CN117634443A - 关口表数据矫正方法、装置、设备和存储介质 - Google Patents

Abstract

本发明公开了一种关口表数据矫正方法、装置、设备和存储介质。方法包括：根据历史数据构建关于自用表和关口表测量数据的矫正模型；其中，历史数据包括自用表的历史数据和关口表的历史数据；实时采集自用表的第一实时数据，实时获取关口表推送的第二实时数据；采用矫正模型对第一实时数据进行处理，得到关口表的实时初始预测值；将当前时刻之前的至少两条第二实时数据，以及当前时刻之前的与至少两条第二实时数据对应的实时初始预测值进行对比，得到矫正数据；采用矫正数据对当前时刻的实时初始预测值进行矫正，得到当前时刻的实时响应数据。本发明提升了关口表数据的准确性，提升了需求响应的控制精度。

Description

关口表数据矫正方法、装置、设备和存储介质

技术领域

本发明涉及需求响应技术领域，尤其涉及一种关口表数据矫正方法、装置、设备和存储介质。

背景技术

在需求响应中，电网的关口表两次推送功率之间存在较长的时间间隔；再加上关口电表安装在电网一侧，进而导致推送功率一般存在一定时间的延迟(例如，延迟15分钟)，其数据无法实时得到。而园区中安装的自用电表的数据是可以实时准确得到的，因此，在现有技术中需求响应中园区一般按照园区中安装的自用表数据进行需求响应。

电网对园区需求响应考核的评价响应结果采用的功率值是关口表数据(即电网安装表数据)，因此，在需求响应主体进行需求响应时也需要采用关口表数据。然而，在实际执行需求响应的过程中，如果根据延迟的数据对需求响应主体的可调设备进行调节，则实际上无法满足需求响应中标容量对功率要求。另外，由于关口电表到园区的自用表之间还有一定的距离，导致关口电表与自用表之间存在一定的差值；园区用电设备接入的类型存在区别时，也会导致两个电表之间差值的变化。因此，现有技术中存在，由于延迟和误差会导致基于电网发来的推送功率进行需求响应的结果不够准确的技术问题。

发明内容

本发明提供了一种关口表数据矫正方法、装置、设备和存储介质，以提升关口表数据的准确性，提升需求响应的控制精度。

根据本发明的一方面，提供了一种关口表数据矫正方法，应用于需求响应主体安装有自用表的场景；所述方法包括：

根据历史数据构建关于所述自用表和所述关口表测量数据的矫正模型；其中，所述历史数据包括所述自用表的历史数据和所述关口表的历史数据；

实时采集所述自用表的第一实时数据，实时获取所述关口表推送的第二实时数据；

采用所述矫正模型对所述第一实时数据进行处理，得到所述关口表的实时初始预测值；

将当前时刻之前的至少两条所述第二实时数据，以及当前时刻之前的与至少两条所述第二实时数据对应的所述实时初始预测值进行对比，得到矫正数据；

采用所述矫正数据对当前时刻的所述实时初始预测值进行矫正，得到当前时刻的实时响应数据。

可选地，所述自用表的历史数据包括第一历史功率数据和所述第一历史功率数据的第一时间戳数据；所述关口表的历史数据包括第二历史功率数据和所述第二历史功率数据的第二时间戳数据；

所述根据历史数据构建关于所述自用表和所述关口表测量数据的矫正模型的步骤，具体包括：

根据所述第一时间戳数据和所述第二时间戳数据，将所述第一历史功率数据和所述第二历史功率数据对齐；

根据对齐后的数据分别构建关于所述第一历史功率数据的第一自用功率特征，以及构建关于所述第二历史功率数据的第一推送功率特征；

以所述第一推送功率特征为待预测值，以所述第一自用功率特征为输入，设定多种模型超参数进行模型训练，得到所述矫正模型。

可选地，所述根据历史数据构建关于所述自用表和所述关口表测量数据的矫正模型的步骤，包括：

获取历史数据中的历史温度数据及对应于历史温度数据的第三时间戳数据，根据所述第一时间戳数据、所述第二时间戳数据和第三时间戳数据，将所述第一历史功率数据、所述第二历史功率数据和所述历史温度数据对齐；

根据对齐后的数据分别构建关于所述第一历史功率数据的第一自用功率特征，构建关于所述第二历史功率数据的第一推送功率特征，以及构建关于所述历史温度数据的第一温度特征；

以所述第一推送功率特征为待预测值，以所述第一自用功率特征和所述第一温度特征为输入，设定多种模型超参数进行模型训练，得到所述矫正模型。

可选地，在所述根据对齐后的数据分别构建关于所述第一历史功率数据的第一自用功率特征，构建关于所述第二历史功率数据的第一推送功率特征，以及构建关于所述历史温度数据的第一温度特征之时，还包括：

