CN113743667A - 一种台区用电量预测方法、装置、设备及存储介质 - Google Patents

一种台区用电量预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113743667A
CN113743667A CN202111038681.7A CN202111038681A CN113743667A CN 113743667 A CN113743667 A CN 113743667A CN 202111038681 A CN202111038681 A CN 202111038681A CN 113743667 A CN113743667 A CN 113743667A
Authority
CN
China
Prior art keywords
power consumption
model
prediction
determining
sample 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
Application number
CN202111038681.7A
Other languages
English (en)
Inventor
雷小林
刘洋海
孙汉威
张捷
吴志敏
李斌
陈思龙
黄楚晴
徐杨
曾雅怡
丘文广
王文颉
麦国垚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Shaoguan Power Supply Bureau Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Shaoguan Power Supply Bureau Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Shaoguan Power Supply Bureau Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202111038681.7A priority Critical patent/CN113743667A/zh
Publication of CN113743667A publication Critical patent/CN113743667A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种台区用电量预测方法、装置、设备和存储介质，所述方法包括：获取待预测用电量对应的目标台区在设定时间段内的历史用电量；基于所述历史用电量确定用电量预测基准信息，将所述用电量预测基准信息输入至预先设置的用电量预测模型，得到所述用电量预测模型输出的模型预测结果；根据所述模型预测结果确定用电量预测结果。本发明实施例提供的方法通过基于预先设置的用电量预测模型对台区用电量进行预测，实现了台区用电量的预测，可以有效的预测地区负荷的变化趋势，为电力建设提供一定的决策依据。

Description

一种台区用电量预测方法、装置、设备及存储介质
技术领域
本发明实施例涉及电力技术领域，尤其涉及一种台区用电量预测方法、装置、设备及存储介质。
背景技术
近些年来，随着居民生活水平的不断提高，消费观念的不断转变，城市、乡村居民生活用电量增长迅速，居民生活用电量在社会总用电量中的比重逐年上升，因此，分析台区用电量的增长趋势和规律，做出精准的城市、乡村居民用电量预测，是预测全社会用电量增长趋势、了解城镇化进程、能源消费结构的基础，也是发电、输配电、智能电网建设等电力系统相关企业进行精细化管理的内在要求。
但是，目前并没有关于台区的用电量预测的研究，因此，如何实现台区用电量预测是一个亟待解决的技术问题。
发明内容
本发明实施例提供了一种台区用电量预测方法、装置、设备及存储介质，以实现台区用电量的预测，有效的预测地区负荷的变化趋势，为电力建设提供一定的决策依据。
第一方面，本发明实施例提供了一种台区用电量预测方法，包括：
获取待预测用电量对应的目标台区在设定时间段内的历史用电量；
基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果；
根据模型预测结果确定用电量预测结果。
可选的，在上述方案的基础上，用电量预测模型包括平滑指数法模型，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果，包括：
将用电量预测基准信息输入至预先设置的平滑指数法模型，得到平滑指数法模型输出的模型预测结果。
可选的，在上述方案的基础上，还包括：
获取用电量样本数据，基于用电量样本数据确定平滑指数法模型中的平滑加权系数。
可选的，在上述方案的基础上，用电量预测模型包括自回归积分滑动平均模型，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果，包括：
