CN112365097A - 用电数据的处理方法、装置、设备及计算机可读存储介质 - Google Patents
用电数据的处理方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112365097A CN112365097A CN202011408268.0A CN202011408268A CN112365097A CN 112365097 A CN112365097 A CN 112365097A CN 202011408268 A CN202011408268 A CN 202011408268A CN 112365097 A CN112365097 A CN 112365097A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity utilization
- target
- processing
- prediction
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 168
- 238000012545 processing Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000001932 seasonal effect Effects 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims abstract description 20
- 241000283153 Cetacea Species 0.000 claims description 70
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000143060 Americamysis bahia Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供了一种用电数据的处理方法、装置、设备及计算机可读存储介质,在通过GM预测用电数据的情况下,通过调整GM的预测模式,进而提高GM的预测精度,如此达到满足居民用电的高精度预测需求。方法包括:处理设备获取待处理的目标区域的历史用电数据;处理设备通过GM基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,其中,GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至目标时间段,在每次的迭代过程中,GM根据相邻的季节时间段的预测用电量与实际用电量来更新所属季节时间段的季节影响系数,季节影响系数用于指示季节时间段对用电数据的影响。处理设备获取GM对于目标用电数据的预测结果。
Description
技术领域
本申请涉及电力技术领域,尤其涉及一种用电数据的处理方法、装置、设备及计算机可读存储介质。
背景技术
在近些年来科技快速发展以及居民个人经济能力不断提高的背景下,居民日常生活中出现了越来越多的电子产品,提供了更为便利、舒适的生活环境,促进了居民生活水平的提高。
与此同时,应当注意到的是,随着电子产品在数量上的暴增,居民的用电量也呈现显著的增长,能源的可持续管理和高效经济运行变得更加重要,这就构成了电力消费需求与社会经济发展的协调问题,在保障居民用电的基础上,提高用电效率为一大应对措施,如此减少发电对环境的污染、提高电力系统的安全稳定运行,为社会的可持续发展做出贡献。
而在现有的相关技术的研究过程中,发明人发现,当通过现有的居民用电预测方案预测居民的用电情况时,其预测的误差在实际应用中仍时常出现不小的波动情况,显然,其预测模式与现今复杂的居民用电情况存在不完全匹配的缺陷,导致无法满足居民用电的高精度预测需求。
发明内容
本申请提供了一种用电数据的处理方法、装置、设备及计算机可读存储介质,在通过灰色模型(Grey Model,GM)预测用电数据的情况下,通过调整GM的预测模式,进而提高GM的预测精度,如此达到满足居民用电的高精度预测需求。
第一方面,本申请提供了一种用电数据的处理方法,方法包括:
处理设备获取待处理的目标区域的历史用电数据;
处理设备通过GM基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,其中,GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至目标时间段,在每次的迭代过程中,GM根据相邻的季节时间段的预测用电量与实际用电量来更新所属季节时间段的季节影响系数,季节影响系数用于指示季节时间段对用电数据的影响。
处理设备获取GM对于目标用电数据的预测结果。
结合本申请第一方面,在本申请第一方面第一种可能的实现方式中,处理设备通过灰色模型GM基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,包括:
