[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117273376A - 一种电量预测方法、系统、计算机设备和存储介质 - Google Patents

一种电量预测方法、系统、计算机设备和存储介质 Download PDF

Info

Publication number
CN117273376A
CN117273376A CN202311352323.2A CN202311352323A CN117273376A CN 117273376 A CN117273376 A CN 117273376A CN 202311352323 A CN202311352323 A CN 202311352323A CN 117273376 A CN117273376 A CN 117273376A
Authority
CN
China
Prior art keywords
electric quantity
prediction model
time
initial
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
Application number
CN202311352323.2A
Other languages
English (en)
Inventor
陈少坤
江春华
李亚
田明伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Forever Technology Co Ltd
Original Assignee
Beijing Forever Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Forever Technology Co Ltd filed Critical Beijing Forever Technology Co Ltd
Priority to CN202311352323.2A priority Critical patent/CN117273376A/zh
Publication of CN117273376A publication Critical patent/CN117273376A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种电量预测方法、系统、计算机设备和存储介质。该方法包括：获取第一历史电量时间序列；根据第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型；将第一历史电量时间序列输入初始预测模型，得到第一目标时间节点的初始电量预测值；将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值；根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。针对不同的时间颗粒度的预测需求选择对应的预测模型，并对预测值进行误差预测，提高预测的准确性。

Description

一种电量预测方法、系统、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种电量预测方法、系统、计算机设备和存储介质。
背景技术
地区电网售电量的科学预测是电网建设规划的重要依据。对地区电网而言，售电量的预测对电压负荷稳定，电网安全调度，稳定运行至关重要。
传统的时间序列分析模型主要分析的是数据的季节性和趋势性，通常对于中长期的电量预测(例如月电量、年电量)能够取得好的效果，但是对于短期电量(例如日电量)的预测效果并不好。
发明内容
基于上述问题，本申请提供了一种电量预测方法、系统、计算机设备和存储介质，以实现针对不同时间颗粒度的时间节点的电量的预测。
本申请实施例公开了如下技术方案：
本申请第一方面提供一种电量预测方法，包括：
获取第一历史电量时间序列；
根据所述第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型；
将第一历史电量时间序列输入所述初始预测模型，得到第一目标时间节点的初始电量预测值；所述第一目标时间节点比所述第一历史电量时间序列最后的时间节点晚一个时间颗粒度；
将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值；所述误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，所述第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同；
根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。
在一个可能的实现方式中，所述方法还包括：
利用第一目标时间节点的最终电量预测值更新第一历史电量时间序列；
将更新后的第一历史电量时间序列输入所述初始预测模型，得到第二目标时间节点的初始电量预测值；
将第二目标时间节点的初始电量预测值输入误差预测模型，得到第二目标时间节点的初始电量预测值的预测误差值；
根据第二目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第二目标时间节点的最终电量预测值；
