CN116701887B - 用电量预测方法、装置、电子设备及存储介质 - Google Patents
用电量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116701887B CN116701887B CN202310981577.4A CN202310981577A CN116701887B CN 116701887 B CN116701887 B CN 116701887B CN 202310981577 A CN202310981577 A CN 202310981577A CN 116701887 B CN116701887 B CN 116701887B
- Authority
- CN
- China
- Prior art keywords
- historical
- data
- electricity
- power consumption
- electricity utilization
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000005611 electricity Effects 0.000 claims abstract description 169
- 239000013598 vector Substances 0.000 claims abstract description 100
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 6
- 230000003466 anti-cipated effect Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 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
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (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
本发明涉及电力数据预测技术领域,尤其涉及一种用电量预测方法、装置、电子设备及存储介质,本发明方法首先获取用电数据集以及多个历史数据集;然后对用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量;接着根据用电特征向量以及对应多个历史数据集的多个历史用电特征向量,确定与用电特征向量相似的多个目标历史时段;最后根据拟合方程以及多个目标历史时段所对应的历史数据集,确定未来时段的用电量。本发明实施方式从历史用电数据中挖掘用来预测未来用电量的数据,由于挖掘出的数据与当前用电数据的匹配度高,因此,预测精度有保证,需要处理的数据量较小,计算代价小、预测实时性高,适用于短时预测。
Description
技术领域
本发明涉及电力数据预测技术领域,尤其涉及一种用电量预测方法、装置、电子设备及存储介质。
背景技术
负荷预测是电力市场和电网运行中不可或缺的环节,其必要性不言而喻。对进行用电量预测,提前数分钟或者数小时的预测,不但对确定电网日运行方式有重要的作用,而且也是确定生产方案、企业与区域电网功率输送方案和负荷调度方案所不可缺少的。精确的负荷和用电量预测可以真正反映用电变化趋势,保证了电网的安全经济运行。
目前用电量预测方法大致可以分为基于传统方法的预测方法和基于智能算法的预测方法两大类。传统方法主要包含回归分析法、时间序列法、用电量求导法、指数平滑法、卡尔曼滤波法等;智能方法主要包含专家系统法、人工神经网络法、综合模型预测法、数据挖掘法等。
然而针对短时预测的问题,上述方案中,要么预测精度差,要么模型过于复杂,计算量、实时性都存在一定的实用性问题。
基于此,需要开发设计出一种用电量预测方法。
发明内容
本发明实施方式提供了一种用电量预测方法、装置、电子设备及存储介质,用于解决现有技术中对于用电量短时预测实时性和精度存在矛盾的问题。
第一方面,本发明实施方式提供了一种用电量预测方法,包括:
获取表征当前时段用电量情况的用电数据集以及表征多个历史时段用电量情况的多个历史数据集;
对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量;
根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段;
根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,其中,所述拟合方程通过所述多个目标历史时段的用电特征向量拟合所述用电特征向量。
在一种可能实现的方式中,所述用电数据集包括基于当前时段的多个时间节点采集的用电数据,所述对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量,包括:
根据第一公式以及所述用电数据集,提取多个波动特征,其中,所述第一公式为:
式中,为第/>个波动特征,/>为用电数据集的第/>个数据,/>为用电数据集中数据的总数量,/>为波动提取基函数,/>为波动提取基函数的周期指数,/>为取余符号;
根据所述多个波动特征构建所述用电特征向量。
在一种可能实现的方式中,所述波动提取基函数为:
式中,为归化常数。
在一种可能实现的方式中,历史数据集包括基于历史时段的多个时间节点采集的历史用电数据;对从历史数据集中选择多个历史用电数据,采用与所述用电数据集相同的波动性分析方式,提取历史特征向量;所述选择的多个历史用电数据所对应的时段时长与所述用电数据集对应的时段时长相同;所述根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段,包括:
根据第二公式、所述用电特征向量以及所述多个历史用电特征向量,提取对应所述多个历史用电特征向量的多个匹配值,其中,所述第二公式为:
