CN112614004A - 用电信息的处理方法及装置 - Google Patents
用电信息的处理方法及装置 Download PDFInfo
- Publication number
- CN112614004A CN112614004A CN202011376668.8A CN202011376668A CN112614004A CN 112614004 A CN112614004 A CN 112614004A CN 202011376668 A CN202011376668 A CN 202011376668A CN 112614004 A CN112614004 A CN 112614004A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- electricity
- sample
- power
- data
- 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 39
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 230000005611 electricity Effects 0.000 claims abstract description 132
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000000611 regression analysis Methods 0.000 claims abstract description 15
- 230000001932 seasonal effect Effects 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000013139 quantization Methods 0.000 claims description 14
- 238000005065 mining Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000003064 k means clustering Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012549 training Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
Abstract
本申请公开了一种用电信息的处理方法及装置。其中,该方法包括获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。本申请解决了由于相关技术中采用K‑Means聚类算法对历史负荷数据进行分析造成的分析得到的用户用电量准确性差、与实际用电情况存在较大误差的技术问题。
Description
技术领域
本申请涉及电力领域,具体而言,涉及一种用电信息的处理方法及装置。
背景技术
随着我国经济的快速发展以及电力体制改革的不断深入,电力能源已经成为我国居民用能的重要组成部分,其用电水平是衡量居民生活现代化水平、社会发展水平的重要标准,而影响居民用电水平的因素较多,其中包含价格因素、气候因素、收入因素等。做好居民用能规律挖掘分析可以帮助政府部门制定有效的电力政策、电力规划,减少日益增长的环境压力,也有利于电力企业合理的安排电力生产和经营计划,提高人民的生活水平。
相关技术中的用能规律(用电规律)是对用户的用电设备进行分类认知,利用K-Means聚类算法对用户的历史负荷数据进行聚类,实现对不同用户用电行为辨识,从而获取用户的用能规律。这种方法无法准确获取用户详细的用能规律,因此,采用这种方法的科学合理性较差,易造成分析结果泛化性差,不具备说服力和推广性,导致预测未来居民用电水平准确性和科学性均可能存在较大误差。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种用电信息的处理方法及装置,以至少解决由于相关技术中采用K-Means聚类算法对历史负荷数据进行分析造成的分析得到的用户用电量准确性差、与实际用电情况存在较大误差的技术问题。
根据本申请实施例的一个方面,提供了一种用电信息的处理方法,包括:获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。
可选地,用电量样本包括:预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量,影响因素数据包括:预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温,以及计算得到的用电量与各变量之间的相关系数。
可选地,在获取用电终端的样本用电信息之后,对用电量样本进行预处理,该步骤包括:将用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联,生成由用电量表,其中,用电量表包括如下字段:用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。
可选地,在获取用电终端的样本用电信息之后,方法还包括:从用电量表中筛选出待分析的字段,并对筛选出来的字段对应的数据进行去重处理,其中,在待分析的字段为用电量的情况下,如果预定周期内采集到的多次用电量数据,选取用电量数据平均值进行记录。
可选地,如果当前用电周期内的用电量数据为空,则采用上一个用电周期内的用电量替换当前用电周期内的用电量数据,其中,如用电量为空的用电周期的数量超过预定阈值,则停止统计下一个用电周期内的用电量。
可选地,影响因素数据用于表征回归挖掘的关键影响因素变量,其中,在获取用电终端的样本用电信息之后,方法还包括:对影响因素数据进行预处理,该步骤包括:按照相关系数的计算公式,计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。
可选地,对影响因素数据的变量数据进行归一化处理,将影响因素数据简化到预定数据区间内,使有纲量化转化为无纲量化。
可选地,BP神经网络回归模型采用有监督学习方式进行训练,并将学习模式输入至神经网络,神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应。