将第二目标时间节点的最终电量预测值作为当前的第一目标时间节点的最终电量预测值，循环上述步骤直至达到预设循环次数。
在一个可能的实现方式中，根据所述历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型，包括：
根据第一历史电量时间序列的时间颗粒度为月，确定初始预测模型为Holt-Winter指数平滑预测模型；确定所述误差预测模型为第一误差预测模型。
在一个可能的实现方式中，根据所述历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型，包括：
根据第一历史电量时间序列的时间颗粒度为日，确定初始预测模型为长短时记忆预测模型；确定所述误差预测模型为第二误差预测模型。
在一个可能的实现方式中，所述第一误差预测模型的训练方法包括：
获取时间颗粒度为月的第二历史电量时间序列；所述第二历史电量时间序列包含多个连续时间节点的电量实际值；
利用时间颗粒度为月的第二历史电量时间序列、训练好的Holt-Winter指数平滑预测模型，得到第二历史电量时间序列中各个时间节点的电量预测值；
根据各个时间节点的电量预测值与对应的电量实际值的误差值，对待训练的第一支持向量回归模型进行训练，得到训练好的第一误差预测模型。
在一个可能的实现方式中，所述长短时记忆预测模型的训练方法包括：
构建包含第三历史电量时间序列和电量的影响因素的第一数据样本集；所述电量的影响因素包括：每日的温度、每日的湿度和每日的节假日信息；
使用所述第一数据样本集对待训练的长短时记忆模型进行训练，得到长短时记忆预测模型。
在一个可能的实现方式中，所述第二误差预测模型的训练方法包括：
获取时间颗粒度为日的第二历史电量时间序列；所述第二历史电量时间序列包含多个连续时间节点的电量实际值；
构建包含第二历史电量时间序列和电量的影响因素的第二数据样本集；所述电量的影响因素包括：每日的温度、每日的湿度和每日的节假日信息；
利用第二数据样本、长短时记忆预测模型，得到所述第二历史电量时间序列中的各个时间节点的电量预测值；
根据第二历史电量时间序列中的各个时间节点的电量预测值与对应的电量实际值的误差值、各个时间节点的电量预测值和电量的影响因素，对待训练的第二支持向量回归模型进行训练，得到第二误差预测模型。
本申请第二方面提供一种电量预测系统，包括：
获取单元，用于获取第一历史电量时间序列；
预测模型确定单元，用于根据所述第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型；
初始预测单元，用于将第一历史电量时间序列输入所述初始预测模型，得到第一目标时间节点的初始电量预测值；所述第一目标时间节点比所述第一历史电量时间序列最后的时间节点晚一个时间颗粒度；
误差预测单元，用于将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值；所述误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，所述第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同；
电量预测值获得单元，用于根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。
本申请第三方面提供一种计算机设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如本申请实施例第一方面提供的电量预测方法。
本申请第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面提供的电量预测方法。
相较于现有技术，本申请具有以下有益效果：
本申请提供的一种电量预测方法，获取第一历史电量时间序列；进而根据所述第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型；将第一历史电量时间序列输入所述初始预测模型，得到第一目标时间节点的初始电量预测值；将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值；根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值，其中，所述误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，所述第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同。该方法针对不同的时间颗粒度的预测需求选择对应的预测模型，并对预测值进行误差预测，提高预测的准确性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种应用场景示意图；
图2为本申请实施例提供的一种电量预测方法流程图；
图3为本申请实施例提供的另一种电量预测方法流程图；
图4为本申请实施例提供的又一种电量预测方法流程图；
图5为本申请实施例提供的一种电量预测系统结构图；
图6为本申请实施例提供的一种计算机设备结构图。
具体实施方式