式中,为用电特征向量与历史用电特征向量的匹配值,/>为用电特征向量的第/>个元素,/>为用电特征向量的元素总数量,/>为历史用电特征向量的第/>个元素;
从所述多个匹配值中选择不超过预设数量的多个匹配值作为多个目标匹配值,其中,目标匹配值大于匹配阈值;
选择所述多个目标匹配值所对应的多个时段,作为与所述当前时段相似的多个目标历史时段与所述当前时段相似的多个目标历史时段。
在一种可能实现的方式中,历史数据集包括基于历史时段的多个时间节点采集的历史用电数据;所述历史数据集包括第一数据段以及第二数据段,其中,所述第一数据段中多个数据所对应的时段时长与所述用电数据集对应的时段时长相同,所述第二数据段衔接在所述第一数据段的尾部,历史用电特征向量基于所述第一数据段生成;所述根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,包括:
根据所述多个目标历史时段的用电特征向量,构建所述拟合方程;
确定所述拟合方程的多个参数的解,其中,将所述多个参数的解代入到所述拟合方程中时,所述拟合方程的输出与所述用电特征向量的偏差小于拟合阈值;
根据所述多个参数的解以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量。
在一种可能实现的方式中,所述拟合方程为:
式中,为用电特征向量的第/>个元素,/>为第/>个目标历史用电特征向量的第/>个元素,/>为第/>个参数,/>为用电特征向量的元素总数量。
在一种可能实现的方式中,所述根据所述多个参数的解以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,包括:
根据所述多个目标历史时段所对应的历史数据集中,分别提取第二数据段,作为多个可期数据段;
根据第三公式以及所述多个可期数据段,构建未来时段的用电量,其中,所述第三公式为:
式中,为未来时段第/>个时间节点的用电量,/>为第/>个可期数据段的第/>个用电数据,/>为第/>个参数的解,/>为可期数据段用电数据的总数量。
第二方面,本发明实施方式提供了一种用电量预测装置,用于实现如上第一方面或第一方面的任一种可能的实现方式所述的用电量预测方法,所述用电量预测装置包括:
数据获取模块,用于获取表征当前时段用电量情况的用电数据集以及表征多个历史时段用电量情况的多个历史数据集;
波动分析模块,用于对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量;
特征匹配模块,用于根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段;
以及,
用电量预测模块,用于根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,其中,所述拟合方程通过所述多个目标历史时段的用电特征向量拟合所述用电特征向量。
第三方面,本发明实施方式提供了一种电子设备,包括存储器以及处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本发明实施方式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存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施方式与现有技术相比存在的有益效果是:
本发明实施方式公开了一种用电量预测方法,其首先获取表征当前时段用电量情况的用电数据集以及表征多个历史时段用电量情况的多个历史数据集;然后对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量;接着根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段;最后根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,其中,所述拟合方程通过所述多个目标历史时段的用电特征向量拟合所述用电特征向量。本发明实施方式基于波动性特征分析,从历史用电数据中,挖掘可以用来预测未来用电量的数据,并基于挖掘出的数据采用拟合的方法拟合出未来时段的用电量,由于挖掘出的数据与当前用电数据的匹配度高,因此,预测精度有保证,本发明实施方式基于拟合做出预测,预测过程中所要处理的数据量较小,计算代价小、预测实时性高,适用于短时预测。
附图说明
为了更清楚地说明本发明实施方式中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施方式提供的用电量预测方法的流程图;
图2是本发明实施方式提供的历史数据集原理图;
图3是本发明实施方式提供的用电量预测装置功能框图;
图4是本发明实施方式提供的电子设备功能框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施方式。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施方式来进行说明。
下面对本发明的实施例作详细说明,本实例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
图1为本发明实施方式提供的用电量预测方法的流程图。
如图1所示,其示出了本发明实施方式提供的用电量预测方法的实现流程图,详述如下:
在步骤101中,获取表征当前时段用电量情况的用电数据集以及表征多个历史时段用电量情况的多个历史数据集。
在步骤102中,对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量。
在一些实施方式中,所述用电数据集包括基于当前时段的多个时间节点采集的用电数据,所述步骤102包括:
根据第一公式以及所述用电数据集,提取多个波动特征,其中,所述第一公式为:
式中,为第/>个波动特征,/>为用电数据集的第/>个数据,/>为用电数据集中数据的总数量,/>为波动提取基函数,/>为波动提取基函数的周期指数,/>为取余符号;