构建衍生特征，所述衍生特征包括：设定时间段内的所述第一历史功率数据的统计量、设定时间段内的所述历史温度数据的统计量、设定时间段内的所述第二历史功率数据的统计量和设定时间段内的所述历史温度数据的的统计量中的至少一种；其中，所述设定时间段的长度大于所述关口表的功率推送时间间隔；

所述以所述第一推送功率特征为待预测值，以所述第一自用功率特征和所述第一温度特征为输入，设定多种模型超参数进行模型训练，得到所述矫正模型的步骤，包括：

以所述第一推送功率特征为待预测值，以所述第一自用功率特征、所述第一温度特征和所述衍生特征为输入，设定多种模型超参数进行模型训练，得到所述矫正模型。

可选地，在所述实时采集所述自用表的第一实时数据，实时获取所述关口表推送的第二实时数据之后，还包括：

将所述第一实时数据转换为第二自用功率特征；

采用所述矫正模型对所述第二自用功率特征进行处理，得到所述关口表的实时初始预测值。

可选地，所述将所述第一实时数据转换为第二自用功率特征的步骤，具体包括：

以所述关口表的推送频率为依据，设定时间间隔；

在所述时间间隔内对所述第一实时数据进行统计计算，得到所述第二自用功率特征；

其中，所述统计计算的方法包括：平均值、最大值和最小值中的至少一种。

可选地，所述第一实时数据包括第一实时功率数据和所述第一实时功率数据的第四时间戳数据；所述第四时间戳数据还对应所述实时初始预测值；所述第二实时数据包括第二实时功率数据和所述第二实时功率数据的第五时间戳数据；

所述将当前时刻之前的至少两条所述第二实时数据，以及当前时刻之前的与至少两条所述第二实时数据对应的所述实时初始预测值进行对比，得到矫正数据的步骤，具体包括：

根据所述第四时间戳数据和所述第五时间戳数据，将所述实时初始预测值和所述第二实时功率数据对齐；

根据对齐后的数据，计算所述实时初始预测值和所述第二实时功率数据的误差值；

选择设定时间窗口，在所述设定时间窗口内对所述误差值进行统计计算，得到所述矫正数据；其中，所述设定时间窗口以当前时刻为时间末端，覆盖至少两条所述关口表推送的所述第二实时数据。

根据本发明的另一方面，提供了一种关口表数据矫正装置，应用于需求响应主体安装有自用表的场景；所述装置包括：

模型构建模块，用于根据历史数据构建关于所述自用表和所述关口表测量数据的矫正模型；其中，所述历史数据包括所述自用表的历史数据和所述关口表的历史数据；

实时采集模块，用于实时采集所述自用表的第一实时数据，实时获取所述关口表推送的第二实时数据；

模型预测模块，用于采用所述矫正模型对所述第一实时数据进行处理，得到所述关口表的实时初始预测值；

矫正数据获取模块，用于将当前时刻之前的至少两条所述第二实时数据，以及当前时刻之前的与至少两条所述第二实时数据对应的所述实时初始预测值进行对比，得到矫正数据；

矫正结果输出模块，用于采用所述矫正数据对当前时刻的所述实时初始预测值进行矫正，得到当前时刻的实时响应数据。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的关口表数据矫正方法。

根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的关口表数据矫正方法。

本发明实施例通过根据历史数据构建关于自用表和关口表测量数据的矫正模型，以及根据实时数据(即当前时刻之前的至少两条第二实时数据)对矫正模型输出的数据(即实时初始预测值)进行误差计算，使得最终输出的关口表的预测值(即实时响应数据)更加准确，有利于提升需求响应的控制精度。另外，由于自用表采集的数据(即第一实时数据)比关口表采集的数据(即第二实时数据)具有更细的粒度，因此，本发明实施例得到关口表的预测值(即实时响应数据)也具有更细的粒度，进一步地有利于提升需求响应的控制精度。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种关口表数据矫正方法的流程示意图；

图2为本发明实施例提供的一种矫正模型的构建方法的流程示意图；

图3为本发明实施例提供的一种矫正模型的构建方法的流程示意图；

图4为本发明实施例提供的另一种关口表数据矫正方法的流程示意图；

图5为本发明实施例提供的又一种关口表数据矫正方法的流程示意图；

图6为本发明实施例提供的一种关口表数据矫正装置的结构示意图；

图7为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明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，以便这里描述的本发明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。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

本发明实施例提供了一种关口表数据矫正方法，该方法应用于需求响应主体安装有自用表的场景，关口表和自用表均可以应用于对设备功率的采集。示例性地，需求响应主体为园区，则该自用表安装于园区内。该方法可以由关口表数据矫正装置执行，该装置可以由软件和/或硬件实现。图1为本发明实施例提供的一种关口表数据矫正方法的流程示意图。参见图1，关口表数据矫正方法包括以下步骤：