现有的电量预测技术总体上分为三类，一是传统的时间序列分析模型，基本原理是利用历史数据来预测未来的电量需求。常见的时间序列模型包括自回归移动平均模型(ARIMA)、季节性自回归移动平均模型(SARIMA)和指数平滑模型等。二是机器学习模型，通过对历史数据和相关特征进行分析和学习，得到一个预测模型。常见的机器学习模型包括支持向量机(SVM)、神经网络和随机森林等。三是深度学习算法，通过构建深度神经网络，通过数据对神经元参数进行训练，得到预测模型，如LSTM，GRU等模型。
现有的技术方法有下面几种弊端：
1.传统的时间序列模型主要分析的是数据的季节性和趋势性，通常对于中长期的电量预测(月电量、年电量)能够取得好的效果，但是对于短期电量(日电量)的预测效果并不好。
2.机器学习和深度学习方法对于短期电量的预测效果较好，但是由于中长期的电量对于短期因素(如温度、湿度)的反映程度并不明显，并且以月、年为颗粒度的历史电量数据有限，特征不足，算法和网络无法通过大量的数据充分学习到有效的特征，容易产生过拟合的现象。因此预测的效果并不理想。
有鉴于此，本申请实施例提供一种电量预测方法、系统、计算机设备和存储介质。
为了便于理解本申请实施例提供的电量预测方法，下面将结合图1所示的场景示例进行说明。其中，图1为本申请实施例提供的一种场景示例的示意图。该方法可以应用于终端设备101中。
在实际应用中，终端设备101获取第一历史电量时间序列；根据第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型；将第一历史电量时间序列输入初始预测模型，得到第一目标时间节点的初始电量预测值；第一目标时间节点比第一历史电量时间序列最后的时间节点晚一个时间颗粒度；将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值；误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同；根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。该方法针对不同的时间颗粒度的预测需求选择对应的预测模型，并对预测值进行误差预测，提高预测的准确性。
本领域技术人员可以理解，图1所示的框架示意图仅是本申请的实施方式可以在其中得以实现的一个示例。本申请实施方式的适用范围不受到该框架任何方面的限制。
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，所描述的实施例仅是本申请一部分实施例，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。
参见图2，该图为本申请实施例提供的一种电量预测方法流程图。如图2所示，该方法包括：
S201、获取第一历史电量时间序列。
第一历史电量时间序列为待预测的时间节点之前的时间节点的实际电量值组成的数组，第一历史电量时间序列的时间颗粒度可以为日、月或季。
S202、根据所述第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型。
针对不同的时间颗粒度的预测需求，选择对应的初始预测模型进行初始预测，考虑到预测结果存在一定误差，因此选取对应的误差预测模型对初始的预测结果进行误差预测，结合初始的预测结果和对应的误差预测结果得到最终的预测结果。
在一个可能的实现方式中，S202包括：
根据第一历史电量时间序列的时间颗粒度为月，确定初始预测模型为Holt-Winter指数平滑预测模型。确定所述误差预测模型为第一误差预测模型。或者，
根据第一历史电量时间序列的时间颗粒度为日，确定初始预测模型为长短时记忆预测模型。确定所述误差预测模型为第二误差预测模型。
S203、将第一历史电量时间序列输入所述初始预测模型，得到第一目标时间节点的初始电量预测值。所述第一目标时间节点比所述第一历史电量时间序列最后的时间节点晚一个时间颗粒度。
S204、将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值。所述误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，所述第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同。
在一个示例中，第二历史电量时间序列可以与第一历史电量时间序列相同也可以不同，第二历史电量时间序列也可以包含第一历史电量时间序列的元素。
本申请实施例考虑到初始预测模型的预测结果有一定误差，对预测误差进行预测，进一步提高预测的准确性。
S205、根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。
在一个示例中，将时间颗粒度为月的第一历史电量时间序列输入Holt-Winter指数平滑预测模型得到第一目标时间节点的初始电量预测值。将第一目标时间节点的初始电量预测值输入第一误差预测模型得到第一目标时间节点的初始电量预测值的预测误差值。将预测误差值与初始电量预测值相加得到最终电量预测值。
在一个示例中，将时间颗粒度为日的第一历史电量时间序列输入长短时记忆预测模型得到第一目标时间节点的初始电量预测值。将第一目标时间节点的初始电量预测值输入第二误差预测模型得到第一目标时间节点的初始电量预测值的预测误差值。将预测误差值与初始电量预测值相加得到最终电量预测值。