根据所述多个波动特征构建所述用电特征向量。
在一些实施方式中,所述波动提取基函数为:
式中,为归化常数。
示例性地,如图2所示,该图示出了一种历史数据集201的结构图,历史数据集201中包括两段,分别是第一数据段以及第二数据段,两段中均包含有基于多个时间节点采集的用电数据,且第二数据段的数据从时间上衔接于第一数据段。第一数据段所占用的时长与当前时段的用电数据集的占用时长相同。
我们采用波动性分析的方法,可以对用电数据集以及多个历史数据集201中的第一数据段进行分析,提取可以代表不同波动性特征的特征向量,并进一步的分析可以用来预测未来一段时段用电量的历史数据集201。
在一些应用场景中,对于上述波动性的分析是基于第一公式开展的:
式中,为第/>个波动特征,/>为用电数据集的第/>个数据,/>为用电数据集中数据的总数量,/>为波动提取基函数,/>为波动提取基函数的周期指数,/>为取余符号。
而式中所采用的波动提取基函数,可以有多种形式,例如,正弦函数,或者采用如下所示的提取基函数:
式中,为归化常数
经过上述过程提取后,就可以提取到对应于k的多个波动特征,每个波动特征的含义是对应于该次波动特征的幅值,这个值越大,说明对应于该波动的波动性越强。
将多个波动特征按照顺序组合起来就够成了用电数据集以及历史数据集的特征向量。
在步骤103中,根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段。
在一些实施方式中,历史数据集包括基于历史时段的多个时间节点采集的历史用电数据;对从历史数据集中选择多个历史用电数据,采用与所述用电数据集相同的波动性分析方式,提取历史特征向量;所述选择的多个历史用电数据所对应的时段时长与所述用电数据集对应的时段时长相同;所述步骤103包括:
根据第二公式、所述用电特征向量以及所述多个历史用电特征向量,提取对应所述多个历史用电特征向量的多个匹配值,其中,所述第二公式为:
式中,为用电特征向量与历史用电特征向量的匹配值,/>为用电特征向量的第/>个元素,/>为用电特征向量的元素总数量,/>为历史用电特征向量的第/>个元素;
从所述多个匹配值中选择不超过预设数量的多个匹配值作为多个目标匹配值,其中,目标匹配值大于匹配阈值;
选择所述多个目标匹配值所对应的多个时段,作为与所述当前时段相似的多个目标历史时段与所述当前时段相似的多个目标历史时段。
示例性地,对于从特征向量分析并找出用于预测的历史数据集方面,本发明实施方式对于每个历史数据集,采用了第二公式计算其与用电数据集的匹配值:
式中,为用电特征向量与历史用电特征向量的匹配值,/>为用电特征向量的第/>个元素,/>为用电特征向量的元素总数量,/>为历史用电特征向量的第/>个元素。
对这些匹配值进行排序,选择不小于匹配阈值的、排在前面的小于或等于预设数量的匹配值作为目标匹配值,并根据这些目标匹配值的对应性,找到历史数据集,将这些历史数据集作为用于预测未来时段用电量的目标历史数据集,将这些目标历史数据集所占用的时段作为目标历史时段。
在步骤104中,根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,其中,所述拟合方程通过所述多个目标历史时段的历史用电特征向量拟合所述用电特征向量。
在一些实施方式中,历史数据集包括基于历史时段的多个时间节点采集的历史用电数据;所述历史数据集包括第一数据段以及第二数据段,其中,所述第一数据段中多个数据所对应的时段时长与所述用电数据集对应的时段时长相同,所述第二数据段衔接在所述第一数据段的尾部,历史用电特征向量基于所述第一数据段生成;所述步骤104包括:
根据所述多个目标历史时段的历史用电特征向量,构建所述拟合方程;
确定所述拟合方程的多个参数的解,其中,将所述多个参数的解代入到所述拟合方程中时,所述拟合方程的输出与所述用电特征向量的偏差小于拟合阈值;
根据所述多个参数的解以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量。
在一些实施方式中,所述拟合方程为:
式中,为用电特征向量的第/>个元素,/>为第/>个目标历史用电特征向量的第/>个元素,/>为第/>个参数,/>为用电特征向量的元素总数量。
在一些实施方式中,所述根据所述多个参数的解以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,包括:
根据所述多个目标历史时段所对应的历史数据集中,分别提取第二数据段,作为多个可期数据段;
根据第三公式以及所述多个可期数据段,构建未来时段的用电量,其中,所述第三公式为:
式中,为未来时段第/>个时间节点的用电量,/>为第/>个可期数据段的第/>个用电数据,/>为第/>个参数的解,/>为可期数据段用电数据的总数量。
示例性地,本发明实施方式所采用的预测方法,是首先通过上述过程中获得的历史用电特征向量(基于目标历史数据集的第二数据段分析获得),采用拟合方程,对当前时段用电特征向量进行拟合,并进一步确定拟合方程中的多个参数,拟合方程为:
式中,为用电特征向量的第/>个元素,/>为第/>个目标历史用电特征向量的第/>个元素,/>为第/>个参数,/>为用电特征向量的元素总数量。
在求得拟合方程中多个参数的解后,再提取每个目标历史数据集中的第二数据段,采用第三公式来构建未来时段的用电量的预测数据,第三公式为:
式中,为未来时段第/>个时间节点的用电量,/>为第/>个可期数据段的第/>个用电数据,/>为第/>个参数的解,/>为可期数据段用电数据的总数量。
