CN118100178A - 时间序列的处理方法和电力系统负荷的处理方法 - Google Patents
时间序列的处理方法和电力系统负荷的处理方法 Download PDFInfo
- Publication number
- CN118100178A CN118100178A CN202410515994.4A CN202410515994A CN118100178A CN 118100178 A CN118100178 A CN 118100178A CN 202410515994 A CN202410515994 A CN 202410515994A CN 118100178 A CN118100178 A CN 118100178A
- Authority
- CN
- China
- Prior art keywords
- period
- item
- predicted
- time period
- historical
- 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
- 238000003672 processing method Methods 0.000 title abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims description 37
- 239000000654 additive Substances 0.000 claims description 33
- 230000000996 additive effect Effects 0.000 claims description 33
- 238000000354 decomposition reaction Methods 0.000 claims description 27
- 238000009499 grossing Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 11
- 230000000737 periodic effect Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002301 combined effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000009916 joint effect Effects 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种时间序列的处理方法和电力系统负荷的处理方法,涉及人工智能技术、电力系统技术领域。其中,该方法包括:确定与待预测时间段关联的历史时间序列,其中,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列;对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项;分别对趋势项、周期项和残差项分别进行预测,得到多个预测结果,多个预测结果用于表征待预测时间段内的多个时间序列;对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。本申请解决了相关技术电力负荷预测方法在特殊时间段内的预测准确性较低的技术问题。
Description
技术领域
本申请涉及人工智能技术、电力系统技术领域,具体而言,涉及一种时间序列的处理方法和电力系统负荷的处理方法。
背景技术
随着社会的快速发展和电力市场化程度的不断提高,电力系统运行的稳定性与经济性受到了极大的重视。负荷预测作为电力系统规划和运行的重要基础,对保障电力系统的安全稳定运行、优化电力资源配置起着至关重要的作用。节假日电力系统负荷预测是电力系统规划和运营中的一个特别复杂的问题,然而,首先由于节假日的用电模式与工作日存在较大差异,如居民假日聚会、商业活动增加等,其次由于节假日负荷数据量小,会受到多方面因素的影响,包括社会、经济和气候等,负荷的增长和变化关系变得不确定,最后由于节假日跨度较长,导致传统的电力负荷预测方法在节假日这类特殊时段的预测准确性上往往受到挑战。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种时间序列的处理方法和电力系统负荷的处理方法,以至少解决相关技术电力负荷预测方法在特殊时间段内的预测准确性较低的技术问题。
根据本申请实施例的一个方面,提供了一种时间序列的处理方法,包括:确定与待预测时间段关联的历史时间序列,其中,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列;对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史时间序列中具有预设变化趋势的数据,周期项用于表征历史时间序列中具有预设周期的数据,残差项用于表征历史时间序列中除趋势项和周期项之外的其他数据;分别对趋势项、周期项和残差项分别进行预测,得到多个预测结果,其中,多个预测结果用于表征待预测时间段内的多个时间序列;对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
根据本申请实施例的另一方面,还提供了一种电力系统负荷的处理方法,包括:确定电力系统在待预测时间段之前运行所产生的历史负荷数据,其中,待预测时间段为当前时刻之后的时间段;对历史负荷数据进行分解,得到历史负荷数据中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史负荷数据中具有预设变化趋势的数据,周期项用于表征历史负荷数据中具有预设周期的数据,残差项用于表征历史负荷数据中除趋势项和周期项之外的其他数据;分别对趋势项、周期项和残差项进行预测,得到多个预测结果,其中,多个预测结果用于表征电力系统在待预测时间段内运行所产生的负荷数据;对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
根据本申请实施例的另一方面,还提供了一种时间序列的处理方法,包括:响应作用于操作界面上的输入指令,在操作界面上显示待预测时间段,其中,待预测时间段为当前时刻之后的时间段;响应作用于操作界面上的处理指令,在操作界面上显示待预测时间段对应的目标预测结果,其中,目标预测结果是对多个预测结果进行汇总得到的结果,多个预测结果是分别对与待预测时间段关联的历史时间序列中包含的趋势项、周期项和残差项进行预测得到的结果,趋势项、周期项和残差项是对历史时间序列进行分解得到的。
根据本申请实施例的另一方面,还提供了一种时间序列的处理方法,包括:通过调用第一接口获取与待预测时间段关联的历史时间序列,其中,第一接口包括第一参数,第一参数的参数值包括历史时间序列,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列;对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史时间序列中具有预设变化趋势的数据,周期项用于表征历史时间序列中具有预设周期的数据,残差项用于表征历史时间序列中除趋势项和周期项之外的其他数据;分别对趋势项、周期项和残差项进行预测,得到多个预测结果;对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果;通过调用第二接口输出目标预测结果,其中,第二接口包括第二参数,第二参数的参数值包括目标预测结果。
根据本申请实施例的另一方面,还提供了一种时间序列的处理装置,包括:确定模块,用于确定与待预测时间段关联的历史时间序列,其中,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列;分解模块,用于对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史时间序列中具有预设变化趋势的数据,周期项用于表征历史时间序列中具有预设周期的数据,残差项用于表征历史时间序列中除趋势项和周期项之外的其他数据;预测模块,用于分别对趋势项、周期项和残差项分别进行预测,得到多个预测结果,其中,多个预测结果用于表征待预测时间段内的多个时间序列;汇总模块,用于对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
