CN116957152A - 一种燃气负荷预测方法、装置、设备及介质 - Google Patents
一种燃气负荷预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116957152A CN116957152A CN202310915636.8A CN202310915636A CN116957152A CN 116957152 A CN116957152 A CN 116957152A CN 202310915636 A CN202310915636 A CN 202310915636A CN 116957152 A CN116957152 A CN 116957152A
- Authority
- CN
- China
- Prior art keywords
- historical
- data
- gas load
- date
- load data
- 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 77
- 238000012549 training Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 8
- 239000007789 gas Substances 0.000 description 306
- 238000010586 diagram Methods 0.000 description 11
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 239000002737 fuel gas Substances 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及能源技术领域,尤其涉及一种燃气负荷预测方法、装置、设备及介质,该方法包括:获取目标地区的第一历史数据,其中,第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据;针对第一历史数据中的每个第一历史气温,基于与第一历史气温相邻的第二历史气温的加权值,以及在第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新第一历史气温,得到第二历史数据;基于第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。本申请能够在气温骤变时,降低利用历史数据对燃气负荷数据进行预测的误差。
Description
技术领域
本申请涉及能源技术领域,尤其涉及一种燃气负荷预测方法、装置、设备及介质。
背景技术
目前,短期负荷预测方法在能源行业得到广泛应用,尤其是针对电力负荷和燃气量负荷的预测。短期负荷预测方法对相关系统调度运行部门有着重要的意义。短期负荷预测问题是一个复杂的非线性问题,与社会变化、经济因素和天气变化密切相关。现有的短期负荷检测方法包括传统的统计预测模型、人工智能模型以及组合预测模型等方法。
但是,在气温骤变时,利用现有的短期负荷检测方法预测的燃气负荷数据与实际燃气负荷数据相差较大,即在气温骤变时,燃气负荷数据变化的日期与气温变化日期相比,存在一定的滞后时间。因此在气温骤变时,利用现有的短期负荷检测方法对燃气负荷数据进行预测的误差较高。
发明内容
本申请提供一种燃气负荷预测方法、装置、设备及介质,能够在气温骤变时,降低利用历史数据对燃气负荷数据进行预测的误差。
根据本申请实施例的第一方面,提供一种燃气负荷预测方法,该方法包括:
获取目标地区的第一历史数据,其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件;
针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温,得到第二历史数据;
基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
本申请能够针对获取的目标地区的第一历史数据中的每个第一历史气温,基于与第一历史气温相邻的第二历史气温的加权值,以及在第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新第一历史气温,得到第二历史数据,从而减少气温骤变对预测的目标燃气负荷数据的影响。本申请的第二历史数据包括较多的历史数据,基于第二历史数据进行燃气负荷数据预测,从而得到当前日期对应的目标燃气负荷数据,以使在气温骤变时,减少燃气负荷数据预测的滞后性,并降低利用历史数据对燃气负荷数据进行预测的误差。
在一种可能的实现方式中,获取目标地区的第一历史数据,包括:
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第一事件对应的平均日期范围,并加入所述第一历史数据中。
本申请能够基于预先确定的各事件对燃气负荷数据影响的平均日期范围,确定第一事件对应的平均日期范围,而无需通过人工方式进行确定,从而提高燃气负荷数据的预测效率。
在一种可能的实现方式中,利用以下公式更新所述第一历史气温t0′:
其中,t0′为更新后的第一历史气温,k为权重,p为第二历史气温的总数,t0为第一历史温度,ti为在所述第一历史气温对应的日期前i天的第二历史温度,t1为在所述第一历史气温对应的日期前1天的第二历史温度。
本申请能够利用上述公式实现第一历史数据中各第一历史气温的更新,从而得到对预测的燃气负荷数据有正向提升作用的历史气温,进而减少气温骤变对预测的目标燃气负荷数据的影响。
在一种可能的实现方式中,所述基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据,包括:
将所述第二历史数据输入燃气负荷预测模型进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
本申请能够利用燃气负荷预测模型进行燃气负荷数据预测,从而得到目标燃气负荷数据,从而提高燃气负荷数据的预测效率和预测准确度。
在一种可能的实现方式中,所述燃气负荷预测模型通过以下方法训练得到:
基于目标地区在设定时长内的多个历史燃气负荷数据、多个历史气温数据和日历数据,确定第一训练样本集,其中,所述第一训练样本集包括多组第三历史数据,每组第三历史数据包括当前日期前的多个历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值、当前日期的燃气负荷数据和第二日历数据,所述第二日历数据包括日期和对应的第二事件;
基于在设定时长内的多个历史燃气负荷数据和日历数据,确定在设定时长内各事件对燃气负荷数据影响的平均日期范围;
