CN113222403A - 基于大数据的电力调节方法、装置、存储介质及电子设备 - Google Patents
基于大数据的电力调节方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113222403A CN113222403A CN202110504073.4A CN202110504073A CN113222403A CN 113222403 A CN113222403 A CN 113222403A CN 202110504073 A CN202110504073 A CN 202110504073A CN 113222403 A CN113222403 A CN 113222403A
- Authority
- CN
- China
- Prior art keywords
- unit time
- electricity
- power
- power consumption
- unit
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000005611 electricity Effects 0.000 claims abstract description 104
- 238000010248 power generation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 39
- 230000003750 conditioning effect Effects 0.000 claims description 16
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013524 data verification Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012935 Averaging Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 239000002699 waste material Substances 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012216 screening 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例公开了一种基于大数据的电力调节方法、装置、存储介质及电子设备，属于电力计量领域，该方法包括：获取用户在历史时间区间内各个单位时间的用电特征信息；其中，用电特征信息包括：实际用电量、天气特征和节假日特征，历史时间区间对应第n‑m个单位时间到第n个单位时间，n≥1且n＞m；根据历史时间区间的用电特征信息拟合电量预测模型；获取第n+1个单位时间的天气特征和节假日特征；将第n+1个单位时间的天气特征和节假日特征输入到电量预测模型得到第n+1个单位时间的预测用电量；根据第n+1个单位时间的预测用电量确定第n+1个单位时间的发电量，本申请采用滚动的方式准确的预测未来时间段的用电量，以提高电能的利用率。
Description
技术领域
本申请涉及电力计量领域，尤其涉及一种基于大数据的电力调节方法、装置、存储介质及电子设备。
背景技术
节约用电的观念已深入人心，然而用户的用电量不稳定也是对电能的浪费，例如：在某个时间段，发电厂的发电量较大，而用电量却较小，多出的电量就会浪费，发电厂产生的交流电是无法存储的，而电厂往往会为了满足电量需求高峰的需求，又需要提高其机组数，提高发电量，造成了资源的浪费。因此，如何提高发电厂的电能利用率是目前亟待解决的问题。
发明内容
本申请实施例提供了一种基于大数据的电力调节方法、装置、存储介质及电子设备，可以解决相关技术中发电量和用电量不匹配造成电能浪费的问题。
所述技术方案如下：
第一方面，本申请实施例提供了一种基于大数据的电力调节方法，所述方法包括：
获取用户在历史时间区间内各个单位时间的用电特征信息；其中，所述用电特征信息包括：实际用电量、天气特征和节假日特征，所述历史时间区间对应第n-m个单位时间到第n个单位时间，n≥1且n＞m；
根据历史时间区间的用电特征信息拟合电量预测模型；
获取第n+1个单位时间的天气特征和节假日特征；
将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量；
根据所述第n+1个单位时间的预测用电量确定所述第n+1个单位时间的发电量。
第二方面，本申请实施例提供了一种基于大数据的电力调节装置，包括：
获取单元，用于获取用户在历史时间区间内各个单位时间的用电特征信息；其中，所述用电特征信息包括：实际用电量、天气特征和节假日特征，所述历史时间区间对应第n-m个单位时间到第n个单位时间，n大于m且为正整数；
拟合单元，用于根据历史时间区间的用电特征信息拟合电量预测模型；
所述获取单元，还用于获取第n+1个单位时间的天气特征和节假日特征；
