CN111915105A - 一种区域内用电量的预测方法及装置 - Google Patents
一种区域内用电量的预测方法及装置 Download PDFInfo
- Publication number
- CN111915105A CN111915105A CN202010944694.XA CN202010944694A CN111915105A CN 111915105 A CN111915105 A CN 111915105A CN 202010944694 A CN202010944694 A CN 202010944694A CN 111915105 A CN111915105 A CN 111915105A
- Authority
- CN
- China
- Prior art keywords
- user
- predicted
- sample
- power consumption
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000005611 electricity Effects 0.000 title claims abstract description 25
- 238000010438 heat treatment Methods 0.000 claims description 21
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了一种区域内用电量的预测方法及装置,本申请提供的方法获取待预测区域内待预测用户的相关信息;根据待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,从多个用户类别中确定待预测用户的用户类别;根据待预测用户的用户类别,以及用户类别与用电量预测模型的对应关系,确定待预测用户的目标用电量预测模型;将待预测时刻的预估室外温度、待预测用户的房屋结构以及待预测用户的温控设备功率区间,输入目标用电量预测模型,得到待预测用户的预测用电量;根据待预测区域内所有待预测用户的预测用电量,确定待预测区域的总预测用电量。本申请对不同用户类别的用户分别进行用电量预测,提高了预测的精度。
Description
技术领域
本申请涉及电力技术领域,特别涉及一种区域内用电量的预测方法及装置。
背景技术
温控设备作为温度调节设备,消耗的电量巨大,因所述任一温控设备的耗电量也成为人们生产、生活中关注的问题。对于单个用户而言,常对温控设备例如空调、电热泵等采用另接电源的做法。这样的做法既安全,也能精确统计温控设备的用电量。当一个区域内存在多个温控设备,而这些温控设备又同时工作时,这个区域对应消耗的电量也会出现相应提升。为了合理利用能源,供电公司需要对不同区域的温控设备消耗的电量进行预测,避免供能过剩造成能源浪费,也避免供能不足造成温控设备无法正常工作。
一般情况下,供电公司的工作人员利用预先确定的用电量预测模型对特定区域的未来某个时间段,温控设备可能消耗的电量进行预测,并根据预测的用电量调节预测时间段内的供电量。但是,目前预先确定的用电量预测模型为单一模型,不同用户的实际情况不一样,真正消耗的用电量也不一样。用单一的用电量预测模型预测不同用户的用电量,会导致预测精度偏低的问题。
目前亟需一种区域内用电量的预测方法,用于解决现有技术中预测区域内供电量的过程中,所用的用电量预测模型单一,导致预测精度偏低的问题。
发明内容
本申请提供了一种区域内用电量的预测方法及装置,可用于解决在现有技术中现有技术中预测区域内供电量的过程中,所用的用电量预测模型单一,导致预测精度偏低的问题。
第一方面,本申请提供了一种区域内用电量的预测方法,所述方法包括:
获取待预测区域内待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,待预测时刻的预估室外温度、待预测用户的房屋结构、待预测用户的温控设备功率区间;所述待预测区域内存在多个所述待预测用户;
根据所述待预测用户的家庭结构、所述待预测用户的住房面积以及所述待预测用户的家庭收入,从多个用户类别中确定待预测用户的用户类别;所述多个用户类别根据样本用户的家庭结构、样本用户的住房面积以及样本用户的家庭收入确定;
根据所述待预测用户的用户类别,以及用户类别与用电量预测模型的对应关系,确定待预测用户的目标用电量预测模型;所述目标用电量预测模型,包括所述待预测时刻的预估室外温度、所述待预测用户的房屋结构以及所述待预测用户的温控设备功率区间,和待预测用户的预测用电量之间的对应关系;
将所述待预测时刻的预估室外温度、所述待预测用户的房屋结构以及所述待预测用户的温控设备功率区间,输入所述目标用电量预测模型,得到所述待预测用户的预测用电量;
根据所述待预测区域内所有待预测用户的预测用电量,确定所述待预测区域的总预测用电量。
结合第一方面,在第一方面的一种可实现方式中,所述用电量预测模型采用以下方法确定:
获取样本区域内样本用户的历史用电量、与所述历史用电量相关的多种影响因素、样本用户的历史采暖费用、样本用户的历史室内温度、样本用户的温控设备功率区间、历史时刻的历史室外温度以及样本用户的房屋结构;所述影响因素是根据生活经验确定的样本用户自身的因素;所述样本区域内存在多个所述样本用户;
对所述历史用电量以及每一种影响因素进行相关性分析,确定每种影响因素的相关系数;并将相关系数较大的影响因素确定为重要影响因素;所述重要影响因素包括样本用户的家庭结构、样本用户的住房面积以及样本用户家庭收入;所述相关系数体现所述影响因素对所述历史用电量的影响程度;
根据所述重要影响因素,将所述样本用户分为不同用户类别对应的用户;同一用户类别中,所述样本用户的家庭结构相近,所述样本用户的住房面积相近,所述样本用户的家庭收入相近;
根据所述样本用户的历史采暖费用以及所述用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数;所述经济性偏好系数体现经济性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同类别的用户的经济性偏好系数不同;
根据所述样本用户的历史室内温度以及所述用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数;所述舒适性偏好系数体现舒适性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同用户类别的舒适性偏好系数不同;
针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的经济性偏好系数,确定所述任一用户类别对应的经济性因子;
针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的舒适性偏好系数,确定所述任一用户类别对应的舒适性因子;
