CN111310960A - 一种能源消耗预测方法及装置 - Google Patents
一种能源消耗预测方法及装置 Download PDFInfo
- Publication number
- CN111310960A CN111310960A CN201811519685.5A CN201811519685A CN111310960A CN 111310960 A CN111310960 A CN 111310960A CN 201811519685 A CN201811519685 A CN 201811519685A CN 111310960 A CN111310960 A CN 111310960A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- predicted value
- data
- value
- determining
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012706 support-vector machine Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 abstract 5
- 238000010586 diagram Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000630 rising effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/08—Construction
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种能源消耗预测方法及装置,包括:将获取的第一数据输入预先训练完成的ARIMA模型,将获取的第二数据输入预先训练完成的SVM模型;基于ARIMA模型,确定第一能源消耗预测值,基于SVM模型,确定第二能源消耗预测值;根据第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。由于在进行能源消耗预测时,基于ARIMA模型,确定第一能源消耗预测值,基于SVM模型,确定第二能源消耗预测值。结合ARIMA模型确定的第一能源消耗预测值和SVM模型确定的第二能源消耗预测值,确定出目标能源消耗预测值。利用ARIMA模型和SVM模型的优点,使确定的目标能源消耗预测值更准确。
Description
技术领域
本发明涉及能源消耗预测技术领域,尤其涉及一种能源消耗预测方法及装置。
背景技术
随着我国城镇化的快速推进,总建筑量必定持续增长,建筑能源消耗用能比例增加是发展的必然趋势。我国建筑每平方米能源消耗约是气候相近的发达国家耗能的3倍,随着经济的持续快速增长,我国的建筑能源消耗也日益攀升,我国已成为三大能源消耗国之一,能源紧张的问题日益明显。如何准确预测建筑能源消耗已成为我国急需解决的问题。
现在的建筑能源消耗预测技术,一般是基于SVM模型进行能源消耗预测,或者基于改进的SVM模型进行能源消耗预测。但是,现有技术中在进行能源消耗预测时,并未考虑时间序列问题,因此现有技术中能源消耗预测的准确性较低。
发明内容
本发明实施例提供了一种能源消耗预测方法及装置,用以解决现有技术中能源消耗预测不准确的问题。
本发明实施例提供了一种能源消耗预测方法,所述方法包括:
将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;
基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;
根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。
进一步地,所述根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值包括:
确定最新获取的能源消耗真实值;
根据所述第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据所述第二能源消耗预测值和能源消耗真实值,确定第二预测误差;
根据所述第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重;
根据所述第一权重和第二权重,对所述第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
进一步地,所述ARIMA模型的训练过程包括:
针对第一训练集中每个第二时间长度内的第三数据,将该第二时间长度内的第三数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入ARIMA模型,对所述ARIMA模型进行训练。
进一步地,所述SVM模型的训练过程包括:
针对第二训练集中每个第二时间长度内的第四数据,将该第二时间长度内的第四数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入SVM模型,对所述SVM模型进行训练。
进一步地,所述第一数据和第三数据包括能源消耗值。
进一步地,所述第二数据和第四数据包括能源消耗值和天气数据。
另一方面,本发明实施例提供了一种能源消耗预测装置,所述装置包括:
输入模块,用于将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;
第一确定模块,用于基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;
第二确定模块,用于根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。
进一步地,所述第二确定模块,具体用于确定最新获取的能源消耗真实值;根据所述第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据所述第二能源消耗预测值和能源消耗真实值,确定第二预测误差;根据所述第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重;根据所述第一权重和第二权重,对所述第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
进一步地,所述装置还包括:
第一训练模块,用于针对第一训练集中每个第二时间长度内的第三数据,将该第二时间长度内的第三数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入ARIMA模型,对所述ARIMA模型进行训练。
