CN102930354A - 一种小区用电预测方法及装置 - Google Patents
一种小区用电预测方法及装置 Download PDFInfo
- Publication number
- CN102930354A CN102930354A CN2012104394944A CN201210439494A CN102930354A CN 102930354 A CN102930354 A CN 102930354A CN 2012104394944 A CN2012104394944 A CN 2012104394944A CN 201210439494 A CN201210439494 A CN 201210439494A CN 102930354 A CN102930354 A CN 102930354A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- historical
- data
- following
- residential quarter
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种小区用电预测方法及装置。其中方法包括:获取所述小区的历史用电量数据;获取所述用电量实时对应的历史温度数据;根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型;获得未来一定时间内的温度数据;根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量。本发明通过利用历史温度数据和历史用电量数据构建用电量预测模型,实现了根据温度预测小区用电量。
Description
技术领域
本发明涉及用电领域,具体涉及一种小区用电预测方法及装置。
背景技术
随着社会的发展和人民生活水平的不断提高,对电能的需求越来越大。由于电能生产和消费的同时性,需要合理规划电能的生产,才能使其满足消费。现有技术中主要通过对未来用电进行预测的方式来合理规划电能的生产。
目前,用电预测主要是通过考虑电价政策以及用电时段对用电量的影响来进行。但在实际生活中,用电行为尤其是居民小区的用电在很大程度上会受到温度、季节等因素的影响。比如,当温度偏高或偏低时,小区会因使用空调而使用电量增加。夏天的用电量也一般会高于春天的用电量。
因此,目前急需一种考虑温度等因素影响的用电预测方法。
发明内容
有鉴于此,本发明的目的在于提供一种基于温度影响的用电预测方法。
本发明实施例提供了一种小区用电预测方法,该方法具体包括:
获取所述小区的历史用电量数据;
获取所述用电量实时对应的历史温度数据;
根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型;
获得未来一定时间内的温度数据;
根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量。
优选的,所述方法还包括:
存储所述小区未来用电量;
获取所述小区在所述未来一定时间内的实际用电量;
根据所述实际用电量对所述未来用电量进行误差分析,得到误差分析结果;
根据所述误差分析结果继续预测所述小区用电量。
优选的,所述方法还包括:
获取所述用电量实时对应的历史季节信息;
所述根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型包括:
根据所述历史温度数据、所述历史季节信息以及所述历史用电量数据构建用电量预测模型;
获得未来一定时间内的季节信息;
所述根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量包括:
根据所述未来一定时间内的温度数据、未来一定时间内的季节信息和所述预测模型预测所述小区未来用电量。
优选的,所述小区未来用电量包括:所述小区未来日用电量和/或所述小区未来峰值用电量。
优选的,所述方法还包括:
获取与所述历史用电量数据实时对应的历史电价数据和历史用电时段;
所述根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型包括:
根据所述历史温度数据、所述历史电价数据、所述历史用电时段以及所述历史用电量数据,构建用电量预测模型;
获取未来一定时间内的电价数据并确定未来用电时段;
所述根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量包括:
根据所述未来一定时间内的温度数据、未来一定时间内的电价数据、未来用电时段和所述预测模型预测所述小区未来用电量
优选的,所述根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型包括:
以所述历史温度数据为输入参数,以所述历史用电量数据为输出参数,构建神经网络模型。
本发明实施例还公开了一种小区用电预测装置,所述装置包括:
历史用电量单元,用于获取所述小区的历史用电量数据;
历史温度单元,用于获取所述用电量实时对应的历史温度数据;
模型构建单元,与所述历史用电量单元和历史温度单元相连,用于根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型;
温度单元,用于获取未来一定时间内的温度数据;
预测单元,与所述模型构建单元和所述温度单元相连,用于根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量。
优选的,所述装置还包括:
存储单元,与所述预测单元相连,用于存储所述小区未来用电量;
实际用电量单元,用于获取所述小区在所述未来一定时间内的实际用电量;
误差分析单元,与所述存储单元和所述实际用电量单元相连,用于根据所述实际用电量对所述未来用电量进行误差分析,得到误差分析结果;