处理设备通过GM以及鲸鱼算法(Whale Optimization Algorithm,WOA),基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,当满足收敛条件,得到预测处理的最优解。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第二种可能的实现方式中,WOA具体通过sobol序列生成均匀分布的原始数据,原始数据用于指示待搜索的初始用电数据。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第三种可能的实现方式中,WOA的收敛因子与迭代次数呈负相关设置。
结合本申请第一方面第一种可能的实现方式,在本申请第一方面第四种可能的实现方式中,WOA的边界数据,由当前最佳位置鲸鱼与最近鲸鱼之间的欧氏距离、鲸鱼维数进行筛选得到。
结合本申请第一方面,在本申请第一方面第五种可能的实现方式中,处理设备获取GM对于目标用电数据的预测结果之后,方法还包括:
处理设备根据预测结果,生成目标区域的电力调度策略。
结合本申请第一方面,在本申请第一方面第六种可能的实现方式中,处理设备获取GM对于目标用电数据的预测结果之后,方法还包括:
处理设备根据预测结果,生成目标区域的电价调整策略。
第二方面,本申请提供了一种用电数据的处理方法,方法包括:
获取单元,用于获取待处理的目标区域的历史用电数据;
预测单元,用于通过GM基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,其中,GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至目标时间段,在每次的迭代过程中,GM根据相邻的季节时间段的预测用电量与实际用电量来更新所属季节时间段的季节影响系数,季节影响系数用于指示季节时间段对用电数据的影响。
获取单元,还用于获取GM对于目标用电数据的预测结果。
结合本申请第二方面,在本申请第二方面第一种可能的实现方式中,预测单元,具体用于:
通过GM以及WOA,基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,当满足收敛条件,得到预测处理的最优解。
结合本申请第二方面第一种可能的实现方式,在本申请第二方面第二种可能的实现方式中,WOA具体通过sobol序列生成均匀分布的原始数据,原始数据用于指示待搜索的初始用电数据。
结合本申请第二方面第一种可能的实现方式,在本申请第二方面第三种可能的实现方式中,WOA的收敛因子与迭代次数呈负相关设置。
结合本申请第二方面第一种可能的实现方式,在本申请第二方面第四种可能的实现方式中,WOA的边界数据,由当前最佳位置鲸鱼与最近鲸鱼之间的欧氏距离、鲸鱼维数进行筛选得到。
结合本申请第二方面,在本申请第二方面第五种可能的实现方式中,装置还包括生成单元,用于:
处理设备根据预测结果,生成目标区域的电力调度策略。
结合本申请第二方面,在本申请第二方面第六种可能的实现方式中,装置还包括生成单元,用于:
处理设备根据预测结果,生成目标区域的电价调整策略。
第三方面,本申请提供了一种用电数据的处理设备,包括处理器,处理器用于执行存储器中存储的计算机程序时实现上述本申请第一方面或者第一方面任一种实现方式中的步骤。
第四方面,本申请提供了可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述本申请第一方面或者第一方面任一种实现方式中的步骤。
从以上技术方案可以看出,本申请具有以下优点:
针对于居民用电的预测场景,本申请调整了预测涉及的GM,该GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至期望预测的目标时间段,而在每次的迭代过程中,GM配置的用于指示对应季节时间段对用电数据的影响的季节影响系数,具体可根据相邻的季节时间段的预测用电量与实际用电量来更新,由于结合了实际用电量以及预测用电量两方面来灵活配置季节影响系数,因此本申请GM中配置的季节影响系数可对居民用电数据的高精度预测做出更为突出的贡献,如此,当触发预测目标区域的用电数据时,可基于该目标区域的历史用电数据,通过该GM进行目标时间段的目标用电数据进行预测处理,并获取到GM对于该目标用电数据的高精度预测结果。
附图说明
图1为本申请用电数据的处理方法的一种流程示意图;
图2为本申请用电数据的处理装置的一种结构示意图;
图3为本申请用电数据的处理设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,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。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在以下的说明中,本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明,除非另有述明。因此,这些步骤及操作将有数次提到由计算机执行,本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处,其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置,其具有由该数据格式所定义的特定特性。但是,本申请原理以上述文字来说明,其并不代表为一种限制,本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境,其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。
