CN112434892A - 基于多因素组合学习的差异化用电需求预测方法及系统 - Google Patents
基于多因素组合学习的差异化用电需求预测方法及系统 Download PDFInfo
- Publication number
- CN112434892A CN112434892A CN202011514049.0A CN202011514049A CN112434892A CN 112434892 A CN112434892 A CN 112434892A CN 202011514049 A CN202011514049 A CN 202011514049A CN 112434892 A CN112434892 A CN 112434892A
- Authority
- CN
- China
- Prior art keywords
- demand prediction
- prediction model
- user
- power demand
- power
- 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 40
- 238000009826 distribution Methods 0.000 claims abstract description 54
- 230000005611 electricity Effects 0.000 claims abstract description 50
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000007619 statistical method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于多因素组合学习的差异化用电需求预测方法,包括首先获取待测用户、待测用电时间和待测用户所属台区配网的当前电力数据;待测用户为普通居民、商业用户及工业用户之其一;待测用电时间为工作日、节假日和双休日之其一;当前电力数据包括受内部因素影响的用户用电需求数据和受外部因素影响的关联数据;其次,根据待测用户及待测用电时间,在预置的用电需求预测模型组中选一个,并待对当前电力数据基于待测用电时间筛选之后,导入所选模型预测得到用电需求;其中,每一个用电需求预测模型均基于内部因素及外部因素构建而成的。实施本发明,能够考虑多种影响因素和差异化用电需求的关系,使得预测更加准确、精细。
Description
技术领域
本发明涉及配网用电需求预测技术领域,尤其涉及一种基于多因素组合学习的差异化用电需求预测方法及系统。
背景技术
随着电能需求呈指数级增长,可用资源正在以惊人的速度消耗,并且电能还非常短缺,使得节能是基本需求。因此,如何合理地节约、利用能源已成为社会所关心的问题之一。
目前,准确地预测用户差异化用电需求已成为电力市场实现科学用能、有效节能的一个重要手段。准确的差异化用电需求预测可以加强电能管理、优化电能使用、降低电能生产成本、保障系统运行稳定、提高社会的经济效益。从电力系统角度来说,用电需求分析是电网运营工作的基础,准确的把握差异化用电需求的分析既可以有力支撑“精确规划”,又可以对电网进行“精准投资”。考虑多种影响因素和差异化用电需求的关系,基于海量的历史数据统计分析,逐台逐线开展精细化的用电需求分析工作,使得预测更加准确、精细。
然而,现有技术只根据用户历史数据对未来需求进行预测,不仅没有考虑不同用户(如普通居民、商业用户及工业用户)及其使用时间(如工作日、节假日和双休日),也没有考虑气象(如最高温度、最低温度)等外部因素和用户自身运行时间等内部因素的影响,导致预测结果不够精确。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于多因素组合学习的差异化用电需求预测方法及系统,能够考虑多种影响因素和差异化用电需求的关系,使得预测更加准确、精细。
为了解决上述技术问题,本发明实施例提供了一种基于多因素组合学习的差异化用电需求预测方法,所述方法包括以下步骤:
S1、获取待测用户、待测用电时间和待测用户所属台区配网的当前电力数据;其中,所述待测用户为普通居民、商业用户及工业用户之其中一种;所述待测用电时间为工作日、节假日和双休日之其中一种;所述待测用户所属台区配网的当前电力数据包括受内部因素影响的当前用户用电需求数据和受外部因素影响的当前关联数据;
S2、根据待测用户及待测用电时间,在预先设置的用电需求预测模型组中,选择相应的一个用电需求预测模型,并待对所述待测用户所属台区配网的当前电力数据基于所述待测用电时间筛选之后,导入所选的用电需求预测模型中进行预测,得到待测用户的用电需求;其中,所述用电需求预测模型组中每一个用电需求预测模型均基于所述内部因素及所述外部因素构建而成的。