将用电量预测基准信息输入至预先设置的自回归积分滑动平均模型，得到自回归积分滑动平均模型输出的模型预测结果。
可选的，在上述方案的基础上，还包括：
获取用电量样本数据，采用最小二乘法进行参数估计，基于用电量样本数据确定自回归积分滑动平均模型的模型参数。
可选的，在上述方案的基础上，采用最小二乘法进行参数估计，基于用电量样本数据确定自回归积分滑动平均模型的模型参数，包括：
根据用电量样本数据确定模型参数样本数据；
采用最小二乘法进行参数估计，基于模型参数样本数据确定自回归积分滑动平均模型的模型参数。
可选的，在上述方案的基础上，根据用电量样本数据确定模型参数样本数据，包括：
对用电量样本数据进行平稳性检验，确定用电量样本数据中的样本平稳数据和样本非平稳数据；
对样本非平稳数据进行平稳化处理，得到平稳化处理数据；
将样本平稳数据和平稳化处理数据作为模型参数样本数据。
第二方面，本发明实施例还提供了一种台区用电量预测装置，包括：
历史用电量获取模块，用于获取待预测用电量对应的目标台区在设定时间段内的历史用电量；
用电量模型预测模块，用于基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果；
预测结果确定模块，用于根据模型预测结果确定用电量预测结果。
第三方面，本发明实施例还提供了一种计算机设备，设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明任意实施例所提供的台区用电量预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的台区用电量预测方法。
本发明实施例提供的台区用电量预测方法通过获取待预测用电量对应的目标台区在设定时间段内的历史用电量；基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果；根据模型预测结果确定用电量预测结果。本发明实施例提供的方法通过基于预先设置的用电量预测模型对台区用电量进行预测，实现了台区用电量的预测，可以有效的预测地区负荷的变化趋势，为电力建设提供一定的决策依据。
附图说明
图1是本发明实施例一所提供的一种台区用电量预测方法的流程示意图；
图2是本发明实施例二所提供的一种台区用电量预测方法的流程示意图；
图3是本发明实施例三所提供的一种台区用电量预测方法的流程示意图；
图4是本发明实施例五所提供的一种台区用电量预测装置的结构示意图；
图5是本发明实施例六所提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一所提供的一种台区用电量预测方法的流程示意图。本实施例可适用于台区用电量进行预测时的情形，尤其适用于台区月度用电量预测时的情形。该方法可以由台区用电量预测装置执行，该台区用电量预测装置可以采用软件和/或硬件的方式实现，例如，该台区用电量预测装置可配置于计算机设备中。如图1所示，该方法包括：
S110、获取待预测用电量对应的目标台区在设定时间段内的历史用电量。
为有效预测地区负荷的变化趋势，为电力建设提供一定的决策依据，在本实施例中，通过预先设置的用电量预测模型进行台区用电量的预测。其中，台区是指(一台)变压器的供电范围或区域。
可选的，台区用电量预测可以为用户触发预测控件发起的，对台区设定时间段内用电量的预测。其中，设定时间段可以根据实际需求设置，如，设定时间段可以为日、月、季度、年等。也就是说，可以实现台区日用电量、台区月用电量、台区季度用电量、台区年用电量的预测。可选的，设定时间段还可以为一周、十天等任意时间段，在此不做限定。
其中，待预测用电量对应的目标台区在设定时间段内的历史用电量可以通过历史用电记录获取。可以理解的是，历史用电量的数据单位所对应的时间段与待预测用电量所对应的时间段一致。示例性的，假设需要预测某一台区的月用电量，则待预测用电量对应的时间段为一个月，则获取历史用电记录中该台区每个月的用电量作为历史用电量。
S120、基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果。
获取目标台区的历史用电量后，基于历史用电量和预先设置的用电量预测模型进行目标台区用电量的预测。可选的，可以直接将历史用电量作为用电量预测基准信息作为用电量预测模型的输入，还可以对历史用电量进行数据处理后得到用电量预测基准信息，作为用电量预测模型的输入。用电量预测模型基于输入的用电量预测基准信息，对用电量进行预测，输出用电量预测模型预测出的模型预测结果。其中，用电量预测模型可以基于神经网络构建，也可以基于现有的数学模型构建，在此不做限制。
