CN114611856A - 一种用电量智能补全方法和系统 - Google Patents
一种用电量智能补全方法和系统 Download PDFInfo
- Publication number
- CN114611856A CN114611856A CN202011411832.4A CN202011411832A CN114611856A CN 114611856 A CN114611856 A CN 114611856A CN 202011411832 A CN202011411832 A CN 202011411832A CN 114611856 A CN114611856 A CN 114611856A
- Authority
- CN
- China
- Prior art keywords
- time interval
- missing
- time
- power consumption
- user
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 141
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000000295 complement effect Effects 0.000 claims abstract description 5
- 239000004576 sand Substances 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 239000000428 dust Substances 0.000 claims description 4
- 238000007664 blowing Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims 2
- 230000008014 freezing Effects 0.000 abstract description 7
- 238000007710 freezing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000001502 supplementing effect Effects 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 3
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 239000011737 fluorine Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用电量智能补全方法和系统，包括：获取用户缺失用电量时间区间；获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段；基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量。本发明解决了现有的用电量补全方法存在的日冻结示值反超和补全准确率低的问题。
Description
技术领域
本发明涉及用电信息采集领域，具体涉及一种用电量智能补全方法和系统。
背景技术
在实际工作中，由于系统或网络等各种原因，用电信息采集系统可能出现有功日冻结示值缺失的情况，基于此，我们需要对用电信息进行补全；
现有技术中一般采用同期拟合或者算术平均拟合的方法等传统用电信息补全方法来补全缺失电量；
而同期拟合是同期的电量数据进行近似拟合。通常来说同期拟合仅考虑日期类型对信息补全的影响，日期类型按日期属性分为三种：一是工作日；二是双休日；三是国家法定节假日(元旦、清明、端午、五一、中秋、国庆、春节)，具体拟合规则如下：(1)如果缺点时间段区间在工作日内，前推四个同期日数据的平均值拟合处理，(2)如果缺点时间段区间在双休日内，前推四个双休日数据的平均值拟合处理，(3)如果缺点时间段区间在法定节假日内，按去年同类型节假日区间数据拟合处理。无历史类比数据的区分大小长假，参照上一个大小长假数据拟合处理。
而算术平均拟合是取缺点区间内前后时间点的区间电量算术平均值作为电量拟合值。
但是，同期拟合未考虑缺点区间总用电量，补全的用电量存在日冻结示值反超的情况，且该方法未考虑季节、天气、温度对不同行业影响的问题，导致补全电量与真实电量存在偏差；而算术平均拟合的方法忽略了季节、天气、温度、工作日、双休日和节假日对用户用电量的影响导致补全电量会和真实电量存在较大偏差。
发明内容
针对现有技术的不足，本发明的目的是提供一种用电量智能补全方法和系统，该方法解决了现有的用电量补全方法存在的日冻结示值反超和补全准确率低的问题。
本发明的目的是采用下述技术方案实现的：
本发明提供一种用电量智能补全方法，其改进之处在于，所述方法包括：
获取用户缺失用电量时间区间；
获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段；
基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量。
优选的，所述历史时间区间为[α-μ,ω+π]；
所述指定用户为与用户位于同一地域且与用户的用电类型相同的其它用户；其中，α为缺失用电量时间区间在其所属年度的上一年度对应的时段的起始时刻，ω为缺失用电量时间区间在其所属年度的上一年度对应的时段的终止时刻，μ为第一预设值，π为第二预设值。
本发明提供一种用电量智能补全系统，其特征在于，所述系统包括：
