CN112907064B - 基于自适应窗的电量预测方法、装置、存储介质及终端 - Google Patents
基于自适应窗的电量预测方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN112907064B CN112907064B CN202110183092.1A CN202110183092A CN112907064B CN 112907064 B CN112907064 B CN 112907064B CN 202110183092 A CN202110183092 A CN 202110183092A CN 112907064 B CN112907064 B CN 112907064B
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- temperature data
- data
- quantity data
- original
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000005096 rolling process Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 11
- 230000008859 change Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 235000019800 disodium phosphate Nutrition 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
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
- G06Q10/06—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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
本发明提供基于自适应窗的电量预测方法、装置、存储介质及终端，所述方法包括：获取原始电量数据和原始温度数据；基于自适应窗预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据；基于所述标准电量数据和融合温度数据，建立向量自回归模型；采用所述向量自回归模型滚动预测，以获取预测电量数据。本发明可以最大程度地融合温度数据包含的信息，从而更准确地获取气象温度变化对用户用电量的影响程度，提高了电量预测的准确性；预测方法简单，便于实现，且耗时较短，所对应的预测装置可直接设于监测点进行实时数据采集及预测，进一步降低了预测的延迟性。
Description
技术领域
本发明涉及电网用电量需求预测技术领域，特别是涉及基于自适应窗的电量预测方法、装置、存储介质及终端。
背景技术
在电力系统中，输送时的电能损耗率是评价电网性能好坏的一个重要的指标。电能损耗率越低，损失的电力就越少，能源利用率越高。然而，发电厂生产的电能在送达用户之前，须经过变电站、电网和当地配电设备等多种电力设施，每个传输线路都可能造成电能的损耗。减少供电区域电能损耗、提高供电质量、改善用户用电体验，既是提升电力企业效益的有效途径，也是提高电网运行安全性和稳定性的关键所在。
为减少电能损耗，提高电网供电质量，近年来，已有多种涉及电网安全稳定运行的电量预测方法被提出：如自回归求和移动平均模型、自适应过滤法的组合预测模型、互补集成经验模态分解预测模型等等。然而，现有的预测模型的电量预测均存在一定的延迟性，以及预测精度不足等问题。因此行业发展迫切需求一种新的电量预测算法模型，用于解决现有技术中的预测延迟及精度不足的问题，从而实现电网高效的监控管理和异常监测预警。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供基于自适应窗的电量预测方法、装置、存储介质及终端，用于解决现有技术中电量预测存在延迟性以及预测精度不足的技术问题。
为实现上述目的及其它相关目的，本发明的第一方面提供一种基于自适应窗的电量预测方法，包括：获取原始电量数据和原始温度数据；基于自适应窗预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据；基于所述标准电量数据和融合温度数据，建立向量自回归模型；采用所述向量自回归模型滚动预测，以获取预测电量数据。
于本发明的第一方面的一些实施例中，所述原始电量数据和原始温度数据的预处理方式包括：标准化处理所述原始电量数据和原始温度数据，以获得标准电量数据和标准温度数据；基于所述自适应窗的初始窗口宽度，获取标准电量数据序列及其对应时间的标准温度数据序列，并计算电量数据序列与温度数据序列之间的相关系数；更新所述自适应窗的宽度直至预设窗口宽度，迭代计算所述相关系数以获取最相关温度数据序列；迭代更新自适应窗操作，依时间顺序排列合并所述最相关温度数据序列以获得所述融合温度数据。
于本发明的第一方面的一些实施例中，所述温度数据包括低温数据和高温数据；所述方法还包括：基于所述自适应窗的初始窗口宽度，获取标准电量数据序列、标准低温数据序列和标准高温数据序列，分别计算电量数据序列与高温数据序列和低温数据序列之间的相关系数，并比较获取较大相关系数；更新所述自适应窗的宽度直至预设窗口宽度，迭代计算所述较大相关系数以获取所述最相关温度数据。