其中,对任一个用电需求预测模型均通过执行以下步骤来预先设置,具体包括:
确定当前用电需求预测模型面向的用户为普通居民、商业用户及工业用户之其中一种,以及确定当前用电需求预测模型面向的用电时间为工作日、节假日和双休日之其中一种;
获取所面向用户所属台区配网的历史电力数据,且进一步在所获取的历史电力数据中,筛选出基于所面向用电时间上的历史电力数据;
对所筛选出的历史电力数据中的用户用电需求数据进行过滤清洗处理,得到过滤清洗后的历史用户用电需求数据,并基于过滤清洗后的历史用户用电需求数据,对每一个内部因素的相关系数进行计算;
基于所筛选出的历史电力数据中的关联数据以及过滤清洗后的历史用户用电需求数据,计算出每一个外部因素的相关系数,并将计算所得的每一个外部因素的相关系数与预设阈值对比,筛选出相关系数大于所述预设阈值的外部因素;
根据计算所得的每一个内部因素的相关系数以及所筛选出的外部因素,构建得到当前用电需求预测模型。
其中,所述对所筛选出的历史电力数据中的用户用电需求数据进行过滤清洗处理,得到过滤清洗后的历史用户用电需求数据的步骤,具体包括:
采用预设的抽取工具NIFI对所筛选出的历史电力数据中的用户用电需求数据进行数据提取;
通过预设的清洗原则和预设的清洗方法对所提取的用户用电需求数据中的异常值及缺失值进行数据清洗;其中,所述预设的清洗原则包括数值化处理、标准化处理和降维处理;所述预设的清洗方法包括替代法、离群点检测法和插值法。
其中,所述内部因素包括配变容量、运行时间和投运时间;所述外部因素包括最高温度、最低温度、湿度和风速。
其中,所述用电需求预测模型组包括面向普通居民的用电需求预测模型、面向商业用户的用电需求预测模型和面向工业用户的用电需求预测模型;其中,
所述面向普通居民的用电需求预测模型为普通居民对应工作日、节假日和双休日之中任一个的用电需求预测模型;
所述面向商业用户的用电需求预测模型包括商业用户工作日的用电需求预测模型、商业用户节假日的用电需求预测模型和商业用户双休日的用电需求预测模型;
所述面向工业用户的用电需求预测模型包括工业用户工作日的用电需求预测模型、工业用户节假日的用电需求预测模型和工业用户双休日的用电需求预测模型。
本发明实施例还提供了一种基于多因素组合学习的差异化用电需求预测系统,包括:
待测数据获取单元,用于获取待测用户、待测用电时间和待测用户所属台区配网的当前电力数据;其中,所述待测用户为普通居民、商业用户及工业用户之其中一种;所述待测用电时间为工作日、节假日和双休日之其中一种;所述待测用户所属台区配网的当前电力数据包括受内部因素影响的当前用户用电需求数据和受外部因素影响的当前关联数据;
差异化用电需求预测单元,用于根据待测用户及待测用电时间,在预先设置的用电需求预测模型组中,选择相应的一个用电需求预测模型,并待对所述待测用户所属台区配网的当前电力数据基于所述待测用电时间筛选之后,导入所选的用电需求预测模型中进行预测,得到待测用户的用电需求;其中,所述用电需求预测模型组中每一个用电需求预测模型均基于所述内部因素及所述外部因素构建而成的。
其中,所述内部因素包括配变容量、运行时间和投运时间;所述外部因素包括最高温度、最低温度、湿度和风速。
其中,所述用电需求预测模型组包括面向普通居民的用电需求预测模型、面向商业用户的用电需求预测模型和面向工业用户的用电需求预测模型;其中,
所述面向普通居民的用电需求预测模型为普通居民对应工作日、节假日和双休日之中任一个的用电需求预测模型;
所述面向商业用户的用电需求预测模型包括商业用户工作日的用电需求预测模型、商业用户节假日的用电需求预测模型和商业用户双休日的用电需求预测模型;
所述面向工业用户的用电需求预测模型包括工业用户工作日的用电需求预测模型、工业用户节假日的用电需求预测模型和工业用户双休日的用电需求预测模型。
实施本发明实施例,具有如下有益效果:
本发明考虑多种影响因素和差异化用电需求的关系,基于海量的历史数据统计分析,将用户划分为普通居民、商业用户和工业用户以及划分使用时间(如工作日、双休日、节假日),并考虑气象(如最高温度、最低温度、湿度和风速)等外部因素以及配变容量、运行时间等内部因素影响,针对不同用电类别用户建立不同差异化用电需求预测模型,从而提高预测准确度,使得预测更加准确、精细,保障了电网安全运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种基于多因素组合学习的差异化用电需求预测方法的流程图;
图2为本发明实施例提供的一种基于多因素组合学习的差异化用电需求预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种基于多因素组合学习的差异化用电需求预测方法,该方法用于用户侧用电需求预测,包括以下步骤:
步骤S1、获取待测用户、待测用电时间和待测用户所属台区配网的当前电力数据;其中,所述待测用户为普通居民、商业用户及工业用户之其中一种;所述待测用电时间为工作日、节假日和双休日之其中一种;所述待测用户所属台区配网的当前电力数据包括受内部因素影响的当前用户用电需求数据和受外部因素影响的当前关联数据;
步骤S2、根据待测用户及待测用电时间,在预先设置的用电需求预测模型组中,选择相应的一个用电需求预测模型,并待对所述待测用户所属台区配网的当前电力数据基于所述待测用电时间筛选之后,导入所选的用电需求预测模型中进行预测,得到待测用户的用电需求;其中,所述用电需求预测模型组中每一个用电需求预测模型均基于所述内部因素及所述外部因素构建而成的。
具体过程为,在步骤S1之前,根据用电需求特性,将差异化用电需求按用电类别进行用户分类,使得用户包括普通居民、商业用户和工业用户;其中,普通居民定义为用电时间分散,调度时间灵活的用户;商业用户定义为用电容量大,用电时间比较集中,调度时间没有那么灵活的用户;工业用户为一般对用电需求量较大、峰谷差小、速度快、智能化水平高的用户。
由于需要考虑多种影响因素和差异化用电需求的关系,因此可以基于海量的历史数据统计分析,让每一个用电需求预测模型均通过执行以下步骤来预先设置,具体包括:
第一步、确定当前用电需求预测模型面向的用户,即用户为普通居民、商业用户及工业用户之其中一种,以及确定当前用电需求预测模型面向的用电时间,即为工作日、节假日和双休日之其中一种。
由此可见,用电需求预测模型组包括面向普通居民的用电需求预测模型、面向商业用户的用电需求预测模型和面向工业用户的用电需求预测模型;其中,面向普通居民的用电需求预测模型为普通居民对应工作日、节假日和双休日之中任一个的用电需求预测模型;面向商业用户的用电需求预测模型包括商业用户工作日的用电需求预测模型、商业用户节假日的用电需求预测模型和商业用户双休日的用电需求预测模型;面向工业用户的用电需求预测模型包括工业用户工作日的用电需求预测模型、工业用户节假日的用电需求预测模型和工业用户双休日的用电需求预测模型。
第二步、获取所面向用户所属台区配网的历史电力数据,且进一步在所获取的历史电力数据中,筛选出基于所面向用电时间上的历史电力数据。应当说明的是,可以采用预设的抽取工具NIFI从各生产和管理系统中提取出来。
第三步、对所筛选出的历史电力数据中的用户用电需求数据进行过滤清洗处理,得到过滤清洗后的历史用户用电需求数据,并基于过滤清洗后的历史用户用电需求数据,对每一个内部因素的相关系数进行计算。其中,内部因素包括但不限于配变容量、运行时间和投运时间。
应当说明的是,过滤清洗处理包括两层过滤清洗,具体为:首先采用预设的抽取工具NIFI对所筛选出的历史电力数据中的用户用电需求数据进行数据提取;其次,通过预设的清洗原则和预设的清洗方法对所提取的用户用电需求数据中的异常值及缺失值进行数据清洗;其中,清洗原则包括但不限于数值化处理、标准化处理和降维处理;清洗方法包括但不限于替代法、离群点检测法和插值法。
可以理解的是,x样本和y样本可以根据灵活设计,如x样本为过滤清洗后的总历史用户用电需求数据,y样本为过滤清洗后的历史用户用电需求数据中的配变容量,从而得到配变容量的相关系数。以此类推,可以计算出运行时间、投运时间等其它内部因素的相关系数。内部因素的相关系数均为大于0且小于1的小数。
第四步、基于所筛选出的历史电力数据中的关联数据以及过滤清洗后的历史用户用电需求数据,计算出每一个外部因素的相关系数,并将计算所得的每一个外部因素的相关系数与预设阈值(如0.6)对比,筛选出相关系数大于预设阈值的外部因素。应当说明的是,外部因素的相关系数的计算方式与上述内部因素的相关系数的计算方式相同,只是y样本为外部因素的样本而已,在此不再赘述。外部因素的相关系数均为大于0且小于1的小数
第五步、根据计算所得的每一个内部因素的相关系数以及所筛选出的外部因素,构建得到当前用电需求预测模型。
在一个实施例中,构建得到当前用电需求预测模型与外部因素中的最高温度和最低温度,以及内部因素中的运行时间、配变容量和投运时间均相关联,从而得到当前用电需求预测模型y=β11x1+β14x4+β12x2+…+D(x2<t1);
其中,x1表示最高温度,x2表示运行时间,x3表示配变容量,x4表示最低温度,t1表示用电需求第一阶段的拐点,t2表示用电需求扩建的拐点,D表示常量,βij表示相对应内部因素和外部因素之中某一个的相关系数。
在另一个实施例中,得到当前用电需求预测模型y=β11x1+β14x4+β12x2+…+D(t1<x2<t2)。
在步骤S1中,用电需求预测模型组中所有用电需求预测模型都已经设置好了,此时获取待测用户、待测用电时间和待测用户所属台区配网的当前电力数据。
在步骤S2中,根据待测用户及待测用电时间,选择相应的一个用电需求预测模型。例如,待测用户为普通居民,待测用电时间为工作日,只需选择面向普通居民的用电需求预测模型即可;又如,待测用户为工业用户,待测用电时间为工作日,则需要选择工业用户工作日的用电需求预测模型。
