CN113393120A - 能源消耗数据的确定方法及装置 - Google Patents
能源消耗数据的确定方法及装置 Download PDFInfo
- Publication number
- CN113393120A CN113393120A CN202110657292.6A CN202110657292A CN113393120A CN 113393120 A CN113393120 A CN 113393120A CN 202110657292 A CN202110657292 A CN 202110657292A CN 113393120 A CN113393120 A CN 113393120A
- Authority
- CN
- China
- Prior art keywords
- consumption data
- power consumption
- historical
- weight
- influence
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012545 processing Methods 0.000 claims description 35
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种能源消耗数据的确定方法及装置。该方法包括:获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素,其中,影响因素为影响历史电力消耗数据的大小的因素;确定各个影响因素的权重,其中,权重用于表征影响因素对历史电力消耗数据的大小的影响程度;根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据。通过本申请,解决了相关技术中基于历史能源消耗情况难以准确地预测未来能源消耗情况的问题。
Description
技术领域
本申请涉及能源技术领域,具体而言,涉及一种能源消耗数据的确定方法及装置。
背景技术
能源是国家经济发展的命脉,能源消耗分析对于引导政府决策、服务民生、提升企业业务水平与服务质量以及创新能源产业商业模式具有重要意义。
为了进行能源消耗分析,相关技术中出现了能源大数据技术,是将大数据技术应用于能源领域,是大数据技术在能源领域的深入应用,也是能源生产、消费与大数据理念的深度融合,其中,能源消耗的趋势预测是大数据技术应用于能源领域的一项重要应用。
但是,针对能源消耗而言,影响因素种类众多,当前能源大数据技术主要从能源消耗的主要影响因素、能源强度的测算方法与影响能源强度的相关因素分析等三个方面从宏观角度识别能源的影响因素,确定能源的影响因素不够准确全面,导致能源消耗的趋势预测不准确。
针对相关技术中基于历史能源消耗情况难以准确地预测未来能源消耗情况的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种能源消耗数据的确定方法及装置,以解决相关技术中基于历史能源消耗情况难以准确地预测未来能源消耗情况的问题。
根据本申请的一个方面,提供了一种能源消耗数据的确定方法。该方法包括:获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素,其中,影响因素为影响历史电力消耗数据的大小的因素;确定各个影响因素的权重,其中,权重用于表征影响因素对历史电力消耗数据的大小的影响程度;根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据。
可选地,确定各个影响因素的权重包括:采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行分析,得到各个影响因素的第一目标权重;通过特征重要性注意力模型对历史电力消耗数据以及各个影响因素进行分析,得到各个影响因素的第二目标权重;对各个影响因素的第一目标权重和第二目标权重进行融合,得到各个影响因素的权重。
可选地,采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第一目标权重包括:采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第一权重;采用灰色关联分析模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第二权重;对第一权重和第二权重进行加权平均处理,得到各个影响因素的第一目标权重。
可选地,获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素包括:获取各个来源的电力消耗数据,并对各个来源的电力消耗数据进行融合,得到历史电力消耗数据;对历史电力消耗数据进行数据清洗,得到清洗后的电力消耗数据;获取清洗后的电力消耗数据对应的各个影响因素,得到历史电力消耗数据关联的各个影响因素。
可选地,根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据包括:通过长短期记忆模型对历史第一时间段内的电力消耗数据以及各个影响因素的权重进行处理,得到未来第二时间段内的电力消耗数据。