针对任意一个用户类别中的任意一个样本用户,根据所述样本用户的温控设备功率区间、所述样本用户的房屋结构、以及所述历史时刻的历史室外温度,确定多个用电量;
将同一样本用户的所有用电量进行归一化处理,得到每个用电量对应的经济性指数,以及每个用电量对应的舒适性指数;
针对同一样本用户的每一用电量,根据所述经济性指数、所述舒适性指数、以及所述样本用户所属用户类别对应的经济性因子以及所述样本用户所属用户类别对应的舒适性因子,确定同一样本用户的每一用电量对应的效用值;
对同一样本用户的所有效用值进行选择,选择出效用值最大的最佳用电量;
将所述样本区域内同一用户类别下所有样本用户对应的最佳用电量进行聚类分析,确定出所述同一用户类别对应的典型用电量;
将所述样本用户的温控设备功率区间、所述样本用户的房屋结构、所述历史时刻的历史室外温度确定为所述用电量预测模型的输入,将所述典型用电量确定为所述用电量预测模型的输出;
根据所述用电量预测模型的输入以及所述用电量预测模型的输出,确定所述用电量预测模型。
结合第一方面,在第一方面的一种可实现方式中,所述影响因素还包括偶然因素;
所述偶然因素包括:所述温控设备损坏、样本用户开窗行为以及样本用户开门行为。
结合第一方面,在第一方面的一种可实现方式中,针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的经济性偏好系数,确定所述任一用户类别对应的经济性因子,包括:
针对任一用户类别,根据任一重要影响因素的相关系数,以及与所述任一重要影响因素对应的样本用户的经济性偏好系数,确定任一重要影响因素对应的经济性因子;
将所述任一用户类别的所有重要影响因素对应的经济性因子相加的结果,确定为所述任一用户类别对应的经济性因子。
结合第一方面,在第一方面的一种可实现方式中,针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的舒适性偏好系数,确定所述任一用户类别对应的舒适性因子,包括:
针对任一用户类别,根据任一重要影响因素的相关系数,以及与所述任一重要影响因素对应的样本用户的舒适性偏好系数,确定任一重要影响因素对应的舒适性因子;
将所述任一用户类别的所有重要影响因素对应的舒适性因子相加的结果,确定为所述任一用户类别对应的舒适性因子。
结合第一方面,在第一方面的一种可实现方式中,根据所述样本用户的历史采暖费用以及所述用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数,包括:
根据所述样本用户的历史采暖费用以及所述用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的经济性偏好系数。
结合第一方面,在第一方面的一种可实现方式中,根据所述样本用户的历史室内温度以及所述用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数,包括:
根据所述样本用户的历史室内温度以及所述用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的舒适性偏好系数。
第二方面,本申请提供一种区域内用电量的预测装置,所述装置包括:
获取模块,用于获取待预测区域内待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,待预测时刻的预估室外温度、待预测用户的房屋结构、待预测用户的温控设备功率区间;所述待预测区域内存在多个所述待预测用户;
确定模块,用于根据所述待预测用户的家庭结构、所述待预测用户的住房面积以及所述待预测用户的家庭收入,从多个用户类别中确定待预测用户的用户类别;所述多个用户类别根据样本用户的家庭结构、样本用户的住房面积以及样本用户的家庭收入确定;
所述确定模块,还用于根据所述待预测用户的用户类别,以及用户类别与用电量预测模型的对应关系,确定待预测用户的目标用电量预测模型;所述目标用电量预测模型,包括所述待预测时刻的预估室外温度、所述待预测用户的房屋结构以及所述待预测用户的温控设备功率区间,和待预测用户的预测用电量之间的对应关系;
预测模块,用于将所述待预测时刻的预估室外温度、所述待预测用户的房屋结构以及所述待预测用户的温控设备功率区间,输入所述目标用电量预测模型,得到所述待预测用户的预测用电量;以及根据所述待预测区域内所有待预测用户的预测用电量,确定所述待预测区域的总预测用电量。
结合第二方面,在第二方面的一种可实现方式中,所述用电量预测模型采用以下方法确定:
获取样本区域内样本用户的历史用电量、与所述历史用电量相关的多种影响因素、样本用户的历史采暖费用、样本用户的历史室内温度、样本用户的温控设备功率区间、历史时刻的历史室外温度以及样本用户的房屋结构;所述影响因素是根据生活经验确定的样本用户自身的因素;所述样本区域内存在多个所述样本用户;
对所述历史用电量以及每一种影响因素进行相关性分析,确定每种影响因素的相关系数;并将相关系数较大的影响因素确定为重要影响因素;所述重要影响因素包括样本用户的家庭结构、样本用户的住房面积以及样本用户家庭收入;所述相关系数体现所述影响因素对所述历史用电量的影响程度;
根据所述重要影响因素,将所述样本用户分为不同用户类别对应的用户;同一用户类别中,所述样本用户的家庭结构相近,所述样本用户的住房面积相近,所述样本用户的家庭收入相近;
根据所述样本用户的历史采暖费用以及所述用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数;所述经济性偏好系数体现经济性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同类别的用户的经济性偏好系数不同;
根据所述样本用户的历史室内温度以及所述用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数;所述舒适性偏好系数体现舒适性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同用户类别的舒适性偏好系数不同;
针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的经济性偏好系数,确定所述任一用户类别对应的经济性因子;
针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的舒适性偏好系数,确定所述任一用户类别对应的舒适性因子;
针对任意一个用户类别中的任意一个样本用户,根据所述样本用户的温控设备功率区间、所述样本用户的房屋结构、以及所述历史时刻的历史室外温度,确定多个用电量;
将同一样本用户的所有用电量进行归一化处理,得到每个用电量对应的经济性指数,以及每个用电量对应的舒适性指数;
针对同一样本用户的每一用电量,根据所述经济性指数、所述舒适性指数、以及所述样本用户所属用户类别对应的经济性因子以及所述样本用户所属用户类别对应的舒适性因子,确定同一样本用户的每一用电量对应的效用值;