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第二事件对应的平均日期范围,并加入所述第三历史数据中;
将所述第一训练样本集中的各组第三历史数据输入所述燃气负荷预测模型,利用所述燃气量负荷预测模型进行燃气负荷数据预测,以输出所述第三历史数据对应的当前日期的燃气负荷数据为目标训练所述燃气负荷预测模型。
本申请中的第一训练样本集中的各组第三历史数据包括多组第三历史数据,每组第三历史数据包括当前日期前的多个历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值、当前日期的燃气负荷数据和第二日历数据,即本申请通过利用丰富的第三历史数据进行燃气负荷数据预测的预测,从而提高了利用该燃气负荷预测模型进行燃气负荷数据预测的准确性。
在一种可能的实现方式中,所述基于在设定时长内的多个历史燃气负荷数据和日历数据,确定在设定时长内各事件对燃气负荷数据影响的平均日期范围,包括:
针对每个事件,基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的日期范围,其中,所述日期范围包括第一日期和第二日期,所述第一日期早于第二日期;
基于所述事件每次发生时对燃气负荷数据影响的日期范围,确定在设定时长内所述事件对燃气负荷数据影响的平均日期范围。
本申请能够基于在设定时长内的多个历史燃气负荷数据和日历数据,自动确定在设定时长内各事件对燃气负荷数据影响的平均日期范围,而无需通过人工方式进行确定,从而提高燃气负荷数据的预测效率。
在一种可能的实现方式中,所述基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的第一日期,包括:
基于在设定时长内的日历数据,确定早于或等于所述事件的发生日期的各第一目标日期;
基于各第一目标日期对应的燃气负荷数据,确定相邻两个第一目标日期之间的第一负荷比;
将第一负荷比小于设定的第一阈值的相邻两个第一目标日期中的最早的第一目标日期作为所述第一日期。
本申请能够基于在设定时长内的多个历史燃气负荷数据和日历数据,确定事件每次发生时对燃气负荷数据影响的第一日期,而无需通过人工方式进行确定,从而提高燃气负荷数据的预测效率。
在一种可能的实现方式中,所述基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的第二日期,包括:
基于在设定时长内的日历数据,确定晚于或等于所述事件的发生日期的各第二目标日期;
基于各第二目标日期对应的燃气负荷数据,确定相邻两个第二目标日期之间的第二负荷比;
将第二负荷比大于设定的第二阈值的相邻两个第二目标日期中的最晚的第二目标日期作为所述第二日期。
本申请能够基于在设定时长内的多个历史燃气负荷数据和日历数据,确定事件每次发生时对燃气负荷数据影响的第二日期,而无需通过人工方式进行确定,从而提高燃气负荷数据的预测效率。
在一种可能的实现方式中,在得到所述燃气负荷预测模型之后,所述方法还包括:
获取第二训练样本集,其中,所述第二训练样本集包括多组第四历史数据,每组第四历史数据包括第三目标日期前的多个第三历史气温和对应的历史燃气负荷数据、第三目标日期前的多个历史燃气负荷数据的平均值和第三日历数据,所述第三日历数据包括日期和对应的第三事件;
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第三事件对应的平均日期范围,并加入所述第四历史数据中;
针对每组第四历史数据中的每个第三历史气温,基于与所述第三历史气温相邻的第二历史气温的加权值,以及在所述第三历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第三历史气温,得到第五历史数据;
将所述第二训练样本集中的各组第四历史数据输入所述燃气负荷预测模型进行燃气负荷数据预测,分别得到所述第四历史数据对应的第一燃气负荷数据;
将各组第五历史数据输入所述燃气负荷预测模型进行燃气负荷数据预测,分别得到所述第五历史数据对应的第二燃气负荷数据;
基于所述第一燃气负荷数据和所述第二燃气负荷数据,调整权重和第二历史气温的总数。
本申请能够利用权重和第二历史气温的总数对第四历史数据中的每个第三历史气温进行更新得到第五历史数据,将第四历史数据和第五历史数据分别输入燃气负荷预测模型进行预测,分别得到第一燃气负荷数据和第二燃气负荷数据,并根据第一燃气负荷数据和第二燃气负荷数据调整权重和第二历史气温的总数,从而得到对预测的燃气负荷数据有正向提升作用的权重和第二历史气温的总数。
在一种可能的实现方式中,在获取第二训练样本集之前,还包括:
将设定的滑动窗口以设定步长在按照日期顺序排列的历史气温上滑动;
若所述滑动窗口内的多个历史气温之间的差值大于或等于设定的温度阈值,则将所述滑动窗口内的各历史气温对应的日期作为第三目标日期。
根据本申请实施例的第二方面,提供一种燃气负荷预测装置,该装置包括:
获取模块,用于获取目标地区的第一历史数据,其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件;
更新模块,用于针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温,得到第二历史数据;
预测模块,用于基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
根据本申请实施例的第三方面,提供一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器通过运行所述可执行指令以实现上述燃气负荷预测方法的步骤。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一所述方法的步骤。
根据本申请实施例的第五方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行如上述第一方面任一所述方法的步骤。
第二方面至第五方面中任意一种实现方式所带来的技术效果可参见第一方面中对应的实现方式所带来的技术效果,此处不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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是根据一示例性实施例示出的应用场景示意图;
图2是根据一示例性实施例示出的一种燃气负荷预测方法的流程图;
图3是根据一示例性实施例示出的一种燃气负荷预测方法的详细流程图;