第一获取模块，用于获取用户缺失用电量时间区间；
第二获取模块，用于获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
确定模块，用于基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段；
补全模块，用于基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量。
优选的，所述历史时间区间为[α-μ,ω+π]；
所述指定用户为与用户位于同一地域且与用户的用电类型相同的其它用户；其中，α为缺失用电量时间区间在其所属年度的上一年度对应的时段的起始时刻，ω为缺失用电量时间区间在其所属年度的上一年度对应的时段的终止时刻，μ为第一预设值，π为第二预设值。
与最接近的现有技术相比，本发明具有的有益效果：获取用户缺失用电量时间区间；获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段；基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量。本发明提供的技术方案解决了现有的用电量补全方法存在的日冻结示值反超和补全准确率低的问题。
本发明提供的技术方案，从年节类型、日期类型、天气类型和温度等多个维度上计算时段之间的距离，以时段之间的距离作为寻找缺失用电量时间区间中各时段的相似时段的依据，以此保证寻找到相似时段的可靠性更高。
本发明提供的技术方案，考虑了行业对用电量补全的影响，提高了用电量补全的准确度。
附图说明
图1是一种用电量智能补全方法流程图；
图2是一种用电量智能补全系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
本发明提供一种用电量智能补全方法，如图1所示，所述方法包括：
步骤101，用于获取用户缺失用电量时间区间；
步骤102，用于获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
步骤103，用于基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段；
步骤104，用于基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量。
优选的，所述历史时间区间为[α-μ,ω+π]；
所述指定用户为与用户位于同一地域且与用户的用电类型相同的其它用户；其中，α为缺失用电量时间区间在其所属年度的上一年度对应的时段的起始时刻，ω为缺失用电量时间区间在其所属年度的上一年度对应的时段的终止时刻，μ为第一预设值，π为第二预设值。
优选的，所述步骤102，包括：
步骤102-1，分别计算在各种因素影响下缺失用电量时间区间中各时段与历史时间区间中各时段之间的分项距离；
步骤102-2，根据各种因素影响下缺失用电量时间区间中各时段与历史时间区间中各时段之间的分项距离，确定缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
所述各种因素包括季节因素、日期因素、天气因素和温度因素。
进一步的，所述步骤102-1，包括：
按下式计算在季节因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
上式中，xi为缺失用电量时间区间中第i个时段，yj为历史时间区间中第j个时段，
为缺失用电量时间区间中第i个时段所属日在其公历年中的排序序号，
为历史时间区间中第j个时段所属日在其公历年中的排序序号，
为缺失用电量时间区间中第i个时段所属日在其农历年中的排序序号，
为历史时间区间中第j个时段所属日在其农历年中的排序序号；
其中，所述特定季节日期为年节包含的日期，所述年节为春节的前Q天、春节当天、春节的后R天构成的时间区间，Q为第三预设值，R为第四预设值；
在本发明的具体实施例中，年节为腊月16到正月20，不处于特定季节日期指的是除年节之外的日期。
如表1所示，按下式计算在日期因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
表1
如表2所示，按下式计算在天气因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
其中，所述集合(1)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为B类天气、xi的天气类型为B类天气且yj的天气类型为A类天气、xi的天气类型为B类天气且yj的天气类型为C类天气、xi的天气类型为C类天气且yj的天气类型为B类天气、xi的天气类型为C类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为C类天气；
所述集合(2)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为C类天气、xi的天气类型为C类天气且yj的天气类型为A类天气、xi的天气类型为B类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为B类天气；
集合(3)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为A类天气；
表2
| d<sub>3</sub> | 天气大类A | 天气大类B | 天气大类C | 天气大类D |
