CN117436935A - 区域用电量预测方法、系统、计算机设备及存储介质 - Google Patents
区域用电量预测方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117436935A CN117436935A CN202311618594.8A CN202311618594A CN117436935A CN 117436935 A CN117436935 A CN 117436935A CN 202311618594 A CN202311618594 A CN 202311618594A CN 117436935 A CN117436935 A CN 117436935A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- area
- related parameters
- historical
- neural network
- 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 43
- 230000005611 electricity Effects 0.000 claims abstract description 113
- 238000003062 neural network model Methods 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims description 47
- 230000000694 effects Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了区域用电量预测方法、系统、计算机设备及存储介质，该方法包括：确定待预测的区域以及与区域规模相差在预设范围内的邻近区域；若获取到区域当前的用电相关参数，则将区域当前的用电相关参数分别输入训练好的多个神经网络模型；若无法获取到区域当前的用电相关参数，则基于区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到区域当前的用电相关参数，并将区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到区域当前的居民用电量、商业用电量和工业用电量；汇总居民用电量、商业用电量和工业用电量得到区域的用电量。本申请降低了人力成本，降低了预测误差，提高了预测精准度。
Description
技术领域
本申请涉及电力技术领域，具体涉及区域用电量预测方法、系统、计算机设备及存储介质。
背景技术
电力市场特性研究是电力系统研究、规划和运维中必不可少的重要支撑技术之一，也是电力系统领域内长期研究的重要方向。准确把握负荷特性、市场需求的变化规律和未来发展趋势，对电网安全稳定的运行起着至关重要的作用。
其中，用电量预测是电力市场特性研究的一个重要部分。对用电量预测的准确与否关系着电力系统中各项工作能够顺利进行。准确可靠的用电量预测对电网规划、调度运行、电力营销、需求侧管理等工作具有重要理论和现实意义。
因此，是否能够对用电量进行准确可靠的预测，显得尤为重要。但现有的区域用电量预测方法采用人工预测，不仅计算量大，而且在计算过程中容易出现错误，导致预测的精准度不足。
发明内容
为了克服上述现有技术的缺陷，本申请提供了区域用电量预测方法、系统、计算机设备及存储介质。
具体技术方案如下所示：
区域用电量预测方法，包括：
确定待预测的区域以及与所述区域规模相差在预设范围内的邻近区域；
若获取到所述区域当前的用电相关参数，则将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到所述区域当前的居民用电量、商业用电量和工业用电量；
若无法获取到所述区域当前的用电相关参数，则基于所述区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到所述区域当前的用电相关参数，并将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到所述区域当前的居民用电量、商业用电量和工业用电量；所述神经网络模型通过用电相关参数以及距离当前最近的两个以上周期的历史耗电量数据进行训练得到，所述历史耗电量数据为具有周期形态的历史耗电量数据；
汇总居民用电量、商业用电量和工业用电量得到所述区域的用电量。
在一个实施例中，所述“基于所述区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到所述区域当前的用电相关参数”，包括：
获取所述区域或所述邻近区域距离当前一定时间内的历史用电相关参数，基于所述历史用电相关参数确定各参数的变化趋势，根据所述变化趋势以及所述区域或所述邻近区域距离当前最近的历史用电相关参数预估所述区域当前的用电相关参数；或
获取所述区域及邻近区域距离当前一定时间内的历史用电相关参数，基于所述历史用电相关参数确定各参数的变化趋势，根据所述变化趋势、距离所述区域及所述邻近区域当前最近的历史用电相关参数、所述区域及所述邻近区域两者的预设权重预估所述区域当前的用电相关参数。
在一个实施例中，所述用电相关参数包括以下一个或多个的任意组合：时间、气温、人口数量、工业规模、经济规模。
在一个实施例中，所述历史耗电量数据包括历史居民用电量、历史商业用电量和历史工业用电量；
所述神经网络模型包括第一模型、第二模型和第三模型；
所述第一模型通过以下方式获得：将所述历史居民用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第一模型；
所述第二模型通过以下方式获得：将所述历史商业用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第二模型；
所述第三模型通过以下方式获得：将所述历史工业用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第三模型。
在一个实施例中，还包括：
获取原始历史耗电量数据；
对所述原始历史耗电量数据进行清洗，以剔除符合预设异常特征的耗电量数据，得到历史耗电量数据；
所述神经网络模型是通过经过数据清洗后的历史耗电量数据以及用电相关参数进行训练得到。
在一个实施例中，还包括：
获取所述区域的实际用电量数据以及预估的用电量；
若实际用电量数据与预估的用电量差异大于预设值，则基于反向传播算法对所述神经网络模型的网络参数进行调整，以更新所述神经网络模型；
所述“将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型”，包括：
将所述区域当前的用电相关参数分别输入当前最新的训练好的多个神经网络模型。
在一个实施例中，所述邻近区域与所述待预测的区域的地理区划规模、人口规模以及经济规模差距在预设范围内。
在一个实施例中，还包括：
定时获取同一区域在同一时间的多个预设参数及历史用电数据；
基于多个预设参数进行排列组合生成多个数据组，不同的所述数据组中包括不同的预设参数；
针对各所述数据组，基于所述数据组中的预设参数以及历史用电数据训练神经网络模型；
确定训练效果最好的神经网络模型对应的数据组，将确定的所述数据组中的预设参数作为用电相关参数。
在一个实施例中，若确定训练效果最好的神经网络模型有多个，则将训练效果最好的神经网络模型对应的预设参数最少的数据组作为目标数据组，并将目标数据组中的预设参数作为用电相关参数。
区域用电量预测系统，包括：
确定模块，用于确定待预测的区域以及与所述区域规模相差在预设范围内的邻近区域；
第一预估模块，用于在获取到所述区域当前的用电相关参数时，将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到所述区域当前的居民用电量、商业用电量和工业用电量；
第二预估模块，用于在无法获取到所述区域当前的用电相关参数时，基于所述区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到所述区域当前的用电相关参数，并将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到所述区域当前的居民用电量、商业用电量和工业用电量；所述神经网络模型通过用电相关参数以及距离当前最近的两个以上周期的历史耗电量数据进行训练得到，所述历史耗电量数据为具有周期形态的历史耗电量数据；
汇总模块，用于汇总居民用电量、商业用电量和工业用电量得到所述区域的用电量。
计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述区域用电量预测方法的步骤。
计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述区域用电量预测方法的步骤。
本申请至少具有以下有益效果：
本申请提供了区域用电量预测方法、系统、计算机设备及存储介质，其中区域用电量预测方法包括：确定待预测的区域以及与区域规模相差在预设范围内的邻近区域；若获取到区域当前的用电相关参数，则将区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到区域当前的居民用电量、商业用电量和工业用电量；若无法获取到区域当前的用电相关参数，则基于区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到区域当前的用电相关参数，并将区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到区域当前的居民用电量、商业用电量和工业用电量；所述神经网络模型通过用电相关参数以及距离当前最近的两个以上周期的历史耗电量数据进行训练得到，所述历史耗电量数据为具有周期形态的历史耗电量数据；汇总居民用电量、商业用电量和工业用电量得到区域的用电量。
本申请采用机器学习的方式对区域用电量进行预测，克服了传统的预测方式依赖于人工计算的弊端，降低了人力成本，且降低了工作强度，以及减少了在预测过程中出现计算错误的情况，降低了预测误差，提高了预测精准度。
并且，本申请采用多个神经网络模型对居民用电量、商业用电量和工业用电量进行预测，使得最终汇总获得的区域用电量精准度高。
以及，本申请适用范围广泛，在获取到区域当前的用电相关参数和无法获取到区域当前的用电相关参数的情况下均可适用，可基于实际情况选择适合的方式进行预估，灵活度高。
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单地介绍，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。
图1为实施例1提供的区域用电量预测方法的第一流程图；
图2为实施例1提供的区域用电量预测方法的第二流程图；
图3为实施例2提供的区域用电量预测方法的流程图；
图4为实施例3提供的区域用电量预测系统的模块示意图。
附图标记：
1-确定模块；2-第一预估模块；3-第二预估模块；4-汇总模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，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他实施例，都属于本申请保护的范围。
实施例1
如图1所示，本实施例提供了一种区域用电量预测方法，包括：
确定待预测的区域以及与区域规模相差在预设范围内的邻近区域；
若获取到区域当前的用电相关参数，则将区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到区域当前的居民用电量、商业用电量和工业用电量；
若无法获取到区域当前的用电相关参数，则基于区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到区域当前的用电相关参数，并将区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到区域当前的居民用电量、商业用电量和工业用电量；神经网络模型是通过历史耗电量数据以及用电相关参数进行训练得到；
汇总居民用电量、商业用电量和工业用电量得到区域的用电量；
其中，所述神经网络模型是通过用电相关参数以及距离当前最近两个以上周期的历史耗电量数据进行训练得到，所述历史耗电量数据为具有周期形态的历史耗电量数据。
具体地，周期可以为一年或两年，但不局限于此。
具体地，不同类型的历史耗电量数据（居民用电量、商业用电量和工业用电量）可以对应有不同的周期。
具体地，周期可以基于实际的历史耗电量数据的具体变化情况来进行确定。
具体地，在一个实施例中，邻近区域与待预测的区域的地理区划规模、人口规模以及经济规模差距在预设范围内。
具体地，在一个实施例中，用电相关参数包括以下一个或多个的任意组合：时间、气温、人口数量、工业规模、经济规模。
本实施例采用机器学习的方式对区域用电量进行预测，克服了传统的预测方式依赖于人工计算的弊端，降低了人力成本，且降低了工作强度，以及减少了在预测过程中出现计算错误的情况，降低了预测误差，提高了预测精准度。
其次，本实施例采用多个神经网络模型对居民用电量、商业用电量和工业用电量进行预测，使得最终汇总获得的区域用电量精准度高。
并且，本实施例适用范围广泛，在获取到区域当前的用电相关参数和无法获取到区域当前的用电相关参数的情况下均可适用，可基于实际情况选择适合的方式进行预估，灵活度高。
以及，本实施例采用的神经网络模型基于用电相关参数以及两个以上周期的历史耗电量数据进行训练得到，本实施例基于距离当前最近的二个周期的历史耗电量数据以及对应的用电相关参数，提供了更为接近当前的数据参考，从而使得训练出来的神经网络模型更为精准，进而提高预测的准确度。
如图1所示，在一个实施例中，区域用电量预测方法还包括：
定时获取同一区域在同一时间的多个预设参数及历史用电数据；
基于多个预设参数进行排列组合生成多个数据组，不同的数据组中包括不同的预设参数；
针对各数据组，基于数据组中的预设参数以及历史用电数据训练神经网络模型；
确定训练效果最好的神经网络模型对应的数据组，将确定的数据组中的预设参数作为用电相关参数。
具体地，“基于多个预设参数进行排列组合生成多个数据组”，指从n个预设参数中，任取m(m≤n）个元素组合生成数据组。“不同的数据组中包括不同的预设参数”指不同的数据组中的预设参数不完全相同。例如多个预设参数包括A、B、C、D、E和F,一个数据组包括A、B和C、另一个包括A、B、C和D、再一个包括A、B、C、D和E、第四个包括A、B、C、D、E和F。
本实施例通过对不同的数据组训练不同的神经网络模型，并挑选出训练效果最好的神经网络模型，以确定该神经网络模型对应的数据组中的预设参数，本实施例使得最终获得的神经网络模型中的预设参数与用电量相关度最高或较高，进而提升了神经网络模型的预测精度。
在一个实施例中，若确定训练效果最好的神经网络模型有多个，则将训练效果最好的神经网络模型对应的预设参数最少的数据组作为目标数据组，并将目标数据组中的预设参数作为用电相关参数。本实施例在训练效果相同的神经网络模型中选择预设参数数量最少的数据组作为目标数据组，减少了神经网络模型的运算强度，提高了神经网络模型的运算效率。
如图1所示，在一个实施例中，历史耗电量数据包括历史居民用电量、历史商业用电量和历史工业用电量；
神经网络模型包括第一模型、第二模型和第三模型；
第一模型通过以下方式获得：将历史居民用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第一模型；
第二模型通过以下方式获得：将历史商业用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第二模型；
第三模型通过以下方式获得：将历史工业用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第三模型。
具体地，神经网络模型包括小波神经网络模型（Wavelet Neural Network，WNN）、BP神经网络模型(Back-Propagation Network)、长短期记忆神经网络模型（Long Short-Term Memory Neural Network，LSTM）等，但不局限于此。
在一个实施例中，第一模型、第二模型和第三模型的类型各不相同。在另一个实施例中，第一模型、第二模型和第三模型中的其中一个与另外两个的类型不同。
本实施例基于不同的用电种类提供了不同的神经网络模型，以使预测值与实际值相近，具体为本实施例提供了三种神经网络模型，其中第一模型对应居民用电，第二模型对应商业用电，第三模型对应工业用电，通过第一模型对居民用电量进行预测，通过第二模型对商业用电量进行预测，通过第三模型对居民用电量进行预测，缩小了获得的预测值与实际值之间的差值，提高了预测的精准度。
其次，本实施例基于居民用电量、商业用电量和工业用电量不同的用电变化趋势，选择训练后与其适配度最高的神经网络模型作为预测模型，提高了预测的准确度。
如图2所示，在一个实施例中，“基于区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到区域当前的用电相关参数”，包括：
获取区域距离当前一定时间内的历史用电相关参数；基于历史用电相关参数确定各参数的变化趋势；根据变化趋势以及区域距离当前最近的历史用电相关参数预估区域当前的用电相关参数；或
获取邻近区域距离当前一定时间内的历史用电相关参数；基于历史用电相关参数确定各参数的变化趋势；根据变化趋势以及邻近区域距离当前最近的历史用电相关参数预估区域当前的用电相关参数。
由于区域用电量与日期、区域当前的气温、人口数量、工业规模、经济规模等因素密切相关，具体地，节假日的商业用电量会高于工作日的商业用电量，气温较高和气温较低时的居民用电量会高于气温适宜时的居民用电量等等。
本实施例通过获取区域或邻近区域近期内的各参数的变化趋势以确定区域当前的用电相关参数，尽可能地使获取到的区域当前的用电相关参数与实际情况一致，使得获取到的区域当前的用电相关参数与实际情况之间的误差小，进而使预测结果与实际值之间的误差小，提高了预测精准度。
如图1所示，在一个实施例中，区域用电量预测方法还包括：
获取原始历史耗电量数据；
对原始历史耗电量数据进行清洗，以剔除符合预设异常特征的耗电量数据，得到历史耗电量数据；
神经网络模型是通过经过数据清洗后的历史耗电量数据以及用电相关参数进行训练得到。
本实施例剔除符合预设异常特征的耗电量数据，提高了神经网络模型预估的准确度的同时，减少了神经网络模型的训练数据，降低了神经网络模型的训练强度。
如图1所示，在一个实施例中，区域用电量预测方法还包括：
获取区域的实际用电量数据以及预估的用电量；
若实际用电量数据与预估的用电量差异大于预设值，则基于反向传播算法对神经网络模型的网络参数进行调整，以更新神经网络模型；
“将区域当前的用电相关参数分别输入训练好的多个神经网络模型”，包括：
将区域当前的用电相关参数分别输入当前最新的训练好的多个神经网络模型。
本实施例利用实际用电量数据与预估的用电量之间的差异，对神经网络模型的网络参数进行更新，以不断对神经网络模型进行修正，提高神经网络模型预估的准确率。
实施例2
如图3所示，在一个实施例中，“基于区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到区域当前的用电相关参数”，包括：
获取区域及邻近区域距离当前一定时间内的历史用电相关参数；
基于历史用电相关参数确定各参数的变化趋势；
根据变化趋势、距离区域及邻近区域当前最近的历史用电相关参数、区域及邻近区域两者的预设权重预估区域当前的用电相关参数。
本实施例将区域的历史用电相关参数和邻近区域的历史用电相关参数作为参考，以对区域当前的用电相关参数进行预估，同时基于区域的历史用电相关参数和邻近区域的历史用电相关参数之间的差异设定区域及邻近区域两者的预设权重，尽可能地使获取到的区域当前的用电相关参数与实际情况一致，使得获取到的区域当前的用电相关参数与实际情况之间的误差小，进而使预测结果与实际值之间的误差小，提高了预测精准度。
本实施例提供了一种区域用电量预测方法，还包括：
获取区域的实际的当前用电相关参数以及预估的当前用电相关参数；
若实际的当前用电相关参数与预估的当前用电相关参数的差异大于预设值，则对区域及邻近区域两者的预设权重进行调整，以更新预设权重。
本实施例根据实际的当前用电相关参数以及预估的当前用电相关参数对区域及邻近区域两者的预设权重进行调整，以对当前用电相关参数的预估方式进行修正，使后续预测的当前用电相关参数更贴近于实际的当前用电相关参数，提高了当前用电相关参数预估的准确度。
本实施例中的其他内容与实施例1相同，在此不再赘述。
实施例3
如图4所示，本实施例提供了一种区域用电量预测系统，包括：
确定模块1，用于确定待预测的区域以及与区域规模相差在预设范围内的邻近区域；
第一预估模块2，用于在获取到区域当前的用电相关参数时，将区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到区域当前的居民用电量、商业用电量和工业用电量；
第二预估模块3，用于在无法获取到区域当前的用电相关参数时，基于区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到区域当前的用电相关参数，并将区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到区域当前的居民用电量、商业用电量和工业用电量；所述神经网络模型通过用电相关参数以及距离当前最近的两个以上周期的历史耗电量数据进行训练得到，所述历史耗电量数据为具有周期形态的历史耗电量数据；
汇总模块4，用于汇总居民用电量、商业用电量和工业用电量得到区域的用电量。
本实施例提供的第一预估模块2和第二预估模块3采用机器学习的方式对区域用电量进行预测，克服了传统的预测方式依赖于人工计算的弊端，降低了人力成本，且减少了在预测过程中出现计算错误的情况，降低了预测误差，提高了预测精准度。
并且，本实施例提供的第一预估模块2和第二预估模块3均采用了多个神经网络模型对居民用电量、商业用电量和工业用电量进行预测，使得最终汇总获得的区域用电量精准度高。
以及，本实施例可在获取到区域当前的用电相关参数时选择第一预估模块2进行预估，还可在无法获取到区域当前的用电相关参数时选择第二预估模块3进行预估，适用范围广泛，可基于实际情况选择适合的方式进行预估，灵活度高。
实施例4
本实施例提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现实施例1或实施例2描述的区域用电量预测方法的步骤。
实施例5
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现实施例1或实施例2描述的区域用电量预测方法的步骤。
本领域普通技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件的结合。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.区域用电量预测方法，其特征在于，包括：
确定待预测的区域以及与所述区域规模相差在预设范围内的邻近区域；
若获取到所述区域当前的用电相关参数，则将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到所述区域当前的居民用电量、商业用电量和工业用电量；
若无法获取到所述区域当前的用电相关参数，则基于所述区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到所述区域当前的用电相关参数，并将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到所述区域当前的居民用电量、商业用电量和工业用电量；所述神经网络模型通过用电相关参数以及距离当前最近的两个以上周期的历史耗电量数据进行训练得到，所述历史耗电量数据为具有周期形态的历史耗电量数据；
汇总居民用电量、商业用电量和工业用电量得到所述区域的用电量。
2.根据权利要求1所述的区域用电量预测方法，其特征在于，所述“基于所述区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到所述区域当前的用电相关参数”，包括：
获取所述区域或所述邻近区域距离当前一定时间内的历史用电相关参数，基于所述历史用电相关参数确定各参数的变化趋势，根据所述变化趋势以及所述区域或所述邻近区域距离当前最近的历史用电相关参数预估所述区域当前的用电相关参数；或
获取所述区域及邻近区域距离当前一定时间内的历史用电相关参数，基于所述历史用电相关参数确定各参数的变化趋势，根据所述变化趋势、距离所述区域及所述邻近区域当前最近的历史用电相关参数、所述区域及所述邻近区域两者的预设权重预估所述区域当前的用电相关参数。
3.根据权利要求1所述的区域用电量预测方法，其特征在于，所述历史耗电量数据包括历史居民用电量、历史商业用电量和历史工业用电量；
所述神经网络模型包括第一模型、第二模型和第三模型；
所述第一模型通过以下方式获得：将所述历史居民用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第一模型；
所述第二模型通过以下方式获得：将所述历史商业用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第二模型；
所述第三模型通过以下方式获得：将所述历史工业用电量及历史用电相关参数分别输入至不同种类的初始神经网络模型进行训练，汇总训练后的各个神经网络模型，选择训练效果最好的神经网络模型作为第三模型。
4.根据权利要求1所述的区域用电量预测方法，其特征在于，还包括：
获取原始历史耗电量数据；
对所述原始历史耗电量数据进行清洗，以剔除符合预设异常特征的耗电量数据，得到历史耗电量数据；
所述神经网络模型是通过经过数据清洗后的历史耗电量数据以及用电相关参数进行训练得到。
5.根据权利要求1所述的区域用电量预测方法，其特征在于，还包括：
获取所述区域的实际用电量数据以及预估的用电量；
若实际用电量数据与预估的用电量差异大于预设值，则基于反向传播算法对所述神经网络模型的网络参数进行调整，以更新所述神经网络模型；
所述“将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型”，包括：
将所述区域当前的用电相关参数分别输入当前最新的训练好的多个神经网络模型。
6.根据权利要求1所述的区域用电量预测方法，其特征在于，还包括：
定时获取同一区域在同一时间的多个预设参数及历史用电数据；
基于多个预设参数进行排列组合生成多个数据组，不同的所述数据组中包括不同的预设参数；
针对各所述数据组，基于所述数据组中的预设参数以及历史用电数据训练神经网络模型；
确定训练效果最好的神经网络模型对应的数据组，将确定的所述数据组中的预设参数作为用电相关参数。
7.根据权利要求6所述的区域用电量预测方法，其特征在于，若确定训练效果最好的神经网络模型有多个，则将训练效果最好的神经网络模型对应的预设参数最少的数据组作为目标数据组，并将目标数据组中的预设参数作为用电相关参数。
8.区域用电量预测系统，其特征在于，包括：
确定模块，用于确定待预测的区域以及与所述区域规模相差在预设范围内的邻近区域；
第一预估模块，用于在获取到所述区域当前的用电相关参数时，将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到所述区域当前的居民用电量、商业用电量和工业用电量；
第二预估模块，用于在无法获取到所述区域当前的用电相关参数时，基于所述区域的历史用电相关参数和/或邻近区域的历史用电相关参数得到所述区域当前的用电相关参数，并将所述区域当前的用电相关参数分别输入训练好的多个神经网络模型，分别得到所述区域当前的居民用电量、商业用电量和工业用电量；所述神经网络模型通过用电相关参数以及距离当前最近的两个以上周期的历史耗电量数据进行训练得到，所述历史耗电量数据为具有周期形态的历史耗电量数据；
汇总模块，用于汇总居民用电量、商业用电量和工业用电量得到所述区域的用电量。
9.计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311618594.8A CN117436935A (zh) | 2023-11-30 | 2023-11-30 | 区域用电量预测方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311618594.8A CN117436935A (zh) | 2023-11-30 | 2023-11-30 | 区域用电量预测方法、系统、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117436935A true CN117436935A (zh) | 2024-01-23 |
Family
ID=89549976
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311618594.8A Pending CN117436935A (zh) | 2023-11-30 | 2023-11-30 | 区域用电量预测方法、系统、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117436935A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600129A (zh) * | 2016-12-07 | 2017-04-26 | 杭州清源电力设计有限公司 | 一种电网规划方法和系统 |
| CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
| CN107506872A (zh) * | 2017-09-14 | 2017-12-22 | 国网福建省电力有限公司 | 一种居民区负荷特性及模型预测的归类研究方法 |
| CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
| CN109685277A (zh) * | 2018-12-28 | 2019-04-26 | 国网冀北电力有限公司经济技术研究院 | 用电量预测方法及装置 |
| CN112308270A (zh) * | 2019-07-30 | 2021-02-02 | 国网上海市电力公司 | 一种长期用电负荷预测方法、装置及计算机实现系统 |
| CN113361802A (zh) * | 2021-06-28 | 2021-09-07 | 杭州易龙电安科技有限公司 | 一种基于人工智能的电力负荷识别与预测方法 |
| CN113449919A (zh) * | 2021-06-29 | 2021-09-28 | 国网山东省电力公司菏泽供电公司 | 一种基于特征和趋势感知的用电量预测方法及系统 |
| CN115034519A (zh) * | 2022-07-29 | 2022-09-09 | 广东电网有限责任公司 | 一种用电负荷的预测方法、装置、电子设备以及存储介质 |
| CN116205355A (zh) * | 2023-02-22 | 2023-06-02 | 正泰电气股份有限公司 | 电力负荷的预测方法、装置以及存储介质 |
-
2023
- 2023-11-30 CN CN202311618594.8A patent/CN117436935A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106600129A (zh) * | 2016-12-07 | 2017-04-26 | 杭州清源电力设计有限公司 | 一种电网规划方法和系统 |
| CN106600064A (zh) * | 2016-12-16 | 2017-04-26 | 东软集团股份有限公司 | 一种数据预测方法及装置 |
| CN107506872A (zh) * | 2017-09-14 | 2017-12-22 | 国网福建省电力有限公司 | 一种居民区负荷特性及模型预测的归类研究方法 |
| CN107622329A (zh) * | 2017-09-22 | 2018-01-23 | 深圳市景程信息科技有限公司 | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 |
| CN109685277A (zh) * | 2018-12-28 | 2019-04-26 | 国网冀北电力有限公司经济技术研究院 | 用电量预测方法及装置 |
| CN112308270A (zh) * | 2019-07-30 | 2021-02-02 | 国网上海市电力公司 | 一种长期用电负荷预测方法、装置及计算机实现系统 |
| CN113361802A (zh) * | 2021-06-28 | 2021-09-07 | 杭州易龙电安科技有限公司 | 一种基于人工智能的电力负荷识别与预测方法 |
| CN113449919A (zh) * | 2021-06-29 | 2021-09-28 | 国网山东省电力公司菏泽供电公司 | 一种基于特征和趋势感知的用电量预测方法及系统 |
| CN115034519A (zh) * | 2022-07-29 | 2022-09-09 | 广东电网有限责任公司 | 一种用电负荷的预测方法、装置、电子设备以及存储介质 |
| CN116205355A (zh) * | 2023-02-22 | 2023-06-02 | 正泰电气股份有限公司 | 电力负荷的预测方法、装置以及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 刘晓东: "新建城区电网规划的负荷预测方法研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, 15 December 2013 (2013-12-15), pages 042 - 910 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Joint optimization of condition-based maintenance and inventory control for a k-out-of-n: F system of multi-state degrading components | |
| JP6765567B2 (ja) | 発電システム及びエネルギー生成システム | |
| Matos et al. | Setting the operating reserve using probabilistic wind power forecasts | |
| JP2019164989A (ja) | 交換可能エネルギー貯蔵装置ステーションを管理するためのシステムおよび方法 | |
| JP2019097267A (ja) | エネルギーマネジメントシステム、電力需給計画最適化方法、および電力需給計画最適化プログラム | |
| CN109461091B (zh) | 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统 | |
| CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| US11249121B2 (en) | Method of utility usage divergence identification between recurring consumption data indicative of repeating periodic consumption patterns and utility consumption data | |
| JP2019204458A (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
| JP5760291B2 (ja) | 特性モデル更新処理装置及び特性モデル更新方法 | |
| JP2008086147A (ja) | エネルギー需要予測方法、予測装置、プログラム及び記録媒体 | |
| CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
| Anderson et al. | Coordination of distributed energy storage under spatial and temporal data asymmetry | |
| CN112801374B (zh) | 模型训练方法、用电负荷预测方法、装置及设备 | |
| JP2016143336A (ja) | 分散型エネルギーシステムの構成最適化方法及び装置 | |
| CN117875665A (zh) | 新能源电站发电计划生成方法、装置、设备及介质 | |
| CN117196250A (zh) | 水厂控制方法及控制设备 | |
| CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
| Anders et al. | Proactive guidance for dynamic and cooperative resource allocation under uncertainties | |
| CN117436935A (zh) | 区域用电量预测方法、系统、计算机设备及存储介质 | |
| KR20210047507A (ko) | 건물 에너지 통합 관리 장치 및 그 방법 | |
| CN115859808A (zh) | 一种泵组工作预测方法、装置、电子设备及存储介质 | |
| US20220373989A1 (en) | System for configuring demand response for energy grid assets | |
| US20160093002A1 (en) | Optimal Battery Pricing and Energy Management for Localized Energy Resources | |
| JP2016127622A (ja) | 電力需要予測システム |
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 |