一个实施例中，为了提高目标台区用电量预测的准确度，可以对历史用电量进行数据处理后得到用电量预测基准信息，作为用电量预测模型的输入。其中，对历史用电量的数据处理可以包括对历史用电量的进行数据清理、数据集成、数据变换、数据归约等数据预处理，得到用电量预测基准信息。示例性的，可以对历史用电量进行平稳性检测，将非平稳历史用电量平稳化处理后得到用电量预测基准信息。需要说明的是，上述示例中的历史用电量的数据处理仅为对历史用电量数据处理的示意性说明，而非限制性说明，可以采用其他的数据处理方式对历史用电量进行数据处理得到用电量预测基准信息，在此不再赘述。
S130、根据模型预测结果确定用电量预测结果。
在本实施例中，可以直接将模型预测结果作为目标台区的用电量预测结果，还可以将模型预测结果和历史用电量综合运算后得到用电量预测结果，如将模型预测结果和历史用电量的均值、加权求和结果等作为用电量预测结果。在此不做限制。
本发明实施例提供的台区用电量预测方法通过获取待预测用电量对应的目标台区在设定时间段内的历史用电量；基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果；根据模型预测结果确定用电量预测结果。本发明实施例提供的方法通过基于预先设置的用电量预测模型对台区用电量进行预测，实现了台区用电量的预测，可以有效的预测地区负荷的变化趋势，为电力建设提供一定的决策依据。
实施例二
图2是本发明实施例二所提供的一种台区用电量预测方法的流程示意图。本实施例在上述实施例的基础上，对用电量预测模型进行进一步优化，将用电量预测模型具体化为平滑指数法模型。本实施例中，与上述各实施例相同或相应的术语的解释在此不再赘述。如图2所示，该方法包括：
S210、获取待预测用电量对应的目标台区在设定时间段内的历史用电量。
S220、基于历史用电量确定用电量预测基准信息。
S230、将用电量预测基准信息输入至预先设置的平滑指数法模型，得到平滑指数法模型输出的模型预测结果。
在本实施例中，将用电量预测模型具体化为平滑指数法模型。平滑指数法模型是移动平均法中的一种，其特点在于给过去的观测值不一样的权重，即较近期观测值的权数比较远期观测值的权数要大。根据平滑次数不同，指数平滑法分为一次指数平滑法、二次指数平滑法和三次指数平滑法等。但其基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权数，新数据给予较大的权数，旧数据给予较小的权数。
一个实施例中，为提高用电量预测的准确度，将平滑指数法模型具体设置为一次指数平滑法模型、二次指数平滑法模型和三次指数平滑法模型，进行目标台区用电量的预测。相应的，将用电量预测基准信息输入至预先设置的平滑指数法模型，得到平滑指数法模型输出的模型预测结果，包括：将用电量预测基准信息输入至一次指数平滑法模型，得到一次指数平滑法模型输出的一次预测结果，将一次预测结果输入至二次指数平滑法模型，得到二次指数平滑法模型输出的二次预测结果，将二次预测结果输入至三次指数平滑法模型，得到二次指数平滑法模型输出的三次预测结果，并将三次预测结果作为平滑指数法模型输出的模型预测结果。
在上述方案的基础上，用电量预测方法还包括：
获取用电量样本数据，基于用电量样本数据确定平滑指数法模型中的平滑加权系数。可以理解的是，平滑指数法模型中平滑加权系数一定程度上决定了预测的准确性。因此，平滑加权系数的设置极为关键。
在本实施例中，基于用电量样本数据的数据特点对平滑加权系数进行设置。其中，用电量样本数据可以台区的历史用电量数据。具体的，如时间数列虽有不同规则变动，但长期趋势接近某一稳定常数时，则将平滑加权系数设置为较小的值(一般为0.05～0.20)，使各观察值在现时指数平滑中具有大小接近的权数；如时间数列具有迅速且明显的变动趋势，则将平滑加权系数设置为较大值(一般取0.3～0.5)，使新近数据对于现时的指数平滑值具有较大价值，从而使新近变动趋势能强烈反映在预测值中；如遇变化甚小的时间数列，则将平滑加权系数设置为稍小值(一般取0.1～0.4)，使较早的观察值亦能充分反映于指数平滑值中；一般说来将平滑加权系数的取值范围较大，在0.1～0.9内均可得到较好预测结果。
S240、根据模型预测结果确定用电量预测结果。
本发明实施例在上述实施例的基础上，对将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果具体化为：将用电量预测基准信息输入至预先设置的平滑指数法模型，得到平滑指数法模型输出的模型预测结果。通过平滑指数法模型实现了台区用电量的自动预测，提高了台区用电量预测的准确度。
实施例三
图3是本发明实施例三所提供的一种台区用电量预测方法的流程示意图。本实施例在上述实施例的基础上，对用电量预测模型进行进一步优化，将用电量预测模型具体化为自回归积分滑动平均模型。本实施例中，与上述各实施例相同或相应的术语的解释在此不再赘述。如图3所示，该方法包括：
S310、获取待预测用电量对应的目标台区在设定时间段内的历史用电量。
S320、基于历史用电量确定用电量预测基准信息。
