CN117764634A - 基于不可靠和非平稳数据的地理区域中的消费者供应需求的预测 - Google Patents
基于不可靠和非平稳数据的地理区域中的消费者供应需求的预测 Download PDFInfo
- Publication number
- CN117764634A CN117764634A CN202310518555.4A CN202310518555A CN117764634A CN 117764634 A CN117764634 A CN 117764634A CN 202310518555 A CN202310518555 A CN 202310518555A CN 117764634 A CN117764634 A CN 117764634A
- Authority
- CN
- China
- Prior art keywords
- demand
- data
- time period
- consumer
- profile
- 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 claims abstract description 67
- 230000005611 electricity Effects 0.000 claims description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 8
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 claims description 6
- 239000003345 natural gas Substances 0.000 claims description 4
- -1 electricity Substances 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 239000001294 propane Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 4
- 239000002028 Biomass Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000003442 weekly effect Effects 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
- 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
- G06Q30/0204—Market segmentation
- G06Q30/0205—Location or geographical consideration
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于不可靠和非平稳数据的地理区域中的消费者供应需求的预测。一种方法,包括获得需求数据、消费者数据和历史需求数据,需求数据表示地理区域中过去时间段的消费者对供应的需求。需求数据包括具有不可靠需求信息的最近时间段。消费者数据。该方法还包括,基于需求数据,估计需求的标量,并且基于历史需求数据,对多个过去时间段的平均需求的标准化模型需求简档建模。此外,该方法包括产生即将到来的时间段的一部分的供应的消费者的短期需求预测。短期需求预测至少部分地基于标准化模型需求简档、需求数据和消费者数据。
Description
介绍
本公开涉及用于基于不可靠数据的地理区域中的供应的消费者需求的预测的技术。
预期在2030年前所有新车销售的大约一半将是全电动的。因此,在不久的将来,大量的电池电动汽车(BEV)将上路。为这些新BEV充电的需求对电力基础设施提出了重大挑战。在一些估计中,为这些新BEV充电的年电力需求将从2020年中的一百一十亿千瓦时(kWh)激增至2030年中的两千三百亿kWh。
发明内容
根据一个实施例,一种用于促进预测地理区域中的供应的消费者需求的方法包括:1)获得需求数据、消费者数据和历史需求数据,需求数据表示地理区域中过去时间段的供应的消费者的需求,其中需求数据包括具有不可靠需求信息的最近时间段,消费者数据包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息,并且历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求;2)基于需求数据,估计过去时间段的需求的标量(scalar);3)基于历史需求数据,对多个过去时间段的平均需求的标准化模型需求简档(profile)进行建模;4)产生地理区域中即将到来的时间段的紧接部分(immediate portion)的供应的消费者的短期需求预测,其中短期需求预测至少部分地基于标准化模型需求简档、需求数据、和消费者数据并且短期需求预测至少部分地包括作为标量和标准化模型需求简档的积(product);以及5)呈现短期需求预测。
在该实施例中,方法还可以包括1)产生地理区域中即将到来的时间段的供应的消费者的需求预测,其中需求预测至少部分地基于标准化模型需求简档并且需求预测至少部分地包括标量和标准化模型需求简档的积;以及2)呈现需求预测。
在该实施例的情况下,方法还可以包括1)基于消费者数据,生成过去时间段的容量(capacity)的标准化容量简档;2)产生地理区域中即将到来的时间段的供应的消费者的容量预测,其中容量预测至少部分地包括标量和标准化容量简档的积,以及3)呈现容量预测。
在地理区域包括具有针对每个领地(territory)产生的短期需求预测的多个领地的情况下,方法的一些实现还包括基于针对每个领地产生的短期需求预测生成聚合的多领地预测。
在方法的其他实施例中,过去时间段是紧接在预测的当前时间之前的时间段和/或包括包含近平稳(near-stationary)数据的需求数据。在其他实施例中,过去时间段和即将到来的时间段在长度上匹配。
