CN115422250A - 基于电量基数确定企业复工复产方法、系统及计算机设备 - Google Patents
基于电量基数确定企业复工复产方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN115422250A CN115422250A CN202110600980.9A CN202110600980A CN115422250A CN 115422250 A CN115422250 A CN 115422250A CN 202110600980 A CN202110600980 A CN 202110600980A CN 115422250 A CN115422250 A CN 115422250A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- stage
- date
- day
- determining
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000005611 electricity Effects 0.000 claims description 33
- 230000007704 transition Effects 0.000 claims description 22
- 230000001174 ascending effect Effects 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000011084 recovery Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000004576 sand Substances 0.000 description 4
- 239000000428 dust Substances 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000007664 blowing Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000011159 matrix material Substances 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
- 230000008569 process Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于电量基数确定企业复工复产方法、系统及计算机设备，包括：将被分析的复工复产日划分为多个阶段；基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日；基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数；基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率，综合考虑了季节、工作日、双休日、节假日、天气和温度等多维度对不同行业用电量的影响，并根据各时间阶段特征，智能选择相应电量基数，提高了企业复工复产情况计算的准确性。
Description
技术领域
本发明涉及复工复产技术领域，具体涉及一种基于电量基数确定复工复产方法、系统及设备。
背景技术
在对企业的实际复工复产分析中，我们发现用电量有明显季节特征，以去年12月日均电量作为复工复产度量基准不合理。同时，从全行业用电量来看，迎峰度冬和迎峰度夏期间为用电高峰，其他时段相对为用电低峰，且不同地区、行业等，均有不同特征。所以，应该为复工复产分析建立更合理的电量基数智能选择方法，目前电量基数选择方法主要有一种：
固定基数：采用12月日均电量作为基数，开展复工复产分析。复工复产分析规则形式化描述如下：
复工用户：当日电量/上一年12月日均电量≥阈值
复工率＝统计范围内复工用户数/统计范围内总用户数*100％
复产率＝统计范围内用户当日电量总和/统计范围内用户上一年12月日均电量总和*100％
现有技术未考虑季节、天气、温度、工作日、双休日和节假日对不同行业的影响，导致复工复产分析结果受以上多重因素影响，分析结果不准确。尤其是随着时间离去年12月越来越远，季节、天气、温度、工作日、双休日和节假日的影响因素逐渐放大，以去年12月日均电量作为基数，将导致不同行业复工率、复产率严重偏低或偏高，无法反映真实复工复产情况。
发明内容
为了解决现有技术中采用固定电量基数未考虑季节、天气、温度、工作日、双休日和节假日对不同行业的影响导致复工复产分析结果偏离实际，无法反映真实情况的问题，本发明提供一种基于电量基数确定企业复工复产方法，包括：
将被分析的复工复产日划分为多个阶段；
基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日；
基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数；
基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率。
优选的，所述基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日，包括：
基于多维度的影响，采用预先确定的距离计算式，计算被分析的复工复产日中第一天与同期历史中同一天的距离d11；并记录日期匹配关系M(x1，y1)；
依次利用预先确定的距离计算式，计算被分析的复工复产日中每个日期xi和日期yj+1之间的距离di,j+1，日期xi+1和日期yj之间的距离di+1,j，日期xi+1和日期yj+1之间的距离di+1,j+1；从所述di,j+1，di+1,j和di+1,j+1中选择最小的一个，并记录最小一个的日期匹配关系；