本发明用电量预测方法实施方式,其首先获取表征当前时段用电量情况的用电数据集以及表征多个历史时段用电量情况的多个历史数据集;然后对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量;接着根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段;最后根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,其中,所述拟合方程通过所述多个目标历史时段的用电特征向量拟合所述用电特征向量。本发明实施方式基于波动性特征分析,从历史用电数据中,挖掘可以用来预测未来用电量的数据,并基于挖掘出的数据采用拟合的方法拟合出未来时段的用电量,由于挖掘出的数据与当前用电数据的匹配度高,因此,预测精度有保证,本发明实施方式基于拟合做出预测,预测过程中所要处理的数据量较小,计算代价小、预测实时性高,适用于短时预测。
应理解,上述实施方式中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施方式的实施过程构成任何限定。
以下为本发明的装置实施方式,对于其中未详尽描述的细节,可以参考上述对应的方法实施方式。
图3是本发明实施方式提供的用电量预测装置功能框图,参照图3,用电量预测装置包括:数据获取模块301、波动分析模块302、特征匹配模块303以及用电量预测模块304,其中:
数据获取模块301,用于获取表征当前时段用电量情况的用电数据集以及表征多个历史时段用电量情况的多个历史数据集;
波动分析模块302,用于对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量;
特征匹配模块303,用于根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段;
用电量预测模块304,用于根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,其中,所述拟合方程通过所述多个目标历史时段的历史用电特征向量拟合所述用电特征向量。
图4是本发明实施方式提供的电子设备的功能框图。如图4所示,该实施方式的电子设备4包括:处理器400和存储器401,所述存储器401中存储有可在所述处理器400上运行的计算机程序402。所述处理器400执行所述计算机程序402时实现上述各个用电量预测方法及实施方式中的步骤,例如图1所示的步骤101至步骤104。
示例性的,所述计算机程序402可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器401中,并由所述处理器400执行,以完成本发明。
所述电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备4可包括,但不仅限于,处理器400、存储器401。本领域技术人员可以理解,图4仅仅是电子设备4的示例,并不构成对电子设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备4还可以包括输入输出设备、网络接入设备、总线等。
所称处理器400可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器401可以是所述电子设备4的内部存储单元,例如电子设备4的硬盘或内存。所述存储器401也可以是所述电子设备4的外部存储设备,例如所述电子设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器401还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器401用于存储所述计算机程序402以及所述电子设备4所需的其他程序和数据。所述存储器401还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施方式中的对应过程,在此不再赘述。
在上述实施方式中,对各个实施方式的描述都各有侧重,某个实施方式中没有详述或记载的部分,可以参见其它实施方式的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施方式描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施方式中,应该理解到,所揭露的装置/电子设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/电子设备实施方式仅仅是示意性的,例如,所述模块或单元的划分,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,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述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方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施方式方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法及装置实施方式的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。
以上所述实施方式仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施方式对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施方式技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (8)
1.一种用电量预测方法,其特征在于,包括:
获取表征当前时段用电量情况的用电数据集以及表征多个历史时段用电量情况的多个历史数据集;
对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量;
根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段;
根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,其中,所述拟合方程通过所述多个目标历史时段的历史用电特征向量拟合所述用电特征向量;