本申请实施例针对不同的时间颗粒度的预测需求选择对应的预测模型，并对预测值进行误差预测，提高预测的准确性。
在一个可能的实现方式中，所述误差预测模型包括：第一误差预测模型。所述第一误差预测模型的训练方法包括：
获取时间颗粒度为月的第二历史电量时间序列。所述第二历史电量时间序列包含多个连续时间节点的电量实际值。
利用时间颗粒度为月的第二历史电量时间序列、训练好的Holt-Winter指数平滑预测模型，得到第二历史电量时间序列中各个时间节点的电量预测值。
根据各个时间节点的电量预测值与对应的电量实际值的误差值、各个时间节点的电量预测值和月份特征值，对待训练的第一支持向量回归模型进行训练，得到训练好的第一误差预测模型。
在一个示例中，用于对Holt-Winter指数平滑预测模型进行训练的数据集样例如下表：
月份 实际电量值
1 a1
2 a2
3 a3
4 a4
在一个示例中，输入第一误差预测模型的数据集样例(或者用于训练第一支持向量回归模型的数据集样例)如下表：
误差 电量值 1月 2月 3月 4月
c1 b1 1 0 0 0
c2 b2 0 1 0 0
c3 b3 0 0 1 0
c4 b4 0 0 0 1
在一个可能的实现方式中，所述长短时记忆预测模型的训练方法包括：
构建包含第三历史电量时间序列和电量的影响因素的第一数据样本集。所述电量的影响因素包括：每日的温度、每日的湿度和每日的节假日信息。
使用所述第一数据样本集对待训练的长短时记忆模型进行训练，得到长短时记忆预测模型。
在一个示例中，第一数据样本集样例如下表：
日期 实际电量值 温度 湿度 节假日
1月1日 d1 e1 f1 1
1月2日 d2 e2 f2 1
1月3日 d3 e3 f3 1
1月4日 d4 e4 f4 0
在一个可能的实现方式中，所述第二误差预测模型的训练方法包括：
获取时间颗粒度为日的第二历史电量时间序列。所述第二历史电量时间序列包含多个连续时间节点的电量实际值。
构建包含第二历史电量时间序列和电量的影响因素的第二数据样本集。所述电量的影响因素包括：每日的温度、每日的湿度和每日的节假日信息。
利用第二数据样本、长短时记忆预测模型，得到所述第二历史电量时间序列中的各个时间节点的电量预测值。
根据第二历史电量时间序列中的各个时间节点的电量预测值与对应的电量实际值的误差值、各个时间节点的电量预测值和电量的影响因素，对待训练的第二支持向量回归模型进行训练，得到第二误差预测模型。
参见图3，该图为本申请实施例提供的另一种电量预测方法流程图，如图3所示，将输入预测所需的数据(即历史电量时间序列)，判断历史电量时间序列的时间颗粒度，若时间颗粒度为月，将该历史电量时间序列输入Holt-Winter指数平滑预测模型得到待预测的时间节点的初始电量预测值。将待预测的时间节点的初始电量预测值输入第一误差预测模型得到待预测的时间节点的初始电量预测值的预测误差值。将预测误差值与初始电量预测值相加得到最终电量预测值。若时间颗粒度为日，将该历史电量时间序列输入长短时记忆预测模型得到待预测的时间节点的初始电量预测值。将待预测的时间节点的初始电量预测值输入第二误差预测模型得到待预测的时间节点的初始电量预测值的预测误差值。将预测误差值与初始电量预测值相加得到最终电量预测值。
本申请实施例对下一个时间节点的电量进行预测(即单步预测)，对于预测多个时间节点(即间隔多个时间颗粒度)的电量值需要进行多次预测(即滚动预测)。
由于初始电量预测值可能存在误差，而误差也会呈现出时间序列的特性，若仅仅采用单一的预测模型进行一次预测，在滚动预测时，不断地用前一个时间节点的电量预测值当作实际电量来预测下一个时间点的电量预测值，误差会相应的累计，而本申请实施例对于初始电量预测值进行误差预测可以很好地模拟误差变动，因此可以更精准地对电量值进行预测。
参见图4，该图为本申请实施例提供的另一种电量预测方法流程图，该方法采用滚动预测的方式，实现对多个时间节点的电量预测。如图4所示，该方法包括：
S401、获取第一历史电量时间序列。
S402、根据所述第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型。
S403、将第一历史电量时间序列输入所述初始预测模型，得到第一目标时间节点的初始电量预测值。所述第一目标时间节点比所述第一历史电量时间序列最后的时间节点晚一个时间颗粒度。
S404、将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值。所述误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，所述第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同。
S405、根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。
S406、利用第一目标时间节点的最终电量预测值更新第一历史电量时间序列。
S407、将更新后的第一历史电量时间序列输入所述初始预测模型，得到第二目标时间节点的初始电量预测值。
S408、将第二目标时间节点的初始电量预测值输入误差预测模型，得到第二目标时间节点的初始电量预测值的预测误差值。
S409、根据第二目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第二目标时间节点的最终电量预测值。