S110、根据历史数据构建关于自用表和关口表测量数据的矫正模型；其中，历史数据包括自用表的历史数据和关口表的历史数据。

其中，关口表的历史数据为电网推送得到的数据，自用表的历史数据为通过自用表直接采集得到的。相对于自用表而言，关口表的推送频率较低，示例性地，关口表的推送频率为每15分钟推送一次，自用表的采集频率为分钟级或秒级等。因此，自用表采集的数据具有更细的粒度，自用表的历史数据比关口表的历史数据更丰富。

获取到的自用表的历史数据和关口表的历史数据，应当是同一时间段的数据，这样能够使得在关口表的历史数据中匹配表征同一时刻的自用表的历史数据。这样设置，有利于得到准确的矫正模型。该矫正模型能够根据自用表的数据预测关口表的数据。

S120、实时采集自用表的第一实时数据，实时获取关口表推送的第二实时数据。

其中，第一实时数据的粒度比第二实时数据的粒度更细，第一实时数据的数据量比第二实时数据的数据量更大。例如，第一实时数据每秒更新一次，第二实时数据每15分钟更新一次。

S130、采用矫正模型对第一实时数据进行处理，得到关口表的实时初始预测值。

其中，实时初始预测值为矫正模型输出的关口表的预测数据，矫正模型是根据关口表和自用表的历史数据构建得到的，因此，矫正模型能够根据自用表的数据预测关口表的数据。将第一实时数据输入至矫正模型，矫正模型能够输出关口表的实时初始预测值。由于第一实时数据比第二实时数据具有更细的粒度，因此，将第一实时数据输入至矫正模型均能够得到对应的关口表的实时初始预测值也具有更细的粒度。

在一些实施例中，可以将该矫正模型输出的数据直接作为关口表的数据。然而，由于历史数据距离当前时刻存在一定迟滞，由历史数据训练得到的矫正模型也存在一定的偏差，由该矫正模型的得到的关口表的数据与实际关口表的数据存在一定的误差。因此，本发明实施例将矫正模型输出的数据定义为实时初始预测值，在后续步骤中，还需要对该实时初始预测值进行校正。

S140、将当前时刻之前的至少两条第二实时数据，以及当前时刻之前的与至少两条第二实时数据对应的实时初始预测值进行对比，得到矫正数据。

其中，当前时刻之前的至少两条第二实时数据为与当前时刻最接近的第二实时数据。矫正模块存在误差的原因主要是历史数据不及时性，因此，实时初始预测值与关口表的实际值相比存在的误差可以看做是系统误差，该系统误差随时间的变化而发生变化。本发明实施例通过采用当前时刻之前的至少两条第二实时数据与矫正模块预测的实时初始预测值进行对比，能够得到矫正模块存在的偏差(即矫正数据)，采用该矫正数据能够对实时初始预测值进行校正。

S150、采用矫正数据对当前时刻的实时初始预测值进行矫正，得到当前时刻的实时响应数据。

其中，该实时响应数据补偿了矫正模型存在的系统误差，更加精准。S110-S130为对关口表数据进行历史数据模型矫正的步骤，S140-S150为对关口表数据进行实时矫正的步骤。

本发明实施例通过根据历史数据构建关于自用表和关口表测量数据的矫正模型，以及根据实时数据(即当前时刻之前的至少两条第二实时数据)对矫正模型输出的数据(即实时初始预测值)进行误差计算，使得最终输出的关口表的预测值(即实时响应数据)更加准确，有利于提升需求响应的控制精度。另外，由于自用表采集的数据(即第一实时数据)比关口表采集的数据(即第二实时数据)具有更细的粒度，因此，本发明实施例得到关口表的预测值(即实时响应数据)也具有更细的粒度，进一步地有利于提升需求响应的控制精度。

在上述各实施例的基础上，可选地，自用表的历史数据包括第一历史功率数据和第一历史功率数据的第一时间戳数据；关口表的历史数据包括第二历史功率数据和第二历史功率数据的第二时间戳数据。

图2为本发明实施例提供的一种矫正模型的构建方法的流程示意图。参见图2，可选地，S110、根据历史数据构建关于自用表和关口表测量数据的矫正模型的步骤，具体包括：

S111、根据第一时间戳数据和第二时间戳数据，将第一历史功率数据和第二历史功率数据对齐。

其中，选取相同的时间段，自用表的历史数据比关口表的历史数据的数据量更大，需要从自用表的历史数据中筛选与自用表的历史数据对齐的数据。对齐是指自用表的第一历史功率数据对应的第一时间戳数据与关口表的第二历史功率数据对应的第二时间戳数据的差值在预设范围内。

