的预测方法及装置 - Google Patents

用电量的预测方法及装置 Download PDF

Info

Publication number
CN110766186A
CN110766186A CN201810834492.2A CN201810834492A CN110766186A CN 110766186 A CN110766186 A CN 110766186A CN 201810834492 A CN201810834492 A CN 201810834492A CN 110766186 A CN110766186 A CN 110766186A
Authority
CN
China
Prior art keywords
model
data
power consumption
electricity
appliances
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
Application number
CN201810834492.2A
Other languages
English (en)
Inventor
张秀蕊
谭泽汉
马雅奇
陈彦宇
张磊
陈高
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.)
Gree Electric Appliances Inc of Zhuhai
Original Assignee
Gree Electric Appliances Inc of Zhuhai
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 Gree Electric Appliances Inc of Zhuhai filed Critical Gree Electric Appliances Inc of Zhuhai
Priority to CN201810834492.2A priority Critical patent/CN110766186A/zh
Publication of CN110766186A publication Critical patent/CN110766186A/zh
Pending legal-status Critical Current

Links

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

本申请提供了一种用电量的预测方法及装置，其中，该方法包括：获取待测试电器的种类和/或用电参数；使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。采用上述技术方案，解决了相关技术中缺乏对电器的用电量预测方法的问题，通过机器学习设计的模型可以实现对电器用电量的精准预测，给用户开关电器提供依据，节省了电力资源。