本申请提供的用电数据的处理方法、装置以及计算机可读存储介质,可应用于处理设备上,在通过GM预测用电数据的情况下,通过调整GM的预测模式,进而提高GM的预测精度,如此达到满足居民用电的高精度预测需求。
处理设备,具体可以为服务器、物理主机、UE等设备,还可采用设备集群的方式存在。其中,UE,具体可以为智能手机、平板电脑、笔记本电脑、个人数字助理(PersonalDigital Assistant,PDA)、台式电脑、电脑一体机等不同类型的终端设备。
下面,开始介绍本申请提供的用电数据的处理方法。
如图1示出的本申请用电数据的处理方法的一种流程示意图,在本申请中,用电数据的处理方法,具体可包括如下步骤:
步骤S101,处理设备获取待处理的目标区域的历史用电数据;
步骤S102,处理设备通过GM基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,其中,GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至目标时间段,在每次的迭代过程中,GM根据相邻的季节时间段的预测用电量与实际用电量来更新所属季节时间段的季节影响系数,季节影响系数用于指示对应季节时间段对用电数据的影响。
步骤S103,处理设备获取GM对于目标用电数据的预测结果。
从上述图1所示实施例可看出,针对于居民用电的预测场景,本申请调整了预测涉及的GM,该GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至期望预测的目标时间段,而在每次的迭代过程中,GM配置的用于指示对应季节时间段对用电数据的影响的季节影响系数,具体可根据相邻的季节时间段的预测用电量与实际用电量来更新,由于结合了实际用电量以及预测用电量两方面来灵活配置季节影响系数,因此本申请GM中配置的季节影响系数可对居民用电数据的高精度预测做出更为突出的贡献,如此,当触发预测目标区域的用电数据时,可基于该目标区域的历史用电数据,通过该GM进行目标时间段的目标用电数据进行预测处理,并获取到GM对于该目标用电数据的高精度预测结果。
下面继续介绍上述图1所示实施例中的各个步骤以及在实际应用中可能采用的具体实现方式。
在本申请中,目标区域,是指触发或者进行用电预测的区域。该区域,具体可以为地理行政区域划分得到的,例如,A市XX区XX街道、B市XX街道XX工业区,或者也可以为人工划分、机器划分得到的,具体在此不做限定。
除了人工触发,本申请还可配置相应的触发条件,来触发选择目标区域进行区域范围内的用电预测。
例如,可设置一定时更新场景,挑选出距离上次更新用电数据的时间已经达到一个预设周期的区域,作为当前触发的目标区域;
又例如,可设置一实时更新场景,挑选出在一定时期内用电效率未达到预设用电效率的区域,作为当前触发的目标区域;
又例如,可设置一灵活更新场景,当检测出新规划的区域,可将该区域作为当前触发的目标区域;
又例如,继续针对灵活更新场景,当在至少两个相邻的原区域中的某一区域,检测出在一定时期内用电效率未达到预设用电效率时,可将该区域划分为一新的区域,并作为当前触发的目标区域。
由此可看出,本申请所称的、用于预测用电数据的目标区域,不仅可针对于原有的、预先划分好的区域,也可针对于当前划分的区域,且目标区域的具体选择条件本身也可随实际需要调整,如此目标区域具有高度灵活设置的特点。
目标区域的历史用电数据,具体可以由目标区域当地涉及的电力系统提供,或者也可从其他存储有目标区域的历史用电数据的设备处调取得到。当然,目标区域的历史用电数据,也有可能是存储用电数据的处理设备本地的。
可以理解,本申请提供的用电数据的处理设备,一方面可以为电力系统以外的设备,用于通过调取的目标区域的历史用电数据,进行用电数据的处理;另一方面,用电数据的处理设备,具体还可包含于电力系统内的设备,如此,可从电力系统内部直接调取目标区域的历史用电数据并进行相应的处理。
在本申请中,采用了配置了新型预测模式的GM,来基于目标区域的历史用电数据,进行目标时间段的目标用电数据的预测处理。当得到GM对于该目标用电数据的预测结果后,则可存储,例如本地存储、或者云存储,又或者将其进行输出,例如向用电数据的处理设备侧的工作人员进行展示,又例如向工作人员侧的UE进行推送。
进一步的,还可将该预测结果投入实际应用中,具有进一步的应用价值。
例如,可根据目标区域的目标用电数据的预测结果,生成目标区域的电力调度策略。