可选地，对齐的具体步骤包括：第一时间戳数据包括多个时间戳，第二时间戳数据包括多个时间戳；第一历史功率数据包括多个检测功率，第二历史功率数据包括多个推送功率；选择第二时间戳数据中的一个时间戳为基准时间戳，由第一时间戳数据中筛选出与基准时间戳最接近的时间戳；其中，基准时间戳为关口表的采集时刻对应的时间戳；将最接近的时间戳选定为与基准时间戳对齐的时间戳；将最接近的时间戳对应的检测功率选定为与基准时间戳对应的推送功率对齐的功率。

因此，与其他时间戳相比，对齐的时间戳是最接近的时间戳。示例性地，自用表的刷新频率为秒级，关口表的刷新频率为15分钟；关口表的第二时间戳数据中包括10点45分，自用表的第一时间戳数据中包括10点44分48秒、10点45分5秒；那么与10点45分对齐的时间戳为10点44分48秒。在一些优选实施例中，自用表的第一时间戳数据中包括10点45分0秒，那么，与10点45分对齐的时间戳为10点45分0秒。

S112、根据对齐后的数据分别构建关于第一历史功率数据的第一自用功率特征，以及构建关于第二历史功率数据的第一推送功率特征。

可选地，第一自用功率特征可以是最接近的时间戳对应的检测功率。例如，关口表的第二时间戳为10点45分，与10点45分对齐的时间戳为10点44分48秒；第一自用功率特征是最10点44分48秒对应的检测功率。

第一自用功率特征还可以是，以最接近的时间戳为时间末端的预设时间段内的检测功率的平均值。例如，关口表的第二时间戳为10点45分，与10点45分对齐的时间戳为10点44分48秒；若预设时间段为30分钟，则第一自用功率特征是10点14分48秒至10点44分48秒之间的检测功率的平均值；若预设时间段为15分钟，则第一自用功率特征是10点29分48秒至10点44分48秒之间的检测功率的平均值。

第一自用功率特征还可以是，以最接近的时间戳为时间末端的预设时间段内的检测功率的最大值。例如，关口表的第二时间戳为10点45分，与10点45分对齐的时间戳为10点44分48秒；若预设时间段为30分钟，则第一自用功率特征是10点14分48秒至10点44分48秒之间的检测功率的最大值；若预设时间段为15分钟，则第一自用功率特征是10点29分48秒至10点44分48秒之间的检测功率的最大值。

第一自用功率特征还可以是，以最接近的时间戳为时间末端的预设时间段内的检测功率的最小值。

可选地，第二历史功率数据的第一推送功率特征即为基准时间戳对应的推送功率。

S113、以第一推送功率特征为待预测值，以第一自用功率特征为输入，设定多种模型超参数进行模型训练，得到矫正模型。

可选地，采用的模型训练可以是支持向量回归(Support Vector Regression，SVR)模型训练。模型超参数是模型内部的配置变量，模型超参数用于估计模型参数，模型超参数的例子包括学习速率、支持向量机的C或sigma等。通过调整模型超参数，可以对模型进行多次训练，使得矫正模型更加精准。

在上述各实施例的基础上，可选地，在模型训练的过程中还考虑温度对矫正模型的影响。具体地，历史数据还包括：环境的历史数据，环境的历史数据包括历史温度数据和温度数据的第三时间戳数据；

图3为本发明实施例提供的一种矫正模型的构建方法的流程示意图。参见图3，S110、根据历史数据构建关于自用表和关口表测量数据的矫正模型的步骤，具体包括：

S1101、获取自用表的历史数据。

具体地，自用表的历史数据包括第一历史功率数据和第一历史功率数据的第一时间戳数据。

S1102、获取关口表的历史数据。

具体地，关口表的历史数据包括第二历史功率数据和第二历史功率数据的第二时间戳数据。

S1103、获取环境的历史数据。

具体地，环境的历史数据包括历史温度数据和温度数据的第三时间戳数据。

S1104、时间戳对齐。

具体地，根据第一时间戳数据、第二时间戳数据和第三时间戳数据，将第一历史功率数据、第二历史功率数据和历史温度数据对齐。其对齐方式与前述各实施例类似，不再赘述。

S1105、得到对齐的数据对。

具体地，将时间戳对齐后，在每个时间戳下可以得到第一历史功率数据、第二历史功率数据和历史温度数据作为数据对。

S1106、数据处理。

具体地，数据处理方式包括数据归一化、处理缺失值或处理异常值等。

S1107、构建特征。

具体地，根据对齐后的数据分别构建关于第一历史功率数据的第一自用功率特征，构建关于第二历史功率数据的第一推送功率特征，以及构建关于历史温度数据的第一温度特征。

S1108、模型训练。

具体地，以第一推送功率特征为待预测值，以第一自用功率特征和第一温度特征为输入，设定多种模型超参数进行模型训练，得到矫正模型。

通过S1101-S1108实现了考虑温度的模型训练。由于自用表和关口表通常具有较长的距离，关口表测量的数据不仅包括需求响应主体中设备的功率，还包括线路损耗，线路损耗理论上为P＝I²R，其中，R为线路电阻，I为线路电流。而线路电阻会受到温度的影响。本发明实施例在模型训练时考虑温度，有利于进一步提升模型训练的准确性，即提升矫正模型的准确性。