可选地,在根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据之后,该方法还包括:基于未来第二时间段内的电力消耗数据以及待消耗的能源总量,确定电力消耗量在待消耗的能源总量的占比。
根据本申请的另一方面,提供了一种能源消耗数据的确定装置。该装置包括:获取单元,用于获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素,其中,影响因素为影响历史电力消耗数据的大小的因素;第一确定单元,用于确定各个影响因素的权重,其中,权重用于表征影响因素对历史电力消耗数据的大小的影响程度;第二确定单元,用于根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据。
可选地,第一确定单元包括:第一分析模块,用于采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行分析,得到各个影响因素的第一目标权重;第二分析模块,用于通过特征重要性注意力模型对历史电力消耗数据以及各个影响因素进行分析,得到各个影响因素的第二目标权重;融合模块,用于对各个影响因素的第一目标权重和第二目标权重进行融合,得到各个影响因素的权重。
可选地,第一分析模块包括:第一处理子模块,用于采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第一权重;第二处理子模块,用于采用灰色关联分析模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第二权重;第三处理子模块,用于对第一权重和第二权重进行加权平均处理,得到各个影响因素的第一目标权重。
可选地,获取单元包括:第一获取模块,用于获取各个来源的电力消耗数据,并对各个来源的电力消耗数据进行融合,得到历史电力消耗数据;数据清洗模块,用于对历史电力消耗数据进行数据清洗,得到清洗后的电力消耗数据;第二获取模块,用于获取清洗后的电力消耗数据对应的各个影响因素,得到历史电力消耗数据关联的各个影响因素。
可选地,第二确定单元还用于通过长短期记忆模型对历史第一时间段内的电力消耗数据以及各个影响因素的权重进行处理,得到未来第二时间段内的电力消耗数据。
可选地,该装置还包括:第三确定单元,用于在根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据之后,基于未来第二时间段内的电力消耗数据以及待消耗的能源总量,确定电力消耗量在待消耗的能源总量的占比。
根据本发明实施例的另一方面,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,程序运行时控制非易失性存储介质所在的设备执行一种能源消耗数据的确定方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包含处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种能源消耗数据的确定方法。
通过本申请,采用以下步骤:获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素,其中,影响因素为影响历史电力消耗数据的大小的因素;确定各个影响因素的权重,其中,权重用于表征影响因素对历史电力消耗数据的大小的影响程度;根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据,解决了相关技术中基于历史能源消耗情况难以准确地预测未来能源消耗情况的问题。通过确定电力消耗数据的各个影响因素的权重,进而达到了准确预测未来能源消耗情况的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,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提供的能源消耗数据的确定方法的流程图;以及
图2是根据本申请实施例提供的能源消耗数据的确定装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
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。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。
根据本申请的实施例,提供了一种能源消耗数据的确定方法。
图1是根据本申请实施例的能源消耗数据的确定方法的流程图。如图1所示,该方法包括以下步骤:
步骤S102,获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素,其中,影响因素为影响历史电力消耗数据的大小的因素。
具体地,历史电力消耗数据可以为特定区域在历史时间段内的用电量数据,历史用电量数据关联的各个影响因素可以包括人口因素、GDP因素、城市化比例因素、各类能源生产因素、各类能源消耗因素等,本实施例不限定影响因素的类型。