根据本申请实施例的另一方面,还提供了一种电力系统负荷的处理装置,包括:确定模块,用于确定电力系统在待预测时间段之前运行所产生的历史负荷数据,其中,待预测时间段为当前时刻之后的时间段;分解模块,用于对历史负荷数据进行分解,得到历史负荷数据中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史负荷数据中具有预设变化趋势的数据,周期项用于表征历史负荷数据中具有预设周期的数据,残差项用于表征历史负荷数据中除趋势项和周期项之外的其他数据;预测模块,用于分别对趋势项、周期项和残差项进行预测,得到多个预测结果,其中,多个预测结果用于表征电力系统在待预测时间段内运行所产生的负荷数据;汇总模块,用于对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
根据本申请实施例的另一方面,还提供了一种时间序列的处理装置,包括:第一显示模块,用于响应作用于操作界面上的输入指令,在操作界面上显示待预测时间段,其中,待预测时间段为当前时刻之后的时间段;第二显示模块,用于响应作用于操作界面上的处理指令,在操作界面上显示待预测时间段对应的目标预测结果,其中,目标预测结果是对多个预测结果进行汇总得到的结果,多个预测结果是分别对与待预测时间段关联的历史时间序列中包含的趋势项、周期项和残差项进行预测得到的结果,趋势项、周期项和残差项是对历史时间序列进行分解得到的。
根据本申请实施例的另一方面,还提供了一种时间序列的处理装置,包括:第一调用模块,用于通过调用第一接口获取与待预测时间段关联的历史时间序列,其中,第一接口包括第一参数,第一参数的参数值包括历史时间序列,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列;分解模块,用于对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史时间序列中具有预设变化趋势的数据,周期项用于表征历史时间序列中具有预设周期的数据,残差项用于表征历史时间序列中除趋势项和周期项之外的其他数据;预测模块,用于分别对趋势项、周期项和残差项进行预测,得到多个预测结果;汇总模块,用于对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果;第二调用模块,用于通过调用第二接口输出目标预测结果,其中,第二接口包括第二参数,第二参数的参数值包括目标预测结果。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:存储器,存储有可执行程序;处理器,用于运行程序,其中,程序运行时执行本申请各个实施例中的方法。
根据本申请实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的可执行程序,其中,在可执行程序运行时控制计算机可读存储介质所在设备执行本申请各个实施例中的方法。
根据本申请实施例的另一方面,还提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本申请各个实施例中的方法。
根据本申请实施例的另一方面,还提供了一种计算机程序产品,包括非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储计算机程序,所述计算机程序被处理器执行时实现本申请各个实施例中的方法。
根据本申请实施例的另一方面,还提供了一种计算机程序,计算机程序被处理器执行时实现本申请各个实施例中的方法。
在本申请实施例中,采用确定与待预测时间段关联的历史时间序列,对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,分别对趋势项、周期项和残差项分别进行预测,得到多个预测结果,以及对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果的方式,实现了对待预测时间段内的时间序列进行预测的目的。容易注意到的是,待预测时间段对应的目标预测结果是通过对历史时间序列中包含的趋势项、周期项和残差项进行预测得到的,本申请在预测时间序列的过程中,充分考虑了时间序列的各种特点,将复杂的时间序列分解成简单的周期项、趋势项和残差项,从而提高了节假日电力系统负荷预测的准确性和自适应性,进而解决了相关技术电力负荷预测方法在特殊时间段内的预测准确性较低的技术问题。
容易注意到的是,上面的通用描述和后面的详细描述仅仅是为了对本申请进行举例和解释,并不构成对本申请的限定。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种时间序列的处理方法的应用场景的示意图;
图2是根据本申请实施例1的时间序列的处理方法的流程图;
图3是根据本申请实施例的可选的时间序列的处理方法的流程图;
图4是根据本申请实施例2的电力系统负荷的处理方法的流程图;
图5是根据本申请实施例3的时间序列的处理方法的流程图;
图6是根据本申请实施例4的时间序列的处理方法的流程图;
图7是根据本申请实施例5的时间序列的处理装置的示意图;
图8是根据本申请实施例6的电力系统负荷的处理装置的示意图;
图9是根据本申请实施例7的时间序列的处理装置的示意图;
图10是根据本申请实施例8的时间序列的处理装置的示意图;
图11是根据本申请实施例的一种电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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,所描述的实施例仅仅是本申请一部分的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
指数平滑模型:指数平滑模型(Exponential Smoothing Model)是一种时间序列预测方法,用于预测未来值。这种方法可以基于过去的观测值,并给予最近观测值更高的权重。指数平滑模型有多种类型,主要包括简单指数平滑、霍尔特(Holt)线性趋势平滑和霍尔特-温特斯(Holt-Winters)季节性平滑。
广义加性模型:广义加性模型(Generalized Additive Model,简称GAM)是一种统计模型,用于描述一个或多个自变量与因变量之间的关系。与传统的线性模型不同,GAM允许自变量与因变量之间的关系是非线性的。这种灵活性使得GAM在处理复杂数据和关系时非常有用。
支持向量机模型:支持向量机(SVM)是一种监督学习算法,可用于分类和回归任务。SVM基于找到目标边界(称为超平面)的概念,该边界在特征空间中将两个类别的数据点分开。在二维空间中,这个超平面可以被视为一条直线,但在高维空间中,它是一个超平面。
鲁棒周期预测算法:鲁棒周期预测算法(RobustPeriod)是一种用于分析时间序列数据的周期性的方法。鲁棒周期预测算法的基本原理是将时间序列数据与一系列正弦波和余弦波进行比较,通过最大化信号与波形之间相关性的方法来确定周期。这种方法特别适用于具有噪声的数据,因为它可以通过最小化噪声的影响来提高周期检测的准确性。
鲁棒周期分解算法:Robust Seasonal and trend decomposition using Loess,简称为RobustSTL,是一种用于时间序列数据处理的算法,是STL算法的改进版本,可以将时间序列分解为趋势项、周期项和残差项。
稀疏随机模态分解方法:稀疏随机模态分解(Sparse Random ModeDecomposition,简称SRMD)是一种信号处理技术,旨在从复杂的信号中提取有用的信息。这种方法通过将信号分解为一组稀疏和随机的模态(即基本组成成分),从而实现对信号的有效表示和分析。SRMD的核心思想是利用信号的内在稀疏性和随机性,以提高信号处理的准确性和效率。
实施例1
根据本申请实施例,提供了一种时间序列的处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例提供的上述时间序列的处理方法可以应用于如图1所示的应用场景,但不仅限于此。在如图1所示的应用场景中,大模型部署在服务器10中,服务器10可以通过局域网连接、广域网连接、因特网连接,或者其他类型的数据网络,连接一个或多个客户端设备20,此处的客户端设备20可以包括但不限于:智能手机、平板电脑、笔记本电脑、掌上电脑、个人计算机、智能家居设备、车载设备等。客户端设备20可以通过图形用户界面与用户进行交互,实现对大模型的调用,进而实现本申请实施例所提供的方法。