对同一样本用户的所有效用值进行选择,选择出效用值最大的最佳用电量;
将所述样本区域内同一用户类别下所有样本用户对应的最佳用电量进行聚类分析,确定出所述同一用户类别对应的典型用电量;
将所述样本用户的温控设备功率区间、所述样本用户的房屋结构、所述历史时刻的历史室外温度确定为所述用电量预测模型的输入,将所述典型用电量确定为所述用电量预测模型的输出;
根据所述用电量预测模型的输入以及所述用电量预测模型的输出,确定所述用电量预测模型。
结合第二方面,在第二方面的一种可实现方式中,所述影响因素还包括偶然因素;
所述偶然因素包括:所述温控设备损坏、样本用户开窗行为以及样本用户开门行为。
结合第二方面,在第二方面的一种可实现方式中,针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的经济性偏好系数,确定所述任一用户类别对应的经济性因子,包括:
针对任一用户类别,根据任一重要影响因素的相关系数,以及与所述任一重要影响因素对应的样本用户的经济性偏好系数,确定任一重要影响因素对应的经济性因子;
将所述任一用户类别的所有重要影响因素对应的经济性因子相加的结果,确定为所述任一用户类别对应的经济性因子。
结合第二方面,在第二方面的一种可实现方式中,针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的舒适性偏好系数,确定所述任一用户类别对应的舒适性因子,包括:
针对任一用户类别,根据任一重要影响因素的相关系数,以及与所述任一重要影响因素对应的样本用户的舒适性偏好系数,确定任一重要影响因素对应的舒适性因子;
将所述任一用户类别的所有重要影响因素对应的舒适性因子相加的结果,确定为所述任一用户类别对应的舒适性因子。
结合第二方面,在第二方面的一种可实现方式中,根据所述样本用户的历史采暖费用以及所述用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数,包括:
根据所述样本用户的历史采暖费用以及所述用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的经济性偏好系数。
结合第二方面,在第二方面的一种可实现方式中,根据所述样本用户的历史室内温度以及所述用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数,包括:
根据所述样本用户的历史室内温度以及所述用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的舒适性偏好系数。
本申请实施例考虑了不同用户的自身特性,将用户进行分类,针对每一用户类别确定一个用电量预测模型,使得待预测区域内不同用户被不同用电量预测模型有针对性地被预测,提高了对每个用户用电量的预测精度,从而提高了区域内总预测用电量的精度。
附图说明
图1为本申请实施例提供的一种区域内用电量的预测方法的流程示意图;
图2为本申请实施例提供的一种用电量预测模型的确定方法的流程示意图;
图3为本申请实施例提供的一种采用本申请方法的总预测用电量结果示意图;
图4为本申请实施例提供的一种区域内用电量的预测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
如图1所示为本申请实施例提供的一种区域内用电量的预测方法的流程示意图。本申请实施例包括的主要步骤如下:
步骤101,获取待预测区域内待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,待预测时刻的预估室外温度、待预测用户的房屋结构、待预测用户的温控设备功率区间。
其中,待预测区域内存在多个待预测用户。
步骤102,根据待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,从多个用户类别中确定待预测用户的用户类别。
其中,多个用户类别根据样本用户的家庭结构、样本用户的住房面积以及样本用户的家庭收入确定。
步骤103,根据待预测用户的用户类别,以及用户类别与用电量预测模型的对应关系,确定待预测用户的目标用电量预测模型。
其中,目标用电量预测模型,包括待预测时刻的预估室外温度、待预测用户的房屋结构以及待预测用户的温控设备功率区间,和待预测用户的预测用电量之间的对应关系。
目标用电量预测模型为多个用电量预测模型中的一个。
如图2所示,为本申请实施例提供的一种用电量预测模型的确定方法的流程示意图。具体的,用电量预测模型的确定方法包括以下步骤:
步骤201,获取样本区域内样本用户的历史用电量、与历史用电量相关的多种影响因素、样本用户的历史采暖费用、样本用户的历史室内温度、样本用户的温控设备功率区间、历史时刻的历史室外温度以及样本用户的房屋结构。
本申请实施例中,样本区域内的样本用户是用来确定用电量预测模型的。对于样本用户的众多数据,可以通过问卷调查的方式获取。
其中,影响因素是根据生活经验确定的样本用户自身的因素。影响因素可以包括众多的方面,类似样本用户的作息规律,样本用户的消费观念,样本用户的家庭结构等。
影响因素还包括偶然因素。偶然因素包括:温控设备损坏、样本用户开窗行为以及样本用户开门行为。这些偶然因素也与历史用电量相关,但是偶然因素的发生存在一定的概率,在问卷调差阶段可视情况进行选择。
样本区域内存在多个样本用户。不同的样本用户的类型是不一样的,本申请实施例在获取尽量多的样本用户的基础上,可以得到更具有广泛性和代表性的数据,以保证本申请实施例实施过程的准确性。
步骤202,对历史用电量以及每一种影响因素进行相关性分析,确定每种影响因素的相关系数;并将相关系数较大的影响因素确定为重要影响因素。
其中,重要影响因素包括样本用户的家庭结构、样本用户的住房面积以及样本用户家庭收入;相关系数体现影响因素对历史用电量的影响程度。
因为影响因素众多,本申请实施例只需要选取相关系数较大的几个作为本申请实施例的重要影响因素。
如表1所示,为各影响因素的相关系数。其中,样本用户的家庭结构的相关系数为0.1942,具体参考表1示出的内容,此处不再一一赘述。
表1:各影响因素的相关系数
影响因素 | 相关系数 |
样本用户的家庭结构 | 0.1942 |
样本用户的环保意识 | 0.0803 |
样本用户的住房面积 | 0.1554 |
样本用户的家庭收入 | 0.4850 |
样本用户的节能态度 | 0.0923 |
…… | …… |
表1中,样本用户的家庭结构、样本用户的住房面积以及样本用户家庭收入的相关性系数较高,因此将样本用户的家庭结构、样本用户的住房面积以及样本用户家庭收入作为重要影响因素。
步骤203,根据重要影响因素,将样本用户分为不同用户类别对应的用户。
其中,同一用户类别中,样本用户的家庭结构相近,样本用户的住房面积相近,样本用户的家庭收入相近。