为了准确地确定历史电力消耗数据关联的各个影响因素,可选地,在本申请实施例提供的能源消耗数据的确定方法中,获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素包括:获取各个来源的电力消耗数据,并对各个来源的电力消耗数据进行融合,得到历史电力消耗数据;对历史电力消耗数据进行数据清洗,得到清洗后的电力消耗数据;获取清洗后的电力消耗数据对应的各个影响因素,得到历史电力消耗数据关联的各个影响因素。
具体地,在历史电力消耗数据为历史用电量数据的情况下,可以对不同归口、不同渠道获取的历史用电量数据进行数据汇聚和融合,将相同的数据进行合并,将异常数据进行剔除,并为历史用电量数据打上影响因素标签,得到清洗后的历史用电量数据及其影响因素,进一步的,可以采用图数据库对洗后的历史用电量数据及其影响因素进行存储,以便于直观的查看历史用电量数据与各个影响因素之间的关联关系。
需要说明的是,每个地区的电能消耗影响因素相互关系复杂,难以准确地获取地区电能消耗影响因素,本实施例获取多个来源的海量历史电力消耗数据,对历史电力消耗数据进行多维度的整理与分析,保障了数据源的准确性和唯一性,从而达到准确挖掘影响地区电能消耗的因素的目的。
步骤S104,确定各个影响因素的权重,其中,权重用于表征影响因素对历史电力消耗数据的大小的影响程度。
不同影响因素对对历史电力消耗数据的大小的影响程度不同,可选地,在本申请实施例提供的能源消耗数据的确定方法中,确定各个影响因素的权重包括:采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行分析,得到各个影响因素的第一目标权重;通过特征重要性注意力模型对历史电力消耗数据以及各个影响因素进行分析,得到各个影响因素的第二目标权重;对各个影响因素的第一目标权重和第二目标权重进行融合,得到各个影响因素的权重。
需要说明的是,电力消耗数据通常受到各个影响因素的影响,且不同影响因素对对历史电力消耗数据的大小的影响程度不同,在预测未来电力消耗数据时,需要考虑各个影响因素的重要性程度,也即,电力消耗数据的各个影响因素的权重。
具体地,由于随机森林重要性模型是树模型,可以对数据做更好的归纳,但拟合能力较差,且无法基于历史数据进行预测,而特征重要性注意力模型(LSTM)与随机森林重要性模型的特性相反,本实施例一方面通过LSTM自动学习各个影响因素的重要性,得到内部重要性,另一方面采用随机森林特征重要性模型分析各个影响因素的重要性,得到外部重要性,并对两种重要性进行融合,最终得到各个影响因素的重要性,也即权重,使得各个影响因素的权重更准确,从而提高预测未来电力消耗数据的准确性。
为了提高确定外部重要性的准确程度,可选地,在本申请实施例提供的能源消耗数据的确定方法中,采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第一目标权重包括:采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第一权重;采用灰色关联分析模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第二权重;对第一权重和第二权重进行加权平均处理,得到各个影响因素的第一目标权重。
需要说明的是,随机森林特征重要性模型为树模型,由多棵树构成,每一棵树都通过bootstrap采样,产生与样本数量相同个数的样本,记为Strain(又称为袋内数据),剩余未采样到的样本记为Stest(又称为袋外数据),通过拟合L2损失,得到学习后的回归树。进一步的,通过随机在Stest特征中加入噪音,根据测试准确率的变化,即可得到回归树的特征重要性度量,再根据在Stest上计算的可信度作为权重,将该权重与前面的特征重要性度量加权求和,最终生成每一个特征的重要性度量。
具体地,本申请通过随机森林特征重要性模型,可以计算出每一个影响因素的重要性,对这些影响因素进行一个排序,选择出重要性靠前的影响因素及其重要性,从而得到各个影响因素的第一权重。并通过灰色关联分析模型对历史电力消耗数据以及各个影响因素进行线性分析,得到各个影响因素的第二权重。进一步的,将第一权重和第二权重进行加权平均,提高了确定各个影响因素的外部权重的准确性。
通过本实施例,综合考虑影响地区电力消耗数据的各种影响因素,采用灰色关联分析结合随机森林特征重要性选择分析对每个影响因子的相关性系数进行判定,从而准确确定各电能消耗影响因素的影响权重。
步骤S106,根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据。
可选地,在本申请实施例提供的能源消耗数据的确定方法中,根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据包括:通过长短期记忆模型对历史第一时间段内的电力消耗数据以及各个影响因素的权重进行处理,得到未来第二时间段内的电力消耗数据。
具体地,将各个影响因素的权重作为LSTM模型的输入特征,结合历史第一时间段内的电力消耗数据,通过LSTM模型对未来用电量做预测分析。同时,还可以通过部分样例数据对模型进行修正拟合,根据模型预测结果整体相对误差对模型修正调参,进而实现对区域电力消耗数据的短期、中期以及长期预测。
为了优化能源结构,可选地,在本申请实施例提供的能源消耗数据的确定方法中,在根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据之后,该方法还包括:基于未来第二时间段内的电力消耗数据以及待消耗的能源总量,确定电力消耗量在待消耗的能源总量的占比。
具体地,电力能源为非化石能源,本实施例确定未来时间段内的电力消耗数据之后,还可以进行非化石能源现状及变动指标分析,对非化石能源占一次能源比重趋势进行动态跟踪,对能源消费侧电气化水平及电能在终端能源消费比重发展趋势性分析,为达年度电力终端消耗在非石化能源总量中的占有率目标提供指导。
在一种可选的实施方式中,还可以基于行业影响因素,分析不同行业尤其是高耗能行业、高增长行业(如电动汽车、煤改电取暖等)的用电用能趋势及不同行业对城市电力能耗在能源行业占有率的影响,具体地,可以利用方差相对贡献度分析法进行行业电力对地区电能消耗的贡献度,从而不仅实现了对电力消耗数据的预测,还对不同行业的电力消费情况进行整体分析,为挖掘电力消耗的潜力行业提供了数据支持。
本申请实施例提供的能源消耗数据的确定方法,通过获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素,其中,影响因素为影响历史电力消耗数据的大小的因素;确定各个影响因素的权重,其中,权重用于表征影响因素对历史电力消耗数据的大小的影响程度;根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据,解决了相关技术中基于历史能源消耗情况难以准确地预测未来能源消耗情况的问题。通过确定电力消耗数据的各个影响因素的权重,进而达到了准确预测未来能源消耗情况的效果。
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。
本申请实施例还提供了一种能源消耗数据的确定装置,需要说明的是,本申请实施例的能源消耗数据的确定装置可以用于执行本申请实施例所提供的用于能源消耗数据的确定方法。以下对本申请实施例提供的能源消耗数据的确定装置进行介绍。
图2是根据本申请实施例的能源消耗数据的确定装置的示意图。如图2所示,该装置包括:获取单元10、第一确定单元20和第二确定单元30。
获取单元10,用于获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素,其中,影响因素为影响历史电力消耗数据的大小的因素。
第一确定单元20,用于确定各个影响因素的权重,其中,权重用于表征影响因素对历史电力消耗数据的大小的影响程度。
第二确定单元30,用于根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据。
本申请实施例提供的能源消耗数据的确定装置,通过获取单元10获取历史电力消耗数据以及历史电力消耗数据关联的各个影响因素,其中,影响因素为影响历史电力消耗数据的大小的因素;第一确定单元20确定各个影响因素的权重,其中,权重用于表征影响因素对历史电力消耗数据的大小的影响程度;第二确定单元30根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据,解决了相关技术中基于历史能源消耗情况难以准确地预测未来能源消耗情况的问题,通过确定电力消耗数据的各个影响因素的权重,进而达到了准确预测未来能源消耗情况的效果。
可选地,在本申请实施例提供的能源消耗数据的确定装置中,第一确定单元10包括:第一分析模块,用于采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行分析,得到各个影响因素的第一目标权重;第二分析模块,用于通过特征重要性注意力模型对历史电力消耗数据以及各个影响因素进行分析,得到各个影响因素的第二目标权重;融合模块,用于对各个影响因素的第一目标权重和第二目标权重进行融合,得到各个影响因素的权重。
可选地,第一分析模块包括:第一处理子模块,用于采用随机森林特征重要性模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第一权重;第二处理子模块,用于采用灰色关联分析模型对历史电力消耗数据以及各个影响因素进行处理,得到各个影响因素的第二权重;第三处理子模块,用于对第一权重和第二权重进行加权平均处理,得到各个影响因素的第一目标权重。
可选地,获取单元10包括:第一获取模块,用于获取各个来源的电力消耗数据,并对各个来源的电力消耗数据进行融合,得到历史电力消耗数据;数据清洗模块,用于对历史电力消耗数据进行数据清洗,得到清洗后的电力消耗数据;第二获取模块,用于获取清洗后的电力消耗数据对应的各个影响因素,得到历史电力消耗数据关联的各个影响因素。
可选地,第二确定单元30还用于通过长短期记忆模型对历史第一时间段内的电力消耗数据以及各个影响因素的权重进行处理,得到未来第二时间段内的电力消耗数据。
可选地,该装置还包括:第三确定单元,用于在根据历史第一时间段内的电力消耗数据以及各个影响因素的权重,确定未来第二时间段内的电力消耗数据之后,基于未来第二时间段内的电力消耗数据以及待消耗的能源总量,确定电力消耗量在待消耗的能源总量的占比。