在本申请实施例中,客户端设备和服务器构成的系统可以执行如下步骤:客户端设备执行确定待预测时间段,服务器执行确定与待预测时间段关联的历史时间序列,对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,分别对趋势项、周期项和残差项分别进行预测,得到多个预测结果,以及对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果,客户端设备还可以执行显示目标预测结果。需要说明的是,在客户端设备的运行资源能够满足大模型的部署和运行条件的情况下,本申请实施例可以在客户端设备中进行。
在上述运行环境下,本申请提供了如图2所示的时间序列的处理方法。图2是根据本申请实施例1的时间序列的处理方法的流程图。如图2所示,该方法可以包括如下步骤:
步骤S202,确定与待预测时间段关联的历史时间序列,其中,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列。
上述步骤中的待预测时间段可以是用户输入的,希望进行时间序列预测的未来时间段,可以根据具有应用场景进行设定,例如,在电力系统场景中,为了实现节假日的电力系统负荷预测的目的,此处的待预测时间段可以是用户输入的节假日;又例如,在气象预测场景中,为了实现气象预测的目的,此处的待预测时间段可以用户输入的1天、2天等,但不仅限于此。在本申请实施例中,以待预测时间段为用户输入的节假日为例进行详细说明。
上述步骤中的目标系统可以是不同场景中,能够产生时间序列的系统,例如,在电力系统场景中,目标系统可以是电力系统,相应的时间序列为电力系统负荷;又例如,气象预测场景中,目标系统可以是气象预测系统,相应的时间序列可以是气象信息,但不仅限于此。
需要说明的是,为了实现待预测时间段的时间序列进行预测,通常可以获取待预测时间段之前的一段时间内的时间序列,作为历史时间序列,也即,与待预测时间段关联的历史时间段可以是待预测时间段之前的一段时间,例如,待预测时间段为五一假期,那么与待预测时间段关联的历史时间段可以是4月20日至3月30日之间的时间段。但是,考虑到前后两个时间段内的时间序列有时差异度较高,而时间序列往往具有周期性,例如,以电力系统场景为例进行说明,节假日电力系统负荷与正常日电力系统负荷差异度较高,且通常以年为周期,因此,可以获取上一个周期中待预测时间段对应的时间段的时间序列,作为历史时间序列,也即,与待预测时间段关联的历史时间段可以是上一个周期中待预测时间段对应的时间段,例如,待预测时间段为五一假期,那么与待预测时间段关联的历史时间段可以是去年的五一假期。进一步地,为了降低不同时间段内的时间序列的差异对时间序列预测的影响,还可以获取上一个周期中待预测时间段之前的一端时间内的时间序列,作为历史时间序列,也即,与待预测时间段关联的历史时间段可以是上一个周期中待预测时间段之前的一端时间,例如,待预测时间段为五一假期,那么与待预测时间段关联的历史时间段可以是去年4月20日至3月30日之间的时间段。
在一种可选的实施例中,在获取到用户希望进行时间序列预测的未来时间段(即上述的待预测时间段)之后,可以采用上述方法确定与待预测时间段关联的历史时间段,进一步从数据库中读取出该历史时间段内产生的时间序列作为历史时间序列。
步骤S204,对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史时间序列中具有预设变化趋势的数据,周期项用于表征历史时间序列中具有预设周期的数据,残差项用于表征历史时间序列中除趋势项和周期项之外的其他数据。
为了提高时间序列预测的准确性,可以充分考虑时间序列的多种特性,例如,周期性、趋势性、其他不确定性,进而将历史时间序列分解成规律性较强的周期项、受待预测时间影响大的趋势项、以及受不确定性因素影响的残差项。
在一种可选的实施例中,可以根据时间序列的特点,采用不同的序列分解算法对历史时间序列进行分解,例如,可以由用户观察和分析历史时间序列,手动对历史时间序列进行分解;又例如,可以采用季节分解法、傅里叶变换、时频分析方法等数学算法对历史时间序列进行分解;再例如,可以预先训练一个机器学习模型,通过该模型对历史时间序列进行分解。可选地,在本申请实施例中,可以采用鲁棒周期分解算法RobustSTL对历史时间序列进行分解。
步骤S206,分别对趋势项、周期项和残差项分别进行预测,得到多个预测结果,其中,多个预测结果用于表征待预测时间段内的多个时间序列。
由于趋势项、周期项和残差项之间的差异度较大,为了提高时间序列预测的准确度,可以分别采用不同的方法对趋势项、周期项和残差项分别进行预测,得到趋势项对应的预测结果、周期项对应的预测结果和残差项对应的预测结果,从而得到上述的多个时间序列。
在一种可选的实施例中,可以预先针对趋势项、周期项和残差项分别训练多个不同的预测模型,然后利用多个预测模型对相应的数据进行预测,得到多个预测结果,例如,可以利用趋势项预测模型对趋势项进行预测,得到趋势项对应的预测结果,利用周期项预测模型对周期项进行预测,得到周期项对应的预测结果,利用残差项预测模型对残差项进行预测,得到残差项对应的预测结果。
步骤S208,对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
在一种可选的实施例中,可以对多个预测结果进行求和、求平均、求加权和或指数变换的方式,对多个预测结果进行汇总。在另一种可选的实施例中,可以将多个预测结果进行比较,选择合适的预测结果作为目标预测结果。在又一种可选的实施例中,可以将多个预测结果拼接在一起,得到目标预测结果。
可选地,在本申请实施例中,以对多个预测结果进行加权和的方式为例,对多个预测结果汇总的方式进行详细说明。
例如,以电力系统场景为例,为了对电力系统负荷进行预测,可以首先由用户通过人机交互的方式设定节假日,并获取与该节假日有关的历史负荷数据,该历史负荷数据可以是小时粒度的负荷数据。进一步对历史负荷数据进行分解,得到规律性较强的周期项,受气象和日期影响的趋势项、以及受不确定因素影响的残差项,化繁为简,提升预测结果准确性和可解释性。然后分别对趋势项、周期项和残差项分别进行预测,得到多个电力系统预测负荷,最后对多个电力系统预测负荷进行汇总,可以得到该电力系统的目标预测负荷。
通过本申请上述实施例提供的技术方案,采用确定与待预测时间段关联的历史时间序列,对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,分别对趋势项、周期项和残差项分别进行预测,得到多个预测结果,以及对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果的方式,实现了对待预测时间段内的时间序列进行预测的目的。容易注意到的是,待预测时间段对应的目标预测结果是通过对历史时间序列中包含的趋势项、周期项和残差项进行预测得到的,本申请在预测时间序列的过程中,充分考虑了时间序列的各种特点,将复杂的时间序列分解成简单的周期项、趋势项和残差项,从而提高了节假日电力系统负荷预测的准确性和自适应性,进而解决了相关技术电力负荷预测方法在特殊时间段内的预测准确性较低的技术问题。
在本申请上述实施例中,确定与待预测时间段关联的历史时间序列,包括:确定与待预测时间段关联的历史时间段;获取历史时间段之前第一预设时间段内的第一时间序列,历史时间段内的第二时间序列,以及待预测时间段之前第二预设时间段内的第三时间序列;对第一时间序列、第二时间序列和第三时间序列进行拼接,得到历史时间序列。
上述的历史时间段可以是指上一个周期中,待预测时间段对应的时间段,例如,以电力系统场景为例,待检测时间段为节假日,那么历史时间段可以是历年中相同的节假日,但不仅限于此。
在一种可选的实施例中,考虑到不同时间段之间的差异性,可以将待预测时间段之前一段时间的时间段、上一个周期中历史预测时间段、以及上一个周期中历史预测时间段之前一段时间的时间段,作为与待预测时间段关联的历史时间段。进一步地,通过序列拼接的方式将不同时间段内的时间序列进行拼接,可以得到一个完整度较高的历史时间序列。