图4是根据一示例性实施例示出的一种燃气负荷预测模型的训练方法的流程图;
图5是根据一示例性实施例示出的一种确定在设定时长内各事件对燃气负荷数据影响的平均日期范围的方法的流程图;
图6是根据一示例性实施例示出的一种确定事件每次发生时对燃气负荷数据影响的第一日期的方法的流程图;
图7是根据一示例性实施例示出的一种确定事件每次发生时对燃气负荷数据影响的第二日期的方法的流程图;
图8是根据一示例性实施例示出的一种确定用于更新历史温度的权重和第二历史气温的总数方法的流程图;
图9是根据一示例性实施例示出的将滑动窗口以设定步长在按照日期顺序排列的历史气温上滑动的示意图;
图10是根据一示例性实施例示出的一种燃气负荷预测装置的示意图;
图11是根据一示例性实施例示出的一种燃气负荷预测方法的电子设备示意图;
图12是根据一示例性实施例示出的一种燃气负荷预测方法的程序产品示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请的保护范围。
下面对文中出现的一些词语进行解释:
1、本申请实施例中术语“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
2、本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请实施例描述的应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。其中,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
目前,短期负荷预测方法在能源行业得到广泛应用,尤其是针对电力负荷和燃气量负荷的预测。短期负荷预测方法对相关系统调度运行部门有着重要的意义。短期负荷预测问题是一个复杂的非线性问题,与社会变化、经济因素和天气变化密切相关。现有的短期负荷检测方法包括传统的统计预测模型、人工智能模型以及组合预测模型等方法。
但是,在气温骤变时,利用现有的短期负荷检测方法预测的燃气负荷数据与实际燃气负荷数据相差较大,即在气温骤变时,燃气负荷数据变化的日期与气温变化日期相比,存在一定的滞后时间。因此在气温骤变时,利用现有的短期负荷检测方法对燃气负荷数据进行预测的误差较高。
因此,为了解决上述问题,本申请提供了一种燃气负荷预测方法、装置、设备及介质,能够在气温骤变时,降低利用历史数据对燃气负荷数据进行预测的误差。
首先参考图1,其为本申请实施例的应用场景示意图,包括采集器11和服务器12。其中采集器11用于采集目标地区的第一历史数据;服务器12用于对采集器11采集的第一历史数据进行处理,得到当前日期对应的目标燃气负荷数据。
本申请实施例中,服务器12获取采集器11采集的目标地区的第一历史数据,其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件;针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温,得到第二历史数据;基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
在一些实施例中,下面通过具体的实施例对本申请提供的一种燃气负荷预测方法进行说明,如图2所示,包括:
步骤201,获取目标地区的第一历史数据;
其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件。第一事件可以为节假日,也可以为特殊事件,例如维修燃气事件、检修燃气事件等事件。
上述第一历史数据中的当前日期前的多个历史燃气负荷数据的平均值可以为一个或多个。
当上述第一历史数据中的当前日期前的多个历史燃气负荷数据的平均值为一个时,第一历史数据可以包括当前日期前的3天的第一历史气温和对应的历史燃气负荷数据、当前日期前的7天的历史燃气负荷数据的平均值和第一日历数据,因此,第一历史数据可以用以下公式表示:其中,x1为第一历史数据,yt-n为在当前日期t的前n天的历史燃气负荷数据,tempt-n为在当前日期t的前n天的第一历史气温,n的取值范围为[1,3],yt-i为在当前日期t的前i天的历史燃气负荷数据,i的取值范围为[1,7],λ为设定的调节参数,λ的取值范围为0至1中的任一数值,th1为第一日历数据。
当上述第一历史数据中的当前日期前的多个历史燃气负荷数据的平均值为多个时,第一历史数据可以包括当前日期前的3天的第一历史气温和对应的历史燃气负荷数据、当前日期前的7天的历史燃气负荷数据的平均值、当前日期前的15天的历史燃气负荷数据的平均值和第一日历数据,第一日历数据包括日期和对应的第一事件,因此,第一历史数据可以用以下公式表示:其中,x1为第一历史数据,yt-n为在当前日期t的前n天的历史燃气负荷数据,tempt-n为在当前日期t的前n天的第一历史气温,n的取值范围为[1,3],yt-j为在当前日期t的前j天的历史燃气负荷数据,j的取值范围为[1,15],λ为设定的调节参数,λ的取值范围为0至1中的任一数值,μ为设定的调节参数,μ的取值范围为0至1中的任一数值,th1为第一日历数据。
步骤202,针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温,得到第二历史数据;
上述与所述第一历史气温相邻的第二历史气温的加权值为根据与第一历史气温相邻的第二历史气温与权重确定的。
步骤203,基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
可选地,基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据,包括:
将所述第二历史数据输入燃气负荷预测模型进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
其中,燃气负荷预测模型可以为本申请中利用历史数据训练得到的燃气负荷预测模型,也可以为现有技术中的燃气负荷预测模型。
现有技术中的燃气负荷预测模型包括传统的统计模型,人工智能模型,以及组合预测模型。其中,传统的统计模型包括ARIMA模型(Autoregressive Integrated MovingAverage model,差分整合移动平均自回归模型)、SARIMA模型(Seasonal AutoregressiveIntegrated Moving Average model,季节性差分自回归滑动平均模型)等模型;人工智能预测模型包括小波分析、神经网络、支持向量机等模型;组合预测模型包括以下三种:一是通过统计方法选取各预测方法适宜权重,并利用权重对各预测方法的所得结果进行加权平均的模型,二是通过各模型预测结果的拟合效果选取最佳模型,三是将其中一种模型的变量作为预测模型的输入变量的模型。
