CN112529301A - 用电量预测方法、设备及存储介质 - Google Patents

用电量预测方法、设备及存储介质 Download PDF

Info

Publication number
CN112529301A
CN112529301A CN202011472138.3A CN202011472138A CN112529301A CN 112529301 A CN112529301 A CN 112529301A CN 202011472138 A CN202011472138 A CN 202011472138A CN 112529301 A CN112529301 A CN 112529301A
Authority
CN
China
Prior art keywords
data
electricity consumption
prediction
preset
training
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.)
Granted
Application number
CN202011472138.3A
Other languages
English (en)
Other versions
CN112529301B (zh
Inventor
赵振崇
薛鹏
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.)
Shenzhen ZNV Technology Co Ltd
Nanjing ZNV Software Co Ltd
Original Assignee
Shenzhen ZNV Technology Co Ltd
Nanjing ZNV Software Co Ltd
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 Shenzhen ZNV Technology Co Ltd, Nanjing ZNV Software Co Ltd filed Critical Shenzhen ZNV Technology Co Ltd
Priority to CN202011472138.3A priority Critical patent/CN112529301B/zh
Publication of CN112529301A publication Critical patent/CN112529301A/zh
Application granted granted Critical
Publication of CN112529301B publication Critical patent/CN112529301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了用电量预测方法、设备及存储介质，该方法包括：在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据；根据同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集；采用训练数据集对预设模型集进行训练，得到集成预测模型；获取集成预测模型输出的预测结果；根据验证数据集和预测结果，对目标企业用户的未来月度的用电量进行预测。本发明能够准确的预测出企业用户未来月度的企业用电量，为电网集中调控运营以及用户端的年度购电提供依据。

Description

用电量预测方法、设备及存储介质
技术领域
本发明涉及电量预测技术领域，尤其涉及一种用电量预测方法、设备及存储介质。
背景技术
随着国家和社会的高速发展，电力能源极大提高了人们的生产和生活的便利性。工业用电量与社会经济的发展密切相关，且在社会用电中占很大的比重。通过对工业用电量进行预测，趋势分析，可以有效判断全社会用电量的发展趋势，进而对经济形势进行预估和评判。
目前，对于电力系统的用电量预测(包括全社会用电量、工业用电量及各行业用电量预测)，已经涌现了大量的研究成果，其中预测方法多种多样，包括指数平滑法、向量误差修正模型、ARIMA模型、LSTM等模型方法。预测方法基本可以分为两类：一类是单变量时间序列预测，根据电量序列自身规律预测用电量，如灰色预测模型、一阶指数平滑法、二阶指数平滑、ARIMA模型等；另一类多变量时间序列预测，引入影响用电量的第三方因素，ARIMAX、LSTM等。
短期用电量受经济环境变化、气候变化、行业属性、地域等因素影响，预测效果很难达到较为理想的状态。单一的预测模型泛化能力弱，对于工业用电用户、换个行业或者用户，预测模型的预测结果很不理想。随着数据量的增加，传统单一的预测模型在算法性能和泛化能力及准确性上已经无法满足电力系统进行用电量预测的要求。
发明内容
本申请实施例通过提供一种用电量预测方法、设备及存储介质，旨在解决随着数据量的增加，传统单一的预测模型在算法性能和泛化能力及准确性上已经无法满足电力系统进行用电量预测的要求的问题。
本申请实施例提供了一种用电量预测方法，所述用电量预测方法，包括：
在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据；
根据所述同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集；
采用所述训练数据集对预设模型集进行训练，得到集成预测模型；所述集成预测模型包括多个不同类型的时间序列预测模型；
获取所述集成预测模型输出的预测结果；
根据所述验证数据集和所述预测结果，对目标企业用户的未来月度的用电量进行预测。
在一实施例中，所述历史用电量数据包括同类型的每个企业用户的日用电量数据，且同类型的每个企业用户的日用电量数据关联有日天气数据和每个企业用户的行业属性。
在一实施例中，所述在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据，包括：
设置所述预设时段，并获取所述同类型的所有企业用户的日用电量数据；
对所述同类型的所有企业用户的日用电量数据进行聚合，得到所述同类型的每个企业用户各个月度的历史用电量数据。
在一实施例中，所述根据所述同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集，包括：
对所述同类型的所有企业用户各个月度的历史用电量数据进行修正，得到样本数据；