于本发明的第一方面的一些实施例中，所述方法还包括：检验所述标准电量数据和所述融合温度数据的序列平稳性，并对其中非平稳的序列进行平稳化处理。
于本发明的第一方面的一些实施例中，所述向量自回归模型的建立方式包括：采用最小二乘法或最大似然估计求解所述模型的模型参数。
于本发明的第一方面的一些实施例中，所述模型参数包括滞后阶数；所述方法还包括：基于贝叶斯信息准则确定所述滞后阶数的最优值。
为实现上述目的及其它相关目的，本发明的第二方面提供基于自适应窗的电量预测装置，包括：数据获取模块，用于获取原始电量数据和原始温度数据；数据预处理模块，用于基于自适应窗预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据；模型建立模块，用于基于所述标准电量数据和融合温度数据，建立向量自回归模型；滚动预测模块，用于采用所述向量自回归模型滚动预测，以获取预测电量数据。
于本发明的第二方面的一些实施例中，所述装置设于监测点，实时采集本地电量数据和温度数据，以获取预测电量数据。
为实现上述目的及其它相关目的，本发明的第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于自适应窗的电量预测方法。
为实现上述目的及其它相关目的，本发明的第四方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述基于自适应窗的电量预测方法。
如上所述，本发明涉及的基于自适应窗的电量预测方法、装置、存储介质及终端，具有以下有益效果：采用自适应窗对数据进行预处理，可以最大程度地融合温度数据包含的信息，从而更准确地获取气象温度变化对用户用电量的影响程度，提高了电量预测的准确性；并且采用自适应窗可灵活根据所获取的数据样本的大小进行自适应调整，更好地适应数据采集周期和滚动预测周期，提高了本发明的适用范围；基于最新获取的相关数据向前滚动预测，预测结果具有更高的准确性，并且也避免了多步预测中可能造成的误差累积，本发明提出的预测方法简单，便于实现，且耗时较短，所对应的预测装置可直接设于监测点进行实时数据采集及预测，进一步降低了预测的延迟性。
附图说明
图1显示为本发明一实施例中一种基于自适应窗的电量预测方法流程示意图。
图2显示为本发明一实施例中一种电量和温度数据的预处理流程示意图。
图3显示为本发明一实施例中一种基于自适应窗的电量预测装置结构示意图。
图4显示为本发明一实施例中一种基于自适应窗的电量指纹检测装置结构示意图。
图5显示为本发明一实施例中一种电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其它优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，在下述描述中，参考附图，附图描述了本发明的若干实施例。应当理解，还可使用其它实施例，并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本发明。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、“下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其它特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
本发明提供基于自适应窗的电量预测方法、装置、存储介质及终端，用于解决现有技术中电量预测存在延迟性以及预测精度不足的技术问题。
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一
图1显示为本实施例提出的一种基于自适应窗的电量预测方法的流程示意图，其包括：
步骤S11.获取电网的原始电量数据和原始温度数据。其中，所述原始温度数据为所述原始电量数据的使用时间段和使用区域内对应的环境温度，可以从气象局或气象网站等处获取，也可以采用相关温度测量设备进行现场采集，本实施例不作限定。无论环境温度过高还是过低，都有可能影响用户的用电量，因此，本实施例较佳实施方式中将温度数据分为低温数据和高温数据来分析电量数据与温度数据的相关性。步骤S12.预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据。数据的预处理是指对所收集数据进行分类或分组前所做的审核、筛选、排序等必要的处理，预处理后的数据应满足对数据的完整性和准确性的要求，即数据没有遗漏、内容齐全、符合实际且没有错误等等。并且，通过对原始数据的预处理消除了原始电量数据和原始温度数据不同数量级和量纲的影响，实现了数据之间的可比性，有利于降低对后续模型参数计算的误差。
在本实施例较佳的实施方式中，所述原始电量数据和原始温度数据的预处理方式包括步骤S121～S124，具体表述如下：
步骤S121.标准化处理所述原始电量数据和原始温度数据，以获得标准电量数据XP和标准温度数据XT。具体的，可通过消除并均值补全所述原始电量数据和原始温度数据的异常值和缺失值，从而获得标准电量数据XP和标准温度数据XT。
在一些示例中，标准电量数据XP和标准温度数据XT的表达式分别如下所示：
XP＝(XP1，XP2，XP3，···，XPN)；
XT＝(XT1，XT2，XT3，···，XTN)；
