CN113901731B - 电量预测方法、装置、介质及设备 - Google Patents

电量预测方法、装置、介质及设备 Download PDF

Info

Publication number
CN113901731B
CN113901731B CN202111508170.7A CN202111508170A CN113901731B CN 113901731 B CN113901731 B CN 113901731B CN 202111508170 A CN202111508170 A CN 202111508170A CN 113901731 B CN113901731 B CN 113901731B
Authority
CN
China
Prior art keywords
power consumption
electric quantity
abnormal
enterprises
power
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
Application number
CN202111508170.7A
Other languages
English (en)
Other versions
CN113901731A (zh
Inventor
董春
袁音
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.)
Sichuan Regis Green Energy Technology Co., Ltd.
Original Assignee
Sichuan Ruikang Intelligent Energy 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 Sichuan Ruikang Intelligent Energy Co ltd filed Critical Sichuan Ruikang Intelligent Energy Co ltd
Priority to CN202111508170.7A priority Critical patent/CN113901731B/zh
Publication of CN113901731A publication Critical patent/CN113901731A/zh
Application granted granted Critical
Publication of CN113901731B publication Critical patent/CN113901731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种电量预测方法、装置、介质及设备，涉及电量预测技术领域。该方法根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。该方法利用相关系数分析和经验模态分解方法结合，能够快速排查异常数据，提高异常数据排查效率，该方法能够对历史电量数据进行修正，以此提高电量预测精度。