同一用户类别的用户用量较为相似,本申请实施例根据重要因素将样本用户分为不同类别,针对每一用户类别分别根据样本用户特征确定用电量预测模型。
步骤204,根据样本用户的历史采暖费用以及用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数。
其中,经济性偏好系数体现经济性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同类别的用户的经济性偏好系数不同。
具体的,根据样本用户的历史采暖费用以及用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的经济性偏好系数。
步骤205,根据样本用户的历史室内温度以及用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数。
其中,舒适性偏好系数体现舒适性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同用户类别的舒适性偏好系数不同。
具体的,根据样本用户的历史室内温度以及用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的舒适性偏好系数。
表2示出了不同重要影响因素下不同用户类别的偏好系数。其中,在样本用户的家庭结构这一重要影响因素下,对于上班族这一用户类别的经济偏好系数为0.52,舒适性偏好系数为0.52。具体参考表2示出的内容,此处不再一一赘述。
步骤206,针对任一用户类别,根据重要影响因素的相关系数,以及与重要影响因素对应的样本用户的经济性偏好系数,确定任一用户类别对应的经济性因子。
具体的,针对任一用户类别,根据任一重要影响因素的相关系数,以及与任一重要影响因素对应的样本用户的经济性偏好系数,确定任一重要影响因素对应的经济性因子。
将任一用户类别的所有重要影响因素对应的经济性因子相加的结果,确定为任一用户类别对应的经济性因子。
结合表1和表2对步骤206进行解释,对于上班族,大户型,高收入这样一种用户类别,上班族属于样本用户的家庭结构这一重要影响因素,因此相关系数为0.1942,上班族对应的经济偏好因子为0.52,对于样本用户的家庭结构这一重要影响因素对应的经济性因子为0.1942*0.52=0.100984。
根据以上方法,确定其他重要影响因素对应的经济性因子,并将所有的重要影响因素对应的经济性因子相加,得到上班族,大户型,高收入这样一种用户类别对应的经济性因子。
步骤207,针对任一用户类别,根据重要影响因素的相关系数,以及与重要影响因素对应的样本用户的舒适性偏好系数,确定任一用户类别对应的舒适性因子。
具体的,针对任一用户类别,根据任一重要影响因素的相关系数,以及与任一重要影响因素对应的样本用户的舒适性偏好系数,确定任一重要影响因素对应的舒适性因子;
将任一用户类别的所有重要影响因素对应的舒适性因子相加的结果,确定为任一用户类别对应的舒适性因子。
步骤207采用与步骤206类似的方法,确定任一用户类别对应的舒适性因子,此处不再赘述。
步骤208,针对任意一个用户类别中的任意一个样本用户,根据样本用户的温控设备功率区间、样本用户的房屋结构、以及历史时刻的历史室外温度,确定多个用电量。
用电量受到温控设备功率区间、样本用户的房屋结构、以及历史时刻的历史室外温度等众多条件的约束,根据这些条件,可以确定同一用户类别下样本用户在具体时间段的用电量的上下极限值。
具体的,温控设备功率区间对应的负荷平衡的约束体现如下:
Pe,tη0≥Pe,t 公式(1)
公式(1)中,Pe,tη0为温控设备功率区间,Pe,t为实际用电功率。
温控设备功率区间对实际用电负荷需求的约束还体现如下:
公式(3)中,R为建筑物的等效热阻;C为建筑物的等效热容;这两个量由样本用户的房屋结构确定;为t时刻的历史室内温度;为t-Δt时刻的历史室外温度;u(t)为温控设备的开关状态,温控设备的开关状态,具体由以下方法确定:
公式(4)中,u(t)为温控设备t时刻的开关状态;u(t-Δt)为温控设备前一时刻的开关状态;Tset(t)为温控设备的设定温度;δ为温度死区;为t时刻的历史室内温度;Tdown为满足样本用户舒适度要求的温度下限;Tup为足样本用户舒适度要求的温度上限。
在满足温控设备功率区间、样本用户的房屋结构、以及历史时刻的历史室外温度等约束条件下,可以确定同一用户类型下每个样本用户所有的用电量。举个例子,对于A用户类别中的样本用户A1,根据历史时刻的历史室外温度可以确定A1的温控设备在时刻T1至时刻T2间的功率区间为大于或等于10KW且小于或等于20KW;根据A1的房屋结构,确定温控设备在时刻T1至时刻T2间的功率区间为大于或等于10KW且小于或等于18KW;而A1的温控设备功率区间为大于或等于0KW且小于或等于15KW;则A1在时刻T1至时刻T2间的功率区间为大于或等于10KW且小于或等于15KW,对应的A1在时刻T1至时刻T2间的用电量为10KW至15KW之间的任一功率与对应时刻的乘积。
需要说明的是,一个用电量即为一种用电方案。例如,用电量为零负荷,对应的用电方案为不使用温控设备。
步骤209,将同一样本用户的所有用电量进行归一化处理,得到每个用电量对应的经济性指数,以及每个用电量对应的舒适性指数。
具体的,每个用电量的负荷曲线体现着样本用户的经济性指数以及舒适性指数。例如,当某个时间段用电量对应为零时,说明此样本用户的经济性指数较高,而舒适性指数较低。
步骤210,针对同一样本用户的每一用电量,根据经济性指数、舒适性指数、以及样本用户所属用户类别对应的经济性因子以及样本用户所属用户类别对应的舒适性因子,确定同一样本用户的每一用电量对应的效用值。
具体的,同一样本用户的每一用电量对应的效用值通过以下方式确定:
Wi(j)=ωCC′j+ωΔDΔD′j+ξi(j) 公式(5)
公式(5)中,Wi(j)为同一样本用户的每一用电量对应的效用值;ωC为任一用户类别对应的经济性因子;C′j为每个用电量对应的经济性指数;ωΔD为任一用户类别对应的舒适性因子;ΔD′j为每个用电量对应的舒适性指数;ωCC′j+ωΔDΔD′j整体为确定性效用值,效用值基本由确定性效用值确定;ξi(j)为不确定性效用值,通常由偶然因素决定,不确定性效用值对效用值的影响程度较小,在不需要特别精确计算的情况下可以忽略。
步骤211,对同一样本用户的所有效用值进行选择,选择出效用值最大的最佳用电量。
具体的,一种可行的选择方法为利用Logit模型确定效用值最大的最佳用电量,用户的最佳用电量即为最佳用电方案,将各个方案带入Logit模型中,得到每个方案被选中的概率,选中概率最大的方案即为最佳用电方案,对应为最佳用电量。
需要说明的是,此处的最佳是针对单个样本用户而言,最佳用电量是考虑了舒适性和经济性的最佳,类似的,也可以结合其他方面考虑最佳用电量。
步骤212,将样本区域内同一用户类别下所有样本用户对应的最佳用电量进行聚类分析,确定出同一用户类别对应的典型用电量。