可以理解,由于电力难以存储或者说存储成本较大的特点,且还得基于安全考量,整个供电系统中从生产环节、运输环节到供给环节,都涉及到复杂的调度内容,因此,在确定用电数据的预测结果的情况下,可根据该预测结果继续对目标区域的电力调度策略,进行相应的生成处理,以便自动分配目标区域中从生产环节、运输环节或者供给环节涉及的调度内容。
又例如,部分地区,基于用电量以及发电量两者的考量,可能采用动态调价的方式,来激励地区内的用电,达到低成本用电、提高用电效率的目的,或者适当抑制地区内的用电,达到高成本用电,降低用电量的目的,典型的,可采用阶梯式的调价策略来完成电价的调整。
因此,不仅可以从调度层面出发,基于用电数据的预测结果生成目标区域的电力调度策略,还可从电价层面出发,基于用电数据的预测结果生成目标区域的电价调整策略,如此,可对目标区域的用电规模以及用电效率等目标因素上进行良性的调整。
以下则对本申请用电数据的预测处理所涉及的GM进行详细介绍。
GM,是指灰色模型。如果一个系统具有层次、结构关系的模糊性,动态变化的随机性,指标数据的不完备或不确定性,则可将这些特性称为灰色性,具有灰色性的系统称为灰色系统,对灰色系统建立的预测模型称为灰色模型简称GM,它揭示了系统内部事物连续发展变化的过程,换句话说,GM就是通过少量的、不完全的信息,建立灰色微分预测模型,对事物发展规律作出模糊性的长期描述。
而针对于现有的GM的观察中发现,其存在着多个维度上的缺陷,导致了预测精度有限的情况,本申请则对GM进行了预测模型的调整,以此克服这些缺陷。
1、季节调节系数僵化
可以理解,在预测用电数据时,从整体上看,是将历史用电数据作为一种时序数据进行预测,而针对于实际用电情况在季节上存在一定的周期性趋势,因此,可从季节因素配置一季节调整系数来调整用电数据的预测结果。
此时的GM,结合了季节指数(Seasonal Variation Index,SVI)的预测模式,因此可称为GM-SVI。
首先,在GM-SVI中,包括三个基础操作:累积生成、逆累积生成以及灰色建模。GM采用累积运算构造微分方程,从根本上讲,它具有预测所需数据少的特点,GM作为单变量一阶灰色模型的处理可归纳为:
1)给定初始非负时间序列
X(0)={x(0)(1),x(0)(2),...,x(0)(i),...x(0)(n)}
其中,x(0)(i)为第i个观测值。
2)在初始时间序列X(0)的基础上,利用一阶累积生成算子(AccumulatingGeneration Operator,AGO),将X(1)递增序列描述为:
X(1)={x(1)(1),x(1)(2),...,x(1)(i),...x(1)(n)}
3)模型的一阶微分方程和差分方程分别为:
其差分白化方程为
X(0)(k)+aZ(1)(k)=b,k=2,3,...,n
其中a为发展系数,b为灰色作用量,Z(1)(k)为
Z(1)(k+1)=λ(x(1)(k)+(1-λ)x(1)(k+1))
其中,λ∈(0,1)是一个可优化的值。
4)根据最小二乘法,满足:
Y=[x1 (0)(2),x1 (0)(3),...,x1 (0)(n)}T
5)白化方程(上述(3)中涉及的方程)的解为:
6)根据逆AGO,预测方程表示为:
其次,可引入趋势方程,拟合预测模型通常有四种趋势方程,分别为线性方程、指数方程、对数方程和幂函数方程,依次为:
通过这四个趋势方程,特别是线性方程,可以基本反映出总体趋势。但由于原始时间序列呈下降趋势,本申请优选地选择指数方程和幂函数方程进行居民生活用电预测,而不是线性方程和对数方程。
在现有的GM-SVI中,具体是基于历史用电数据在每种季节下的浮动情况计算其季节调整系数的。
例如:现有技术中定义趋势值为f(1),f(2),...,f(n),则趋势方程描述如下:
其中,S(k)是季节指数,yk是实际值,f(k)是趋势值。
为消除随机干扰,从同一季节的Se(k)计算平均值,有:
其中,S是归一化参数。
因此,季节指数S(i)为:
GM-SVI模型可表示为:
而本申请对于GM-SVI的调整,具体可参阅下面涉及的内容:
2)利用线性拟合方法描述每年同一季节的趋势季节比,表示如下:
3)利用最小二乘法确定待定参数ai和bi。
4)GM-SVI模型是在原有GSVI模型的基础上建立的,其描述如下:
从上述可看出,本申请所采用的GM,其迭代的预测方式,依次预测相邻季节时间段的用电数据直至所述目标时间段,而在每次的迭代过程中涉及的季节调节系数上,本申请则根据相邻的季节时间段的预测用电量与实际用电量来更新所属季节时间段的季节影响系数,相比于现有的GM中从整体上来计算季节调节系数,本申请则通过迭代的方式,结合了实际用电量以及预测用电量两方面来灵活配置季节影响系数,达到提高GM对于用电数据的高精度预测目的。
2、收敛速度较慢
在本申请中,在GM的基础上,还可引入鲸鱼算法,进行用电数据的搜索。
WOA,是指鲸鱼算法,是一种元胞启发式算法,该算法模拟了座头鲸的一种名为泡泡网觅食法的觅食行为,为了捕食一群虾和鱼,泡泡网觅食法分为三个阶段:包围捕食阶段、螺旋更新阶段、搜寻猎物阶段。