S330、将用电量预测基准信息输入至预先设置的自回归积分滑动平均模型，得到自回归积分滑动平均模型输出的模型预测结果。
在本实施例中，将用电量预测模型具体化为自回归积分滑动平均模型。自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model，ARIMA模型)，是一种时间序列预测方法。ARIMA模型是指在将非平稳时间序列转化为平稳时间序列过程中，将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。其基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。将用电量预测基准信息输入至预先设置的自回归积分滑动平均模型，即可得到自回归积分滑动平均模型输出的模型预测结果。
在上述方案的基础上，用电量预测方法还包括：
获取用电量样本数据，采用最小二乘法进行参数估计，基于用电量样本数据确定自回归积分滑动平均模型的模型参数。
在本实施例中，基于用电量样本数据确定自回归积分滑动平均模型的模型参数。其中，用电量样本数据可以台区的历史用电量数据。可选的，可以先采用最小二乘法进行参数估计，设定初始模型参数，然后使用用电量样本数据对自回归积分滑动平均模型进行拟合，然后根据拟合结果回调模型参数，直到达到收敛条件，得到模型参数较优的自回归积分滑动平均模型。其中，模型参数的回调确定方式可以参考现有技术中自回归积分滑动平均模型的模型参数的确定方式，在此不再赘述。
一个实施例中，采用最小二乘法进行参数估计，基于用电量样本数据确定自回归积分滑动平均模型的模型参数，包括：
根据用电量样本数据确定模型参数样本数据；
采用最小二乘法进行参数估计，基于模型参数样本数据确定自回归积分滑动平均模型的模型参数。
可选的，为保证模型参数的准确性，在基于用电量样本数据确定模型参数之前，需要对用电量样本数据进行数据预处理，得到模型参数样本数据，基于模型参数样本数据确定自回归积分滑动平均模型的模型参数。
可选的，根据用电量样本数据确定模型参数样本数据，包括：
对用电量样本数据进行平稳性检验，确定用电量样本数据中的样本平稳数据和样本非平稳数据；
对样本非平稳数据进行平稳化处理，得到平稳化处理数据；
将样本平稳数据和平稳化处理数据作为模型参数样本数据。
具体的，在取得用电量样本数据之后，对用电量样本数据进行平稳性检验，针对检验结果，对于非平稳的月度用电量数据进行平稳化处理，对于历史月度数据进行确定性因素分解时，将历史月度数据分解为趋势、季节性周期变化以及随机波动得到模型参数样本数据。
S340、根据模型预测结果确定用电量预测结果。
本发明实施例在上述实施例的基础上，对将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果具体化为：将用电量预测基准信息输入至预先设置的自回归积分滑动平均模型，得到自回归积分滑动平均模型输出的模型预测结果。通过平滑指数法模型实现了台区用电量的自动预测，提高了台区用电量预测的准确度。
实施例四
本实施例在上述方案的基础上，提供了一种优选实施例。本发明实施例提供一种基于指数平滑算法的台区月度用电量预测方法，便于电力部门根据台区用电量预测情况为电力规划做出决策依据。本发明实施例中，以台区月用电量的预测为例，对台区用电量预测进行说明，其具体包括台区历史电量Qnm的获取、用电量预测算法模型的构建、指数平滑算法台区用电量预测以及台区用电量预测的应用与决策。
台区历史电量Qnm的获取可以具体为：获取台区历史电量Qnm，其中Qnm表示第n年、第m月台区月度用电量，0≤n≤12,1≤m。
用电量预测算法模型的构建可以为平滑指数法模型的构建或自回归积分滑动平均模型的构建。
其中，平滑指数法模型包括一次指数平滑法模型、二次指数平滑法模型和三次指数平滑法模型。
一次指数平滑法模型为
Figure BDA0003248370080000121
Figure BDA0003248370080000122
表示t期数据的指数平滑值，α为平滑常数，0<α<1，Yt为现期数据值。将一次指数平滑法模型递推展开则得
Figure BDA0003248370080000123
根据上式可得到一次指数平滑的一般公式为
Figure BDA0003248370080000124
其中数据列Yt,Yt-1,Yt-2,……，的权数分别是α，α(1-α)，α(1-α)2，……即离t时刻越远的数据，权数越小，而且权数的变化呈指数几何级数。
用一次指数平滑法进行预测时，将t期的平滑值作为t+1期的预测值，即
Figure BDA0003248370080000125
二次指数平滑模型是以一次指数平滑数据作为原始数据再平滑一次，得到其模型为
Figure BDA0003248370080000126
三次指数平滑模型是以二次指数平滑值作原始数据再平滑一次，其模型为
Figure BDA0003248370080000127
