发明内容
有鉴于此,本发明提供一种需量数据处理方法、装置及电子设备,以解决若是未来的需量数据预测不准确,则基于该未来的需量数据进行企业的资源调度时,会使得企业资源调用的准确度较低,进而使得企业的实际生产与预期的生产计划不符的问题。
为解决上述技术问题,本发明采用了如下技术方案:
一种需量数据处理方法,包括:
获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据;
基于所述历史负荷数据以及所述负荷关联参数数据,预测预设时间段的需量预测数据;
对所述需量预测数据进行概率分布计算,得到概率分布计算结果;
获取预先设定的超出需量平均值计算方式;
基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。
可选地,获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据,包括:
获取历史负荷数据以及所述历史负荷数据对应的各个初始负荷关联参数数据;
计算所述历史负荷数据与各个初始负荷关联参数数据的相关性;
将相关性大于预设阈值的初始负荷关联参数数据确定为负荷关联参数数据。
可选地,基于所述历史负荷数据以及所述负荷关联参数数据,预测预设时间段的需量预测数据,包括:
对所述历史负荷数据进行数据颗粒度调整,得到具有预设颗粒度的目标历史需量数据;
调用需量预测模型对所述具有预设颗粒度的目标历史需量数据、以及所述负荷关联参数数据进行处理,得到预设时间段的需量预测数据。
可选地,在基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值之后,还包括:
基于所述概率分布计算结果以及所述超出需量平均值,确定目标需量处理方式。
可选地,基于所述概率分布计算结果以及所述超出需量平均值,确定目标需量处理方式,包括:
在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,基于所述概率分布计算结果以及所述超出需量平均值,计算得到需量处理结果;
在需量处理方式为变压器容量处理方式的情况下,依据变压器容量和容量单价,计算得到变压器容量处理方式的需量处理结果;
依据需量处理结果,确定为目标需量处理方式。
可选地,在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,基于所述概率分布计算结果以及所述超出需量平均值,计算得到需量处理结果,包括:
在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,获取所述需量处理方式的需量处理结果计算方式;所述超出需量平均值计算方式包括与需量处理方式对应的处理参考值;所述需量处理结果计算方式包括所述处理参考值的取值范围;
依据所述需量处理结果计算方式、所述概率分布计算结果以及所述超出需量平均值,计算得到需量处理结果。
一种需量数据处理装置,包括:
数据获取模块,用于获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据;
数据预测模块,用于基于所述历史负荷数据以及所述负荷关联参数数据,预测预设时间段的需量预测数据;
概率分布计算模块,用于对所述需量预测数据进行概率分布计算,得到概率分布计算结果;
计算方式获取模块,用于获取预先设定的超出需量平均值计算方式;
数据计算模块,用于基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。
可选地,所述数据获取模块包括:
数据获取子模块,用于获取历史负荷数据以及所述历史负荷数据对应的各个初始负荷关联参数数据;
相关性计算子模块,用于计算所述历史负荷数据与各个初始负荷关联参数数据的相关性;
筛选子模块,用于将相关性大于预设阈值的初始负荷关联参数数据确定为负荷关联参数数据。
可选地,所述数据预测模块具体用于:
对所述历史负荷数据进行数据颗粒度调整,得到具有预设颗粒度的目标历史需量数据,调用需量预测模型对所述具有预设颗粒度的目标历史需量数据、以及所述负荷关联参数数据进行处理,得到预设时间段的需量预测数据。
一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据;
基于所述历史负荷数据以及所述负荷关联参数数据,预测预设时间段的需量预测数据;
对所述需量预测数据进行概率分布计算,得到概率分布计算结果;
获取预先设定的超出需量平均值计算方式;
基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。
相较于现有技术,本发明具有以下有益效果:
