CN113902230A - 电量偏差控制方法、系统、存储介质和电子设备 - Google Patents
电量偏差控制方法、系统、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113902230A CN113902230A CN202111507646.5A CN202111507646A CN113902230A CN 113902230 A CN113902230 A CN 113902230A CN 202111507646 A CN202111507646 A CN 202111507646A CN 113902230 A CN113902230 A CN 113902230A
- Authority
- CN
- China
- Prior art keywords
- electricity utilization
- electric quantity
- data
- electricity
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000005611 electricity Effects 0.000 claims abstract description 135
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004146 energy storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 description 25
- 238000001514 detection method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了电量偏差控制方法、系统、存储介质和电子设备，属于电量偏差技术领域。该电量偏差控制方法根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；获取预测时刻的外界因素指标，并调用预设的预测模型；根据各用电区域的预测结果确定预测电量。该电量偏差控制方法基于各用电区域的主要对用电量造成影响的外界因素指标分别建立预测模型，提高用电量预测精度，更好地控制电路偏差。
Description
技术领域
本公开涉及电量偏差技术领域，尤其涉及一种电量偏差控制方法、系统、存储介质和电子设备。
背景技术
随着各地电改如火如荼的进行，大量售电公司也如雨后春笋般出现，但要想取得好的收益，必须根据交易规则执行，偏差电量考核就是售电公司能否盈利的核心。而偏差电量考核的关键在于能否对短期用电量做出精准的预测。
发明内容
提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开实施例提供了一种电量偏差控制方法、系统、存储介质和电子设备，可以精准预测短期用电量，更好地控制电量偏差。
第一方面，本公开实施例提供了一种电量偏差控制方法，所述方法包括：
根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；
根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；
获取预测时刻的外界因素指标，并调用预设的预测模型；
根据各用电区域的预测结果确定预测电量。
结合第一方面的实施例，在一些实施例中，根据行业用电性质划分用电区域，具体为：根据行业用电性质划分为居民类用电区域、商业服务业类用电区域、工业类用电区域以及其他用电区域。
结合第一方面的实施例，在一些实施例中，获取预测时刻的外界因素指标，并调用预设的预测模型，包括如下步骤：
对历史用电数据进行预处理和样本切分；
对历史用电数据进行聚类处理，然后对每个类添加外界因素指标数值；
建立CNN预测模型对每个集群中的数据分为训练集和测试集，对每个训练模型进行训练和效果评估；
当进行用电量预测时，根据各个聚类中心确定数据所属类别，然后利用该类别的CNN预测模型进行用电量预测。
结合第一方面的实施例，在一些实施例中，上述电量偏差控制方法还包括如下步骤：
根据预测电量确定预测冗余量，其中，预测冗余量计算公式如下：
R=0.0196(1.023R1+1.032R2+1.0255R3+R4)
其中，R为预测冗余量，R1为居民类用电区域预测电量，R2为商业服务业类用电区域预测电量，R3为工业类用电区域，R4为其他用电区域预测电量。
结合第一方面的实施例，在一些实施例中，上述电量偏差控制方法还包括如下步骤：
根据预测冗余量租赁储能设备以实时调节偏差电量。
第二方面，本公开实施例提供了一种电量偏差控制系统，包括
获取数据单元，所述获取数据单元用于根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；
影响指标单元，所述影响指标单元用于根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；
调用模型单元，所述调用模型单元用于获取预测时刻的外界因素指标，并调用预设的预测模型；
预测电量单元，所述预测电量单元用于根据各用电区域的预测结果确定预测电量。
结合第二方面的实施例，在一些实施例中，根据行业用电性质划分用电区域，具体为：根据行业用电性质划分为居民类用电区域、商业服务业类用电区域、工业类用电区域以及其他用电区域。
结合第二方面的实施例，在一些实施例中，获取预测时刻的外界因素指标，并调用预设的预测模型，包括如下步骤：
对历史用电数据进行预处理和样本切分；
对历史用电数据进行聚类处理，然后对每个类添加外界因素指标数值；
建立CNN预测模型对每个集群中的数据分为训练集和测试集，对每个训练模型进行训练和效果评估；
当进行用电量预测时，根据各个聚类中心确定数据所属类别，然后利用该类别的CNN预测模型进行用电量预测。