本申请能够针对获取的目标地区的第一历史数据中的每个第一历史气温,基于与第一历史气温相邻的第二历史气温的加权值,以及在第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新第一历史气温,得到第二历史数据,从而减少气温骤变对预测的目标燃气负荷数据的影响。本申请的第二历史数据包括较丰富的历史数据,基于第二历史数据进行燃气负荷数据预测,从而得到当前日期对应的目标燃气负荷数据,以使在气温骤变时,减少燃气负荷数据预测的滞后性,并降低利用历史数据对燃气负荷数据进行预测的误差。
下面将对上述提供的燃气负荷预测方法的具体步骤进行详细说明,如图3所示:
步骤301,获取目标地区的第一历史数据;
其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件。
目前,通常需要通过人工方式指定事件对燃气负荷数据影响的平均日期范围,为了提高燃气负荷数据的预测效率,本申请能够自动确定第一事件对应的对燃气负荷数据影响的平均日期范围,因此,上述步骤301中获取目标地区的第一历史数据,包括:
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第一事件对应的平均日期范围,并加入所述第一历史数据中。
本申请能够预先根据在设定时长内的多个历史燃气负荷数据和日历数据,分别确定各事件对燃气负荷数据影响的平均日期范围。
步骤302,针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温;
本申请可以利用以下公式更新所述第一历史气温t0′:
其中,t0′为更新后的第一历史气温,k为权重,p为第二历史气温的总数,t0为第一历史温度,ti为在所述第一历史气温对应的日期前i天的第二历史温度,t1为在所述第一历史气温对应的日期前1天的第二历史温度。
步骤303,根据更新后的第一历史气温和所述第一历史数据,得到第二历史数据;
上述步骤303中的第二历史数据包括当前日期前的多个更新后的第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,第一日历数据包括日期和对应的第一事件。除此之外,第二历史数据还可以包括第一事件对应的平均日期范围。
步骤304,将所述第二历史数据输入燃气负荷预测模型进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
现有燃气负荷预测模型在时间维度上,对于事件,即节假日或者特殊事件,的燃气负荷数据的预测效果较差,没有能够通用的预测节假日或者特殊事件的燃气负荷数据的方法,且预测效果出现明显的滞后性。为了提高节假日或特殊事件影响时对燃气负荷数据的预测精度,并降低预测的滞后性,本申请提供一种燃气负荷预测模型的训练方法,图4是根据一示例性实施例示出的一种燃气负荷预测模型的训练方法的流程图,如图4所示,包括:
步骤401,基于目标地区在设定时长内的多个历史燃气负荷数据、多个历史气温数据和日历数据,确定第一训练样本集;
其中,所述第一训练样本集包括多组第三历史数据,每组第三历史数据包括当前日期前的多个历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值、当前日期的燃气负荷数据和第二日历数据,所述第二日历数据包括日期和对应的第二事件。上述设定时长可以根据实际情况进行设定,例如3年或1年。上述第三历史数据中的当前日期前的多个历史燃气负荷数据的平均值可以为一个或多个。
当上述第三历史数据中的当前日期前的多个历史燃气负荷数据的平均值为一个时,第三历史数据可以包括当前日期前的3天的历史气温和对应的历史燃气负荷数据、当前日期前的7天的历史燃气负荷数据的平均值、当前日期的燃气负荷数据和第二日历数据,因此第三历史数据可以用以下公式表示:其中,x3为第三历史数据,yt-n为在当前日期t的前n天的历史燃气负荷数据,yt为当前日期t的历史燃气负荷数据,tempt-n为在当前日期t的前n天的第一历史气温,n的取值范围为[1,3],λ为设定的调节参数,λ的取值范围为0至1中的任一数值,th2为第二日历数据。
步骤402,基于在设定时长内的多个历史燃气负荷数据和日历数据,确定在设定时长内各事件对燃气负荷数据影响的平均日期范围;
例如,在设定时长内包括事件1和事件2,基于在设定时长内的多个历史燃气负荷数据和日历数据,可以确定在设定时长内事件1对燃气负荷数据影响的平均日期范围,在设定时长内事件2对燃气负荷数据影响的平均日期范围。
步骤403,基于各事件对燃气负荷数据影响的平均日期范围,确定所述第二事件对应的平均日期范围,并加入所述第三历史数据中;
上述步骤403中的第三历史数据包括当前日期前的多个历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值、当前日期的燃气负荷数据、第二日历数据和第二事件对应的平均日期范围,第二日历数据包括日期和对应的第二事件。
步骤404,将所述第一训练样本集中的各组第三历史数据输入所述燃气负荷预测模型,利用所述燃气量负荷预测模型进行燃气负荷数据预测,以输出所述第三历史数据对应的当前日期的燃气负荷数据为目标训练所述燃气负荷预测模型。
上述燃气负荷预测模型可以为时间序列预测模型(NeuralProphet),该时间序列预测模型的具体结构为现有技术,此处不再赘述。上述燃气负荷预测模型也可以为其他预测模型。
图5是根据一示例性实施例示出的一种确定在设定时长内各事件对燃气负荷数据影响的平均日期范围的方法的流程图,上述步骤402中基于在设定时长内的多个历史燃气负荷数据和日历数据,确定在设定时长内各事件对燃气负荷数据影响的平均日期范围的具体过程,如图5所示,包括:
步骤501,针对每个事件,基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的日期范围;
其中,所述日期范围包括第一日期和第二日期,所述第一日期早于第二日期,其中,第一日期为一个事件发生时对燃气负荷数据进行影响的开始时间,第二日期为一个事件发生时对燃气负荷数据进行影响的结束时间。
步骤502,基于所述事件每次发生时对燃气负荷数据影响的日期范围,确定在设定时长内所述事件对燃气负荷数据影响的平均日期范围。
由于在设定时长内,每个事件可能发生多次,因此,本申请根据一个事件每次发生时对燃气负荷数据影响的日期范围,确定在设定时长内该事件对燃气负荷数据影响的平均日期范围。