S410、将第二目标时间节点的最终电量预测值作为当前的第一目标时间节点的最终电量预测值，循环上述步骤直至达到预设循环次数。
本申请实施例采用滚动预测的方式，基于前一个时间节点的最终电量预测值预测下一个时间截得的最终电量预测值，实现对未来多个时间节点的电量进行预测，由于每个时间节点的预测值都经过初始预测和误差预测两个阶段的预测，使得多个时间节点的电量预测结果更精准。
参见图5，该图为本申请实施例提供的一种电量预测系统结构图。如图5所示，该系统包括：
获取单元510，用于获取第一历史电量时间序列；
预测模型确定单元520，用于根据所述第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型；
初始预测单元530，用于将第一历史电量时间序列输入所述初始预测模型，得到第一目标时间节点的初始电量预测值；所述第一目标时间节点比所述第一历史电量时间序列最后的时间节点晚一个时间颗粒度；
误差预测单元540，用于将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值；所述误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，所述第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同；
电量预测值获得单元550，用于根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。
本申请实施例针对不同的时间颗粒度的预测需求选择对应的预测模型，并对预测值进行误差预测，提高预测的准确性。
在一个可能的实现方式中，所述系统还包括：
历史数据更新单元，用于利用第一目标时间节点的最终电量预测值更新第一历史电量时间序列；
初始预测单元530，还用于将更新后的第一历史电量时间序列输入所述初始预测模型，得到第二目标时间节点的初始电量预测值；
误差预测单元540，还用于将第二目标时间节点的初始电量预测值输入误差预测模型，得到第二目标时间节点的初始电量预测值的预测误差值；
电量预测值获得单元550，还用于根据第二目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第二目标时间节点的最终电量预测值；
历史数据更新单元，还用于将第二目标时间节点的最终电量预测值作为当前的第一目标时间节点的最终电量预测值，循环上述步骤直至达到预设循环次数。
在一个可能的实现方式中，预测模型确定单元520，具体用于：
根据第一历史电量时间序列的时间颗粒度为月，确定初始预测模型为Holt-Winter指数平滑预测模型；确定所述误差预测模型为第一误差预测模型。
在一个可能的实现方式中，预测模型确定单元520，具体用于：
根据第一历史电量时间序列的时间颗粒度为日，确定初始预测模型为长短时记忆预测模型；确定所述误差预测模型为第二误差预测模型。
在一个可能的实现方式中，所述系统还包括第一误差预测模型的训练单元，用于：
获取时间颗粒度为月的第二历史电量时间序列；所述第二历史电量时间序列包含多个连续时间节点的电量实际值；利用时间颗粒度为月的第二历史电量时间序列、训练好的Holt-Winter指数平滑预测模型，得到第二历史电量时间序列中各个时间节点的电量预测值；根据各个时间节点的电量预测值与对应的电量实际值的误差值，对待训练的第一支持向量回归模型进行训练，得到训练好的第一误差预测模型。
在一个可能的实现方式中，所述系统还包括：所述长短时记忆预测模型的训练单元，用于：
构建包含第三历史电量时间序列和电量的影响因素的第一数据样本集；所述电量的影响因素包括：每日的温度、每日的湿度和每日的节假日信息；使用所述第一数据样本集对待训练的长短时记忆模型进行训练，得到长短时记忆预测模型。
在一个可能的实现方式中，所述系统还包括：所述第二误差预测模型的训练单元，用于：
获取时间颗粒度为日的第二历史电量时间序列；所述第二历史电量时间序列包含多个连续时间节点的电量实际值；构建包含第二历史电量时间序列和电量的影响因素的第二数据样本集；所述电量的影响因素包括：每日的温度、每日的湿度和每日的节假日信息；利用第二数据样本、长短时记忆预测模型，得到所述第二历史电量时间序列中的各个时间节点的电量预测值；根据第二历史电量时间序列中的各个时间节点的电量预测值与对应的电量实际值的误差值、各个时间节点的电量预测值和电量的影响因素，对待训练的第二支持向量回归模型进行训练，得到第二误差预测模型。
本申请第实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例提供的电量预测方法。
在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
如图6所示，本申请实施例提供的一种计算机设备的结构示意图。图6显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例提供的电量预测方法。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中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，作为单元提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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (10)