例如,仍以电力系统场景为例,待检测时间段为节假日,那么可以将历史节假日前N天的电力系统负荷、历史节假日的电力系统负荷、以及当前节假日前N天的电力系统负荷,从而通过将上述电力系统负荷拼接,得到历史时间序列,而不是让数据集中正常日负荷数据占据较多数,减少正常日负荷模式对节假日负荷预测的影响。
在本申请上述实施例中,分别对趋势项、周期项和残差项进行预测,得到多个预测结果,包括:利用指数平滑模型对周期项进行预测,得到第一预测结果;利用广义加性模型对趋势项进行预测,得到第二预测结果;利用支持向量机模型对残差项进行预测,得到第三预测结果;对第一预测结果、第二预测结果和第三预测结果进行汇总,得到多个预测结果。
在一种可选的实施例中,针对周期项,可以利用指数平滑模型进行预测;针对趋势项,考虑变量间的非线性效应和交互作用,建立广义加性模型,然后利用广义加性模型对趋势项进行预测;针对残差项,该项中主要包含不确定性成分,但是也具有一定的规律模式在其中,这些规律性模式对于修正负荷曲线关键区间预测准确性具有一定的积极作用。考虑到残差项信号具有间歇性较明显、随机性较大的特点,可以使用支持向量机模型进行预测。因此,一个预测模型输出的结果可以作为一个预测结果。
在本申请上述实施例中,利用指数平滑模型对周期项进行预测,得到第一预测结果,包括:利用鲁棒周期预测算法确定周期项的周期;利用指数平滑模型基于周期对周期项进行预测,得到第一预测结果。
在一种可选的实施例中,对于周期项,首先可以使用鲁棒周期预测算法确定周期项最主要的周期,然后使用指数平滑模型(特别是Holt-winters模型)对周期项进行预测。
在本申请上述实施例中,该方法还包括:获取待预测时间段对应的因素特征集合,其中,因素特征集合包括:时间因素特征、气象因素特征和交互因素特征,时间因素特征用于表征待预测时间段的类型,气象因素特征用于表征待预测时间段内的气象,交互因素特征用于表征待预测时间段内的温度和湿度的联合效应;基于因素特征集合构建广义加性模型。
在一种可选的实施例中,考虑变量间的非线性效应和交互作用,在用户输入待预测时间之后,首先可以根据待预测时间构建时间因素特征,例如,可以将年月日形式的待预测时间转换为列向量形式,得到上述的时间因素特征;又例如,可以确定待预测时间对应的类型(如工作日、周末、星期、节假日等),并将该类型转换为列向量形式,得到上述的时间因素特征。其次,可以从气象服务器中获取待预测时间对应的气象数据(如温度数据、气压数据、风速数据、降水量数据、辐射数据等),构建气象因素特征,例如,从气象数据中提取出气象因素特征,例如,100米U风分量、地表温度、100米V风分量、10米U风分量、总云量、地表太阳辐射向下、总降水量、地表气压、2米露点温度、2米温度、10米V风分量、地表净太阳辐射、地表感热通量、晴天地表净太阳辐射等,但不仅限于此。最后,在获取到气象数据之后,考虑到不同气象因素之间的联合作用,可以从气象数据中提取出交互因素特征,例如,考虑温度湿度的联合效应,可以从气象数据中提取温度数据和湿度数据,并确定人体舒适度,从而将人体舒适度作为交互因素特征,但不仅限于此。需要说明的是,上述不同因素特征可以采用列数据的形式进行存储和处理。
在获取到上述不同因素特征之后,可以将因素特征集合作为输入数据来建立广义加性模型,可选的,可以基于因素特征集合确定平滑函数,并通过调整平滑函数的参数,构建广义加性模型,具体构建过程可以参考相关技术,在此不做赘述。
在本申请上述实施例中,利用广义加性模型对趋势项进行预测,得到第二预测结果,包括:在广义加性模型中的因素特征集合中添加约束条件,得到新的广义加性模型;利用新的广义加性模型对趋势项进行预测,得到第二预测结果。
在一种可选的实施例中,考虑到目标时间序列的序列特性,可以对广义加性模型中的时间因素特征施加分段单调性约束(即上述的约束条件),即假期到来之前负荷单调递减,假期过后负荷单调递增,以保证预测负荷与专家经验相符。
例如,在电力系统场景中,电力系统负荷在节假日存在V字形的负荷特性,也即,节假日期间,电力系统负荷呈现类似“V”的形状,在节假日开始和结束时的电力系统负荷较高,而在节假日期间的电力系统负荷较低。这种负荷特性可以从以下几个方面解释:首先,在节假日开始前,用户通常会避免加班,尽量较早回到家中,增加居民用电需求,同时部分企业和工厂为了确保节假日期间休息,会加大生产力度,同样增加用电需求,这些因素共同导致节假日开始前电力系统负荷的增长;其次,在节假日期限,大多数企业和工厂会暂停生产,减少电力需求,而用户通常选择外出旅游或探亲访友,同样减少居民用电需求,这些因素共同导致节假日期间电力负荷的降低;最后,随着节假日结束,用户返回工作岗位,企业和工厂恢复生产,电力需求迅速回升,导致节假日结束时电力系统负荷增长。因此,可以建立广义加性模型进行预测,并对广义加性模型中的日期因素的效应施加分段单调性约束,即假期到来之前负荷单调递减,假期过后负荷单调递增,保证预测负荷与专家经验相符。
在本申请上述实施例中,利用支持向量机模型对残差项进行预测,得到第三预测结果,包括:利用稀疏随机模态分解方法对残差项进行分解,得到多个本征模态函数;利用支持向量机模型对多个本征模态函数进行预测,得到多个本征模态函数对应的预测结果;对多个本征模态函数对应的预测结果进行加和处理,得到第三预测结果。
在一种可选的实施例中,针对残差项,考虑到残差项信号具有间歇性较明显、随机性较大的特点,因此使用稀疏随机模态分解方法对残差项进行分解,得到一系列的本征模态函数,然后对这些模态函数使用支持向量机模型进行预测,得到残差项的预测结果(即上述的第三预测结果)。通过利用稀疏随机模态分解方法对残差项进行二次分解,充分挖掘残差项中的有效信息,进一步提高预测准确性。
在本申请上述实施例中,对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,包括:利用鲁棒周期分解算法对历史时间序列进行分解,得到趋势项、周期项和残差项。
在一种可选的实施例中,可以使用RobustSTL方法对历史时间序列进行分解得到趋势项、周期项和残差项。
在本申请上述实施例中,对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果,包括:对多个预测结果进行加权和处理,得到目标预测结果。
在一种可选的实施例中,把周期项、趋势项和残差项的预测结果进行加和得到目标预测结果。
在本申请上述实施例中,对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,包括:对历史时间序列进行对数处理,得到对数时间序列;对该对数时间序列进行分解,得到趋势项、周期项和残差项;对多个预测结果进行加和处理,得到待预测时间对应的目标时间序列,包括:对多个预测结果进行加和处理,得到目标预测结果;对目标预测结果进行指数变换,得到目标时间序列。
在一种可选的实施例中,可以根据负荷不确定性与负荷幅值成比例关系的假设,对历史时间序列取对数,得到对数时间序列,然后使用RobustSTL方法对该对数时间序列进行分解。在得到多个预测结果之后,可以把多个预测结果进行加权和得到目标预测结果,然后利用指数变换对目标预测结果进行变换,得到目标时间序列。
下面结合图3,以电力系统场景为例对本申请一种优选的实施例进行详细说明。如图3所示,该方案的实现流程如下:
S301,输入历史负荷数据、预测日的日期因素特征、气象因素特征。
S302,将历年节假日附近负荷数据(历年节假日前N天负荷数据和历年节假日负荷数据)+今年待预测节假日前N天的负荷数据进行拼接得到拼接后的新负荷数据y。
S303,根据负荷不确定性与负荷幅值成比例关系的假设,对新负荷数据取对数,得到对数负荷时间序列y=log(y)。
S304,把该对数负荷时间序列用RobustSTL方法进行分解得到趋势项、周期项和残差项。
S305,针对周期项,用RobustPeriod方法计算周期项最主要的周期,将该周期作为Holt-winters模型的参数,对周期项进行预测。
S306,针对趋势项,构建日期因素特征、气象因素特征和交互因素特征,并建立广义加性模型进行预测,可选地,考虑到节假日V字形的负荷特性,基于日期因素特征、气象因素特征和交互因素特征,通过广义加性模型,并在广义加性模型的日期因素特征中施加分段单调性约束,进行趋势项预测,也即,即假期到来之前负荷单调递减,假期过后负荷单调递增,以保证预测负荷与专家经验相符。