基于所有记录的日期匹配关系，确定与被分析的复工复产日中每天对应的匹配日中距离最小的日期匹配关系，生成同期历史最相似日。
优选的，所述距离计算式如下：
其中，d为被分析的复工复产日范围内任一天与历史年度中任意一天的距离；K表示维度的总数量，dk反映第k个维度的距离，ak为第k个维度权重系数。
优选的，所述维度包括：季节维度、工作情况维度、天气维度和温度维度；
其中工作情况包括：工作日、周末和节假日。
优选的，所述维度权重系数ak由复工复产的企业所在的行业确定。
优选的，所述阶段，包括：假期前、假期前过渡期、假期日、假期后过渡期、假期后。
优选的，所述获取各阶段的同期历史最相似日用电量数据作为所述阶段的电量基数，包括：
当阶段为假期前/假期后时，以所述阶段的同期历史最相似日的用电数据为所述阶段的电量基数；
当阶段为假期日时，根据所述假期类型从历史用电数据中统计得到该节日对应的固定基数作为所述阶段的电量基数；
当阶段为假期前过渡期时，基于假期前对应的电量基数和所述假期日对应的电量基数，采用按比例交替升降的模式进行过渡得到所述阶段的电量基数；
当阶段为假期后过渡期时，基于假期后对应的电量基数和所述假期日对应的电量基数，采用按比例交替升降的模式进行过渡得到所述阶段的电量基数。
优选的，所述基于所述电量基数确定复工复产率，包括：
基于所述被分析的复工复产日中的每日实际电量和电量基数确定复工用户数；
当所述复工用户数达到一定量时：根据复工用户数与统计范围内总用户数确定复工率；根据统计范围内用户当日电量总和与统计范围内用户电量基数总和确定复产率。
基于同一种发明构思，本发明还提供一种基于电量基数确定企业复工复产系统，包括：
阶段划分模块，用于将被分析的复工复产日划分为多个阶段；
相似日确定模块，用于基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日；
电量基数计算模块，用于基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数；
复工复产率计算模块，用于基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率。
基于同一种发明构思，本发明还提供一种计算机设备，包括处理器和存储介质；
所述存储介质用于存储程序，其中，所述程序为实现本发明的一种基于电量基数确定企业复工复产方法所设计；
所述处理器用于运行所述存储介质中存储的程序。
与现有技术相比，本发明的有益效果为：
本发明提供一种基于电量基数确定企业复工复产方法、系统及计算机设备，包括：将被分析的复工复产日划分为多个阶段；基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日；基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数；基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率；本发明将复工复产分析的时间范围分为多个时间阶段，并根据各时间阶段特征，智能选择相应电量基数，提高了企业复工复产情况计算的准确性；
本发明提供的技术手段还综合考虑了季节、工作日、双休日、节假日、天气和温度等多个维度对不同行业用电量的影响，智能选择相应电量基数，进一步提高了企业复工复产情况计算的准确性。
附图说明
图1为本发明的基于电量基数确定企业复工复产方法流程图；
图2为本发明的基于电量基数确定企业复工复产系统框图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1：
如图1所示，本发明提供一种基于电量基数确定企业复工复产方法，包括：
S1：将被分析的复工复产日划分为多个阶段；
S2：基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日；
S3：基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数；
S4：基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率。
由于本发明综合考虑了季节、工作日、双休日、节假日、天气和温度等多维度对不同行业用电量的影响，并根据各时间阶段特征，智能选择相应电量基数，提高了企业复工复产情况计算的准确性。
首先对本发明所涉及的变量进行说明：
由于本发明是基于季节、天气、温度、工作日、双休日和节假日找同期最相似日，通过同期最相似日电量作为电量基数。假设xi表示今年的第i天，yj表示去年同期电量的第j天，假设X(x1,x2,x3,…,xn)表示今年电量数据时间范围，Y(y1,y2,y3,…,ym)表示去年同期电量数据的时间范围，dij表示日期xi和日期yj之间的距离。Dn×m表示时间范围X和时间范围Y的距离矩阵。M(xi，yj)表示日期xi和日期yj之间的匹配关系，F(xi，yj)表示日期xi和日期yj之间的一一匹配关系。gxi表示日期xi是当年公历的第gxi天，gyj表示日期yj是当年公历的第gyj天，nxi表示日期xi是当年地区性假期的第nxi天，nyj表示日期yj是当年地区性假期的第nyj天。cxi表示日期xi的摄氏温度，cyj表示日期yj的摄氏温度。
日期xi和日期yj的距离计算方法如下
其中，K表示维度的总数量，dk反映第k个维度的距离，ak为权重系数，
针对不同行业的企业，参数ak的取值不相同。
本实施例以中国春节为例，考察4个维度的距离，如d1反映季节维度的距离，d2反映工作情况维度的距离，例如工作日、(周末)双休日、节假日维度的距离，d3反映天气维度的距离，d4反映温度维度的距离。
d1：季节维度的距离可以用全年天数顺序距离表达，距离越小越相似，因此d1的计算式如公式(1)所示：
这里Y1为公历一年的时间，取值可以参考365，Y2为地方历一年的时间，以中国农历年为例，如2020年为383。
例如3月26日为春季，在2021年是第85天，在2020年是第86天，(这一天的差距就是由2月是否为闰月决定)，因此差别基本可以忽略。
同时由于各地节日受地方历法影响，并不能完全用公历代替，例如中国的春节，由于春节期间的设定需要使用农历，因为和今年腊月二十九最相似的肯定是去年腊月二十九，但是地方历法与公历之间又存在一定关系可以换算，例如2020年的大年初一为1月25日，2021年的大年初一为2月12日，因此我们可以用函数：gxi＝f(nxi)，这里f()可以表示为：gxi＝nxi+Z将中国农历转换为公历(Z为转换系数)，在2020年，农历第一天与公历的对应关系为：gxi＝nxi+24；在2021年，农历第一天与公历的对应关系为：gxi＝nxi+42等等。
还有美国的国家假期感恩节(Thanksgiving Day)，为十一月份的第四个星期四，虽然原则上放假一天，但很多单位从星期四一直放到星期天(例如学校等)。在2019年为11月28号，但是在2021年为11月25号，因此感恩节在2019年与公历的对应关系为：gxi＝nxi+333；在2021年与公历的对应关系为：gxi＝nxi+330等等。虽然Z的取值不同，但是用到的都是公历，因此，可以仅用Y1计算。
d2为工作日、双休日、节假日维度距离表，各元素之间的距离可以由查表法确定，例如可以是表1。
表1：工作日、双休日、节假日维度距离表
| d<sub>2</sub> | 工作日 | 双休日 | 节假日 |
| 工作日 | 0 | 0.7 | 1 |
| 双休日 | 0.7 | 0 | 0.3 |
| 节假日 | 1 | 0.3 | 0 |
本实施例中，0.3和0.7为对历年数据进行分析得到，分析方法可以利用历史数据进行聚类后取平均值、平方根等常规方法，具体的分析算法可以根据各企业历史数据合理选择，这里不再累述。
依据光伏电站的出力曲线的期望和方差，利用EM聚类算法对晴、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、霾共计33种天气类型进行聚类，聚类方法会定期修正更新。其中晴、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。相同天气类型之间的距离d3为0，同一天气大类内不同天气类型之间的距离d3为0.25，不同天气大类的天气类型之间的距离d3中各元素之间的距离可以由查表法确定，例如可以是表2所示。
表2：不同天气大类的天气类型之间的距离表
| 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 | \ | 0.6 | 0.85 | 1 |
| 天气大类B | 0.6 | \ | 0.6 | 0.85 |
| 天气大类C | 0.85 | 0.6 | \ | 0.6 |
| 天气大类D | 1 | 0.85 | 0.6 | \ |
本实施例中，0.6和0.85为对历年数据进行分析得到。
d4如公式(2)所示。
d4＝(cxi-cyj)/60 公式(2)
下面以一个具体实例对步骤S2：基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日的具体进行描述：
(1)i取值1，j取值1，计算日期xi和日期yj之间的距离dij；
(2)记录日期匹配关系M(xi，yj)；
(3)如果日期xi不是今年电量区间的最后一天，日期yj不是去年同期区间的最后一天，转(4)，如果日期xi不是今年电量区间的最后一天，日期yj是去年同期区间的最后一天，转(6)，如果日期xi是今年电量区间的最后一天，日期yj不是去年同期区间的最后一天，转(7)，如果日期xi是今年电量区间的最后一天，日期yj是去年同期区间的最后一天，转(8)；
(4)计算日期xi和日期yj+1之间的距离di,j+1，计算日期xi+1和日期yj之间的距离di+1,j，计算日期xi+1和日期yj+1之间的距离di+1,j+1；
(5)从di,j+1，di+1,j和di+1,j+1中选择最小的一个，如果di,j+1最小，j增加1，如果di+1,j最小，i增加1，如果di+1,j+1最小，i增加1,j增加1，转(2)；
(6)计算日期xi+1和日期yj之间的距离di+1,j，i增加1,转(2)；
(7)计算日期xi和日期yj+1之间的距离di,j+1，j增加1，转(2)；
(8)i取值1；
(9)判断与xi匹配的yj是否唯一，如果唯一，将M(xi，yj)加入F，转(11)，否则，转(10)；
(10)从与xi匹配的多个yj中选择dij最小的一个，将M(xi，yj)加入F，转(11)
(11)如果日期xi是缺失电量区间的最后一天，则缺失电量区间中每一天的最相似日期均已存在F中，否则，转(9)。
步骤S3基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数，具体如下：
根据假期用电量情况将复工复产分析的时间范围分为五个阶段，假期前、假期前过渡期、假期日、假期后过渡期、假期后五个时间阶段，并根据各时间段特征，智能选择相应电量基数。过渡期每日递增平滑过渡，下面以中国农历新年(春节)为例对本发明的具体实施方式进行介绍：
(1)在春节前，采用上述方法选择出同期最相似日，并以同期最相似日电量作为电量基数。
(2)在春节后，采用上述方法选择出同期最相似日，并以同期最相似日电量作为电量基数。
(3)在春节假日，针对不同的节日可以由历史用电数据统计得到该节日对应的固定基数，这里以春节为例，使用上一年12个月中，月日均电量排名第3的月份的日均电量(上1/4分位)作为电量基数。
(4)在春节前过渡期，采用同期最相似日电量和上一年12个月中月日均电量排名第3的月份的日均电量按比例交替升降的模式进行过渡。如果过渡期为15天，则在春节前过渡期第一天基准电量为:同期最相似日电量*14/15+上一年12个月中月日均电量排名第3的月份的日均电量*1/15；过渡期第二天基准电量为同期最相似日电量*13/15+上一年12个月中月日均电量排名第3的月份的日均电量*2/15，以此类推。
(5)在春节后过渡期，采用同期最相似日电量和上一年12个月中月日均电量排名第3的月份的日均电量按比例交替升降的模式进行过渡。如果过渡期为15天，则在春节后过渡期第一天基准电量为:同期最相似日电量*1/15+上一年12个月中月日均电量排名第3的月份的日均电量*14/15；过渡期第二天基准电量为同期最相似日电量*2/15+上一年12个月中月日均电量排名第3的月份的日均电量*13/15，以此类推。
步骤S4：基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率，具体可以采用下述方法
复工复产分析规则形式化描述如下：
复工用户：当日电量/智能电量基数≥阈值
复工率＝统计范围内复工用户数/统计范围内总用户数*100％
复产率＝统计范围内用户当日电量总和/统计范围内用户智能电量基数总和*100％
其中，智能电量基数按基数智能选择策略确定。
实施例2：
基于同一种发明构思，本发明还提供了一种基于电量基数确定企业复工复产系统，如图2所示，包括：
阶段划分模块，用于将被分析的复工复产日划分为多个阶段；
相似日确定模块，用于基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日；
电量基数计算模块，用于基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数；
复工复产率计算模块，用于基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率。
本系统中各模块是为了实现实施例1的方法所设计，具体实现可以参考实施例1，这里不再累述。
实施例3：
为了实现上述方法和系统，本发明还提供了一种计算机设备，包括处理器和存储介质；
所述存储介质用于存储程序，其中，所述程序为实现本发明的一种基于电量基数确定企业复工复产方法所设计；
所述处理器用于运行所述存储介质中存储的程序。
具体实现方式可以参考实施例1，这里不再累述。
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。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种基于电量基数确定企业复工复产方法，其特征在于，包括：
将被分析的复工复产日划分为多个阶段；
基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日；
基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数；
基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率。
2.如权利要求1所述的方法，其特征在于，所述基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日，包括：
基于多维度的影响，采用预先确定的距离计算式，计算被分析的复工复产日中第一天与同期历史中同一天的距离d11；并记录日期匹配关系M(x1，y1)；
依次利用预先确定的距离计算式，计算被分析的复工复产日中每个日期xi和日期yj+1之间的距离di,j+1，日期xi+1和日期yj之间的距离di+1,j，日期xi+1和日期yj+1之间的距离di+1,j+1；从所述di,j+1，di+1,j和di+1,j+1中选择最小的一个，并记录最小一个的日期匹配关系；
基于所有记录的日期匹配关系，确定与被分析的复工复产日中每天对应的匹配日中距离最小的日期匹配关系，生成同期历史最相似日。
3.如权利要求2所述的方法，其特征在于，所述距离计算式如下：
其中，d为被分析的复工复产日范围内任一天与历史年度中任意一天的距离；K表示维度的总数量，dk反映第k个维度的距离，ak为第k个维度权重系数。
4.如权利要求1或3所述的方法，其特征在于，所述维度包括：季节维度、工作情况维度、天气维度和温度维度；
其中工作情况包括：工作日、周末和节假日。
5.如权利要求3所述的方法，其特征在于，所述维度权重系数ak由复工复产的企业所在的行业确定。
6.如权利要求1所述的方法，其特征在于，所述阶段，包括：假期前、假期前过渡期、假期日、假期后过渡期、假期后。
7.如权利要求6所述的方法，其特征在于，所述获取各阶段的同期历史最相似日用电量数据作为所述阶段的电量基数，包括：
当阶段为假期前/假期后时，以所述阶段的同期历史最相似日的用电数据为所述阶段的电量基数；
当阶段为假期日时，根据所述假期类型从历史用电数据中统计得到该节日对应的固定基数作为所述阶段的电量基数；
当阶段为假期前过渡期时，基于假期前对应的电量基数和所述假期日对应的电量基数，采用按比例交替升降的模式进行过渡得到所述阶段的电量基数；
当阶段为假期后过渡期时，基于假期后对应的电量基数和所述假期日对应的电量基数，采用按比例交替升降的模式进行过渡得到所述阶段的电量基数。
8.如权利要求1所述的方法，其特征在于，所述基于所述电量基数确定复工复产率，包括：