Description

用电量的预测方法及装置
技术领域
本申请涉及电力领域，具体而言，涉及一种用电量的预测方法及装置。
背景技术
在相关技术中，所有家电产品都是围绕人们日常生活而进行的，它们的交互非常频繁。同时用户用电量受到各种因素的影响，分为短期和长期两个过程。短期内影响用电量变化的因素有电力价格、天气变化等；影响长期用电量因素有家用电器拥有量(与人们的生活水平直接相关)、气候条件(决定采暖和制冷负荷等大容量设备的使用频率)、能源条件(决定是否有大量的电炊用具)及人们的消费观念等。
人工智能是目前火热的市场，不论电脑厂商还是家电厂商，甚至是互联网应用厂商都纷纷投身于人工智能技术、产品研发。在家电市场上，现在已经出现了多种人工智能产品，同时考虑对家电用电量及故障的预测也越来越重视。针对用电量，已有技术对家电用电量的预测方法是使用一元非线性回归模型分析用户用电量与各个因素之间的关系并进行预测，虽可用于实际预测，但用户用电量实际值与期望值之差在较小的置信范围内，可信度不强，并且当用户用电量增长到一定程度后，需根据具体情况更改模型才能达到预期效果，有一定的局限性，不能随意外推或者做长期预测。
针对相关技术中缺乏对电器的用电量预测方法的问题，目前还没有有效的解决方案。
发明内容
本申请实施例提供了一种用电量的预测方法及装置，以至少解决相关技术中缺乏对电器的用电量预测方法的问题。
根据本申请的一个实施例，提供了一种用电量的预测方法，包括：获取待测试电器的种类和/或用电参数；使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。
可选地，通过以下方式训练出所述第一模型，包括：针对所述一个或多个电器，获取每个电器的种类及用电参数，以及实际使用所述一个或多个电器的用电量；对所述种类、用电参数、和所述用电量的多个数据进行相关性分析，获取每个电器的一个或多个特征，提取彼此之间相关性大于阈值的特征；依据所述相关性大于阈值的特征，和所述多个数据，训练出所述第一模型。
可选地，对所述种类、用电参数、和所述用电量的多个数据进行相关性分析之前，所述方法还包括：在检测所述多个数据的格式和类型不符合预设条件时，对所述多个数据进行以下操作至少之一：清洗、集成、转换、消减。
可选地，对所述种类、用电参数、和所述用电量的多个数据进行相关性分析，获取每个电器的一个或多个特征，提取相关性大于阈值的特征，包括：对所述多个数据进行相关性分析，获取每个电器的一个或多个特征；对所述一个或多个电器的特征进行相关性排序，提取彼此之间相关性大于阈值的特征。
可选地，依据所述相关性大于阈值的特征，和所述多个数据，训练出所述第一模型，包括：将所述相关性大于阈值的特征，和所述多个数据，分成训练集和测试集；使用所述训练集训练所述第一模型，使用所述测试集测试所述第一模型。
可选地，使用所述测试集测试所述第一模型之后，包括：获取测试结果中预测用电量，计算所述预测用电量和实际用电量之间的均方根误差；依据所述均方根误差确定所述第一模型是否合格。
可选地，使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量之后，所述方法还包括：依据所述用电量确定所述待测试电器是否存在异常。
根据本申请文件的另一个实施例，还提供了一种模型的预测效果的测试方法，包括：使用所述第一模型确定测试集的预测用电量，其中，所述第一模型是使用多组数据通过机器学习训练出的第一模型，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量；计算所述预测用电量和实际用电量之间的均方根误差；依据所述均方根误差确定所述第一模型是否合格。
根据本申请文件的另一个实施例，还提供了一种用电量的预测装置，包括：获取模块，用于获取待测试电器的种类和/或用电参数；处理模块，用于使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。
根据本申请文件的另一个实施例，还提供了一种模型的预测效果的测试装置，包括：第一确定模块，用于使用所述第一模型确定测试集的预测用电量，其中，所述第一模型是使用多组数据通过机器学习训练出的第一模型，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量；计算模块，用于计算所述预测用电量和实际用电量之间的均方根误差；第二确定模块，用于依据所述均方根误差确定所述第一模型是否合格。
根据本申请的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本申请，获取待测试电器的种类和/或用电参数；使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。采用上述技术方案，解决了相关技术中缺乏对电器的用电量预测方法的问题，通过机器学习设计的模型可以实现对电器用电量的精准预测，给用户开关电器提供依据，节省了电力资源。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例的一种用电量的预测方法的计算机终端的硬件结构框图；
图2是根据本申请实施例的用电量的预测方法的流程图；
图3是根据本申请文件的预测用电量的方法流程图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
实施例一
本申请实施例一所提供的方法实施例可以在计算机终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是本申请实施例的一种用电量的预测方法的计算机终端的硬件结构框图。如图1所示，计算机终端10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述计算机终端还可以包括用于通信功能的传输装置106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的用电量的预测方法对应的程序指令/模块，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于上述计算机终端的用电量的预测方法，图2是根据本申请实施例的用电量的预测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取待测试电器的种类和/或用电参数；