S307,针对残差项,考虑到残差项信号具有间歇性较明显、随机性较大的特点,因此使用稀疏随机模态分解方法对残差项进行再次分解,得到一系列本征模态函数,然后使用支持向量机模型对这些本征模态函数进行预测,得到不同本征模态函数的预测结果,并将预测结果加和得到残差项的预测结果。
S308,把周期项、趋势项和残差项的预测结果进行加和得到对数负荷的预测数据,然后利用指数变换对该预测结果进行变换,得到预测曲线。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
根据本申请实施例,还提供了一种电力系统负荷的处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在实施例1中提供的运行环境下,本申请还提供了如图4所示的时间序列的处理方法。图4是根据本申请实施例2的电力系统负荷的处理方法的流程图。如图4所示,该方法可以包括如下步骤:
步骤S402,确定电力系统在待预测时间段之前运行所产生的历史负荷数据,其中,待预测时间段为当前时刻之后的时间段。
步骤S404,对历史负荷数据进行分解,得到历史负荷数据中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史负荷数据中具有预设变化趋势的数据,周期项用于表征历史负荷数据中具有预设周期的数据,残差项用于表征历史负荷数据中除趋势项和周期项之外的其他数据。
步骤S406,分别对趋势项、周期项和残差项进行预测,得到多个预测结果,其中,多个预测结果用于表征电力系统在待预测时间段内运行所产生的负荷数据。
步骤S408,对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
在本申请上述实施例中,确定电力系统在待预测时间段之前运行所产生的历史负荷数据,包括:确定与待预测时间段关联的历史时间段;获取电力系统在历史时间段之前的第一预设时间段内运行所产生的第一负荷数据,电力系统在历史时间段内运行所产生的第二负荷数据,以及电力系统在待预测时间段之前的第二预设时间段内运行所产生的第三负荷数据;对第一负荷数据、第二负荷数据和第三负荷数据进行拼接,得到历史负荷数据。
在本申请上述实施例中,分别对趋势项、周期项和残差项进行预测,得到多个预测结果,包括:利用指数平滑模型对周期项进行预测,得到第一预测结果;利用广义加性模型对趋势项进行预测,得到第二预测结果;利用支持向量机模型对残差项进行预测,得到第三预测结果;对第一预测结果、第二预测结果和第三预测结果进行汇总,得到多个预测结果。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例3
根据本申请实施例,还提供了一种时间序列的处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在实施例1中提供的运行环境下,本申请还提供了如图5所示的时间序列的处理方法。图5是根据本申请实施例3的时间序列的处理方法的流程图。如图5所示,该方法可以包括如下步骤:
步骤S502,响应作用于操作界面上的输入指令,在操作界面上显示待预测时间段,其中,待预测时间段为当前时刻之后的时间段。
步骤S504,响应作用于操作界面上的处理指令,在操作界面上显示待预测时间段对应的目标预测结果,其中,目标预测结果是对多个预测结果进行汇总得到的结果,多个预测结果是分别对与待预测时间段关联的历史时间序列中包含的趋势项、周期项和残差项进行预测得到的结果,趋势项、周期项和残差项是对历史时间序列进行分解得到的。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例4
根据本申请实施例,还提供了一种时间序列的处理方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在实施例1中提供的运行环境下,本申请还提供了如图6所示的时间序列的处理方法。图6是根据本申请实施例4的时间序列的处理方法的流程图。如图6所示,该方法可以包括如下步骤:
步骤S602,通过调用第一接口获取与待预测时间段关联的历史时间序列,其中,第一接口包括第一参数,第一参数的参数值包括历史时间序列,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列。
步骤S604,对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史时间序列中具有预设变化趋势的数据,周期项用于表征历史时间序列中具有预设周期的数据,残差项用于表征历史时间序列中除趋势项和周期项之外的其他数据。
步骤S606,分别对趋势项、周期项和残差项进行预测,得到多个预测结果。
步骤S608,对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
步骤S610,通过调用第二接口输出目标预测结果,其中,第二接口包括第二参数,第二参数的参数值包括目标预测结果。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例5
根据本申请实施例,还提供了一种用于实施上述时间序列的处理方法的时间序列的处理装置,如图7所示,该装置700包括:第一确定模块702、第一分解模块704、第一预测模块706和第一汇总模块708。
其中,第一确定模块702用于确定与待预测时间段关联的历史时间序列,其中,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列;第一分解模块704用于对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史时间序列中具有预设变化趋势的数据,周期项用于表征历史时间序列中具有预设周期的数据,残差项用于表征历史时间序列中除趋势项和周期项之外的其他数据;第一预测模块706用于分别对趋势项、周期项和残差项分别进行预测,得到多个预测结果,其中,多个预测结果用于表征待预测时间段内的多个时间序列;第一汇总模块708用于对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
此处需要说明的是,上述第一确定模块702、第一分解模块704、第一预测模块706和汇总模块708对应于实施例1中的步骤S202至步骤S208,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器中并由一个或多个处理器处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的服务器10中。
在本申请上述实施例中,第一确定模块包括:第一确定单元、第一获取单元和第一拼接单元。
其中,第一确定单元用于确定与待预测时间段关联的历史时间段;第一获取单元用于获取历史时间段之前第一预设时间段内的第一时间序列,历史时间段内的第二时间序列,以及待预测时间段之前第二预设时间段内的第三时间序列;第一拼接单元用于对第一时间序列、第二时间序列和第三时间序列进行拼接,得到历史时间序列。
在本申请上述实施例中,第一预测模块包括:第一预测单元、第二预测单元、第三预测单元和第一汇总单元。
其中,第一预测单元用于利用指数平滑模型对周期项进行预测,得到第一预测结果;第二预测单元用于利用广义加性模型对趋势项进行预测,得到第二预测结果;第三预测单元用于利用支持向量机模型对残差项进行预测,得到第三预测结果;第一汇总单元用于对第一预测结果、第二预测结果和第三预测结果进行汇总,得到多个预测结果。
在本申请上述实施例中,第一预测单元还用于利用鲁棒周期预测算法确定周期项的周期;利用指数平滑模型基于周期对周期项进行预测,得到第一预测结果。
在本申请上述实施例中,该装置还包括:获取模块和构建模块。
其中,获取模块用于获取待预测时间段对应的因素特征集合,其中,因素特征集合包括:时间因素特征、气象因素特征和交互因素特征,时间因素特征用于表征待预测时间段的类型,气象因素特征用于表征待预测时间段内的气象,交互因素特征用于表征待预测时间段内的温度和湿度的联合效应;构建模块用于基于因素特征集合构建广义加性模型。
在本申请上述实施例中,第二预测单元还用于在广义加性模型中的因素特征集合中添加约束条件,得到新的广义加性模型;利用新的广义加性模型对趋势项进行预测,得到第二预测结果。