其中,所述用电数据集包括基于当前时段的多个时间节点采集的用电数据,所述对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量,包括:
根据第一公式以及所述用电数据集,提取多个波动特征,其中,所述第一公式为:
式中,为第/>个波动特征,/>为用电数据集的第/>个数据,为用电数据集中数据的总数量,/>为波动提取基函数,/>为波动提取基函数的周期指数,/>为取余符号;
根据所述多个波动特征构建所述用电特征向量;
所述波动提取基函数为:
式中,为归化常数。
2.根据权利要求1所述的用电量预测方法,其特征在于,每个历史数据集包括基于对应历史时段的多个时间节点采集的历史用电数据;所述多个历史数据集的多个历史用电特征向量为对从每个历史数据集中选择多个历史用电数据,采用与所述用电数据集相同的波动性分析方式,提取的历史特征向量;选择的多个历史用电数据所对应的时段时长与所述用电数据集对应的时段时长相同;所述根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段,包括:
根据第二公式、所述用电特征向量以及所述多个历史用电特征向量,提取对应所述多个历史用电特征向量的多个匹配值,其中,所述第二公式为:
式中,为用电特征向量与历史用电特征向量的匹配值,/>为用电特征向量的第/>个元素,/>为用电特征向量的元素总数量,/>为历史用电特征向量的第/>个元素;
从所述多个匹配值中选择不超过预设数量的多个匹配值作为多个目标匹配值,其中,目标匹配值大于匹配阈值;
选择所述多个目标匹配值所对应的多个时段,作为与所述当前时段相似的多个目标历史时段。
3.根据权利要求1-2任一项所述的用电量预测方法,其特征在于,每个历史数据集包括基于对应历史时段的多个时间节点采集的历史用电数据;所述每个历史数据集包括第一数据段以及第二数据段,其中,所述第一数据段中多个数据所对应的时段时长与所述用电数据集对应的时段时长相同,所述第二数据段衔接在所述第一数据段的尾部,历史用电特征向量基于所述第一数据段生成;所述根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,包括:
根据所述多个目标历史时段的历史用电特征向量,构建所述拟合方程;
确定所述拟合方程的多个参数的解,其中,将所述多个参数的解代入到所述拟合方程中时,所述拟合方程的输出与所述用电特征向量的偏差小于拟合阈值;
根据所述多个参数的解以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量。
4.根据权利要求3所述的用电量预测方法,其特征在于,所述拟合方程为:
式中,为用电特征向量的第/>个元素,/>为第/>个目标历史时段的历史用电特征向量的第/>个元素,/>为第/>个参数的解,/>为用电特征向量的元素总数量。
5.根据权利要求3所述的用电量预测方法,其特征在于,所述根据所述多个参数的解以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,包括:
根据所述多个目标历史时段所对应的历史数据集中,分别提取第二数据段,作为多个可期数据段;
根据第三公式以及所述多个可期数据段,构建未来时段的用电量,其中,所述第三公式为:
式中,为未来时段第/>个时间节点的用电量,/>为第/>个可期数据段的第/>个用电数据,/>为第/>个参数的解,/>为可期数据段用电数据的总数量。
6.一种用电量预测装置,其特征在于,用于实现如权利要求1-5任一项所述的用电量预测方法,所述用电量预测装置包括:
数据获取模块,用于获取表征当前时段用电量情况的用电数据集以及表征多个历史时段用电量情况的多个历史数据集;
波动分析模块,用于对所述用电数据集通过波动性分析的方式,构建表征当前时段负荷波动特性的用电特征向量;
特征匹配模块,用于根据所述用电特征向量以及对应所述多个历史数据集的多个历史用电特征向量,确定与所述当前时段相似的多个目标历史时段;
以及,
用电量预测模块,用于根据拟合方程以及所述多个目标历史时段所对应的历史数据集,确定未来时段的用电量,其中,所述拟合方程通过所述多个目标历史时段的历史用电特征向量拟合所述用电特征向量。
7.一种电子设备,包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981577.4A CN116701887B (zh) | 2023-08-07 | 2023-08-07 | 用电量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310981577.4A CN116701887B (zh) | 2023-08-07 | 2023-08-07 | 用电量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116701887A CN116701887A (zh) | 2023-09-05 |
CN116701887B true CN116701887B (zh) | 2023-11-07 |
Family
ID=87837826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310981577.4A Active CN116701887B (zh) | 2023-08-07 | 2023-08-07 | 用电量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116701887B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117638950B (zh) * | 2023-10-19 | 2024-05-31 | 河北思极科技有限公司 | 用电策略推荐方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013161414A1 (ja) * | 2012-04-26 | 2013-10-31 | 日立コンシューマエレクトロニクス株式会社 | 使用量予測方法および行動推薦方法 |