本发明提供了一种需量数据处理方法、装置及电子设备,在确定需量预测数据时,考虑了环境参数对需量的影响,避免了由于环境参数对需量预测的影响,提高了需量预测的准确度,进而也能够提高基于需量预测结果确定资源调用的准确度。进一步,本发明在确定需量预测数据之后,还能够对所述需量预测数据进行概率分布计算,得到概率分布计算结果,获取预先设定的超出需量平均值计算方式,基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。使得在确定资源调用时,不仅能够依据需量预测数据,还能够依据需量预测数据的概率分布计算结果,以及超出需量平均值,使得在进行资源调度时,能够降低极端需量值对资源调度的影响,提高资源调度的准确度,进而提高企业的实际生产与预期的生产计划的一致性。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
企业在实际生产过程中,一般都会进行未来负荷规划,并基于该未来负荷规划进行企业未来的资源调度。
在进行负荷规划时,一般会依据企业历史负荷情况预测未来的需量数据,若是未来的需量数据预测不准确,则基于该未来的需量数据进行企业的资源调度时,会使得企业资源调用的准确度较低,进而使得企业的实际生产与预期的生产计划不符。
另外,企业在每一自然季度向电网申报一次需量申报计费方式,需量申报计费方式一般也是依据企业历史负荷情况预测未来的需量数据,然后基于预测的未来的需量数据确定需量申报计费方式。
同样,在依据企业历史负荷情况预测未来的需量数据时,若是未来的需量数据预测不准确,则基于未来的需量数据确定需量申报计费方式的准确度也较低,进而使得企业申报的需量申报计费方式不符合企业的实际负荷运行情况。
当前在进行资源调度和确定需量申报计费方式时,一般都是基于需量点预测的方式,如使用历史负荷数据预测未来一个月的需量点预测值,然后选择月度最大需量点预测值,进行资源和需量申报计费方式的预测。但是这种预测方式,预测值本身误差较大、且容易受到极端点的影响,如某一需量点预测值超出其他的需量点预测值较多,但是该需量点预测值出现次数较少,若是选择该较大的需量点预测值作为月度最大需量点预测值,会使得企业的大部分负荷情况达不到该月度最大需量点预测值,企业经济损失较大,且基于该月度最大需量点预测值进行资源调度时,可能会使得部分资源利用率较低,进而资源调度准确度较低。
为了解决上述的由于未来的需量数据预测不准确,使得基于该未来的需量数据进行企业的资源调度时,会使得企业资源调用的准确度较低和需量申报计费方式的确定准确度较低的问题,发明人经过研究发现,在进行需量数据预测时,需量和温度、天气等多种环境因素相关,若是在进行需量数据预测时,把相关的环境因素考虑进去,则能够提高需量数据预测的准确度。
另外,在确定了需量预测数据之后,也会考虑需量预测数据的概率分布情况,来选择三种需量申报方式中的适合该企业的申报方式。
具体的,本实施例中,在确定需量预测数据时,考虑了环境参数对需量的影响,避免了由于环境参数对需量预测的影响,提高了需量预测的准确度,进而也能够提高基于需量预测结果确定资源调用的准确度。进一步,本发明在确定需量预测数据之后,还能够对所述需量预测数据进行概率分布计算,得到概率分布计算结果,获取预先设定的超出需量平均值计算方式,基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。使得在确定资源调用时,不仅能够依据需量预测数据,还能够依据需量预测数据的概率分布计算结果,以及超出需量平均值,使得在进行资源调度时,能够降低极端需量值对资源调度的影响,提高资源调度的准确度,进而提高企业的实际生产与预期的生产计划的一致性。
在上述内容的基础上,本发明实施例提供了一种需量数据处理方法,参照图1,可以包括:
S11、获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据。
在实际应用中,可以通过电表或者第三方数据采集器收集或直接获取用户的历史负荷数据或历史需量数据,并作为历史负荷数据。
此外,还会获取同时段的星期数、星期类型、月份数、天气、最高温度、最低温度、风速、产品产量等与负荷可能相关的负荷关联参数的参数值,并作为初始负荷关联参数数据,并从初始负荷关联参数数据中挑选出与历史负荷数据相关度较大的初始负荷关联参数数据,并确定为初始负荷关联参数数据。
具体的,参照图2,获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据,包括:
S21、获取历史负荷数据以及所述历史负荷数据对应的各个初始负荷关联参数数据。
S22、计算所述历史负荷数据与各个初始负荷关联参数数据的相关性。
