CN117292530B - 一种载波通信数据采集效率优化方法 - Google Patents

一种载波通信数据采集效率优化方法 Download PDF

Info

Publication number
CN117292530B
CN117292530B CN202311585354.2A CN202311585354A CN117292530B CN 117292530 B CN117292530 B CN 117292530B CN 202311585354 A CN202311585354 A CN 202311585354A CN 117292530 B CN117292530 B CN 117292530B
Authority
CN
China
Prior art keywords
target
data
time period
influence
communication 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.)
Active
Application number
CN202311585354.2A
Other languages
English (en)
Other versions
CN117292530A (zh
Inventor
周群辉
周帆
马剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Longdian Huaxin Holding Group Co ltd
Original Assignee
Shenzhen Longdian Huaxin Holding Group Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Longdian Huaxin Holding Group Co ltd filed Critical Shenzhen Longdian Huaxin Holding Group Co ltd
Priority to CN202311585354.2A priority Critical patent/CN117292530B/zh
Publication of CN117292530A publication Critical patent/CN117292530A/zh
Application granted granted Critical
Publication of CN117292530B publication Critical patent/CN117292530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C19/00—Electric signal transmission systems
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/60—Arrangements in telecontrol or telemetry systems for transmitting utility meters data, i.e. transmission of data from the reader of the utility meter
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
    • H04Q2209/82—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data
    • H04Q2209/826—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data where the data is sent periodically
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及数字信息的传输技术领域，具体涉及一种载波通信数据采集效率优化方法，该方法包括：获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据；预测得到待采集时间段内的预测用电数据；根据待采集时间段内所有相邻预测用电数据之间的斜率，确定待采集用电波动；从历史时间段上截取参考时间段；预测得到参考时间段内的参考用电数据；确定目标预测效果；根据目标预测效果和待采集用电波动，对预设采样间隔进行修正；根据目标采样间隔，采集待采集时间段内的用电通信数据。本发明实现了对用于载波通信的用电通信数据的采集，提高了用电通信数据采集效果和效率。