其中，N表示电量数据和温度数据的总数。
在本实施例较佳的实施方式中，将所述标准电量数据映射到标准温度数据序列的变化范围内，以消除不同数量级和量纲的影响，即获得归一化标准电量数据归一化后的标准电量数据/>的计算表达式如下所示：
X′P＝log(XP)；
其中，min和max分别表示待归一化变量X′P以及标准温度数据XT的最小值和最大值。
步骤S122.基于所述自适应窗的初始窗口宽度m，获取标准电量数据序列及其对应时间的标准温度数据序列，并计算电量数据序列与温度数据序列之间的相关系数。可选的相关系数有Spearman相关系数、Pearson相关系数、Kendall秩相关系数等等。本实施例优选Pearson相关系数来反映电量数据与其对应时间的温度数据之间的相关程度，以降低影响用户用电量的温度数据的范围，获得气象温度因素的准确影响程度和影响范围。具体的，在一些示例中，Pearson相关系数的计算公式可表示如下：
其中，σP和σT分别为标准电量数据XP和标准温度数据XT对应的标准差，cov(XP,XT)为标准电量数据XP和标准温度数据XT的协方差，m为初始窗口宽度。
步骤S123.更新所述自适应窗的宽度直至预设窗口宽度M，迭代计算所述相关系数以获取最相关温度数据序列。其中，最相关温度数据序列为每次计算所获得的所有相关系数中的最大相关系数对应的标准温度数据序列。
步骤S124.迭代更新自适应窗操作，依时间顺序排列合并所述最相关温度数据序列以获得所述融合温度数据。需说明的是，步骤123是通过更新窗的宽度(最大至预设窗口宽度)来获得最相关温度数据序列，步骤124是通过更新最相关温度数据序列对应的自适应窗宽度来获取融合温度数据序列。
图2为本实施例提供的一种原始电量数据和原始温度数据的预处理流程示意图，可具体表述如下：将原始电量数据和原始温度数据标准化处理，并将温度数据划分为低温数据和高温数据，得到标准电量数据、标准低温数据和标准高温数据；将标准电量数据映射到温度数据的变化范围内以消除不同数量级和量纲的影响；基于初始窗口宽度为m的自适应窗，自适应提取标准电量数据序列、标准低温数据序列和标准高温数据序列，并分别计算电量数据序列与低温数据序列和高温数据序列之间的相关系数，并比较获取较大相关系数；更新所述自适应窗的宽度直至预设窗口宽度M，迭代计算获取所述较大相关系数，并最终获取所有相关系数中的最大相关系数，其对应的温度数据序列为最相关温度数据；迭代更新自适应窗操作，依时间顺序排列合并所述最相关温度数据序列以获得所述融合温度数据。需说明的是，图2仅为示例性说明，并不对本发明的迭代步长等作具体限定。
步骤S13.基于所述标准电量数据和融合温度数据建立向量自回归模型(VectorAutoregressive，VAR)。向量自回归VAR模型是基于数据的统计性质建立模型，用模型中所有当期变量对所有变量的若干滞后变量进行回归，可用来估计联合内生变量的动态关系，而不带有任何事先约束条件，且具有容易操作的优点。具体的，可基于预处理后的电量和温度数据计算模型参数，并根据数据的数量、分组等设置向量自回归VAR模型的数据向后区间长度L，从而对所获取的电量数据序列进行分析、处理及预测。
需说明的是，供电公司通过电网线路对台区和用户等不同等级负荷进行供电，其中涉及的线路长度、台区布置、用户数量、用户习惯等随着经济发展和季节不同而变化，基本表现为具有稳定连续的规律性。电网线路、台区和用户等所形成的用电特性、正常线损特性等具有各自的电量属性特征，这像人类的指纹一样，综合反映了各自不同的用电特征和线损特征。因此，作为一种计量经济模型，向量自回归模型也可反映出电量数据的经济特征，从而展现出在电量数据预测中的独特优势。
在本实施例较佳的实施方式中，所述向量自回归模型的建立方式包括：采用最小二乘法或最大似然估计求解所述模型的模型参数。其中，最小二乘法具有最小方差性和无偏性的特点，有利于降低本模型的参数误差，提高预测准确性。最大似然估计从统计的角度在每组电量数据序列和温度数据序列的比对中考虑了每个参数的概率，寻找到模型参数的最可能的值，具有较高的准确性。
在本实施例较佳的实施方式中，所述模型参数包括滞后阶数；所述方法还包括：基于贝叶斯信息准则确定所述滞后阶数的最优值，以建立所述向量自回归模型。
在一些示例中，向量自回归VAR模型可表示如下：
Xt＝A1Xt-1+A2Xt-2+...+APXt-P+εt；
其中，Ai∈RS×S(i＝1,2,…,p)为相应的系数矩阵，εi∈RS表示均值为零的白噪声，P表示模型的滞后阶数。
在一些示例中，根据贝叶斯准则确定的向量自回归VAR模型的最优滞后阶数可表示如下：
PBIC＝Kln(k)-2ln(Ω)；
其中，K表示VAR模型参数数量，Ω表示似然函数，k表示VAR模型中样本数量。
在本实施例较佳的实施方式中，所述方法包括：检验所述标准电量数据和所述融合温度数据的序列平稳性，并对其中非平稳的序列进行平稳化处理。具体的，可对非平稳的序列进行数据差分来实现序列的平稳化，以供后续将平稳化的序列应用于模型参数的求解。
步骤S14.采用所述向量自回归模型滚动预测，以获取预测电量数据。电网运行电量数据每天都在不停地增加，地区数据汇总到省电力公司后再反馈到地区电力公司，反映地区电网的运行特征。相应地，预测电量数据也随着电网数据的增加而滚动“生长”，且最新的电量数据对预测模型具有更加直接的影响，也将对电量预测的准确性有着直接的影响。为了计及这一因素，本发明引入一步向前滚动预测的思想，这一方面可以获得更准确的预测电量数据，另一方面避免了多步预测中的指数增长累积误差。