S23、将相关性大于预设阈值的初始负荷关联参数数据确定为负荷关联参数数据。
在实际应用中,可以通过相关性系数分析法计算所述历史负荷数据与各个初始负荷关联参数数据的相关性,并挑选出3-5种相关性大于预设阈值的初始负荷关联参数数据,并作为后续处理流程的输入数据。
其中,本实施例中的相关性系数分析法可以是皮尔逊相关系数法,使用皮尔逊相关系数法计算历史负荷数据与初始负荷关联参数数据的相关性,如相关系数ρX,Y时,皮尔逊相关系数法的计算公式为:
其中,X是指历史负荷数据,Y是指初始负荷关联参数数据。
在实际应用中,会对相关系数设置等级,具体参照表1。
表1
根据表1判断相关系数,筛选出相关性,如相关系数大于预设阈值的初始负荷关联参数数据,在实际应用中,可以挑选相关系数最强的3-5类参数,或者要求中等程度及以上相关。相关性大于预设阈值的初始负荷关联参数数据即可确定为负荷关联参数数据。
S12、基于所述历史负荷数据以及所述负荷关联参数数据,预测预设时间段的需量预测数据。
在实际应用中,会使用需量预测模型进行需量预测,本实施例中的需量预测模型可以是LSTM(长短期记忆网络,Long Short-Term Memory)神经网络算法,也可以是RNN(循环神经网络,Recurrent Neural Network)等神经网络算法及其他常用的预测算法。
使用需量预测模型进行需量预测时,需量预测模型使用的数据必须是需量数据,所以本实施例中,需要对所述历史负荷数据(上述的历史负荷数据或历史需量数据)进行数据颗粒度调整,得到具有预设颗粒度的目标历史需量数据。本实施例中的预设颗粒度可以是一小时,一天等。
在对历史负荷数据(上述的历史负荷数据或历史需量数据)进行数据颗粒度调整时,处理方式主要有滑差计算法和插值法。
其中,滑差计算法适用于历史负荷数据的颗粒度小于预设颗粒度的场景,插值法适用于历史负荷数据的颗粒度大于预设颗粒度的场景,此外,其他可以处理历史负荷数据的颗粒度为预设颗粒度的方式也在本发明的保护范围内。
在得到具有预设颗粒度的目标历史需量数据之后,调用需量预测模型对所述具有预设颗粒度的目标历史需量数据、以及所述负荷关联参数数据进行处理,得到预设时间段的需量预测数据。
其中,预测的需量数据的时间长度,就预设时间段为任意,在需量费用申报时可以限定为未来一个自然月及一个自然季度。
本实施例中,对历史负荷或历史需量数据进行处理,得到指定颗粒度的需量数据。将处理后的需量数据和筛选好的相关性高的其他负荷关联参数数据作为历史数据,利用LSTM神经网络等算法给出未来一段时间的需量预测数据。
S13、对所述需量预测数据进行概率分布计算,得到概率分布计算结果。
在实际应用中,当前需量有三种计费方式,一是实际最大需量处理方式,如按照实际最大需量计费,即按当月实际出现的最大需量收费。二是月需量处理方式,如按月申报合同需量计费,若实际需量在合同需量的105%内,则按合同需量收费,超出105%部分,按双倍收费。三是变压器容量处理方式,如按变压器容量计费,即每月按照用户的变压器容量收取需量费用。
所以,企业在进行需量申报计费方式的确定,即确定目标需量处理方式时,需要从上述的三种方式中选取一种最适合企业的负荷情况的。本实施例中,会分析上述三种方式中的每一种方式对应的需量处理结果,然后将需量处理结果最小的需量处理方式确定为目标需量处理方式。
在实际应用中,在得到需量预测结果后,预测结果的平均数μ和标准差δ都是确定的,需量预测结果符合正态分布的条件,正态分布的概率分布函数为
根据正态分布区间和置信度计算不同需量申报方式的费用。在需量场景下,只有负荷高出需量值才会增加费用,故只需考虑单侧置信度。
对于需量预测数据,假设计费方式为实际最大需量处理方式时,累计分布函数为随机变量小于等于x的概率,累计分布函数为
假设实际最大需量值为α,则需量≤α的概率为F(α;μ,σ),需量>α的概率为1-F(α;μ,σ),即存在1-F(α;μ,σ)的概率,需量值不满足要求,还需要增加费用。
本实施例中,上述的“假设实际最大需量值为α,则需量≤α的概率为F(α;μ,σ),需量>α的概率为1-F(α;μ,σ)”,即为实际最大需量处理方式对应的概率分布计算结果。
假设计费方式为月需量处理方式时,假设合同需量申报值为γ,则需量≤105%*γ的概率为F(1.05γ;μ,σ),而需量>105%*γ的概率为1-F(1.05γ;μ,σ)。本实施例中的“需量≤105%*γ的概率为F(1.05γ;μ,σ),而需量>105%*γ的概率为1-F(1.05γ;μ,σ)”即为月需量处理方式对应的概率分布计算结果。
S14、获取预先设定的超出需量平均值计算方式。
本实施例中,假设计费方式为实际最大需量处理方式时,将需量超出值的平均值,即超出需量平均值假设为β,β的计算方式(超出需量平均值计算方式)为:
在实际应用中,在确定了α的值之后,就可以确定β,其中,α可以是上述的μ,或者是μ的比例值,又或者是人工基于经验确定的一个值,或,该值也可以是通过经济性、反馈控制等算法寻优得到的值,α确定之后,就可以随着β,并作为后续资源调度的参考依据。
需要说明的是,上述的超出需量平均值计算方式包括与需量处理方式对应的处理参考值,处理参考值即为上述的实际最大需量值α。
假设计费方式为月需量处理方式时,将需量超出值的平均值,即超出需量平均值假设为γ,假设超出1.05γ的平均值为γ′,则超出需量平均值计算方式为:
在实际应用中,在确定了γ的值之后,就可以确定γ′,其中,γ可以是上述的μ,或者是μ的比例值,又或者是人工基于经验确定的一个值,或该值也可以是通过经济性、反馈控制等算法寻优得到的值,γ确定之后,就可以随着γ′,并作为后续资源调度的参考依据。
需要说明的是,上述的超出需量平均值计算方式包括与需量处理方式对应的处理考值,处理参考值即为上述的实际最大需量值γ。
综上所述,可以根据需量预测值与其概率分布,确定某个需量值(平均值、比例值及其经优化得到的数值),计算需量超出值的平均值,来估算未来负荷是否过大,比如根据实际需量预测数据的平均数值μ来计算μ的需量超出值的平均值,确保该值不超过月需量限制值即可,有超出可能则需要采取限功率的措施。或者根据月需量限制值反推需量超出值平均值上限及需量数据平均值μ上限。这里是判断需量预测结果的相关处理值对应的需量超出值平均值是否大于月申报需量值,而后文是通过经济性寻优,会更细致。
S15、基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。
在确定超出需量平均值β或γ之后,将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出,具体可以输出至服务器的显示界面,又或者是用户终端,以使用户终端在实际资源调度以及确定需量申报计费方式时,不仅参考了需量预测数据,还参考了概率分布计算结果以及所述超出需量平均值,能够避免极端值对资源调度以及确定需量申报计费方式的影响。
本实施例中,在确定需量预测数据时,考虑了环境参数对需量的影响,避免了由于环境参数对需量预测的影响,提高了需量预测的准确度,进而也能够提高基于需量预测结果确定资源调用的准确度。进一步,本发明在确定需量预测数据之后,还能够对所述需量预测数据进行概率分布计算,得到概率分布计算结果,获取预先设定的超出需量平均值计算方式,基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。使得在确定资源调用时,不仅能够依据需量预测数据,还能够依据需量预测数据的概率分布计算结果,以及超出需量平均值,使得在进行资源调度时,能够降低极端需量值对资源调度的影响,提高资源调度的准确度,进而提高企业的实际生产与预期的生产计划的一致性。
另外,本发明实施例区别了以往需量预测都是利用点预测结果进行分析,点预测结果本身的准确度无法衡量,导致预测分析结果缺乏说服力。本发明在进行预测时,使用的是概率分布,并且在预测前对预测数据进行相关性分析,只保留少部分关键参数,提高准确度的同时,避免出现过拟合。此外,历史负荷数据利用滑差计算及插值等转化为历史需量数据,平缓数据波动避免局部剧烈波动引起预测区间拉宽,来提高预测精度。
上述实施例给出了可以将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出,以辅助进行资源调度和需量申报计费方式的确定,本发明的另一实施例中,给出如何依据概率分布计算结果以及所述超出需量平均值进行需量申报计费方式的确定过程,如可以在步骤S15之后,还包括:基于所述概率分布计算结果以及所述超出需量平均值,确定目标需量处理方式。
具体的,参照图3,基于所述概率分布计算结果以及所述超出需量平均值,确定目标需量处理方式可以包括:
S31、在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,获取所述需量处理方式的需量处理结果计算方式。
S32、依据所述需量处理结果计算方式、所述概率分布计算结果以及所述超出需量平均值,计算得到需量处理结果。
具体的,在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,会获取所述需量处理方式的需量处理结果计算方式。
其中,在需量处理方式为实际最大需量处理方式时,需量处理结果计算方式为:
C=F(α;μ,σ)*需量电价*α+[1-F(α;μ,σ)]*β*需量电价,需量电价参考当地标准。
其中,C为需量处理结果,即为需量计费费用。