根据预设拆分跨度和预设拆分长度对所述样本数据拆分，得到多组子训练数据集和多组子验证数据集；
将多组所述子训练数据集和多组所述子验证数据集分别进行整理，得到所述训练数据集和所述验证数据集；
其中，所述子训练数据集的组数和所述子验证数据集的组数相同。
在一实施例中，所述对所述同类型的所有企业用户各个月度的历史用电量数据进行修正，得到样本数据，包括：
检测所述同类型的所有企业用户各个月度的历史用电量数据中是否存在异常日用电量数据；
若是，则对所述同类型的所有企业用户各个月度的历史用电量数据中存在的异常日用电量数据进行修正，得到所述样本数据；
其中，所述异常日用电量数据包括与平均日用电量数据的差值大于或者等于第一预设阈值的日用电量数据、与平均日用电量数据的差值小于或者等于第二预设阈值的日用电量数据以及缺失的日用电量数据。
在一实施例中，所述获取所述集成预测模型输出的预测结果，包括：
根据所述历史用电量数据，确定所述目标企业用户的行业属性；
获取与所述目标企业用户的行业属性对应的每个所述不同类型的时间序列预测模型的权重值；
根据每个不同类型的时间序列预测模型的输出参数值和权重值，采用第一预设公式计算所述预测结果；所述第一预设公式为：
Figure BDA0002834674450000031
其中，Value表示所述预测结果，W表示每个不同类型的时间序列预测模型的权重值，T表示每个不同类型的时间序列预测模型的输出参数值，n表示所有时间序列预测模型的数量。
在一实施例中，所述根据所述验证数据集和所述预测结果，对目标企业用户的未来月度的用电量进行预测，包括：
采用第二预设公式计算所述预测结果与所述验证数据集之间的平均误差；所述第二预设公式为：
Figure BDA0002834674450000041
其中，MAE表示平均误差，R表示所述验证数据集中的历史用电量数据，N表示所述子验证数据集的组数；
判断所述平均误差是否小于误差阈值；
若是，则将所述预测结果确定为所述目标企业用户的未来月度的用电量；
若否，则循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤，并判断循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤的循环次数是否大于所述子训练数据集的组数；
若是，则执行所述将所述预测结果确定为所述目标企业用户的未来月度的用电量的步骤。
在一实施例中，所述判断循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤的循环次数是否大于所述训练数据集或所述验证数据集的组数之后，还包括：
若所述循环次数不大于所述子训练数据集的组数，则采用第三预设公式调整每个所述不同类型的时间序列预测模型的权重值，得到每个所述不同类型的时间序列预测模型的新权重值；其中，所述第三预设公式为：
Figure BDA0002834674450000042
根据每个所述不同类型的时间序列预测模型的新权重值，执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤。
此外，为实现上述目的，本发明还提供了一种用电量预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用电量预测程序，所述用电量预测程序被所述处理器执行时实现上述的用电量预测方法的步骤。
此外，为实现上述目的，本发明还提供了一种存储介质，其上存储有用电量预测程序，所述用电量预测程序被处理器执行时实现上述的用电量预测方法的步骤。
本申请实施例中提供的一种用电量预测方法、设备及存储介质的技术方案，至少具有如下技术效果或优点：
由于采用了在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据，根据同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集，采用训练数据集对预设模型集进行训练，得到集成预测模型，获取集成预测模型输出的预测结果，根据验证数据集和预测结果，对目标企业用户的未来月度的用电量进行预测的技术方案，解决了随着数据量的增加，传统单一的预测模型在算法性能和泛化能力及准确性上已经无法满足电力系统进行用电量预测的要求的问题。本发明建立的集成预测模型具有较强的泛化能力，实现了对各个时间序列预测模型权重的动态调整，能够准确的预测出企业用户的未来月度的企业用电量，为电网集中调控运营以及企业用户端的年度购电提供依据。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明用电量预测方法第一实施例的流程示意图；
图3为本发明用电量预测方法第二实施例的流程示意图；
图4为本发明用电量预测方法第三实施例的流程示意图；
图5为本发明用电量预测方法第四实施例的流程示意图；
图6为本发明用电量预测方法第五实施例的流程示意图。
具体实施方式
为了更好的理解上述技术方案，下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，图1为本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图1即可为用电量预测设备的硬件运行环境的结构示意图。
如图1所示，该用电量预测设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，用电量预测设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的用电量预测设备结构并不构成对用电量预测设备限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作网络通信模块、用户接口模块以及用电量预测程序。其中，操作系统是管理和控制用电量预测设备硬件和软件资源的程序，用电量预测程序以及其它软件或程序的运行。
在图1所示的用电量预测设备中，用户接口1003主要用于连接终端，与终端进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的用电量预测程序。
在本实施例中，用电量预测设备包括：存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的用电量预测程序，其中：
处理器1001调用存储器1005中存储的用电量预测程序时，执行以下操作：