在本申请上述实施例中,第三预测单元还用于利用稀疏随机模态分解方法对残差项进行分解,得到多个本征模态函数;利用支持向量机模型对多个本征模态函数进行预测,得到多个本征模态函数对应的预测结果;对多个本征模态函数对应的预测结果进行加和处理,得到第三预测结果。
在本申请上述实施例中,第一分解模块包括:分解单元。
其中,分解单元用于利用鲁棒周期分解算法对历史时间序列进行分解,得到趋势项、周期项和残差项。
在本申请上述实施例中,第一汇总模块包括:加权和单元。
其中,加权和单元用于对多个预测结果进行加权和处理,得到目标预测结果。
在本申请上述实施例中,第一分解模块还用于对历史时间序列进行对数处理,得到对数时间序列,对该对数时间序列进行分解,得到趋势项、周期项和残差项;加权和单元还用于对多个预测结果进行加和处理,得到目标预测结果,对目标预测结果进行指数变换,得到目标时间序列。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例6
根据本申请实施例,还提供了一种用于实施上述电力系统负荷的处理方法的电力系统负荷的处理装置,如图8所示,该装置800包括:第二确定模块802、第二分解模块804、第二预测模块806和第二汇总模块808。
其中,第二确定模块802用于确定电力系统在待预测时间段之前运行所产生的历史负荷数据,其中,待预测时间段为当前时刻之后的时间段;第二分解模块804用于对历史负荷数据进行分解,得到历史负荷数据中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史负荷数据中具有预设变化趋势的数据,周期项用于表征历史负荷数据中具有预设周期的数据,残差项用于表征历史负荷数据中除趋势项和周期项之外的其他数据;第二预测模块806用于分别对趋势项、周期项和残差项进行预测,得到多个预测结果,其中,多个预测结果用于表征电力系统在待预测时间段内运行所产生的负荷数据;第二汇总模块808用于对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果。
此处需要说明的是,上述第二确定模块802、第二分解模块804、第二预测模块806和第二汇总模块808对应于实施例2中的步骤S402至步骤S408,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器中并由一个或多个处理器处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的服务器10中。
在本申请上述实施例中,第二确定模块包括:第二确定单元、第二获取单元和第二拼接单元。
其中,第二确定单元用于确定与待预测时间段关联的历史时间段;第二获取单元用于获取电力系统在历史时间段之前的第一预设时间段内运行所产生的第一负荷数据,电力系统在历史时间段内运行所产生的第二负荷数据,以及电力系统在待预测时间段之前的第二预设时间段内运行所产生的第三负荷数据;第二拼接单元用于对第一负荷数据、第二负荷数据和第三负荷数据进行拼接,得到历史负荷数据。
在本申请上述实施例中,第二预测模块包括:第四预测单元、第五预测单元、第六预测单元和第二汇总单元。
其中,第四预测单元用于利用指数平滑模型对周期项进行预测,得到第一预测结果;第五预测单元用于利用广义加性模型对趋势项进行预测,得到第二预测结果;第六预测单元用于利用支持向量机模型对残差项进行预测,得到第三预测结果;第二汇总单元用于对第一预测结果、第二预测结果和第三预测结果进行汇总,得到多个预测结果。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例7
根据本申请实施例,还提供了一种用于实施上述时间序列的处理方法的时间序列的处理装置,如图9所示,该装置900包括:第一显示模块902和第二显示模块904。
其中,第一显示模块902用于响应作用于操作界面上的输入指令,在操作界面上显示待预测时间段,其中,待预测时间段为当前时刻之后的时间段;第二显示模块904用于响应作用于操作界面上的处理指令,在操作界面上显示待预测时间段对应的目标预测结果,其中,目标预测结果是对多个预测结果进行汇总得到的结果,多个预测结果是分别对与待预测时间段关联的历史时间序列中包含的趋势项、周期项和残差项进行预测得到的结果,趋势项、周期项和残差项是对历史时间序列进行分解得到的。
此处需要说明的是,上述第一显示模块902和第二显示模块904对应于实施例3中的步骤S502至步骤S504,两个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器中并由一个或多个处理器处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的服务器10中。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例8
根据本申请实施例,还提供了一种用于实施上述时间序列的处理方法的时间序列的处理装置,如图10所示,该装置1000包括:第一调用模块1002、第三分解模块1004、第三预测模块1006、第三汇总模块1008和第二调用模块1010。
其中,第一调用模块1002用于通过调用第一接口获取与待预测时间段关联的历史时间序列,其中,第一接口包括第一参数,第一参数的参数值包括历史时间序列,待预测时间段为当前时刻之后的时间段,历史时间序列用于表征目标系统在与待预测时间段关联的历史时间段内运行所产生的时间序列;第三分解模块1004用于对历史时间序列进行分解,得到历史时间序列中包含的趋势项、周期项和残差项,其中,趋势项用于表征历史时间序列中具有预设变化趋势的数据,周期项用于表征历史时间序列中具有预设周期的数据,残差项用于表征历史时间序列中除趋势项和周期项之外的其他数据;第三预测模块1006用于分别对趋势项、周期项和残差项进行预测,得到多个预测结果;第三汇总模块1008用于对多个预测结果进行汇总,得到待预测时间段对应的目标预测结果;第二调用模块1010用于通过调用第二接口输出目标预测结果,其中,第二接口包括第二参数,第二参数的参数值包括目标预测结果。
此处需要说明的是,上述第一调用模块1002、第三分解模块1004、第三预测模块1006、第三汇总模块1008和第二调用模块1010对应于实施例4中的步骤S602至步骤S610,五个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器中并由一个或多个处理器处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的服务器10中。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例9
本申请的实施例可以提供一种电子设备,该电子设备可以是电子设备群中的任意一个电子设备。可选地,在本实施例中,上述电子设备也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行方法中的程序代码。
可选地,图11是根据本申请实施例的一种电子设备的结构框图。如图所示,该电子设备A可以包括:一个或多个(图中仅示出一个)处理器102、存储器104、存储控制器、以及外设接口,其中,外设接口与射频模块、音频模块和显示器连接。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端A。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域普通技术人员可以理解,如图所示的结构仅为示意,电子设备也可以是智能手机(如、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。该图其并不对上述电子装置的结构造成限定。例如,电子设备A还可包括比该图中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与该图所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
实施例10
本申请的实施例还提供了一种计算机可读存储介质。可选地,在本实施例中,上述计算机可读存储介质可以用于保存上述实施例所提供的方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中电子设备群中的任意一个电子设备中,或者位于移动终端群中的任意一个移动终端中。