所述能源消耗数据的确定装置包括处理器和存储器,上述获取单元10、第一确定单元20和第二确定单元30等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决相关技术中基于历史能源消耗情况难以准确地预测未来能源消耗情况的问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本申请实施例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,程序运行时控制非易失性存储介质所在的设备执行一种能源消耗数据的确定方法。
本申请实施例还提供了一种电子装置,包含处理器和存储器;存储器中存储有计算机可读指令,处理器用于运行计算机可读指令,其中,计算机可读指令运行时执行一种能源消耗数据的确定方法。本文中的电子装置可以是服务器、PC、PAD、手机等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请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,本申请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。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种能源消耗数据的确定方法,其特征在于,包括:
获取历史电力消耗数据以及所述历史电力消耗数据关联的各个影响因素,其中,所述影响因素为影响所述历史电力消耗数据的大小的因素;
确定所述各个影响因素的权重,其中,所述权重用于表征所述影响因素对所述历史电力消耗数据的大小的影响程度;
根据历史第一时间段内的电力消耗数据以及所述各个影响因素的权重,确定未来第二时间段内的电力消耗数据。
2.根据权利要求1所述的方法,其特征在于,所述确定所述各个影响因素的权重包括:
采用随机森林特征重要性模型对所述历史电力消耗数据以及所述各个影响因素进行分析,得到所述各个影响因素的第一目标权重;
通过特征重要性注意力模型对所述历史电力消耗数据以及所述各个影响因素进行分析,得到所述各个影响因素的第二目标权重;
对所述各个影响因素的所述第一目标权重和所述第二目标权重进行融合,得到所述各个影响因素的权重。
3.根据权利要求2所述的方法,其特征在于,所述采用随机森林特征重要性模型对所述历史电力消耗数据以及所述各个影响因素进行处理,得到所述各个影响因素的第一目标权重包括:
采用所述随机森林特征重要性模型对所述历史电力消耗数据以及所述各个影响因素进行处理,得到所述各个影响因素的第一权重;
采用灰色关联分析模型对所述历史电力消耗数据以及所述各个影响因素进行处理,得到所述各个影响因素的第二权重;
对所述第一权重和所述第二权重进行加权平均处理,得到所述各个影响因素的第一目标权重。
4.根据权利要求1所述的方法,其特征在于,所述获取历史电力消耗数据以及所述历史电力消耗数据关联的各个影响因素包括:
获取各个来源的电力消耗数据,并对所述各个来源的电力消耗数据进行融合,得到所述历史电力消耗数据;
对所述历史电力消耗数据进行数据清洗,得到清洗后的电力消耗数据;
获取所述清洗后的电力消耗数据对应的各个影响因素,得到所述历史电力消耗数据关联的所述各个影响因素。
5.根据权利要求1所述的方法,其特征在于,所述根据历史第一时间段内的电力消耗数据以及所述各个影响因素的权重,确定未来第二时间段内的电力消耗数据包括:
通过长短期记忆模型对所述历史第一时间段内的电力消耗数据以及所述各个影响因素的权重进行处理,得到未来第二时间段内的电力消耗数据。
6.根据权利要求1所述的方法,其特征在于,在所述根据历史第一时间段内的电力消耗数据以及所述各个影响因素的权重,确定未来第二时间段内的电力消耗数据之后,所述方法还包括:
基于所述未来第二时间段内的电力消耗数据以及待消耗的能源总量,确定所述电力消耗量在所述待消耗的能源总量的占比。
7.一种能源消耗数据的确定装置,其特征在于,包括:
获取单元,用于获取历史电力消耗数据以及所述历史电力消耗数据关联的各个影响因素,其中,所述影响因素为影响所述历史电力消耗数据的大小的因素;
第一确定单元,用于确定所述各个影响因素的权重,其中,所述权重用于表征所述影响因素对所述历史电力消耗数据的大小的影响程度;
第二确定单元,用于根据历史第一时间段内的电力消耗数据以及所述各个影响因素的权重,确定未来第二时间段内的电力消耗数据。
8.根据权利要求7所述的装置,其特征在于,所述第一确定单元包括:
第一分析模块,用于采用随机森林特征重要性模型对所述历史电力消耗数据以及所述各个影响因素进行分析,得到所述各个影响因素的第一目标权重;
第二分析模块,用于通过特征重要性注意力模型对所述历史电力消耗数据以及所述各个影响因素进行分析,得到所述各个影响因素的第二目标权重;
融合模块,用于对所述各个影响因素的所述第一目标权重和所述第二目标权重进行融合,得到所述各个影响因素的权重。
9.一种非易失性存储介质,其特征在于,所非易失性存储介质包括存储的程序,其中,所述程序运行时控制所述非易失性存储介质所在的设备执行权利要求1至6中任意一项所述的能源消耗数据的确定方法。