在鲸鱼群捕猎过程(搜索过程)中,每个鲸鱼的位置代表了一个可行解(用电数据),每只鲸鱼有两种行为,一种是包围猎物,所有的鲸鱼都向着其他鲸鱼前进;另一种是汽包网,鲸鱼环形游动喷出气泡来驱赶猎物。在每一代的游动中,鲸鱼们会随机选择这两种行为来进行捕猎。在鲸鱼进行包围猎物的行为中,鲸鱼将会随机选择是向着最优位置的鲸鱼游去还是随机选择一只鲸鱼作为自己的目标,并向其靠近,以此实现搜索的快速处理。
如此,处理设备具体可通过GM以及WOA,基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,当满足收敛条件,得到预测处理的最优解。
具体的,WOA,可以归纳为:
1)在WOA算法中,假设鲸鱼种群的规模为N,搜索空间为d维。
2)猎物的位置即为全局最优解。
为便于引入的WOA更适于实用,本申请还可对WOA进行优化调整,提供一种鲸鱼优化算法,以此进一步强化WOA的搜索效果。
传统的WOA中,初始化算法往往采用随机分布机制来生成随机数据进行种群初始化,这可能会导致解空间的不均匀性,缺乏高的多样性,由于随机分布机制,最优解可能是稀疏的,远离鲸鱼种群的,这导致解会陷入局部最优从而降低了对用电数据的预测性能。
本申请则可引入Sobol序列,sobol序列具有分布均匀性好并且生成耗时少的特点,以产生均匀分布的鲸鱼,提高其初始种群在[0,1]范围内的多样性,具体描述如下:
xi=xmin+h(xmax-xmin),
其中,xmax和xmin分别代表鲸鱼位置的上界和下界,h是由Sobol序列产生的[0,1]中的随机数。
如此,本申请所引入的WOA,如上述,具体通过sobol序列生成均匀分布的鲸鱼数据,鲸鱼数据用于指示待搜索的初始用电数据。
其次,WOA算法中,A·D代表了鲸鱼位置矢量的步幅,其中A反映了全局搜索和局部搜索的能力,因此,研究参数A的取值有着重要的意义。此外,A·D值取决于收敛因子a的变化。因此,本节着重于收敛因子a的表达式并找出不同的收敛因子值,分别可以解决传统WOA的不同局限性。收敛因子a的值越大,可以提供更强的全局搜索能力,从而避免陷入局部最优,而较小的值可以提供更强的局部挖掘能力,从而加速收敛。
然而,在传统的WOA中,随着搜索过程中迭代次数的不断增加,收敛因子a的变化呈线性减小,这在实际应用中可能会导致收敛速度的降低。因此,本申请则提出收敛因子a的一种调节设置,来解决传统的WOA由于收敛因子a的变化呈线性减小,所导致的容易陷入局部最优或者收敛时间较长的情况。
具体的,本申请可配置有,收敛因子a与迭代次数呈负相关设置,其为一种非线性的调整方案,如此可保证全局搜索和局部搜索的能力,进而可明显地加快搜索过程的收敛速度。
例如:
其中,k为当前迭代次数,Kmax为最大迭代次数。非线性收敛因子a在早期迭代中发展为更大的参数A,提高了全局搜索能力;而为了增强局部搜索能力,在迭代后期生成较小的参数A。
接着,在传统的WOA中,离界的鲸鱼往往被视为流产或被拉回边界,在该实际应用中可能会导致鲸鱼的多样性减少,或者在边界处聚集大量鲸鱼,导致降低搜索过程的收敛速度。
本申请则提供一种新的离界鲸位置更新策略,以此逼近当前最佳鲸位置,达到保留鲸鱼的多样性、更新后使其处于更好的位置以及增加接近当前最佳位置的解的数量。具体的,可以表示为:
xinew=xi×H,if x≥xup or x≤xlow
H=L×rand(-0.5,0.5)/D
其中,L为当前最佳位置鲸鱼与最近的鲸鱼的欧氏距离,D为鲸鱼的维数。
换句话说,本申请WOA中的边界数据,由当前最佳位置鲸鱼与最近鲸鱼之间的欧氏距离、鲸鱼维数进行筛选得到。
对于WOA的搜索过程,具体的,可参照下面内容:
WOA找出最佳的参数值的优化问题在数学上公式如下:
而本申请WOA在上述内容中涉及的具体处理,可归纳为:
2)计算当前最佳最优目标值fbest和鲸鱼的位置。然后,根据计算各鲸鱼与当前最佳最优目标位置的客观差值。根据当前最优目标值,确定当前最优鲸鱼。
3)每当鲸鱼到达一个位置,继续独立更新。将A的变化作为关键参数,根据每条鲸鱼的位置随机搜索猎物,并对鲸鱼的变化做出判断。A代表了远离当前最优目标位置的参考值。
4)当|A|≤1时,假设能够以50%的概率选择收缩环机制和螺旋更新位置,对鲸鱼进行位置优化。因此,对鲸鱼的觅食行为模拟可以建模,以增强每条鲸鱼的位置,如下:
其中,p∈[0,1]是一个随机值。为了更准确地预测期望的位置,每条鲸鱼的位置被更新为当前的最佳鲸鱼
D=|C·Xrand(k)-X(k)|
X(k+1)=Xrand(k)-A·D
其中,Xrand(k)是从当前鲸鱼种群中选择的鲸鱼个体的随机位置向量。
6)根据离界鲸位置更新策略对每条鲸鱼的位置进行合理判断。如果该值跨越了界限,则将在有效范围内生成一个新的数值。
7)对fbest按降序排序,并在位置演进后更新最优位置。
8)如果满足收敛条件,则停止更新;否则,返回3)。
后续的,针对于GM的预测结果的预测精度,本申请则可通过误差测量,来评估本申请对GM的预测模式的调整所带来的预测精度,例如,可采用平均绝对误差(Mean AbsoluteError,MAE)测量、均方根误差(Root Mean Square Error,RMSE)测量和平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)测量误差,通过配置几个城市的样本用电数据可发现,可得到具有高精度预测以及快速收敛速度的成果。