1.一种电量预测方法，其特征在于，包括：
获取第一历史电量时间序列；
根据所述第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型；
将第一历史电量时间序列输入所述初始预测模型，得到第一目标时间节点的初始电量预测值；所述第一目标时间节点比所述第一历史电量时间序列最后的时间节点晚一个时间颗粒度；
将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值；所述误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，所述第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同；
根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
利用第一目标时间节点的最终电量预测值更新第一历史电量时间序列；
将更新后的第一历史电量时间序列输入所述初始预测模型，得到第二目标时间节点的初始电量预测值；
将第二目标时间节点的初始电量预测值输入误差预测模型，得到第二目标时间节点的初始电量预测值的预测误差值；
根据第二目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第二目标时间节点的最终电量预测值；
将第二目标时间节点的最终电量预测值作为当前的第一目标时间节点的最终电量预测值，循环上述步骤直至达到预设循环次数。
3.根据权利要求1所述的方法，其特征在于，根据所述历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型，包括：
根据第一历史电量时间序列的时间颗粒度为月，确定初始预测模型为Holt-Winter指数平滑预测模型；确定所述误差预测模型为第一误差预测模型。
4.根据权利要求1所述的方法，其特征在于，根据所述历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型，包括：
根据第一历史电量时间序列的时间颗粒度为日，确定初始预测模型为长短时记忆预测模型；确定所述误差预测模型为第二误差预测模型。
5.根据权利要求3所述的方法，其特征在于，所述第一误差预测模型的训练方法包括：
获取时间颗粒度为月的第二历史电量时间序列；所述第二历史电量时间序列包含多个连续时间节点的电量实际值；
利用时间颗粒度为月的第二历史电量时间序列、训练好的Holt-Winter指数平滑预测模型，得到第二历史电量时间序列中各个时间节点的电量预测值；
根据各个时间节点的电量预测值与对应的电量实际值的误差值，对待训练的第一支持向量回归模型进行训练，得到训练好的第一误差预测模型。
6.根据权利要求4所述的方法，其特征在于，所述长短时记忆预测模型的训练方法包括：
构建包含第三历史电量时间序列和电量的影响因素的第一数据样本集；所述电量的影响因素包括：每日的温度、每日的湿度和每日的节假日信息；
使用所述第一数据样本集对待训练的长短时记忆模型进行训练，得到长短时记忆预测模型。
7.根据权利要求4所述的方法，其特征在于，所述第二误差预测模型的训练方法包括：
获取时间颗粒度为日的第二历史电量时间序列；所述第二历史电量时间序列包含多个连续时间节点的电量实际值；
构建包含第二历史电量时间序列和电量的影响因素的第二数据样本集；所述电量的影响因素包括：每日的温度、每日的湿度和每日的节假日信息；
利用第二数据样本、长短时记忆预测模型，得到所述第二历史电量时间序列中的各个时间节点的电量预测值；
根据第二历史电量时间序列中的各个时间节点的电量预测值与对应的电量实际值的误差值、各个时间节点的电量预测值和电量的影响因素，对待训练的第二支持向量回归模型进行训练，得到第二误差预测模型。
8.一种电量预测系统，其特征在于，包括：
获取单元，用于获取第一历史电量时间序列；
预测模型确定单元，用于根据所述第一历史电量时间序列的时间颗粒度确定对应的初始预测模型和误差预测模型；
初始预测单元，用于将第一历史电量时间序列输入所述初始预测模型，得到第一目标时间节点的初始电量预测值；所述第一目标时间节点比所述第一历史电量时间序列最后的时间节点晚一个时间颗粒度；
误差预测单元，用于将第一目标时间节点的初始电量预测值输入误差预测模型，得到第一目标时间节点的初始电量预测值的预测误差值；所述误差预测模型是基于初始预测模型和第二历史电量时间序列训练得到的，所述第二历史电量时间序列与第一历史电量时间序列的时间颗粒度相同；
电量预测值获得单元，用于根据第一目标时间节点的初始电量预测值和初始电量预测值的预测误差值，得到第一目标时间节点的最终电量预测值。
9.一种计算机设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-7任一项所述的电量预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的电量预测方法。