由于待测用电时间分为工作日、双休日和节假日,尤其是商业用户和工业用户在这三个不同用电时间里面所需求的用户量也不同,因此,需要将待测用户所属台区配网的当前电力数据基于待测用电时间筛选之后,导入所选的用电需求预测模型中进行预测,得到待测用户对应的用电需求。
在本发明实施例中,以XX地区XX商场为例,对一种基于多因素组合学习的差异化用电需求预测方法的应用场景做进一步说明:
(1)、构建差异化用电需求预测模型:
首先,确定该用户为商业用户,并进行数据清洗。该用户2019年5月10日数据缺失(如下表1所示),采用替代法填补数据,并删除突起的异常值(如下表2所示):
表1:
表2:
接着,相关因素的相关系数提取,分别算与该用户相关影响因素的相关系数,取0.6作为阈值,筛选出外部因素中温度及时间最相关,且相关系数分别为0.651、0.638和0.618,如下表3所示:
表3
然后,差异化用电需求预测模型建立。该用户投运时间为2010年2月5日,数据截取2019年1月至6月,选择模型中x2>2这一段。对该用户数据进行分段,参考时间因素分为工作日、节假日和双休日,参考温度因素分为x1<18℃和x1≥18℃(根据用电需求随温度变化散点图拐点选取),共分为6段。
此时,以工作日为例,确定商业用户工作日的用电需求预测模型,具体为:通过表3筛选出外部因素包括最高温度和最低温度,并且内部因素包括运行时间和配变容量,所得到的相关系数如下表4所示:
表4:
因此,根据表4求得该用户在时间因素为工作日,温度x1<18℃这一分段中的预测公式为:y=-2.380x1-1.896x4+6.666x3+0.007x2-7845.711
(2)获取该用户所属台区配网的当前电力数据,并代入上述预测公式中,得到该用户的用电需求。
如图2所示,为本发明实施例中,提供的一种基于多因素组合学习的差异化用电需求预测系统,包括:
待测数据获取单元110,用于获取待测用户、待测用电时间和待测用户所属台区配网的当前电力数据;其中,所述待测用户为普通居民、商业用户及工业用户之其中一种;所述待测用电时间为工作日、节假日和双休日之其中一种;所述待测用户所属台区配网的当前电力数据包括受内部因素影响的当前用户用电需求数据和受外部因素影响的当前关联数据;
差异化用电需求预测单元120,用于根据待测用户及待测用电时间,在预先设置的用电需求预测模型组中,选择相应的一个用电需求预测模型,并待对所述待测用户所属台区配网的当前电力数据基于所述待测用电时间筛选之后,导入所选的用电需求预测模型中进行预测,得到待测用户的用电需求;其中,所述用电需求预测模型组中每一个用电需求预测模型均基于所述内部因素及所述外部因素构建而成的。
其中,所述内部因素包括配变容量、运行时间和投运时间;所述外部因素包括最高温度、最低温度、湿度和风速。
其中,所述用电需求预测模型组包括面向普通居民的用电需求预测模型、面向商业用户的用电需求预测模型和面向工业用户的用电需求预测模型;其中,
所述面向普通居民的用电需求预测模型为普通居民对应工作日、节假日和双休日之中任一个的用电需求预测模型;
所述面向商业用户的用电需求预测模型包括商业用户工作日的用电需求预测模型、商业用户节假日的用电需求预测模型和商业用户双休日的用电需求预测模型;
所述面向工业用户的用电需求预测模型包括工业用户工作日的用电需求预测模型、工业用户节假日的用电需求预测模型和工业用户双休日的用电需求预测模型。
实施本发明实施例,具有如下有益效果:
本发明考虑多种影响因素和差异化用电需求的关系,基于海量的历史数据统计分析,将用户划分为普通居民、商业用户和工业用户以及划分使用时间(如工作日、双休日、节假日),并考虑气象(如最高温度、最低温度、湿度和风速)等外部因素以及配变容量、运行时间等内部因素影响,针对不同用电类别用户建立不同差异化用电需求预测模型,从而提高预测准确度,使得预测更加准确、精细,保障了电网安全运行。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
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步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种基于多因素组合学习的差异化用电需求预测方法,其特征在于,所述方法包括以下步骤:
S1、获取待测用户、待测用电时间和待测用户所属台区配网的当前电力数据;其中,所述待测用户为普通居民、商业用户及工业用户之其中一种;所述待测用电时间为工作日、节假日和双休日之其中一种;所述待测用户所属台区配网的当前电力数据包括受内部因素影响的当前用户用电需求数据和受外部因素影响的当前关联数据;