例如,在设定时长内包括事件1和事件2,并且事件1在设定时长内发生2次,事件2在设定时长内发生3次。基于在设定时长内的多个历史燃气负荷数据和日历数据,可以确定事件1在设定时长内发生第1次时的日期范围1,事件1在设定时长内发生第2次时的日期范围2,则在设定时长内事件1对燃气负荷数据影响的平均日期范围为日期范围1与日期范围2的均值。
基于在设定时长内的多个历史燃气负荷数据和日历数据,可以确定事件2在设定时长内发生第1次时的日期范围A,事件2在设定时长内发生第2次时的日期范围B,事件2在设定时长内发生第3次时的日期范围C,则在设定时长内事件2对燃气负荷数据影响的平均日期范围为日期范围A、日期范围B与日期范围C的均值。
图6是根据一示例性实施例示出的一种确定事件每次发生时对燃气负荷数据影响的第一日期的方法的流程图,上述步骤501中基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的第一日期的具体过程,如图6所示,包括:
步骤601,基于在设定时长内的日历数据,确定早于或等于所述事件的发生日期的各第一目标日期;
步骤602,基于各第一目标日期对应的燃气负荷数据,确定相邻两个第一目标日期之间的第一负荷比;
本申请可以通过以下公式确定相邻两个第一目标日期之间的第一负荷比L1:
其中,yk为第一目标日期为k时对应的燃气负荷数据,yk+1为第一目标日期为k+1时对应的燃气负荷数据,其中k早于或等于所述事件的发生日期。
步骤603,将第一负荷比小于设定的第一阈值的相邻两个第一目标日期中的最早的第一目标日期作为所述第一日期。
上述设定的第一阈值可以根据实际情况设定。
本申请按照日期从晚到早的顺序依次计算相邻两个第一目标日期之间的第一负荷比,将首次出现第一负荷比小于设定的第一阈值的相邻两个第一目标日期中的最早的第一目标日期作为所述第一日期。
例如,若一个事件i在设定时长内的发生日期为2023/01/06,基于2023/01/06对应的燃气负荷数据y1和2023/01/05对应的燃气负荷数据y2,确定该两个日期之间的第一负荷比L11,若确定第一负荷比L11小于设定的第一阈值T1,则将2023/01/05作为第一日期。若确定第一负荷比L11大于或等于设定的第一阈值T1,则基于2023/01/05对应的燃气负荷数据y2和2023/01/04对应的燃气负荷数据y3,确定该两个日期之间的第一负荷比L12,若确定第一负荷比L12小于设定的第一阈值T1,则将2023/01/04作为第一日期。
图7是根据一示例性实施例示出的一种确定事件每次发生时对燃气负荷数据影响的第二日期的方法的流程图,上述步骤501中基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的第二日期的具体过程,如图7所示,包括:
步骤701,基于在设定时长内的日历数据,确定晚于或等于所述事件的发生日期的各第二目标日期;
步骤702,基于各第二目标日期对应的燃气负荷数据,确定相邻两个第二目标日期之间的第二负荷比;
本申请可以通过以下公式确定相邻两个第二目标日期之间的第一负荷比L2:
其中,ym为第二目标日期为m时对应的燃气负荷数据,ym+1为第二目标日期为m+1时对应的燃气负荷数据,其中,m为晚于或等于所述事件的发生日期。
步骤703,将第二负荷比大于设定的第二阈值的相邻两个第二目标日期中的最晚的第二目标日期作为所述第二日期。
上述设定的第二阈值可以根据实际情况设定。
本申请按照日期从早到晚的顺序依次计算相邻两个第二目标日期之间的第二负荷比,将首次出现第二负荷比大于设定的第二阈值的相邻两个第二目标日期中的最晚的第二目标日期作为所述第二日期。
例如,若一个事件i在设定时长内的发生日期为2023/01/06,基于2023/01/06对应的燃气负荷数据y1和2023/01/07对应的燃气负荷数据y4,确定该两个日期之间的第二负荷比L21,若确定第二负荷比L21大于设定的第二阈值T2,则将2023/01/07作为第二日期。若确定第二负荷比L21小于或等于设定的第二阈值T2,则基于2023/01/07对应的燃气负荷数据y4和2023/01/08对应的燃气负荷数据y5,确定该两个日期之间的第二负荷比L22,若确定第二负荷比L22大于设定的第二阈值T2,则将2023/01/08作为第二日期。
在得到所述燃气负荷预测模型之后,本申请需要确定用于更新历史温度的权重和第二历史气温的总数,图8是根据一示例性实施例示出的一种确定用于更新历史温度的权重和第二历史气温的总数方法的流程图,如图8所示,包括:
步骤801,获取第二训练样本集;
其中,所述第二训练样本集包括多组第四历史数据,每组第四历史数据包括第三目标日期前的多个第三历史气温和对应的历史燃气负荷数据、第三目标日期前的多个历史燃气负荷数据的平均值和第三日历数据,所述第三日历数据包括日期和对应的第三事件。
可选地,在获取第二训练样本集之前,还包括:
将设定的滑动窗口以设定步长在按照日期顺序排列的历史气温上滑动;
若所述滑动窗口内的多个历史气温之间的差值大于或等于设定的温度阈值,则将所述滑动窗口内的各历史气温对应的日期作为第三目标日期。
上述滑动窗口的大小可以根据实际情况确定,上述设定步长可以根据实际情况确定,上述设定的温度阈值可以根据实际情况确定。
例如,图9是根据一示例性实施例示出的将滑动窗口以设定步长在按照日期顺序排列的历史气温上滑动的示意图,若滑动窗口的大小为2,步长为1,如图9所示,在该滑动窗口内第一天的历史气温为A1,第二天的历史气温为A2,若A1与A2之间的差值大于或等于设定的温度阈值Te,则将第一天与第二天的日期作为第三日期,并将滑动窗口按照步长继续滑动;若A1与A2之间的差值小于设定的温度阈值Te,则将滑动窗口按照步长继续滑动。当滑动窗口按照步长滑动后,在该滑动窗口内第二天的历史气温为A2,第三天的历史气温为A3,若A2与A3之间的差值大于或等于设定的温度阈值Te,则将第二天与第三天的日期作为第三日期,并将滑动窗口按照步长继续滑动;若A2与A3之间的差值小于设定的温度阈值Te,则将滑动窗口按照步长继续滑动。
步骤802,基于各事件对燃气负荷数据影响的平均日期范围,确定所述第三事件对应的平均日期范围,并加入所述第四历史数据中;
步骤803,针对每组第四历史数据中的每个第三历史气温,基于与所述第三历史气温相邻的第二历史气温的加权值,以及在所述第三历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第三历史气温,得到第五历史数据;
本申请可以利用以下公式更新所述第三历史气温t′:
其中,t′为更新后的第三历史气温,k为权重,p为第二历史气温的总数,t为第三历史温度,ti为在所述第三历史气温对应的日期前i天的第二历史温度,t1为在所述第三历史气温对应的日期前1天的第二历史温度。
步骤804,将所述第二训练样本集中的各组第四历史数据输入所述燃气负荷预测模型进行燃气负荷数据预测,分别得到所述第四历史数据对应的第一燃气负荷数据;