CN202311352323.2A 2023-10-18 2023-10-18 一种电量预测方法、系统、计算机设备和存储介质 Pending CN117273376A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311352323.2A CN117273376A (zh) 2023-10-18 2023-10-18 一种电量预测方法、系统、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311352323.2A CN117273376A (zh) 2023-10-18 2023-10-18 一种电量预测方法、系统、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN117273376A true CN117273376A (zh) 2023-12-22

Family

ID=89215869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311352323.2A Pending CN117273376A (zh) 2023-10-18 2023-10-18 一种电量预测方法、系统、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN117273376A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117495434A (zh) * 2023-12-25 2024-02-02 天津大学 电能需求预测方法、模型训练方法、装置及电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117495434A (zh) * 2023-12-25 2024-02-02 天津大学 电能需求预测方法、模型训练方法、装置及电子设备
CN117495434B (zh) * 2023-12-25 2024-04-05 天津大学 电能需求预测方法、模型训练方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN110968985B (zh) 集成电路修补算法确定方法及装置、存储介质、电子设备
Lee et al. Finding the non-dominated Pareto set for multi-objective simulation models
US20200326871A1 (en) Tiered storage optimization and migration
US20190340641A1 (en) Simulation-based evaluation of a marketing channel attribution model
CN109214585B (zh) 用户消费预测方法、装置、电子设备及存储介质
US20200034776A1 (en) Managing skills as clusters using machine learning and domain knowledge expert
Kaack et al. Empirical prediction intervals improve energy forecasting
US11847591B2 (en) Short-term load forecasting
CN109272348B (zh) 活跃用户数量确定方法及装置、存储介质和电子设备
Xu et al. Empirical stochastic branch-and-bound for optimization via simulation
CN112766596A (zh) 建筑能耗预测模型的构建方法、能耗预测方法及装置
CN110070382B (zh) 用于生成信息的方法和装置
CN111598677A (zh) 一种资源配额确定方法、装置和电子设备
CN117273376A (zh) 一种电量预测方法、系统、计算机设备和存储介质
CN113743667A (zh) 一种台区用电量预测方法、装置、设备及存储介质
CN111353642B (zh) 话务排班预测方法、装置、电子设备、存储介质
US11488083B2 (en) Risk failure prediction for line assets
CN109272165B (zh) 注册概率预估方法、装置、存储介质及电子设备
CN115994611A (zh) 类别预测模型的训练方法、预测方法、设备和存储介质
CN113094602B (zh) 酒店推荐方法、系统、设备及介质
CN113902260A (zh) 信息预测方法、装置、电子设备和介质
CN113469523A (zh) 柜员排班信息的获取方法、装置、电子设备和存储介质
CN111695967A (zh) 一种报价的确定方法、装置、设备及存储介质
CN113139881B (zh) 双电源用户主供电源识别方法、装置、设备及存储介质
CN109783745B (zh) 对页面进行个性化排版的方法、装置和计算机设备

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