结合第二方面的实施例，在一些实施例中，获取预测时刻的外界因素指标，并调用预设的预测模型，包括如下步骤：
对历史用电数据进行预处理和样本切分；
对历史用电数据进行聚类处理，然后对每个类添加外界因素指标数值；
建立CNN预测模型对每个集群中的数据分为训练集和测试集，对每个训练模型进行训练和效果评估；
当进行用电量预测时，根据各个聚类中心确定数据所属类别，然后利用该类别的CNN预测模型进行用电量预测。
结合第一方面的实施例，在一些实施例中，上述电量偏差控制装置还包括冗余单元，所述冗余单元用于：
根据预测电量确定预测冗余量，其中，预测冗余量计算公式如下：
R=0.0196(1.023R1+1.032R2+1.0255R3+R4)
其中，R为预测冗余量，R1为居民类用电区域预测电量，R2为商业服务业类用电区域预测电量，R3为工业类用电区域，R4为其他用电区域预测电量。
第三方面，本公开实施例提供了一种电子设备，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，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的电量偏差控制方法。
第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的电量偏差控制方法的步骤。
本申请提供了一种电量偏差控制方法、系统、存储介质和电子设备，该电量偏差控制方法根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；获取预测时刻的外界因素指标，并调用预设的预测模型；根据各用电区域的预测结果确定预测电量。该电量偏差控制方法基于各用电区域的主要对用电量造成影响的外界因素指标分别建立预测模型，提高用电量预测精度，更好地控制电路偏差。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1是根据本公开的电量偏差控制方法的一个实施例的流程图；
图2是本公开的步骤30的一个实施例的流程图；
图3是根据本公开实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
请参考图1，其示出了根据本公开的电量偏差控制方法的一个实施例的流程。该电量偏差控制方法可以应用于电量偏差控制。如图1所示，该电量偏差控制方法包括以下步骤：
步骤10：根据行业用电性质划分用电区域，获取用电区域的历史用电量数据。
在这里，根据行业用电性质划分为居民类用电区域、商业服务业类用电区域、工业类用电区域以及其他用电区域。
步骤20：根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标。
根据实践得知，一般影响各用电区域用电量的外界因素指标的外界因素指标主要为温度、天气、节假日等，由于本申请是对短期用电量进行预测，因此不考虑经济因素。
步骤30：获取预测时刻的外界因素指标，并调用预设的预测模型。
在这里，请参阅图2，步骤30包括如下步骤：
步骤310：对历史用电数据进行预处理和样本切分；
步骤320：对历史用电数据进行聚类处理，然后对每个类添加外界因素指标数值；
步骤330：建立CNN预测模型对每个集群中的数据分为训练集和测试集，对每个训练模型进行训练和效果评估；
步骤340：当进行用电量预测时，根据各个聚类中心确定数据所属类别，然后利用该类别的CNN预测模型进行用电量预测。
为了更好地对用电量进行预测，对历史用电数据进行预处理，其中，预处理包括对历史用电量异常值进行识别及修正。具体处理步骤如下：
步骤311，采集获取原始电量数据。
在这里，通过LoRA网关将电量数据按照预设时间、预设频率传输至数据监测平台。LoRA网关可以将分布离散式的多个点的设备数据，通过无线Lora节点传输到网关，Lora网关进行数据处理后，通过以太网或4G网络，传输到服务器。
采集模块用于通过LoRA网关将电量数据按照预设时间、预设频率传输至数据监测平台。
步骤312，检测原始电量数据存在的异常数据。
在这里，根据时间序列对原始电量数据进行处理获取时间序列电量数据，构成第一数列
，i=1，2，3，…，t，t表示时间序列的时间点（例如：日）。
根据第一数列
的电量数据确定中位数med
，并确定第一数列中的各电量数据与中位数med
的比值
。
设定比值阈值为
，
，若
，或者
，则该电量数据为异常值，将异常值替换为0，根据时间序列对替换后的电量数据进行处理获取时间序列电量数据，构成第二数列
。
根据第二数列
的各电量数据中的正数筛选并根据原顺序排列构成第三数列
。
根据集合经验模态分解算法对第三数列
进行分解，得到n个分量，根据频率由高至低排列，舍弃高频分量，将m个低频分量对应求和获取第四数列
。在这里，m的取值与异常值的检测密切相关，当m的取值不合理，容易造成错检或者漏检，根据实践经验，n：m=5:4时，检测效果较好。
基于第四数列
与第三数列
的偏差程度，定义异常偏离率
。
假设异常偏离率阈值
，异常偏离率大于异常偏离率阈值即为异常值，并将第二数列
中的异常值替换为0，得到第五数列
。
步骤313，修正异常数据，并以修正后的数据作为基础电量数据。
在这里，根据第五数列
的各电量数据中的正数筛选并根据原顺序排列构成第六数列
；
根据集合经验模态分解算法对第六数列
进行分解，得到
个分量，根据频率由高至低排列，舍弃高频分量，将
个低频分量对应求和获取第七数列
，第七数列
作为趋势项，其中，
：
=3:2时，趋势项
能很好地表示第六数列
的变化趋势。
根据第五数列
的凹凸性是否改变进行异常值修正：若第五数列
的凹凸性未改变，则直接曲线拟合。在这里，根据第五数列的正数筛选出来，得到样本数
，
表示出现正数的位置，以样本数
进行曲线拟合。若第五数列
的凹凸性改变，则分段曲线拟合，并对分段曲线拟合结果根据时间顺序拼接。