步骤805,将各组第五历史数据输入所述燃气负荷预测模型进行燃气负荷数据预测,分别得到所述第五历史数据对应的第二燃气负荷数据;
步骤806,基于所述第一燃气负荷数据和所述第二燃气负荷数据,调整权重和第二历史气温的总数。
本申请能够利用权重和第二历史气温的总数对第四历史数据中的每个第三历史气温进行更新得到第五历史数据,将第四历史数据输入燃气负荷预测模型进行预测,得到第一燃气负荷数据,将第五历史数据输入燃气负荷预测模型进行预测,得到第二燃气负荷数据,并根据第一燃气负荷数据和第二燃气负荷数据调整权重和第二历史气温的总数,从而进行迭代,直到第一燃气负荷数据和第二燃气负荷数据之间的差值小于或等于设定阈值,或满足设定的迭代次数为止。
在一些实施例中,基于相同的发明构思,本申请实施例还提供一种燃气负荷预测装置,由于该装置即是本申请实施例中的方法中的装置,并且该装置解决问题的原理与该方法相似,因此该装置的实施可以参见方法的实施,重复之处不再赘述。
如图10所示,上述装置包括以下模块:
获取模块101,用于获取目标地区的第一历史数据,其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件;
更新模块102,用于针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温,得到第二历史数据;
预测模块103,用于基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
作为一种可选的实施方式,所述获取模块101用于:
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第一事件对应的平均日期范围,并加入所述第一历史数据中。
作为一种可选的实施方式,所述更新模块102用于利用以下公式更新所述第一历史气温t0′:
其中,t0′为更新后的第一历史气温,k为权重,p为第二历史气温的总数,t0为第一历史温度,ti为在所述第一历史气温对应的日期前i天的第二历史温度,t1为在所述第一历史气温对应的日期前1天的第二历史温度。
作为一种可选的实施方式,所述预测模块103用于:
将所述第二历史数据输入燃气负荷预测模型进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
作为一种可选的实施方式,所述预测模块103用于通过以下方法训练燃气负荷预测模型:
基于目标地区在设定时长内的多个历史燃气负荷数据、多个历史气温数据和日历数据,确定第一训练样本集,其中,所述第一训练样本集包括多组第三历史数据,每组第三历史数据包括当前日期前的多个历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值、当前日期的燃气负荷数据和第二日历数据,所述第二日历数据包括日期和对应的第二事件;
基于在设定时长内的多个历史燃气负荷数据和日历数据,确定在设定时长内各事件对燃气负荷数据影响的平均日期范围;
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第二事件对应的平均日期范围,并加入所述第三历史数据中;
将所述第一训练样本集中的各组第三历史数据输入所述燃气负荷预测模型,利用所述燃气量负荷预测模型进行燃气负荷数据预测,以输出所述第三历史数据对应的当前日期的燃气负荷数据为目标训练所述燃气负荷预测模型。
作为一种可选的实施方式,所述预测模块103用于:
针对每个事件,基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的日期范围,其中,所述日期范围包括第一日期和第二日期,所述第一日期早于第二日期;
基于所述事件每次发生时对燃气负荷数据影响的日期范围,确定在设定时长内所述事件对燃气负荷数据影响的平均日期范围。
作为一种可选的实施方式,所述预测模块103用于:
基于在设定时长内的日历数据,确定早于或等于所述事件的发生日期的各第一目标日期;
基于各第一目标日期对应的燃气负荷数据,确定相邻两个第一目标日期之间的第一负荷比;
将第一负荷比小于设定的第一阈值的相邻两个第一目标日期中的最早的第一目标日期作为所述第一日期。
作为一种可选的实施方式,所述预测模块103用于:
基于在设定时长内的日历数据,确定晚于或等于所述事件的发生日期的各第二目标日期;
基于各第二目标日期对应的燃气负荷数据,确定相邻两个第二目标日期之间的第二负荷比;
将第二负荷比大于设定的第二阈值的相邻两个第二目标日期中的最晚的第二目标日期作为所述第二日期。
作为一种可选的实施方式,在得到所述燃气负荷预测模型之后,所述预测模块103还用于:
获取第二训练样本集,其中,所述第二训练样本集包括多组第四历史数据,每组第四历史数据包括第三目标日期前的多个第三历史气温和对应的历史燃气负荷数据、第三目标日期前的多个历史燃气负荷数据的平均值和第三日历数据,所述第三日历数据包括日期和对应的第三事件;
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第三事件对应的平均日期范围,并加入所述第四历史数据中;
针对每组第四历史数据中的每个第三历史气温,基于与所述第三历史气温相邻的第二历史气温的加权值,以及在所述第三历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第三历史气温,得到第五历史数据;
将所述第二训练样本集中的各组第四历史数据输入所述燃气负荷预测模型进行燃气负荷数据预测,分别得到所述第四历史数据对应的第一燃气负荷数据;
将各组第五历史数据输入所述燃气负荷预测模型进行燃气负荷数据预测,分别得到所述第五历史数据对应的第二燃气负荷数据;
基于所述第一燃气负荷数据和所述第二燃气负荷数据,调整权重和第二历史气温的总数。
作为一种可选的实施方式,在获取第二训练样本集之前,所述预测模块193还用于:
将设定的滑动窗口以设定步长在按照日期顺序排列的历史气温上滑动;
若所述滑动窗口内的多个历史气温之间的差值大于或等于设定的温度阈值,则将所述滑动窗口内的各历史气温对应的日期作为第三目标日期。
在一些实施例中,基于相同的发明构思,本申请实施例中还提供了一种燃气负荷预测设备,该设备可以实现前文论述的负荷预测功能,请参考图11,该设备包括处理器111和存储器112,其中所述存储器112用于存储程序指令;
所述处理器111调用所述存储器中存储的程序指令,通过运行所述程序指令以实现:
获取目标地区的第一历史数据,其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件;