具体的,通过步骤211,得到同一用户类别下,所有样本用户的最佳用电量的集合为{Ke1,Ke2,…,Kej},其中Kej中的j表示同一用户类别下样本用户的编号,任意一个K表示一个最佳用电量,Kej表示编号为j的样本用户的最佳用电量。
通过模糊C均值聚类算法,对同一用户类别下,所有样本用户的最佳用电量进行聚类分析,确定出最佳聚类类别数c(1<c<i);利用加权重心思想,求出每类最佳聚类的加权重心,进而搜索处该类中与加权重心距离最近的最佳用电量为典型用电量。
步骤213,将样本用户的温控设备功率区间、样本用户的房屋结构、历史时刻的历史室外温度确定为用电量预测模型的输入,将典型用电量确定为用电量预测模型的输出。
步骤214,根据用电量预测模型的输入以及用电量预测模型的输出,确定用电量预测模型。
步骤104,将待预测时刻的预估室外温度、待预测用户的房屋结构以及待预测用户的温控设备功率区间,输入目标用电量预测模型,得到待预测用户的预测用电量。
其中,待预测时刻的预估室外温度、待预测用户的房屋结构以及待预测用户的温控设备功率区间为目标用电量预测模型的输入,待预测用户的预测用电量为目标用电量预测模型的输出。
步骤105,根据待预测区域内所有待预测用户的预测用电量,确定待预测区域的总预测用电量。
在求的同一用户类别下所有待预测用户的预测用电量后,确定待预测区域的总预测用电量。
其中,总预测用电量采用以下方法确定:
公式(6)中,K为总预测用电量;Kes为用户类别为S的待预测用户的预测用电量;σs为用户类别为S的待预测用户在整个待预测区域的权重。
为了进一步说明本申请实施例的效果,图3示例性地示出了本申请实施例提供的一种采用本申请方法的总预测用电量结果示意图。根据图3可以看到,本申请提供的方法不仅较传统聚合方法而言精度更为提高,同时也更贴近实际用电量。
本申请实施例考虑了不同用户的自身特性,将用户进行分类,针对每一用户类别确定一个用电量预测模型,使得待预测区域内不同用户被不同用电量预测模型有针对性地被预测,提高了对每个用户用电量的预测精度,从而提高了区域内总预测用电量的精度。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
图4示例性示出了本申请实施例提供的一种区域内用电量的预测装置的结构示意图。如图4所示,该装置具有实现上述区域内用电量的预测方法的功能,所述功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置可以包括:获取模块401、确定模块402以及预测模块403。
获取模块401,用于获取待预测区域内待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,待预测时刻的预估室外温度、待预测用户的房屋结构、待预测用户的温控设备功率区间;待预测区域内存在多个待预测用户。
确定模块402,用于根据待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,从多个用户类别中确定待预测用户的用户类别;多个用户类别根据样本用户的家庭结构、样本用户的住房面积以及样本用户的家庭收入确定。
确定模块402,还用于根据待预测用户的用户类别,以及用户类别与用电量预测模型的对应关系,确定待预测用户的目标用电量预测模型;目标用电量预测模型,包括待预测时刻的预估室外温度、待预测用户的房屋结构以及待预测用户的温控设备功率区间,和待预测用户的预测用电量之间的对应关系。
预测模块403,用于将待预测时刻的预估室外温度、待预测用户的房屋结构以及待预测用户的温控设备功率区间,输入目标用电量预测模型,得到待预测用户的预测用电量;以及根据待预测区域内所有待预测用户的预测用电量,确定待预测区域的总预测用电量。
可选的,用电量预测模型采用以下方法确定:
获取样本区域内样本用户的历史用电量、与历史用电量相关的多种影响因素、样本用户的历史采暖费用、样本用户的历史室内温度、样本用户的温控设备功率区间、历史时刻的历史室外温度以及样本用户的房屋结构;影响因素是根据生活经验确定的样本用户自身的因素;样本区域内存在多个样本用户。
对历史用电量以及每一种影响因素进行相关性分析,确定每种影响因素的相关系数;并将相关系数较大的影响因素确定为重要影响因素;重要影响因素包括样本用户的家庭结构、样本用户的住房面积以及样本用户家庭收入;相关系数体现影响因素对历史用电量的影响程度。
根据重要影响因素,将样本用户分为不同用户类别对应的用户;同一用户类别中,样本用户的家庭结构相近,样本用户的住房面积相近,样本用户的家庭收入相近。
根据样本用户的历史采暖费用以及用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数;经济性偏好系数体现经济性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同类别的用户的经济性偏好系数不同。
根据样本用户的历史室内温度以及用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数;舒适性偏好系数体现舒适性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同用户类别的舒适性偏好系数不同。
针对任一用户类别,根据重要影响因素的相关系数,以及与重要影响因素对应的样本用户的经济性偏好系数,确定任一用户类别对应的经济性因子。
针对任一用户类别,根据重要影响因素的相关系数,以及与重要影响因素对应的样本用户的舒适性偏好系数,确定任一用户类别对应的舒适性因子。
针对任意一个用户类别中的任意一个样本用户,根据样本用户的温控设备功率区间、样本用户的房屋结构、以及历史时刻的历史室外温度,确定多个用电量。
将同一样本用户的所有用电量进行归一化处理,得到每个用电量对应的经济性指数,以及每个用电量对应的舒适性指数。
针对同一样本用户的每一用电量,根据经济性指数、舒适性指数、以及样本用户所属用户类别对应的经济性因子以及样本用户所属用户类别对应的舒适性因子,确定同一样本用户的每一用电量对应的效用值。
对同一样本用户的所有效用值进行选择,选择出效用值最大的最佳用电量。
将样本区域内同一用户类别下所有样本用户对应的最佳用电量进行聚类分析,确定出同一用户类别对应的典型用电量。
将样本用户的温控设备功率区间、样本用户的房屋结构、历史时刻的历史室外温度确定为用电量预测模型的输入,将典型用电量确定为用电量预测模型的输出。
根据用电量预测模型的输入以及用电量预测模型的输出,确定用电量预测模型。
可选的,影响因素还包括偶然因素。
偶然因素包括:温控设备损坏、样本用户开窗行为以及样本用户开门行为。
可选的,针对任一用户类别,根据重要影响因素的相关系数,以及与重要影响因素对应的样本用户的经济性偏好系数,确定任一用户类别对应的经济性因子,包括:
针对任一用户类别,根据任一重要影响因素的相关系数,以及与任一重要影响因素对应的样本用户的经济性偏好系数,确定任一重要影响因素对应的经济性因子。