进一步地,所述装置还包括:
第二训练模块,用于针对第二训练集中每个第二时间长度内的第四数据,将该第二时间长度内的第四数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入SVM模型,对所述SVM模型进行训练。
本发明实施例提供了一种能源消耗预测方法及装置,所述方法包括:将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。
由于在本发明实施例中,在进行能源消耗预测时,基于ARIMA模型,确定第一能源消耗预测值,基于SVM模型,确定第二能源消耗预测值。ARIMA模型能够很好的拟合时间序列,SVM模型能够很好地适用于小样本、非线性及高维模式识别问题,结合ARIMA模型确定的第一能源消耗预测值和SVM模型确定的第二能源消耗预测值,确定出目标能源消耗预测值。充分利用ARIMA模型和SVM模型的优点,使得确定的目标能源消耗预测值更准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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为本发明实施例1提供的能源消耗预测过程示意图;
图2为本发明实施例2提供的确定目标能源消耗预测值的示意图;
图3为本发明实施例2提供的能源消耗预测流程示意图;
图4为本发明实施例提供的能源消耗预测装置结构示意图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅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它实施例,都属于本发明保护的范围。
实施例1:
图1为本发明实施例提供的能源消耗预测过程示意图,该过程包括以下步骤:
S101:将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型。
S102:基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值。
S103:根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。
本发明实施例提供的能源消耗预测方法应用于电子设备,该电子设备可以是PC、平板电脑等设备。本发明实施例提供的能源消耗预测方法包括但不限定是对大型公共建筑的能源消耗预测。
电子设备可以获取第一时间长度内的第一数据和第二数据,第一时间长度可以是三天、四天等,第一数据可以是第一时间长度内的能源消耗。第二数据可以和第一数据相同或不同。如果第二数据和第一数据不同,则第二数据可以是第一时间长度内的能源消耗以及第一时间长度内的天气数据。其中,天气数据可以是每天的平均温度、平均湿度等数据。
电子设备中保存有预先训练完成的自回归积分滑动平均ARIMA模型和支持向量机SVM模型。电子设备在获取到第一时间长度内的第一数据和第二数据后,将第一数据输入ARIMA模型,将第二数据输入SVM模型。由于ARIMA模型能够很好的拟合时间序列,SVM模型能够很好地适用于小样本、非线性及高维模式识别问题,因此基于ARIMA模型,确定的第一能源消耗预测值很好的拟合了时间序列,基于SVM模型,确定的第二能源消耗预测值适用于小样本、非线性及高维模式识别问题。
电子设备在确定第一能源消耗预测值和第二能源消耗预测值后,根据第一能源消耗预测值和第二能源消耗预测值确定第一预测时间的目标能源消耗预测值。其中,第一预测时间可以是第一时间长度之后的第一天,也可以是第一时间长度之后的第二天等。例如第一时间长度是2018年10月1日至2018年10月3日,第一预测时间可以是2018年10月4日,也可以是2018年10月5日。具体的,第一时间长度和第一预测时间的对应关系是由训练的ARIMA模型和SVM模型决定的。如果在训练ARIMA模型和SVM模型时,预测的是第一时间长度之后的第一天,则第一预测时间也就是第一时间长度之后的第一天;如果在训练ARIMA模型和SVM模型时,预测的是第一时间长度之后的第二天,则第一预测时间也就是第一时间长度之后的第二天。
电子设备根据第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值,可以是取第一能源消耗预测值和第二能源消耗预测值的平均值作为第一预测时间的目标能源消耗预测值,也可以根据经验确定第一能源消耗预测值和第二能源消耗预测值重要程度,根据重要程度不同为第一能源消耗预测值和第二能源消耗预测值分配对应的权重,其中重要程度越大,对应的权重越大。然后根据第一能源消耗预测值、第二能源消耗预测值以及对应的权重,进行加权平均计算得到第一预测时间的目标能源消耗预测值。
由于在本发明实施例中,在进行能源消耗预测时,基于ARIMA模型,确定第一能源消耗预测值,基于SVM模型,确定第二能源消耗预测值。ARIMA模型能够很好的拟合时间序列,SVM模型能够很好地适用于小样本、非线性及高维模式识别问题,结合ARIMA模型确定的第一能源消耗预测值和SVM模型确定的第二能源消耗预测值,确定出目标能源消耗预测值。充分利用ARIMA模型和SVM模型的优点,使得确定的目标能源消耗预测值更准确。
实施例2:
为了使确定的目标能源消耗预测值更准确,在上述实施例的基础上,在本发明实施例中,所述根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值包括:
确定最新获取的能源消耗真实值;
根据所述第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据所述第二能源消耗预测值和能源消耗真实值,确定第二预测误差;
根据所述第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重;
根据所述第一权重和第二权重,对所述第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
在本发明实施例中,电子设备在确定第一能源消耗预测值和第二能源消耗预测值之后,为了能够准确确定出第一预测时间的目标能源消耗预测值,首先确定出最新获取的能源消耗真实值。例如想要预测2018年10月4日的能源消耗值,最新获取的能源消耗真实值可以是2018年10月3日的能源消耗真实值。
电子设备根据第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据第二能源消耗预测值和能源消耗真实值,确定第二预测误差。具体的,电子设备计算能源消耗真实值与第一能源消耗预测值的差值作为第一预测误差,计算能源消耗真实值与第二能源消耗预测值的差值作为第二预测误差。如果确定的第一预测误差或第二预测误差为负值,则取第一预测误差或第二预测误差的绝对值。保证第一预测误差和第二预测误差为正值。