根据本申请实施例的另一方面,还提供了一种用电信息的处理装置,包括:获取模块,用于获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;回归分析模块,用于采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。
可选地,用电量样本包括:预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量,影响因素数据包括:预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温,以及计算得到的用电量与各变量之间的相关系数。
可选地,装置还包括:第一预处理模块,用于对用电量样本进行预处理,该第一预处理模块包括:第一子处理模块,用于将用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联,生成由用电量表,其中,用电量表包括如下字段:用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。
可选地,影响因素数据用于表征回归挖掘的关键影响因素变量,其中,装置还包括:第二预处理模块,用于对影响因素数据进行预处理,该第二预处理模块包括:第二子处理模块,用于按照相关系数的计算公式,计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。
可选地,装置还包括:归一化处理模块,用于对影响因素数据的变量数据进行归一化处理,将影响因素数数据简化到预定数据区间内,使有纲量化转化为无纲量化。
可选地,装置还包括:生成模块,用于生成BP神经网络回归模型,其中,BP神经网络回归模型采用有监督学习方式进行训练,并将学习模式输入至神经网络,神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种用电信息的处理方法。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种用电信息的处理方法。
在本申请实施例中,采用BP神经网络回归模型对用电信息进行分析的方式,通过获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,达到了基于BP神经网络回归模型对用电信息进行分析,并根据分析结果预测用户住宅在预定时间内的用电量的技术效果,进而解决了由于相关技术中采用K-Means聚类算法对历史负荷数据进行分析造成的分析得到的用户用电量准确性差、与实际用电情况存在较大误差的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种可选的用电信息的处理方法的流程示意图;
图2是根据本申请实施例的一种可选的用电信息的处理装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种用电信息的处理方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,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。
图1是根据本申请实施例的用电信息的处理方法,如图1所示,该方法包括如下步骤:
步骤S102,获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;
步骤S104,采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。
该用电信息的处理方法中,首先,可获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据然后采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量,达到了基于BP神经网络回归模型对用电信息进行分析,并根据分析结果预测用户住宅在预定时间内的用电量的技术效果,进而解决了由于相关技术中采用K-Means聚类算法对历史负荷数据进行分析造成的分析得到的用户用电量准确性差、与实际用电情况存在较大误差的技术问题。
本申请一些实施例中,用电量样本包括但不限于:预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量,影响因素数据包括但不限于:预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温,以及计算得到的用电量与各变量之间的相关系数。
具体地,根据用电客户档案表、用户用电量表、计量点等数据,计算出居民住宅季度用电量。获取常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温等网络数据,并计算居民(用户)住宅用电量与各变量之间的相关系数。相关系数的计算公式如下:
式中rxy表示相关系数,y表示居民住宅用电量,x表示人均可支出收入、实际电价、每日气温等变量。r绝对值的大小表示x与y之间相关关系的紧密程度,需要说明的是:|r|<0.3时,x与y之间没有关系;0.3≤|r|<0.5时,x与y之间低度相关;0.5≤|r|<0.8时,x与y之间显著相关;|r|≥0.8时,x与y之间高度相关。
本申请一些实施例中,在获取用电终端的样本用电信息之后,对用电量样本进行预处理,具体地,可以通过如下方式进行预处理:将用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联,生成由用电量表,其中,用电量表包括如下字段:用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。
本申请一些可选的实施例中,在获取用电终端的样本用电信息之后,可从用电量表中筛选出待分析的字段,并对筛选出来的字段对应的数据进行去重处理,需要说明的是,在待分析的字段为用电量的情况下,如果预定周期内采集到的多次用电量数据,选取用电量数据平均值进行记录。