实施例11
本申请的实施例还提供了一种计算机程序产品。可选地,在本实施例中,上述计算机程序产品可以包括计算机程序,上述计算机程序在被处理器执行时实现上述实施例所提供的方法。
实施例12
本申请的实施例还提供了一种计算机程序产品。可选地,上述计算机程序产品可以包括非易失性计算机可读存储介质,上述非易失性计算机可读存储介质可以用于存储计算机程序,上述计算机程序被处理器执行时实现上述实施例所提供的方法。
实施例13
本申请的实施例还提供了一种计算机程序。可选地,在本实施例中,上述计算机程序被处理器执行时实现上述实施例所提供的方法。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (18)
1.一种时间序列的处理方法,其特征在于,包括:
确定与待预测时间段关联的历史时间序列,其中,所述待预测时间段为当前时刻之后的时间段,所述历史时间序列用于表征目标系统在与所述待预测时间段关联的历史时间段内运行所产生的时间序列;
对所述历史时间序列进行分解,得到所述历史时间序列中包含的趋势项、周期项和残差项,其中,所述趋势项用于表征所述历史时间序列中具有预设变化趋势的数据,所述周期项用于表征所述历史时间序列中具有预设周期的数据,所述残差项用于表征所述历史时间序列中除所述趋势项和所述周期项之外的其他数据;
分别对所述趋势项、所述周期项和所述残差项分别进行预测,得到多个预测结果,其中,所述多个预测结果用于表征所述待预测时间段内的多个时间序列;
对所述多个预测结果进行汇总,得到所述待预测时间段对应的目标预测结果。
2.根据权利要求1所述的方法,其特征在于,所述确定与待预测时间段关联的历史时间序列,包括:
确定与所述待预测时间段关联的历史时间段;
获取所述历史时间段之前第一预设时间段内的第一时间序列,所述历史时间段内的第二时间序列,以及所述待预测时间段之前第二预设时间段内的第三时间序列;
对所述第一时间序列、所述第二时间序列和所述第三时间序列进行拼接,得到所述历史时间序列。
3.根据权利要求1所述的方法,其特征在于,所述分别对所述趋势项、所述周期项和所述残差项进行预测,得到多个预测结果,包括:
利用指数平滑模型对所述周期项进行预测,得到第一预测结果;
利用广义加性模型对所述趋势项进行预测,得到第二预测结果;
利用支持向量机模型对所述残差项进行预测,得到第三预测结果;
对所述第一预测结果、所述第二预测结果和所述第三预测结果进行汇总,得到所述多个预测结果。
4.根据权利要求3所述的方法,其特征在于,所述利用指数平滑模型对所述周期项进行预测,得到第一预测结果,包括:
利用鲁棒周期预测算法确定所述周期项的周期;
利用所述指数平滑模型基于所述周期对所述周期项进行预测,得到所述第一预测结果。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取所述待预测时间段对应的因素特征集合,其中,所述因素特征集合包括:时间因素特征、气象因素特征和交互因素特征,所述时间因素特征用于表征所述待预测时间段的类型,所述气象因素特征用于表征所述待预测时间段内的气象,所述交互因素特征用于表征所述待预测时间段内的温度和湿度的联合效应;
基于所述因素特征集合构建所述广义加性模型。
6.根据权利要求5所述的方法,其特征在于,所述利用所述广义加性模型对所述趋势项进行预测,得到所述第二预测结果,包括:
在所述广义加性模型中的所述因素特征集合中添加约束条件,得到新的广义加性模型;
利用所述新的广义加性模型对所述趋势项进行预测,得到所述第二预测结果。
7.根据权利要求3所述的方法,其特征在于,所述利用支持向量机模型对所述残差项进行预测,得到第三预测结果,包括:
利用稀疏随机模态分解方法对所述残差项进行分解,得到多个本征模态函数;
利用所述支持向量机模型对所述多个本征模态函数进行预测,得到所述多个本征模态函数对应的预测结果;
对所述多个本征模态函数对应的预测结果进行加和处理,得到所述第三预测结果。
8.根据权利要求1所述的方法,其特征在于,所述对所述历史时间序列进行分解,得到所述历史时间序列中包含的趋势项、周期项和残差项,包括:
利用鲁棒周期分解算法对所述历史时间序列进行分解,得到所述趋势项、所述周期项和所述残差项。
9.根据权利要求1所述的方法,其特征在于,所述对所述多个预测结果进行汇总,得到所述待预测时间段对应的目标预测结果,包括:
对所述多个预测结果进行加权和处理,得到所述目标预测结果。
10.根据权利要求1至9中任意一项所述的方法,其特征在于,
所述对所述历史时间序列进行分解,得到所述历史时间序列中包含的趋势项、周期项和残差项,包括:
对所述历史时间序列进行对数处理,得到对数时间序列;
对所述对数时间序列进行分解,得到所述趋势项、所述周期项和所述残差项;
所述对所述多个预测结果进行加和处理,得到所述待预测时间对应的目标时间序列,包括:
对所述多个预测结果进行加和处理,得到目标预测结果;
对所述目标预测结果进行指数变换,得到所述目标时间序列。
11.一种电力系统负荷的处理方法,其特征在于,包括:
确定电力系统在待预测时间段之前运行所产生的历史负荷数据,其中,所述待预测时间段为当前时刻之后的时间段;
对所述历史负荷数据进行分解,得到所述历史负荷数据中包含的趋势项、周期项和残差项,其中,所述趋势项用于表征所述历史负荷数据中具有预设变化趋势的数据,所述周期项用于表征所述历史负荷数据中具有预设周期的数据,所述残差项用于表征所述历史负荷数据中除所述趋势项和所述周期项之外的其他数据;
分别对所述趋势项、所述周期项和所述残差项进行预测,得到多个预测结果,其中,所述多个预测结果用于表征所述电力系统在所述待预测时间段内运行所产生的负荷数据;
对所述多个预测结果进行汇总,得到所述待预测时间段对应的目标预测结果。
12.根据权利要求11所述的方法,其特征在于,所述确定电力系统在待预测时间段之前运行所产生的历史负荷数据,包括:
确定与所述待预测时间段关联的历史时间段;
获取所述电力系统在所述历史时间段之前的第一预设时间段内运行所产生的第一负荷数据,所述电力系统在所述历史时间段内运行所产生的第二负荷数据,以及所述电力系统在所述待预测时间段之前的第二预设时间段内运行所产生的第三负荷数据;
对所述第一负荷数据、所述第二负荷数据和所述第三负荷数据进行拼接,得到所述历史负荷数据。
13.根据权利要求11所述的方法,其特征在于,所述分别对所述趋势项、所述周期项和所述残差项进行预测,得到多个预测结果,包括:
利用指数平滑模型对所述周期项进行预测,得到第一预测结果;
利用广义加性模型对所述趋势项进行预测,得到第二预测结果;
利用支持向量机模型对所述残差项进行预测,得到第三预测结果;
对所述第一预测结果、所述第二预测结果和所述第三预测结果进行汇总,得到所述多个预测结果。
14.一种时间序列的处理方法,其特征在于,包括:
响应作用于操作界面上的输入指令,在所述操作界面上显示待预测时间段,其中,所述待预测时间段为当前时刻之后的时间段;
响应作用于所述操作界面上的处理指令,在所述操作界面上显示所述待预测时间段对应的目标预测结果,其中,所述目标预测结果是对多个预测结果进行汇总得到的结果,所述多个预测结果是分别对与待预测时间段关联的历史时间序列中包含的趋势项、周期项和残差项进行预测得到的结果,所述趋势项、所述周期项和所述残差项是对所述历史时间序列进行分解得到的。
15.一种时间序列的处理方法,其特征在于,包括:
通过调用第一接口获取与待预测时间段关联的历史时间序列,其中,所述第一接口包括第一参数,所述第一参数的参数值包括所述历史时间序列,所述待预测时间段为当前时刻之后的时间段,所述历史时间序列用于表征目标系统在与所述待预测时间段关联的历史时间段内运行所产生的时间序列;
对所述历史时间序列进行分解,得到所述历史时间序列中包含的趋势项、周期项和残差项,其中,所述趋势项用于表征所述历史时间序列中具有预设变化趋势的数据,所述周期项用于表征所述历史时间序列中具有预设周期的数据,所述残差项用于表征所述历史时间序列中除所述趋势项和所述周期项之外的其他数据;
分别对所述趋势项、所述周期项和所述残差项进行预测,得到多个预测结果;
对所述多个预测结果进行汇总,得到所述待预测时间段对应的目标预测结果;