电子设备根据第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重。具体的,可以计算第一预测误差和第二预测误差的和值,然后计算第一预测误差与该和值的比值作为第一权重,计算第二预测误差与该和值的比值作为第二权重。在确定出第一权重和第二权重之后,采用第一权重和第二权重对第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
另外,在计算出第一预测误差和第二预测误差的和值之后,也可以计算该和值与第一预测误差的比值作为第一中间参数,计算该和值与第二预测误差的比值作为第二中间参数。计算第一中间参数和第二中间参数的和值,然后计算第一中间参数与该和值的比值作为第一权重,计算第二中间参数与该和值的比值作为第二权重。在确定出第一权重和第二权重之后,采用第一权重和第二权重对第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
图2为本发明实施例提供的确定目标能源消耗预测值的示意图。如图2所示,首先确定第一能源消耗预测值P1、第二能源消耗预测值P2以及最新获取的能源消耗真实值Act。然后计算第一预测误差E1=|Act-P1|,计算第二预测误差E2=|Act-P2|。再计算第一预测误差和第二预测误差的和值=E1+E2。计算第一中间参数为α=S/E1,计算第二中间参数为β=S/E2。计算第一中间参数和第二中间参数的和值α+β,然后计算第一权重为W1=α/(α+β),计算第二权重为W2=β/(α+β)。在确定出第一权重W1和第二权重W2之后,确定目标能源消耗预测值为Out=W1×P1+W2×P2。
由于在本发明实施例中,电子设备根据第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据第二能源消耗预测值和能源消耗真实值,确定第二预测误差;然后根据第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重。最终根据第一权重和第二权重,对第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。因此可以使得确定的目标能源消耗预测值更准确。
图3为本发明实施例提供的能源消耗预测流程示意图,如图3所示,由于获取的第一时间长度内的第一数据和第二数据中有可能存在干扰数据,干扰数据会影响最终确定的目标能源消耗预测值的准确性,为了使确定的目标能源消耗预测值更准确,在将第一数据输入ARIMA模型,以及将第二数据输入SVM模型之前,还需要对第一数据和第二数据进行数据清洗处理。具体的,电子设备中可以保存较小的第一阈值和较大的第二阈值,将第一数据中和第二数据中小于第一阈值和大于第二阈值的数据作为干扰数据,将干扰数据从第一数据和第二数据中滤除,然后将剩余的第一数据输入ARIMA模型,将剩余的第二数据输入SVM模型。基于ARIMA模型得到第一能源消耗预测值,基于SVM模型,得到第二能源消耗预测值,然后计算第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重,根据第一权重和第二权重,对第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
实施例3:
在上述各实施例的基础上,在本发明实施例中,所述ARIMA模型的训练过程包括:
针对第一训练集中每个第二时间长度内的第三数据,将该第二时间长度内的第三数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入ARIMA模型,对所述ARIMA模型进行训练。
在本发明实施例中,将用于训练ARIMA模型的训练集作为第一训练集中,将第一训练集中的数据作为第三数据。第一数据和第三数据包括能源消耗值。电子设备将第一训练集中第三数据划分为每个第二时间长度内的第三数据,第二时间长度例如是三天,则可以将第一训练集中第三数据划分为2018年1月1日至2018年1月3日的第三数据、2018年1月2日至2018年1月4日的第三数据、2018年1月3日至2018年1月4日的第三数据等等。然后针对每个第二时间长度,确定该第二时间长度对应的第二预测时间。具体的,该第二时间长度对应的第二预测时间可以是该第二时间长度之后的第一天,也可以是该第二时间长度之后的第二天等,只要预先设置好即可。
例如,2018年1月1日至2018年1月3日对应的第二预测时间可以是2018年1月4日,2018年1月2日至2018年1月4日对应的第二预测时间可以是2018年1月5日等。
在对ARIMA模型进行训练时,针对第一训练集中每个第二时间长度内的第三数据,将该第二时间长度内的第三数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入ARIMA模型。根据ARIMA模型输出的第二预测时间的能源消耗预测值与能源消耗真实值的差值对ARIMA模型的参数进行调整,直到ARIMA模型训练完成。
实施例4:
在上述各实施例的基础上,在本发明实施例中,所述SVM模型的训练过程包括:
针对第二训练集中每个第二时间长度内的第四数据,将该第二时间长度内的第四数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入SVM模型,对所述SVM模型进行训练。
在本发明实施例中,将用于训练SVM模型的训练集作为第二训练集中,将第二训练集中的数据作为第四数据。第二数据和第四数据包括能源消耗值和天气数据。
电子设备将第二训练集中第三数据划分为每个第二时间长度内的第四数据,第二时间长度例如是三天,则可以将第二训练集中第四数据划分为2018年1月1日至2018年1月3日的第三数据、2018年1月2日至2018年1月4日的第三数据、2018年1月3日至2018年1月4日的第三数据等等。然后针对每个第二时间长度,确定该第二时间长度对应的第二预测时间。具体的,该第二时间长度对应的第二预测时间可以是该第二时间长度之后的第一天,也可以是该第二时间长度之后的第二天等,只要预先设置好即可。
例如,2018年1月1日至2018年1月3日对应的第二预测时间可以是2018年1月4日,2018年1月2日至2018年1月4日对应的第二预测时间可以是2018年1月5日等。