举例如下，设一年中第t天的电量数据为XPt，其向后区间长度为L的电量数据和融合温度数据分别为和/>二者组合形成一个系统，利用前文所述VAR模型进行分析、处理和预测，得到一步向前滚动预测电量数据。以此类推，随着电量数据的增加而不断向前滚动预测，得到长度为Z的预测电量数据序列，表达式如下：
需说明的是，上述举例以天为滚动周期进行预测，实际应用中，也可以以每两天、周、月等为周期进行预测，本实施例并不作限定。
在一些实施方式中，所述方法可应用于控制器，所述电控单元例如为ARM(Advanced RISC Machines)控制器、现场可编程门阵列(Field Programmable GateArray,FPGA)控制器、片上系统(system-on-a-chip,SoC)控制器、数字信号处理器(DigitalSignal Processor,DSP)、或者微控制单元(Microcontroller Unit,MCU)控制器等等。在一些实施方式中，所述方法也可应用于包括存储器、存储控制器、一个或多个中央处理器(Central Processing Unit,CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O)子系统、显示屏、其它输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant,PDA)等个人电脑。在另一些实施方式中，所述方法还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。
实施例二
图3显示为本实施例提出的一种基于自适应窗的电量预测装置的结构示意图，其包括：数据获取模块31，用于获取原始电量数据和原始温度数据；数据预处理模块32，用于基于自适应窗预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据；模型建立模块33，用于基于所述标准电量数据和融合温度数据，建立向量自回归模型；滚动预测模块34，用于采用所述向量自回归模型滚动预测，以获取预测电量数据。
在本实施例较佳的实施方式中，所述装置设于监测点，实时采集本地电量数据和温度数据，以获取预测电量数据。针对传统电网电量预测在远程获取数据并运算，容易造成预测结果延迟，并且远程数据传输容易发生数据丢失或错误，从而造成预测精度不足等问题，本发明提出的电量预测装置内置自适应窗VAR模型算法，通过直接在监测点获取的电量、温度数据，并进行预测，采用动态滚动“生长”数据更新迭代，实现对电网运行的实时监测和异常预警，保障电网监测及预警的精准性，更好地服务广大用户。
需要说明的是，本实施例提供的模块与上文中提供的方法、实施方式类似，故不再赘述。另外需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，数据预处理模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上数据预处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC)，或，一个或多个DSP，或，一个或者多个FPGA等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如CPU或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以SoC的形式实现。
实施例三
图4显示为本实施例提出的一种基于自适应窗的电量指纹监测装置001结构示意图。电网线路、台区和用户等所形成的用电特性、正常线损特性等具有各自的电量属性特征，这像人类的指纹一样，综合反映了各自不同的用电特征和线损特征，本发明提出的电量预测方法和装置基于所采集的电量数据和温度数据对电量进行预测，反映了电网的电量属性特征，也可以称作电量指纹监测方法或装置。本实施例提出的电量指纹监测装置001包括：电能感知模块002、温度感知模块003、信息存储模块004(其中包括数据模块005和信息控制模块006)、微控制器007、通信模块008、外围部件009。自适应窗VAR模型算法内置于信息控制模块006，由程序固化或者远程控制定期执行，并向后台传输算法运算的结果。其具体工作方式介绍如下：
在电量指纹监测装置(001)中，电能感知模块(002)按小时采集电网电量数据，温度感知模块(003)按小时采集温度数据，两者采集的数据可分别通过微控制器(007)预处理后存储于信息存储模块(004)中的数据模块(005)。微控制器(007)根据已固化存储于信息控制模块(007)的定时处理程序启动自适应窗VAR模型算法(信息控制模块006用于存储装置控制运行程序、算法程序，数据模块005用于存储电能感知模块采集的电量数据、微控制器计算过程数据、算法预测数据)。自适应窗VAR模型算法首先开展自适应窗操作，处理电能感知模块(002)采集的电量数据与温度感知模块(003)采集的温度数据，获得融合气象温度数据，然后自适应窗VAR模型算法综合计及融合气象温度数据对电量数据进行预测计算，获得的电量指纹一方面存储于数据模块(005)，另一方面通过通信模块(008)传输至电网后台。