针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温,得到第二历史数据;
基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
所述处理器111通过运行所述可执行指令以实现上述燃气负荷预测方法的步骤,重复之处不再赘述。
在一些可能的实施方式中,本申请实施例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内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行如前文论述任一的燃气负荷预测方法。由于上述计算机可读存储介质解决问题的原理与燃气负荷预测方法的相似,因此上述计算机可读存储介质的实施可以参见方法的实施,重复之处不再赘述。
在一些可能的实施方式中,本申请的各个方面还可以实现为一种程序产品的形式,如图12所示,该计算机程序产品120包括计算机程序代码,当该计算机程序代码在计算机上运行时,使得计算机执行如前文论述任一的燃气负荷预测方法。由于上述计算机程序产品解决问题的原理与燃气负荷预测方法相似,因此上述计算机程序产品的实施可以参见方法的实施,重复之处不再赘述。
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和光学存储器等)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设备。
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设备的制造品,该指令设备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。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (14)
1.一种燃气负荷预测方法,其特征在于,该方法包括:
获取目标地区的第一历史数据,其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件;
针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温,得到第二历史数据;
基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
2.根据权利要求1所述的方法,其特征在于,获取目标地区的第一历史数据,包括:
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第一事件对应的平均日期范围,并加入所述第一历史数据中。
3.根据权利要求1所述的方法,其特征在于,利用以下公式更新所述第一历史气温t0 ′:
t0 ′=(1-k)t0+kt1-∑i p =1k(ti-ti+1);
其中,t0 ′为更新后的第一历史气温,k为权重,p为第二历史气温的总数,t0为第一历史温度,ti为在所述第一历史气温对应的日期前i天的第二历史温度,t1为在所述第一历史气温对应的日期前1天的第二历史温度。
4.根据权利要求1所述的方法,其特征在于,所述基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据,包括:
将所述第二历史数据输入燃气负荷预测模型进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
5.根据权利要求4所述的方法,其特征在于,所述燃气负荷预测模型通过以下方法训练得到:
基于目标地区在设定时长内的多个历史燃气负荷数据、多个历史气温数据和日历数据,确定第一训练样本集,其中,所述第一训练样本集包括多组第三历史数据,每组第三历史数据包括当前日期前的多个历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值、当前日期的燃气负荷数据和第二日历数据,所述第二日历数据包括日期和对应的第二事件;
基于在设定时长内的多个历史燃气负荷数据和日历数据,确定在设定时长内各事件对燃气负荷数据影响的平均日期范围;
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第二事件对应的平均日期范围,并加入所述第三历史数据中;
将所述第一训练样本集中的各组第三历史数据输入所述燃气负荷预测模型,利用所述燃气量负荷预测模型进行燃气负荷数据预测,以输出所述第三历史数据对应的当前日期的燃气负荷数据为目标训练所述燃气负荷预测模型。
6.根据权利要求5所述的方法,其特征在于,所述基于在设定时长内的多个历史燃气负荷数据和日历数据,确定在设定时长内各事件对燃气负荷数据影响的平均日期范围,包括:
针对每个事件,基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的日期范围,其中,所述日期范围包括第一日期和第二日期,所述第一日期早于第二日期;
基于所述事件每次发生时对燃气负荷数据影响的日期范围,确定在设定时长内所述事件对燃气负荷数据影响的平均日期范围。
7.根据权利要求6所述的方法,其特征在于,所述基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的第一日期,包括:
基于在设定时长内的日历数据,确定早于或等于所述事件的发生日期的各第一目标日期;
基于各第一目标日期对应的燃气负荷数据,确定相邻两个第一目标日期之间的第一负荷比;
将第一负荷比小于设定的第一阈值的相邻两个第一目标日期中的最早的第一目标日期作为所述第一日期。
8.根据权利要求6所述的方法,其特征在于,所述基于在设定时长内的多个历史燃气负荷数据和日历数据,确定所述事件每次发生时对燃气负荷数据影响的第二日期,包括:
基于在设定时长内的日历数据,确定晚于或等于所述事件的发生日期的各第二目标日期;
基于各第二目标日期对应的燃气负荷数据,确定相邻两个第二目标日期之间的第二负荷比;
将第二负荷比大于设定的第二阈值的相邻两个第二目标日期中的最晚的第二目标日期作为所述第二日期。
9.根据权利要求5所述的方法,其特征在于,在得到所述燃气负荷预测模型之后,所述方法还包括:
获取第二训练样本集,其中,所述第二训练样本集包括多组第四历史数据,每组第四历史数据包括第三目标日期前的多个第三历史气温和对应的历史燃气负荷数据、第三目标日期前的多个历史燃气负荷数据的平均值和第三日历数据,所述第三日历数据包括日期和对应的第三事件;
基于各事件对燃气负荷数据影响的平均日期范围,确定所述第三事件对应的平均日期范围,并加入所述第四历史数据中;