在方法的一些实施例中,供应是例如水、电力、燃料、油、功率(power)、能量、天然气、丙烷、食物、饲料(feed)和/或诸如此类。在其他实施例中,消费者是使用电供应(electrical supply)充电的电动车。在又一个实施例中,过去时间段和即将到来的时间段在长度上匹配。
根据另一个实施例,一种方法包括1)获得需求数据和历史需求数据,需求数据表示地理区域中的过去时间段的供应的消费者的需求,其中需求数据包括具有不可靠需求信息的最近时间段并且历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求;2)基于需求数据,估计过去时间段的需求的标量;3)基于历史需求数据,对多个过去时间段的平均需求的标准化模型需求简档进行建模;4)产生地理区域中即将到来的时间段的供应的消费者的需求预测,其中需求预测至少部分地基于标准化模型需求简档并且需求预测至少部分地包括标量和标准化模型需求简档的积;以及5)呈现需求预测。
在另一个实施例的情况下,方法还可以包括1)获得消费者数据,该数据包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息;2)基于消费者数据,生成过去时间段的容量的标准化容量简档;3)产生地理区域中即将到来的时间段的供应的消费者的容量预测,其中容量预测至少部分地包括标量和标准化容量简档的积;以及4)呈现容量预测。
在另一个实施例中,需求数据包括具有不可靠需求信息的最近时间段,方法还包括:1)获得消费者数据,该消费者数据包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息;2)产生地理区域中即将到来的时间段的紧接部分的供应的消费者的短期需求预测,其中短期需求预测至少部分地基于标准化模型需求简档、需求数据、和消费者数据并且短期需求预测至少部分地包括作为标量和标准化模型需求简档的积;以及3)呈现短期需求预测。
在地理区域包括具有针对每个领地产生的短期需求预测的多个领地的情况下,方法的一些实现还包括基于针对每个领地产生的短期需求预测生成聚合的多领地预测。
在该方法的其他实施例中,消费者是使用电供应充电的电动车。在其他实施例中,该方法还可以包括作为标量的函数计算需求预测的置信度区间(confidence interval)。根据又一实施例,一种非暂时性机器可读存储介质,编码有可由一个或多个处理器执行的指令,当被执行时,所述指令引导一个或多个处理器执行用于促进地理区域中的供应的消费者的需求的预测的操作。这些操作包括1)获得需求数据、消费者数据和历史需求数据,需求数据表示地理区域中过去时间段的供应的消费者的需求,其中需求数据包括具有不可靠需求信息的最近时间段,消费者数据包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息,并且历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求;2)基于需求数据,估计过去时间段的需求的标量;3)基于历史需求数据,对多个过去时间段的平均需求的标准化模型需求简档进行建模;4)产生地理区域中即将到来的时间段的紧接部分的供应的消费者的短期需求预测,其中短期需求预测至少部分地基于标准化模型需求简档、需求数据、和消费者数据并且短期需求预测至少部分地包括作为标量和标准化模型需求简档的积;以及5)呈现短期需求预测。
非暂时性机器可读存储介质还可以包括执行以下操作的指令1)产生地理区域中即将到来的时间段的供应的消费者的需求预测,其中需求预测至少部分地基于标准化模型需求简档并且需求预测至少部分地包括标量和标准化模型需求简档的积;以及2)呈现需求预测。
非暂时性机器可读存储介质还可以包括执行以下操作的指令:1)基于消费者数据,生成过去时间段的容量的标准化容量简档;2)产生地理区域中即将到来的时间段的供应的消费者的容量预测,其中容量预测至少部分地包括标量和标准化容量简档的积;以及3)呈现容量预测。
在地理区域包括具有针对每个领地产生的短期需求预测的多个领地的情况下,非暂时性机器可读存储介质的一些实现还可以包括执行基于针对每个领地产生的短期需求预测生成聚合的多领地预测的操作的指令。
在非暂时性机器可读存储介质的其他实施例中,消费者是使用电供应充电的电动车。
在方法的其他实施例中,还包括:获得消费者数据,其包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息;基于消费者数据,生成过去时间段的容量的标准化容量简档;产生地理区域中即将到来的时间段的供应的消费者的容量预测,其中容量预测至少部分地包括标量和标准化容量简档的积;以及呈现容量预测。
在方法的其他实施例中,其中,需求数据包括具有不可靠需求信息的最近时间段,所述方法还包括:获得包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息的消费者数据;产生地理区域中即将到来的时间段的紧接部分的供应的消费者的短期需求预测,其中短期需求预测至少部分地基于标准化模型需求简档、需求数据和消费者数据并且短期需求预测至少部分地包括作为标量和标准化模型需求简档的积;以及呈现短期需求预测。
在方法的其他实施例中,其中,地理区域包括多个领地,具有针对每个领地产生的短期需求预测,所述方法还包括基于针对每个领地产生的短期需求预测生成聚合的多领地预测。
在方法的其他实施例中,其中,消费者是使用电供应充电的电动车。
在方法的其他实施例中,还包括作为标量的函数计算需求预测的置信度区间。
根据另一个实施例,一种非暂时性机器可读存储介质,编码有可由一个或多个处理器执行的指令,当被执行时,所述指令引导一个或多个处理器执行用于促进地理区域中的供应的消费者的需求的预测的操作,所述操作包括:获得需求数据、消费者数据和历史需求数据,需求数据表示地理区域中过去时间段的供应的消费者的需求,其中需求数据包括具有不可靠需求信息的最近时间段,消费者数据包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息,并且历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求;基于需求数据,估计过去时间段的需求的标量;基于历史需求数据,对多个过去时间段的平均需求的标准化模型需求简档进行建模;产生地理区域中即将到来的时间段的紧接部分的供应的消费者的短期需求预测,其中短期需求预测至少部分地基于标准化模型需求简档、需求数据、和消费者数据并且短期需求预测至少部分地包括作为标量和标准化模型需求简档的积;以及呈现短期需求预测。