可选的，电能感知模块002可采用电流互感器、电压互感器，温度感知模块002可采用金属温度传感器、电阻温度传感器、热电偶传感器等，信息存储模块004可采用铁电存储器、闪存、E2PROM等类型存储器芯片，微控制器007可采用ARM、RISC-V、MSP430架构的16位及以上处理器芯片，通信模块008可采用蓝牙、红外、WiFi、2G/3G/4G/5G、NB-IOT、LoRa、Zigbee、Z-wave以及MavLink等通信电路，外围部件009可选用电源、显示LED灯、时钟等配套物件。
实施例四
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前文所述基于自适应窗的电量预测方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例五
图5显示为本发明实施例提供的一种电子终端的结构示意图。本实施例提供的电子终端，包括：处理器51、存储器52、通信器53；存储器52通过系统总线与处理器51和通信器53连接并完成相互间的通信，存储器52用于存储计算机程序，通信器53用于和其它设备进行通信，处理器51用于运行计算机程序，使电子终端执行如上基于自适应窗的电量预测方法的各个步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其它设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM)，也可能还包括非易失性存储器(Non-Volatile Memory,NVM)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括CPU、网络处理器(Network Processor,NP)等；还可以是DSP、ASIC、FPGA或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明提供基于自适应窗的电量预测方法、装置、存储介质及终端，其采用自适应窗对数据进行预处理，可以最大程度地融合温度数据包含的信息，从而更准确地获取气象温度变化对用户用电量的影响程度，提高了电量预测的准确性；并且采用自适应窗可灵活根据所获取的数据样本的大小进行自适应调整，更好地适应数据采集周期和滚动预测周期，提高了本发明的适用范围；基于最新获取的相关数据向前滚动预测，预测结果具有更高的准确性，并且也避免了多步预测中可能造成的误差累积，本发明提出的预测方法简单，便于实现，且耗时较短，所对应的预测装置可直接设于监测点进行实时数据采集及预测，进一步降低了预测的延迟性。因此，本发明有效克服了现有技术中的种种缺点而具有高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (9)
1.一种基于自适应窗的电量预测方法，其特征在于，包括：
获取原始电量数据和原始温度数据；
基于自适应窗预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据；
基于所述标准电量数据和融合温度数据，建立向量自回归模型；
采用所述向量自回归模型滚动预测，以获取预测电量数据；
所述原始电量数据和原始温度数据的预处理方式包括：
标准化处理所述原始电量数据和原始温度数据，通过消除并均值补全所述原始电量数据和原始温度数据的异常值和缺失值，以获得标准电量数据和标准温度数据；将所述标准电量数据映射到所述标准温度数据的变化范围内以获得归一化标准电量数据；
基于所述自适应窗的初始窗口宽度，获取标准电量数据序列及其对应时间的标准温度数据序列，并计算电量数据序列与温度数据序列之间的相关系数；
更新所述自适应窗的宽度直至预设窗口宽度，迭代计算所述相关系数以获取最相关温度数据序列；
迭代更新自适应窗操作，依时间顺序排列合并所述最相关温度数据序列以获得所述融合温度数据。
2.根据权利要求1所述的电量预测方法，其特征在于，所述原始温度数据包括低温数据和高温数据；所述方法还包括：
基于所述自适应窗的初始窗口宽度，获取标准电量数据序列、标准低温数据序列和标准高温数据序列，分别计算电量数据序列与高温数据序列和低温数据序列之间的相关系数，并比较获取较大相关系数；
更新所述自适应窗的宽度直至预设窗口宽度，迭代计算所述较大相关系数以获取所述最相关温度数据。
3.根据权利要求1所述的电量预测方法，其特征在于，所述方法还包括：检验所述标准电量数据和所述融合温度数据的序列平稳性，并对其中非平稳的序列进行平稳化处理。
4.根据权利要求1所述的电量预测方法，其特征在于，所述向量自回归模型的建立方式包括：采用最小二乘法或最大似然估计求解所述模型的模型参数。
5.根据权利要求4所述的电量预测方法，其特征在于，所述模型参数包括滞后阶数；所述方法还包括：基于贝叶斯信息准则确定所述滞后阶数的最优值。
6.一种基于自适应窗的电量预测装置，其特征在于，包括：
数据获取模块，用于获取原始电量数据和原始温度数据；
数据预处理模块，用于基于自适应窗预处理所述原始电量数据和原始温度数据，以获得标准电量数据和融合温度数据；
模型建立模块，用于基于所述标准电量数据和融合温度数据，建立向量自回归模型；
滚动预测模块，用于采用所述向量自回归模型滚动预测，以获取预测电量数据；
所述原始电量数据和原始温度数据的预处理方式包括：
标准化处理所述原始电量数据和原始温度数据，通过消除并均值补全所述原始电量数据和原始温度数据的异常值和缺失值，以获得标准电量数据和标准温度数据；将所述标准电量数据映射到所述标准温度数据的变化范围内以获得归一化标准电量数据；