指数平滑法模型中，平滑加权系数α的设置比较关键。示例性的，可以通过如下方式设置平滑加权系数α：如时间数列(及历史用电量)虽有不同规则变动，但长期趋势接近某一稳定常数时，则需取较小的α值(一般为0.05～0.20)，使各观察值在现时指数平滑中具有大小接近的权数；如时间数列具有迅速且明显的变动趋势，则α宜取较大值(一般取0.3～0.5)，使新近数据对于现时的指数平滑值具有较大价值，从而使新近变动趋势能强烈反映在预测值中；如遇变化甚小的时间数列，则α宜取稍小些(一般取0.1～0.4)，使较早的观察值亦能充分反映于指数平滑值中；一般说来α取值范围较大，α＝0.1～0.9均可得到较好预测结果。
还可以构建自回归积分平均模型作为用电量预测算法模型进行台区月用电量的预测。具体的：对历史用电量数据进行分析处理，如对数据进行平稳性检验，针对检验结果，对于非平稳的月度用电量数据进行平稳化处理，对于历史月度数据进行确定性因素分解时，将历史月度数据分解为趋势、季节性周期变化以及随机波动；然后采用最小二乘法进行参数估计，构建自回归积分滑动平均模型，导入台区月度历史用电量数据对模型进行拟合，根据拟合结果调整模型参数，得到最优的自回归积分平均模型。
得到指数平滑法模型或自回归积分平均模型后，基于确定的模型进行台区用电量的预测。具体的，采用算法对模型进行求解，对未来台区第n年第m个月用电量进行预测，输出预测结果。
本发明实施例提供了一种基于指数平滑算法的台区月度用电量预测方法，通过获取台区历史电量Qnm，对历史数据进行处理分析，采用最小二乘法进行参数估计，构建自回归积分滑动平均模型，导入台区月度历史用电量数据对模型进行拟合；根据拟合结果调整模型参数，得到最优模型；采用算法对最优模型进行求解，对未来台区第n年第m个月用电量进行预测，输出预测结果。可解决不同台区使用同一电量预测模型算法进行预测，使得台区用电量的预测能够统一预测，提高了台区用电量预测的效率。
实施例五
图4是本发明实施例五所提供的一种台区用电量预测装置的结构示意图。该台区用电量预测装置可以采用软件和/或硬件的方式实现，例如该台区用电量预测装置可以配置于计算机设备中。如图4所示，该装置包括历史用电量获取模块410、用电量模型预测模块420和预测结果确定模块430，其中：
历史用电量获取模块410，用于获取待预测用电量对应的目标台区在设定时间段内的历史用电量；
用电量模型预测模块420，用于基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果；
预测结果确定模块430，用于根据模型预测结果确定用电量预测结果。
本发明实施例通过历史用电量获取模块获取待预测用电量对应的目标台区在设定时间段内的历史用电量；用电量模型预测模块基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果；预测结果确定模块根据模型预测结果确定用电量预测结果。本发明实施例提供的方法通过基于预先设置的用电量预测模型对台区用电量进行预测，实现了台区用电量的预测，可以有效的预测地区负荷的变化趋势，为电力建设提供一定的决策依据。
可选的，在上述方案的基础上，用电量预测模型包括平滑指数法模型，用电量模型预测模块420具体用于：
将用电量预测基准信息输入至预先设置的平滑指数法模型，得到平滑指数法模型输出的模型预测结果。
可选的，在上述方案的基础上，装置还包括平滑指数法模型设置模块，用于：
获取用电量样本数据，基于用电量样本数据确定平滑指数法模型中的平滑加权系数。
可选的，在上述方案的基础上，用电量预测模型包括自回归积分滑动平均模型，用电量模型预测模块420具体用于：
将用电量预测基准信息输入至预先设置的自回归积分滑动平均模型，得到自回归积分滑动平均模型输出的模型预测结果。
可选的，在上述方案的基础上，还包括自回归积分滑动平均模型设置模块，包括：
获取用电量样本数据，采用最小二乘法进行参数估计，基于用电量样本数据确定自回归积分滑动平均模型的模型参数。
可选的，在上述方案的基础上，自回归积分滑动平均模型设置模块具体用于：
训练样本数据确定单元，用于根据用电量样本数据确定模型参数样本数据；
模型参数确定单元，用于采用最小二乘法进行参数估计，基于模型参数样本数据确定自回归积分滑动平均模型的模型参数。
可选的，在上述方案的基础上，训练样本数据确定单元具体用于：
对用电量样本数据进行平稳性检验，确定用电量样本数据中的样本平稳数据和样本非平稳数据；
对样本非平稳数据进行平稳化处理，得到平稳化处理数据；
将样本平稳数据和平稳化处理数据作为模型参数样本数据。
本发明实施例所提供的台区用电量预测装置可执行本发明任意实施例所提供的台区用电量预测方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述加载状态显示装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