Description

电量预测方法、装置、介质及设备
技术领域
本申请涉及电量预测技术领域，具体而言，涉及一种电量预测方法、装置、介质及设备。
背景技术
随着智能电网的建设，对电网规划、营销和调度提出了更高的要求，要求其向信息化、互联化、智能化方向发展。电量数据是电力市场中一项重要的经济指标。准确预测未来用电量，可以合理安排未来生产计划，进而有效调度电力资源。因此，如何准确预测电量是一个亟待解决的重要问题。
而对电量进行预测必然依赖于现有的历史电能数据，而短期电量预测势必需要获取近期的电能数据，而由于仪表故障，可能导致抄表数据丢失或者上传错误导致历史电能数据与实际电能数据存在不小的偏差，导致最终的电量预测不准确。
发明内容
本申请实施例的目的在于提供一种电量预测方法、装置、介质及设备，旨在对历史电量数据进行修正，以此提高电量预测精度。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种电量预测方法，包括：获取各用电企业消耗电量时间序列数据和总损耗电量数据；确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量；根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数；基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序；根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业；根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据；基于用电量数据进行预设时间的电量预测。
在本申请实施例中，根据异常用电的时频特性引起线损数据产生异常的特点，也使得线损数据具有时频特性。利用时频特性可以将异常用电行为或者异常电量数据进行关联。获取各用电企业消耗电量时间序列数据和总损耗电量数据；确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量；根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数；基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序；根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业；根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据；基于用电量数据进行预设时间的电量预测。此方法能够对历史电量数据进行修正，以此提高电量预测精度。线损数据具有的时频特性往往随机性较强，经验模态分解方法是一种自适应信号时频处理方法，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。该方法利用相关系数分析和经验模态分解方法结合，能够快速排查异常数据，提高异常数据排查效率。
结合第一方面，在第一方面的第一种可能的实现方式中，获取各用电企业预设单位时间内的用电量和预设单位时间内的线损电量，具体为：
获取各用电企业日均用电量和日均线损电量。
在该实现方式中，获取各用电企业日均用电量和日均线损电量，可以用于短期电量预测。
结合第一方面，在第一方面的第二种可能的实现方式中，根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业，具体为：
根据最终排序结果初筛靠前10%的用电企业作为初筛用电异常企业。
在该实现方式中，根据经验得到，一般用电异常企业初筛结果靠前的6%的用电企业出现异常的概率较大，为了避免漏检，根据最终排序结果初筛靠前10%的用电企业作为初筛用电异常企业。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，根据经验模态分解方法对初筛用电异常企业进行异常排查，包括：
根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。
第二方面，本申请实施例提供一种电量预测装置，包括：获取单元，所述获取单元用于获取各用电企业消耗电量时间序列数据和总损耗电量数据；
确定单元，所述确定单元用于确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量；
系数单元，所述系数单元用于根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数；
排序单元，所述排序单元用于基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序；
初筛单元，所述初筛单元用于根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业；
排查单元，所述排查单元用于根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据；
预测单元，所述预测单元用于基于用电量数据进行预设时间的电量预测。
结合第二方面，在第二方面的第一种可能的实现方式中，获取各用电企业预设单位时间内的用电量和预设单位时间内的线损电量，具体为：
获取各用电企业日均用电量和日均线损电量。
在该实现方式中，获取各用电企业日均用电量和日均线损电量，可以用于短期电量预测。
结合第二方面，在第二方面的第二种可能的实现方式中，根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业，具体为：
根据最终排序结果初筛靠前10%的用电企业作为初筛用电异常企业。
在该实现方式中，根据经验得到，一般用电异常企业初筛结果靠前的6%的用电企业出现异常的概率较大，为了避免漏检，根据最终排序结果初筛靠前10%的用电企业作为初筛用电异常企业。
结合第二方面的第二种可能的实现方式，在第二方面的第三种可能的实现方式中，根据经验模态分解方法对初筛用电异常企业进行异常排查，包括：
根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。
第三方面，本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行第一方面或第一方面的可能的实现方式中任意一项所述的电量预测方法。