计算单元，用于将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量；
调节单元，用于根据所述第n+1个单位时间的预测用电量确定所述第n+1个单位时间的发电量。
第三方面，本申请实施例提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种电子设备，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括：
利用用户在历史时间区间内的用电特征信息拟合生成电量预测模型，然后利用电量预测模型预测与历史时间区间相邻的未来的单位时间的预测用电量，基于预测用电量调节发电厂在未来的单位时间的发电量，本申请利用大数据和机器学习算法相关技术，对用户的用电量进行建模，实现准确的预测用户所需的用电量，进而提高电能的利用率和发电厂的经济效益。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的网络结构图；
图2是本申请实施例提供的一种基于大数据的电力调节方法的流程示意图；
图3是本申请实施例提供的一种基于大数据的电力调节方法的另一流程示意图；
图4是本申请实施例提供的一种装置的结构示意图；
图5是本申请实施例提供的一种装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例方式作进一步地详细描述。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
参见图1，为本申请实施例提供的一种网络架构图，本申请的网络架构包括：电表11、基于大数据的电力调节装置12和多个负荷13～16，如图1所示，多个负荷分别为空调13、电风扇14、电冰箱15和笔记本电脑16。
其中，电表11用于测量电力线上的电气数据，电表11可以为智能电表或普通电表。电力线包括零线N和火线L，电表11设置在电力线的入口处，各个负荷以并联的方式连接到电力线上。电表11与基于大数据的电力调节装置12之间进行通信，通信方式可以采用有线通信方式(例如：光线、双绞线或输电线)或无线通信方式(例如：蓝牙、微波或射频等)。基于大数据的电力调节装置11可以为服务器或服务设备，其数量可以是一个或多个，基于大数据的电力调节装置11用于根据电表采集的用户在历史时间区间内的用电特征信息，预测该用户在未来时间区间内的用电量，用电特征信息包括：实际用电量、天气特征和节假日特征。
基于图1的网络架构，请参见图2，为本申请实施例提供的一种基于大数据的电力调节方法的流程示意图。如图2所示，本申请实施例的所述方法可以包括以下步骤：
S201、获取用户在历史时间区间内各个单位时间的用电特征信息。
其中，用户指的是电力用户，即消耗电能的用户。历史时间区间由m个单位时间组成，m为大于1的整数，单位时间的长度可以根据实际需求而定，例如：单位时间可以为小时、天或周等，容易理解，单位时间的粒度越小，预测的精度会越高，但是运算量也会相应增大。用电特征信息包括：实际用电量、天气特征和节假日特征，实际用电量为部署在用户侧的电表测量得到的；天气特征可以是部署在用户侧的传感器测量得到或从气象服务器中获取的，天气特征包括但不限于：温度、速度、气压、海拔和风速中的一种或多种；节假日特征表示单位时间是否包括节假日，以及节假日的长度，本身在可以从日历服务器中获取节假日特征。
其中，历史时间区间第n-m个单位时间至第n个单位时间组成，n＞m，n大于或等于1，m大于1，且m和n为整数，例如：m＝30，n＝31，单位时间为天，历史时间区间由第1到第31天组成。
S202、根据历史时间区间的用电特征信息拟合电量预测模型。
其中，电子设备对S201中获取到的m个用电特征信息进行拟合得到电量预测模型。
在一种可能的实施方式中，拟合算法为线性回归算法。线性回归算法是利用线性回归方程的最小平方函数对一个或多个自变量和因变量之间的关系进行建模的一种回归分析，拟合得到的函数是一种一个或多个成为回归系数的模型参数的线性组合，线性回归算法具有操作简单和运算速度快的有点。
在另一种可能的实施方式中，拟合算法为Boosting算法，其基本原理为将多个弱分类器进行组合，每轮迭代都对分类器的占比进行调整，从而使弱分类器组合形成一个强分类器。Boosting算法可以为Adaboost算法、GBDT算法或XGBoost算法。
S203、获取第n+1个单位时间的天气特征和节假日特征。
其中，第n+1个单位时间是未来时间区间，第n+1个单位时间为第n个单位时间的下一单位时间，例如：根据S202的例子，获取第32天的天气特征和节假日特征，天气特征可以在气象服务器中获取，节假日特征可以在本地的日历或网络中部署的日历服务器中获取，或其他方式获取，本申请不作限制。
S204、将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量。
其中，在电量预测模型为函数时，将天气特征和节假日特征的数值输入到函数中求解得到第n+1个单位时间的预测用电量；在电量预测模型为分类器时，将天气特征和节假日特征转换为特征向量，将特征向量输入到分类器中得到预测用电量。