实施例六
图5是本发明实施例六所提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器516，系统存储器528，连接不同系统组件(包括系统存储器528和处理器516)的总线518。
总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器516或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)530和/或高速缓存存储器532。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置534可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的台区用电量预测方法，该方法包括：
获取待预测用电量对应的目标台区在设定时间段内的历史用电量；
基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果；
根据模型预测结果确定用电量预测结果。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的台区用电量预测方法的技术方案。
实施例七
本发明实施例七还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所提供的台区用电量预测方法，该方法包括：
获取待预测用电量对应的目标台区在设定时间段内的历史用电量；
基于历史用电量确定用电量预测基准信息，将用电量预测基准信息输入至预先设置的用电量预测模型，得到用电量预测模型输出的模型预测结果；
根据模型预测结果确定用电量预测结果。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的台区用电量预测方法的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种台区用电量预测方法，其特征在于，包括：
获取待预测用电量对应的目标台区在设定时间段内的历史用电量；
基于所述历史用电量确定用电量预测基准信息，将所述用电量预测基准信息输入至预先设置的用电量预测模型，得到所述用电量预测模型输出的模型预测结果；
根据所述模型预测结果确定用电量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述用电量预测模型包括平滑指数法模型，所述将所述用电量预测基准信息输入至预先设置的用电量预测模型，得到所述用电量预测模型输出的模型预测结果，包括：
将所述用电量预测基准信息输入至预先设置的平滑指数法模型，得到所述平滑指数法模型输出的模型预测结果。
3.根据权利要求2所述的方法，其特征在于，还包括：
获取用电量样本数据，基于所述用电量样本数据确定所述平滑指数法模型中的平滑加权系数。
4.根据权利要求1所述的方法，其特征在于，所述用电量预测模型包括自回归积分滑动平均模型，所述将所述用电量预测基准信息输入至预先设置的用电量预测模型，得到所述用电量预测模型输出的模型预测结果，包括：
将所述用电量预测基准信息输入至预先设置的自回归积分滑动平均模型，得到所述自回归积分滑动平均模型输出的模型预测结果。
5.根据权利要求4所述的方法，其特征在于，还包括：
获取用电量样本数据，采用最小二乘法进行参数估计，基于所述用电量样本数据确定所述自回归积分滑动平均模型的模型参数。
6.根据权利要求5所述的方法，其特征在于，所述采用最小二乘法进行参数估计，基于所述用电量样本数据确定所述自回归积分滑动平均模型的模型参数，包括：
根据所述用电量样本数据确定模型参数样本数据；
采用最小二乘法进行参数估计，基于所述模型参数样本数据确定所述自回归积分滑动平均模型的模型参数。
7.根据权利要求6所述的方法，其特征在于，所述根据所述用电量样本数据确定模型参数样本数据，包括：
对所述用电量样本数据进行平稳性检验，确定所述用电量样本数据中的样本平稳数据和样本非平稳数据；
对所述样本非平稳数据进行平稳化处理，得到平稳化处理数据；
将所述样本平稳数据和所述平稳化处理数据作为所述模型参数样本数据。
8.一种台区用电量预测装置，其特征在于，包括：
历史用电量获取模块，用于获取待预测用电量对应的目标台区在设定时间段内的历史用电量；
用电量模型预测模块，用于基于所述历史用电量确定用电量预测基准信息，将所述用电量预测基准信息输入至预先设置的用电量预测模型，得到所述用电量预测模型输出的模型预测结果；
预测结果确定模块，用于根据所述模型预测结果确定用电量预测结果。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如权利要求1-7任一项所述的台区用电量预测方法。
10.一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，该程序被处理器执行时实现如权利要求1-7任一项所述的台区用电量预测方法。