第四方面，本申请实施例提供一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现第一方面或第一方面的可能的实现方式中任意一项所述的电量预测方法。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种电量预测方法的流程图。
图2为本申请实施例提供的一种电子设备的示意图。
图标：20-电子设备；21-存储器；22-通信模块；23-总线；24-处理器。
具体实施方式
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描述。
请参阅图1，图1为本申请实施例提供的一种电量预测方法的流程图。在本实施例中，电量预测方法可以由电子设备执行，此电子设备可以为服务器（例如云服务器，服务器集群等）或者终端（例如个人电脑、笔记本电脑等），此处不作限定。
在本实施例中，电量预测方法可以包括步骤S10、步骤S20、步骤S30、步骤S40、步骤S50、步骤S60、步骤S70以及步骤S80。
为了对电量预测，电子设备可以执行步骤S10。
步骤S10：获取各用电企业消耗电量时间序列数据和总损耗电量数据。
在本实施例中，电子设备可以获取各用电企业消耗电量时间序列数据和总损耗电量数据。
获取各用电企业消耗电量时间序列数据和总损耗电量数据后，电子设备可以执行步骤S20。
步骤S20：确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量。
在本实施例中，确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量具体为：获取各用电企业日均用电量和日均线损电量，当然，也可以获取各用电企业时均用电量和时均线损电量，此处不作限定。
通过这样的方式，有利于后续的短期电量预测，例如未来7日的电量预测。
确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量后，电子设备可以执行步骤S30。
步骤S30：根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数。
在本实施例中，电子设备可以计算皮尔森相关系数。
根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数后，电子设备可以执行步骤S40。
步骤S40：基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序。
基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序后，电子设备可以执行步骤S50。
步骤S50：根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业。
在本实施例中，根据最终排序结果初筛靠前10%的用电企业作为初筛用电异常企业。
根据经验得到，一般用电异常企业初筛结果靠前的6%的用电企业出现异常的概率较大，为了避免漏检，根据最终排序结果初筛靠前10%的用电企业作为初筛用电异常企业。
根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业后，电子设备可以执行步骤S60。
步骤S60：根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据。
具体地，根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。
这样可以利用经验模态分解方法自身的特点，克服线损数据具有的时频特性往往随机性较强的问题，依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。该方法与前述相关性分析方法结合，能够快速排查异常数据，提高异常数据排查效率。
根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据后，电子设备可以执行步骤S70。
步骤S70：在修正后的各企业用电数据的基础上进行二次修正。
具体包括如下步骤：基于非参数核密度估计方法，在修正后的各企业用电数据的基础上提取特征曲线；获取历史用电量数据，构建历史用电量数据集；基于历史用电量数据集确定用电量数据在同一时刻的最值；通过对比特征曲线与历史用电量数据的最值，确定历史数据域的上限值与下限值；根据历史用电量数据确定允许变化的阈值系数并确定用电量数据可行域的上限值和下限值；对修正后进行检测，当待检数据位于可行域的上限值和下限值之间则为正常值，若待检数据不位于可行域的上限值和下限值之间则为异常值；根据特征曲线异常值对应区间的总用电量确定缩放比例，并根据缩放比例进行异常值修正；基于异常值修正后的用电量数据确定最终用电量数据。
各企业用电数据的二次修正，能够利用以往历史数据，通过提取特征曲线与以往历史电量数据的信息，确定历史数据域的上限值与下限值。根据历史数据确定允许变化的阈值系数并确定电量数据可行域的上限值和下限值。对基础电量数据进行检测，当待检数据位于可行域的上限值和下限值之间则为正常值，若待检数据不位于可行域的上限值和下限值之间则为异常值。根据特征曲线异常值对应区间的总用电量确定缩放比例，并根据缩放比例进行异常值修正。该方法能够对上次修正后的电量数据进行检测，是对上次数据修正的补正，能够形成优势互补，对于漏检和错检也能够再次进行修正，从而进一步提高电量数据的准确性。
在修正后的各企业用电数据的基础上进行二次修正后，电子设备可以执行步骤S80。
步骤S80：基于修正后的用电数据进行预设时间内的电量预测。
在本实施例中，包括如下步骤：
根据修正后的最终用电量，确定总用电量作为历史总用电量数据样本作为输入特征，通过KELM训练，构建历史总用电量与预测时刻总用电量的关系；
对KELM模型输入第m个目标日期t+m的特征，得到总用电量基础预测值Pt+m，其中，t为当前日期；
执行步骤，获取未来7天的总用电量基础预测值Pt+m，其中，m=1,2…,7；
基于KELM模型训练的历史总用电量数据、KELM模型对训练数据预测结果，确定KELM模型对建模数据的残差序列；
基于总用电量基础预测值以及残差序列，通过傅里叶级数对残差序列进行二次拟合得到对应的残差值；
基于总用电量基础预测值以及残差值确定最终总用电量预测值。
这样可以利用KELM模型建模时间短的特点，快速建模进行短期电量预测，相比极限学习机模型预测性能更稳定，满足短期电量预测的使用场景，而且适用于连续进行电量预测，进一步地，通过结合傅里叶级数对残差修正方法，进一步的提高了电量预测精度。