本申请一些可选的实施中,如果当前用电周期内的用电量数据为空,则采用上一个用电周期内的用电量替换当前用电周期内的用电量数据,其中,如用电量为空的用电周期的数量超过预定阈值,则停止统计下一个用电周期内的用电量。
具体地:1)用电客户档案表、用户用电量表、计量点表等三个表通过数据的关键字段进行数据关联,最终得到含有用户编号、用电类别编码、所属供电公司编码、用户用电量、综合倍率、抄表时间等字段的用电量表;
2)筛选出所需字段,并对居民住宅用户的用电量进行去重处理,针对用户一个电表一月采集多次用电量的情况,选取用电量数据平均值记录;
3)如果居民住宅用户当月用电量数据为空,则用前一月电量填补当月电量。如果一年居民住宅用户月用电量为空的数据大于10,则删除该用户;
4)根据处理后的月用电量,计算出居民住户季度用电量数据。
本申请一些实施例中,影响因素数据用于表征回归挖掘的关键影响因素变量,其中,在获取用电终端的样本用电信息之后,可以通过如下步骤获取各个变量与居民住户季度用电量数据之间的相关系数,具体地:对影响因素数据进行预处理,该步骤包括:按照相关系数的计算公式,计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。具体地,按照相关系数的计算公式,计算常住人口数、人均可支出收入、实际电价、季度平均气温等因素数据与居民住户季度用电量数据之间的相关系数,得出常住人口、人均可支出收入、可替代能源价格三个因素与居民住宅用电量呈显著相关,实际电价和居民住宅用电量呈负相关、季度平均气温和居民住宅用电量呈低度相关。可基于相关性分析的结果,选择常住人口、人均可支出收入、实际电价、可替代能源价格这四个变量作为回归挖掘的关键影响因素变量。
本申请一些实施例中,可对影响因素数据的变量数据进行归一化处理,将影响因素数据简化到预定数据区间内,使有纲量化转化为无纲量化。可以理解的,由于四个因素变量数量级各不相同,所以对常住人口、人均可支出收入、实际电价、可替代能源价格四个变量数据进行归一化处理,可将数据简化到[-1,1]区间内,使有纲量化转化为无纲量化。
需要说明的是,BP神经网络回归模型采用有监督学习方式进行训练,并将学习模式输入至神经网络,神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应。
本申请一种可选的实施例中,上述回归模型可以为:
y=243.819+0.006x1+57.482x2-49.923x3+0.026x4;
其中y为居民住宅用电量,x1为常住人口数量,x2为可替代能源价格,x3为实际电价,x4为人均可支出收入。
需要说明的是,BP(Back Propagation)网络是一种具有三层或三层以上的多层神经网络,每一层都由若干个神经元组成。它的左、右各层之间各个神经元实现全连接,即左层的每一个神经元与右层的每个神经元都有连接,而上下各神经元之间无连接。BP神经网络按有监督学习方式进行训练,当一对学习模式提供给网络后,其神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应。然后按减少希望输出与实际输出误差的原则,从输出层经各隐含层、最后回到输人层逐层修正各连接权。由于这种修正过程是从输出到输入逐层进行的,所以称它为“误差逆传播算法”,随着这种误差逆传播训练的不断进行,网络对输入模式响应的正确率也将不断提高。
图2是根据本申请实施例的一种用电信息的处理装置,如图2所示,该装置包括:
获取模块40,用于获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;
回归分析模块42,用于采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。
该用电信息的处理装置中,获取模块40,用于获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;回归分析模块42,用于采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量,达到了基于BP神经网络回归模型对用电信息进行分析,并根据分析结果预测用户住宅在预定时间内的用电量的技术效果,进而解决了由于相关技术中采用K-Means聚类算法对历史负荷数据进行分析造成的分析得到的用户用电量准确性差、与实际用电情况存在较大误差的技术问题。
本申请一些实施例中,用电量样本包括但不限于:预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量,影响因素数据包括但不限于:预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温,以及计算得到的用电量与各变量之间的相关系数。
本申请一些可选的实施例中,该装置还包括:第一预处理模块,用于对用电量样本进行预处理,该第一预处理模块包括:第一子处理模块,用于将用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联,生成由用电量表,其中,用电量表包括如下字段:用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。
需要说明的是,影响因素数据用于表征回归挖掘的关键影响因素变量,其中,该装置还包括:第二预处理模块,用于对影响因素数据进行预处理,该第二预处理模块包括:第二子处理模块,用于按照相关系数的计算公式,计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。
本申请一些实施例中,该装置还包括:归一化处理模块,用于对影响因素数据的变量数据进行归一化处理,将影响因素数数据简化到预定数据区间内,使有纲量化转化为无纲量化。
本申请一些实施例中,装置还包括:生成模块,用于生成BP神经网络回归模型,需要说明的是,BP神经网络回归模型采用有监督学习方式进行训练,并将学习模式输入至神经网络,神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播,在输出层的各神经元输出对应于输入模式的网络响应。
根据本申请实施例的另一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行任意一种用电信息的处理方法。