| 天气大类A | \ | 0.5 | 0.75 | 1 |
| 天气大类B | 0.5 | \ | 0.5 | 0.75 |
| 天气大类C | 0.75 | 0.5 | \ | 0.5 |
| 天气大类D | 1 | 0.75 | 0.5 | \ |
所述A类天气、B类天气、C类天气和D类天气为依据当地的光伏电站在各类常见天气下的出力曲线中的期望和方差，利用EM聚类算法对各类常见天气进行聚类得到的；
所述常见天气包括：晴、多云、阴、阵雨、雷阵雨、雷阵雨伴有冰雹、雨夹雪、小雨、中雨、大雨、暴雨、大暴雨、特大暴雨、阵雪、小雪、中雪、大雪、暴雪、雾、冻雨、沙尘暴、小雨-中雨、中雨-大雨、大雨-暴雨、暴雨-大暴雨、大暴雨-特大暴雨、小雪-中雪、中雪-大雪、大雪-暴雪、浮尘、扬沙、强沙尘暴、霾；
在本发明的最佳实施例中，所述A类天气、B类天气、C类天气或D类天气是依据当地的光伏电站在各类常见天气时的出力曲线的期望和方差，利用EM聚类算法对各类常见天气进行聚类得到的；其具体实施方法如专利一种光伏出力预测方法和装置(2016103707687)所示；
其中，某地依据最近一年内，光伏电站在各类常见天气时的出力曲线的期望和方差利用上述方法对天气进行分类，得到的分类结果为：晴、阵雨、雷阵雨、雷阵雨伴有冰雹聚为天气大类A，多云、阴、小雨、中雨、大雨、小雨-中雨、中雨-大雨、大雨-暴雨聚为天气大类B，阵雪、小雪、中雪、大雪、暴雪、冻雨、小雪-中雪、中雪-大雪、大雪-暴雪聚为天气大类C，浮尘、扬沙、强沙尘暴、霾、雨夹雪、暴雨、大暴雨、特大暴雨、暴雨-大暴雨、大暴雨-特大暴雨聚为天气大类D。
按下式计算在温度因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
式中，
为缺失用电量时间区间中第i个时段的温度，
为历史时间区间中第j个时段的温度。
进一步的，所述步骤102-2，包括：
按下式确定缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵D：
式中，
为缺失用电量时间区间中第i个时段与历史时间区间中第j个时段之间的距离，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，j∈(1～L)，L为历史时间区间内包括的时段总数；
其中，按下式确定所述
上式中，a为季节因素对应的权重，b为日期因素对应的权重，c为天气因素对应的权重，e为温度因素对应的权重。
具体的，所述步骤103，包括：
步骤103-1，根据距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段；
步骤103-2，判断缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段是否唯一；
步骤103-3，若是唯一，则将有匹配关系的该时段作为缺失用电量时间区间中相应时段的相似时段；
否则，从有匹配关系的时段中选择与缺失用电量时间区间中相应时段距离最小的一个时段作为该相应时段的相似时段。
进一步的，所述步骤103-1，包括：
步骤103-1-1，初始化i＝1、j＝1，并转至步骤B；
步骤103-1-2，记录历史时间区间中第j个时段yj是缺失用电量时间区间中第i个时段在历史时间区间中有匹配关系的时段，并转至步骤C；
步骤103-1-3，若i≠Z且j≠L，则选择所述距离矩阵内
和
中最小的一个，并转至步骤D；
若i≠Z且j＝L，则令i＝i+1，并转至步骤B；
若i＝Z且j≠L，则令j＝j+1，并转至步骤B；
若i＝Z且j＝L，则输出缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段，并结束操作；
步骤103-1-4，若最小的为
则令i＝i+1，并转至步骤B；
若最小的为
则令j＝j+1，并转至步骤B；
若最小的为
则令i＝i+1，j＝j+1，并转至步骤B；
其中，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，j∈(1～L)，L为历史时间区间内包括的时段总数，
为缺失用电量时间区间中第i+1个时段与历史时间区间中第j个时段之间的距离，
为缺失用电量时间区间中第i个时段与历史时间区间中第j+1个时段之间的距离，
为缺失用电量时间区间中第i+1个时段与历史时间区间中第j+1个时段之间的距离。
具体的，所述步骤104，包括：
若用户在缺失用电量时间区间中各个时段的相似时段的用电量不缺失，且用户在缺失用电量时间区间的总用电量不缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，
若用户在缺失用电量时间区间中各个时段的相似时段的用电量不缺失，且用户在缺失用电量时间区间的总用电量缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，Pi＝Pi *·λ；
若用户在缺失用电量时间区间中各个时段的相似时段的用电量缺失，且用户在缺失用电量时间区间的总用电量不缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，
若用户在缺失用电量时间区间中各个时段的相似时段的用电量缺失，且用户在缺失用电量时间区间的总用电量缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，Pi＝Pi #·β；