在非暂时性机器可读存储介质的其他实施例中,所述操作还包括:产生地理区域中即将到来的时间段的供应的消费者的需求预测,其中需求预测至少部分地基于标准化模型需求简档并且需求预测至少部分地包括标量和标准化模型需求简档的积;以及呈现需求预测。
在非暂时性机器可读存储介质的其他实施例中,所述操作还包括:基于消费者数据,生成过去时间段的容量的标准化容量简档;产生地理区域中即将到来的时间段的供应的消费者的容量预测,其中容量预测至少部分地包括标量和标准化容量简档的积;以及呈现容量预测。
在非暂时性机器可读存储介质的其他实施例中,其中,地理区域包括具有针对每个领地产生的短期需求预测的多个领地,所述操作还包括基于针对每个领地产生的短期需求预测生成聚合的多领地预测。
在非暂时性机器可读存储介质的其他实施例中,其中,消费者是使用电供应充电的电动车。
结合附图时,从用于执行如所附权利要求书中限定的本教导的最佳模式和其他实施例中的一些的以下详细描述容易清楚本教导的上述特征和优势以及其他特征和优势。
附图说明
图1示出了适于利用根据本文描述的一个或多个实现的用于基于不可靠数据的地理区域中的供应的消费者需求的示例预测系统的示例场景。
图2示出了根据本文描述的一个或多个实现的用于基于不可靠数据的地理区域中的供应的消费者需求的示例预测系统的示例数据流图。
图3示出了用于能够执行本文所描述的技术的计算系统的计算机架构的示例。
图4是示出了执行短期需求预测的示例方法的过程的流程图。
图5是示出了执行需求预测的示例方法的过程的流程图。
图6是示出了执行容量预测的示例方法的过程的流程图。
具体实施方式
现在参考附图,其中在本文中示出和描述的各种系统和方法的若干视图中,相同的数字指示相同的部分。
图1示出了适于利用根据本文描述的一个或多个实现的用于基于不完整数据的地理区域(诸如领地120)中的供应的消费者需求的示例需求预测系统140的示例场景100。
示例场景100包括电力基础设施110,其包括例如设备和服务,所述设备和服务用于获取从电源(electrical power source)生成的电能并将其传输到最终用途(end-use)住宅、商业和工业消费者。电源包括基于水电大坝、化石燃料(例如煤、天然气或石油)的发电厂,以及核、太阳、风、地热和生物质(biomass)发电厂。此类基础设施通常由通常称为电力公司的组织拥有和管理。在某些情况下,基础设施可以称为电网。
电力基础设施110经由电传输介质112连接到由电力基础设施110服务的领地120中的消费者。此类消费者可以是该领地中的家庭或企业。如所描绘的,家庭122、124和126是领地120中的家庭,它们被配备为从来自电力基础设施110的电力为电池电动车(BEV)充电。家庭122、124和126仅仅是配备了BEV充电的领地中的众多家庭的示例。
如本文所用,地理区域是从电力基础设施110汲取负载的物理区域的通用名称。因此,基础设施向地理区域中的消费者输送电力。更特别地,领地是使用本文描述的技术服务或测量的地理区域的最小单位。领地的示例包括邮政编码区域、郡(county)、市、州以及诸如此类。并且,区域是由相同基础设施服务的领地的集合,但此类领地不需要彼此邻接。
BEV是由电力基础设施110供应的电负载的消费者的示例。因此,BEV提供电力需求,并且电力基础设施110供应该电力。除非上下文另有指示,否则此处的消费者是生成或引起针对来自供应者的供应的需求的消费者。
对此供应是可以或通常在连续或正在进行的基础上供应的供应。也就是说,对此供应是按需提供或几乎按需提供的,因为对此类供应的需求虽然可变,但却是稳定的(unfaltering)。此类供应的示例可以是例如水、电力、燃料、油、功率、能量、天然气、丙烷、食物、饲料和/或诸如此类等。
网络130将预测系统140连接到领地120的家庭和电力基础设施110。网络130是互连计算设备(即,网络节点)的集合,互连计算设备(即,网络节点)通过数字互连使用通用通信协议的集合来共享位于网络节点上或由网络节点提供的资源或服务。节点之间的互连基于可以以多种网络拓扑布置的物理有线、光学和无线射频方法从广泛的电信网络技术中的一个或多个形成。所谓的云和所谓的因特网是合适的通信网络的示例。
应当理解,这里描述的配置和网络拓扑已经被显着简化,并且可以利用更多的计算系统、软件部件、网络、服务器、服务和联网设备来互连这里公开的各种计算系统并且提供这里描述的功能性。
预测系统140被示为简化的功能块。预测系统包括数据获得器(obtainer)142、标量估计器144、简档建模器146、预测产生器148和预测提供器150。预测系统140的每个功能块可以至少部分地由硬件、固件,或由其与软件的组合实现。
预测系统140利用关于诸如领地120中的家庭的BEV之类的消费者过去需求的信息,来预测未来需求。例如,预测系统140可以将其需求预测提供到电力基础设施110,使得基础设施可以相应地规划以具有足够的供应来迅速满足预期的需求。
图2示出了根据本文描述的一个或多个实现的用于基于不可靠和非稳定数据的地理区域中的电供应的消费者需求的预测系统140的示例数据流图。
经由网络130,数据获得器142从例如地理区域(诸如领地120)中的电力基础设施110提供的电负载的消费者收集需求数据220和历史需求数据210。这样的消费者可以包括例如家庭122、124和126中的BEV,如图1中所示。
更特别地,需求数据220大体上表示在从用于预测的定义的当前时间点(例如,预测的当前时间)投射回来的定义的经过时间段的地理区域中的消费者(诸如领地120中的家庭中的BEV)的测量的需求。这里,定义的经过时间段可以称为过去时间段。对于此处描述的一个或多个实现,需求数据220是最近的数据,诸如来自过去一周。
例如,需求数据220可以提供过去一周(即,168小时)的领地120中的BEV的平均负载需求。在该情况下,过去时间段是从预测的当前时间开始的168小时或一周。在该情况下,使用一周,因为消费者的需求模式往往每周重复。所选时间段可能因其他类型的需求和供应而异。