具体地,上述存储介质用于存储执行以下功能的程序指令,实现以下功能:获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行任意一种用电信息的处理方法。
具体地,上述处理器用于调用存储器中的程序指令,实现以下功能:获取用电终端的样本用电信息,其中,样本用电信息包括:用电量样本,以及与用电量样本关联的影响因素数据;采用BP神经网络回归模型对样本用电信息进行回归分析,得到回归模型,其中,回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (16)
1.一种用电信息的处理方法,其特征在于,包括:
获取用电终端的样本用电信息,其中,所述样本用电信息包括:用电量样本,以及与所述用电量样本关联的影响因素数据;
采用BP神经网络回归模型对所述样本用电信息进行回归分析,得到回归模型,其中,所述回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。
2.根据权利要求1所述的方法,其特征在于,所述用电量样本包括:预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量,所述影响因素数据包括:所述预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温,以及计算得到的所述用电量与各变量之间的相关系数。
3.根据权利要求2所述的方法,其特征在于,在获取用电终端的样本用电信息之后,对所述用电量样本进行预处理,该步骤包括:
将所述用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联,生成由用电量表,其中,所述用电量表包括如下字段:用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。
4.根据权利要求3所述的方法,其特征在于,在获取用电终端的样本用电信息之后,所述方法还包括:
从所述用电量表中筛选出待分析的字段,并对筛选出来的字段对应的数据进行去重处理,其中,在所述待分析的字段为用电量的情况下,如果预定周期内采集到的多次用电量数据,选取所述用电量数据平均值进行记录。
5.根据权利要求4所述的方法,其特征在于,如果当前用电周期内的用电量数据为空,则采用上一个用电周期内的用电量替换所述当前用电周期内的用电量数据,其中,如用电量为空的用电周期的数量超过预定阈值,则停止统计下一个用电周期内的用电量。
6.根据权利要求2所述的方法,其特征在于,所述影响因素数据用于表征回归挖掘的关键影响因素变量,其中,在获取用电终端的样本用电信息之后,所述方法还包括:对所述影响因素数据进行预处理,该步骤包括:按照相关系数的计算公式,计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。
7.根据权利要求6所述的方法,其特征在于,对所述影响因素数据的变量数据进行归一化处理,将所述影响因素数据简化到预定数据区间内,使有纲量化转化为无纲量化。
8.根据权利要求1所述的方法,其特征在于,所述BP神经网络回归模型采用有监督学习方式进行训练,并将学习模式输入至神经网络,所述神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播,在所述输出层的各神经元输出对应于输入模式的网络响应。
9.一种用电信息的处理装置,其特征在于,包括:
获取模块,用于获取用电终端的样本用电信息,其中,所述样本用电信息包括:用电量样本,以及与所述用电量样本关联的影响因素数据;
回归分析模块,用于采用BP神经网络回归模型对所述样本用电信息进行回归分析,得到回归模型,其中,所述回归模型表征用电规律,用于预测用户住宅在预定时间内的用电量。
10.根据权利要求9所述的装置,其特征在于,所述用电量样本包括:预定区域内的用电客户档案表、用户用电量表、计量点、预定时间段内的用电量,所述影响因素数据包括:所述预定区域内的常住人口数、人均可支出收入、可替代能源价格、实际电价、季度平均气温,以及计算得到的所述用电量与各变量之间的相关系数。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:第一预处理模块,用于对所述用电量样本进行预处理,该第一预处理模块包括:
第一子处理模块,用于将所述用电客户档案表、用户用电量表、计量点表通过关键字段进行数据关联,生成由用电量表,其中,所述用电量表包括如下字段:用户编号、用电类别编码、所属供电公司编码、用电量、综合倍率和抄表时间。
12.根据权利要求10所述的装置,其特征在于,所述影响因素数据用于表征回归挖掘的关键影响因素变量,其中,所述装置还包括:第二预处理模块,用于对所述影响因素数据进行预处理,该第二预处理模块包括:
第二子处理模块,用于按照相关系数的计算公式,计算常住人口数、人均可支出收入、实际电价、季度平均气温与居民住户季度用电量数据之间的相关系数。
13.根据权利要求12所述的装置,其特征在于,所述装置还包括:归一化处理模块,用于对所述影响因素数据的变量数据进行归一化处理,将所述影响因素数数据简化到预定数据区间内,使有纲量化转化为无纲量化。
14.根据权利要求9所述的装置,其特征在于,所述装置还包括:生成模块,用于生成所述BP神经网络回归模型,其中,所述BP神经网络回归模型采用有监督学习方式进行训练,并将学习模式输入至神经网络,所述神经网络中的神经元的激活值将从输入层经各隐含层向输出层传播,在所述输出层的各神经元输出对应于输入模式的网络响应。
15.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至8中任意一项所述用电信息的处理方法。