基于所述自适应窗的初始窗口宽度，获取标准电量数据序列及其对应时间的标准温度数据序列，并计算电量数据序列与温度数据序列之间的相关系数；
更新所述自适应窗的宽度直至预设窗口宽度，迭代计算所述相关系数以获取最相关温度数据序列；
迭代更新自适应窗操作，依时间顺序排列合并所述最相关温度数据序列以获得所述融合温度数据。
7.根据权利要求6所述的电量预测装置，其特征在于，所述装置设于监测点，实时采集本地电量数据和温度数据，以获取预测电量数据。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述基于自适应窗的电量预测方法。
9.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至5中任一项所述基于自适应窗的电量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110183092.1A CN112907064B (zh) | 2021-02-08 | 2021-02-08 | 基于自适应窗的电量预测方法、装置、存储介质及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110183092.1A CN112907064B (zh) | 2021-02-08 | 2021-02-08 | 基于自适应窗的电量预测方法、装置、存储介质及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112907064A CN112907064A (zh) | 2021-06-04 |
| CN112907064B true CN112907064B (zh) | 2024-04-02 |
Family
ID=76123362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110183092.1A Active CN112907064B (zh) | 2021-02-08 | 2021-02-08 | 基于自适应窗的电量预测方法、装置、存储介质及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112907064B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114239983A (zh) * | 2021-12-22 | 2022-03-25 | 广东电网有限责任公司 | 一种目标区域的人口流量预测方法及相关装置 |
| CN114065878A (zh) * | 2022-01-17 | 2022-02-18 | 国网山东省电力公司泰安供电公司 | 一种基于多参量物联融合技术的电量缺失值填补方法 |
| CN114549095B (zh) * | 2022-04-25 | 2022-08-09 | 江西师范大学 | 一种基于时间序列的滑动窗口式售电量预测方法 |
| CN117728566B (zh) * | 2023-12-05 | 2024-08-27 | 国网安徽省电力有限公司黄山供电公司 | 一种移动储能远程控制方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930354A (zh) * | 2012-11-06 | 2013-02-13 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
| CN106022388A (zh) * | 2016-05-30 | 2016-10-12 | 重庆大学 | 一种多特征融合的加注泵异常工况检测方法 |
| CN107748938A (zh) * | 2017-11-06 | 2018-03-02 | 国网福建省电力有限公司 | 一种基于向量自回归模型的电力需求预测方法 |
| CN109995067A (zh) * | 2019-01-15 | 2019-07-09 | 东北电力大学 | 一种直流配电网换流站多功能备用电源控制方法 |
| CN110990766A (zh) * | 2019-10-17 | 2020-04-10 | 广州南方卫星导航仪器有限公司 | 一种数据预测方法及存储介质 |
| CN111667377A (zh) * | 2020-04-24 | 2020-09-15 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10462445B2 (en) * | 2016-07-19 | 2019-10-29 | Fotonation Limited | Systems and methods for estimating and refining depth maps |
| US20190036482A1 (en) * | 2017-07-28 | 2019-01-31 | Nec Laboratories America, Inc. | Adaptive power management of energy storage for pv output control |
-
2021