S205、根据所述第n+1个单位时间的预测用电量确定所述第n+1个单位时间的发电量。
其中，在n+1个单位时间开始之前，根据其预测用电量规划第n+1个单位时间内的发电量，例如：可以将第n+1个单位内的发电量等于其预测用电量，或在预测用电量的基础上加上预设的冗余量得到第n+1个单位时间内的发电量。
其中，在第n+1个单位时间结束时，通过电表获取第n+1个单位时间该用户的实际用电量，然后在预测第n+2个单位时间的预测用电量时，可以利用第n+2个单位时间的前m个单位时间的用电特征信息进行预测，预测过程和S201～S205相同，这样可以采用滚动的方式预测用电量，数据量保持不变，这样提高预测精度同时不会增加运算量。
在本实施例中，利用用户在历史时间区间内的用电特征信息拟合生成电量预测模型，然后利用电量预测模型预测与历史时间区间相邻的未来的单位时间的预测用电量，基于预测用电量调节发电厂在未来的单位时间的发电量，本申请利用大数据和机器学习算法相关技术，对用户的用电量进行建模，实现准确的预测用户所需的用电量，进而提高电能的利用率和发电厂的经济效益。
参见图3，为本申请实施例提供的一种基于大数据的电力调节方法的另一流程示意图，在本申请实施例中，所述方法包括：
S301、获取用户在历史时间区间内各个单位时间的原始用电信息。
其中，用户指的是电力用户，即消耗电能的用户，用户的类型可以是：商业用户、工业用户和居民用户等。历史时间区间由m个单位时间组成，单位时间的粒度可以为小时、天或周等，容易理解，单位时间的粒度越小，预测的精度会提高，但是相应的运算量也会增加。原始用电信息包括：实际用电量、天气特征和节假日特征，实际用电量表示用户在单位时间内的实际耗电量，天气特征表示用户在单位时间内的天气情况，节假日特征表示用户在单位时间内是否为节假日以及放假天数。进一步的，用电特征信息还可以包括：负荷类型，负荷类型表示用户在单位时间内处于工作状态的负荷的类型，以进一步提高预测的精度。
S302、对原始用电信息进行数据审核、数据清洗和数据标准化归一化处理后得到用电特征信息。
其中，在实际场景中，电子设备采集到的原始用电信息往往存在不完整、缺失值或重复值等问题，这些有问题的数据称为脏数据，如果利用这些脏数据拟合电量预测模型的话，会降低电量预测模型的准确度。本申请在拟合之前对原始用电信息进行数据预处理，数据预处理包括数据审核、数据清洗和数据标准化归一化，数据审核用于从原始用电信息中筛选出不符合要求的数据，例如：属性值不合法、超出时效或其他的不符合要求的数据；数据清洗主要对原始用电信息中的噪声数据和无关数据进行清洗，以及对原始用电信息中的空缺值、异常值进行填充或修改；数据标准化归一化主要用于将数据按比例缩放，使其值落入到指定的区间内。
S303、根据历史时间区间的用电特征信息拟合电量预测模型。
其中，电子设备对S302中获取到的m个用电特征信息进行拟合得到电量预测模型。
在一种可能的实施方式中，拟合算法为线性回归算法。线性回归算法是利用线性回归方程的最小平方函数对一个或多个自变量和因变量之间的关系进行建模的一种回归分析，拟合得到的函数是一种一个或多个成为回归系数的模型参数的线性组合，线性回归算法具有操作简单和运算速度快的有点。
在另一种可能的实施方式中，拟合算法为Boosting算法，其基本原理为将多个弱分类器进行组合，每轮迭代都对分类器的占比进行调整，从而使弱分类器组合形成一个强分类器。Boosting算法可以为Adaboost算法、GBDT算法或XGBoost算法。
在另一种可能的实施例中，为了提高预测用电量的准确性，本申请基于长短期记忆网络(long-short term memory，LSTM)预测用户的用电量。由于RNNs在训练时采用BPTT反向传播算法，当遇到长间隔的序列在反向传播通过链式法则求梯度时会出现梯度消失的现象，且梯度消失的现象随着时间跨度越长越严重，这使得RNNs在针对长范围的序列时难以有效的训练。为了解决RNNs无法有效地利用长间隔序列问题，本申请修改了RNNs中的隐藏层神经元，将其设计成一种长短期记忆网络，通过3种门结构：遗忘门、输入门和输出门来控制神经源对历史信息的记忆，t时刻的计算过程如下：
it＝sigmoid(Wxixt+Whiht-1+Wcict+bi)
ft＝sigmoid(Wxfxt+Whfht-1+Wcfct+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝sigmoid(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)。
式中，i、f和o分别表示输入门、遗忘门和输出门；c表示记忆单元，h表示隐层输出，其下标表示时刻t；W表示连接权重，其下标表示权重关联项，例如：Wxi表示从输入层到输入门的权重，b为偏置项。根据i、f和o在[0，1]范围的取值，来控制历史信息通过门结构的比例。Tanh和sigmoid为激活函数。
进一步的，本申请可预先配置有多种不同的拟合算法，在每次拟合之前可以根据实际需求选择不同的拟合算法，以提高拟合得到的电量预测模型的准确度。
S304、在n+1个单位时间开始之前，从气象服务器中获取第n+1个单位时间的天气特征。
其中，天气特征包括：温度、湿度、气压和风速，电子设备通过气象服务器的调用接口向气象服务器发送查询请求，查询请求携带第n+1个单位时间的时间信息，然后接收气象服务器返回的查询响应，解析查询响应得到第n+1个单位时间的天气特征。
例如：单位时间为天，第n+1个单位时间为5月1日，电子设备在5月1日之前向气象服务器发送携带时间信息的查询请求，查询5月1日的天气特征，气象服务器返回5月1日的天气特征。
S305、从日历服务器中获取第n+1个单位时间的节假日特征。
其中，电子设备可以通过日历服务器的调用接口查询第n+1个单位时间的节假日特征。例如：根据S304的例子，日历服务器查询到5月1日为节假日，向电子设备返回表示节假日和放假1天的信息。
S306、将第n+1个单位时间的天气特征和节假日特征输入到电量预测模型得到第n+1个单位时间的预测用电量。
其中，在电量预测模型为函数时，将天气特征和节假日特征的数值输入到函数中求解得到第n+1个单位时间的预测用电量；在电量预测模型为分类器时，将天气特征和节假日特征转换为特征向量，将特征向量输入到分类器中得到预测用电量。
S307、计算历史时间区间内各个单位时间的用电偏移量。
其中，历史时间区间包含多个单位时间，各个单位时间具有一个实际用电量和预测用电量，根据各个单位时间的实际用电量和预测用电量计算在历史时间区间内的总的用电偏移量，
例如：单位时间为天，历史时间区间包括m天，每天的实际用电量和预测用电量分别为：(x1，y1)、……(xm，ym)，x表示实际用电量，y表示预测用电量，则该历史时间区间的用电偏移量为
S308、将电量预测模型的输出值和用电偏移量求和得到第n+1个单位时间内的预测用电量。
其中，根据电量预测模型的输出值加上S307中计算得到的用电偏移量得到第n+1个单位时间内的预测用电量。
S309、根据第n+1个单位时间的预测用电量确定第n+1个单位时间的发电量。
其中，在n+1个单位时间开始之前，根据其预测用电量规划第n+1个单位时间内的发电量，例如：可以将第n+1个单位内的发电量等于其预测用电量，或在预测用电量的基础上加上预设的冗余量得到第n+1个单位时间内的发电量。
S310、在第n+1个单位时间结束时，计算第n+1个单位时间的预测用电量和实际用电量之间的用电量误差。
其中，在第n+1个单位时间结束时，通过电表获取第n+1个单位时间内的实际用电量，然后计算S308中的预测用电量和实际用电量之间的用电量误差。
S311、在用电量误差大于误差阈值时，切换第n+1个单位时间对应的拟合算。
其中，电子设备预配置有多个拟合算法，在S310中计算得到的用电量误差大于误差阈值时，说明第n+1个单位时间对应的拟合算法不准确，那么在第n+2个单位时间进行预测时，切换拟合算法。例如：第n+1个单位时间使用线性回归算法，那么在第n+2个单位时间使用机器学习算法来拟合。
S312、计算历史时间区间各个单位时间的平均实际用电量和平均电价。
其中，历史时间区间包含m个单位时间，将m个单位时间的实际用电量进行平均得到平均实际用电量，以及将m个单位时间的电价进行平均得到平均电价，平均的方法包括但不限于加权平均，算法平均或几何平均等。
S313、根据平均实际用电量和平均电价计算平均用电支出费用。
其中，将平均实际用电量乘以平均电价得到单位时间内的平均用电支出费用。
S314、基于平均用电支出费用和第n+1个单位时间内的预测用电量生成用户在第n+1个单位时间内的协议电价。
其中，将S313中计算得到的平均用电支出费用除第n+1个单位时间内的预测用电量得到协议电价，协议电价可能会高于第n个单位时间的电价或低于第n个单位时间的电价，这样可以通过电价调节的手段来控制用户在第n+1个单位时间内的实际用电量趋近与预测用电量，进一步提高电能的利用率。
实施本实施例，利用用户在历史时间区间内的用电特征信息拟合生成电量预测模型，然后利用电量预测模型预测与历史时间区间相邻的未来的单位时间的预测用电量，基于预测用电量调节发电厂在未来的单位时间的发电量，本申请利用大数据和机器学习算法相关技术，对用户的用电量进行建模，实现准确的预测用户所需的用电量，进而提高电能的利用率和发电厂的经济效益。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图4，其示出了本申请一个示例性实施例提供的基于大数据的电力调节装置的结构示意图。该基于大数据的电力调节装置可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该装置4包括：获取单元41、拟合单元42、计算单元43和调节单元44。
获取单元41，用于获取用户在历史时间区间内各个单位时间的用电特征信息；其中，所述用电特征信息包括：实际用电量、天气特征和节假日特征，所述历史时间区间对应第n-m个单位时间到第n个单位时间，n大于m且为正整数；