其中，Pall为用户在缺失用电量时间区间的总用电量，Pi *为用户在缺失用电量时间区间中第i个时段的相似时段的用电量，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，λ为序列
中各元素的中位数，λf为用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量与用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的相似时段的用电量之间的比值，f∈(1～Sf)，Sf为与缺失用电量时间区间最近的一个时间区间中包含的时段总数，Pi #为指定用户在缺失用电量时间区间中第i个时段的用电量的平均值，β为序列
中各元素的中位数，βf为用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量和指定用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量的平均值之间的比值。
在本发明的最佳实施例中，缺失用电量的时间区间的总用电量是由缺失用电量的时间区间中最后一个时段的日冻结示值-缺失用电量的时间区间之前一个时段的日冻结示值计算的，与用户的用电类型相同的其它用户指的是与用户同行业的其它用户。
本发明提供一种用电量智能补全系统，如图2所示，所述系统包括：
第一获取模块，用于获取用户缺失用电量时间区间；
第二获取模块，用于获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
确定模块，用于基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段；
补全模块，用于基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量。
其中，所述历史时间区间为[α-μ,ω+π]；
所述指定用户为与用户位于同一地域且与用户的用电类型相同的其它用户；其中，α为缺失用电量时间区间在其所属年度的上一年度对应的时段的起始时刻，ω为缺失用电量时间区间在其所属年度的上一年度对应的时段的终止时刻，μ为第一预设值，π为第二预设值。
进一步的，所述第二获取模块，包括：
计算单元，用于分别计算在各种因素影响下缺失用电量时间区间中各时段与历史时间区间中各时段之间的分项距离；
第一确定单元，用于根据各种因素影响下缺失用电量时间区间中各时段与历史时间区间中各时段之间的分项距离，确定缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
所述各种因素包括季节因素、日期因素、天气因素和温度因素。
进一步的，所述计算单元，用于：
按下式计算在季节因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
上式中，xi为缺失用电量时间区间中第i个时段，yj为历史时间区间中第j个时段，
为缺失用电量时间区间中第i个时段所属日在其公历年中的排序序号，
为历史时间区间中第j个时段所属日在其公历年中的排序序号，
为缺失用电量时间区间中第i个时段所属日在其农历年中的排序序号，
为历史时间区间中第j个时段所属日在其农历年中的排序序号；
其中，所述特定季节日期为年节包含的日期，所述年节为春节的前Q天、春节当天、春节的后R天构成的时间区间，Q为第三预设值，R为第四预设值；
按下式计算在日期因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
如表2所示，按下式计算在天气因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
其中，所述集合(1)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为B类天气、xi的天气类型为B类天气且yj的天气类型为A类天气、xi的天气类型为B类天气且yj的天气类型为C类天气、xi的天气类型为C类天气且yj的天气类型为B类天气、xi的天气类型为C类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为C类天气；
所述集合(2)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为C类天气、xi的天气类型为C类天气且yj的天气类型为A类天气、xi的天气类型为B类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为B类天气；
集合(3)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为A类天气；
所述A类天气、B类天气、C类天气和D类天气为依据当地的光伏电站在各类常见天气下的出力曲线中的期望和方差，利用EM聚类算法对各类常见天气进行聚类得到的；
所述常见天气包括：晴、多云、阴、阵雨、雷阵雨、雷阵雨伴有冰雹、雨夹雪、小雨、中雨、大雨、暴雨、大暴雨、特大暴雨、阵雪、小雪、中雪、大雪、暴雪、雾、冻雨、沙尘暴、小雨-中雨、中雨-大雨、大雨-暴雨、暴雨-大暴雨、大暴雨-特大暴雨、小雪-中雪、中雪-大雪、大雪-暴雪、浮尘、扬沙、强沙尘暴、霾；
按下式计算在温度因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
式中，
为缺失用电量时间区间中第i个时段的温度，
为历史时间区间中第j个时段的温度。
具体的，所述第一确定单元，用于：