此外,需求数据220的一部分222是不可靠的。即,部分222的数据可能仅被部分观察到或潜在地不完整。不可靠部分222(即不可靠的需求信息),不知道测量的需求是否准确地反映了实际需求。例如,这对于最近的测量可能发生。一旦充电会话完成,一些充电计(meter)就打包需求数据。在该情况下,需求数据缺少关于为BEV充电的数据。当为BEV充电拉动负载时,充电计的独特性质无法捕捉该需求数据,大概直到预测的当前时间之后。因此,需求数据220包括具有不可靠需求信息的最近时间段(例如,24小时)。
由于BEV市场持续增长,给定地理区域中的BEV的充电需求的历史需求数据是非平稳的。非平稳数据具有随时间改变的均值、方差和/或协方差。非平稳行为可以是趋势、周期、随机游走(walk)或三者的组合。通常,非平稳数据是不可预测的并且不能建模或预报。无论如何,该需求数据可以用作使用本文描述的技术的预测的基础。
两个因素适应(accommodate for)非平稳数据。第一,是将值分离为标量值和标准化值。这将在下面的标量估计的上下文中进一步说明。第二,选择尽可能近平稳的数据片段(a piece of data)。例如,在某些情况下可以假设与最接近现在的时间相关联的数据将是尽可能近平稳的。因此,过去一周用于需求数据。
如本文所用,近平稳数据是与预测的条件最接近相似或匹配的数据的集合。例如,过去一周的需求是近平稳数据,因为所述条件最接近地表示当前和被预测的下一周。
历史需求数据210包括地理区域中的消费者的相同测量需求(诸如领地120中的家庭中的BEV);然而,历史需求数据进一步伸展回到过去。实际上,历史需求数据210延伸多个过去时间段。例如,这里描述的一个或多个实现所采用的历史需求数据210向后延伸一年(例如,五十二周)。对于此处描述的一个或多个实现,历史需求数据210不是最近的数据。例如,它可能是来自其他过去几周的数据,而不仅仅是过去一周。
这是多个时间段的示例:每个具有若干(例如,Y)样本的给定数量(例如,X)个时间段。平均简档将是Y个样本,每个样本是X个对应样本的平均。
此外,数据获得器142收集消费者数据230,其包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息。例如,消费者数据可以包括关于过去一周领地120中的电力基础设施110的消费者的BEV的需求属性和状态的信息。
需求属性可以包括例如地理区域(例如,领地120)中的消费者(例如,BEV)的数量。需求状态可能包括地理区域中的消费者(例如BEV)的充电状态(例如充满电、正在充电等)。
标量估计器144基于来自该时间段的需求数据220计算过去时间段(例如,一周)的需求的标量。预计需求数据的平均需求的绝对值与历史需求数据在过去时间段可能变化很大,并且当平均需求的绝对值与其他过去时间段相比时这可能更是如此。因此,需求数据和历史需求数据可以以标准化(例如,规范化)的方式处理,使得可以有效地比较来自各种时间段的简档。
时间点处的数据中的平均需求的实际值是标量与该相同时间点处的标准化平均需求值的积。例如,样本集合的第十八个小时的实际平均需求可能具有15kWh的值。当标准化时,第十八小时的平均需求可以是3kWh并且标量可以是5。因此,标量(5)和标准化平均需求(3kWh)的数学积是15kWh。因此,平均需求值和标准化的选择确定尺度(scale)的值。由于标量从过去一周导出,因此假定它是近平稳数据。
对于本文描述的一个或多个实现,平均需求可以是每单位时间确定或离散化的需求。也就是说,平均需求可以被描述为一段时间内的每个时间步长的平均需求。例如,它可能是过去一周中每小时的平均需求。
利用标量估计器144,基于跨过去时间段的平均需求值和标准化的选择或尺度来确定标量。标准化选择可以手动选择、程序生成或使用ML技术确定。
简档建模器146利用机器学习(ML)技术基于历史需求数据210生成简档240。简档表示一段时间的平均需求。它可以被可视化为在X轴上绘制的平均需求和在Y轴上绘制的时间。
如图所描绘的,简档240包括标准化模型需求简档242、标准化需求简档244和标准化容量简档246。这些简档中的每一个都以类似于上述的方式被标准化(例如,规范化)。
基于其传入数据,简档建模器146使用诸如线性和逻辑回归之类的机器学习(ML)技术来采用数据侧写(profiling)(即,数据建模)。这样做时,简档建模器146对大型数据集中的一个或多个重复出现的模式进行建模。
例如,简档建模器146可以根据历史需求数据210生成过去五十二周(例如,一年)中每一周的平均需求的标准化模型需求简档242。在另一个示例中,简档建模器146可以根据需求数据220生成过去一周(例如168小时)的平均需求的需求简档244。在又一示例中,简档建模器146可以根据消费者数据230生成过去一周(例如,一年)的容量的容量简档246。
如上所述,不可靠的需求信息可能无法准确地捕捉最近时间段(例如,过去24小时)期间的平均需求。当对BEV充电拉动负载时,充电计的特殊性质无法捕捉该需求数据,直到大概在预测的当前时间之后。为了适应这一点,简档建模器146使用它已经在历史时间段创建的模型/简档的段来更准确地映射需求数据/对需求数据建模。
此外,简档建模器146可以生成地理区域(例如,领地120)中的过去时间段(例如,一周)的标准化容量简档146。例如,容量可以是地理区域中给定时间段的最大可能(likely)需求。在某些实现中,它可以是基于定义条件的该区域中给定时间段的字面意义上的最大需求。在其他情况下,容量可能是可延迟的需求。
例如,可以至少部分地通过将地理区域中的消费者的数量乘以定义的时间段(例如,一周)的为每个消费者充电而拉动的最大负载来计算初始容量。可以通过容纳已经充满电(因此不需要额外充电)的消费者(例如,BEV)进一步调整容量。需求属性可以提供地理区域(例如,领地120)中的消费者(例如,BEV)的数量。需求状态可以包括地理区域中的消费者(例如,BEV)的充电状态(例如,完全充电、正在充电等)。