用电参数可以包括电压，电流，用电时长等。
步骤S204，使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。
通过上述步骤，获取待测试电器的种类和/或用电参数；使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。采用上述技术方案，解决了相关技术中缺乏对电器的用电量预测方法的问题，通过机器学习设计的模型可以实现对电器用电量的精准预测，给用户开关电器提供依据，节省了电力资源。
可选地，上述步骤的执行主体可以为计算机终端等，但不限于此。
可选地，通过以下方式训练出所述第一模型，包括：针对所述一个或多个电器，获取每个电器的种类及用电参数，以及实际使用所述一个或多个电器的用电量；对所述种类、用电参数、和所述用电量的多个数据进行相关性分析，获取每个电器的一个或多个特征，提取彼此之间相关性大于阈值的特征；依据所述相关性大于阈值的特征，和所述多个数据，训练出所述第一模型。
可选地，对所述种类、用电参数、和所述用电量的多个数据进行相关性分析之前，所述方法还包括：在检测所述多个数据的格式和类型不符合预设条件时，对所述多个数据进行以下操作至少之一：清洗、集成、转换、消减。
可选地，对所述种类、用电参数、和所述用电量的多个数据进行相关性分析，获取每个电器的一个或多个特征，提取相关性大于阈值的特征，包括：对所述多个数据进行相关性分析，获取每个电器的一个或多个特征；对所述一个或多个电器的特征进行相关性排序，提取彼此之间相关性大于阈值的特征。
可选地，依据所述相关性大于阈值的特征，和所述多个数据，训练出所述第一模型，包括：将所述相关性大于阈值的特征，和所述多个数据，分成训练集和测试集；使用所述训练集训练所述第一模型，使用所述测试集测试所述第一模型。
可选地，使用所述测试集测试所述第一模型之后，包括：获取测试结果中预测用电量，计算所述预测用电量和实际用电量之间的均方根误差；依据所述均方根误差确定所述第一模型是否合格。
可选地，使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量之后，所述方法还包括：依据所述用电量确定所述待测试电器是否存在异常。
根据本申请文件的另一个实施例，还提供了一种模型的预测效果的测试方法，包括以下步骤：
步骤一，使用所述第一模型确定测试集的预测用电量，其中，所述第一模型是使用多组数据通过机器学习训练出的第一模型，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量；
步骤二，计算所述预测用电量和实际用电量之间的均方根误差；依据所述均方根误差确定所述第一模型是否合格。
采用上述技术方案，给出了测试机器学习模型是否合格的方案，保证了后续使用模型进行测试的测试结果的精确度。
下面结合本申请文件的另一个实施例进行说明。
随着家用电器种类的增多，忽略掉任何一种电器都会对最终用电量预测产生影响，但将所有家用电器都作为输入变量在线性模型中又是不可能的，这是因为，首先，各输入变量之间具有相关性，而线性模型要求变量之间是不相关的；其次，家用电器不同的使用特性与用电量之间的关系也不是线性关系，这就需要建立非线性映射关系来解决这个问题。
本申请文件的最优实施方式如下，图3是根据本申请文件的预测用电量的方法流程图，如图3所示，包括以下步骤：
步骤1)数据收集：对家用电器的种类及各个家用电器的特征进行收集，同时实验得到正常使用时家用电器的总用电量；
步骤2)数据预处理：查看数据格式及类型，判断数据是否需要数据预处理，如需要，则转步骤3，如果不需要，则将数据存储至数据库中；
步骤3)对数据进行预处理，包括清洗、集成、转换、消减等操作，将处理后的数据存储至数据库；
步骤4)数据分析相关性：对处理后的数据进行相关性分析；
步骤5)选取相关性特征，对各个家用电器的特征进行相关性排序，提取相关性较强的特征；
步骤6)建立人工智能模型：对提取出来的特征及数据建立模型，基于神经网络等人工智能算法，将数据分成训练集和测试集，用训练集数据对模型进行训练；
步骤7)预测并评估模型，将测试集数据进行结果的测试，根据均方根误差RMSE的大小来判断模型的效果，如果模型效果不好，则转至步骤4进行数据分析；如果模型效果较好，则转至步骤8；
步骤8)将模型投入当前的电量预测，根据训练出的模型进行预测，并对预测结果进行评估，如果预测结果不理想，则转至数据库中，重新进行人工智能模型的建立，如果预测结果理想，则结束流程。
采用上述技术方案，首先给出用户家用电器的种类及各个电器的特征，数目在10种以上，同时需要给出家用电器用电量的实验数据，对数据进行一系列的处理，立足于神经网络等人工智能算法建立模型，通过不断训练模型得到较优的模型和参数，从而得到用户用电量的预测值，实际应用时给出各个家电的特征数据，进行预测，根据预测值分析显示出可能出现的家电故障。
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根据上述实施例的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，或者网络设备等)执行本申请各个实施例所述的方法。
实施例二
在本实施例中还提供了一种用电量的预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
根据本申请文件的另一个实施例，还提供了一种用电量的预测装置，包括：
获取模块，用于获取待测试电器的种类和/或用电参数；
处理模块，用于使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。
根据本申请文件的另一个实施例，还提供了一种模型的预测效果的测试装置，包括：
第一确定模块，用于使用所述第一模型确定测试集的预测用电量，其中，所述第一模型是使用多组数据通过机器学习训练出的第一模型，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量；
计算模块，用于计算所述预测用电量和实际用电量之间的均方根误差；