在本申请实施例中，根据异常用电的时频特性引起线损数据产生异常的特点，也使得线损数据具有时频特性。利用时频特性可以将异常用电行为或者异常电量数据进行关联。获取各用电企业消耗电量时间序列数据和总损耗电量数据；确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量；根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数；基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序；根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业；根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据；基于用电量数据进行预设时间的电量预测。此方法能够对历史电量数据进行修正，以此提高电量预测精度。线损数据具有的时频特性往往随机性较强，经验模态分解方法是一种自适应信号时频处理方法，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。该方法利用相关系数分析和经验模态分解方法结合，能够快速排查异常数据，提高异常数据排查效率。
进一步地，通过对各企业用电数据的二次修正，能够利用以往历史数据，通过提取特征曲线与以往历史电量数据的信息，确定历史数据域的上限值与下限值。根据历史数据确定允许变化的阈值系数并确定电量数据可行域的上限值和下限值。对基础电量数据进行检测，当待检数据位于可行域的上限值和下限值之间则为正常值，若待检数据不位于可行域的上限值和下限值之间则为异常值。根据特征曲线异常值对应区间的总用电量确定缩放比例，并根据缩放比例进行异常值修正。该方法能够对上次修正后的电量数据进行检测，是对上次数据修正的补正，能够形成优势互补，对于漏检和错检也能够再次进行修正，从而进一步提高电量数据的准确性。
更进一步地，通过利用KELM模型建模时间短的特点，快速建模进行短期电量预测，相比极限学习机模型预测性能更稳定，满足短期电量预测的使用场景，而且适用于连续进行电量预测，进一步地，通过结合傅里叶级数对残差修正方法，进一步的提高了电量预测精度。
请参阅图2，图2为本申请实施例提供一种电量预测装置的示意图。
在本实施例中，电量预测装置可以包括：
获取单元，所述获取单元用于获取各用电企业消耗电量时间序列数据和总损耗电量数据；确定单元，所述确定单元用于确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量；系数单元，所述系数单元用于根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数；排序单元，所述排序单元用于基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序；初筛单元，所述初筛单元用于根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业；排查单元，所述排查单元用于根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据；预测单元，所述预测单元用于基于用电量数据进行预设时间的电量预测。
在其他一些实施例中，还包括二次修正单元，所述二次修正单元用于在修正后的各企业用电数据的基础上进行二次修正。
具体包括如下步骤：基于非参数核密度估计方法，在修正后的各企业用电数据的基础上提取特征曲线；获取历史用电量数据，构建历史用电量数据集；基于历史用电量数据集确定用电量数据在同一时刻的最值；通过对比特征曲线与历史用电量数据的最值，确定历史数据域的上限值与下限值；根据历史用电量数据确定允许变化的阈值系数并确定用电量数据可行域的上限值和下限值；对修正后进行检测，当待检数据位于可行域的上限值和下限值之间则为正常值，若待检数据不位于可行域的上限值和下限值之间则为异常值；根据特征曲线异常值对应区间的总用电量确定缩放比例，并根据缩放比例进行异常值修正；基于异常值修正后的用电量数据确定最终用电量数据。
本申请实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本实施例中的电量预测方法。
另外，请参阅图2，图2为本申请实施例提供的一种电子设备20的示意图。
在本实施例中，电子设备20可以为终端，例如平板电脑、个人电脑等；电子设备20也可以为服务器，例如云服务器、服务器集群等，此处不作限定。
示例性的，电子设备20可以包括：通过网络与外界连接的通信模块22、用于执行程序指令的一个或多个处理器24、总线23和不同形式的存储器21，例如，磁盘、ROM、或RAM，或其任意组合。存储器21、通信模块22、处理器24之间可以通过总线23连接。
示例性的，存储器21中存储有程序。处理器24可以从存储器21调用并运行这些程序，从而便可以通过运行程序而实现电量预测方法。
综上所述，本申请实施例提供一种电量预测方法、装置、介质及设备，通过在本申请实施例中，根据异常用电的时频特性引起线损数据产生异常的特点，也使得线损数据具有时频特性。利用时频特性可以将异常用电行为或者异常电量数据进行关联。获取各用电企业消耗电量时间序列数据和总损耗电量数据；确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量；根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数；基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序；根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业；根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据；基于用电量数据进行预设时间的电量预测。此方法能够对历史电量数据进行修正，以此提高电量预测精度。线损数据具有的时频特性往往随机性较强，经验模态分解方法是一种自适应信号时频处理方法，该方法是依据数据自身的时间尺度特征来进行信号分解，无须预先设定任何基函数。根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。该方法利用相关系数分析和经验模态分解方法结合，能够快速排查异常数据，提高异常数据排查效率。