以上是本申请提供的用电数据的处理方法的说明,为便于更好的实施本申请提供的用电数据的处理方法,本申请还提供了用电数据的处理装置。
参阅图2,图2为本申请用电数据的处理装置的一种结构示意图,在本申请中,用电数据的处理装置200具体可包括如下结构:
获取单元201,用于获取待处理的目标区域的历史用电数据;
预测单元202,用于通过GM基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,其中,GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至目标时间段,在每次的迭代过程中,GM根据相邻的季节时间段的预测用电量与实际用电量来更新所属季节时间段的季节影响系数,季节影响系数用于指示季节时间段对用电数据的影响。
获取单元201,还用于获取GM对于目标用电数据的预测结果。
在一种示例性的实现方式中,预测单元202,具体用于:
通过GM以及WOA,基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,当满足收敛条件,得到预测处理的最优解。
在又一种示例性的实现方式中,WOA具体通过sobol序列生成均匀分布的初始数据,初始数据用于指示待搜索的初始用电数据。
在又一种示例性的实现方式中,WOA的收敛因子与迭代次数呈负相关设置。
在又一种示例性的实现方式中,WOA的边界数据,由当前最佳位置鲸鱼与最近鲸鱼之间的欧氏距离、鲸鱼维数进行筛选得到。
在又一种示例性的实现方式中,装置还包括生成单元203,用于:
处理设备根据预测结果,生成目标区域的电力调度策略。
在又一种示例性的实现方式中,装置还包括生成单元203,用于:
处理设备根据预测结果,生成目标区域的电价调整策略。
本申请还提供了用电数据的处理设备,参阅图3,图3示出了本申请用电数据的处理设备的一种结构示意图,具体的,本申请用电数据的处理设备包括处理器301、存储器302以及输入输出设备303,处理器301用于执行存储器302中存储的计算机程序时实现如图1对应实施例中用电数据的处理方法的各步骤;或者,处理器301用于执行存储器302中存储的计算机程序时实现如图2对应实施例中各单元的功能,存储器302用于存储处理器301执行上述图1对应实施例中用电数据的处理方法所需的计算机程序。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器302中,并由处理器301执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。
用电数据的处理设备可包括,但不仅限于处理器301、存储器302、输入输出设备303。本领域技术人员可以理解,示意仅仅是用电数据的处理设备的示例,并不构成对用电数据的处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如用电数据的处理设备还可以包括网络接入设备、总线等,处理器301、存储器302、输入输出设备303以及网络接入设备等通过总线相连。
处理器301可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,处理器是用电数据的处理设备的控制中心,利用各种接口和线路连接整个设备的各个部分。
存储器302可用于存储计算机程序和/或模块,处理器301通过运行或执行存储在存储器302内的计算机程序和/或模块,以及调用存储在存储器302内的数据,实现计算机装置的各种功能。存储器302可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据用电数据的处理设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器301用于执行存储器302中存储的计算机程序时,具体可实现以下功能:
获取待处理的目标区域的历史用电数据;
通过GM基于历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,其中,GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至目标时间段,在每次的迭代过程中,GM根据相邻的季节时间段的预测用电量与实际用电量来更新所属季节时间段的季节影响系数,季节影响系数用于指示季节时间段对用电数据的影响。