根据曲线拟合结果对异常值进行修正。
步骤314，对基础电量数据进行二次检测和二次修正获得最终的电量数据。
在这里，基于非参数核密度估计方法，在基础电量数据的基础上提取特征曲线。
获得历史电量数据，确定电量数据在同一时刻的最大值与最小值。
通过对比特征曲线与历史电量数据的最值，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。
可以看出，在此实施例中，充分考虑异常数据检测的难度，首先对明显异常的数据进行检测，定义异常偏离率表征数据异常可能性，将明显异常数据替换成0，然后对替换后的数据利用集合经验模态分解算法再次进行精准检测，基于电量数据时间序列的凹凸性变化进行拟合，根据拟合结果将异常值进行填补，从而获取较为精准的电量数据。
发明人经过长期的实践发现，在利用集合经验模态分解算法进行分解的过程中，m和
的取值依赖于经验，有可能的造成漏检和错检。而造成漏检和错检后又难以发现，导致异常数据的修正结果无法进行校验。
为此，本发明人提供了上述对历史用电数据进行预处理方法基于非参数核密度估计方法的电量数检测与修正方法，该方法能够充分利用以往历史数据，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。该方法能够对基础电量数据进行检测，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，为后续用电量的预测提供数据基础。
步骤40：根据各用电区域的预测结果确定预测电量。
根据预测电量确定预测冗余量，其中，预测冗余量计算公式如下：
R=0.0196(1.023R1+1.032R2+1.0255R3+R4)
其中，R为预测冗余量，R1为居民类用电区域预测电量，R2为商业服务业类用电区域预测电量，R3为工业类用电区域，R4为其他用电区域预测电量。
在这里，预测冗余量是对预测模型结果的再次修正，通过再次修正得到的预测冗余量，加上各电区域预测电量，即为预测购电量。
步骤50：根据预测冗余量租赁储能设备以实时调节偏差电量。
一般的售电公司不具备储能设备资源，本申请提供的方法可以准确预测短期用电量，对于存在的少量电量偏差可以通过租赁储能设备的方式进行实时调节。
本申请提供了一种电量偏差控制方法，该电量偏差控制方法根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；获取预测时刻的外界因素指标，并调用预设的预测模型；根据各用电区域的预测结果确定预测电量。该电量偏差控制方法基于各用电区域的主要对用电量造成影响的外界因素指标分别建立预测模型，提高用电量预测精度，更好地控制电路偏差。
进一步，作为对上述所示方法的实现，本公开提供了一种电量偏差控制系统，该系统实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
本实施例的系统包括：获取数据单元，所述获取数据单元用于根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；影响指标单元，所述影响指标单元用于根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；调用模型单元，所述调用模型单元用于获取预测时刻的外界因素指标，并调用预设的预测模型；预测电量单元，所述预测电量单元用于根据各用电区域的预测结果确定预测电量。。
在一些可选的实施方式中，调用模型单元用于对历史用电数据进行预处理和样本切分；对历史用电数据进行聚类处理，然后对每个类添加外界因素指标数值；建立CNN预测模型对每个集群中的数据分为训练集和测试集，对每个训练模型进行训练和效果评估；当进行用电量预测时，根据各个聚类中心确定数据所属类别，然后利用该类别的CNN预测模型进行用电量预测。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置303。通信装置303可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开的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或者是上述两者的任意组合。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可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（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。在本公开中，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。而在本公开中，计算机可读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，该计算机可读信号介质可以发送、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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（HyperText TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；获取预测时刻的外界因素指标，并调用预设的预测模型；根据各用电区域的预测结果确定预测电量。
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公开的操作的计算机程序代码，上述程序设计语言包括但不限于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）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种电量偏差控制方法，其特征在于，所述方法包括：