按下式确定缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵D：
式中，
为缺失用电量时间区间中第i个时段与历史时间区间中第j个时段之间的距离，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，j∈(1～L)，L为历史时间区间内包括的时段总数；
其中，按下式确定所述
上式中，a为季节因素对应的权重，b为日期因素对应的权重，c为天气因素对应的权重，e为温度因素对应的权重。
具体的，所述确定模块，包括：
第二确定单元，用于根据距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段；
判断单元，用于判断缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段是否唯一；
选定单元，用于若是唯一，则将有匹配关系的该时段作为缺失用电量时间区间中相应时段的相似时段；
否则，从有匹配关系的时段中选择与缺失用电量时间区间中相应时段距离最小的一个时段作为该相应时段的相似时段。
具体的，所述第二确定单元，包括：
初始化子单元，用于初始化i＝1、j＝1，并转至步骤B；
填入子单元，用于历史时间区间中第j个时段yj是缺失用电量时间区间中第i个时段在历史时间区间中有匹配关系的时段，并转至步骤C；
选择子单元，用于若i≠Z且j≠L，则选择所述距离矩阵内
和
中最小的一个，并转至步骤D；
若i≠Z且j＝L，则令i＝i+1，并转至步骤B；
若i＝Z且j≠L，则令j＝j+1，并转至步骤B；
若i＝Z且j＝L，则输出缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段，并结束操作；
命令子单元，用于若最小的为
则令i＝i+1，并转至步骤B；
若最小的为
则令j＝j+1，并转至步骤B；
若最小的为
则令i＝i+1，j＝j+1，并转至步骤B；
其中，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，j∈(1～L)，L为历史时间区间内包括的时段总数，
为缺失用电量时间区间中第i+1个时段与历史时间区间中第j个时段之间的距离，
为缺失用电量时间区间中第i个时段与历史时间区间中第j+1个时段之间的距离，
为缺失用电量时间区间中第i+1个时段与历史时间区间中第j+1个时段之间的距离。
具体的，所述补全模块，用于：
若用户在缺失用电量时间区间中各个时段的相似时段的用电量不缺失，且用户在缺失用电量时间区间的总用电量不缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，
若用户在缺失用电量时间区间中各个时段的相似时段的用电量不缺失，且用户在缺失用电量时间区间的总用电量缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，Pi＝Pi *·λ；
若用户在缺失用电量时间区间中各个时段的相似时段的用电量缺失，且用户在缺失用电量时间区间的总用电量不缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，
若用户在缺失用电量时间区间中各个时段的相似时段的用电量缺失，且用户在缺失用电量时间区间的总用电量缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，Pi＝Pi #·β；
其中，Pall为用户在缺失用电量时间区间的总用电量，Pi *为用户在缺失用电量时间区间中第i个时段的相似时段的用电量，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，λ为序列
中各元素的中位数，λf为用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量与用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的相似时段的用电量之间的比值，f∈(1～Sf)，Sf为与缺失用电量时间区间最近的一个时间区间中包含的时段总数，Pi #为指定用户在缺失用电量时间区间中第i个时段的用电量的平均值，β为序列
中各元素的中位数，βf为用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量和指定用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量的平均值之间的比值。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种用电量智能补全方法，其特征在于，所述方法包括：
获取用户缺失用电量时间区间；
获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段；
基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量。
2.如权利要求1所述的方法，其特征在于，所述历史时间区间为[α-μ,ω+π]；
所述指定用户为与用户位于同一地域且与用户的用电类型相同的其它用户；其中，α为缺失用电量时间区间在其所属年度的上一年度对应的时段的起始时刻，ω为缺失用电量时间区间在其所属年度的上一年度对应的时段的终止时刻，μ为第一预设值，π为第二预设值。
3.如权利要求1所述的方法，其特征在于，所述获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵，包括：