预测产生器148产生地理区域(例如,领地120)中即将到来的时间段(例如,一周)的来自电力基础设施110的电力供应的消费者(例如,BEV)的需求和/或容量的一个或多个预测。预测发生在预测的当前时间段,通常可以称为现在。当然,这样的预测是关于未知的未来的。如本文所述,即将到来的时间段设定在现在之后的未来。
对于本文描述的一些实现,即将到来的时间段在长度上与过去时间段匹配。例如,在过去时间段是一周(例如,168小时)的情况下,即将到来的时间段在长度上也是一周。其他实现可以利用不同的匹配时间段。并且还有其他实现可能使用不匹配的时间段。例如,三天过去时间段可能是两周即将到来的时间段的预测的基础。此外,在一些实现中,即将到来的时间段在现在之后立即开始。在其他实现中,即将到来的时间段可以在现在之后的某个偏移量(即,时间流逝)之后开始。
预测产生器148产生地理区域(例如领地120)中的即将到来的时间段(例如,一周)的紧接部分(例如,24小时)的来自电力基础设施110的电供应的消费者(例如,BEV)的短期需求预测。使用ML技术,预测产生器148至少部分地基于标准化模型需求简档、需求数据和消费者数据进行短期预测。预测产生器148可以至少部分地通过产生标量和短期标准化需求简档的数学积实现这一点。因此,预测产生器148将缩放器(scaler)与短期标准化需求简档相乘。预测产生器148将产生的短期需求预测发送给预测提供器150。
预测产生器148可以产生地理区域中即将到来的时间段的供应的消费者的需求预测。需求预测可以至少部分地基于标准化模型需求简档。此外,需求预测至少部分地包括标量和标准化模型需求简档的积。
预测产生器148可以产生地理区域中即将到来的时间段的供应的消费者的容量预测。容量预测可以至少部分地基于标准化容量简档。此外,容量预测至少部分地包括标量和标准化容量简档的积。
类似于上面关于过去时间段和即将到来的时间段之间的关系所讨论的内容,即将到来的时间段的紧接部分在长度上匹配过去时间段的最近部分。例如,在最近部分是二十四小时的情况下,紧接部分在长度上也是二十四小时。其他实现可以对这些部分使用不同的匹配时间段。并且还有其他实现可以对这些部分使用不匹配的时间段。此外,在一些实现中,紧接部分在现在之后立即开始和/或在最近部分之后立即开始。在其他实现中,紧接部分可以在现在之后的某个偏移量(即,时间流逝)之后开始。
此外,预测产生器148可以产生地理区域(例如,领地120)中的即将到来的时间段(例如,一周)的来自电力基础设施110的电供应的消费者(例如,BEV)的需求预测。预测产生器148可以至少部分地通过产生标量和标准化需求简档的数学积来实现这一点。因此,预测产生器148将缩放器与标准化需求简档相乘。预测产生器148将产生的需求预测发送给预测提供器150。
此外,预测产生器148可以产生地理区域(例如,领地120)中的即将到来的时间段(例如,一周)的来自电力基础设施110的电供应的消费者(例如,BEV)的容量预测。预测产生器148可以至少部分地通过产生标量和标准化容量简档的数学积来实现这一点。因此,预测产生器148将缩放器与标准化容量简档相乘。预测产生器148将产生的容量预测发送到预测提供器150。
预测可以覆盖单个领地(例如领地120)或者它们可以覆盖领地的组合。领地的组合在本文中称为区域。消费者的数量在给定的领地中可能是稀疏的。事实上,它可能太稀疏而无法产生好的预测。因此,多个稀疏地区可以组合以形成区域,该区域共同具有足够的数据来产生有效的预测。在这些情况下,预测提供器150可以基于为每个领地产生的短期需求、需求和/或容量预测来生成聚合的多领地预测。
预测提供器150向一个或多个接收器发送短期需求预测、需求预测和容量预测中的一个或多个。接收器的示例是电力基础设施110的电力公用事业(electrical utility)。基于这些预测,电力公用事业可以相应地针对即将到来的负载进行规划。
图3示出了能够执行本文描述的技术的计算系统300的计算机架构的示例。图1中所示的计算机架构示出了典型的计算机、服务器计算机、工作站、台式计算机、膝上型计算机、平板计算机、网络设备、电子阅读器、智能电话或另一计算设备。它可用于执行此处介绍的功能性。
计算系统300包括处理器302(例如,中央处理器单元或“CPU”)、系统存储装置(例如,存储器)304、输入/输出(I/O)设备306——诸如显示器、键盘、鼠标和相关联的控制器、辅助存储系统308(例如,硬盘驱动器)和各种其他子系统310。在各种实施例中,计算系统300还包括可操作以连接到网络320的网络端口312,该网络同样可由数据服务器322和电力公用事业324访问。前述部件经由一个或多个总线314互连。
系统存储器304可以存储数据和机器可读指令(例如,计算机可读指令)。计算系统300可以由机器可读指令配置。机器可读指令可包括一个或多个指令模块。指令模块可以包括计算机程序模块。指令模块可以包括数据获得器模块330、标量估计器模块332、简档建模器模块334、预测产生器模块336、置信度计算器模块338、预测提供器模块340、机器学习引擎342和/或其他基于执行的模块中的一个或多个。
数据获得器模块330从由例如定义的地理区域(例如,领地120)中的电力公用事业324提供的供应的消费者(例如,BEV)收集数据。数据获得器模块330可以从诸如数据服务器322之类的一个或多个系统接收其数据。数据获得器模块330与图1和图2中及其上面的伴随描述中描绘的数据获得器142类似地运转。
标量估计器模块332基于来自该时间段的需求数据计算过去时间段(例如,一周)的需求的标量。标量估计器模块332与图1和图2中及其上面的伴随描述中描绘的标量估计器144类似地运转。
简档建模器模块334基于由数据获得器模块330收集的数据生成标准化简档。简档建模器模块334与图1和图2中及其上面的伴随描述中描绘的简档建模器146类似地运转。
预测产生器模块336产生地理区域(例如,领地120)中的即将到来的时间段(例如,一周)的来自电力公用事业324的电供应的消费者(例如,BEV)的需求和/或容量的一个或多个预测。预测产生器模块336与图1和图2中及其上面的伴随描述中描绘的预测产生器148类似地运转。