CN202111038681.7A 2021-09-06 2021-09-06 一种台区用电量预测方法、装置、设备及存储介质 Pending CN113743667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111038681.7A CN113743667A (zh) 2021-09-06 2021-09-06 一种台区用电量预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111038681.7A CN113743667A (zh) 2021-09-06 2021-09-06 一种台区用电量预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113743667A true CN113743667A (zh) 2021-12-03

Family

ID=78736006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111038681.7A Pending CN113743667A (zh) 2021-09-06 2021-09-06 一种台区用电量预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113743667A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511360A (zh) * 2022-04-20 2022-05-17 华能江西能源销售有限责任公司 购电管理方法、系统、可读存储介质及计算机设备
CN116029480A (zh) * 2023-03-28 2023-04-28 广东电网有限责任公司 代理购电测算方法及其系统
CN118199075A (zh) * 2024-04-28 2024-06-14 南京海迪自动化科技有限公司 基于用电基数预测的电源电力预分配系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927597A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于自回归滑动平均模型的风电功率超短期预测方法
CN108960520A (zh) * 2018-07-12 2018-12-07 南方电网科学研究院有限责任公司 一种电力负荷预测方法、系统、计算机设备、介质
CN110648026A (zh) * 2019-09-27 2020-01-03 京东方科技集团股份有限公司 预测模型构建方法、预测方法、装置、设备及介质
CN110929954A (zh) * 2019-12-05 2020-03-27 中国南方电网有限责任公司 负荷预测方法、装置、计算机设备和存储介质
CN111507521A (zh) * 2020-04-15 2020-08-07 北京智芯微电子科技有限公司 台区电力负荷预测方法及预测装置
CN112434430A (zh) * 2020-11-27 2021-03-02 国网北京市电力公司 预测台区容量的方法及装置
CN112598248A (zh) * 2020-12-16 2021-04-02 广东电网有限责任公司广州供电局 负荷预测方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927597A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于自回归滑动平均模型的风电功率超短期预测方法
CN108960520A (zh) * 2018-07-12 2018-12-07 南方电网科学研究院有限责任公司 一种电力负荷预测方法、系统、计算机设备、介质
CN110648026A (zh) * 2019-09-27 2020-01-03 京东方科技集团股份有限公司 预测模型构建方法、预测方法、装置、设备及介质
CN110929954A (zh) * 2019-12-05 2020-03-27 中国南方电网有限责任公司 负荷预测方法、装置、计算机设备和存储介质
CN111507521A (zh) * 2020-04-15 2020-08-07 北京智芯微电子科技有限公司 台区电力负荷预测方法及预测装置
CN112434430A (zh) * 2020-11-27 2021-03-02 国网北京市电力公司 预测台区容量的方法及装置