进一步地，通过对各企业用电数据的二次修正，能够利用以往历史数据，通过提取特征曲线与以往历史电量数据的信息，确定历史数据域的上限值与下限值。根据历史数据确定允许变化的阈值系数并确定电量数据可行域的上限值和下限值。对基础电量数据进行检测，当待检数据位于可行域的上限值和下限值之间则为正常值，若待检数据不位于可行域的上限值和下限值之间则为异常值。根据特征曲线异常值对应区间的总用电量确定缩放比例，并根据缩放比例进行异常值修正。该方法能够对上次修正后的电量数据进行检测，是对上次数据修正的补正，能够形成优势互补，对于漏检和错检也能够再次进行修正，从而进一步提高电量数据的准确性。
更进一步地，通过利用KELM模型建模时间短的特点，快速建模进行短期电量预测，相比极限学习机模型预测性能更稳定，满足短期电量预测的使用场景，而且适用于连续进行电量预测，进一步地，通过结合傅里叶级数对残差修正方法，进一步的提高了电量预测精度。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种电量预测方法，其特征在于，包括：
获取各用电企业消耗电量时间序列数据和总损耗电量数据；
确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量；
根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数；
基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序；
根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业；
根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据；
基于修正后的用电数据进行预设时间内的电量预测：
据修正后的最终用电量，确定总用电量作为历史总用电量数据样本作为输入特征，通过KELM训练，构建历史总用电量与预测时刻总用电量的关系；
对KELM模型输入第m个目标日期t+m的特征，得到总用电量基础预测值Pt+m，其中，t为当前日期；
执行步骤，获取未来7天的总用电量基础预测值Pt+m，其中，m=1，2…，7；
基于KELM模型训练的历史总用电量数据、KELM模型对训练数据预测结果，确定KELM模型对建模数据的残差序列；
基于总用电量基础预测值以及残差序列，通过傅里叶级数对残差序列进行二次拟合得到对应的残差值；
基于总用电量基础预测值以及残差值确定最终总用电量预测值。
2.根据权利要求1所述的电量预测方法，其特征在于，获取各用电企业预设单位时间内的用电量和预设单位时间内的线损电量，具体为：获取各用电企业日均用电量和日均线损电量。
3.根据权利要求2所述的电量预测方法，根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业，具体为：根据最终排序结果初筛靠前10%的用电企业作为初筛用电异常企业。
4.根据权利要求3所述的电量预测方法，其特征在于，根据经验模态分解方法对初筛用电异常企业进行异常排查，包括：根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。
5.电量预测装置，其特征在于，包括
获取单元，所述获取单元用于获取各用电企业消耗电量时间序列数据和总损耗电量数据；
确定单元，所述确定单元用于确定各用电企业预设单位时间内的用电量和预单位时间内的线损电量；
系数单元，所述系数单元用于根据预设单位时间内的用电量和预单位时间内的线损电量确定各用电企业消耗电量与总损耗电量的皮尔森相关系数；
排序单元，所述排序单元用于基于各用电企业预设单位时间内的用电量以及皮尔森相关系数并根据从高到低进行排序，并将对应的位序相加确定最终排序；
初筛单元，所述初筛单元用于根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业；
排查单元，所述排查单元用于根据经验模态分解方法对初筛用电异常企业进行异常排查，确定初筛后的用电异常企业并反馈至售电公司和对应用电企业进行问题排查并修正用电数据；
预测单元，所述预测单元用于基于修正后的用电数据进行预设时间内的电量预测：
据修正后的最终用电量，确定总用电量作为历史总用电量数据样本作为输入特征，通过KELM训练，构建历史总用电量与预测时刻总用电量的关系；
对KELM模型输入第m个目标日期t+m的特征，得到总用电量基础预测值Pt+m，其中，t为当前日期；
执行步骤，获取未来7天的总用电量基础预测值Pt+m，其中，m=1，2…，7；
基于KELM模型训练的历史总用电量数据、KELM模型对训练数据预测结果，确定KELM模型对建模数据的残差序列；
基于总用电量基础预测值以及残差序列，通过傅里叶级数对残差序列进行二次拟合得到对应的残差值；
基于总用电量基础预测值以及残差值确定最终总用电量预测值。
6.根据权利要求5所述的电量预测装置，其特征在于，
获取各用电企业预设单位时间内的用电量和预设单位时间内的线损电量，具体为：
获取各用电企业日均用电量和日均线损电量。
7.根据权利要求6所述的电量预测装置，根据最终排序结果初筛预设比例靠前的用电企业作为初筛用电异常企业，具体为：根据最终排序结果初筛靠前10%的用电企业作为初筛用电异常企业。
8.根据权利要求7所述的电量预测装置，其特征在于，根据经验模态分解方法对初筛用电异常企业进行异常排查，包括：根据经验模态分解方法对初筛用电异常企业中的各用电企业消耗电量与总损耗电量进行分解，确定分解得到的高频分量，根据其变化趋势和皮尔森相关系数确定最终异常用电企业。
9.一种存储介质，其特征在于，
所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至4中任意一项所述的电量预测方法。
10.一种电子设备，其特征在于，
包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现权利要求1至4中任意一项所述的电量预测方法。
CN202111508170.7A 2021-12-10 2021-12-10 电量预测方法、装置、介质及设备 Active CN113901731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111508170.7A CN113901731B (zh) 2021-12-10 2021-12-10 电量预测方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111508170.7A CN113901731B (zh) 2021-12-10 2021-12-10 电量预测方法、装置、介质及设备