置信度计算器模块338计算置信度区间。置信度区间是标量的函数。通过将分段(piece-wise)仿射函数拟合到关于过去数据的预测结果来找到置信度区间。例如,可能存在源自多个区域的多个预测。每个区域导致标量和预测误差区间。然后系统适合函数标量->区间大小。注意,对于若干领地的聚合预测,聚合预测的置信度区间将是聚合标量的函数。
预测提供器模块340向电力公用事业324发送一个或多个所产生的预测。在一些实现中,预测提供器模块340还向电力公用事业324提供由置信度计算器模块338计算的置信度值。预测提供器模块340与图1和图2中及其上面的伴随描述中描绘的预测提供器150类似地运转。
机器学习引擎342被简档建模器334用来基于由数据获得器330收集的数据生成预测模型。机器学习引擎342可以被预测产生器模块336采用以产生其预测。
机器学习是人工智能(AI)的应用,它为系统提供从经验学习和改进的能力,而无需明确编程。机器学习技术基于可称为“训练数据”的样本数据构建数学模型,以进行预测或决定而无需明确编程这样做。该数学模型组合了计算机应用和数据以产生用于创建此处描述的简档的机器学习(ML)模型。ML模型可以是例如线性回归或逻辑回归模型。
图4是示出了执行短期需求预测的示例方法的过程400的流程图。为了便于说明,过程400可被描述为由本文描述的设备或系统执行,本文描述的设备或系统诸如是预测系统140或计算系统300。然而,过程400可由其他设备或设备与系统的组合执行。
在410处,系统获得需求数据、消费者数据和历史需求数据。需求数据表示地理区域(例如,领地120)中过去时间段(例如,一周)的供应(例如,来自电力基础设施110的电力)的消费者(例如,BEV)的需求。需求数据包括具有不可靠需求信息的最近时间段(例如,24小时),并且历史需求数据表示在地理区域中多个过去时间段的供应的消费者的需求。
消费者数据包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息。历史需求数据表示地理区域中的多个过去时间段的供应的消费者的需求。
在420处,系统基于需求数据来估计过去时间段的需求的标量。
在430处,系统基于历史需求数据对多个过去时间段的平均需求的标准化模型需求简档建模。建模采用ML技术。
在440处,系统产生地理区域中的即将到来的时间段的紧接部分的供应的消费者的短期需求预测。短期需求预测至少部分地基于标准化模型需求简档、需求数据和消费者数据。在一些实现中,短期需求预测至少部分地基于标准化模型需求简档、不可靠的需求数据和消费者数据。短期需求预测至少部分地包括标量和标准化模型需求简档的积。
在450处,系统将短期需求预测呈现给电力公用事业或其他类似用户。如本文所用,系统的呈现动作包括例如显示、发送、存储、传输、处理、关联以及诸如此类。在一些实现中,呈现可以包括将得到的预测用于自动循环中。在这种情况下,循环呈现可能对能量市场中的投标(bidding)有用。
图5是示出了执行需求预测的示例方法的过程500的流程图。为了便于说明,过程500可被描述为由本文描述的设备或系统执行,本文描述的设备或系统诸如是预测系统140或计算系统300。然而,过程500可由其他设备或设备与系统的组合执行。
在510处,系统获得需求数据和历史需求数据。需求数据表示地理区域(例如,领地120)中过去时间段(例如,一周)的供应(例如,来自电力基础设施110的电力)的消费者(例如,BEV)的需求。需求数据包括具有不可靠需求信息的最近时间段(例如,24小时),并且历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求。历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求。
在520处,基于需求数据,系统估计过去时间段的需求的标量。
在530处,基于历史需求数据,系统对多个过去时间段的平均需求的标准化模型需求简档建模。
在540处,系统产生地理区域中即将到来的时间段的供应的消费者的需求预测。需求预测至少部分地基于标准化模型需求简档。需求预测至少部分地包括标量和标准化模型需求简档的积。
在550处,系统将需求预测呈现给电力公用事业或其他类似用户。如本文所用,系统的呈现动作包括例如显示、发送、存储、传输、处理、关联以及诸如此类。在一些实现中,呈现可以包括将得到的预测应用到自动循环中。在这种情况下,循环呈现可能对能量市场中的投标有用。
图6是示出了执行容量预测的示例方法的过程600的流程图。为了便于说明,过程600可被描述为由本文描述的设备或系统执行,本文描述的设备或系统诸如是预测系统140或计算系统300。然而,过程600可由其他设备或设备与系统的组合执行。
在610处,系统获得需求数据和消费者数据。需求数据表示地理区域(例如,领地120)中过去时间段(例如,一周)的供应(例如,来自电力基础设施110的电力)的消费者(例如,BEV)的需求。需求数据包括具有不可靠需求信息的最近时间段(例如,24小时),并且历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求。消费者数据包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息。
在620处,基于需求数据,系统估计过去时间段的需求的标量。
在630处,基于消费者数据,系统生成过去时间段的容量的标准化容量简档。
在640处,系统产生地理区域中即将到来的时间段的供应的消费者的容量预测。容量预测至少部分地包括标量和标准化容量简档的积。
在650处,系统将容量预测呈现给电力公用事业或其他类似用户。如本文所用,系统的呈现动作包括例如显示、发送、存储、传输、处理、关联以及诸如此类。在一些实现中,呈现可以包括将得到的预测应用到自动循环中。在这种情况下,循环呈现可能对能量市场中的投标有用。
虽然过程400、500和600的各个步骤已被描述为单独的框,并且预测系统140和计算系统300的各种功能已被描述为单独的模块、部件或元件,但是可以注意到,两个或更多步骤可以组合成更少的框,并且两个或更多功能可以组合成更少的模块或元素。类似地,一些被描述为单个框的步骤可以被分成两个或更多框,并且被描述为单个模块或元素的一些功能可以被分成两个或更多模块或元素。此外,此处描述的步骤或框的顺序可以以一种或多种不同的顺序重新布置,并且功能、模块和元素的布置可以被重新布置成一种或多种不同的布置。