CN106447067A (zh) * | 2016-06-30 | 2017-02-22 | 国网江苏省电力公司南通供电公司 | 基于自适应非线性回归模型的台区日用电量的预测方法 |
WO2021218251A1 (zh) * | 2020-04-29 | 2021-11-04 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN115719973A (zh) * | 2022-11-18 | 2023-02-28 | 国家电力投资集团有限公司山东分公司 | 一种分布式光伏并网电压综合治理方法及系统 |
-
2023
- 2023-08-07 CN CN202310981577.4A patent/CN116701887B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013161414A1 (ja) * | 2012-04-26 | 2013-10-31 | 日立コンシューマエレクトロニクス株式会社 | 使用量予測方法および行動推薦方法 |
CN106447067A (zh) * | 2016-06-30 | 2017-02-22 | 国网江苏省电力公司南通供电公司 | 基于自适应非线性回归模型的台区日用电量的预测方法 |
WO2021218251A1 (zh) * | 2020-04-29 | 2021-11-04 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN115719973A (zh) * | 2022-11-18 | 2023-02-28 | 国家电力投资集团有限公司山东分公司 | 一种分布式光伏并网电压综合治理方法及系统 |
Non-Patent Citations (2)
Title |
---|
Determinants of Electricity Consumption and Volatility-Driven Innovative Roadmaps to One Hundred Percent Renewables for Top Consuming Nations in Africa;Mark Agyei-Sakyi;《sustainability》;1-22 * |
马尔科夫修正的组合模型在新疆风电中长期可用电量预测中的应用;刘大贵;《电网技术》;3290-3298 * |
Also Published As
Publication number | Publication date |
---|---|
CN116701887A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116701887B (zh) | 用电量预测方法、装置、电子设备及存储介质 | |
CN112651563A (zh) | 负荷预测方法、装置、计算机可读存储介质及电子设备 | |
EP3841548A1 (en) | Cryptocurrency mining selection system and method | |
CN113591900A (zh) | 一种高需求响应潜力用户的识别方法、装置及终端设备 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN115794578A (zh) | 一种电力系统的数据管理方法、装置、设备及介质 | |
CN117330941A (zh) | 新能源bms印刷电路板的性能测试方法及相关装置 | |
CN112131274A (zh) | 时间序列异常点的检测方法、装置、设备及可读存储介质 | |
CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 | |
CN115905927A (zh) | 用电异常用户的识别方法、装置、电子设备及存储介质 | |
CN113033870B (zh) | 电力专变客户柔性负荷调度方法及终端设备 | |
CN117170979A (zh) | 一种大规模设备的能耗数据处理方法、系统、设备及介质 | |
CN112463564A (zh) | 确定影响主机状态的关联指标的方法及装置 | |
CN110120082B (zh) | 金融数据的图像处理方法、装置、设备及可读存储介质 | |
CN108830663B (zh) | 电力客户价值评价方法、系统及终端设备 | |
CN116365511A (zh) | 有源配电网模型构建方法、装置、终端及存储介质 | |
Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
CN113591458B (zh) | 基于神经网络的医学术语处理方法、装置、设备及存储介质 | |
CN115564329A (zh) | 一种典型产能场景确定方法、装置、设备及存储介质 | |
CN110246026B (zh) | 一种数据转移的输出组合设定方法、装置及终端设备 | |
CN117638950B (zh) | 用电策略推荐方法、装置、电子设备及存储介质 | |
CN114155038B (zh) | 受疫情影响用户识别方法 | |
CN113591541B (zh) | 一种双工器的调试数据的处理方法以及装置 | |
CN114329213B (zh) | 基于用户行为的电商平台优化方法、装置、设备及介质 | |
CN112861365B (zh) | 低压配电网负荷状态估计方法、装置及终端设备 |
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 |