在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据；
根据所述同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集；
采用所述训练数据集对预设模型集进行训练，得到集成预测模型；所述集成预测模型包括多个不同类型的时间序列预测模型；
获取所述集成预测模型输出的预测结果；
根据所述验证数据集和所述预测结果，对目标企业用户的未来月度的用电量进行预测。
处理器1001调用存储器1005中存储的用电量预测程序时，还执行以下操作：
所述历史用电量数据包括同类型的每个企业用户的日用电量数据，且同类型的每个企业用户的日用电量数据关联有日天气数据和每个企业用户的行业属性。
处理器1001调用存储器1005中存储的用电量预测程序时，还执行以下操作：
设置所述预设时段，并获取所述同类型的所有企业用户的日用电量数据；
对所述同类型的所有企业用户的日用电量数据进行聚合，得到所述同类型的每个企业用户各个月度的历史用电量数据。
处理器1001调用存储器1005中存储的用电量预测程序时，还执行以下操作：
对所述同类型的所有企业用户各个月度的历史用电量数据进行修正，得到样本数据；
根据预设拆分跨度和预设拆分长度对所述样本数据拆分，得到多组子训练数据集和多组子验证数据集；
将多组所述子训练数据集和多组所述子验证数据集分别进行整理，得到所述训练数据集和所述验证数据集；
其中，所述子训练数据集的组数和所述子验证数据集的组数相同。
处理器1001调用存储器1005中存储的用电量预测程序时，还执行以下操作：
检测所述同类型的所有企业用户各个月度的历史用电量数据中是否存在异常日用电量数据；
若是，则对所述同类型的所有企业用户各个月度的历史用电量数据中存在的异常日用电量数据进行修正，得到所述样本数据；
其中，所述异常日用电量数据包括与平均日用电量数据的差值大于或者等于第一预设阈值的日用电量数据、与平均日用电量数据的差值小于或者等于第二预设阈值的日用电量数据以及缺失的日用电量数据。
处理器1001调用存储器1005中存储的用电量预测程序时，还执行以下操作：
所述获取所述集成预测模型输出的预测结果，包括：
根据所述历史用电量数据，确定所述目标企业用户的行业属性；
获取与所述目标企业用户的行业属性对应的每个所述不同类型的时间序列预测模型的权重值；
根据每个不同类型的时间序列预测模型的输出参数值和权重值，采用第一预设公式计算所述预测结果；所述第一预设公式为：
Figure BDA0002834674450000091
其中，Value表示所述预测结果，W表示每个不同类型的时间序列预测模型的权重值，T表示每个不同类型的时间序列预测模型的输出参数值，n表示所有时间序列预测模型的数量。
处理器1001调用存储器1005中存储的用电量预测程序时，还执行以下操作：
采用第二预设公式计算所述预测结果与所述验证数据集之间的平均误差；所述第二预设公式为：
Figure BDA0002834674450000092
其中，MAE表示平均误差，R表示所述验证数据集中的历史用电量数据，N表示所述子验证数据集的组数；
判断所述平均误差是否小于误差阈值；
若是，则将所述预测结果确定为所述目标企业用户的未来月度的用电量；
若否，则循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤，并判断循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤的循环次数是否大于所述子训练数据集的组数；
若是，则执行所述将所述预测结果确定为所述目标企业用户的未来月度的用电量的步骤；
若所述循环次数不大于所述子训练数据集的组数，则采用第三预设公式调整每个所述不同类型的时间序列预测模型的权重值，得到每个所述不同类型的时间序列预测模型的新权重值；其中，所述第三预设公式为：
Figure BDA0002834674450000101
根据每个所述不同类型的时间序列预测模型的新权重值，执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤。
本发明实施例提供了用电量预测方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，该用电量预测方法应用于用电量的预测。
如图2所示，在本申请的第一实施例中，本申请的用电量预测方法，包括以下步骤：
步骤S210：在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据。
在本实施例中，选取指定的同一区域，如A市，在预设时段内获取同一区域中同类型的所有企业用户各个月度的历史用电量数据。其中，月度指的是一个月；历史用电量数据是指所有企业用户各个月度的以往用电量数据，例如，目前日期是2019年11月6日，那么所有企业用户在2019年11月6日之前的用电量数据就是历史用电量数据。所述历史用电量数据包括同类型的每个企业用户的日用电量数据，且同类型的每个企业用户的日用电量数据关联有日天气数据和每个企业用户的行业属性。其中，每个企业用户每天的用电量数据就是日用电量数据，每个企业用户每天的用电量数据生成后，系统会记录每天的用电量数据所对应的天气信息，即日天气信息，同时系统还会获取每个企业用户的企业属性，然后系统将同一企业用户的企业属性和日天气信息同时与该企业用户的日用电量数据进行关联。当采用历史用电量数据对目标企业用户的未来月度的用电量进行预测时，可以直接通过历史用电量数据中的日用电量数据获取到目标企业用户的企业属性和该目标企业用户每个月度的月度天气信息。其中，企业属性是指企业用户的企业类型，如化工业、机械制造业、农业等等。日天气信息是指每天的气象信息，具体包括每天的实时温度、实时湿度、天气状况，如雨天、晴天、阴天、下雪天等。通过每个月的日天气信息可获取到同一企业用户的每个月度的月度天气信息，月度天气信息包括每个月的平均温度、平均湿度、最大温度、最小温度、最大湿度、最小湿度，晴天数量、阴天数量、雨天数量、下雪天数量等。
步骤S220：根据所述同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集。