第二确定模块，用于依据所述均方根误差确定所述第一模型是否合格。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例三
本申请的实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S1，：获取待测试电器的种类和/或用电参数；
S2，使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
S1，使用所述第一模型确定测试集的预测用电量，其中，所述第一模型是使用多组数据通过机器学习训练出的第一模型，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量；
S2，计算所述预测用电量和实际用电量之间的均方根误差；
S3，依据所述均方根误差确定所述第一模型是否合格。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输装置以及输入输出设备，其中，该传输装置和上述处理器连接，该输入输出设备和上述处理器连接。
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
S1，：获取待测试电器的种类和/或用电参数；
S2，使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。
可选地，存储介质还被设置为存储用于执行以下步骤的程序代码：
S1，使用所述第一模型确定测试集的预测用电量，其中，所述第一模型是使用多组数据通过机器学习训练出的第一模型，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量；
S2，计算所述预测用电量和实际用电量之间的均方根误差；
S3，依据所述均方根误差确定所述第一模型是否合格。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种用电量的预测方法，其特征在于，包括：
获取待测试电器的种类和/或用电参数；
使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。
2.根据权利要求1所述的方法，其特征在于，通过以下方式训练出所述第一模型，包括：
针对所述一个或多个电器，获取每个电器的种类及用电参数，以及实际使用所述一个或多个电器的用电量；
对所述种类、用电参数、和所述用电量的多个数据进行相关性分析，获取每个电器的一个或多个特征，提取彼此之间相关性大于阈值的特征；
依据所述相关性大于阈值的特征，和所述多个数据，训练出所述第一模型。
3.根据权利要求2所述的方法，其特征在于，对所述种类、用电参数、和所述用电量的多个数据进行相关性分析之前，所述方法还包括：
在检测所述多个数据的格式和类型不符合预设条件时，对所述多个数据进行以下操作至少之一：清洗、集成、转换、消减。
4.根据权利要求2所述的方法，其特征在于，对所述种类、用电参数、和所述用电量的多个数据进行相关性分析，获取每个电器的一个或多个特征，提取相关性大于阈值的特征，包括：
对所述多个数据进行相关性分析，获取每个电器的一个或多个特征；
对所述一个或多个电器的特征进行相关性排序，提取彼此之间相关性大于阈值的特征。
5.根据权利要求2所述的方法，其特征在于，依据所述相关性大于阈值的特征，和所述多个数据，训练出所述第一模型，包括：
将所述相关性大于阈值的特征，和所述多个数据，分成训练集和测试集；
使用所述训练集训练所述第一模型，使用所述测试集测试所述第一模型。
6.根据权利要求5所述的方法，其特征在于，使用所述测试集测试所述第一模型之后，包括：
获取测试结果中预测用电量，计算所述预测用电量和实际用电量之间的均方根误差；
依据所述均方根误差确定所述第一模型是否合格。
7.根据权利要求1所述的方法，其特征在于，使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量之后，所述方法还包括：
依据所述用电量确定所述待测试电器是否存在异常。
8.一种模型的预测效果的测试方法，其特征在于，包括：
使用第一模型确定测试集的预测用电量，其中，所述第一模型是使用多组数据通过机器学习训练出的第一模型，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量；
计算所述预测用电量和实际用电量之间的均方根误差；
依据所述均方根误差确定所述第一模型是否合格。
9.一种用电量的预测装置，其特征在于，包括：
获取模块，用于获取待测试电器的种类和/或用电参数；
处理模块，用于使用第一模型处理所述种类和/或用电参数，预测得到所述待测试电器的用电量，其中，所述第一模型为使用多组数据通过机器学习训练出的，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量。
10.一种模型的预测效果的测试装置，其特征在于，包括：
第一确定模块，用于使用第一模型确定测试集的预测用电量，其中，所述第一模型是使用多组数据通过机器学习训练出的第一模型，所述多组数据中的每组数据均包括：一个或多个电器的种类和/或用电参数，所述一个或多个电器的用电量；
计算模块，用于计算所述预测用电量和实际用电量之间的均方根误差；
第二确定模块，用于依据所述均方根误差确定所述第一模型是否合格。
11.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至8任一项中所述的方法。
12.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
CN201810834492.2A 2018-07-26 2018-07-26 用电量的预测方法及装置 Pending CN110766186A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810834492.2A CN110766186A (zh) 2018-07-26 2018-07-26 用电量的预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810834492.2A CN110766186A (zh) 2018-07-26 2018-07-26 用电量的预测方法及装置