CN112598248A (zh) * 2020-12-16 2021-04-02 广东电网有限责任公司广州供电局 负荷预测方法、装置、计算机设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114511360A (zh) * 2022-04-20 2022-05-17 华能江西能源销售有限责任公司 购电管理方法、系统、可读存储介质及计算机设备
CN114511360B (zh) * 2022-04-20 2022-07-08 华能江西能源销售有限责任公司 购电管理方法、系统、可读存储介质及计算机设备
CN116029480A (zh) * 2023-03-28 2023-04-28 广东电网有限责任公司 代理购电测算方法及其系统
CN118199075A (zh) * 2024-04-28 2024-06-14 南京海迪自动化科技有限公司 基于用电基数预测的电源电力预分配系统

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
CN110298501B (zh) 基于长短时记忆神经网络的电负荷预测方法
CN113743667A (zh) 一种台区用电量预测方法、装置、设备及存储介质
CN112766596B (zh) 建筑能耗预测模型的构建方法、能耗预测方法及装置
CN112488396A (zh) 基于小波变换的Holt-Winters和LSTM组合模型的电力负荷预测方法
CN109615152B (zh) 基于成本导向梯度上升回归树的风力发电预测方法及产品
CN110929954A (zh) 负荷预测方法、装置、计算机设备和存储介质
WO2022021727A1 (zh) 城市综合体用电量预测方法、装置、电子设备及存储介质
CN111680841A (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
Wang et al. Application of grey model in influencing factors analysis and trend prediction of carbon emission in Shanxi Province
Girimurugan et al. Application of deep learning to the prediction of solar irradiance through missing data
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
Chen et al. MATPLAN: A probability-based planning tool for cost-effective grid integration of renewable energy
Hu et al. Short‐term load forecasting utilizing wavelet transform and time series considering accuracy feedback
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
Cai et al. An improved sequential importance sampling method for reliability assessment of renewable power systems with energy storage
CN117273376A (zh) 一种电量预测方法、系统、计算机设备和存储介质
Zhang et al. Extreme wind power forecast error analysis considering its application in day‐ahead reserve capacity planning
CN117454168A (zh) 一种建筑能耗预测方法及系统
Grandon et al. Electricity demand forecasting with hybrid statistical and machine learning algorithms: Case study of ukraine
CN115239007A (zh) 一种电网净负荷的预测方法、装置、电子设备和存储介质
Zhang et al. Invariant probabilistic sensitivity analysis for building energy models
CN115169731A (zh) 一种智慧校园能耗预测方法、装置、设备及介质
CN115473216A (zh) 一种改进电网线损计算的方法及系统
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质

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