分别计算在各种因素影响下缺失用电量时间区间中各时段与历史时间区间中各时段之间的分项距离；
根据各种因素影响下缺失用电量时间区间中各时段与历史时间区间中各时段之间的分项距离，确定缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
所述各种因素包括季节因素、日期因素、天气因素和温度因素。
4.如权利要求3所述的方法，其特征在于，所述分别计算在各种因素影响下缺失用电量时间区间中各时段与历史时间区间中各时段之间的分项距离，包括：
按下式计算在季节因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
上式中，xi为缺失用电量时间区间中第i个时段，yj为历史时间区间中第j个时段，
为缺失用电量时间区间中第i个时段所属日在其公历年中的排序序号，
为历史时间区间中第j个时段所属日在其公历年中的排序序号，
为缺失用电量时间区间中第i个时段所属日在其农历年中的排序序号，
为历史时间区间中第j个时段所属日在其农历年中的排序序号；
其中，所述特定季节日期为年节包含的日期，所述年节为春节的前Q天、春节当天、春节的后R天构成的时间区间，Q为第三预设值，R为第四预设值；
按下式计算在日期因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
按下式计算在天气因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
其中，所述集合(1)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为B类天气、xi的天气类型为B类天气且yj的天气类型为A类天气、xi的天气类型为B类天气且yj的天气类型为C类天气、xi的天气类型为C类天气且yj的天气类型为B类天气、xi的天气类型为C类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为C类天气；
所述集合(2)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为C类天气、xi的天气类型为C类天气且yj的天气类型为A类天气、xi的天气类型为B类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为B类天气；
集合(3)中包括的情况有：xi的天气类型为A类天气且yj的天气类型为D类天气以及xi的天气类型为D类天气且yj的天气类型为A类天气；
所述A类天气、B类天气、C类天气和D类天气为依据当地的光伏电站在各类常见天气下的出力曲线中的期望和方差，利用EM聚类算法对各类常见天气进行聚类得到的；
所述常见天气包括：晴、多云、阴、阵雨、雷阵雨、雷阵雨伴有冰雹、雨夹雪、小雨、中雨、大雨、暴雨、大暴雨、特大暴雨、阵雪、小雪、中雪、大雪、暴雪、雾、冻雨、沙尘暴、小雨-中雨、中雨-大雨、大雨-暴雨、暴雨-大暴雨、大暴雨-特大暴雨、小雪-中雪、中雪-大雪、大雪-暴雪、浮尘、扬沙、强沙尘暴、霾；
按下式计算在温度因素影响下缺失用电量时间区间中i个时段与历史时间区间中第j个时段之间的分项距离
式中，Txi为缺失用电量时间区间中第i个时段的温度，Tyj为历史时间区间中第j个时段的温度。
5.如权利要求4所述的方法，其特征在于，所述根据各种因素影响下缺失用电量时间区间中各时段与历史时间区间中各时段之间的分项距离，确定缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵，包括：
按下式确定缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵D：
式中，
为缺失用电量时间区间中第i个时段与历史时间区间中第j个时段之间的距离，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，j∈(1～L)，L为历史时间区间内包括的时段总数；
其中，按下式确定所述
上式中，a为季节因素对应的权重，b为日期因素对应的权重，c为天气因素对应的权重，e为温度因素对应的权重。
6.如权利要求1所述的方法，其特征在于，所述基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段，包括：
根据距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段；
判断缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段是否唯一；
若是唯一，则将有匹配关系的该时段作为缺失用电量时间区间中相应时段的相似时段；
否则，从有匹配关系的时段中选择与缺失用电量时间区间中相应时段距离最小的一个时段作为该相应时段的相似时段。
7.如权利要求6所述的方法，其特征在于，所述根据距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段，包括：
步骤A：初始化i＝1、j＝1，并转至步骤B；
步骤B：记录历史时间区间中第j个时段yj是缺失用电量时间区间中第i个时段在历史时间区间中有匹配关系的时段，并转至步骤C；
步骤C：若i≠Z且j≠L，则选择所述距离矩阵内
和
中最小的一个，并转至步骤D；
若i≠Z且j＝L，则令i＝i+1，并转至步骤B；
若i＝Z且j≠L，则令j＝j+1，并转至步骤B；