Publications (1)

Publication Number Publication Date
CN110766186A true CN110766186A (zh) 2020-02-07

Family

ID=69327442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810834492.2A Pending CN110766186A (zh) 2018-07-26 2018-07-26 用电量的预测方法及装置

Country Status (1)

Country Link
CN (1) CN110766186A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1573340A (zh) * 2003-06-20 2005-02-02 松下电器产业株式会社 能量管理系统、能量管理方法以及节能推荐器械信息提供装置
CN102682349A (zh) * 2012-05-14 2012-09-19 云南电力试验研究院（集团）有限公司电力研究院 一种用电量智能预测系统及方法
CN106326996A (zh) * 2015-06-16 2017-01-11 中国电力科学研究院 一种基于电量信息的用户负荷预测方法
CN106663224A (zh) * 2014-06-30 2017-05-10 亚马逊科技公司 用于机器学习模型评估的交互式界面
CN107958307A (zh) * 2017-11-28 2018-04-24 珠海格力电器股份有限公司 电费预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1573340A (zh) * 2003-06-20 2005-02-02 松下电器产业株式会社 能量管理系统、能量管理方法以及节能推荐器械信息提供装置
CN102682349A (zh) * 2012-05-14 2012-09-19 云南电力试验研究院（集团）有限公司电力研究院 一种用电量智能预测系统及方法
CN106663224A (zh) * 2014-06-30 2017-05-10 亚马逊科技公司 用于机器学习模型评估的交互式界面
CN106326996A (zh) * 2015-06-16 2017-01-11 中国电力科学研究院 一种基于电量信息的用户负荷预测方法
CN107958307A (zh) * 2017-11-28 2018-04-24 珠海格力电器股份有限公司 电费预测方法及装置

Similar Documents

Publication Publication Date Title
CN103941207B (zh) 电力计量自动化终端检测方法及其系统
CN104698309B (zh) 一种用电信息获取的方法及系统
CN112801154B (zh) 孤寡老人的行为分析方法和系统
CN113033722B (zh) 传感器数据融合方法、装置、存储介质及计算设备
CN104954528B (zh) 终端设备的耗电信息的检测方法和装置
CN110929115B (zh) 一种基于用电特性的用电安全监测方法及系统
CN114167132B (zh) 无线终端的功耗检测方法、装置、电子设备及存储介质
CN111737431B (zh) 设备异常的处理方法及装置、存储介质、电子装置
CN112614010A (zh) 负荷预测方法及装置、存储介质及电子装置
CN110766186A (zh) 用电量的预测方法及装置
CN115358395A (zh) 知识图谱的更新方法和装置、存储介质及电子装置
CN110781878B (zh) 目标区域的确定方法及装置、存储介质、电子装置
CN110824973B (zh) 家电设备的用电控制方法及装置、存储介质、电子装置
CN112434019A (zh) 应用于户变关系变更的历史电量溯源清洗方法及电力中心
CN111737136A (zh) 基于物联网平台的对象测试方法装置
CN112488590B (zh) 目标对象的分类方法及装置、存储介质、电子装置
CN112884201B (zh) 基于人工智能算法的非介入式负荷监测方法、装置及系统
CN116128323B (zh) 电力交易决策处理方法、存储介质和电子设备
CN111027785B (zh) 一种分布式电网用户的智能用电系统及用电方法
CN112737848B (zh) 对象类型的确定方法、装置、存储介质及电子装置
CN117648561A (zh) 校验数据的方法、装置、非易失性存储介质和计算机设备
Chen et al. A smart appliance management system with current clustering algorithm in home network
CN116164421A (zh) 消耗信息的确定方法和装置、存储介质及电子装置
CN106845673B (zh) 电力系统的供电方法和装置
CN113569952A (zh) 一种非侵入式负荷识别方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200207