16.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至8中任意一项所述用电信息的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011376668.8A CN112614004A (zh) | 2020-11-30 | 2020-11-30 | 用电信息的处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011376668.8A CN112614004A (zh) | 2020-11-30 | 2020-11-30 | 用电信息的处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112614004A true CN112614004A (zh) | 2021-04-06 |
Family
ID=75228264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011376668.8A Pending CN112614004A (zh) | 2020-11-30 | 2020-11-30 | 用电信息的处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112614004A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095566A (zh) * | 2021-04-08 | 2021-07-09 | 国网山东省电力公司电力科学研究院 | 一种基于用能行为层次化分析的多源协调供能方法及系统 |
CN113393120A (zh) * | 2021-06-11 | 2021-09-14 | 国网北京市电力公司 | 能源消耗数据的确定方法及装置 |
CN114971422A (zh) * | 2022-07-26 | 2022-08-30 | 中国华能集团清洁能源技术研究院有限公司 | 电力中长期分时交易的旬交易辅助控制系统及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460849A (zh) * | 2018-09-10 | 2019-03-12 | 杭州中恒云能源互联网技术有限公司 | 一种基于智能算法的用户用电偏差分析方法 |
-
2020
- 2020-11-30 CN CN202011376668.8A patent/CN112614004A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460849A (zh) * | 2018-09-10 | 2019-03-12 | 杭州中恒云能源互联网技术有限公司 | 一种基于智能算法的用户用电偏差分析方法 |
Non-Patent Citations (1)
Title |
---|
傅军栋;喻勇;黎丹;: "BP神经网络在解决电力消耗问题中的应用", 华东交通大学学报, no. 02, 15 April 2015 (2015-04-15), pages 123 - 128 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095566A (zh) * | 2021-04-08 | 2021-07-09 | 国网山东省电力公司电力科学研究院 | 一种基于用能行为层次化分析的多源协调供能方法及系统 |
CN113393120A (zh) * | 2021-06-11 | 2021-09-14 | 国网北京市电力公司 | 能源消耗数据的确定方法及装置 |
CN114971422A (zh) * | 2022-07-26 | 2022-08-30 | 中国华能集团清洁能源技术研究院有限公司 | 电力中长期分时交易的旬交易辅助控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN109978230B (zh) | 一种基于深度卷积神经网络的电力销售金额智能预测方法 | |
CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
Lv et al. | EGA-STLF: A hybrid short-term load forecasting model | |
CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
CN113591899A (zh) | 电力客户画像识别方法、装置及终端设备 | |
Dash et al. | An appliance load disaggregation scheme using automatic state detection enabled enhanced integer programming | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
Ding et al. | Forecasting natural gas consumption with multiple seasonal patterns | |
CN113554361A (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
CN110009427B (zh) | 一种基于深度循环神经网络的电力销售金额智能预测方法 | |
Priolkar et al. | Analysis of price based demand response program using load clustering approach | |
CN116979503A (zh) | 一种基于Informer网络的商业建筑负荷预测方法及系统 | |
Tang et al. | Leveraging socioeconomic information and deep learning for residential load pattern prediction | |
Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
CN114004408A (zh) | 一种基于数据分析的用户电力负荷预测方法 | |
CN113537607A (zh) | 停电预测方法 | |
CN111797924A (zh) | 一种基于聚类算法的三维度园区画像方法及系统 |
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 |