在本实施例中，通过获得的所有历史用电量数据生成训练数据集和验证数据集。其中，训练数据集用于下述步骤中预设模型集的训练，验证数据集是对比数据，用于与预设模型集输出的预测结果进行比对。在预设时段中，训练数据集一般是前一时段对应的所有历史用电量数据，验证数据集般是后一时段对应的所有历史用电量数据。例如，自定义设定的预设时段为2019年1月-2019年12月，如果训练数据集是2019年1月-2019年6月对应的所有历史用电量数据，那么验证数据集般就是2019年7月-2019年12月对应的所有历史用电量数据。
步骤S230：采用所述训练数据集对预设模型集进行训练，得到集成预测模型。
在本实施例中，预设模型集是预先设定的学习算法模型集合，包括有一阶指数平滑算法模型、二阶指数平滑算法模型、HoltWinters算法模型、ARIMA(AutoregressiveIntegrated Moving Average model)算法模型、ARIMAX算法模型、LSTM(Long Short–TermMemory)算法模型等。其中，一阶指数平滑算法模型、二阶指数平滑算法模型、HoltWinters算法模型和ARIMA算法模型均是单因素算法模型，每个算法模型均可以采用历史用电量数据中同类型的每个企业用户的日用电量数据对目标企业用户的未来月度的用电量进行预测。ARIMAX算法模型和LSTM算法模型均是多因素算法模型，每个算法模型均可以结合历史用电量数据中同类型的每个企业用户的日用电量数据关联的日天气数据，以及采用历史用电量数据中同类型的每个企业用户的日用电量数据对目标企业用户的未来月度的用电量进行预测；ARIMAX算法模型和LSTM算法模型可以结合日天气数据获取月度的月度天气信息，从而获取影响历史用电量数据的外界因素。
具体的，采用训练数据集中的所有历史用电量数据分别对一阶指数平滑算法模型、二阶指数平滑算法模型、HoltWinters算法模型、ARIMA算法模型、ARIMAX算法模型和LSTM算法模型进行训练，分别得到一阶指数平滑算法模型对应的时间序列预测模型，记为第一时间序列预测模型、二阶指数平滑算法模型对应的时间序列预测模型，记为第二时间序列预测模型、HoltWinters算法模型对应的时间序列预测模型，记为第三时间序列预测模型、ARIMA算法模型对应的时间序列预测模型，记为第四时间序列预测模型、ARIMAX算法模型对应的时间序列预测模型，记为第五时间序列预测模型和LSTM算法模型对应的时间序列预测模型，记为第六时间序列预测模型。将第一时间序列预测模型至第六时间序列预测模型集中放置在同一集合中，就形成了集成预测模型，即所述集成预测模型包括多个不同类型的时间序列预测模型。
步骤S240：获取所述集成预测模型输出的预测结果。
在本实施例中，采用训练数据集对预设模型集进行训练，得到集成预测模型后，集成预测模型对训练数据集中的所有历史用电量数据进行处理，输出预测结果。
步骤S250：根据所述验证数据集和所述预测结果，对目标企业用户的未来月度的用电量进行预测。
在本实施例中，将预测结果和验证数据集中的所有历史用电量数据进行对比，如果对比结果满足预测条件，则将预测结果作为目标企业用户的未来月度的用电量。其中，预测条件包括预测结果与验证数据集中的所有历史用电量数据的平均误差小于预设值、在预测结果与验证数据集中的所有历史用电量数据的平均误差大于或者等于预设值情况下，循环执行步骤S230的循环次数大于循环次数阈值，以及在预测结果与验证数据集中的所有历史用电量数据的平均误差大于或者等于预设值情况下，循环执行步骤S230的循环次数不大于循环次数阈值时，经过对集成预测模型的权重值调整后，集成预测模型输出的新预测结果与验证数据集中所有历史用电量数据的平均误差小于预设值。
本实施例根据上述技术方案，由于采用了在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据，根据同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集，采用训练数据集对预设模型集进行训练，得到集成预测模型，获取集成预测模型输出的预测结果，根据验证数据集和预测结果，对目标企业用户的未来月度的用电量进行预测的技术手段。本发明建立的集成预测模型具有较强的泛化能力，实现了对各个时间序列预测模型权重的动态调整，能够准确的预测出企业用户的未来月度的企业用电量，为电网集中调控运营以及企业用户端的年度购电提供依据。
如图3所示，在本申请的第二实施例中，本申请的用电量预测方法，包括以下步骤：
步骤S211：设置所述预设时段，并获取所述同类型的所有企业用户的日用电量数据。
在本实施例中，在预设时段内获取同一区域中同类型的所有企业用户的日用电量数据。预设时段是指以月为单位的时间段，目标企业用户可根据实际的用电量预测需求进行预设时段的自定义设定。例如，自定义设定的预设时段为2019年1月-2019年12月，即预设时段的时段跨度是12个月。
步骤S212：对所述同类型的所有企业用户的日用电量数据进行聚合，得到所述同类型的每个企业用户各个月度的历史用电量数据。
在本实施例中，在预设时段内，获取到同一区域中同类型的所有企业用户的日用电量数据后，按照月为单位，对分散的所有企业用户的日用电量数据进行聚合处理，得到同一区域中同类型的每个企业用户各个月度的历史用电量数据，即聚合处理后的所有企业用户的日用电量数据按照月进行划分。例如，每个月度的历史用电量数据包括30个日用电量数据。
本实施例根据上述技术方案，由于采用了设置预设时段，并获取同类型的所有企业用户的日用电量数据，对同类型的所有企业用户的日用电量数据进行聚合，得到同类型的每个企业用户各个月度的历史用电量数据的技术手段，实现了对分散数据的有序梳理，方便后续的数据处理。
如图4所示，在本申请的第三实施例中，本申请的用电量预测方法，包括以下步骤：
步骤S221：对所述同类型的所有企业用户各个月度的历史用电量数据进行修正，得到样本数据。
在本实施例中，获取的所有历史用电量数据中可能存在异常日用电量数据，异常日用电量数据会影响后续预测目标企业用户的未来月度的用电量的准确性，则需要对同类型的所有企业用户各个月度的历史用电量数据中存在的异常日用电量数据进行修正，从而得到修正后的所有历史用电量数据，修正后的所有历史用电量数据即可作为样本数据进行后续目标企业用户的未来月度的用电量的预测。