针对每组第四历史数据中的每个第三历史气温,基于与所述第三历史气温相邻的第二历史气温的加权值,以及在所述第三历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第三历史气温,得到第五历史数据;
将所述第二训练样本集中的各组第四历史数据输入所述燃气负荷预测模型进行燃气负荷数据预测,分别得到所述第四历史数据对应的第一燃气负荷数据;
将各组第五历史数据输入所述燃气负荷预测模型进行燃气负荷数据预测,分别得到所述第五历史数据对应的第二燃气负荷数据;
基于所述第一燃气负荷数据和所述第二燃气负荷数据,调整权重和第二历史气温的总数。
10.根据权利要求9所述的方法,其特征在于,在获取第二训练样本集之前,还包括:
将设定的滑动窗口以设定步长在按照日期顺序排列的历史气温上滑动;
若所述滑动窗口内的多个历史气温之间的差值大于或等于设定的温度阈值,则将所述滑动窗口内的各历史气温对应的日期作为第三目标日期。
11.一种燃气负荷预测装置,其特征在于,该装置包括:
获取模块,用于获取目标地区的第一历史数据,其中,所述第一历史数据包括当前日期前的多个第一历史气温和对应的历史燃气负荷数据、当前日期前的多个历史燃气负荷数据的平均值和第一日历数据,所述第一日历数据包括日期和对应的第一事件;
更新模块,用于针对所述第一历史数据中的每个第一历史气温,基于与所述第一历史气温相邻的第二历史气温的加权值,以及在所述第一历史气温对应的日期之前的至少一个第二历史气温中各相邻两个第二历史气温的差值,更新所述第一历史气温,得到第二历史数据;
预测模块,用于基于所述第二历史数据进行燃气负荷数据预测,得到当前日期对应的目标燃气负荷数据。
12.一种电子设备,其特征在于,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器通过运行所述可执行指令以实现权利要求1至10任一项所述方法的步骤。
13.一种计算机可读写存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-10任一项所述方法的步骤。
14.一种计算机程序产品,其特征在于,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行如权利要求1-10任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310915636.8A CN116957152A (zh) | 2023-07-25 | 2023-07-25 | 一种燃气负荷预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310915636.8A CN116957152A (zh) | 2023-07-25 | 2023-07-25 | 一种燃气负荷预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957152A true CN116957152A (zh) | 2023-10-27 |
Family
ID=88457850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310915636.8A Pending CN116957152A (zh) | 2023-07-25 | 2023-07-25 | 一种燃气负荷预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957152A (zh) |
-
2023
- 2023-07-25 CN CN202310915636.8A patent/CN116957152A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472779B (zh) | 一种基于时间卷积网络的电力系统短期负荷预测方法 | |
CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
CN105760213B (zh) | 云环境下虚拟机资源利用率的预警系统及方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN111563776B (zh) | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 | |
CN113361195B (zh) | 一种基于lstm和相似日的配电网线路超短期负荷预测方法 | |
CN112990587B (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN116865251A (zh) | 一种短期负荷概率预测方法及系统 | |
CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
CN111667377A (zh) | 一种全自动用电量预测方法及其系统 | |
CN112508398A (zh) | 基于深度强化学习的动态生产调度方法、装置及电子设备 | |
CN111563236B (zh) | 一种短期风速预测方法及装置 | |
CN114037138A (zh) | 基于双层分解和深度学习的地铁短时进站客流预测系统及实施方法 | |
CN117236529B (zh) | 基于大数据的大型活动人流量预测方法 | |
CN114897224A (zh) | 基于数学模型的城市碳排放预测方法 | |
CN114492923A (zh) | 一种长时间尺度功率预测方法 | |
CN114154753A (zh) | 一种负荷预测方法及系统 | |
CN109754086A (zh) | 一种基于马尔科夫链的岭回归数值预测方法 | |
CN116957152A (zh) | 一种燃气负荷预测方法、装置、设备及介质 | |
CN116993002A (zh) | 负荷电量组合预测方法及实现该方法的装置 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116341753A (zh) | 一种使用机器学习对区域二氧化碳排放预测的方法 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
JP3268520B2 (ja) | ガス需要量の予測方法 | |
CN115438832A (zh) | 节假日期间燃气负荷预测方法及系统 |
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 |