另外，发明人发现，在很多园区中，总负载中接近一半的负载为空调，空调的负载与温度是相关的：在温度越高时空调负载就会非线性增加，类似的，在温度过低时空调负载也会非线性增加。空调作为感性负载，其功率的变化会影响的线损的异常变化，因此，把温度作为因素之一加入到模型中以提高模型预测的准确度是十分必要的。

在上述各实施例的基础上，可选地，在构建矫正模型的过程中，除了构建第一自用功率特征、第一推送功率特征和第一温度特征之外，还可以包括：构建衍生特征。衍生特征包括：设定时间段内的第一历史功率数据的统计量、设定时间段内的历史温度数据的统计量、设定时间段内的第二历史功率数据的统计量和设定时间段内的历史温度数据的的统计量中的至少一种；其中，设定时间段的长度大于关口表的功率推送时间间隔；其中，设定时间段的选择可以根据需要进行设定，示例性地，设定时间段为1h。统计量例如可以是平均值。相应地，在模型训练时，以第一推送功率特征为待预测值，以第一自用功率特征、第一温度特征和衍生特征为输入，设定多种模型超参数进行模型训练，得到矫正模型。经发明人研究发现，通过采用1h内的各数据的平均值作为衍生特征，能够提升模型训练的准确性。

在上述各实施例的基础上，由于温度对关口表的预测具有影响，因此，在采用矫正模型进行预测时，也可以将温度作为输入特征。图4为本发明实施例提供的另一种关口表数据矫正方法的流程示意图。参见图4，关口表数据矫正方法包括以下步骤：

S210、根据历史数据构建关于自用表和关口表测量数据的矫正模型；其中，历史数据包括自用表的历史数据、关口表的历史数据和环境的历史数据。

S220、实时采集自用表的第一实时数据，实时获取关口表推送的第二实时数据，实时获取环境的实时温度数据。

S230、采用矫正模型对第一实时数据和实时温度数据进行处理，得到关口表的实时初始预测值。

具体地，将第一实时数据转换为第二自用功率特征，将第二实时数据转换为第二推送功率特征，将环境的实时温度数据转换为第二温度特征。将第二自用功率特征和第二温度特征输入至矫正模型，得到关口表的实时初始预测值。

S240、将当前时刻之前的至少两条第二实时数据，以及当前时刻之前的与至少两条第二实时数据对应的实时初始预测值进行对比，得到矫正数据。

S250、采用矫正数据对当前时刻的实时初始预测值进行矫正，得到当前时刻的实时响应数据。

通过S210-S250实现了考虑温度的关口表功率预测。本发明实施例不仅在模型训练时考虑温度，还在对实时初始预测值进行实时矫正的过程中考虑温度，进一步提升了关口表数据的准确性，提升了需求响应的控制精度。

图5为本发明实施例提供的又一种关口表数据矫正方法的流程示意图。参见图5，在上述各实施例的基础上，可选地，关口表数据矫正方法包括以下步骤：

S310、获取第一实时数据。

具体地，第一实时数据为自用表的采集数据。第一实时数据包括第一实时功率数据和第一实时功率数据的第四时间戳数据；第四时间戳数据还对应实时初始预测值。示例性地，第四时间戳为10点45分，即当前时刻为10点45分，第一实时功率为10点45分自用表采集的功率，实时初始预测值为10点45分采用预测模型得到的功率。

S320、获取实时温度数据。

S330、矫正模型进行预测。

具体地，将第一实时数据转换为第二自用功率特征，将环境的实时温度数据转换为第二温度特征；将第二自用功率特征和第二温度特征输入至矫正模型进行处理，得到关口表的实时初始预测值。

可选地，第二自用功率特征的转换步骤，具体包括：以关口表的推送频率为依据，设定时间间隔；在时间间隔内对第一实时数据进行统计计算，得到第二自用功率特征；其中，统计计算的方法包括：平均值、最大值和最小值中的至少一种。示例性地，自用表的刷新频率为秒级，关口表的刷新频率为15分钟，则时间间隔为15分钟。当前时刻为10点45分，10点45分计算的第二自用功率特征为10点30分至10点45分内的全部第一实时数据的平均值、最大值或最小值。

可选地，第二温度特征为当前时刻的实时温度。

S330、获取第二实时数据。

其中，第二实时数据为关口表的采集数据，关口表的采集数据存在推迟。第二实时数据包括第二实时功率数据和第二实时功率数据的第五时间戳数据。示例性地，第五时间戳为10点45分，即当前时刻为10点45分，然而第二实时数据为10点30分的关口表的采集数据。