S2、根据待测用户及待测用电时间,在预先设置的用电需求预测模型组中,选择相应的一个用电需求预测模型,并待对所述待测用户所属台区配网的当前电力数据基于所述待测用电时间筛选之后,导入所选的用电需求预测模型中进行预测,得到待测用户的用电需求;其中,所述用电需求预测模型组中每一个用电需求预测模型均基于所述内部因素及所述外部因素构建而成的。
2.如权利要求1所述的基于多因素组合学习的差异化用电需求预测方法,其特征在于,对任一个用电需求预测模型均通过执行以下步骤来预先设置,具体包括:
确定当前用电需求预测模型面向的用户为普通居民、商业用户及工业用户之其中一种,以及确定当前用电需求预测模型面向的用电时间为工作日、节假日和双休日之其中一种;
获取所面向用户所属台区配网的历史电力数据,且进一步在所获取的历史电力数据中,筛选出基于所面向用电时间上的历史电力数据;
对所筛选出的历史电力数据中的用户用电需求数据进行过滤清洗处理,得到过滤清洗后的历史用户用电需求数据,并基于过滤清洗后的历史用户用电需求数据,对每一个内部因素的相关系数进行计算;
基于所筛选出的历史电力数据中的关联数据以及过滤清洗后的历史用户用电需求数据,计算出每一个外部因素的相关系数,并将计算所得的每一个外部因素的相关系数与预设阈值对比,筛选出相关系数大于所述预设阈值的外部因素;
根据计算所得的每一个内部因素的相关系数以及所筛选出的外部因素,构建得到当前用电需求预测模型。
3.如权利要求2所述的基于多因素组合学习的差异化用电需求预测方法,其特征在于,所述对所筛选出的历史电力数据中的用户用电需求数据进行过滤清洗处理,得到过滤清洗后的历史用户用电需求数据的步骤,具体包括:
采用预设的抽取工具NIFI对所筛选出的历史电力数据中的用户用电需求数据进行数据提取;
通过预设的清洗原则和预设的清洗方法对所提取的用户用电需求数据中的异常值及缺失值进行数据清洗;其中,所述预设的清洗原则包括数值化处理、标准化处理和降维处理;所述预设的清洗方法包括替代法、离群点检测法和插值法。
5.如权利要求1所述的基于多因素组合学习的差异化用电需求预测方法,其特征在于,所述内部因素包括配变容量、运行时间和投运时间;所述外部因素包括最高温度、最低温度、湿度和风速。
6.如权利要求1所述的基于多因素组合学习的差异化用电需求预测方法,其特征在于,所述用电需求预测模型组包括面向普通居民的用电需求预测模型、面向商业用户的用电需求预测模型和面向工业用户的用电需求预测模型;其中,
所述面向普通居民的用电需求预测模型为普通居民对应工作日、节假日和双休日之中任一个的用电需求预测模型;
所述面向商业用户的用电需求预测模型包括商业用户工作日的用电需求预测模型、商业用户节假日的用电需求预测模型和商业用户双休日的用电需求预测模型;
所述面向工业用户的用电需求预测模型包括工业用户工作日的用电需求预测模型、工业用户节假日的用电需求预测模型和工业用户双休日的用电需求预测模型。
7.一种基于多因素组合学习的差异化用电需求预测系统,其特征在于,包括:
待测数据获取单元,用于获取待测用户、待测用电时间和待测用户所属台区配网的当前电力数据;其中,所述待测用户为普通居民、商业用户及工业用户之其中一种;所述待测用电时间为工作日、节假日和双休日之其中一种;所述待测用户所属台区配网的当前电力数据包括受内部因素影响的当前用户用电需求数据和受外部因素影响的当前关联数据;
差异化用电需求预测单元,用于根据待测用户及待测用电时间,在预先设置的用电需求预测模型组中,选择相应的一个用电需求预测模型,并待对所述待测用户所属台区配网的当前电力数据基于所述待测用电时间筛选之后,导入所选的用电需求预测模型中进行预测,得到待测用户的用电需求;其中,所述用电需求预测模型组中每一个用电需求预测模型均基于所述内部因素及所述外部因素构建而成的。
8.如权利要求7所述的基于多因素组合学习的差异化用电需求预测系统,其特征在于,所述内部因素包括配变容量、运行时间和投运时间;所述外部因素包括最高温度、最低温度、湿度和风速。
9.如权利要求7所述的基于多因素组合学习的差异化用电需求预测系统,其特征在于,所述用电需求预测模型组包括面向普通居民的用电需求预测模型、面向商业用户的用电需求预测模型和面向工业用户的用电需求预测模型;其中,
所述面向普通居民的用电需求预测模型为普通居民对应工作日、节假日和双休日之中任一个的用电需求预测模型;
所述面向商业用户的用电需求预测模型包括商业用户工作日的用电需求预测模型、商业用户节假日的用电需求预测模型和商业用户双休日的用电需求预测模型;