拟合单元42，用于根据历史时间区间的用电特征信息拟合电量预测模型；
所述获取单元41，还用于获取第n+1个单位时间的天气特征和节假日特征；
计算单元43，用于将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量；
调节单元44，用于根据所述第n+1个单位时间的预测用电量确定所述第n+1个单位时间的发电量。
在一个或多个可能的实施例中，所述根据历史时间区间的用电特征信息拟合电量预测模型，包括：
利用线性回归算法对所述历史时间区间的用电特征信息进行拟合得到电量预测模型；或
基于Boosting提升树算法对所述历史时间区间的用电特征信息进行训练得到电量预测模型。
在一个或多个可能的实施例中，所述将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量，还包括：
计算所述历史时间区间内各个单位时间的用电偏移量；
将所述电量预测模型的输出值和所述用电偏移量求和得到所述第n+1个单位时间内的预测用电量。
在一个或多个可能的实施例中，装置4还包括：
切换单元，用于在所述第n+1个单位时间结束时，计算所述第n+1个单位时间的预测用电量和实际用电量之间的用电量误差；
在所述用电量误差大于误差阈值时，切换所述第n+1个单位时间对应的拟合算法。
在一个或多个可能的实施例中，
调节单元44，还用于计算所述历史时间区间各个单位时间的平均实际用电量和平均电价；
根据所述平均实际用电量和所述平均电价计算平均用电支出费用；
基于所述平均用电支出费用和所述第n+1个单位时间内的预测用电量生成所述用户在所述第n+1个单位时间内的协议电价。
在一个或多个可能的实施例中，所述确定第n+1个单位时间的天气特征和节假日特征，包括：
在所述n+1个单位时间开始之前，从气象服务器中获取所述第n+1个单位时间的天气特征；所述天气特征包括：温度、湿度、气压和风速；
从日历服务器中获取所述第n+1个单位时间的节假日特征。
在一个或多个可能的实施例中，所述获取用户在历史时间区间内各个单位时间的用电特征信息，包括：
获取用户在历史时间区间内各个单位时间的原始用电信息；
对所述原始用电信息进行数据审核、数据清洗和数据标准化归一化处理后得到用电特征信息。
需要说明的是，上述实施例提供的基于大数据的电力调节装置在执行基于大数据的电力调节方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于大数据的电力调节装置与基于大数据的电力调节方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
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。
本申请实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图2所示实施例的方法步骤，具体执行过程可以参见图2所示实施例的具体说明，在此不进行赘述。
请参见图5，为本申请实施例提供了一种装置的结构示意图。如图5所示，装置可以是图1中的基于大数据的电力调节装置，所述基于大数据的电力调节装置1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，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)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
在图5所示的电子设备1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的配置应用程序接口的应用程序，并具体执行以下操作：
获取用户在历史时间区间内各个单位时间的用电特征信息；其中，所述用电特征信息包括：实际用电量、天气特征和节假日特征，所述历史时间区间对应第n-m个单位时间到第n个单位时间，n≥1且n＞m；
根据历史时间区间的用电特征信息拟合电量预测模型；
获取第n+1个单位时间的天气特征和节假日特征；
将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量；
根据所述第n+1个单位时间的预测用电量确定所述第n+1个单位时间的发电量。
在一个或多个可能的实施例中，处理器1001执行所述根据历史时间区间的用电特征信息拟合电量预测模型，包括：
利用线性回归算法对所述历史时间区间的用电特征信息进行拟合得到电量预测模型；或
基于Boosting提升树算法对所述历史时间区间的用电特征信息进行训练得到电量预测模型。
在一个或多个可能的实施例中，处理器1001执行所述将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量，还包括：
计算所述历史时间区间内各个单位时间的用电偏移量；
将所述电量预测模型的输出值和所述用电偏移量求和得到所述第n+1个单位时间内的预测用电量。
在一个或多个可能的实施例中，处理器1001还用于执行：