上面的描述旨在是说明性的,并且不是限制性的。虽然本文描述的材料的尺寸和类型旨在是说明性的,但它们绝不是限制性的并且是示例性实施例。在所附权利要求书中,术语“第一”、“第二”、“顶部”、“底部”等的使用仅用作标签,并不旨在对其对象施加数字或位置要求。如本文所用,以单数形式记载且前面有词语“一”或“一个”的元素或步骤应理解为不排除复数个这样的元素或步骤,除非明确说明这种排除。此外,短语“A和B中的至少一个”和短语“A和/或B”中每个应被理解为意味着“仅A、仅B,或A和B两者”。此外,除非有相反的明确说明,否则“包括”或“具有”具有特定属性的元素或多个元素的实施例可以包括不具有该属性的附加此类元素。并且当本文使用诸如“基本上”和“通常”之类的广义描述性副词来修饰形容词时,这些副词意味着“大部分”、“主要”、“对于大部分而言”、“在显著程度上”、“在很大程度上”和/或“100%可能范围内的至少51%到99%”,并且不一定意味着“完美地”、“完全地”、“严格地”、“全部地”或“100%”。此外,此处可以使用词语“接近”来描述对象或其部分关于另一个对象或其部分的位置,和/或描述两个对象或其相应部分关于彼此的位置关系,并且可以意味着“附近”、“相邻”、“接近”、“靠近”、“在”或诸如此类。并且,如本文所用的短语“大约等于”可以意味着“完全等于”、“几乎等于”、“等于某某的90%与110%之间的某处”或诸如此类中的一个或多个。
本书面描述使用示例,包括最佳模式,以使本领域技术人员能够根据本公开制造和使用设备、系统和物质的组合物,并执行方法。以下权利要求书,包括等同物,限定了本公开的范围。
Claims (10)
1.一种用于促进地理区域中的供应的消费者的需求的预测的方法,所述方法包括:
获得需求数据、消费者数据和历史需求数据,需求数据表示地理区域中过去时间段的供应的消费者的需求,其中需求数据包括具有不可靠需求信息的最近时间段,消费者数据包括关于地理区域中过去时间段的供应的消费者的需求属性和状态的信息,并且历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求;
基于需求数据,估计过去时间段的需求的标量;
基于历史需求数据,对多个过去时间段的平均需求的标准化模型需求简档进行建模;
产生地理区域中即将到来的时间段的紧接部分的供应的消费者的短期需求预测,其中短期需求预测至少部分地基于标准化模型需求简档、需求数据、和消费者数据并且短期需求预测至少部分地包括作为标量和标准化模型需求简档的积;以及
呈现短期需求预测。
2.根据权利要求1所述的方法,还包括:
产生地理区域中即将到来的时间段的供应的消费者的需求预测,其中需求预测至少部分地基于标准化模型需求简档并且需求预测至少部分地包括标量和标准化模型需求简档的积;以及
呈现需求预测。
3.根据权利要求1所述的方法,还包括:
基于消费者数据,生成过去时间段的容量的标准化容量简档;
产生地理区域中即将到来的时间段的供应的消费者的容量预测,其中容量预测至少部分地包括标量和标准化容量简档的积;以及
呈现容量预测。
4.根据权利要求1所述的方法,其中,地理区域包括多个领地,具有针对每个领地产生的短期需求预测,所述方法还包括基于针对每个领地产生的短期需求预测生成聚合的多领地预测。
5.根据权利要求1所述的方法,其中,过去时间段是紧接在预测的当前时间之前的时间段。
6.根据权利要求5所述的方法,其中,过去时间段包括包含近平稳数据的需求数据。
7.根据权利要求1所述的方法,其中,供应选自由水、电力、燃料、油、功率、能量、天然气、丙烷、食物、和饲料组成的组。
8.根据权利要求1所述的方法,其中,消费者是使用电供应充电的电动车。
9.根据权利要求1所述的方法,其中,过去时间段和即将到来的时间段在长度上匹配。
10.一种方法,包括:
获得需求数据和历史需求数据,需求数据表示地理区域中过去时间段的供应的消费者的需求,其中需求数据包括具有不可靠需求信息的最近时间段并且历史需求数据表示地理区域中多个过去时间段的供应的消费者的需求;
基于需求数据,估计过去时间段的需求的标量;
基于历史需求数据,对多个过去时间段的平均需求的标准化模型需求简档进行建模;
产生地理区域中即将到来的时间段的供应的消费者的需求预测,其中需求预测至少部分地基于标准化模型需求简档并且需求预测至少部分地包括标量和标准化模型需求简档的积;以及
呈现需求预测。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/951156 | 2022-09-23 | ||
US17/951,156 US20240104589A1 (en) | 2022-09-23 | 2022-09-23 | Prediction of consumer demand for a supply in a geographic zone based on unreliable and non-stationary data |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764634A true CN117764634A (zh) | 2024-03-26 |
Family
ID=90139983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518555.4A Pending CN117764634A (zh) | 2022-09-23 | 2023-05-09 | 基于不可靠和非平稳数据的地理区域中的消费者供应需求的预测 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240104589A1 (zh) |
CN (1) | CN117764634A (zh) |
DE (1) | DE102023109749A1 (zh) |
-
2022
- 2022-09-23 US US17/951,156 patent/US20240104589A1/en active Pending
-
2023