在对SVM模型进行训练时,针对第二训练集中每个第二时间长度内的第四数据,将该第二时间长度内的第四数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入SVM模型。根据SVM模型输出的第二预测时间的能源消耗预测值与能源消耗真实值的差值对SVM模型的参数进行调整,直到SVM模型训练完成。
其中,对ARIMA模型和SVM模型训练的过程属于现有技术,在此不再对该过程进行赘述。
图4为本发明实施例提供的能源消耗预测装置结构示意图,所述装置包括:
输入模块41,用于将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;
第一确定模块42,用于基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;
第二确定模块43,用于根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。
所述第二确定模块43,具体用于确定最新获取的能源消耗真实值;根据所述第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据所述第二能源消耗预测值和能源消耗真实值,确定第二预测误差;根据所述第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重;根据所述第一权重和第二权重,对所述第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
所述装置还包括:
第一训练模块44,用于针对第一训练集中每个第二时间长度内的第三数据,将该第二时间长度内的第三数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入ARIMA模型,对所述ARIMA模型进行训练。
所述装置还包括:
第二训练模块45,用于针对第二训练集中每个第二时间长度内的第四数据,将该第二时间长度内的第四数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入SVM模型,对所述SVM模型进行训练。
本发明实施例提供了一种能源消耗预测方法及装置,所述方法包括:将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。
由于在本发明实施例中,在进行能源消耗预测时,基于ARIMA模型,确定第一能源消耗预测值,基于SVM模型,确定第二能源消耗预测值。ARIMA模型能够很好的拟合时间序列,SVM模型能够很好地适用于小样本、非线性及高维模式识别问题,结合ARIMA模型确定的第一能源消耗预测值和SVM模型确定的第二能源消耗预测值,确定出目标能源消耗预测值。充分利用ARIMA模型和SVM模型的优点,使得确定的目标能源消耗预测值更准确。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种能源消耗预测方法,其特征在于,所述方法包括:
将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;
基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;
根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。
2.如权利要求1所述的方法,其特征在于,所述根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值包括:
确定最新获取的能源消耗真实值;
根据所述第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据所述第二能源消耗预测值和能源消耗真实值,确定第二预测误差;
根据所述第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重;
根据所述第一权重和第二权重,对所述第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
3.如权利要求1所述的方法,其特征在于,所述ARIMA模型的训练过程包括:
针对第一训练集中每个第二时间长度内的第三数据,将该第二时间长度内的第三数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入ARIMA模型,对所述ARIMA模型进行训练。
4.如权利要求1所述的方法,其特征在于,所述SVM模型的训练过程包括:
针对第二训练集中每个第二时间长度内的第四数据,将该第二时间长度内的第四数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入SVM模型,对所述SVM模型进行训练。
5.如权利要求3所述的方法,其特征在于,所述第一数据和第三数据包括能源消耗值。
6.如权利要求4所述的方法,其特征在于,所述第二数据和第四数据包括能源消耗值和天气数据。
7.一种能源消耗预测装置,其特征在于,所述装置包括:
输入模块,用于将获取的第一时间长度内的第一数据输入预先训练完成的自回归积分滑动平均ARIMA模型,将获取的所述第一时间长度内的第二数据输入预先训练完成的支持向量机SVM模型;
第一确定模块,用于基于所述ARIMA模型,确定第一能源消耗预测值,基于所述SVM模型,确定第二能源消耗预测值;
第二确定模块,用于根据所述第一能源消耗预测值和第二能源消耗预测值,确定第一预测时间的目标能源消耗预测值。
8.如权利要求7所述的装置,其特征在于,所述第二确定模块,具体用于确定最新获取的能源消耗真实值;根据所述第一能源消耗预测值和能源消耗真实值,确定第一预测误差;根据所述第二能源消耗预测值和能源消耗真实值,确定第二预测误差;根据所述第一预测误差和第二预测误差,确定第一能源消耗预测值对应的第一权重和第二能源消耗预测值对应的第二权重;根据所述第一权重和第二权重,对所述第一能源消耗预测值和第二能源消耗预测值进行加权平均处理,确定目标能源消耗预测值。
9.如权利要求7所述的装置,其特征在于,所述装置还包括:
第一训练模块,用于针对第一训练集中每个第二时间长度内的第三数据,将该第二时间长度内的第三数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入ARIMA模型,对所述ARIMA模型进行训练。
10.如权利要求7所述的装置,其特征在于,所述装置还包括:
第二训练模块,用于针对第二训练集中每个第二时间长度内的第四数据,将该第二时间长度内的第四数据,和该第二时间长度对应的第二预测时间的能源消耗真实值输入SVM模型,对所述SVM模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811519685.5A CN111310960A (zh) | 2018-12-12 | 2018-12-12 | 一种能源消耗预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811519685.5A CN111310960A (zh) | 2018-12-12 | 2018-12-12 | 一种能源消耗预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111310960A true CN111310960A (zh) | 2020-06-19 |
Family
ID=71156595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811519685.5A Pending CN111310960A (zh) | 2018-12-12 | 2018-12-12 | 一种能源消耗预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310960A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554361A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种综合能源系统数据处理计算方法及处理系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN108830417A (zh) * | 2018-06-13 | 2018-11-16 | 山东师范大学 | 一种基于arma和回归分析的生活能源消费预测方法及系统 |
-
2018
- 2018-12-12 CN CN201811519685.5A patent/CN111310960A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN108830417A (zh) * | 2018-06-13 | 2018-11-16 | 山东师范大学 | 一种基于arma和回归分析的生活能源消费预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
HONGZHAN NIE等: "Hybrid of ARIMA and SVMs for Short-Term Load Forecasting" * |
艾兵: "基于误差校正的能源消费总量预测方法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554361A (zh) * | 2021-09-22 | 2021-10-26 | 广东电网有限责任公司东莞供电局 | 一种综合能源系统数据处理计算方法及处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111951128B (zh) | 一种节能环保的建筑施工方法和装置 | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
WO2020118586A1 (zh) | 一种能源消耗预测方法及装置 | |
CN111754024B (zh) | 一种基于回归分析的电力行业时间序列的预测方法和系统 | |
CN105676814A (zh) | 基于sfla-svm的数字化水岛在线加药控制方法 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN106354940B (zh) | 基于wasp水质模型不确定性输入的景观水水质模拟与预警方法 | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
CN107766201A (zh) | 一种软件处理方法和装置、电子设备 | |
CN103646670B (zh) | 一种评估存储系统性能的方法和设备 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN110308658A (zh) | 一种pid参数整定方法、装置、系统及可读存储介质 | |
CN114547917A (zh) | 仿真预测方法、装置、设备及存储介质 | |
CN107844658A (zh) | 相关向量机与自回归滑动平均融合的舵机状态预测方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN111310960A (zh) | 一种能源消耗预测方法及装置 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN116581756B (zh) | 风电功率预测方法、模型训练方法、装置、设备及介质 | |
CN106127340A (zh) | 一种适用于超短期负荷预测的计算方法 | |
CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
Okmen et al. | A CPM-based scheduling method for construction projects with fuzzy sets and fuzzy operations | |
CN115936264A (zh) | 单日工程量计算方法、阶段性工程量预测方法及预测装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231205 Address after: No.7089 Weixing Road, Changchun City, Jilin Province 130000 Applicant after: CHANGCHUN University OF SCIENCE AND TECHNOLOGY Address before: 212200 Daquan Road, Xinba Town, Yangzhong City, Zhenjiang City, Jiangsu Province Applicant before: YANGZHONG INTELLIGENT ELECTRICAL INSTITUTE, NORTH CHINA ELECTRIC POWER University |
|
TA01 | Transfer of patent application right |