- 2021-02-08 CN CN202110183092.1A patent/CN112907064B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102930354A (zh) * | 2012-11-06 | 2013-02-13 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
| CN106022388A (zh) * | 2016-05-30 | 2016-10-12 | 重庆大学 | 一种多特征融合的加注泵异常工况检测方法 |
| CN107748938A (zh) * | 2017-11-06 | 2018-03-02 | 国网福建省电力有限公司 | 一种基于向量自回归模型的电力需求预测方法 |
| CN109995067A (zh) * | 2019-01-15 | 2019-07-09 | 东北电力大学 | 一种直流配电网换流站多功能备用电源控制方法 |
| CN110990766A (zh) * | 2019-10-17 | 2020-04-10 | 广州南方卫星导航仪器有限公司 | 一种数据预测方法及存储介质 |
| CN111667377A (zh) * | 2020-04-24 | 2020-09-15 | 南方电网能源发展研究院有限责任公司 | 一种全自动用电量预测方法及其系统 |
Non-Patent Citations (4)
| Title |
|---|
| "Application for prediction of time series data stream based on Online HHT method";Zhou Yong et al;Computer Engineering and Applications;第47卷(第3期);第142-145页 * |
| "基于核密度估计的实时剩余寿命预测";张卫贞等;计算机集成制造系统;第26卷(第7期);1794-1801 * |
| 基于时间窗口和自适应加权的能源互联网数据融合方法;胡伟;赵文会;;系统管理学报(05);第907-912页 * |
| 粒子图像测速技术中的自适应选窗技术;李木国;杜海;崔恒;;计算机辅助设计与图形学学报(03);第356-359页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112907064A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112907064B (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
| Wang et al. | Short-term load forecasting for industrial customers based on TCN-LightGBM | |
| CN109376953B (zh) | 一种中长期电量预测方法及系统 | |
| CN112907062B (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
| CN110969285B (zh) | 预测模型训练方法、预测方法、装置、设备及介质 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
| CN114781184A (zh) | 一种数字化能耗在线安全监测管理方法及系统 | |
| CN113537850A (zh) | 仓储优化方法、装置、计算机设备和存储介质 | |
| KR20170106686A (ko) | 가정의 에너지 사용량 예측 방법 및 장치 | |
| CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
| Day et al. | Residential power load forecasting | |
| CN114399101A (zh) | 基于tcn-bigru的燃气负荷预测方法和装置 | |
| CN113449904A (zh) | 多能负荷预测方法、装置及设备 | |
| JP7062144B1 (ja) | 電力需要予測装置及び電力需要予測方法 | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| Wan et al. | Neural network model comparison and analysis of prediction methods using ARIMA and LSTM models | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
| Amorim et al. | A new formulation of multinodal short-term load forecasting based on adaptive resonance theory with reverse training | |
| CN113869556A (zh) | 一种用电量预测方法、装置及设备 | |
| CN117592510A (zh) | 一种基于安全约束的负荷预测方法与系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |