CN115809942A - 用电量数据预测方法、装置及存储介质 - Google Patents
用电量数据预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115809942A CN115809942A CN202310064885.0A CN202310064885A CN115809942A CN 115809942 A CN115809942 A CN 115809942A CN 202310064885 A CN202310064885 A CN 202310064885A CN 115809942 A CN115809942 A CN 115809942A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- data
- day
- predicted
- cell
- 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 47
- 230000005611 electricity Effects 0.000 claims description 68
- 238000012549 training Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000001556 precipitation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance 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
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用电量数据预测方法、装置及存储介质,涉及用电量预测技术领域。该用电量数据预测方法包括:获取待预测小区在前一天的用户月累计用电平均数据、前一天的后一天的日期参数以及后一天的气象预告参数;基于前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出前一天的所对应的收费阶梯段;将前一天的所对应的收费阶梯段、后一天的日期参数以及后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到待预测小区在所述后一天的预测用电量数据。本发明公开的用电量数据预测方法、装置及存储介质可实现对小区在后一天或未来一段时间的用电量数据进行准确预测。
Description
技术领域
本发明属于用电量预测技术领域,具体涉及一种用电量数据预测方法、装置及存储介质。
背景技术
在电力交易过程中,售电公司常常需要对其供电的小区的用电量数据进行预测,以此来确定售电公司的购售电需求。
目前,对于小区的用电量数据预测,大都采用最近一段时间的用电趋势来预测,如通过近7天小区的平均用电量来进行预测。然而,由于小区用户的用电量受外界因素的影响较大,通过最近一段时间的用电趋势来预测小区的用电量数据,预测结果往往与实际用电量数据相差甚远,并不能够较为准确的预测出小区的用电量数据。
因此,如何提供一种有效的方案以准确预测出小区的用电量数据,以成为现有技术中一亟待解决的问题。
发明内容
本发明的目的是提供一种用电量数据预测方法、装置及存储介质,用以解决现有技术中存在的上述问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,本发明提供了一种用电量数据预测方法,包括:
获取待预测小区在前一天的用户月累计用电平均数据、所述前一天的后一天的日期参数以及所述后一天的气象预告参数,所述用户月累计用电平均数据为待预测小区的所有用户当月累计用电量的平均值;
基于所述前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出所述前一天的所对应的收费阶梯段,其中若所述前一天为所在月的最后一天,则将所述前一天所对应的用户月累计用电平均数据置零;
将所述前一天的所对应的收费阶梯段、所述后一天的日期参数以及所述后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到所述待预测小区在所述后一天的预测用电量数据;
其中,所述用电量预测模型是以所述待预测小区在相邻的两天中,在前一天所对应的收费阶梯段、在后一天的日期参数以及在后一天的气象参数作为输入,在后一天所述待预测小区的用电量数据作为输出进行训练得到的。
在一个可能的设计中,在获取待预测小区在前一天的用户月累计用电平均数据、所述前一天的后一天的日期参数以及所述后一天的气象预告参数之前,所述方法还包括:
获取所述待预测小区在指定历史时间段内每天的用户月累计用电平均数据、日期参数以及气象参数;
基于所述指定历史时间段内每天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出所述指定历史时间段内每天所对应的收费阶梯段;
将所述指定历史时间段内在前一天所对应的收费阶梯段、在后一天的日期参数、在后一天的气象参数以及在后一天所述待预测小区的用电量数据作为一个样本数据,得到多个样本数据;
通过聚类算法对所述多个样本数据进行聚类,得到多个簇;
根据预设比例从多个簇中选择样本数据作为训练样本和测试样本;
通过训练样本对预先建立的模型进行训练,得到训练后的模型;
通过测试样本对训练后的模型进行测试;
在测试通过后将所述训练后的模型作为所述用电量预测模型。
在一个可能的设计中,所述通过聚类算法对所述多个样本数据进行聚类,得到多个簇,包括:
计算所述多个样本数据中各样本数据与其余样本数据之间的距离;
剔除所述多个样本数据中,在预设距离内相邻样本数据的数量低于预设阈值的目标样本数据;
通过K-means算法对剔除目标样本数据后的剩余样本数据进行聚类,得到多个簇。
在一个可能的设计中,所述通过聚类算法对所述多个样本数据进行聚类,得到多个簇,包括:
计算所述多个样本数据对应的距离分布矩阵;
对所述距离分布矩阵中的行数据和列数据按照大小进行排序,得到样本数据距离分布图;
根据样本数据距离分布图中的样本数据距离分布情况,确定出扫描半径;
根据所述扫描半径确定出所述距离分布矩阵中每个数据的邻域的对象数量;
基于所述距离分布矩阵中每个数据的邻域的对象数量确定出最小包含点数;
根据所述扫描半径和所述最小包含点数,通过基于密度的聚类算法对所述多个样本数据进行聚类,得到多个簇。
在一个可能的设计中,在对所述多个样本数据进行聚类,得到多个簇后,所述方法还包括:
过滤掉所述多个样本数据中不属于所述多个簇的样本数据。
在一个可能的设计中,所述方法还包括:
根据所述待预测小区连续多天的预测用电量数据,生成所述待预测小区的预测用电量曲线。
在一个可能的设计中,所述日期参数包括月份数、星期数以及表征是否为节假日的节假日参数,所述气象预告参数包括温度参数和降水量参数。
第二方面,本发明提供了一种用电量数据预测装置,包括:
获取单元,用于获取待预测小区在前一天的用户月累计用电平均数据、所述前一天的后一天的日期参数以及所述后一天的气象预告参数,其中所述日期参数包括月份数、星期数以及表征是否为节假日的节假日参数,所述气象预告参数包括温度参数和降水量参数,所述用户月累计用电平均数据为待预测小区的所有用户当月累计用电量的平均值;
确定单元,用于基于所述前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出所述前一天的所对应的收费阶梯段,其中若所述前一天为所在月的最后一天,则将所述前一天所对应的用户月累计用电平均数据置零;
运算单元,用于将所述前一天的所对应的收费阶梯段、所述后一天的日期参数以及所述后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到所述待预测小区在所述后一天的用电量数据;
其中,所述用电量预测模型是以所述待预测小区是以相邻的两天中,在前一天所对应的收费阶梯段、在后一天的日期参数以及在后一天的气象预告参数作为输入,在后一天所述待预测小区的用电量数据作为输出进行训练得到的。
第三方面,本发明提供了一种用电量数据预测装置,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如上述第一方面所述的用电量数据预测方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行第一方面所述的用电量数据预测方法。
第五方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面所述的用电量数据预测方法。
有益效果:
本发明提供的用电量数据预测方案,通过获取待预测小区在前一天的用户月累计用电平均数据、前一天的后一天的日期参数以及后一天的气象预告参数;基于前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出前一天的所对应的收费阶梯段,其中若前一天为所在月的第一天,则将前一天的用户月累计用电平均数据置零;将前一天的所对应的收费阶梯段、后一天的日期参数以及后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到待预测小区在后一天的预测用电量数据。如此,在对小区的用电量数据进行预测时,能够综合考虑到前一天累计用电所对应阶梯式收费的收费阶梯段、后一天的日期参数以及后一天的气象参数等会对居民用电量数据造成影响的因素,对小区在后一天的用电量数据进行准确预测,进而以此能够实现对小区在后一天或未来一段时间的用电量数据进行准确预测,以便针对小区的预测用电量情况确定出售电公司在后的一段时间内针对该小区的购售电需求,便于实际推广和应用。
附图说明
图1为本申请实施例提供的用电量数据预测方法的流程图;
图2为本申请实施例提供的用电量数据预测装置的结构示意图;
图3为本申请实施例提供的另一用电量数据预测装置的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,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的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
为了能够准确预测出小区的用电量数据,本申请实施例提供了一种用电量数据预测方法、装置及存储介质,该用电量数据预测方法、装置及存储介质可实现对小区在后一天或未来一段时间的用电量数据进行准确预测。
本申请实施例提供的用电量数据预测方法可应用于售电公司的后台服务器,可以理解,所述执行主体并不构成对本申请实施例的限定。
下面将对本申请实施例提供的用电量数据预测方法进行详细说明。
如图1所示,本实施例第一方面提供了一种用电量数据预测方法,用于对小区的电量数据进行预测,该用电量数据预测方法可以包括如下步骤。
步骤S11.获取待预测小区在前一天的用户月累计用电平均数据、前一天的后一天的日期参数以及后一天的气象预告参数。
其中,前一天可以是需要预测用电量数据的某天的前一天,用户月累计用电平均数据可以是待预测小区的所有用户当月累计用电量的平均值。
小区用户用电过程中,所处的月份、星期数(即一周的具体某天,如星期五、星期日等)以及是否为节假日等都会对小区用户的整体用电量产生影响。例如不同月份小区开启空调、地暖等制冷/制热设备的用户数量会有明显的变化,会对小区用户的整体用电量产生影响。又例如在工作日和非工作日,由于白天在家的用户数量会有明显的差异,小区的整体用电量也会有明显的差异。同样,对于节假日和非节假日,小区的整体用电量也会存在明显的差异。因此,所述日期参数可以是但不限于月份数、星期数以及表征是否为节假日的节假日参数中的至少一种。本申请实施例中,所述日期参数包括月份数、星期数以及表征是否为节假日的节假日参数。
温度和降雨量等气象数据也会对小区用户的整体用电量产生影响。例如温度过高或过低,小区开启空调、地暖等制冷/制热设备的用户数量会明显变化,会对小区用户的整体用电量产生影响。又例如,降水量过高,外出的用户数量会相应降低,小区的整体用电量也会相应发生变化。因此,所述气象预告参数可以是但不限于温度参数和降水量参数中的至少一种。本申请实施例中,所述气象预告参数包括温度参数和降水量参数。其中,所述温度参数可以是当天的平均温度,也可以是当天的最高温度和最低温度。
步骤S12.基于前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出前一天的所对应的收费阶梯段。
其中,若所述前一天为所在月的最后一天,则将所述前一天所对应的用户月累计用电平均数据置零。
阶梯式收费是指将户均用电量设置为若干个收费阶梯段以分段计算费用,用户在不同收费阶梯段收取的电价不同。本申请实施例中,可基于前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出前一天的所对应的收费阶梯段。
举例的,阶梯式收费中将第一收费阶梯段所对应的用电量标准设置为小于20千瓦·时(kW·h),将第二收费阶梯段所对应的用电量标准设置为[20,40]千瓦·时,将第三收费阶梯段所对应的用电量标准设置为大于40千瓦·时。若前一天的用户月累计用电平均数据为25千瓦·时,则前一天的所对应的收费阶梯段为第二收费阶梯段。
步骤S13.将前一天的所对应的收费阶梯段、后一天的日期参数以及后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到待预测小区在后一天的预测用电量数据。
本申请实施例中,预先训练有用于预测预测小区的用电量数据的用电量预测模型,该用电量预测模型可以是以待预测小区在相邻的两天中,在前一天所对应的收费阶梯段、在后一天的日期参数以及在后一天的气象参数作为输入,在后一天所述待预测小区的用电量数据作为输出进行训练得到的。该电量预测模型的具体训练过程可后续实施例中进行详细说明。
在通过电量预测模型预测待预测小区在后一天的预测用电量数据时,可先将前一天的所对应的收费阶梯段、后一天的日期参数以及后一天的气象预告参数进行拼接,并将拼接后的数据量化处理得到一多维向量,然后将该多维向量作为预先训练的用电量预测模型的输入进行运算,如此即可得到待预测小区在后一天的预测用电量数据。
在得到待预测小区在后一天的预测用电量数据后,可根据待预测小区在后一天的预测用电量数据更新待预测小区在后一天的用户月累计用电平均数据,然后基于待预测小区在后一天的用户月累计用电平均数据、在后第二天的日期参数以及在后第二天的气象预告参数,重复前述步骤S11-S13的过程,得到待预测小区在之后第二天的预测用电量数据,多次重复前述过程即可得到待预测小区在之后连续多天的预测用电量数据。
在一个或多个实施例中,在得到待预测小区在之后连续多天的预测用电量数据后,可根据待预测小区在之后连续多天的预测用电量数据生成待预测小区的预测用电量曲线。如此可得出在后的一段时间内待预测小区的预测用电量情况,以便针对待预测小区的预测用电量情况确定出售电公司在后的一段时间内针对该小区的购售电需求。
由此通过前述步骤S11-S13所述的用电量数据预测方法,通过获取待预测小区在前一天的用户月累计用电平均数据、前一天的后一天的日期参数以及后一天的气象预告参数;基于前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出前一天的所对应的收费阶梯段,其中若前一天为所在月的第一天,则将前一天的用户月累计用电平均数据置零;将前一天的所对应的收费阶梯段、后一天的日期参数以及后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到待预测小区在后一天的预测用电量数据。如此,在对小区的用电量数据进行预测时,能够综合考虑到前一天累计用电所对应阶梯式收费的收费阶梯段、后一天的日期参数以及后一天的气象参数等会对居民用电量数据造成影响的因素,对小区在后一天的用电量数据进行准确预测,进而以此能够实现对小区在后一天或未来一段时间的用电量数据进行准确预测,以便针对小区的预测用电量情况确定出售电公司在后的一段时间内针对该小区的购售电需求,便于实际推广和应用。
本申请实施例还提供了一种在前述用电量数据预测方法之前训练用电量预测模型的设计一,其可以但不限于包括如下步骤S21-S27。
步骤S21.获取待预测小区在指定历史时间段内每天的用户月累计用电平均数据、日期参数以及气象参数。
其中,指定历史时间段为至少两年,以确保有足够的训练样本进行训练。所述日期参数包括月份数、星期数以及表征是否为节假日的节假日参数,所述气象参数包括温度参数和降水量参数。每天的用户月累计用电平均数据可通过对小区智能电表上每天记录的月累计用电量数据求均值得到。
步骤S22.基于指定历史时间段内每天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出指定历史时间段内每天所对应的收费阶梯段。
步骤S23.将指定历史时间段内在前一天所对应的收费阶梯段、在后一天的日期参数、在后一天的气象参数以及在后一天待预测小区的用电量数据作为一个样本数据,得到多个样本数据。
举例的,该指定历史时间段包括n天,指定历史时间段第i天所对应的收费阶梯段为Si,指定历史时间段第i+1天的日期参数为Di+1,指定历史时间段第i+1天的气象参数为Mi+1,指定历史时间段第i+1天待测小区的用电量数据为Pi+1,则可将第i天所对应的收费阶梯段为Si、第i+1天的日期参数为Di+1、第i+1天的气象参数为Mi+1和第i+1天的待测小区的用电量数据为Pi+1作为一个样本数据,即(Si,Di+1,Mi+1,Pi+1)。其中i为大于等于1的正整数,且i+1小于等于n。
步骤S24.通过聚类算法对多个样本数据进行聚类,得到多个簇。
在一个或多个实施例中,对多个样本数据进行聚类,得到多个簇可以包括如下步骤S241-S243。
步骤S241.计算多个样本数据中各样本数据与其余样本数据之间的距离。
具体的,可先将多个样本数据中的各样本数据进行量化处理,然后再计算多个样本数据中各样本数据与其余样本数据之间的欧式距离。
步骤S242.剔除多个样本数据中,在预设距离内相邻样本数据的数量低于预设阈值的目标样本数据。
在步骤S242中,主要是用于剔除少量用电异常时所对应的异常样本数据,例如某一天由于检修或电路故障导致小区停电,进而使得当天的用电量数据为0,包含该天的用电量数据的样本数据,与其他当天用电量正常时所对应的样本数据之间的距离较大。因此,可通过剔除多个样本数据中,在预设距离内相邻样本数据的数量低于预设阈值的目标样本数据,来剔除由于用电量数据异常而生成的异常样本数据,确保后续模型训练的准确性。可以理解,该预设阈值不宜过大,以避免将正常的样本数据剔除,举例该预设阈值可以为1或2。
步骤S243.通过K-means算法对剔除目标样本数据后的剩余样本数据进行聚类,得到多个簇。
在一个或多个实施例中,对多个样本数据进行聚类,得到多个簇还可以包括如下步骤S244-S249。
步骤S244.计算多个样本数据对应的距离分布矩阵。
具体的,可计算多个样本数据中每个样本数据与其余样本数据之间的距离,得到多个样本数据对应的距离分布矩阵。距离分布矩阵可表示为MATN×N,MATN×N={distance(j,k),1≤j≤N,1≤k≤N},其中N为多个样本数据所对应的样本数据总量,distance(j,k)表示第i个样本数据与第j个样本数据之间的距离。
步骤S245.对距离分布矩阵中的行数据和列数据按照大小进行排序,得到样本数据距离分布图。
在进行排序时,可先对距离分布矩阵中的每一行数据按照大小进行升序或降序排列,然后在对每一列数据按照按照大小进行升序或降序排列,得到样本数据距离分布图。其中,若每一行数据按照大小进行升序排列,则每一列数据也按照大小进行升序排列,若每一行数据按照大小进行降序排列,则每一列数据也按照大小进行降序排列。
步骤S246.根据样本数据距离分布图中的样本数据距离分布情况,确定出扫描半径。
具体的,可通过计算距离分布图中任一数据(距离)与邻近的多个数据之间的距离差,然后根据计算得到的距离差由小到大排序,得到k-dist分布曲线,并从k-dist分布曲线中找出曲线急剧变化的拐点,并将该拐点所对应的样本数据的数量确定为扫描半径Eps。
步骤S247.根据扫描半径确定出距离分布矩阵中每个数据的邻域的对象数量。
确定出扫描半径Eps后,可根据扫描半径Eps计算出距离分布矩阵中每个数据的邻域的对象数量。
步骤S248.基于距离分布矩阵中每个数据的邻域的对象数量确定出最小包含点数。
具体的,可计算所有数据的邻域的对象数量的数学期望,得到最小包含点数。
步骤S249.根据扫描半径和最小包含点数,通过基于密度的聚类算法对多个样本数据进行聚类,得到多个簇。
确定出扫描半径和最小包含点数后,可通过基于密度的聚类算法对多个样本数据进行聚类,得到多个簇。
基于密度的聚类算法为现有技术,本申请实施例中不再详细说明。
在一个或多个实施例中,在对多个样本数据进行聚类,得到多个簇后,还可过滤掉多个样本数据中不属于多个簇的样本数据。
步骤S25.根据预设比例从多个簇中选择样本数据作为训练样本和测试样本。
其中,预设比例可根据实际情况设定。举例所述预设比例为7:3,则可从每个簇中按照7:3的比例选择样本数据分别作为训练样本和测试样本。
步骤S26.通过训练样本对预先建立的模型进行训练,得到训练后的模型。
所述预先建立的模型可以但不限于是循环神经网络(Recurrent NeuralNetwork,RNN)模型或长短期记忆网络(Long Short-Term Memory,LSTM)模型,本申请实施例中不做具体限定。
步骤S27.通过测试样本对训练后的模型进行测试。
在通过测试样本对训练后的模型进行测试时,如果输出的用电量数据与实际用电量数据的差值超过预先设定的阈值范围,则重新调整模型参数,直到输出的用电量数据与实际用电量数据的差值处于该预先设定的阈值范围内。
步骤S28.在测试通过后将训练后的模型作为用电量预测模型。
由此通过前述的设计一,可基于历史时间段内在前一天所对应的收费阶梯段、在后一天的日期参数、在后一天的气象参数等会对居民用电量数据造成影响的因素,结合待预测小区的实际用电量数据训练出可用于准确预测小区用电量数据的电量预测模型。且在训练过程中通过统计样本数据之间的距离剔除掉由于用电量数据异常而生成的异常样本数据,确保后续模型训练的准确性。
请参阅图2,本申请实施例第二方面提供了一种用电量数据预测装置,该用电量数据预测装置包括:
获取单元,用于获取待预测小区在前一天的用户月累计用电平均数据、所述前一天的后一天的日期参数以及所述后一天的气象预告参数,其中所述日期参数包括月份数、星期数以及表征是否为节假日的节假日参数,所述气象预告参数包括温度参数和降水量参数;
确定单元,用于基于所述前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出所述前一天的所对应的收费阶梯段,其中若所述前一天为所在月的最后一天,则将所述前一天所对应的用户月累计用电平均数据置零;
运算单元,用于将所述前一天的所对应的收费阶梯段、所述后一天的日期参数以及所述后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到所述待预测小区在所述后一天的用电量数据;
其中,所述用电量预测模型是以所述待预测小区是以相邻的两天中,在前一天所对应的收费阶梯段、在后一天的日期参数以及在后一天的气象预告参数作为输入,在后一天所述待预测小区的用电量数据作为输出进行训练得到的。
本实施例第二方面提供的装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
如图3所示,本申请实施例第三方面提供了另一种用电量数据预测装置,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的用电量数据预测方法。
具体举例的,所述存储器可以但不限于包括随机存取存储器(RAM)、只读存储器(ROM)、闪存(FlashMemory)、先进先出存储器(FIFO)和/或先进后出存储器(FILO)等等;所述处理器可以不限于采用型号为STM32F105系列的微处理器、ARM(Advanced RISCMachines)、X86等架构处理器或集成NPU(neural-network processing units)的处理器;所述收发器可以但不限于为WiFi(无线保真)无线收发器、蓝牙无线收发器、通用分组无线服务技术(GeneralPacket Radio Service,GPRS)无线收发器、紫蜂协议(基于IEEE802.15.4标准的低功耗局域网协议,ZigBee)无线收发器、3G收发器、4G收发器和/或5G收发器等。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的用电量数据预测方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面所述的用电量数据预测方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(MemoryStick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述的用电量数据预测方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用电量数据预测方法,其特征在于,包括:
获取待预测小区在前一天的用户月累计用电平均数据、所述前一天的后一天的日期参数以及所述后一天的气象预告参数,所述用户月累计用电平均数据为待预测小区的所有用户当月累计用电量的平均值;
基于所述前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出所述前一天的所对应的收费阶梯段,其中若所述前一天为所在月的最后一天,则将所述前一天所对应的用户月累计用电平均数据置零;
将所述前一天的所对应的收费阶梯段、所述后一天的日期参数以及所述后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到所述待预测小区在所述后一天的预测用电量数据;
其中,所述用电量预测模型是以所述待预测小区在相邻的两天中,在前一天所对应的收费阶梯段、在后一天的日期参数以及在后一天的气象参数作为输入,在后一天所述待预测小区的用电量数据作为输出进行训练得到的。
2.根据权利要求1所述的方法,其特征在于,在获取待预测小区在前一天的用户月累计用电平均数据、所述前一天的后一天的日期参数以及所述后一天的气象预告参数之前,所述方法还包括:
获取所述待预测小区在指定历史时间段内每天的用户月累计用电平均数据、日期参数以及气象参数;
基于所述指定历史时间段内每天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出所述指定历史时间段内每天所对应的收费阶梯段;
将所述指定历史时间段内在前一天所对应的收费阶梯段、在后一天的日期参数、在后一天的气象参数以及在后一天所述待预测小区的用电量数据作为一个样本数据,得到多个样本数据;
通过聚类算法对所述多个样本数据进行聚类,得到多个簇;
根据预设比例从多个簇中选择样本数据作为训练样本和测试样本;
通过训练样本对预先建立的模型进行训练,得到训练后的模型;
通过测试样本对训练后的模型进行测试;
在测试通过后将所述训练后的模型作为所述用电量预测模型。
3.根据权利要求2所述的方法,其特征在于,所述通过聚类算法对所述多个样本数据进行聚类,得到多个簇,包括:
计算所述多个样本数据中各样本数据与其余样本数据之间的距离;
剔除所述多个样本数据中,在预设距离内相邻样本数据的数量低于预设阈值的目标样本数据;
通过K-means算法对剔除目标样本数据后的剩余样本数据进行聚类,得到多个簇。
4.根据权利要求2所述的方法,其特征在于,所述通过聚类算法对所述多个样本数据进行聚类,得到多个簇,包括:
计算所述多个样本数据对应的距离分布矩阵;
对所述距离分布矩阵中的行数据和列数据按照大小进行排序,得到样本数据距离分布图;
根据样本数据距离分布图中的样本数据距离分布情况,确定出扫描半径;
根据所述扫描半径确定出所述距离分布矩阵中每个数据的邻域的对象数量;
基于所述距离分布矩阵中每个数据的邻域的对象数量确定出最小包含点数;
根据所述扫描半径和所述最小包含点数,通过基于密度的聚类算法对所述多个样本数据进行聚类,得到多个簇。
5.根据权利要求4所述的方法,其特征在于,在对所述多个样本数据进行聚类,得到多个簇后,所述方法还包括:
过滤掉所述多个样本数据中不属于所述多个簇的样本数据。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述待预测小区连续多天的预测用电量数据,生成所述待预测小区的预测用电量曲线。
7.根据权利要求1所述的方法,其特征在于,所述日期参数包括月份数、星期数以及表征是否为节假日的节假日参数,所述气象预告参数包括温度参数和降水量参数。
8.一种用电量数据预测装置,其特征在于,包括:
获取单元,用于获取待预测小区在前一天的用户月累计用电平均数据、所述前一天的后一天的日期参数以及所述后一天的气象预告参数,其中所述日期参数包括月份数、星期数以及表征是否为节假日的节假日参数,所述气象预告参数包括温度参数和降水量参数,所述用户月累计用电平均数据为待预测小区的所有用户当月累计用电量的平均值;
确定单元,用于基于所述前一天的用户月累计用电平均数据以及阶梯式收费中各收费阶梯段所对应的用电量标准,确定出所述前一天的所对应的收费阶梯段,其中若所述前一天为所在月的最后一天,则将所述前一天所对应的用户月累计用电平均数据置零;
运算单元,用于将所述前一天的所对应的收费阶梯段、所述后一天的日期参数以及所述后一天的气象预告参数作为预先训练的用电量预测模型的输入进行运算,得到所述待预测小区在所述后一天的用电量数据;
其中,所述用电量预测模型是以所述待预测小区是以相邻的两天中,在前一天所对应的收费阶梯段、在后一天的日期参数以及在后一天的气象预告参数作为输入,在后一天所述待预测小区的用电量数据作为输出进行训练得到的。
9.一种用电量数据预测装置,其特征在于,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7任意一项所述的用电量数据预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7任意一项所述的用电量数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064885.0A CN115809942A (zh) | 2023-02-06 | 2023-02-06 | 用电量数据预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310064885.0A CN115809942A (zh) | 2023-02-06 | 2023-02-06 | 用电量数据预测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809942A true CN115809942A (zh) | 2023-03-17 |
Family
ID=85487517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310064885.0A Pending CN115809942A (zh) | 2023-02-06 | 2023-02-06 | 用电量数据预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809942A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486590A (zh) * | 2023-05-10 | 2023-07-25 | 漆燕 | 基于远程抄表模式的电表数据分析系统 |
CN116894156A (zh) * | 2023-09-08 | 2023-10-17 | 北京煜邦电力技术股份有限公司 | 基于mcmc算法的电力采集终端数据预处理方法 |
CN117435882A (zh) * | 2023-10-30 | 2024-01-23 | 方心科技股份有限公司 | 一种基于arm平台的电力用户异常行为监测方法及系统 |
CN117495434A (zh) * | 2023-12-25 | 2024-02-02 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
CN117853275A (zh) * | 2024-03-08 | 2024-04-09 | 广东采日能源科技有限公司 | 用电预测的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN108921323A (zh) * | 2018-06-04 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN111178611A (zh) * | 2019-12-23 | 2020-05-19 | 广西电网有限责任公司 | 一种日电量预测的方法 |
CN112488138A (zh) * | 2019-09-11 | 2021-03-12 | 中国移动通信集团广东有限公司 | 用户类别识别方法、装置、电子设备及存储介质 |
CN114462670A (zh) * | 2021-12-24 | 2022-05-10 | 南方电网海南数字电网研究院有限公司 | 一种基于lstm模型的用电量预测方法 |
-
2023
- 2023-02-06 CN CN202310064885.0A patent/CN115809942A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
CN108921323A (zh) * | 2018-06-04 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于生成信息的方法和装置 |
CN112488138A (zh) * | 2019-09-11 | 2021-03-12 | 中国移动通信集团广东有限公司 | 用户类别识别方法、装置、电子设备及存储介质 |
CN111178611A (zh) * | 2019-12-23 | 2020-05-19 | 广西电网有限责任公司 | 一种日电量预测的方法 |
CN114462670A (zh) * | 2021-12-24 | 2022-05-10 | 南方电网海南数字电网研究院有限公司 | 一种基于lstm模型的用电量预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116486590A (zh) * | 2023-05-10 | 2023-07-25 | 漆燕 | 基于远程抄表模式的电表数据分析系统 |
CN116486590B (zh) * | 2023-05-10 | 2024-03-22 | 江阴众和电力仪表有限公司 | 基于远程抄表模式的电表数据分析系统 |
CN116894156A (zh) * | 2023-09-08 | 2023-10-17 | 北京煜邦电力技术股份有限公司 | 基于mcmc算法的电力采集终端数据预处理方法 |
CN116894156B (zh) * | 2023-09-08 | 2023-12-26 | 北京煜邦电力技术股份有限公司 | 基于mcmc算法的电力采集终端数据预处理方法 |
CN117435882A (zh) * | 2023-10-30 | 2024-01-23 | 方心科技股份有限公司 | 一种基于arm平台的电力用户异常行为监测方法及系统 |
CN117495434A (zh) * | 2023-12-25 | 2024-02-02 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
CN117495434B (zh) * | 2023-12-25 | 2024-04-05 | 天津大学 | 电能需求预测方法、模型训练方法、装置及电子设备 |
CN117853275A (zh) * | 2024-03-08 | 2024-04-09 | 广东采日能源科技有限公司 | 用电预测的方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115809942A (zh) | 用电量数据预测方法、装置及存储介质 | |
WO2023130776A1 (zh) | 储能电站电池工况健康状态预测方法及系统 | |
CN111492559B (zh) | 用于能量存储系统的最佳控制的系统和方法 | |
CN108364085B (zh) | 一种外卖配送时间预测方法和装置 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
KR101493355B1 (ko) | 에너지 저장 장치의 soc 보정 방법 및 이를 이용하는 soc 보정 시스템 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN103235980A (zh) | 一种基于多目标规划的用电管理避峰策略优化方法 | |
CN109508826A (zh) | 基于梯度提升决策树的电动汽车集群可调度容量预测方法 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
Barnes et al. | Sizing and economic assessment of energy storage with real-time pricing and ancillary services | |
CN117485177A (zh) | 充电桩智能节能控制系统及方法 | |
CN112348236B (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN103279801A (zh) | 一种基于多目标规划的用电管理移峰策略优化方法 | |
CN117595332A (zh) | 一种基于储能系统的配电网均衡供电方法 | |
CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN115800273A (zh) | 基于大数据的电力负荷曲线预测方法、装置及存储介质 | |
Avdevicius et al. | Bus charging management based on AI prediction and MILP optimization | |
CN109598856B (zh) | 一种储能计费方法及装置 | |
CN113642248A (zh) | 定位设备剩余使用时间的评估方法及装置 | |
Suryanarayana et al. | EV charging site day-ahead load prediction in a synthetic environment for RL based grid-informed charging | |
CN106682849B (zh) | 基于信息关联的水调系统自动计算方法 | |
CN111368257A (zh) | 煤改电负荷特性的分析预测方法及装置 | |
CN113884927B (zh) | 一种基于云端大数据的电池寿命主动控制方法及系统 |
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: 20230317 |
|
RJ01 | Rejection of invention patent application after publication |