根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；
根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；
获取预测时刻的外界因素指标，并调用预设的预测模型；
根据各用电区域的预测结果确定预测电量。
2.根据权利要求1所述的电量偏差控制方法，其特征在于，根据行业用电性质划分用电区域，具体为：根据行业用电性质划分为居民类用电区域、商业服务业类用电区域、工业类用电区域以及其他用电区域。
3.根据权利要求2所述的电量偏差控制方法，其特征在于，获取预测时刻的外界因素指标，并调用预设的预测模型，包括如下步骤：
对历史用电数据进行预处理和样本切分；
对历史用电数据进行聚类处理，然后对每个类添加外界因素指标数值；
建立CNN预测模型对每个集群中的数据分为训练集和测试集，对每个训练模型进行训练和效果评估；
当进行用电量预测时，根据各个聚类中心确定数据所属类别，然后利用该类别的CNN预测模型进行用电量预测。
4.根据权利要求2或3所述的电量偏差控制方法，其特征在于，还包括如下步骤：
根据预测电量确定预测冗余量，其中，预测冗余量计算公式如下：
R=0.0196(1.023R1+1.032R2+1.0255R3+R4)
其中，R为预测冗余量，R1为居民类用电区域预测电量，R2为商业服务业类用电区域预测电量，R3为工业类用电区域，R4为其他用电区域预测电量。
5.根据权利要求4所述的电量偏差控制方法，其特征在于，还包括如下步骤：
根据预测冗余量租赁储能设备以实时调节偏差电量。
6.一种电量偏差控制系统，其特征在于，包括：
获取数据单元，所述获取数据单元用于根据行业用电性质划分用电区域，获取用电区域的历史用电量数据；
影响指标单元，所述影响指标单元用于根据各用电区域的历史用电数据确定影响各用电区域用电量的外界因素指标；
调用模型单元，所述调用模型单元用于获取预测时刻的外界因素指标，并调用预设的预测模型；
预测电量单元，所述预测电量单元用于根据各用电区域的预测结果确定预测电量。
7.根据权利要求6所述的电量偏差控制系统，其特征在于，根据行业用电性质划分用电区域，具体为：根据行业用电性质划分为居民类用电区域、商业服务业类用电区域、工业类用电区域以及其他用电区域。
8.根据权利要求7所述的电量偏差控制系统，其特征在于，获取预测时刻的外界因素指标，并预设的预测模型，包括如下步骤：
对历史用电数据进行预处理和样本切分；
对历史用电数据进行聚类处理，然后对每个类添加外界因素指标数值；
建立CNN预测模型对每个集群中的数据分为训练集和测试集，对每个训练模型进行训练和效果评估；
当进行用电量预测时，根据各个聚类中心确定数据所属类别，然后利用该类别的CNN预测模型进行用电量预测。
9.电子设备，其特征在于，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，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
10.一种存储介质，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1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111507646.5A CN113902230A (zh) | 2021-12-10 | 2021-12-10 | 电量偏差控制方法、系统、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111507646.5A CN113902230A (zh) | 2021-12-10 | 2021-12-10 | 电量偏差控制方法、系统、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113902230A true CN113902230A (zh) | 2022-01-07 |
Family
ID=79026125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111507646.5A Pending CN113902230A (zh) | 2021-12-10 | 2021-12-10 | 电量偏差控制方法、系统、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113902230A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114722061A (zh) * | 2022-04-08 | 2022-07-08 | 中国电信股份有限公司 | 数据处理方法及装置、设备、计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292420A (zh) * | 2017-05-24 | 2017-10-24 | 国网北京市电力公司 | 数据处理方法和装置 |
| CN108492159A (zh) * | 2018-03-07 | 2018-09-04 | 阳光电源股份有限公司 | 一种电力交易方法及平台 |
| CN108879676A (zh) * | 2018-08-29 | 2018-11-23 | 新智能源系统控制有限责任公司 | 一种售电控制系统 |
| CN109066661A (zh) * | 2018-08-29 | 2018-12-21 | 新智能源系统控制有限责任公司 | 一种售电偏差控制方法和售电控制系统 |
| CN111080011A (zh) * | 2019-12-16 | 2020-04-28 | 清华四川能源互联网研究院 | 负荷电量偏差预测方法及装置 |