上述实施例中的超出需量平均值计算方式包括与需量处理方式对应的处理参考值,处理参考值即为上述的实际最大需量值α。本实施例中的需量处理结果计算方式包括所述处理参考值的取值范围,具体为从μ到+∞。
具体的,当α从μ到+∞,计算C的函数,取C值最小点Cmin作为按实际最大需量处理方式的最小需量计费费用值,即为实际最大需量处理方式的需量处理结果。在确定出Cmin之后,就可以确定出计算得到Cmin的α,并基于该α确定出β,本实施例中确定的β,相比于通过步骤S14中确定的β来说,考虑了经济性因素,则确定的β更符合经济需求和企业的实际需求。
在需量处理方式为月需量处理方式时,需量处理结果计算方式为:
其中,C′为需量处理结果,即为需量计费费用。
当γ从0到+∞,计算C′的函数,取C′值最小点C′min作为按合同需量计费方式最小计费值,即为月需量处理方式的需量处理结果。
在确定出C′min之后,就可以确定出计算得到C′min的γ,并基于该γ确定出γ′,本实施例中确定的γ′,相比于通过步骤S14中确定的γ′来说,考虑了经济性因素,则确定的γ′更符合经济需求和企业的实际需求。
需要说明的是,γ从0到+∞取值的原因是合同需量是按105%收费的,可能存在略小于μ也是合算的,所以没从μ,而是从0开始取值优化。
另外,步骤S31和步骤S32为“在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,基于所述概率分布计算结果以及所述超出需量平均值,计算得到需量处理结果”的具体实现过程,其他能够实现的方式也属于本发明的保护范围。
S33、在需量处理方式为变压器容量处理方式的情况下,依据变压器容量和容量单价,计算得到变压器容量处理方式的需量处理结果。
具体的,按变压器容量计费,取企业变压器容量为T,则按变压器容量计费的需量电费为B=T*容量电价,容量电价参考当地标准。
其中,需量电费B即为本实施例中的变压器容量处理方式的需量处理结果。
S34、依据需量处理结果,确定为目标需量处理方式。
在实际应用中,由于电网的需量修改要求是按自然季度修改,按预测值计算按三者需量计费方式下一自然季度各月的需量费用,取费用和最少的一种作为下自然季度的需量计费方式。
若选择的是按月申报合同需量计费时,可每月根据下月预测值推荐费用最少的合同需量申报值。
本实施例中,利用概率分布给出区间分布的概率,并结合概率分布密度和经济性测对预测结果进行量化分析,给出了需量计费方式的确定策略。另外,需量申报计费方式推荐时综合考虑下月及下一自然季度中各月的需量。下月的需量可以用于推荐合同需量申报值,下一自然季度的需量可以用于确定需量申报计费方式。
可选地,在上述需量数据处理方法的实施例的基础上,本发明的另一实施例提供了一种需量数据处理装置,参照图4,可以包括:
数据获取模块11,用于获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据;
数据预测模块12,用于基于所述历史负荷数据以及所述负荷关联参数数据,预测预设时间段的需量预测数据;
概率分布计算模块13,用于对所述需量预测数据进行概率分布计算,得到概率分布计算结果;
计算方式获取模块14,用于获取预先设定的超出需量平均值计算方式;
数据计算模块15,用于基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。
进一步,所述数据获取模块包括:
数据获取子模块,用于获取历史负荷数据以及所述历史负荷数据对应的各个初始负荷关联参数数据;
相关性计算子模块,用于计算所述历史负荷数据与各个初始负荷关联参数数据的相关性;
筛选子模块,用于将相关性大于预设阈值的初始负荷关联参数数据确定为负荷关联参数数据。
进一步,所述数据预测模块具体用于:
对所述历史负荷数据进行数据颗粒度调整,得到具有预设颗粒度的目标历史需量数据,调用需量预测模型对所述具有预设颗粒度的目标历史需量数据、以及所述负荷关联参数数据进行处理,得到预设时间段的需量预测数据。
进一步,还包括:
处理方式确定模块,用于基于所述概率分布计算结果以及所述超出需量平均值,确定目标需量处理方式。
进一步,所述处理方式确定模块包括:
第一结果计算子模块,用于在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,基于所述概率分布计算结果以及所述超出需量平均值,计算得到需量处理结果;
第二结果计算子模块,用于在需量处理方式为变压器容量处理方式的情况下,依据变压器容量和容量单价,计算得到变压器容量处理方式的需量处理结果;
方式确定子模块,用于依据需量处理结果,确定为目标需量处理方式。
进一步,第一结果计算子模块包括:
公式获取单元,用于在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,获取所述需量处理方式的需量处理结果计算方式;所述超出需量平均值计算方式包括与需量处理方式对应的处理参考值;所述需量处理结果计算方式包括所述处理参考值的取值范围;
结果计算单元,用于依据所述需量处理结果计算方式、所述概率分布计算结果以及所述超出需量平均值,计算得到需量处理结果;
本实施例中,在确定需量预测数据时,考虑了环境参数对需量的影响,避免了由于环境参数对需量预测的影响,提高了需量预测的准确度,进而也能够提高基于需量预测结果确定资源调用的准确度。进一步,本发明在确定需量预测数据之后,还能够对所述需量预测数据进行概率分布计算,得到概率分布计算结果,获取预先设定的超出需量平均值计算方式,基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。使得在确定资源调用时,不仅能够依据需量预测数据,还能够依据需量预测数据的概率分布计算结果,以及超出需量平均值,使得在进行资源调度时,能够降低极端需量值对资源调度的影响,提高资源调度的准确度,进而提高企业的实际生产与预期的生产计划的一致性。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选地,在上述需量数据处理方法及装置的实施例的基础上,本发明的另一实施例提供了一种存储介质,所述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存储介质所在设备执行上述的需量数据处理方法。
可选地,在上述需量数据处理方法及装置的实施例的基础上,本发明的另一实施例提供了一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据;
基于所述历史负荷数据以及所述负荷关联参数数据,预测预设时间段的需量预测数据;
对所述需量预测数据进行概率分布计算,得到概率分布计算结果;
获取预先设定的超出需量平均值计算方式;
基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。
进一步,获取历史负荷数据以及所述历史负荷数据对应的负荷关联参数数据,包括:
获取历史负荷数据以及所述历史负荷数据对应的各个初始负荷关联参数数据;
计算所述历史负荷数据与各个初始负荷关联参数数据的相关性;
将相关性大于预设阈值的初始负荷关联参数数据确定为负荷关联参数数据。
进一步,基于所述历史负荷数据以及所述负荷关联参数数据,预测预设时间段的需量预测数据,包括:
对所述历史负荷数据进行数据颗粒度调整,得到具有预设颗粒度的目标历史需量数据;
调用需量预测模型对所述具有预设颗粒度的目标历史需量数据、以及所述负荷关联参数数据进行处理,得到预设时间段的需量预测数据。
进一步,在基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值之后,还包括:
基于所述概率分布计算结果以及所述超出需量平均值,确定目标需量处理方式。
进一步,基于所述概率分布计算结果以及所述超出需量平均值,确定目标需量处理方式,包括:
在需量处理方式为实际最大需量处理方式或月需量处理方式的情况下,获取所述需量处理方式的需量处理结果计算方式;所述超出需量平均值计算方式包括与需量处理方式对应的处理参考值;所述需量处理结果计算方式包括所述处理参考值的取值范围;
依据所述需量处理结果计算方式、所述概率分布计算结果以及所述超出需量平均值,计算得到需量处理结果;
在需量处理方式为变压器容量处理方式的情况下,依据变压器容量和容量单价,计算得到变压器容量处理方式的需量处理结果;
依据需量处理结果,确定为目标需量处理方式。
本实施例中,在确定需量预测数据时,考虑了环境参数对需量的影响,避免了由于环境参数对需量预测的影响,提高了需量预测的准确度,进而也能够提高基于需量预测结果确定资源调用的准确度。进一步,本发明在确定需量预测数据之后,还能够对所述需量预测数据进行概率分布计算,得到概率分布计算结果,获取预先设定的超出需量平均值计算方式,基于所述超出需量平均值计算方式以及所述概率分布计算结果,确定超出需量平均值,并将所述需量预测数据、所述概率分布计算结果以及所述超出需量平均值输出。使得在确定资源调用时,不仅能够依据需量预测数据,还能够依据需量预测数据的概率分布计算结果,以及超出需量平均值,使得在进行资源调度时,能够降低极端需量值对资源调度的影响,提高资源调度的准确度,进而提高企业的实际生产与预期的生产计划的一致性。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。