- 2023-04-18 DE DE102023109749.0A patent/DE102023109749A1/de active Pending
- 2023-05-09 CN CN202310518555.4A patent/CN117764634A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102023109749A1 (de) | 2024-03-28 |
US20240104589A1 (en) | 2024-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11861741B2 (en) | Central plant control system with equipment maintenance evaluation | |
US11468460B2 (en) | Transactive control framework and toolkit functions | |
US11010846B2 (en) | Building energy storage system with multiple demand charge cost optimization | |
Zhang et al. | Parallel and reliable probabilistic load forecasting via quantile regression forest and quantile determination | |
JP6784745B2 (ja) | リアルタイムデータ駆動型の電力測定およびコスト推定システム | |
US20190165580A1 (en) | System and method for optimal control of energy storage system | |
WO2021108745A1 (en) | An optimized load shaping system, method & apparatus for optimizing production and consumption of energy | |
Tham et al. | Sensing-driven energy purchasing in smart grid cyber-physical system | |
JP2020501491A (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
EP2966610A1 (en) | Energy management system, energy management method, and program | |
CN102592246A (zh) | 用于估计供电系统中的需求响应的系统和方法 | |
Riekstin et al. | Time series-based GHG emissions prediction for smart homes | |
Keerthisinghe et al. | PV and demand models for a Markov decision process formulation of the home energy management problem | |
US20140257585A1 (en) | Energy management system, energy management method, and medium | |
Widergren et al. | Transactive systems simulation and valuation platform trial analysis | |
US11669060B2 (en) | Hybrid machine learning and simulation based system for forecasting in electricity systems | |
Putz et al. | The true value of a forecast: Assessing the impact of accuracy on local energy communities | |
Bylling | Bilevel Optimization with Application in Energy | |
Bragatto et al. | Near real-time analysis of active distribution networks in a Digital Twin framework: A real case study | |
Shields et al. | Technical design of Off-grid energy kiosks | |
CN117764634A (zh) | 基于不可靠和非平稳数据的地理区域中的消费者供应需求的预测 | |
Hossa et al. | The comparison of medium-term energy demand forecasting methods for the need of microgrid management | |
Bu et al. | Distributed unit commitment scheduling in the future smart grid with intermittent renewable energy resources and stochastic power demands | |
Pretorius | Development of a demand response programme for the coal mining industry | |
Chatterjee | Demand side management in smart grid using big data analytics |
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 |