S340、得到实时矫正时的误差值。

具体地，根据第四时间戳数据和第五时间戳数据，将实时初始预测值、第二实时功率数据对齐；根据对齐后的数据，计算实时初始预测值和第二实时功率数据的误差值；选择设定时间窗口，在设定时间窗口内对误差值进行统计计算，得到矫正数据，该矫正数据可以看作是设定时间窗口内的预测值。示例性地，将第五时间戳中为10点45分的第二实时功率数据和第四时间戳中为10点30分的实时初始预测值对齐。因为，10点45分的第二实时功率数据实际为10点30分的关口表的采集数据。例如时间窗口内包括五条第二实时功率数据，那么以10点30分为时间末端，该时间窗口为9点30分-10点30分。在该时间窗口内，可以计算9点30分的误差值、9点45分的误差值、10点0分的误差值、10点15分的误差值和10点30分的误差值。实时矫正的误差值为9点30分的误差值、9点45分的误差值、10点0分的误差值、10点15分的误差值和10点30分的误差值的平均值或推断统计值。

可选地，设定时间窗口根据当前时刻的变化平滑移动。示例性地，设定时间窗口为1h，当前时刻为10点30分，其时间窗口为9点30分-10点30分，其对应第一矫正数据；当前时刻为10点45分，其时间窗口为9点45分-10点45分，其对应第二矫正数据。第二矫正数据为第一矫正数据与10点45分的误差值的加权平均。这样设置，相当于对误差值进行近大远小的计算，即距离当前时刻越近的误差值对矫正数据的影响越大。

综上所述，本发明实施例通过根据历史数据构建关于自用表和关口表测量数据的矫正模型，以及根据实时数据(即当前时刻之前的至少两条第二实时数据)对矫正模型输出的数据(即实时初始预测值)进行误差计算，使得最终输出的关口表的预测值(即实时响应数据)更加准确，有利于提升需求响应的控制精度。另外，由于自用表采集的数据(即第一实时数据)比关口表采集的数据(即第二实时数据)具有更细的粒度，因此，本发明实施例得到关口表的预测值(即实时响应数据)也具有更细的粒度，进一步地有利于提升需求响应的控制精度。

本发明实施例还提供了一种关口表数据矫正装置，应用于需求响应主体安装有自用表的场景。该装置可以由软件和/或硬件实现。图6为本发明实施例提供的一种关口表数据矫正装置的结构示意图。参见图6，该装置包括：

模型构建模块410，用于根据历史数据构建关于自用表和关口表测量数据的矫正模型；其中，历史数据包括自用表的历史数据和关口表的历史数据；

实时采集模块420，用于实时采集自用表的第一实时数据，实时获取关口表推送的第二实时数据；

模型预测模块430，用于采用矫正模型对第一实时数据进行处理，得到关口表的实时初始预测值；

矫正数据获取模块440，用于将当前时刻之前的至少两条第二实时数据，以及当前时刻之前的与至少两条第二实时数据对应的实时初始预测值进行对比，得到矫正数据；

矫正结果输出模块，用于采用矫正数据对当前时刻的实时初始预测值进行矫正，得到当前时刻的实时响应数据。

可选地，自用表的历史数据包括第一历史功率数据和第一历史功率数据的第一时间戳数据；关口表的历史数据包括第二历史功率数据和第二历史功率数据的第二时间戳数据；

模型构建模块410具体包括对齐单元、特征单元和训练单元。

对齐单元用于根据第一时间戳数据和第二时间戳数据，将第一历史功率数据和第二历史功率数据对齐；

特征单元用于根据对齐后的数据分别构建关于第一历史功率数据的第一自用功率特征，以及构建关于第二历史功率数据的第一推送功率特征；

训练单元用于以第一推送功率特征为待预测值，以第一自用功率特征为输入，设定多种模型超参数进行模型训练，得到矫正模型。

可选地，历史数据还包括：环境的历史数据，环境的历史数据包括历史温度数据和温度数据的第三时间戳数据；

对齐单元还用于根据第一时间戳数据、第二时间戳数据和第三时间戳数据，将第一历史功率数据、第二历史功率数据和历史温度数据对齐；

特征单元还用于根据对齐后的数据分别构建关于第一历史功率数据的第一自用功率特征，构建关于第二历史功率数据的第一推送功率特征，以及构建关于历史温度数据的第一温度特征；