进一步的，步骤S221包括检测同类型的所有企业用户各个月度的历史用电量数据中是否存在异常日用电量数据；若是，则对同类型的所有企业用户各个月度的历史用电量数据中存在的异常日用电量数据进行修正，得到样本数据。其中，异常日用电量数据包括与平均日用电量数据的差值大于或者等于第一预设阈值的日用电量数据，记为第一异常数据、与平均日用电量数据的差值小于或者等于第二预设阈值的日用电量数据，记为第二异常数据，缺失的日用电量数据，记为第三异常数据。具体的，按照月度的天数，根据时间先后顺序对所有企业用户各个月度的历史用电量数据中的日用电量数据进行逐一遍历，判断所有历史用电量数据中是否存在第一异常数据、第二异常数据和第三异常数据中的至少一种异常数据。若存在，则对异常日用电量数据进行修正。对异常日用电量数据进行修正的方式包括多种方式，例如：采用所有日用电量数据的平均日用电量数据替换第一异常数据和第二异常数据，以及填补第三异常数据；或者采用与第一异常数据相邻的至少2个日用电量数据的平均值替换第一异常数据，采用与第二异常数据相邻的至少2个日用电量数据的平均值替换第二异常数据，采用与第三异常数据相邻的至少2个日用电量数据的平均值填补第三异常数据。对异常日用电量数据进行修正完成后，将修正后的异常日用电量数据和所有企业用户各个月度的历史用电量数据中的正常日用电量数据共同作为样本数据。
步骤S222：根据预设拆分跨度和预设拆分长度对所述样本数据拆分，得到多组子训练数据集和多组子验证数据集。
在本实施例中，预设拆分跨度也是步骤S211中所述的预设时段的时段跨度，预设拆分长度是样本数据被拆分形成的每个数据集的区间长度。将样本数据拆分后，生成多组子训练数据集和多组子验证数据集，子训练数据集的组数和子验证数据集的组数相同。其中，每组子训练数据集表示为
Figure BDA0002834674450000151
每组子验证数据集表示为
Figure BDA0002834674450000152
t表示预设拆分跨度，c表示预设拆分长度，n表示子训练数据集或子验证数据集的组数。
步骤S223：将多组所述子训练数据集和多组所述子验证数据集分别进行整理，得到所述训练数据集和所述验证数据集。
在本实施例中，得到多组子训练数据集和多组子验证数据集后，将多组子训练数据集进行集中放置，即可得到训练数据集；将多组子验证数据集进行集中放置，即可得到验证数据集。
本实施例根据上述技术方案，由于采用了对同类型的所有企业用户各个月度的历史用电量数据进行修正，得到样本数据，根据预设拆分跨度和预设拆分长度对样本数据拆分，得到多组子训练数据集和多组子验证数据集，将多组子训练数据集和多组子验证数据集分别进行整理，得到训练数据集和验证数据集的技术手段，提高了训练数据集和验证数据集中历史用电量数据的准确性。
如图5所示，在本申请的第四实施例中，本申请的用电量预测方法，包括以下步骤：
步骤S241：根据所述历史用电量数据，确定所述目标企业用户的行业属性。
在本实施例中，根据历史用电量数据，获取与历史用电量数据中的日用电量数据关联的企业属性，根据获取的企业属性可确定出目标企业用户的企业属性。
步骤S242：获取与所述目标企业用户的行业属性对应的每个所述不同类型的时间序列预测模型的权重值。
在本实施例中，不同的行业属性分别与第一时间序列预测模型至第六时间序列预测模型的权重值具有对应关系，不同行业属性的企业用户所对应的第一时间序列预测模型至第六时间序列预测模型的权重值不相同。例如，行业属性为农业的企业用户所对应的第一时间序列预测模型至第六时间序列预测模型的权重值为0.2，行业属性为化工业的企业用户所对应的第一时间序列预测模型至第六时间序列预测模型的权重值为0.1。具体的，通过目标企业用户的行业属性，可获取到该目标企业用户对应的第一时间序列预测模型至第六时间序列预测模型的权重值。
步骤S243：根据每个不同类型的时间序列预测模型的输出参数值和权重值，采用第一预设公式计算所述预测结果。
在本实施例中，采用训练数据集中的所有历史用电量数据分别对一阶指数平滑算法模型、二阶指数平滑算法模型、HoltWinters算法模型、ARIMA算法模型、ARIMAX算法模型和LSTM算法模型进行训练后，得到第一时间序列预测模型至第六时间序列预测模型。获取第一时间序列预测模型至第六时间序列预测模型中每个时间序列预测模型的输出参数值，根据每个时间序列预测模型的输出参数值和每个时间序列预测模型的权重值，采用第一预设公式对每个时间序列预测模型的输出参数值与每个时间序列预测模型的权重值的乘积进行求和运算，将最终的运算和作为集成预测模型输出的预测结果。具体的，第一预设公式为：
Figure BDA0002834674450000171
其中，Value表示预测结果，W表示每个不同类型的时间序列预测模型的权重值，T表示每个不同类型的时间序列预测模型的输出参数值，n表示所有时间序列预测模型的数量。
如图6所示，在本申请的第五实施例中，本申请的用电量预测方法，包括以下步骤：
步骤S251：采用第二预设公式计算所述预测结果与所述验证数据集之间的平均误差。
在本实施例中，第二预设公式为：
Figure BDA0002834674450000172
其中，MAE表示平均误差，R表示所述验证数据集中的历史用电量数据，N表示所述子验证数据集的组数。具体的，采用第二预设公式计算集成预测模型输出的预测结果与验证数据集中所有子验证数据集的平均误差。
步骤S252：判断所述平均误差是否小于误差阈值。
在本实施例中，将平均误差与误差阈值进行比较，判断平均误差是否小于误差阈值；其中，误差阈值可自定义设置。
步骤S253：若是，则将所述预测结果确定为所述目标企业用户的未来月度的用电量。
在本实施例中，如果平均误差小于误差阈值，则将集成预测模型输出的预测结果确定为目标企业用户的未来月度的用电量，即完成目标企业用户的未来月度的用电量预测。
步骤S254：若否，则循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤，并判断循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤的循环次数是否大于所述子训练数据集的组数。
在本实施例中，如果平均误差大于或者等于误差阈值，则循环执行步骤S230以及步骤S230的后续步骤，如果多次循环后，得到的新平均误差仍大于或者等于误差阈值，则获取循环执行步骤S230以及步骤S230的后续步骤的循环次数，并判断循环次数是否大于循环次数阈值。其中，循环次数阈值等于子训练数据集的组数。如果循环次数大于循环次数阈值，则停止循环，并执行步骤S251中将所述预测结果确定为所述目标企业用户的未来月度的用电量的步骤，从而将集成预测模型输出的预测结果确定为目标企业用户的未来月度的用电量，即完成目标企业用户的未来月度的用电量预测。