10.一种电子装置,其特征在于,包含处理器和存储器,所述存储器中存储有计算机可读指令,所述处理器用于运行所述计算机可读指令,其中,所述计算机可读指令运行时执行权利要求1至6中任意一项所述的能源消耗数据的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657292.6A CN113393120A (zh) | 2021-06-11 | 2021-06-11 | 能源消耗数据的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110657292.6A CN113393120A (zh) | 2021-06-11 | 2021-06-11 | 能源消耗数据的确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113393120A true CN113393120A (zh) | 2021-09-14 |
Family
ID=77620799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110657292.6A Pending CN113393120A (zh) | 2021-06-11 | 2021-06-11 | 能源消耗数据的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393120A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08308108A (ja) * | 1995-04-27 | 1996-11-22 | Hitachi Ltd | 電力需要量予測方法およびその装置 |
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
CN102521678A (zh) * | 2011-12-22 | 2012-06-27 | 中国人民解放军总后勤部油料研究所 | 一种液体石油产品储存期预测平台及方法 |
KR20160120863A (ko) * | 2015-04-08 | 2016-10-19 | 연세대학교 산학협력단 | 기후 변화를 고려한 해안 구조물 피해 예측 방법 및 시스템 |
CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
AU2020103561A4 (en) * | 2020-08-03 | 2021-02-04 | State Grid Energy Research Institute Co., Ltd. | Method and apparatus for predicting influence of trade disputes on total electricity consumption |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112434784A (zh) * | 2020-10-22 | 2021-03-02 | 暨南大学 | 一种基于多层lstm的深度学生表现预测方法 |
CN112559585A (zh) * | 2020-12-02 | 2021-03-26 | 中南大学 | 交通时空序列单步预测方法、系统及存储介质 |
CN112598534A (zh) * | 2020-11-30 | 2021-04-02 | 国网北京市电力公司 | 评估电力消费量与国内生产总值相关性的方法及装置 |
CN112614004A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 用电信息的处理方法及装置 |
-
2021
- 2021-06-11 CN CN202110657292.6A patent/CN113393120A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08308108A (ja) * | 1995-04-27 | 1996-11-22 | Hitachi Ltd | 電力需要量予測方法およびその装置 |
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
CN102521678A (zh) * | 2011-12-22 | 2012-06-27 | 中国人民解放军总后勤部油料研究所 | 一种液体石油产品储存期预测平台及方法 |
KR20160120863A (ko) * | 2015-04-08 | 2016-10-19 | 연세대학교 산학협력단 | 기후 변화를 고려한 해안 구조물 피해 예측 방법 및 시스템 |
CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
AU2020103561A4 (en) * | 2020-08-03 | 2021-02-04 | State Grid Energy Research Institute Co., Ltd. | Method and apparatus for predicting influence of trade disputes on total electricity consumption |