基于所述被分析的复工复产日中的每日实际电量和电量基数确定复工用户数；
当所述复工用户数达到一定量时：根据复工用户数与统计范围内总用户数确定复工率；根据统计范围内用户当日电量总和与统计范围内用户电量基数总和确定复产率。
9.一种基于电量基数确定企业复工复产系统，其特征在于，包括：
阶段划分模块，用于将被分析的复工复产日划分为多个阶段；
相似日确定模块，用于基于多维度的影响，确定被分析的复工复产日各阶段的同期历史最相似日；
电量基数计算模块，用于基于各阶段、各阶段对应的同期历史最相似日的用电量数据，确定各阶段的电量基数；
复工复产率计算模块，用于基于被分析的复工复产日的实际用电量和所述电量基数确定复工复产率。
10.一种计算机设备，其特征在于，包括处理器和存储介质；
所述存储介质用于存储程序，其中，所述程序基于实现权利要求1至8中任意一项所述方法所设计；
所述处理器用于运行所述存储介质中存储的程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110600980.9A CN115422250A (zh) | 2021-05-31 | 2021-05-31 | 基于电量基数确定企业复工复产方法、系统及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110600980.9A CN115422250A (zh) | 2021-05-31 | 2021-05-31 | 基于电量基数确定企业复工复产方法、系统及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115422250A true CN115422250A (zh) | 2022-12-02 |
Family
ID=84195415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110600980.9A Pending CN115422250A (zh) | 2021-05-31 | 2021-05-31 | 基于电量基数确定企业复工复产方法、系统及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422250A (zh) |
-
2021
- 2021-05-31 CN CN202110600980.9A patent/CN115422250A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
| CN104598986A (zh) | 基于大数据的电力负荷预测方法 | |
| CN105308853A (zh) | 预测系统、预测装置以及预测方法 | |
| CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
| CN111045907B (zh) | 一种基于业务量的系统容量预测方法 | |
| CN104598985A (zh) | 电力负荷预测方法 | |
| CN106156906A (zh) | 一种用于光伏电站设计的太阳能资源分析评估方法 | |
| CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
| CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
| CN108428055A (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
| CN113837426A (zh) | 一种基于天气分型的光伏功率预测方法 | |
| CN114611856A (zh) | 一种用电量智能补全方法和系统 | |
| CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
| CN113326654A (zh) | 一种燃气负荷预测模型的构建方法及装置 | |
| CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
| 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 | |
| CN106355264B (zh) | 一种参考作物腾发量组合预测方法 | |
| CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN113437938B (zh) | 考虑因地域差异的现场特征的光伏阵列输出功率计算方法 | |
| CN115470970A (zh) | 基于prophet-LightGBM组合模型的电量预测方法及系统 | |
| CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、系统 | |
| Parra et al. | Customers' demand clustering analysis—A case study using smart meter data | |
| CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 | |
| CN113268710A (zh) | 一种干旱极值信息输出方法、装置、电子设备和介质 | |
| JP7281136B2 (ja) | 電力価格予測装置、電力価格予測方法、電力価格予測プログラム、及びコンピュータ読取可能な記録媒体 |
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 |