步骤S255：若所述循环次数不大于所述子训练数据集的组数，则采用第三预设公式调整每个所述不同类型的时间序列预测模型的权重值，得到每个所述不同类型的时间序列预测模型的新权重值。
在本实施例中，若循环次数小于或者等于循环次数阈值，则对第一时间序列预测模型至第六时间序列预测模型中每个时间序列预测模型的权重值进行调整，具体采用第三预设公式对每个时间序列预测模型的权重值进行调整，得到每个时间序列预测模型的新权重值。其中，第三预设公式为：
Figure BDA0002834674450000181
Wi+1表示每个时间序列预测模型的新权重值。
步骤S256：根据每个所述不同类型的时间序列预测模型的新权重值，执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤。
在本实施例中，根据得到每个时间序列预测模型的新权重值，执行步骤S230至步骤S250，即对集成预测模型进行迭代训练，直至经过迭代训练后的集成预测模型输出的新预测结果满足预测条件，从而将新预测结果确定为目标企业用户的未来月度的用电量，即完成目标企业用户的未来月度的用电量预测。
本实施例根据上述技术方案，由于采用了采用第二预设公式计算预测结果与验证数据集之间的平均误差，判断平均误差是否小于误差阈值，若是，则将预测结果确定为目标企业用户的未来月度的用电量，若否，则循环执行采用训练数据集对预设模型集进行训练，得到集成预测模型的步骤，并判断循环执行采用训练数据集对预设模型集进行训练，得到集成预测模型的步骤的循环次数是否大于子训练数据集的组数或子验证数据集的组数，若是，则执行将预测结果确定为目标企业用户的未来月度的用电量的步骤若循环次数不大于子训练数据集的组数或子验证数据集的组数，则采用第三预设公式调整每个不同类型的时间序列预测模型的权重值，得到每个不同类型的时间序列预测模型的新权重值根据每个不同类型的时间序列预测模型的新权重值，执行采用训练数据集对预设模型集进行训练，得到集成预测模型的步骤的技术手段，减小了预测误差，提高了目标企业用户的未来月度的用电量的准确度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
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。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
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)

1.一种用电量预测方法，其特征在于，所述用电量预测方法，包括：
在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据；
根据所述同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集；
采用所述训练数据集对预设模型集进行训练，得到集成预测模型；所述集成预测模型包括多个不同类型的时间序列预测模型；
获取所述集成预测模型输出的预测结果；
根据所述验证数据集和所述预测结果，对目标企业用户的未来月度的用电量进行预测。
2.如权利要求1所述的方法，其特征在于，所述历史用电量数据包括同类型的每个企业用户的日用电量数据，且同类型的每个企业用户的日用电量数据关联有日天气数据和每个企业用户的行业属性。
3.如权利要求2所述的方法，其特征在于，所述在预设时段内获取同类型的所有企业用户各个月度的历史用电量数据，包括：
设置所述预设时段，并获取所述同类型的所有企业用户的日用电量数据；
对所述同类型的所有企业用户的日用电量数据进行聚合，得到所述同类型的每个企业用户各个月度的历史用电量数据。
4.如权利要求2所述的方法，其特征在于，所述根据所述同类型的所有企业用户各个月度的历史用电量数据，生成训练数据集和验证数据集，包括：
对所述同类型的所有企业用户各个月度的历史用电量数据进行修正，得到样本数据；
根据预设拆分跨度和预设拆分长度对所述样本数据拆分，得到多组子训练数据集和多组子验证数据集；
将多组所述子训练数据集和多组所述子验证数据集分别进行整理，得到所述训练数据集和所述验证数据集；
其中，所述子训练数据集的组数和所述子验证数据集的组数相同。
5.如权利要求4所述的方法，其特征在于，所述对所述同类型的所有企业用户各个月度的历史用电量数据进行修正，得到样本数据，包括：
检测所述同类型的所有企业用户各个月度的历史用电量数据中是否存在异常日用电量数据；
若是，则对所述同类型的所有企业用户各个月度的历史用电量数据中存在的异常日用电量数据进行修正，得到所述样本数据；
其中，所述异常日用电量数据包括与平均日用电量数据的差值大于或者等于第一预设阈值的日用电量数据、与平均日用电量数据的差值小于或者等于第二预设阈值的日用电量数据以及缺失的日用电量数据。
6.如权利要求4所述的方法，其特征在于，所述获取所述集成预测模型输出的预测结果，包括：
根据所述历史用电量数据，确定所述目标企业用户的行业属性；
获取与所述目标企业用户的行业属性对应的每个所述不同类型的时间序列预测模型的权重值；
根据每个不同类型的时间序列预测模型的输出参数值和权重值，采用第一预设公式计算所述预测结果；所述第一预设公式为：
Figure FDA0002834674440000021
其中，Value表示所述预测结果，W表示每个不同类型的时间序列预测模型的权重值，T表示每个不同类型的时间序列预测模型的输出参数值，n表示所有时间序列预测模型的数量。
7.如权利要求6所述的方法，其特征在于，所述根据所述验证数据集和所述预测结果，对目标企业用户的未来月度的用电量进行预测，包括：
采用第二预设公式计算所述预测结果与所述验证数据集之间的平均误差；所述第二预设公式为：
Figure FDA0002834674440000031
其中，MAE表示平均误差，R表示所述验证数据集中的历史用电量数据，N表示所述子验证数据集的组数；
判断所述平均误差是否小于误差阈值；
若是，则将所述预测结果确定为所述目标企业用户的未来月度的用电量；
若否，则循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤，并判断循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤的循环次数是否大于所述子训练数据集的组数；
若是，则执行所述将所述预测结果确定为所述目标企业用户的未来月度的用电量的步骤。
8.如权利要求7所述的方法，其特征在于，所述判断循环执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤的循环次数是否大于所述训练数据集或所述验证数据集的组数之后，还包括：
若所述循环次数不大于所述子训练数据集的组数，则采用第三预设公式调整每个所述不同类型的时间序列预测模型的权重值，得到每个所述不同类型的时间序列预测模型的新权重值；其中，所述第三预设公式为：
Figure FDA0002834674440000032
根据每个所述不同类型的时间序列预测模型的新权重值，执行所述采用所述训练数据集对预设模型集进行训练，得到集成预测模型的步骤。
9.一种用电量预测设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用电量预测程序，所述用电量预测程序被所述处理器执行时实现如权利要求1-8中任一项所述的用电量预测方法的步骤。
10.一种存储介质，其特征在于，其上存储有用电量预测程序，所述用电量预测程序被处理器执行时实现权利要求1-8中任一项所述的用电量预测方法的步骤。
CN202011472138.3A 2020-12-14 2020-12-14 用电量预测方法、设备及存储介质 Active CN112529301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011472138.3A CN112529301B (zh) 2020-12-14 2020-12-14 用电量预测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011472138.3A CN112529301B (zh) 2020-12-14 2020-12-14 用电量预测方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112529301A true CN112529301A (zh) 2021-03-19
CN112529301B CN112529301B (zh) 2023-11-14

Family

ID=74999808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011472138.3A Active CN112529301B (zh) 2020-12-14 2020-12-14 用电量预测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112529301B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052385A (zh) * 2021-03-29 2021-06-29 国网河北省电力有限公司经济技术研究院 钢铁行业用电量的预测方法、装置、设备和存储介质
CN113516521A (zh) * 2021-07-30 2021-10-19 中国电力科学研究院有限公司 能源互联网用户用能数据预测方法及系统
CN114118617A (zh) * 2021-12-06 2022-03-01 南方电网数字电网研究院有限公司 用电量预估方法、装置、计算机设备和存储介质
CN114202188A (zh) * 2021-12-07 2022-03-18 华南理工大学 一种用于用户侧电能需求预测及分配的信息管理系统
CN114330821A (zh) * 2021-11-22 2022-04-12 科华数据股份有限公司 用电量预测方法、装置和设备
CN114638425A (zh) * 2022-03-24 2022-06-17 国网江苏省电力有限公司南通供电分公司 一种基于历史数据的大用户月度用电量预测方法及系统
CN115374404A (zh) * 2022-10-20 2022-11-22 国网(宁波)综合能源服务有限公司 基于多维数据对行业月度电能占比偏差的修正方法
CN115660208A (zh) * 2022-11-10 2023-01-31 国网冀北电力有限公司计量中心 一种考虑消纳责任权重的电网企业月度购电优化方法
CN116701888A (zh) * 2023-08-09 2023-09-05 国网浙江省电力有限公司丽水供电公司 清洁能源企业的辅助模型数据处理方法及系统
WO2023228767A1 (ja) * 2022-05-27 2023-11-30 株式会社荏原製作所 機械学習方法及び機械学習装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809525A (zh) * 2015-05-08 2015-07-29 广东电网有限责任公司阳江供电局 一种用电负荷的预测方法和装置
KR20170106686A (ko) * 2016-03-14 2017-09-22 삼성에스디에스 주식회사 가정의 에너지 사용량 예측 방법 및 장치
WO2017219548A1 (zh) * 2016-06-20 2017-12-28 乐视控股（北京）有限公司 用户属性预测方法及装置
CN109118027A (zh) * 2018-09-30 2019-01-01 广东小天才科技有限公司 电量预测模型训练方法、电量预测方法、智能设备及系统
CN110245798A (zh) * 2019-06-18 2019-09-17 天津安捷物联科技股份有限公司 一种写字楼电力系统月度用电量预测方法及系统
CN111582548A (zh) * 2020-04-14 2020-08-25 广东卓维网络有限公司 一种基于多元用户行为画像的用电负荷预测方法
CN111815060A (zh) * 2020-07-16 2020-10-23 广东电网有限责任公司 一种用电地区短期负荷预测方法及装置
CN112036737A (zh) * 2020-08-28 2020-12-04 京东方科技集团股份有限公司 区域电量偏差的计算方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809525A (zh) * 2015-05-08 2015-07-29 广东电网有限责任公司阳江供电局 一种用电负荷的预测方法和装置
KR20170106686A (ko) * 2016-03-14 2017-09-22 삼성에스디에스 주식회사 가정의 에너지 사용량 예측 방법 및 장치
WO2017219548A1 (zh) * 2016-06-20 2017-12-28 乐视控股（北京）有限公司 用户属性预测方法及装置
CN109118027A (zh) * 2018-09-30 2019-01-01 广东小天才科技有限公司 电量预测模型训练方法、电量预测方法、智能设备及系统
CN110245798A (zh) * 2019-06-18 2019-09-17 天津安捷物联科技股份有限公司 一种写字楼电力系统月度用电量预测方法及系统
CN111582548A (zh) * 2020-04-14 2020-08-25 广东卓维网络有限公司 一种基于多元用户行为画像的用电负荷预测方法
CN111815060A (zh) * 2020-07-16 2020-10-23 广东电网有限责任公司 一种用电地区短期负荷预测方法及装置
CN112036737A (zh) * 2020-08-28 2020-12-04 京东方科技集团股份有限公司 区域电量偏差的计算方法及装置

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113052385A (zh) * 2021-03-29 2021-06-29 国网河北省电力有限公司经济技术研究院 钢铁行业用电量的预测方法、装置、设备和存储介质
CN113516521A (zh) * 2021-07-30 2021-10-19 中国电力科学研究院有限公司 能源互联网用户用能数据预测方法及系统
CN113516521B (zh) * 2021-07-30 2024-08-13 中国电力科学研究院有限公司 能源互联网用户用能数据预测方法及系统
CN114330821A (zh) * 2021-11-22 2022-04-12 科华数据股份有限公司 用电量预测方法、装置和设备
CN114118617A (zh) * 2021-12-06 2022-03-01 南方电网数字电网研究院有限公司 用电量预估方法、装置、计算机设备和存储介质
CN114202188A (zh) * 2021-12-07 2022-03-18 华南理工大学 一种用于用户侧电能需求预测及分配的信息管理系统
CN114638425A (zh) * 2022-03-24 2022-06-17 国网江苏省电力有限公司南通供电分公司 一种基于历史数据的大用户月度用电量预测方法及系统
WO2023228767A1 (ja) * 2022-05-27 2023-11-30 株式会社荏原製作所 機械学習方法及び機械学習装置
CN115374404A (zh) * 2022-10-20 2022-11-22 国网(宁波)综合能源服务有限公司 基于多维数据对行业月度电能占比偏差的修正方法
CN115660208B (zh) * 2022-11-10 2024-06-07 国网冀北电力有限公司计量中心 一种考虑消纳责任权重的电网企业月度购电优化方法
CN115660208A (zh) * 2022-11-10 2023-01-31 国网冀北电力有限公司计量中心 一种考虑消纳责任权重的电网企业月度购电优化方法
CN116701888B (zh) * 2023-08-09 2023-10-17 国网浙江省电力有限公司丽水供电公司 清洁能源企业的辅助模型数据处理方法及系统
CN116701888A (zh) * 2023-08-09 2023-09-05 国网浙江省电力有限公司丽水供电公司 清洁能源企业的辅助模型数据处理方法及系统

Also Published As

Publication number Publication date
CN112529301B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN112529301B (zh) 用电量预测方法、设备及存储介质
CN109242135B (zh) 一种模型运营方法、装置、及业务服务器
CN113239314A (zh) 用于碳排放量预测的方法、装置、终端及计算机可读存储介质
CN111144950B (zh) 模型筛选方法、装置、电子设备及存储介质
CN113222403B (zh) 基于大数据的电力调节方法、装置、存储介质及电子设备
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN107730097B (zh) 一种母线负荷预测方法、装置及计算设备
CN112418921A (zh) 用电需量预测方法、装置、系统与计算机存储介质
CN113743673A (zh) 一种台风期间的电力负荷预测方法
CN117711295A (zh) 基于人工智能的显示模组控制方法、装置、芯片及介质
CN115470862A (zh) 动态自适应负荷预测模型组合方法
CN111191113A (zh) 一种基于边缘计算环境的数据资源需求预测和调整方法
CN112398670A (zh) 流量预测方法、装置、计算设备及计算机存储介质
CN110826196B (zh) 一种工业设备运行数据的处理方法及装置
CN110135592B (zh) 分类效果确定方法、装置、智能终端及存储介质
CN116049733A (zh) 基于神经网络的效能评估方法、系统、设备与存储介质
CN115169692A (zh) 一种时间序列预测方法及相关装置
US20220114472A1 (en) Systems and methods for generating machine learning-driven telecast forecasts
CN114187552A (zh) 一种机房动力环境监控方法及系统
CN113361811A (zh) 运行状态预测方法、系统、设备及计算机可读存储介质
CN113570129A (zh) 带钢酸洗浓度的预测方法及计算机可读存储介质
CN113515577A (zh) 数据预处理方法及装置
CN111062468A (zh) 生成网络的训练方法和系统、以及图像生成方法及设备
CN109543880A (zh) 基于前景理论的电子商务发展水平优化方法和装置
CN110942195A (zh) 一种用电负荷预测方法及装置

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
GR01 Patent grant
GR01 Patent grant