将任一用户类别的所有重要影响因素对应的经济性因子相加的结果,确定为任一用户类别对应的经济性因子。
可选的,针对任一用户类别,根据重要影响因素的相关系数,以及与重要影响因素对应的样本用户的舒适性偏好系数,确定任一用户类别对应的舒适性因子,包括:
针对任一用户类别,根据任一重要影响因素的相关系数,以及与任一重要影响因素对应的样本用户的舒适性偏好系数,确定任一重要影响因素对应的舒适性因子。
将任一用户类别的所有重要影响因素对应的舒适性因子相加的结果,确定为任一用户类别对应的舒适性因子。
可选的,根据样本用户的历史采暖费用以及用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数,包括:
根据样本用户的历史采暖费用以及用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的经济性偏好系数。
可选的,根据样本用户的历史室内温度以及用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数,包括:
根据样本用户的历史室内温度以及用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的舒适性偏好系数。
本申请实施例考虑了不同用户的自身特性,将用户进行分类,针对每一用户类别确定一个用电量预测模型,使得待预测区域内不同用户被不同用电量预测模型有针对性地被预测,提高了对每个用户用电量的预测精度,从而提高了区域内总预测用电量的精度。
本发明可用于众多通用或专用的计算系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种区域内用电量的预测方法,其特征在于,所述方法包括:
获取待预测区域内待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,待预测时刻的预估室外温度、待预测用户的房屋结构、待预测用户的温控设备功率区间;所述待预测区域内存在多个所述待预测用户;
根据所述待预测用户的家庭结构、所述待预测用户的住房面积以及所述待预测用户的家庭收入,从多个用户类别中确定待预测用户的用户类别;所述多个用户类别根据样本用户的家庭结构、样本用户的住房面积以及样本用户的家庭收入确定;
根据所述待预测用户的用户类别,以及用户类别与用电量预测模型的对应关系,确定待预测用户的目标用电量预测模型;所述目标用电量预测模型,包括所述待预测时刻的预估室外温度、所述待预测用户的房屋结构以及所述待预测用户的温控设备功率区间,和待预测用户的预测用电量之间的对应关系;
将所述待预测时刻的预估室外温度、所述待预测用户的房屋结构以及所述待预测用户的温控设备功率区间,输入所述目标用电量预测模型,得到所述待预测用户的预测用电量;
根据所述待预测区域内所有待预测用户的预测用电量,确定所述待预测区域的总预测用电量。
2.根据权利要求1所述的方法,其特征在于,所述用电量预测模型采用以下方法确定:
获取样本区域内样本用户的历史用电量、与所述历史用电量相关的多种影响因素、样本用户的历史采暖费用、样本用户的历史室内温度、样本用户的温控设备功率区间、历史时刻的历史室外温度以及样本用户的房屋结构;所述影响因素是根据生活经验确定的样本用户自身的因素;所述样本区域内存在多个所述样本用户;
对所述历史用电量以及每一种影响因素进行相关性分析,确定每种影响因素的相关系数;并将相关系数较大的影响因素确定为重要影响因素;所述重要影响因素包括样本用户的家庭结构、样本用户的住房面积以及样本用户家庭收入;所述相关系数体现所述影响因素对所述历史用电量的影响程度;
根据所述重要影响因素,将所述样本用户分为不同用户类别对应的用户;同一用户类别中,所述样本用户的家庭结构相近,所述样本用户的住房面积相近,所述样本用户的家庭收入相近;
根据所述样本用户的历史采暖费用以及所述用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数;所述经济性偏好系数体现经济性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同类别的用户的经济性偏好系数不同;
根据所述样本用户的历史室内温度以及所述用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数;所述舒适性偏好系数体现舒适性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同用户类别的舒适性偏好系数不同;
针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的经济性偏好系数,确定所述任一用户类别对应的经济性因子;
针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的舒适性偏好系数,确定所述任一用户类别对应的舒适性因子;
针对任意一个用户类别中的任意一个样本用户,根据所述样本用户的温控设备功率区间、所述样本用户的房屋结构、以及所述历史时刻的历史室外温度,确定多个用电量;
将同一样本用户的所有用电量进行归一化处理,得到每个用电量对应的经济性指数,以及每个用电量对应的舒适性指数;
针对同一样本用户的每一用电量,根据所述经济性指数、所述舒适性指数、以及所述样本用户所属用户类别对应的经济性因子以及所述样本用户所属用户类别对应的舒适性因子,确定同一样本用户的每一用电量对应的效用值;
对同一样本用户的所有效用值进行选择,选择出效用值最大的最佳用电量;
将所述样本区域内同一用户类别下所有样本用户对应的最佳用电量进行聚类分析,确定出所述同一用户类别对应的典型用电量;
将所述样本用户的温控设备功率区间、所述样本用户的房屋结构、所述历史时刻的历史室外温度确定为所述用电量预测模型的输入,将所述典型用电量确定为所述用电量预测模型的输出;
根据所述用电量预测模型的输入以及所述用电量预测模型的输出,确定所述用电量预测模型。
3.根据权利要求2所述的方法,其特征在于,所述影响因素还包括偶然因素;
所述偶然因素包括:所述温控设备损坏、样本用户开窗行为以及样本用户开门行为。
4.根据权利要求2所述的方法,其特征在于,针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的经济性偏好系数,确定所述任一用户类别对应的经济性因子,包括:
针对任一用户类别,根据任一重要影响因素的相关系数,以及与所述任一重要影响因素对应的样本用户的经济性偏好系数,确定任一重要影响因素对应的经济性因子;
将所述任一用户类别的所有重要影响因素对应的经济性因子相加的结果,确定为所述任一用户类别对应的经济性因子。
5.根据权利要求2所述的方法,其特征在于,针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的舒适性偏好系数,确定所述任一用户类别对应的舒适性因子,包括:
针对任一用户类别,根据任一重要影响因素的相关系数,以及与所述任一重要影响因素对应的样本用户的舒适性偏好系数,确定任一重要影响因素对应的舒适性因子;
将所述任一用户类别的所有重要影响因素对应的舒适性因子相加的结果,确定为所述任一用户类别对应的舒适性因子。
6.根据权利要求2所述的方法,其特征在于,根据所述样本用户的历史采暖费用以及所述用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数,包括:
根据所述样本用户的历史采暖费用以及所述用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的经济性偏好系数。
7.根据权利要求2所述的方法,其特征在于,根据所述样本用户的历史室内温度以及所述用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数,包括:
根据所述样本用户的历史室内温度以及所述用户类别,采用最大似然估计法,确定每一重要影响因素下每一种用户类别的舒适性偏好系数。
8.一种区域内用电量的预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测区域内待预测用户的家庭结构、待预测用户的住房面积以及待预测用户的家庭收入,待预测时刻的预估室外温度、待预测用户的房屋结构、待预测用户的温控设备功率区间;所述待预测区域内存在多个所述待预测用户;
确定模块,用于根据所述待预测用户的家庭结构、所述待预测用户的住房面积以及所述待预测用户的家庭收入,从多个用户类别中确定待预测用户的用户类别;所述多个用户类别根据样本用户的家庭结构、样本用户的住房面积以及样本用户的家庭收入确定;
所述确定模块,还用于根据所述待预测用户的用户类别,以及用户类别与用电量预测模型的对应关系,确定待预测用户的目标用电量预测模型;所述目标用电量预测模型,包括所述待预测时刻的预估室外温度、所述待预测用户的房屋结构以及所述待预测用户的温控设备功率区间,和待预测用户的预测用电量之间的对应关系;
预测模块,用于将所述待预测时刻的预估室外温度、所述待预测用户的房屋结构以及所述待预测用户的温控设备功率区间,输入所述目标用电量预测模型,得到所述待预测用户的预测用电量;以及根据所述待预测区域内所有待预测用户的预测用电量,确定所述待预测区域的总预测用电量。
9.根据权利要求8所述的装置,其特征在于,所述用电量预测模型采用以下方法确定:
获取样本区域内样本用户的历史用电量、与所述历史用电量相关的多种影响因素、样本用户的历史采暖费用、样本用户的历史室内温度、样本用户的温控设备功率区间、历史时刻的历史室外温度以及样本用户的房屋结构;所述影响因素是根据生活经验确定的样本用户自身的因素;所述样本区域内存在多个所述样本用户;
对所述历史用电量以及每一种影响因素进行相关性分析,确定每种影响因素的相关系数;并将相关系数较大的影响因素确定为重要影响因素;所述重要影响因素包括样本用户的家庭结构、样本用户的住房面积以及样本用户家庭收入;所述相关系数体现所述影响因素对所述历史用电量的影响程度;
根据所述重要影响因素,将所述样本用户分为不同用户类别对应的用户;同一用户类别中,所述样本用户的家庭结构相近,所述样本用户的住房面积相近,所述样本用户的家庭收入相近;
根据所述样本用户的历史采暖费用以及所述用户类别,确定每一种重要影响因素下每一用户类别的经济性偏好系数;所述经济性偏好系数体现经济性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同类别的用户的经济性偏好系数不同;
根据所述样本用户的历史室内温度以及所述用户类别,确定每一种重要影响因素下每一用户类别的舒适性偏好系数;所述舒适性偏好系数体现舒适性对每一用户类别使用温控设备的影响程度;同一种重要影响因素中,不同用户类别的舒适性偏好系数不同;
针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的经济性偏好系数,确定所述任一用户类别对应的经济性因子;
针对任一用户类别,根据所述重要影响因素的相关系数,以及与所述重要影响因素对应的样本用户的舒适性偏好系数,确定所述任一用户类别对应的舒适性因子;
针对任意一个用户类别中的任意一个样本用户,根据所述样本用户的温控设备功率区间、所述样本用户的房屋结构、以及所述历史时刻的历史室外温度,确定多个用电量;
将同一样本用户的所有用电量进行归一化处理,得到每个用电量对应的经济性指数,以及每个用电量对应的舒适性指数;
针对同一样本用户的每一用电量,根据所述经济性指数、所述舒适性指数、以及所述样本用户所属用户类别对应的经济性因子以及所述样本用户所属用户类别对应的舒适性因子,确定同一样本用户的每一用电量对应的效用值;
对同一样本用户的所有效用值进行选择,选择出效用值最大的最佳用电量;
将所述样本区域内同一用户类别下所有样本用户对应的最佳用电量进行聚类分析,确定出所述同一用户类别对应的典型用电量;
将所述样本用户的温控设备功率区间、所述样本用户的房屋结构、所述历史时刻的历史室外温度确定为所述用电量预测模型的输入,将所述典型用电量确定为所述用电量预测模型的输出;
根据所述用电量预测模型的输入以及所述用电量预测模型的输出,确定所述用电量预测模型。
10.根据权利要求8所述的装置,其特征在于,所述影响因素还包括偶然因素;
所述偶然因素包括:所述温控设备损坏、样本用户开窗行为以及样本用户开门行为。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944694.XA CN111915105A (zh) | 2020-09-10 | 2020-09-10 | 一种区域内用电量的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010944694.XA CN111915105A (zh) | 2020-09-10 | 2020-09-10 | 一种区域内用电量的预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111915105A true CN111915105A (zh) | 2020-11-10 |
Family
ID=73267581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010944694.XA Pending CN111915105A (zh) | 2020-09-10 | 2020-09-10 | 一种区域内用电量的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915105A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361935A (zh) * | 2021-06-08 | 2021-09-07 | 广东电网有限责任公司 | 一种电力能源调度的方法、装置及能源调度系统 |