训练单元还用于以第一推送功率特征为待预测值，以第一自用功率特征和第一温度特征为输入，设定多种模型超参数进行模型训练，得到矫正模型。

可选地，特征单元还用于构建衍生特征，衍生特征包括：设定时间段内的第一历史功率数据的统计量、设定时间段内的历史温度数据的统计量、设定时间段内的第二历史功率数据的统计量和设定时间段内的历史温度数据的的统计量中的至少一种；其中，设定时间段的长度大于关口表的功率推送时间间隔；其中，设定时间段的选择可以根据需要进行设定，示例性地，设定时间段为1h。统计量例如可以是平均值。经发明人研究发现，通过采用1h内的各数据的平均值作为衍生特征，能够提升模型训练的准确性。

以第一推送功率特征为待预测值，以第一自用功率特征、第一温度特征和衍生特征为输入，设定多种模型超参数进行模型训练，得到矫正模型。

可选地，实时采集模块420还用于实时获取环境的实时温度数据；将第一实时数据转换为第二自用功率特征，将环境的实时温度数据转换为第二温度特征；采用矫正模型对第二自用功率特征和第二温度特征进行处理，得到关口表的实时初始预测值。

可选地，第一时间戳数据包括多个时间戳，第二时间戳数据包括多个时间戳；第一历史功率数据包括多个检测功率，第二历史功率数据包括多个推送功率。

对齐单元还用于：

选择第二时间戳数据中的一个时间戳为基准时间戳，由第一时间戳数据中筛选出与基准时间戳最接近的时间戳；其中，基准时间戳为关口表的采集时刻对应的时间戳；

将最接近的时间戳选定为与基准时间戳对齐的时间戳；

将最接近的时间戳对应的检测功率选定为与基准时间戳对应的推送功率对齐的功率。

可选地，第一自用功率特征为以下数据中的至少一种：

最接近的时间戳对应的检测功率；

以最接近的时间戳为时间末端的预设时间段内的检测功率的平均值；

以最接近的时间戳为时间末端的预设时间段内的检测功率的最大值；

以最接近的时间戳为时间末端的预设时间段内的检测功率的最小值；

其中，预设时间段为第二时间戳数据中相邻两个时间戳的差值。

可选地，模型预测模块还用于将第一实时数据转换为第二自用功率特征；采用矫正模型对第二自用功率特征进行处理，得到关口表的实时初始预测值。

可选地，模型预测模块430还用于：

以关口表的推送频率为依据，设定时间间隔；

在时间间隔内对第一实时数据进行统计计算，得到第二自用功率特征；

其中，统计计算的方法包括：平均值、最大值和最小值中的至少一种。

可选地，第一实时数据包括第一实时功率数据和第一实时功率数据的第四时间戳数据；第四时间戳数据还对应实时初始预测值；第二实时数据包括第二实时功率数据和第二实时功率数据的第五时间戳数据。

矫正数据获取模块还用于：

根据第四时间戳数据和第五时间戳数据，将实时初始预测值和第二实时功率数据对齐；

根据对齐后的数据，计算实时初始预测值和第二实时功率数据的误差值；

选择设定时间窗口，在设定时间窗口内对误差值进行统计计算，得到矫正数据。

可选地，设定时间窗口根据当前时刻的变化平滑移动；

其中，设定时间窗口以当前时刻为时间末端，覆盖至少两条关口表推送的第二实时数据。

本发明实施例所提供的关口表数据矫正装置可执行本发明任意实施例所提供的关口表数据矫正方法，具备执行方法相应的功能模块和有益效果。

图7为本发明实施例提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如关口表数据矫正方法。

在一些实施例中，关口表数据矫正方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的关口表数据矫正方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行关口表数据矫正方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种关口表数据矫正方法，其特征在于，应用于需求响应主体安装有自用表的场景；所述方法包括：

根据历史数据构建关于所述自用表和所述关口表测量数据的矫正模型；其中，所述历史数据包括所述自用表的历史数据和所述关口表的历史数据；

实时采集所述自用表的第一实时数据，实时获取所述关口表推送的第二实时数据；

采用所述矫正模型对所述第一实时数据进行处理，得到所述关口表的实时初始预测值；

将当前时刻之前的至少两条所述第二实时数据，以及当前时刻之前的与至少两条所述第二实时数据对应的所述实时初始预测值进行对比，得到矫正数据；

采用所述矫正数据对当前时刻的所述实时初始预测值进行矫正，得到当前时刻的实时响应数据。

2.根据权利要求1所述的关口表数据矫正方法，其特征在于，所述自用表的历史数据包括第一历史功率数据和所述第一历史功率数据的第一时间戳数据；所述关口表的历史数据包括第二历史功率数据和所述第二历史功率数据的第二时间戳数据；