获取GM对于目标用电数据的预测结果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的用电数据的处理装置、设备及其相应单元的具体工作过程,可以参考如图1对应实施例中用电数据的处理方法的说明,具体在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本申请提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本申请如图1对应实施例中用电数据的处理方法中的步骤,具体操作可参考如图1对应实施例中用电数据的处理方法的说明,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(Read Only Memory,ROM)、随机存取记忆体(Random Access Memory,RAM)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本申请如图1对应实施例中用电数据的处理方法中的步骤,因此,可以实现本申请如图1对应实施例中用电数据的处理方法所能实现的有益效果,详见前面的说明,在此不再赘述。
以上对本申请提供的用电数据的处理方法、装置、设备及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种用电数据的处理方法,其特征在于,所述方法包括:
处理设备获取待处理的目标区域的历史用电数据;
所述处理设备通过灰色模型GM基于所述历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,其中,所述GM通过迭代的预测方式,依次预测相邻季节时间段的用电数据直至所述目标时间段,在每次的迭代过程中,所述GM根据相邻的季节时间段的预测用电量与实际用电量来更新所属季节时间段的季节影响系数,所述季节影响系数用于指示季节时间段对用电数据的影响;
所述处理设备获取所述GM对于所述目标用电数据的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述处理设备通过灰色模型GM基于所述历史用电数据对应的历史用电趋势,进行目标时间段的目标用电数据的预测处理,包括:
所述处理设备通过所述GM以及鲸鱼算法WOA,基于所述历史用电数据对应的历史用电趋势,进行所述目标时间段的目标用电数据的预测处理,当满足收敛条件,得到所述预测处理的最优解。
3.根据权利要求2所述的方法,其特征在于,所述WOA具体通过sobol序列生成均匀分布的原始数据,所述原始数据用于指示所述待搜索的初始用电数据。
4.根据权利要求2所述的方法,其特征在于,所述WOA的收敛因子与迭代次数呈负相关设置。
5.根据权利要求2所述的方法,其特征在于,所述WOA的边界数据,由当前最佳位置鲸鱼与最近鲸鱼之间的欧氏距离、鲸鱼维数进行筛选得到。
6.根据权利要求1所述的方法,其特征在于,所述处理设备获取所述GM对于所述目标用电数据的预测结果之后,所述方法还包括:
所述处理设备根据所述预测结果,生成所述目标区域的电力调度策略。
7.根据权利要求1所述的方法,其特征在于,所述处理设备获取所述GM对于所述目标用电数据的预测结果之后,所述方法还包括:
所述处理设备根据所述预测结果,生成所述目标区域的电价调整策略。
8.一种用电数据的处理设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。
9.一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存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011408268.0A CN112365097A (zh) | 2020-12-03 | 2020-12-03 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011408268.0A CN112365097A (zh) | 2020-12-03 | 2020-12-03 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365097A true CN112365097A (zh) | 2021-02-12 |
Family
ID=74535968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011408268.0A Pending CN112365097A (zh) | 2020-12-03 | 2020-12-03 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365097A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883629A (zh) * | 2021-03-30 | 2021-06-01 | 湘潭大学 | 基于改进鲸鱼算法的楼宇用电负荷优化调度方法 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN114266481A (zh) * | 2021-12-23 | 2022-04-01 | 浙大网新系统工程有限公司 | 一种基于用电侧用户需求的电网智能调节系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