在所述第n+1个单位时间结束时，计算所述第n+1个单位时间的预测用电量和实际用电量之间的用电量误差；
在所述用电量误差大于误差阈值时，切换所述第n+1个单位时间对应的拟合算法。
在一个或多个可能的实施例中，处理器1001还用于执行：
计算所述历史时间区间各个单位时间的平均实际用电量和平均电价；
根据所述平均实际用电量和所述平均电价计算平均用电支出费用；
基于所述平均用电支出费用和所述第n+1个单位时间内的预测用电量生成所述用户在所述第n+1个单位时间内的协议电价。
在一个或多个可能的实施例中，处理器1001执行所述确定第n+1个单位时间的天气特征和节假日特征，包括：
在所述n+1个单位时间开始之前，从气象服务器中获取所述第n+1个单位时间的天气特征；所述天气特征包括：温度、湿度、气压和风速；
从日历服务器中获取所述第n+1个单位时间的节假日特征。
在一个或多个可能的实施例中，处理器1001执行所述获取用户在历史时间区间内各个单位时间的用电特征信息，包括：
获取用户在历史时间区间内各个单位时间的原始用电信息；
对所述原始用电信息进行数据审核、数据清洗和数据标准化归一化处理后得到用电特征信息。
本实施例的构思和图2或图3的方法实施例相同，其带来的技术效果也相同，具体过程可参照图2或图3实施例的描述，此处不再赘述。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (10)
1.一种基于大数据的电力调节方法，其特征在于，包括：
获取用户在历史时间区间内各个单位时间的用电特征信息；其中，所述用电特征信息包括：实际用电量、天气特征和节假日特征，所述历史时间区间对应第n-m个单位时间到第n个单位时间，n≥1且n＞m；
根据历史时间区间的用电特征信息拟合电量预测模型；
获取第n+1个单位时间的天气特征和节假日特征；
将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量；
根据所述第n+1个单位时间的预测用电量确定所述第n+1个单位时间的发电量。
2.根据权利要求1所述的方法，其特征在于，所述根据历史时间区间的用电特征信息拟合电量预测模型，包括：
利用线性回归算法对所述历史时间区间的用电特征信息进行拟合得到电量预测模型；或
基于Boosting提升树算法对所述历史时间区间的用电特征信息进行训练得到电量预测模型。
3.根据权利要求1所述的方法，其特征在于，所述将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量，还包括：
计算所述历史时间区间内各个单位时间的用电偏移量；
将所述电量预测模型的输出值和所述用电偏移量求和得到所述第n+1个单位时间内的预测用电量。
4.根据权利要求1所述的方法，其特征在于，还包括：
在所述第n+1个单位时间结束时，计算所述第n+1个单位时间的预测用电量和实际用电量之间的用电量误差；
在所述用电量误差大于误差阈值时，切换所述第n+1个单位时间对应的拟合算法。
5.根据权利要求1所述的方法，其特征在于，还包括：
计算所述历史时间区间各个单位时间的平均实际用电量和平均电价；
根据所述平均实际用电量和所述平均电价计算平均用电支出费用；
基于所述平均用电支出费用和所述第n+1个单位时间内的预测用电量生成所述用户在所述第n+1个单位时间内的协议电价。
6.根据权利要求1所述的方法，其特征在于，所述确定第n+1个单位时间的天气特征和节假日特征，包括：
在所述n+1个单位时间开始之前，从气象服务器中获取所述第n+1个单位时间的天气特征；其中，所述天气特征包括：温度、湿度、气压和风速；
从日历服务器中获取所述第n+1个单位时间的节假日特征。
7.根据权利要求1所述的方法，其特征在于，所述获取用户在历史时间区间内各个单位时间的用电特征信息，包括：
获取用户在历史时间区间内各个单位时间的原始用电信息；
对所述原始用电信息进行数据审核、数据清洗和数据标准化归一化处理后得到用电特征信息。
8.一种基于大数据的电力调节装置，其特征在于，包括：
获取单元，用于获取用户在历史时间区间内各个单位时间的用电特征信息；其中，所述用电特征信息包括：实际用电量、天气特征和节假日特征，所述历史时间区间对应第n-m个单位时间到第n个单位时间，n大于m且为正整数；
拟合单元，用于根据历史时间区间的用电特征信息拟合电量预测模型；
所述获取单元，还用于获取第n+1个单位时间的天气特征和节假日特征；
计算单元，用于将所述第n+1个单位时间的天气特征和节假日特征输入到所述电量预测模型得到第n+1个单位时间的预测用电量；
调节单元，用于根据所述第n+1个单位时间的预测用电量确定所述第n+1个单位时间的发电量。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1～7任意一项的方法步骤。