所述根据历史数据构建关于所述自用表和所述关口表测量数据的矫正模型的步骤，具体包括：

根据所述第一时间戳数据和所述第二时间戳数据，将所述第一历史功率数据和所述第二历史功率数据对齐；

根据对齐后的数据分别构建关于所述第一历史功率数据的第一自用功率特征，以及构建关于所述第二历史功率数据的第一推送功率特征；

以所述第一推送功率特征为待预测值，以所述第一自用功率特征为输入，设定多种模型超参数进行模型训练，得到所述矫正模型。

3.根据权利要求2所述的关口表数据矫正方法，其特征在于，所述根据历史数据构建关于所述自用表和所述关口表测量数据的矫正模型的步骤，包括：

获取历史数据中的历史温度数据及对应于历史温度数据的第三时间戳数据，根据所述第一时间戳数据、所述第二时间戳数据和第三时间戳数据，将所述第一历史功率数据、所述第二历史功率数据和所述历史温度数据对齐；

根据对齐后的数据分别构建关于所述第一历史功率数据的第一自用功率特征，构建关于所述第二历史功率数据的第一推送功率特征，以及构建关于所述历史温度数据的第一温度特征；

以所述第一推送功率特征为待预测值，以所述第一自用功率特征和所述第一温度特征为输入，设定多种模型超参数进行模型训练，得到所述矫正模型。

4.根据权利要求3所述的关口表数据矫正方法，其特征在于，在所述根据对齐后的数据分别构建关于所述第一历史功率数据的第一自用功率特征，构建关于所述第二历史功率数据的第一推送功率特征，以及构建关于所述历史温度数据的第一温度特征之时，还包括：

构建衍生特征，所述衍生特征包括：设定时间段内的所述第一历史功率数据的统计量、设定时间段内的所述历史温度数据的统计量、设定时间段内的所述第二历史功率数据的统计量和设定时间段内的所述历史温度数据的的统计量中的至少一种；其中，所述设定时间段的长度大于所述关口表的功率推送时间间隔；

所述以所述第一推送功率特征为待预测值，以所述第一自用功率特征和所述第一温度特征为输入，设定多种模型超参数进行模型训练，得到所述矫正模型的步骤，包括：

以所述第一推送功率特征为待预测值，以所述第一自用功率特征、所述第一温度特征和所述衍生特征为输入，设定多种模型超参数进行模型训练，得到所述矫正模型。

5.根据权利要求1所述的关口表数据矫正方法，其特征在于，在所述实时采集所述自用表的第一实时数据，实时获取所述关口表推送的第二实时数据之后，还包括：

将所述第一实时数据转换为第二自用功率特征；

采用所述矫正模型对所述第二自用功率特征进行处理，得到所述关口表的实时初始预测值。

6.根据权利要求5所述的关口表数据矫正方法，其特征在于，所述将所述第一实时数据转换为第二自用功率特征的步骤，具体包括：

以所述关口表的推送频率为依据，设定时间间隔；

在所述时间间隔内对所述第一实时数据进行统计计算，得到所述第二自用功率特征；

其中，所述统计计算的方法包括：平均值、最大值和最小值中的至少一种。

7.根据权利要求1所述的关口表数据矫正方法，其特征在于，所述第一实时数据包括第一实时功率数据和所述第一实时功率数据的第四时间戳数据；所述第四时间戳数据还对应所述实时初始预测值；所述第二实时数据包括第二实时功率数据和所述第二实时功率数据的第五时间戳数据；

所述将当前时刻之前的至少两条所述第二实时数据，以及当前时刻之前的与至少两条所述第二实时数据对应的所述实时初始预测值进行对比，得到矫正数据的步骤，具体包括：

根据所述第四时间戳数据和所述第五时间戳数据，将所述实时初始预测值和所述第二实时功率数据对齐；

根据对齐后的数据，计算所述实时初始预测值和所述第二实时功率数据的误差值；

选择设定时间窗口，在所述设定时间窗口内对所述误差值进行统计计算，得到所述矫正数据；其中，所述设定时间窗口以当前时刻为时间末端，覆盖至少两条所述关口表推送的所述第二实时数据。

8.一种关口表数据矫正装置，其特征在于，应用于需求响应主体安装有自用表的场景；所述装置包括：

模型构建模块，用于根据历史数据构建关于所述自用表和所述关口表测量数据的矫正模型；其中，所述历史数据包括所述自用表的历史数据和所述关口表的历史数据；

实时采集模块，用于实时采集所述自用表的第一实时数据，实时获取所述关口表推送的第二实时数据；

模型预测模块，用于采用所述矫正模型对所述第一实时数据进行处理，得到所述关口表的实时初始预测值；

矫正数据获取模块，用于将当前时刻之前的至少两条所述第二实时数据，以及当前时刻之前的与至少两条所述第二实时数据对应的所述实时初始预测值进行对比，得到矫正数据；

矫正结果输出模块，用于采用所述矫正数据对当前时刻的所述实时初始预测值进行矫正，得到当前时刻的实时响应数据。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的关口表数据矫正方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的关口表数据矫正方法。