若i＝Z且j＝L，则输出缺失用电量时间区间中各时段在历史时间区间中有匹配关系的时段，并结束操作；
步骤D：若最小的为
则令i＝i+1，并转至步骤B；
若最小的为
则令j＝j+1，并转至步骤B；
若最小的为
则令i＝i+1，j＝j+1，并转至步骤B；
其中，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，j∈(1～L)，L为历史时间区间内包括的时段总数，
为缺失用电量时间区间中第i+1个时段与历史时间区间中第j个时段之间的距离，
为缺失用电量时间区间中第i个时段与历史时间区间中第j+1个时段之间的距离，
为缺失用电量时间区间中第i+1个时段与历史时间区间中第j+1个时段之间的距离。
8.如权利要求1所述的方法，其特征在于，所述基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量，包括：
若用户在缺失用电量时间区间中各个时段的相似时段的用电量不缺失，且用户在缺失用电量时间区间的总用电量不缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，
若用户在缺失用电量时间区间中各个时段的相似时段的用电量不缺失，且用户在缺失用电量时间区间的总用电量缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，
若用户在缺失用电量时间区间中各个时段的相似时段的用电量缺失，且用户在缺失用电量时间区间的总用电量不缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，
若用户在缺失用电量时间区间中各个时段的相似时段的用电量缺失，且用户在缺失用电量时间区间的总用电量缺失，则按下式补全用户在缺失用电量时间区间中第i个时段的用电量Pi，
其中，Pall为用户在缺失用电量时间区间的总用电量，
为用户在缺失用电量时间区间中第i个时段的相似时段的用电量，i∈(1～Z)，Z为缺失用电量时间区间内包含的时段总数，λ为序列
中各元素的中位数，λf为用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量与用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的相似时段的用电量之间的比值，f∈(1～Sf)，Sf为与缺失用电量时间区间最近的一个时间区间中包含的时段总数，
为指定用户在缺失用电量时间区间中第i个时段的用电量的平均值，β为序列
中各元素的中位数，βf为用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量和指定用户在与缺失用电量时间区间最近的一个时间区间中的第f个时段的用电量的平均值之间的比值。
9.一种用电量智能补全系统，其特征在于，所述系统包括：
第一获取模块，用于获取用户缺失用电量时间区间；
第二获取模块，用于获取缺失用电量时间区间中各时段与历史时间区间中各时段之间的距离矩阵；
确定模块，用于基于距离矩阵，确定缺失用电量时间区间中各时段在历史时间区间中的相似时段；
补全模块，用于基于用户在相似时段的用电量和用户在缺失用电量时间区间的总用电量的缺失情况，选择用户在相似时段的用电量或指定用户在缺失用电量时间区间中各时段的用电量平均值补全用户在缺失用电量时间区间中各时段的用电量。
10.如权利要求9所述的系统，其特征在于，所述历史时间区间为[α-μ,ω+π]；
所述指定用户为与用户位于同一地域且与用户的用电类型相同的其它用户；其中，α为缺失用电量时间区间在其所属年度的上一年度对应的时段的起始时刻，ω为缺失用电量时间区间在其所属年度的上一年度对应的时段的终止时刻，μ为第一预设值，π为第二预设值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011411832.4A CN114611856A (zh) | 2020-12-03 | 2020-12-03 | 一种用电量智能补全方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011411832.4A CN114611856A (zh) | 2020-12-03 | 2020-12-03 | 一种用电量智能补全方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114611856A true CN114611856A (zh) | 2022-06-10 |
Family
ID=81857209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011411832.4A Pending CN114611856A (zh) | 2020-12-03 | 2020-12-03 | 一种用电量智能补全方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114611856A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115329907A (zh) * | 2022-10-14 | 2022-11-11 | 杭州致成电子科技有限公司 | 基于dbscan聚类的电负荷补全方法和系统 |
| CN115809237A (zh) * | 2023-02-07 | 2023-03-17 | 河北建投水务投资有限公司 | 用户水表缺失数据补齐方法及系统 |