10.一种电子设备，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1～7任意一项的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110504073.4A CN113222403B (zh) | 2021-05-10 | 2021-05-10 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110504073.4A CN113222403B (zh) | 2021-05-10 | 2021-05-10 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113222403A true CN113222403A (zh) | 2021-08-06 |
| CN113222403B CN113222403B (zh) | 2023-10-27 |
Family
ID=77094532
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110504073.4A Active CN113222403B (zh) | 2021-05-10 | 2021-05-10 | 基于大数据的电力调节方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113222403B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114739090A (zh) * | 2022-04-13 | 2022-07-12 | 海信（山东）冰箱有限公司 | 一种冰箱及其耗电量监测方法 |
| CN115459270A (zh) * | 2022-11-03 | 2022-12-09 | 西安国智电子科技有限公司 | 城市高峰用电的配置方法、装置、计算机设备及存储介质 |
| CN116565846A (zh) * | 2023-05-11 | 2023-08-08 | 国网上海市电力公司 | 一种虚拟电厂需求预测方法、系统及可读存储介质 |
| TWI825844B (zh) * | 2022-07-13 | 2023-12-11 | 緯創資通股份有限公司 | 工廠用電的節能預估方法及電子裝置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108053074A (zh) * | 2017-12-26 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种用电量影响率的计算方法及系统 |
| CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
| CN108921323A (zh) * | 2018-06-04 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
| CN109726872A (zh) * | 2018-12-29 | 2019-05-07 | 华润电力技术研究院有限公司 | 一种能耗预测方法、装置、存储介质及电子设备 |
-
2021
- 2021-05-10 CN CN202110504073.4A patent/CN113222403B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
| CN108053074A (zh) * | 2017-12-26 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种用电量影响率的计算方法及系统 |
| CN108921323A (zh) * | 2018-06-04 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
| CN109726872A (zh) * | 2018-12-29 | 2019-05-07 | 华润电力技术研究院有限公司 | 一种能耗预测方法、装置、存储介质及电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114739090A (zh) * | 2022-04-13 | 2022-07-12 | 海信（山东）冰箱有限公司 | 一种冰箱及其耗电量监测方法 |
| TWI825844B (zh) * | 2022-07-13 | 2023-12-11 | 緯創資通股份有限公司 | 工廠用電的節能預估方法及電子裝置 |
| CN115459270A (zh) * | 2022-11-03 | 2022-12-09 | 西安国智电子科技有限公司 | 城市高峰用电的配置方法、装置、计算机设备及存储介质 |
| CN116565846A (zh) * | 2023-05-11 | 2023-08-08 | 国网上海市电力公司 | 一种虚拟电厂需求预测方法、系统及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113222403B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| US9639642B2 (en) | Time series forecasting ensemble | |