CN109214609A (zh) * | 2018-11-15 | 2019-01-15 | 辽宁大学 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
-
2020
- 2020-12-03 CN CN202011408268.0A patent/CN112365097A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
CN109214609A (zh) * | 2018-11-15 | 2019-01-15 | 辽宁大学 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883629A (zh) * | 2021-03-30 | 2021-06-01 | 湘潭大学 | 基于改进鲸鱼算法的楼宇用电负荷优化调度方法 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN114266481A (zh) * | 2021-12-23 | 2022-04-01 | 浙大网新系统工程有限公司 | 一种基于用电侧用户需求的电网智能调节系统 |
CN114266481B (zh) * | 2021-12-23 | 2023-06-30 | 浙大网新系统工程有限公司 | 一种基于用电侧用户需求的电网智能调节系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365097A (zh) | 用电数据的处理方法、装置、设备及计算机可读存储介质 | |
Fan et al. | A new improved whale optimization algorithm with joint search mechanisms for high-dimensional global optimization problems | |
Li et al. | Short-term wind speed forecasting based on improved ant colony algorithm for LSSVM | |
Yao et al. | Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost | |
CN117039895B (zh) | 一种用于储能辅助黑启动的风功率预测方法及系统 | |
Zhang et al. | Adjust weight vectors in MOEA/D for bi-objective optimization problems with discontinuous Pareto fronts | |
CN112766596A (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
CN110490429A (zh) | 基于ssa算法智能楼宇微电网家用负荷快速调度方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN116154768B (zh) | 采用点预测误差经验分布逆变换的功率区间预测方法 | |
CN111682539A (zh) | 基于简化综合场景的含分布式电源电网的分区方法及系统 | |
CN117439053A (zh) | 一种Stacking集成模型电量预测方法、装置、存储介质 | |
CN116070758A (zh) | 一种光伏发电短期功率预测方法、装置及存储介质 | |
CN115270921B (zh) | 基于组合预测模型的电力负载预测方法、系统及存储介质 | |
CN105844110B (zh) | 一种基于gpu的自适应邻域禁忌搜索求解软硬件划分方法 | |
CN112950033B (zh) | 一种基于水库调度规则合成的水库调度决策方法及系统 | |
CN115936208A (zh) | 基于深度混合学习模型的短期电力负荷预测方法及装置 | |
CN113762687B (zh) | 一种仓库内的人员排班调度方法和装置 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN114118608A (zh) | 电网业务配比优化方法、装置、终端及存储介质 | |
CN113806077A (zh) | 基于人工智能的数据中心服务器调控方法及装置 | |
Scully-Allison et al. | Data imputation with an improved robust and sparse fuzzy k-means algorithm | |
CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其系统、设备、介质 | |
CN114897210B (zh) | 一种基于能源损耗预测的能源互联方法及系统 |
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: 20210212 |