Publications (2)

Publication Number Publication Date
CN113901731A CN113901731A (zh) 2022-01-07
CN113901731B true CN113901731B (zh) 2022-03-15

Family

ID=79026129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111508170.7A Active CN113901731B (zh) 2021-12-10 2021-12-10 电量预测方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN113901731B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126944B (zh) * 2016-06-28 2018-05-25 山东大学 一种电力变压器顶层油温区间预测方法及系统
CN108510006B (zh) * 2018-04-08 2020-06-09 重庆邮电大学 一种基于数据挖掘的企业用电量分析与预测方法
CN110855012A (zh) * 2019-12-19 2020-02-28 国网河北省电力有限公司武安市供电分公司 一种台区实时线损智能分析系统
CN112948456B (zh) * 2021-01-19 2022-03-11 宁夏大学 一种基于EMD和Pearson互相关系数的异常用电行为检测方法
CN112907062B (zh) * 2021-02-08 2024-04-02 国网安徽省电力有限公司蚌埠供电公司 融合温度特征的电网电量预测方法、装置、介质及终端

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梯度提升随机森林模型及其在日前出清电价预测中的应用;谢晓龙等;《计算机应用与软件》;20180912(第09期);333-339 *

Also Published As

Publication number Publication date
CN113901731A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
Chen et al. Optimal variability sensitive condition-based maintenance with a Cox PH model
CN109783385B (zh) 一种产品测试方法和装置
CN111881023B (zh) 一种基于多模型对比的软件老化预测方法及装置
US20120174231A1 (en) Assessing System Performance Impact of Security Attacks
CN115952081A (zh) 一种软件测试方法、装置、存储介质及设备
Wang An imperfect software debugging model considering irregular fluctuation of fault introduction rate
CN111626498A (zh) 设备运行状态预测方法、装置、设备及存储介质
CN116258484A (zh) 设备的预测性运维方案生成方法、装置、终端设备和介质
CN111078500A (zh) 运行配置参数的调整方法、装置、计算机设备和存储介质
CN113419950A (zh) Ui自动化脚本的生成方法、装置、计算机设备及存储介质
CN113946983A (zh) 产品可靠性薄弱环节评估方法、装置和计算机设备
CN113901731B (zh) 电量预测方法、装置、介质及设备
CN111783883A (zh) 一种异常数据的检测方法及装置
CN116975081A (zh) 一种日志诊断集更新方法、装置、设备及存储介质
CN113934595A (zh) 数据分析方法及系统、存储介质及电子终端
CN111611117A (zh) 硬盘故障的预测方法、装置、设备及计算机可读存储介质
CN115841255B (zh) 基于在线分析的建筑工程现场预警方法及系统
CN110674839A (zh) 异常用户识别方法、装置、存储介质及电子设备
CN117807545B (zh) 一种基于数据挖掘的异常检测方法及系统
CN114401494B (zh) 短消息下发异常检测方法、装置、计算机设备及存储介质
CN112631869B (zh) 页面加载数据监控方法、装置、计算机设备及存储介质
CN117421311A (zh) 基于人工智能的数据校验方法、装置、设备及存储介质
CN117829904A (zh) 投资决策预测方法、装置、设备、存储介质和程序产品
CN116974915A (zh) 基于cmdb的ci模型评测方法、装置、设备及介质
Islam et al. Demonstration of a Response Time Based Remaining Useful Life (RUL) Prediction for Software Systems

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: No.153-189, east section, East Jitian street, Tianfu New District, Chengdu, Sichuan 610000

Patentee after: Sichuan Regis Green Energy Technology Co., Ltd.

Address before: No.153-189, east section, East Jitian street, Tianfu New District, Chengdu, Sichuan 610000

Patentee before: Sichuan Ruikang Intelligent Energy Co.,Ltd.