所述面向工业用户的用电需求预测模型包括工业用户工作日的用电需求预测模型、工业用户节假日的用电需求预测模型和工业用户双休日的用电需求预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514049.0A CN112434892A (zh) | 2020-12-21 | 2020-12-21 | 基于多因素组合学习的差异化用电需求预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514049.0A CN112434892A (zh) | 2020-12-21 | 2020-12-21 | 基于多因素组合学习的差异化用电需求预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434892A true CN112434892A (zh) | 2021-03-02 |
Family
ID=74696848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011514049.0A Pending CN112434892A (zh) | 2020-12-21 | 2020-12-21 | 基于多因素组合学习的差异化用电需求预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434892A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
US20160343011A1 (en) * | 2014-02-28 | 2016-11-24 | Mitsubishi Heavy Industries, Ltd. | Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program |
CN110705802A (zh) * | 2019-10-11 | 2020-01-17 | 国网江苏省电力有限公司 | 一种基于多因素分段的配电网柔性负荷预测方法 |
-
2020
- 2020-12-21 CN CN202011514049.0A patent/CN112434892A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160343011A1 (en) * | 2014-02-28 | 2016-11-24 | Mitsubishi Heavy Industries, Ltd. | Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program |
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种系统用电量预测方法 |
CN110705802A (zh) * | 2019-10-11 | 2020-01-17 | 国网江苏省电力有限公司 | 一种基于多因素分段的配电网柔性负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027872B (zh) | 一种区域用户的用电成熟度确定方法及系统 | |
CN109376953B (zh) | 一种中长期电量预测方法及系统 | |
CN116646933A (zh) | 一种基于大数据的电力负荷调度方法及系统 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN112308270A (zh) | 一种长期用电负荷预测方法、装置及计算机实现系统 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
CN112700050A (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN110705802A (zh) | 一种基于多因素分段的配电网柔性负荷预测方法 | |
CN108665090B (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN112434892A (zh) | 基于多因素组合学习的差异化用电需求预测方法及系统 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN114511225A (zh) | 一种断面识别方法、装置、设备以及存储介质 | |
CN109816139B (zh) | 基于负荷细分的差异化用户基线负荷预测方法、装置及系统 | |
CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN115545585B (zh) | 一种企业能耗准入退出参考标准的确定方法、装置及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210302 |
|
RJ01 | Rejection of invention patent application after publication |