-
2020
- 2020-09-10 CN CN202010944694.XA patent/CN111915105A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361935A (zh) * | 2021-06-08 | 2021-09-07 | 广东电网有限责任公司 | 一种电力能源调度的方法、装置及能源调度系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230075122A1 (en) | Thermal control of data center | |
Kandasamy et al. | Virtual storage capacity using demand response management to overcome intermittency of solar PV generation | |
US11714393B2 (en) | Building control system with load curtailment optimization | |
Zheng et al. | Data driven chiller sequencing for reducing HVAC electricity consumption in commercial buildings | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及系统 | |
Wang et al. | Event-driven optimal control of central air-conditioning systems: Event-space establishment | |
US11392095B2 (en) | Building control system with central plant model generation | |
CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
Hemanth et al. | Cost effective energy consumption in a residential building by implementing demand side management in the presence of different classes of power loads | |
Gao et al. | An iterative optimization and learning-based IoT system for energy management of connected buildings | |
CN110880055A (zh) | 楼宇智能电表系统 | |
CN111126498A (zh) | 一种基于分类分析的客户用电行为特征分析方法 | |
Onile et al. | Energy efficient behavior modeling for demand side recommender system in solar microgrid applications using multi-agent reinforcement learning model | |
Wang et al. | A decentralized, model-free, global optimization method for energy saving in heating, ventilation and air conditioning systems | |
Wang et al. | Coordinated residential energy resource scheduling with human thermal comfort modelling and renewable uncertainties | |
Ji et al. | Frequency regulation support from aggregation of air conditioners based on the trigger value local update strategy | |
CN111915105A (zh) | 一种区域内用电量的预测方法及装置 | |
Zhang et al. | Multi-objective optimal control algorithm for HVAC based on particle swarm optimization | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Wang et al. | Aggregated large-scale air-conditioning load: Modeling and response capability evaluation of virtual generator units | |
Ali et al. | Enhanced power control model based on hybrid prediction and preprocessing/post-processing | |
Bâra et al. | Electricity consumption and generation forecasting with artificial neural networks | |
CN116362421A (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
Zhang et al. | Building load control using distributionally robust chance-constrained programs with right-hand side uncertainty and the risk-adjustable variants | |
Herre et al. | Quantifying flexibility of load aggregations: impact of communication constraints on reserve capacity |
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: 20201110 |
|
RJ01 | Rejection of invention patent application after publication |