| Cai et al. | Day-ahead building-level load forecasts using deep learning vs. traditional time-series techniques | |
| Yang et al. | A hybrid forecasting approach applied in wind speed forecasting based on a data processing strategy and an optimized artificial intelligence algorithm | |
| Espinoza et al. | Electric load forecasting | |
| JP2020501491A (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
| Kathirgamanathan et al. | Development of a Soft Actor Critic deep reinforcement learning approach for harnessing energy flexibility in a Large Office building | |
| CN104820876A (zh) | 一种短期负荷预测方法和系统 | |
| 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 | |
| CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
| CN111738529A (zh) | 基于强化学习的综合能源系统需求响应方法、系统及设备 | |
| Santos et al. | Deep learning and transfer learning techniques applied to short-term load forecasting of data-poor buildings in local energy communities | |
| US20230324860A1 (en) | Estimating Energy Consumption for a Building Using Dilated Convolutional Neural Networks | |
| Desta et al. | Demand response scheduling in industrial asynchronous production lines constrained by available power and production rate | |
| Batbaatar et al. | DeepEnergy: Prediction of appliances energy with long-short term memory recurrent neural network | |
| CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
| Tong et al. | A customer-oriented method to support multi-tasks scheduling under uncertain time in cloud manufacturing | |
| JPH11175503A (ja) | 時系列データ予測装置 | |
| CN115577913A (zh) | 主动型负荷可调度潜力的计算方法、终端及存储介质 | |
| CN115640986A (zh) | 基于奖励的机器人调度方法、装置、设备及介质 | |
| Choi et al. | An algorithmic framework for improving heuristic solutions: Part II. A new version of the stochastic traveling salesman problem | |
| CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
| KR20150087986A (ko) | 가우시안 프로세스 모델링기반 에너지 사용량 예측 방법 | |
| CN114036723A (zh) | 综合能源系统运行状态预测方法、装置、设备及存储介质 | |
| CN108471362B (zh) | 资源分配预测方法和装置 |
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 |