通过调用第二接口输出所述目标预测结果,其中,所述第二接口包括第二参数,所述第二参数的参数值包括所述目标预测结果。
16.一种电子设备,其特征在于,包括:
存储器,存储有可执行程序;
处理器,用于运行所述程序,其中,所述程序运行时执行权利要求1至15中任意一项所述的方法。
17.一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包括存储的可执行程序,其中,在所述可执行程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至15中任意一项所述的方法。
18.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1至15中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410515994.4A CN118100178A (zh) | 2024-04-26 | 2024-04-26 | 时间序列的处理方法和电力系统负荷的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410515994.4A CN118100178A (zh) | 2024-04-26 | 2024-04-26 | 时间序列的处理方法和电力系统负荷的处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118100178A true CN118100178A (zh) | 2024-05-28 |
Family
ID=91160236
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410515994.4A Pending CN118100178A (zh) | 2024-04-26 | 2024-04-26 | 时间序列的处理方法和电力系统负荷的处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118100178A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124466A1 (en) * | 2015-10-30 | 2017-05-04 | Global Design Corporation Ltd. | System, Method and Cloud-Based Platform for Predicting Energy Consumption |
CN110955513A (zh) * | 2018-09-27 | 2020-04-03 | 阿里巴巴集团控股有限公司 | 一种服务资源的调度方法及系统 |
CN111080486A (zh) * | 2019-12-27 | 2020-04-28 | 新奥数能科技有限公司 | 一种电负荷预测方法及装置 |
CN113705929A (zh) * | 2021-09-15 | 2021-11-26 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
CN114580740A (zh) * | 2022-03-03 | 2022-06-03 | 北京百度网讯科技有限公司 | 母线负荷预测方法、装置、电子设备及存储介质 |
CN116562471A (zh) * | 2023-07-10 | 2023-08-08 | 安徽中科海奥电气股份有限公司 | 一种基于stl数据分解的stl-sarima-gru功率预测方法 |
-
2024
- 2024-04-26 CN CN202410515994.4A patent/CN118100178A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124466A1 (en) * | 2015-10-30 | 2017-05-04 | Global Design Corporation Ltd. | System, Method and Cloud-Based Platform for Predicting Energy Consumption |
CN110955513A (zh) * | 2018-09-27 | 2020-04-03 | 阿里巴巴集团控股有限公司 | 一种服务资源的调度方法及系统 |
CN111080486A (zh) * | 2019-12-27 | 2020-04-28 | 新奥数能科技有限公司 | 一种电负荷预测方法及装置 |
CN113705929A (zh) * | 2021-09-15 | 2021-11-26 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
CN114580740A (zh) * | 2022-03-03 | 2022-06-03 | 北京百度网讯科技有限公司 | 母线负荷预测方法、装置、电子设备及存储介质 |
CN116562471A (zh) * | 2023-07-10 | 2023-08-08 | 安徽中科海奥电气股份有限公司 | 一种基于stl数据分解的stl-sarima-gru功率预测方法 |
Non-Patent Citations (1)
Title |
---|
张敬信: "数学建模算法与编程实现", 31 July 2022, 机械工业出版社, pages: 256 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889545A (zh) | 一种电力负荷预测方法、装置及可读存储介质 | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN112508118B (zh) | 针对数据偏移的目标对象行为预测方法及其相关设备 | |
CN113284001B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
CN113222403B (zh) | 基于大数据的电力调节方法、装置、存储介质及电子设备 | |
CN111368980A (zh) | 状态检测方法、装置、设备及存储介质 | |
CN111435482A (zh) | 一种外呼模型的构建方法、外呼方法、装置和存储介质 | |
CN112288163A (zh) | 目标对象的目标因子预测方法及相关设备 | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN113919655A (zh) | 执法人员调度方法、系统、计算机装置及存储介质 | |
CN110020739B (zh) | 用于数据处理的方法、装置、电子设备及计算机可读介质 | |
CN113254472A (zh) | 一种参数配置方法、装置、设备及可读存储介质 | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
CN111985695A (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN116804964A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN117236571B (zh) | 一种基于物联网的规划方法和系统 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN114399101A (zh) | 基于tcn-bigru的燃气负荷预测方法和装置 | |
CN118100178A (zh) | 时间序列的处理方法和电力系统负荷的处理方法 | |
CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN113051445A (zh) | 工业生产数据处理方法、装置、计算机设备和存储介质 | |
CN111340648A (zh) | 一种基于物联网的能源管控方法及系统 | |
CN117934247B (zh) | 基于时序分解的碳排放因子预测方法、装置、电子设备及存储介质 |
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 |