| CN116756528A (zh) * | 2023-08-18 | 2023-09-15 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
-
2020
- 2020-12-03 CN CN202011411832.4A patent/CN114611856A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115329907A (zh) * | 2022-10-14 | 2022-11-11 | 杭州致成电子科技有限公司 | 基于dbscan聚类的电负荷补全方法和系统 |
| CN115329907B (zh) * | 2022-10-14 | 2023-01-31 | 杭州致成电子科技有限公司 | 基于dbscan聚类的电负荷补全方法和系统 |
| CN115809237A (zh) * | 2023-02-07 | 2023-03-17 | 河北建投水务投资有限公司 | 用户水表缺失数据补齐方法及系统 |
| CN115809237B (zh) * | 2023-02-07 | 2023-05-12 | 河北建投水务投资有限公司 | 用户水表缺失数据补齐方法及系统 |
| CN116756528A (zh) * | 2023-08-18 | 2023-09-15 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
| CN116756528B (zh) * | 2023-08-18 | 2023-11-28 | 杭州鸿晟电力设计咨询有限公司 | 一种用电负荷数据的补全方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114611856A (zh) | 一种用电量智能补全方法和系统 | |
| US10345770B2 (en) | Power demand estimating apparatus, method, program, and demand suppressing schedule planning apparatus | |
| US10133829B2 (en) | Solar panel deployment configuration and management | |
| CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
| CN111724003B (zh) | 一种基于“分区-分级”理论的复杂水资源系统优化配置方法 | |
| CN109087035A (zh) | 工程建设计划的创建方法、系统和电子设备 | |
| CN104408106A (zh) | 一种用于分布式文件系统中大数据查询的调度方法 | |
| CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
| CN105243449A (zh) | 售电量预测结果修正方法及装置 | |
| CN110135649A (zh) | 短期建筑能耗区间预测方法、系统、介质及设备 | |
| CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
| CN104727263A (zh) | 一种超长期水库来水预报的方法 | |
| CN103577896A (zh) | 一种大规模电网整定计算的区域划分方法 | |
| WO2017049428A1 (zh) | 一种基于备用对象代价性能比的旋转备用容量优化方法 | |
| CN108154259B (zh) | 热泵的负荷预测方法及装置、存储介质、处理器 | |
| Conceição et al. | Soiling effect in second-surface CSP mirror and improved cleaning strategies | |
| CN110472789A (zh) | 一种基于Grobner bases求解的物流配送最短路径算法 | |
| CN108520317B (zh) | 一种水电系统联合优化调度的拉丁方动态规划降维方法 | |
| Joshi et al. | Rooftop detection for planning of solar PV deployment: a case study in Abu Dhabi | |
| CN115470970A (zh) | 基于prophet-LightGBM组合模型的电量预测方法及系统 | |
| CN109033678A (zh) | 一种基于虚拟样本生成的飞行器近似优化设计方法 | |
| CN115630733A (zh) | 订单送达时间预估方法、系统、介质及电子设备 | |
| CN115422250A (zh) | 基于电量基数确定企业复工复产方法、系统及计算机设备 | |
| Ahmadzade | Model for forecasting passenger of airport | |
| Agwa | Interior search optimization algorithm for modeling power curve of wind turbine |
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 |