| CN113128867A (zh) * | 2021-04-20 | 2021-07-16 | 四川瑞康智慧能源有限公司 | 一种售电偏差管理系统及其方法 |
-
2021
- 2021-12-10 CN CN202111507646.5A patent/CN113902230A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292420A (zh) * | 2017-05-24 | 2017-10-24 | 国网北京市电力公司 | 数据处理方法和装置 |
| CN108492159A (zh) * | 2018-03-07 | 2018-09-04 | 阳光电源股份有限公司 | 一种电力交易方法及平台 |
| CN108879676A (zh) * | 2018-08-29 | 2018-11-23 | 新智能源系统控制有限责任公司 | 一种售电控制系统 |
| CN109066661A (zh) * | 2018-08-29 | 2018-12-21 | 新智能源系统控制有限责任公司 | 一种售电偏差控制方法和售电控制系统 |
| CN111080011A (zh) * | 2019-12-16 | 2020-04-28 | 清华四川能源互联网研究院 | 负荷电量偏差预测方法及装置 |
| CN113128867A (zh) * | 2021-04-20 | 2021-07-16 | 四川瑞康智慧能源有限公司 | 一种售电偏差管理系统及其方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王繁等: "LSTM 对配电台区短期负荷预测的适用性研究", 《电力系统及其自动化学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114722061A (zh) * | 2022-04-08 | 2022-07-08 | 中国电信股份有限公司 | 数据处理方法及装置、设备、计算机可读存储介质 |
| CN114722061B (zh) * | 2022-04-08 | 2023-11-14 | 中国电信股份有限公司 | 数据处理方法及装置、设备、计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240127795A1 (en) | Model training method, speech recognition method, device, medium, and apparatus | |
| CN114422267B (zh) | 流量检测方法、装置、设备及介质 | |
| CN115085196B (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
| CN114780338A (zh) | 主机信息处理方法、装置、电子设备和计算机可读介质 | |
| WO2023134188A1 (zh) | 指标确定方法、装置、电子设备和计算机可读介质 | |
| CN113837324A (zh) | 电量数据监测方法、系统、存储介质和电子设备 | |
| CN115277261A (zh) | 基于工控网络病毒的异常机器智能识别方法、装置、设备 | |
| CN112183627A (zh) | 生成预测密度图网络的方法和车辆年检标数量检测方法 | |
| CN113902230A (zh) | 电量偏差控制方法、系统、存储介质和电子设备 | |
| CN111932348B (zh) | 针对异常订单的报警方法、装置、电子设备和可读介质 | |
| CN116187716B (zh) | 农业设备调度方法、装置、电子设备和计算机可读介质 | |
| CN116388112B (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
| CN117236805A (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
| CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
| CN112836128A (zh) | 信息推荐方法、装置、设备和存储介质 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
| CN117978612B (zh) | 网络故障检测方法、存储介质以及电子设备 | |
| CN116757443B (zh) | 新型配电网电力线损率预测方法、装置、电子设备和介质 | |
| CN116881097B (zh) | 用户终端告警方法、装置、电子设备和计算机可读介质 | |
| CN117857388B (zh) | 交换机运行信息检测方法、装置、电子设备与计算机介质 | |
| CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 | |
| CN115204150B (zh) | 信息校验方法、装置、电子设备和计算机可读介质 | |
| CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
| CN117235535B (zh) | 异常供应端断电方法、装置、电子设备和介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220107 |
|
| RJ01 | Rejection of invention patent application after publication |