Description

一种载波通信数据采集效率优化方法
技术领域
本发明涉及数字信息的传输技术领域，具体涉及一种载波通信数据采集效率优化方法。
背景技术
载波通信是一种传输效率较高应用广泛的技术。载波通信在用电方面起到重大作用。载波通信往往通过仪器采集多个区域的用电情况，对多个区域的能源使用进行资源调控提高能源的使用效率。例如，一个区域可以是一户人家所居住的房子。目前，进行数据采集时，通常采用的方式为：每隔预设采样间隔，采集一次数据。其中，采样间隔可以是相邻两次数据采集之间的时间间隔。
然而，当每隔预设采样间隔，采集一次用于载波通信的用电数据，即用电通信数据时，经常会存在如下技术问题：
由于预设采样间隔往往是通过人工经验设置的采样间隔，受人为主观因素影响较大，并且在不同时间段内进行数据采集时，往往均采用相同的预设采样间隔，然而不同时间段内用电通信数据的波动情况往往不同，比如有的时间段内用电通信数据的波动可能比较剧烈，此时若还使用预设采样间隔进行用电通信数据采集，则可能导致遗失部分变化剧烈的用电通信数据，从而导致用电通信数据采集效果较差，进而导致用电通信数据采集效率较差。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决用电通信数据采集效果较差的技术问题，本发明提出了一种载波通信数据采集效率优化方法。
本发明提供了一种载波通信数据采集效率优化方法，该方法包括：
获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据；
根据历史时间段内所有目标用电通信数据和所有目标影响数据，预测得到待采集时间段内的预测用电数据，其中，所述待采集时间段的开始时间是所述历史时间段的结束时间；
根据所述待采集时间段内所有相邻预测用电数据之间的斜率，确定待采集用电波动；
从所述历史时间段上截取参考时间段，其中，所述参考时间段的结束时间是所述待采集时间段的开始时间；
根据所述历史时间段内除了所述参考时间段之外的时间段内所有目标用电通信数据和所有目标影响数据，预测得到所述参考时间段内的参考用电数据；
根据所述参考时间段内所有参考用电数据和目标用电通信数据之间的残差，确定目标预测效果；
根据所述目标预测效果和所述待采集用电波动，对预设采样间隔进行修正，得到目标采样间隔；
根据所述目标采样间隔，采集所述待采集时间段内的用电通信数据。
可选地，所述获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据，包括：
获取目标区域在历史时间段内的每个用电数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个影响数据；
对历史时间段内的所有用电数据均依次进行归一化和差分处理，并将依次进行归一化和差分处理后的每个用电数据，作为目标用电通信数据；
对历史时间段内每个预设影响参数在目标区域上对应的所有影响数据均依次进行归一化和差分处理，并将依次进行归一化和差分处理后的每个影响数据，作为目标影响数据。
可选地，所述根据历史时间段内所有目标用电通信数据和所有目标影响数据，预测得到待采集时间段内的预测用电数据，包括：
根据每个目标用电通信数据对应的预设滑窗内的目标用电通信数据，确定每个预设滑窗对应的用电波动指标；
从所有预设滑窗内筛选出用电波动指标大于预设波动阈值的预设滑窗，作为目标窗口，得到目标窗口集合，并将所述目标窗口集合中的每个目标窗口对应的时间段，确定为目标时间段；
根据每个目标时间段内的目标用电通信数据，以及所有预设影响参数在每个目标时间段内的目标影响数据，确定每个目标时间段内的变化趋势相似性；
根据变化趋势相似性，从所有目标时间段内筛选出变化相似时间段集合；
根据所述变化相似时间段集合中的每个变化相似时间段内的目标用电通信数据和目标影响数据，确定每个变化相似时间段内的每个目标用电通信数据对应的目标置信度；
根据所有目标置信度，确定ARIMA模型的自回归阶数和移动平均阶数，并通过ARIMA模型，预测得到待采集时间段内的预测用电数据。
可选地，所述根据每个目标用电通信数据对应的预设滑窗内的目标用电通信数据，确定每个预设滑窗对应的用电波动指标，包括：
将每个目标用电通信数据对应的采集时间，确定为每个目标用电通信数据对应的目标坐标包括的横坐标，并将每个目标用电通信数据确定为每个目标用电通信数据对应的目标坐标包括的纵坐标；
将所述预设滑窗内每相邻两个目标用电通信数据对应的目标坐标之间连线的斜率，作为参考斜率；
从所述预设滑窗内筛选出参考斜率最大的两个目标用电通信数据，分别作为第一数据和第二数据；
将所述预设滑窗内除了所述第一数据和所述第二数据之外的所有目标用电通信数据的方差，确定为第一波动指标；
将所述预设滑窗内所有相邻两个目标用电通信数据对应的目标坐标之间连线的斜率的绝对值中的最大值，确定为第二波动指标；
根据所述第一波动指标和所述第二波动指标，确定所述预设滑窗对应的用电波动指标，其中，所述第一波动指标和所述第二波动指标均与所述用电波动指标呈正相关。
可选地，所述根据每个目标时间段内的目标用电通信数据，以及所有预设影响参数在每个目标时间段内的目标影响数据，确定每个目标时间段内的变化趋势相似性，包括：
根据每个预设影响参数在每个目标时间段内的目标影响数据，确定每个预设影响参数在每个目标时间段内的目标趋势相似性；
根据所有预设影响参数在每个目标时间段内的目标趋势相似性，确定每个目标时间段内的变化趋势相似性，其中，目标趋势相似性与变化趋势相似性呈正相关。
可选地，所述根据每个预设影响参数在每个目标时间段内的目标影响数据，确定每个预设影响参数在每个目标时间段内的目标趋势相似性，包括：
将每个目标影响数据对应的采集时间，确定为每个目标影响数据对应的参考坐标包括的横坐标，并将每个目标影响数据确定为每个目标影响数据对应的参考坐标包括的纵坐标；
将每个目标影响数据与其所属预设影响参数下的前一个目标影响数据对应的参考坐标之间连线的斜率的绝对值，确定为每个目标影响数据对应的目标斜率指标；
从所述预设影响参数在所述目标时间段内筛选出目标斜率指标大于预设斜率阈值的目标影响数据，作为波动影响数据；
将所述预设影响参数在所述目标时间段内分布连续的波动影响数据，构建为一个波动影响数据组，得到所述预设影响参数在所述目标时间段内的波动影响数据组集合；
将每个波动影响数据与其对应的采集时间相同的目标用电通信数据的差值，确定为每个波动影响数据对应的目标差异；
将每个波动影响数据组中所有波动影响数据对应的目标差异的方差，确定为每个波动影响数据组对应的第一差异指标；
根据所述预设影响参数在所述目标时间段内的波动影响数据组集合中所有波动影响数据组对应的第一差异指标，确定所述预设影响参数在所述目标时间段内的目标趋势相似性，其中，第一差异指标与目标趋势相似性呈负相关。
可选地，所述根据变化趋势相似性，从所有目标时间段内筛选出变化相似时间段集合，包括：
将各个变化趋势相似性作为灰度值，并基于得到的所有灰度值，通过最大类间方差，确定相似阈值；
当目标时间段内的变化趋势相似性大于所述相似阈值时，将目标时间段，确定为变化相似时间段；
将所有变化相似时间段组合为变化相似时间段集合。
可选地，所述根据所述变化相似时间段集合中的每个变化相似时间段内的目标用电通信数据和目标影响数据，确定每个变化相似时间段内的每个目标用电通信数据对应的目标置信度，包括：
记任意一个变化相似时间段内任意一个目标用电通信数据为候选用电数据，将与所述候选用电数据对应的采集时间相同的所有目标影响数据的累加值，确定为所述候选用电数据对应的整体影响数据；
将每个目标用电通信数据对应的采集时间，确定为每个目标用电通信数据对应的候选坐标包括的横坐标，并将每个目标用电通信数据对应的整体影响数据，确定为每个目标用电通信数据对应的候选坐标包括的纵坐标；
将所述候选用电数据与其前一个目标用电通信数据对应的候选坐标之间连线的斜率，确定为所述候选用电数据对应的第一候选斜率；
将所述候选用电数据与其前一个目标用电通信数据对应的目标坐标之间连线的斜率，确定为所述候选用电数据对应的第二候选斜率；
将所述候选用电数据对应的第一候选斜率和第二候选斜率的差值的绝对值，确定为所述候选用电数据对应的斜率影响差异；
根据所述候选用电数据对应的斜率影响差异和整体影响数据，以及所述候选用电数据所属变化相似时间段内的变化趋势相似性，确定所述候选用电数据对应的影响干扰指标，其中，斜率影响差异与影响干扰指标呈负相关，整体影响数据和变化趋势相似性均与影响干扰指标呈正相关；
根据所述候选用电数据对应的影响干扰指标，确定所述候选用电数据对应的目标置信度，其中，影响干扰指标与目标置信度呈负相关。
可选地，所述根据所述参考时间段内所有参考用电数据和目标用电通信数据之间的残差，确定目标预测效果，包括：
将所述参考时间段内所有参考用电数据和目标用电通信数据之间的残差绝对值的均值，确定为整体残差；
根据所述整体残差，确定目标预测效果，其中，所述整体残差与所述目标预测效果呈负相关。
可选地，目标采样间隔对应的公式为：
；
其中，是所述目标采样间隔；/>是所述预设采样间隔；/>是归一化函数；G是所述目标预测效果；D是所述待采集用电波动。
本发明具有如下有益效果：
本发明的一种载波通信数据采集效率优化方法，实现了对用于载波通信的用电通信数据的采集，解决了用电通信数据采集效果较差的技术问题，提高了用电通信数据采集效果。首先，由于目标影响数据的变化往往影响着用电数据的变化，因此综合考虑历史时间段内所有目标用电通信数据和所有目标影响数据，可以提高待采集时间段内的预测用电数据预测的准确度。然后，由于相邻预测用电数据之间的斜率可以表征预测用电数据之间的波动变化情况，因此基于待采集时间段内所有相邻预测用电数据之间的斜率，可以量化待采集用电波动。接着，由于预测数据与实际采集的数据之间的残差越接近于0，往往说明预测效果越好，因此基于参考时间段内所有参考用电数据和目标用电通信数据之间的残差，可以量化目标预测效果。之后，由于目标预测效果和待采集用电波动往往影响着采样间隔，比如待采集用电波动越大，往往说明待采集时间段内预测用电数据之间的波动变化越剧烈，往往说明越需要调小待采集时间段内的采样间隔。由于预测用电数据和参考用电数据是考虑相同的因素预测得到的，所以目标预测效果可以在一定程度上表征预测用电数据预测的准确性，可以用于评判待采集用电波动的合理性。因此，基于目标预测效果和待采集用电波动，对预设采样间隔进行修正，可以提高目标采样间隔确定的准确度。最后，基于目标采样间隔，采集待采集时间段内的用电通信数据，实现了用电通信数据的采集，并且相较于通过人工经验设置的采样间隔，本发明量化了预测用电数据之间的待采集用电波动和目标预测效果，考虑了待采集时间段内预测用电数据之间的波动情况，所以在一定程度上对目标采样间隔的确定相对比较客观，从而提高了用电通信数据采集效果和效率。
附图说明
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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。
图1为本发明的一种载波通信数据采集效率优化方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明提供了一种载波通信数据采集效率优化方法，该方法包括以下步骤：
获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据；
根据历史时间段内所有目标用电通信数据和所有目标影响数据，预测得到待采集时间段内的预测用电数据，其中，待采集时间段的开始时间是历史时间段的结束时间；
根据待采集时间段内所有相邻预测用电数据之间的斜率，确定待采集用电波动；
从历史时间段上截取参考时间段，其中，参考时间段的结束时间是待采集时间段的开始时间；
根据历史时间段内除了参考时间段之外的时间段内所有目标用电通信数据和所有目标影响数据，预测得到参考时间段内的参考用电数据；
根据参考时间段内所有参考用电数据和目标用电通信数据之间的残差，确定目标预测效果；
根据目标预测效果和待采集用电波动，对预设采样间隔进行修正，得到目标采样间隔；
根据目标采样间隔，采集待采集时间段内的用电通信数据。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的一种载波通信数据采集效率优化方法的一些实施例的流程。该载波通信数据采集效率优化方法，包括以下步骤：
步骤S1，获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据。
在一些实施例中，可以获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据。
其中，目标区域可以是待进行用电通信数据采集的区域。用电通信数据可以是用于载波通信的用电数据。用电数据可以是与用电情况相关的数据。例如，目标区域可以是但不限于：一个住户、一个小区或一栋居民楼。用电数据可以是目标区域在预设时间间隔内的用电量。预设时间间隔可以是预先设置的时间间隔。例如，预设时间间隔可以是2分钟。历史时间段可以是过去的时间段。历史时间段的结束时间可以是当前时间。历史时间段对应的时长可以为预设时长。预设时长可以是预先设置的时长。例如，预设时长可以是2个月。预设影响参数可以是预先设置的影响用电数据变化的参数。例如，预设影响参数可以是但不限于：温度参数、电力能源价格参数和风力参数。历史时间段内的目标用电通信数据可以是时序数据。历史时间段内每个预设影响参数在目标区域上对应的目标影响数据可以是时序数据。
需要说明的是，由于目标影响数据的变化往往影响着用电数据的变化，因此获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据，可以便于后续预测待采集时间段内的用电数据。
作为示例，本步骤可以包括以下步骤：
第一步，获取目标区域在历史时间段内的每个用电数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个影响数据。
其中，影响数据可以是预设影响参数对应的数值。
例如，若目标区域为一个小区，则可以采集该小区在历史时间段内多个时刻下的用电量，并将采集的每个用电量作为用电数据。其中，若预设时间间隔是2分钟，某个时刻为第一时刻，则该小区在第一时刻下的用电量的获取方式可以为：通过电表，采集该小区在第一时刻下的总用电量，记为第一总用电量，并通过电表，采集该小区在第一时刻的前2分钟所在时刻下的总用电量，记为第二总用电量，第一总用电量与第二总用电量的差值即为该小区在第一时刻下的用电量，也就是该小区在第一时刻下的用电数据，第一时刻可以是该用电数据的采集时间。其中，电表可以记录某个区域的总用电量。
以温度参数为例，若目标区域为一个小区，则获取历史时间段内预设影响参数在目标区域上对应的每个影响数据的方法可以为：通过温度传感器，采集该小区在历史时间段内多个时刻下的温度，并将采集的每个温度作为历史时间段内温度参数在该小区上对应的每个影响数据。
需要说明的是，同一个预设影响参数下每相邻两个影响数据对应的采集时间之间的时长越短，并且每相邻两个用电数据对应的采集时间之间的时长越短，往往说明后续预测的用电数据越准确。其中，相邻两个影响数据对应的采集时间之间时长可以等于相邻两个用电数据对应的采集时间之间的时长，即在某个时刻采集用电数据时，也在该时刻对应采集影响数据。
第二步，对历史时间段内的所有用电数据均依次进行归一化和差分处理，并将依次进行归一化和差分处理后的每个用电数据，作为目标用电通信数据可以包括以下子步骤：
第一子步骤，对历史时间段内的所有用电数据进行归一化，并将归一化后的每个用电数据，作为标准用电数据。
第二子步骤，对历史时间段内的所有标准用电数据进行差分处理，并将差分处理后的每个标准用电数据，作为目标用电通信数据。
第三步，对历史时间段内每个预设影响参数在目标区域上对应的所有影响数据均依次进行归一化和差分处理，并将依次进行归一化和差分处理后的每个影响数据，作为目标影响数据可以包括以下子步骤：
第一子步骤，对历史时间段内每个预设影响参数在目标区域上对应的所有影响数据进行归一化，并将归一化后的每个影响数据，作为历史时间段内该预设影响参数在目标区域上对应的每个标准影响数据。
第二子步骤，对历史时间段内每个预设影响参数在目标区域上对应的所有标准影响数据进行差分处理，并将差分处理后的每个标准影响数据，作为历史时间段内该预设影响参数在目标区域上对应的每个目标影响数据。
需要说明的是，对用电数据和影响数据进行归一化，可以消除用电数据和影响数据之间不同量纲的问题，可以便于后续对用电数据和影响数据进行处理。由于本发明具体实施例中后续采用自回归积分滑动平均（ARIMA，Autoregressive Integrated MovingAverage Model）模型进行用电数据预测，而采用ARIMA模型时往往会对数据进行差分处理，以对数据进行去趋势，因此对用电数据和影响数据进行差分处理去趋势，可以便于后续采用ARIMA模型进行用电数据预测。
步骤S2，根据历史时间段内所有目标用电通信数据和所有目标影响数据，预测得到待采集时间段内的预测用电数据。
在一些实施例中，可以根据历史时间段内所有目标用电通信数据和所有目标影响数据，预测得到待采集时间段内的预测用电数据。
其中，待采集时间段可以是待进行用电数据采集的时间段。上述待采集时间段的开始时间可以是上述历史时间段的结束时间。待采集时间段对应的时长可以小于历史时间段对应的时长。例如，待采集时间段对应的时长可以是1小时。预测用电数据可以是预测的待采集时间段内的目标用电通信数据。
需要说明的是，综合考虑历史时间段内所有目标用电通信数据和所有目标影响数据，可以提高待采集时间段内的预测用电数据预测的准确度。
作为示例，本步骤可以包括以下步骤：
第一步，根据每个目标用电通信数据对应的预设滑窗内的目标用电通信数据，确定每个预设滑窗对应的用电波动指标。
其中，预设滑窗可以是预先设置的矩形滑窗。比如，预设滑窗的尺寸可以是11×1，即长为11，宽为1。目标用电通信数据可以位于该目标用电通信数据对应的预设滑窗的中心。预设滑窗内的目标用电通信数据是采集时间相邻的目标用电通信数据。比如，若预设滑窗的尺寸为3×1，并且相邻两个目标用电通信数据对应的采集时间之间的时长为1分钟，则采集时间为2023年09月06日11时06分的目标用电通信数据对应的预设滑窗内的各个目标用电通信数据分别可以为：采集时间为2023年09月06日11时05分的目标用电通信数据、采集时间为2023年09月06日11时06分的目标用电通信数据和采集时间为2023年09月06日11时07分的目标用电通信数据。
例如，根据每个目标用电通信数据对应的预设滑窗内的目标用电通信数据，确定每个预设滑窗对应的用电波动指标可以包括以下子步骤：
第一子步骤，将每个目标用电通信数据对应的采集时间，确定为每个目标用电通信数据对应的目标坐标包括的横坐标，并将每个目标用电通信数据确定为每个目标用电通信数据对应的目标坐标包括的纵坐标。
其中，目标用电通信数据对应的采集时间也就是对应的依次进行归一化和差分处理前的用电数据。比如，若某个用电数据对应的采集时间为第二时刻，则该用电数据依次进行归一化和差分处理后得到的目标用电通信数据对应的采集时间也是第二时刻。目标坐标可以是二维坐标。
第二子步骤，将上述预设滑窗内每相邻两个目标用电通信数据对应的目标坐标之间连线的斜率，作为参考斜率。
第三子步骤，从上述预设滑窗内筛选出参考斜率最大的两个目标用电通信数据，分别作为第一数据和第二数据。
比如，若某个预设滑窗内的目标用电通信数据依次为：第一目标用电通信数据、第二目标用电通信数据和第三目标用电通信数据，将第一目标用电通信数据与第二目标用电通信数据之间的斜率记为第一参考斜率，记第二目标用电通信数据和第三目标用电通信数据之间的斜率记为第二参考斜率，并且第二参考斜率大于第一参考斜率，则可以将第二目标用电通信数据作为第一数据，将第三目标用电通信数据作为第二数据。
第四子步骤，将上述预设滑窗内除了上述第一数据和上述第二数据之外的所有目标用电通信数据的方差，确定为第一波动指标。
第五子步骤，将上述预设滑窗内所有相邻两个目标用电通信数据对应的目标坐标之间连线的斜率的绝对值中的最大值，确定为第二波动指标。
比如，可以将预设滑窗内所有参考斜率绝对值中的最大值，作为第二波动指标。
第六子步骤，根据上述第一波动指标和上述第二波动指标，确定上述预设滑窗对应的用电波动指标。
其中，上述第一波动指标和上述第二波动指标均可以与上述用电波动指标呈正相关。
比如，确定预设滑窗对应的用电波动指标对应的公式可以为：
；
其中，是历史时间段内第i个目标用电通信数据对应的预设滑窗对应的用电波动指标。i是历史时间段内目标用电通信数据的序号。/>是归一化函数。/>是第i个目标用电通信数据对应的预设滑窗对应的第二波动指标，也就是该预设滑窗内所有相邻两个目标用电通信数据对应的目标坐标之间连线的斜率的绝对值中的最大值。/>是第i个目标用电通信数据对应的预设滑窗对应的第一波动指标，也就是该预设滑窗内除了第一数据和第二数据之外的所有目标用电通信数据的方差。
需要说明的是，当越大时，往往说明第i个目标用电通信数据对应的预设滑窗内相邻两个目标用电通信数据对应的目标坐标之间连线的斜率的绝对值相对越大，往往说明第i个目标用电通信数据对应的预设滑窗内目标用电通信数据之间的波动变化程度越大。当/>越大时，往往说明第i个目标用电通信数据对应的预设滑窗内目标用电通信数据之间的离散程度越大，往往说明第i个目标用电通信数据对应的预设滑窗内目标用电通信数据之间的波动变化程度越大。因此，当/>越大时，往往说明第i个目标用电通信数据对应的预设滑窗内目标用电通信数据之间的波动变化程度越大。
第二步，从所有预设滑窗内筛选出用电波动指标大于预设波动阈值的预设滑窗，作为目标窗口，得到目标窗口集合，并将上述目标窗口集合中的每个目标窗口对应的时间段，确定为目标时间段。
其中，预设波动阈值可以是预先设置的阈值。例如，预设波动阈值可以是0.68。目标窗口对应的时间段的开始时间可以是该目标窗口内所有目标用电通信数据对应的采集时间中最早的采集时间。目标窗口对应的时间段的结束时间可以是该目标窗口内所有目标用电通信数据对应的采集时间中最晚的采集时间。
可选地，获取目标窗口集合的方法可以为：对于所有预设滑窗内任意预设数量个分布连续的预设滑窗，可以将这预设数量个预设滑窗对应的用电波动指标中的最大值，作为目标最大值，并将这预设数量个预设滑窗的交集，作为新的预设滑窗，若新的预设滑窗对应的用电波动指标大于或等于目标最大值，则可以将这预设数量个预设滑窗替换为新的预设滑窗，重复本步骤，直至任意预设数量个分布连续的预设滑窗的交集对应的用电波动指标小于其对应的目标最大值，从替换完成的所有预设滑窗内筛选出用电波动指标大于预设波动阈值的预设滑窗，作为目标窗口，得到目标窗口集合。其中，预设数量可以是预先设置的数量。例如，预设数量可以是2。
第三步，根据每个目标时间段内的目标用电通信数据，以及所有预设影响参数在每个目标时间段内的目标影响数据，确定每个目标时间段内的变化趋势相似性。
例如，根据每个目标时间段内的目标用电通信数据，以及所有预设影响参数在每个目标时间段内的目标影响数据，确定每个目标时间段内的变化趋势相似性可以包括以下子步骤：
第一子步骤，根据每个预设影响参数在每个目标时间段内的目标影响数据，确定每个预设影响参数在每个目标时间段内的目标趋势相似性可以包括以下步骤：
首先，将每个目标影响数据对应的采集时间，确定为每个目标影响数据对应的参考坐标包括的横坐标，并将每个目标影响数据确定为每个目标影响数据对应的参考坐标包括的纵坐标。
其中，目标影响数据对应的采集时间也就是对应的依次进行归一化和差分处理前的影响数据。如，若某个影响数据对应的采集时间为第三时刻，则对该影响数据依次进行归一化和差分处理后得到的目标影响数据对应的采集时间也是第三时刻。参考坐标可以是二维坐标。
然后，将每个目标影响数据与其所属预设影响参数下的前一个目标影响数据对应的参考坐标之间连线的斜率的绝对值，确定为每个目标影响数据对应的目标斜率指标。
其中，若某个目标影响数据为依次进行归一化和差分处理的温度，则该目标影响数据所属预设影响参数可以为温度参数。记任意一个目标影响数据为标记影响数据，标记影响数据所属预设影响参数下的前一个目标影响数据可以为：标记影响数据所属预设影响参数下的目标影响数据的时序数据中，标记影响数据的前一个目标影响数据。
如，以温度参数为例，记历史时间段内温度参数在目标区域上对应的每个目标影响数据为温度影响数据，记任意一个温度影响数据为目标温度数据，可以将目标温度数据对应的参考坐标与目标温度数据的前一个温度影响数据对应的参考坐标之间连线的斜率的绝对值，确定为目标温度数据对应的目标斜率指标。由于目标影响数据为时序数据，所以目标温度数据的前一个温度影响数据，即为与目标温度数据采集时间相邻的两个温度影响数据中采集时间较早的温度影响数据。目标温度数据的前一个温度影响数据也就是目标温度数据所属预设影响参数下的前一个目标影响数据。
接着，从上述预设影响参数在上述目标时间段内筛选出目标斜率指标大于预设斜率阈值的目标影响数据，作为波动影响数据。
其中，预设斜率阈值可以是预先设置的阈值。如，预设斜率阈值可以是0.15。
如，以温度参数为例，从温度参数在目标时间段内筛选出目标斜率指标大于预设斜率阈值的目标影响数据，即为从目标时间段内筛选出目标斜率指标大于预设斜率阈值的温度影响数据。
继续，将上述预设影响参数在上述目标时间段内分布连续的波动影响数据，构建为一个波动影响数据组，得到上述预设影响参数在上述目标时间段内的波动影响数据组集合。
如，以温度参数为例，若温度参数在某个目标时间段内的各个目标影响数据分别为第一温度影响数据、第二温度影响数据、第三温度影响数据、第四温度影响数据、第五温度影响数据、第六温度影响数据和第七温度影响数据。若第一温度影响数据、第二温度影响数据、第三温度影响数据、第六温度影响数据和第七温度影响数据对应的目标斜率指标大于预设斜率阈值，为波动影响数据；而第四温度影响数据和第五温度影响数据对应的目标斜率指标不大于预设斜率阈值，则温度参数在该目标时间段内的波动影响数据组集合可以包括2个波动影响数据组，分别为{第一温度影响数据，第二温度影响数据，第三温度影响数据}和{第六温度影响数据，第七温度影响数据}。
之后，将每个波动影响数据与其对应的采集时间相同的目标用电通信数据的差值，确定为每个波动影响数据对应的目标差异。
而后，将每个波动影响数据组中所有波动影响数据对应的目标差异的方差，确定为每个波动影响数据组对应的第一差异指标。
最后，根据上述预设影响参数在上述目标时间段内的波动影响数据组集合中所有波动影响数据组对应的第一差异指标，确定上述预设影响参数在上述目标时间段内的目标趋势相似性。
其中，第一差异指标可以与目标趋势相似性呈负相关。
如，确定预设影响参数在目标时间段内的目标趋势相似性对应的公式可以为：
；
其中，是第j个预设影响参数在第t个目标时间段内的目标趋势相似性。j是预设影响参数的序号。t是目标时间段的序号。/>是归一化函数。/>是第j个预设影响参数在第t个目标时间段内的波动影响数据组集合中波动影响数据组的数量。/>是第j个预设影响参数在第t个目标时间段内的波动影响数据组集合中，第c个波动影响数据组对应的第一差异指标。/>是以自然常数为底的指数函数。c是第j个预设影响参数在第t个目标时间段内，波动影响数据组集合中波动影响数据组的序号。
需要说明的是，当越小时，往往说明第c个波动影响数据组中所有波动影响数据对应的目标差异的方差越小，往往说明第c个波动影响数据组中的波动影响数据与其对应的采集时间相同的目标用电通信数据之间的差异越小，往往说明第c个波动影响数据组中的波动影响数据与其对应的采集时间相同的目标用电通信数据之间的变化趋势相似度越大。因此当/>越大时，往往说明第j个预设影响参数在第t个目标时间段内的波动影响数据组集合中，所有波动影响数据组中的波动影响数据与其对应的采集时间相同的目标用电通信数据之间的变化趋势相似度相对越大，往往说明在第t个目标时间段内第j个预设影响参数对应的各个目标影响数据与其对应的目标用电通信数据之间的变化趋势相似度相对越大。
第二子步骤，根据所有预设影响参数在每个目标时间段内的目标趋势相似性，确定每个目标时间段内的变化趋势相似性。
其中，目标趋势相似性可以与变化趋势相似性呈正相关。
比如，确定每个目标时间段内的变化趋势相似性对应的公式可以为：
；
其中，是第t个目标时间段内的变化趋势相似性。t是目标时间段的序号。N是预设影响参数的数量。/>是第j个预设影响参数在第t个目标时间段内的目标趋势相似性。j是预设影响参数的序号。
需要说明的是，当越大时，往往说明在第t个目标时间段内第j个预设影响参数对应的各个目标影响数据与其对应的目标用电通信数据之间的变化趋势相似度相对越大。因此当/>越大时，往往说明在第t个目标时间段内各个预设影响参数对应的各个目标影响数据与其对应的目标用电通信数据之间的变化趋势相似度相对越大。
第四步，根据变化趋势相似性，从所有目标时间段内筛选出变化相似时间段集合可以包括以下子步骤：
第一子步骤，将各个变化趋势相似性作为灰度值，并基于得到的所有灰度值，通过最大类间方差，确定相似阈值。
其中，相似阈值可以是通过最大类间方差确定的阈值。
第二子步骤，当目标时间段内的变化趋势相似性大于上述相似阈值时，将目标时间段，确定为变化相似时间段。
第三子步骤，将所有变化相似时间段组合为变化相似时间段集合。
需要说明的是，变化相似时间段集合中的变化相似时间段往往是变化趋势相似性较大的目标时间段，往往说明变化相似时间段内目标用电通信数据的波动变化越可能是由于受到多个预设影响参数干扰影响引起的。
第五步，根据上述变化相似时间段集合中的每个变化相似时间段内的目标用电通信数据和目标影响数据，确定每个变化相似时间段内的每个目标用电通信数据对应的目标置信度可以包括以下子步骤：
第一子步骤，记任意一个变化相似时间段内任意一个目标用电通信数据为候选用电数据，将与上述候选用电数据对应的采集时间相同的所有目标影响数据的累加值，确定为上述候选用电数据对应的整体影响数据。
第二子步骤，将每个目标用电通信数据对应的采集时间，确定为每个目标用电通信数据对应的候选坐标包括的横坐标，并将每个目标用电通信数据对应的整体影响数据，确定为每个目标用电通信数据对应的候选坐标包括的纵坐标。
第三子步骤，将上述候选用电数据与其前一个目标用电通信数据对应的候选坐标之间连线的斜率，确定为上述候选用电数据对应的第一候选斜率。
其中，候选用电数据的前一个目标用电通信数据可以是与候选用电数据采集时间相邻的两个目标用电通信数据中采集时间较早的目标用电通信数据。
第四子步骤，将上述候选用电数据与其前一个目标用电通信数据对应的目标坐标之间连线的斜率，确定为上述候选用电数据对应的第二候选斜率。
第五子步骤，将上述候选用电数据对应的第一候选斜率和第二候选斜率的差值的绝对值，确定为上述候选用电数据对应的斜率影响差异。
第六子步骤，根据上述候选用电数据对应的斜率影响差异和整体影响数据，以及上述候选用电数据所属变化相似时间段内的变化趋势相似性，确定上述候选用电数据对应的影响干扰指标。
其中，斜率影响差异可以与影响干扰指标呈负相关。整体影响数据和变化趋势相似性均可以与影响干扰指标呈正相关。
第七子步骤，根据上述候选用电数据对应的影响干扰指标，确定上述候选用电数据对应的目标置信度。
其中，影响干扰指标可以与目标置信度呈负相关。
比如，确定每个变化相似时间段内的每个目标用电通信数据对应的目标置信度对应的公式可以为：
；
其中，是变化相似时间段集合中第a个变化相似时间段内第b个目标用电通信数据对应的目标置信度。a是变化相似时间段集合中变化相似时间段的序号。b是第a个变化相似时间段内目标用电通信数据的序号。/>是第a个变化相似时间段内第b个目标用电通信数据对应的影响干扰指标。/>是归一化函数。/>是以自然常数为底的指数函数。/>是第a个变化相似时间段内第b个目标用电通信数据对应的斜率影响差异。/>是第a个变化相似时间段内第b个目标用电通信数据对应的整体影响数据。/>是第a个变化相似时间段内的变化趋势相似性。
需要说明的是，当越小时，往往说明第a个变化相似时间段内第b个目标用电通信数据与其对应的整体影响数据之间的变化斜率越相近，往往说明多个预设影响参数对第b个目标用电通信数据的干扰影响程度越大。当/>越大时，往往说明第b个目标用电通信数据对应的整体影响数据越大，往往说明在第b个目标用电通信数据对应的采集时刻下多个预设影响参数对应的总的影响数值越大。所以当/>越大时，往往说明多个预设影响参数对第b个目标用电通信数据的干扰影响程度越大，并且此时多个预设影响参数对应的目标影响数据的累加值越大，往往说明多个预设影响参数对第b个目标用电通信数据的干扰程度越大。当/>越大时，往往说明在第a个变化相似时间段内各个预设影响参数对应的各个目标影响数据与其对应的目标用电通信数据之间的变化趋势相似度相对越大，往往说明多个预设影响参数对第a个变化相似时间段内的目标用电通信数据的干扰程度越大。因此，当/>越大时，往往说明多个预设影响参数对第a个变化相似时间段内第b个目标用电通信数据的干扰程度越大。
第六步，根据所有目标置信度，确定ARIMA模型的自回归阶数和移动平均阶数，并通过ARIMA模型，预测得到待采集时间段内的预测用电数据。
例如，可以根据所有目标置信度，重新通过自相关函数（ACF，AutocorrelationFunction）进行计算。根据ACF和偏自相关函数（PACF，Partial AutocorrelationFunction），可以获得自回归阶数和移动平均阶数。并将目标区域在历史时间段内的所有目标用电通信数据，以及所有变化相似时间段内所有目标用电通信数据对应的目标置信度输入至ARIMA模型，通过ARIMA模型，预测目标区域在待采集时间段内的每个目标用电通信数据，作为预测用电数据。其中，预测用电数据可以是时序数据。
步骤S3，根据待采集时间段内所有相邻预测用电数据之间的斜率，确定待采集用电波动。
在一些实施例中，可以根据上述待采集时间段内所有相邻预测用电数据之间的斜率，确定待采集用电波动。
需要说明的是，由于相邻预测用电数据之间的斜率可以表征预测用电数据之间的波动变化情况，因此基于待采集时间段内所有相邻预测用电数据之间的斜率，可以量化待采集用电波动。
作为示例，确定待采集用电波动的方法可以为：将待采集时间段内的每个预测用电数据，作为预设滑窗内的每个目标用电通信数据，执行步骤S2包括的作为示例包括的第一步，得到的用电波动指标即为待采集用电波动。
步骤S4，从历史时间段上截取参考时间段。
在一些实施例中，可以从上述历史时间段上截取参考时间段。
其中，上述参考时间段的结束时间可以是上述待采集时间段的开始时间。参考时间段对应的时长可以是预先设置的时长。例如，参考时间段对应的时长可以等于待采集时间段对应的时长。
需要说明的是，截取参考时间段可以便于后续采用预测待采集时间段内用电数据的方法，预测参考时间段内的用电数据，可以便于后续基于预测的参考时间段内的用电数据，评估预测待采集时间段内用电数据方法的预测效果。
作为示例，若历史时间段对应的时长为2个月，参考时间段对应的时长为2个小时，则可以从历史时间段的末尾截取2个小时，作为参考时间段。
步骤S5，根据历史时间段内除了参考时间段之外的时间段内所有目标用电通信数据和所有目标影响数据，预测得到参考时间段内的参考用电数据。
在一些实施例中，可以根据上述历史时间段内除了上述参考时间段之外的时间段内所有目标用电通信数据和所有目标影响数据，预测得到上述参考时间段内的参考用电数据。
其中，参考用电数据可以是预测的参考时间段内的目标用电通信数据。
需要说明的是，基于预测得到的参考时间段内的参考用电数据，可以评估预测待采集时间段内用电数据方法的预测效果。
作为示例，预测得到参考时间段内的参考用电数据的方法可以为：将历史时间段内除了参考时间段之外的时间段，作为历史时间段，并将参考时间段作为待采集时间段，执行步骤S2，得到的预测用电数据即为参考用电数据。
步骤S6，根据参考时间段内所有参考用电数据和目标用电通信数据之间的残差，确定目标预测效果。
在一些实施例中，可以根据上述参考时间段内所有参考用电数据和目标用电通信数据之间的残差，确定目标预测效果。
其中，残差是指实际观察值与预测值之间的差。参考用电数据和目标用电通信数据之间的残差，即为相同采集时间的目标用电通信数据和参考用电数据之间的差值。
需要说明的是，由于预测数据与实际采集的数据之间的残差越接近于0，往往说明预测效果越好，因此基于参考时间段内所有参考用电数据和目标用电通信数据之间的残差，可以量化目标预测效果。
作为示例，本步骤可以包括以下步骤：
第一步，将上述参考时间段内所有参考用电数据和目标用电通信数据之间的残差绝对值的均值，确定为整体残差。
其中，残差绝对值也就是残差的绝对值。
例如，将参考时间段内所有参考用电数据和目标用电通信数据之间的残差绝对值的均值，确定为整体残差可以包括以下子步骤：
第一子步骤，将参考时间段内采集时间相同的参考用电数据和目标用电通信数据之间的残差的绝对值，确定为目标残差指标。
其中，采集时间相同的参考用电数据和目标用电通信数据之间的残差，即为采集时间相同的参考用电数据和目标用电通信数据之间的差值。
第二子步骤，将所有目标残差指标的均值，确定为整体残差。
第二步，根据上述整体残差，确定目标预测效果。
其中，上述整体残差可以与上述目标预测效果呈负相关。
例如，确定目标预测效果对应的公式可以为：
；
其中，G是上述目标预测效果。是归一化函数。F是整体残差。
需要说明的是，当F越大时，往往说明预测的参考用电数据与实际采集的目标用电通信数据之间的差异越大，往往说明预测效果越差。因此当G越大时，往往说明预测效果越好。
步骤S7，根据目标预测效果和待采集用电波动，对预设采样间隔进行修正，得到目标采样间隔。
在一些实施例中，可以根据上述目标预测效果和上述待采集用电波动，对预设采样间隔进行修正，得到目标采样间隔。
其中，预设采样间隔可以是预先设置的采样间隔。例如，预设采样间隔可以是依据人工经验设置的采样间隔。比如，预设采样间隔可以是2分钟。采样间隔可以是进行相邻两次数据采集之间的时间间隔。
需要说明的是，由于目标预测效果和待采集用电波动往往影响着采样间隔，比如待采集用电波动越大，往往说明待采集时间段内预测用电数据之间的波动变化越剧烈，往往说明越需要调小待采集时间段内的采样间隔。由于预测用电数据和参考用电数据是考虑相同的因素预测得到的，所以目标预测效果可以在一定程度上表征预测用电数据预测的准确性，可以用于评判待采集用电波动的合理性。因此，基于目标预测效果和待采集用电波动，对预设采样间隔进行修正，可以提高目标采样间隔确定的准确度。
作为示例，确定目标采样间隔对应的公式可以为：
；
其中，是上述目标采样间隔。/>是上述预设采样间隔。/>是归一化函数。G是上述目标预测效果。D是上述待采集用电波动。
需要说明的是，当D越大时，往往说明预测的待采集时间段内的用电通信数据之间的波动变化越大，往往需要越需要将待采集时间段内的采样间隔调小。当G越大时，往往说明预测效果越好，往往说明越预测的待采集时间段内的用电通信数据越准确，往往说明采用待采集用电波动对采样间隔进行修正的结果越准确，往往说明越不需要对进行修正，因此此时设置G越接近于1。当G越小时，往往说明预测效果越差，往往说明越预测的待采集时间段内的用电通信数据越不准确，往往说明采用待采集用电波动对采样间隔进行修正的结果越不准确，往往说明越需要对/>进行修正，因此此时设置G越小于1，越可以有效地避免由于真实的用电通信数据的波动可能大于量化的待采集用电波动时，造成的有效数据遗失的问题。
步骤S8，根据目标采样间隔，采集待采集时间段内的用电通信数据。
在一些实施例中，可以根据上述目标采样间隔，采集上述待采集时间段内的用电通信数据。
需要说明的是，基于目标采样间隔，采集待采集时间段内的用电通信数据，实现了用电通信数据的采集。
作为示例，可以在待采集时间段内，每隔目标采样间隔，采集一次目标区域的用电数据，作为用电通信数据。
综上，相较于通过人工经验设置的采样间隔，本发明量化了预测用电数据之间的待采集用电波动和目标预测效果，考虑了待采集时间段内预测用电数据之间的波动情况，所以在一定程度上对目标采样间隔的确定相对比较客观，从而提高了用电通信数据采集效果和效率。其次，本发明在进行用电数据预测时，综合考虑了用电波动指标、变化趋势相似性和目标置信度等指标，并精确计算了ARIMA模型的自回归阶数和移动平均阶数，从而可以提高后续通过ARIMA模型对用电数据进行预测的准确度。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例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例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例技术方案的范围，均应包含在本发明的保护范围之内。

Claims (6)

1.一种载波通信数据采集效率优化方法，其特征在于，包括以下步骤：
获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据；
根据历史时间段内所有目标用电通信数据和所有目标影响数据，预测得到待采集时间段内的预测用电数据，其中，所述待采集时间段的开始时间是所述历史时间段的结束时间；
根据所述待采集时间段内所有相邻预测用电数据之间的斜率，确定待采集用电波动；
从所述历史时间段上截取参考时间段，其中，所述参考时间段的结束时间是所述待采集时间段的开始时间；
根据所述历史时间段内除了所述参考时间段之外的时间段内所有目标用电通信数据和所有目标影响数据，预测得到所述参考时间段内的参考用电数据；
根据所述参考时间段内所有参考用电数据和目标用电通信数据之间的残差，确定目标预测效果；
根据所述目标预测效果和所述待采集用电波动，对预设采样间隔进行修正，得到目标采样间隔；
根据所述目标采样间隔，采集所述待采集时间段内的用电通信数据；
所述获取目标区域在历史时间段内的每个目标用电通信数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个目标影响数据，包括：
获取目标区域在历史时间段内的每个用电数据，以及历史时间段内每个预设影响参数在目标区域上对应的每个影响数据；
对历史时间段内的所有用电数据均依次进行归一化和差分处理，并将依次进行归一化和差分处理后的每个用电数据，作为目标用电通信数据；
对历史时间段内每个预设影响参数在目标区域上对应的所有影响数据均依次进行归一化和差分处理，并将依次进行归一化和差分处理后的每个影响数据，作为目标影响数据；
所述根据历史时间段内所有目标用电通信数据和所有目标影响数据，预测得到待采集时间段内的预测用电数据，包括：
根据每个目标用电通信数据对应的预设滑窗内的目标用电通信数据，确定每个预设滑窗对应的用电波动指标；
从所有预设滑窗内筛选出用电波动指标大于预设波动阈值的预设滑窗，作为目标窗口，得到目标窗口集合，并将所述目标窗口集合中的每个目标窗口对应的时间段，确定为目标时间段；
根据每个目标时间段内的目标用电通信数据，以及所有预设影响参数在每个目标时间段内的目标影响数据，确定每个目标时间段内的变化趋势相似性；
根据变化趋势相似性，从所有目标时间段内筛选出变化相似时间段集合；
根据所述变化相似时间段集合中的每个变化相似时间段内的目标用电通信数据和目标影响数据，确定每个变化相似时间段内的每个目标用电通信数据对应的目标置信度；
根据所有目标置信度，确定ARIMA模型的自回归阶数和移动平均阶数，并通过ARIMA模型，预测得到待采集时间段内的预测用电数据；
所述根据每个目标用电通信数据对应的预设滑窗内的目标用电通信数据，确定每个预设滑窗对应的用电波动指标，包括：
将每个目标用电通信数据对应的采集时间，确定为每个目标用电通信数据对应的目标坐标包括的横坐标，并将每个目标用电通信数据确定为每个目标用电通信数据对应的目标坐标包括的纵坐标；
将所述预设滑窗内每相邻两个目标用电通信数据对应的目标坐标之间连线的斜率，作为参考斜率；
从所述预设滑窗内筛选出参考斜率最大的两个目标用电通信数据，分别作为第一数据和第二数据；
将所述预设滑窗内除了所述第一数据和所述第二数据之外的所有目标用电通信数据的方差，确定为第一波动指标；
将所述预设滑窗内所有相邻两个目标用电通信数据对应的目标坐标之间连线的斜率的绝对值中的最大值，确定为第二波动指标；
根据所述第一波动指标和所述第二波动指标，确定所述预设滑窗对应的用电波动指标，其中，所述第一波动指标和所述第二波动指标均与所述用电波动指标呈正相关；
所述根据所述变化相似时间段集合中的每个变化相似时间段内的目标用电通信数据和目标影响数据，确定每个变化相似时间段内的每个目标用电通信数据对应的目标置信度，包括：
记任意一个变化相似时间段内任意一个目标用电通信数据为候选用电数据，将与所述候选用电数据对应的采集时间相同的所有目标影响数据的累加值，确定为所述候选用电数据对应的整体影响数据；
将每个目标用电通信数据对应的采集时间，确定为每个目标用电通信数据对应的候选坐标包括的横坐标，并将每个目标用电通信数据对应的整体影响数据，确定为每个目标用电通信数据对应的候选坐标包括的纵坐标；
将所述候选用电数据与其前一个目标用电通信数据对应的候选坐标之间连线的斜率，确定为所述候选用电数据对应的第一候选斜率；
将所述候选用电数据与其前一个目标用电通信数据对应的目标坐标之间连线的斜率，确定为所述候选用电数据对应的第二候选斜率；
将所述候选用电数据对应的第一候选斜率和第二候选斜率的差值的绝对值，确定为所述候选用电数据对应的斜率影响差异；
根据所述候选用电数据对应的斜率影响差异和整体影响数据，以及所述候选用电数据所属变化相似时间段内的变化趋势相似性，确定所述候选用电数据对应的影响干扰指标，其中，斜率影响差异与影响干扰指标呈负相关，整体影响数据和变化趋势相似性均与影响干扰指标呈正相关；
根据所述候选用电数据对应的影响干扰指标，确定所述候选用电数据对应的目标置信度，其中，影响干扰指标与目标置信度呈负相关。
2.根据权利要求1所述的一种载波通信数据采集效率优化方法，其特征在于，所述根据每个目标时间段内的目标用电通信数据，以及所有预设影响参数在每个目标时间段内的目标影响数据，确定每个目标时间段内的变化趋势相似性，包括：
根据每个预设影响参数在每个目标时间段内的目标影响数据，确定每个预设影响参数在每个目标时间段内的目标趋势相似性；
根据所有预设影响参数在每个目标时间段内的目标趋势相似性，确定每个目标时间段内的变化趋势相似性，其中，目标趋势相似性与变化趋势相似性呈正相关。
3.根据权利要求2所述的一种载波通信数据采集效率优化方法，其特征在于，所述根据每个预设影响参数在每个目标时间段内的目标影响数据，确定每个预设影响参数在每个目标时间段内的目标趋势相似性，包括：
将每个目标影响数据对应的采集时间，确定为每个目标影响数据对应的参考坐标包括的横坐标，并将每个目标影响数据确定为每个目标影响数据对应的参考坐标包括的纵坐标；
将每个目标影响数据与其所属预设影响参数下的前一个目标影响数据对应的参考坐标之间连线的斜率的绝对值，确定为每个目标影响数据对应的目标斜率指标；
从所述预设影响参数在所述目标时间段内筛选出目标斜率指标大于预设斜率阈值的目标影响数据，作为波动影响数据；
将所述预设影响参数在所述目标时间段内分布连续的波动影响数据，构建为一个波动影响数据组，得到所述预设影响参数在所述目标时间段内的波动影响数据组集合；
将每个波动影响数据与其对应的采集时间相同的目标用电通信数据的差值，确定为每个波动影响数据对应的目标差异；
将每个波动影响数据组中所有波动影响数据对应的目标差异的方差，确定为每个波动影响数据组对应的第一差异指标；
根据所述预设影响参数在所述目标时间段内的波动影响数据组集合中所有波动影响数据组对应的第一差异指标，确定所述预设影响参数在所述目标时间段内的目标趋势相似性，其中，第一差异指标与目标趋势相似性呈负相关。
4.根据权利要求1所述的一种载波通信数据采集效率优化方法，其特征在于，所述根据变化趋势相似性，从所有目标时间段内筛选出变化相似时间段集合，包括：
将各个变化趋势相似性作为灰度值，并基于得到的所有灰度值，通过最大类间方差，确定相似阈值；
当目标时间段内的变化趋势相似性大于所述相似阈值时，将目标时间段，确定为变化相似时间段；
将所有变化相似时间段组合为变化相似时间段集合。
5.根据权利要求1所述的一种载波通信数据采集效率优化方法，其特征在于，所述根据所述参考时间段内所有参考用电数据和目标用电通信数据之间的残差，确定目标预测效果，包括：
将所述参考时间段内所有参考用电数据和目标用电通信数据之间的残差绝对值的均值，确定为整体残差；
根据所述整体残差，确定目标预测效果，其中，所述整体残差与所述目标预测效果呈负相关。
6.根据权利要求1所述的一种载波通信数据采集效率优化方法，其特征在于，目标采样间隔对应的公式为：
其中，是所述目标采样间隔；/>是所述预设采样间隔；/>是归一化函数；G是所述目标预测效果；D是所述待采集用电波动。
CN202311585354.2A 2023-11-27 2023-11-27 一种载波通信数据采集效率优化方法 Active CN117292530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311585354.2A CN117292530B (zh) 2023-11-27 2023-11-27 一种载波通信数据采集效率优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311585354.2A CN117292530B (zh) 2023-11-27 2023-11-27 一种载波通信数据采集效率优化方法

Publications (2)

Publication Number Publication Date
CN117292530A CN117292530A (zh) 2023-12-26
CN117292530B true CN117292530B (zh) 2024-02-13

Family

ID=89241181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311585354.2A Active CN117292530B (zh) 2023-11-27 2023-11-27 一种载波通信数据采集效率优化方法

Country Status (1)

Country Link
CN (1) CN117292530B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103152957A (zh) * 2013-04-07 2013-06-12 河海大学常州校区 目标跟踪分段供电路灯的数据采集与控制系统
JP2015171278A (ja) * 2014-03-10 2015-09-28 日本電気株式会社 電力制御装置及び電力制御方法、エネルギー管理システム、並びにコンピュータ・プログラム
CN108133588A (zh) * 2017-12-26 2018-06-08 武汉大学 基于实现采集指标的窄带plc用电信息采集系统
CN109492788A (zh) * 2017-09-13 2019-03-19 中移（杭州）信息技术有限公司 预测人流量以及建立人流量预测模型的方法及相关设备
CN109639485A (zh) * 2018-12-13 2019-04-16 国家电网有限公司 用电采集通信链路的监测方法和装置
CN112150205A (zh) * 2020-09-27 2020-12-29 浪潮通用软件有限公司 价格预测方法及装置、电子设备
CN114565250A (zh) * 2022-02-21 2022-05-31 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) 基于大数据的有序用电智能监控方法及系统
CN116223975A (zh) * 2023-02-28 2023-06-06 深圳供电局有限公司 电缆故障点定位方法、装置、计算机设备和存储介质
CN116320043A (zh) * 2023-05-24 2023-06-23 深圳龙电华鑫控股集团股份有限公司 一种提高多载波通信系统传输效率的方法及系统
CN116432144A (zh) * 2023-06-09 2023-07-14 深圳龙电华鑫控股集团股份有限公司 一种基于载波通信的数据融合系统
CN116632838A (zh) * 2023-07-20 2023-08-22 南方电网调峰调频发电有限公司信息通信分公司 应用于发电企业的电能供给分析的方法及装置
WO2023168950A1 (zh) * 2022-03-11 2023-09-14 浙江万胜智能科技股份有限公司 一种智能抄表终端的数据采集方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2700061A4 (en) * 2011-04-22 2014-11-19 Expanergy Llc SYSTEMS AND METHOD FOR ANALYZING ENERGY CONSUMPTION
WO2019226554A1 (en) * 2018-05-22 2019-11-28 Magic Leap, Inc. Skeletal systems for animating virtual avatars

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103152957A (zh) * 2013-04-07 2013-06-12 河海大学常州校区 目标跟踪分段供电路灯的数据采集与控制系统
JP2015171278A (ja) * 2014-03-10 2015-09-28 日本電気株式会社 電力制御装置及び電力制御方法、エネルギー管理システム、並びにコンピュータ・プログラム
CN109492788A (zh) * 2017-09-13 2019-03-19 中移（杭州）信息技术有限公司 预测人流量以及建立人流量预测模型的方法及相关设备
CN108133588A (zh) * 2017-12-26 2018-06-08 武汉大学 基于实现采集指标的窄带plc用电信息采集系统
CN109639485A (zh) * 2018-12-13 2019-04-16 国家电网有限公司 用电采集通信链路的监测方法和装置
CN112150205A (zh) * 2020-09-27 2020-12-29 浪潮通用软件有限公司 价格预测方法及装置、电子设备
CN114565250A (zh) * 2022-02-21 2022-05-31 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) 基于大数据的有序用电智能监控方法及系统
WO2023168950A1 (zh) * 2022-03-11 2023-09-14 浙江万胜智能科技股份有限公司 一种智能抄表终端的数据采集方法及系统
CN116223975A (zh) * 2023-02-28 2023-06-06 深圳供电局有限公司 电缆故障点定位方法、装置、计算机设备和存储介质
CN116320043A (zh) * 2023-05-24 2023-06-23 深圳龙电华鑫控股集团股份有限公司 一种提高多载波通信系统传输效率的方法及系统
CN116432144A (zh) * 2023-06-09 2023-07-14 深圳龙电华鑫控股集团股份有限公司 一种基于载波通信的数据融合系统
CN116632838A (zh) * 2023-07-20 2023-08-22 南方电网调峰调频发电有限公司信息通信分公司 应用于发电企业的电能供给分析的方法及装置

Also Published As

Publication number Publication date
CN117292530A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN108876021B (zh) 一种中长期径流预报方法及系统
CN110009140B (zh) 一种日电力负荷预测方法及预测装置
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN112613641B (zh) 一种基于特征分解的短期电负荷组合预测方法
CN116307944B (zh) 基于人工智能与物联网的配电箱远程监测系统
CN112330065A (zh) 一种基于基流分割和人工神经网络模型的径流预报方法
CN115423163A (zh) 一种流域短期洪水事件预测方法、装置及终端设备
CN115225520B (zh) 一种基于元学习框架的多模态网络流量预测方法及装置
CN115908051A (zh) 一种电力系统储能容量确定方法
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN111931354A (zh) 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN115495991A (zh) 一种基于时间卷积网络的降水区间预测方法
CN114021830A (zh) 一种基于cnn-lstm的多时间范围风速预测方法
CN110212592B (zh) 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统
CN117292530B (zh) 一种载波通信数据采集效率优化方法
CN116701481A (zh) 一种电采暖用电量波动分析系统及方法
CN116646917A (zh) 一种校园多步概率电力负荷预测方法及系统
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN114169416B (zh) 一种基于迁移学习的小样本集下短期负荷预测方法
CN114492923A (zh) 一种长时间尺度功率预测方法
CN108733622A (zh) 基于自相关不等间隔迭代法的电离层tec单站预报方法
KR20230088967A (ko) 이상 탐지 및 복원 기반의 전력 수요량 예측 장치 및 방법
CN113011674A (zh) 一种光伏发电预测方法、装置、电子设备及存储介质
CN111525553B (zh) 一种预测功率优化分段下新能源出力误差可信区间估计法

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