CN112434784A (zh) * | 2020-10-22 | 2021-03-02 | 暨南大学 | 一种基于多层lstm的深度学生表现预测方法 |
CN112598534A (zh) * | 2020-11-30 | 2021-04-02 | 国网北京市电力公司 | 评估电力消费量与国内生产总值相关性的方法及装置 |
CN112614004A (zh) * | 2020-11-30 | 2021-04-06 | 国网北京市电力公司 | 用电信息的处理方法及装置 |
CN112559585A (zh) * | 2020-12-02 | 2021-03-26 | 中南大学 | 交通时空序列单步预测方法、系统及存储介质 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (7)
Title |
---|
张晶晶;滕飞;王怀清;唐正;: "能源与产业结构调整下江西省1995―2014年温室气体排放特征", 能源研究与管理, no. 01, pages 48 - 55 * |
徐冰涵: "基于模糊聚类分类与Elman 神经网络算法的居民用户 短期用电量预测及修正方法", 《电测与仪表》, vol. 57, no. 5, pages 1 - 7 * |
徐善华, 初凤荣, 于池清: "公路桥梁震害预测", 山东建材学院学报, no. 04, pages 62 - 64 * |
方志强;王晓辉;夏通;: "基于长短期记忆网络的售电量预测模型研究", 电力工程技术, no. 03, pages 84 - 89 * |
罗艳辉;吕永贵;李彬;: "混合卷烟销售预测模型", 计算机工程与设计, no. 20, pages 4744 - 4747 * |
谢孝如;蒋惠园;申耀伟;: "基于并联灰色―线性回归组合模型的客运量预测", 铁道运输与经济, no. 08, pages 96 - 98 * |
陈晶;杨春玲;郑安豫: "短期负荷预测的自适应加权支持向量机新方法", 安徽电气工程职业技术学院学报, no. 001, pages 39 - 4239 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926636A (zh) | 牵引变流器柜体温度异常检测方法和装置 | |
CN116882804A (zh) | 一种智能电力监控方法及系统 | |
CN114971891A (zh) | 风险预测方法和装置、处理器及电子设备 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN110188793B (zh) | 数据异常分析方法及装置 | |
CN111242430A (zh) | 电力设备供应商评价方法和装置 | |
CN114529400A (zh) | 一种消费贷款预授信评估方法、设备及介质 | |
US11030674B2 (en) | Cognitive order processing by predicting resalable returns | |
CN112906896A (zh) | 信息处理方法及装置、计算设备 | |
CN113393120A (zh) | 能源消耗数据的确定方法及装置 | |
CN111882113A (zh) | 一种企业手机银行用户的预测方法和装置 | |
CN113051526A (zh) | 一种量化评估方法及装置 | |
CN116228302A (zh) | 业务市场环境的分析方法、装置、处理器以及电子设备 | |
CN115994029A (zh) | 容器资源调度方法及装置 | |
CN112927091B (zh) | 用于年金险的投诉预警方法、装置、计算机设备及介质 | |
CN111967938A (zh) | 云资源推荐方法、装置、计算机设备及可读存储介质 | |
CN114254841A (zh) | 资源额度处理方法、计算设备、用户设备以及服务器 | |
CN110991945B (zh) | 设备备件的信息处理方法及装置、存储介质和处理器 | |
CN116703460B (zh) | 建立商品数据预测模型的方法、装置、电子设备及存储介质 | |
CN112163377B (zh) | 变压器温度预警模型的获取方法和装置及温度预测方法 | |
CN115841275B (zh) | 基于ai的数据管理水平的体检方法及装置 | |
Eremina et al. | The Special Aspects of Devising a Methodology for Predicting Economic Indicators in the Context of Situational Response to Digital Transformation. | |
CN116485180A (zh) | 企业违约风险等级确定方法、装置、处理器及电子设备 | |
CN118297736A (zh) | 资金信息的处理方法及装置、存储介质和电子设备 | |
CN117768850A (zh) | 金融消息的推送方法及装置、存储介质和电子设备 |
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 |