所述预测单元,与所述误差分析单元相连,具体用于根据所述误差分析结果继续预测所述小区未来用电量。
优选的,所述装置还包括:
历史季节信息单元,用于获取所述用电量实时对应的历史季节信息;
所述模型构建单元,与所述历史季节信息单元相连,具体用于根据所述历史温度数据、所述历史季节信息以及所述历史用电量数据构建用电量预测模型;
季节信息单元,用于获得未来一定时间内的季节信息;
所述预测单元,与所述季节信息单元相连,具体用于根据所述未来一定时间内的温度数据、未来一定时间内的季节信息和所述预测模型预测所述小区未来用电量。
优选的,所述小区未来用电量包括:所述小区未来日用电量和/或所述小区未来峰值用电量。
优选的,所述装置还包括:
历史电价数据单元,用于获取与所述历史用电量数据实时对应的历史电价数据;
历史用电时段单元,用于获取与所述历史用电量数据实时对应的历史电价数据;
所述模型构建单元,与所述历史电价数据单元和历史用电时段单元相连,具体用于根据所述历史温度数据、所述历史电价数据、所述历史用电时段以及所述历史用电量数据,构建用电量预测模型;
电价数据单元,用于获取未来一定时间内的电价数据;
用电时段单元,用于确定未来用电时段;
所述预测单元,与所述电价数据单元和所述用电时段单元相连,具体用于根据所述未来一定时间内的温度数据、未来一定时间内的电价数据、未来用电时段和所述预测模型预测所述小区未来用电量。
优选的,所述模型构建单元,具体用于以所述历史温度数据为输入参数,以所述历史用电量数据为输出参数,构建神经网络模型。
同现有技术相比,本发明的有益效果:
本发明通过利用小区历史用电量数据和对应的历史温度数据构建用电量预测模型,并获取未来一定时间的温度数据进行预测,在该过程中,考虑了温度对小区用电的影响,实现了基于温度预测小区用电量。
进一步的,在本发明优选实施例中,综合考虑了季节信息以及电价、用电时段对用电的影响,相对现有技术,对用电影响因素的考虑更全面,从而提高了用电量预测的准确度。
附图说明
图1是本发明实施例1方法流程图;
图2是本发明实施例中人工神经元模型示意图;
图3是本发明实施例中单隐层BP网络模型结构示意图;
图4是本发明实施例2方法流程图;
图5是本发明实施例3方法流程图;
图6是为本发明实施例4方法流程图;
图7是本发明实施例中小区未来7天日用电量图表示意图;
图8是本发明实施例小区未来7天峰值用电量柱形图;
图9是本发明实施例5装置结构图。
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实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
本发明实施例1提供了一种小区用电预测方法,参见图1,该方法具体包括:
S11、获取所述小区的历史用电量数据。
具体的,可通过设置***接口,从居民小区电表中直接读取该小区的历史用电量数据,并记录该用电量数据对应的时间,然后将获得的历史用电量数据和对应的时间存储在数据库中。
S12、获取所述用电量实时对应的历史温度数据。
同获得历史用电量数据类似,在本发明中,可通过设置***接口如与气象局设置接口,来获得与历史用电量数据对应的历史温度数据。具体的,可根据之前记录的用电量数据时间获取对应的历史温度数据。
S13、根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型。
现有技术中有多种根据历史数据进行预测的模型,如神经网络模型。该部分内容将在下文中详细描述。
S14、获得未来一定时间内的温度数据。
同步骤S12类似,可通过与气象局的接口,获得未来一定时间如7天内的温度数据。
S15、根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量。
在上述步骤S13中提到了神经网络模型,本发明中以人工神经网络模型和BP误差反向传播神经网络模型为例,对预测模型的构建进行详细说明。
人工神经网络(Artificial Neural Networks,ANN)模型是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型,是由一些简单的元件通过大规模并行联接构造而成的网路。神经元是神经网络的基本处理单元,它一般是多输入单输出的非线性器件,典型的人工神经元模型如附图2所示。
神经元的输入输出关系可描述为:
其中xj,j=1,2,...,n是神经元的输入信号,θi为阈值,wji表示从神经元j到神经元i的连接权值,f为激活函数(又称传递函数),它必须连续可微,负荷预测中常用的神经元激活函数为S型函数。
人工神经网络模型具有很强的自学习和复杂的非线性函数拟合能力,很适合于电力负荷预测问题,是在国际上得到认可的实用预测方法之一。其突出优点是对大量非结构性、非精确性规律具有自适应功能,具有信息记忆、自主学习、知识推理和优化计算的特点,特别是其自学习和自适应功能是传统算法望尘莫及的。
在构建人工神经网络模型时,需要确定输入参数和输出参数。本发明中,需要以历史温度数据为输入参数,以历史用电量数据为输出参数构建人工神经网络模型。在后续进行预测时,需要输入未来一定时间的温度数据,此时人工神经网络模型输出的参数即为未来一定时间的用电量数据。
BP(BackPropagation)神经网络也称误差反向传播神经网络,它是由非线性变换单元组成的前馈网络。BP神经网络由输入层、输出层和隐含层(隐含层可以是一层或多层)构成,同层节点之间不连接,每层节点的输出只影响下一层节点的输入,参见附图3,为单隐层BP网络模型结构示意图。
BP算法的基本思想是:整个网络的学习由输入信号的正向传播和误差的逆向传播两个过程组成。正向传播过程是指输入信号由输入层输入,经网络的权值、阈值和神经元的传递函数作用后,从输出层输出。如果输出值与期望值之间的误差大于规定量,则进行修正,转入误差反传播阶段,即误差通过隐含层向输入层逐层返回,并将误差按按“梯度下降”原则“分摊”给各层神经元,从而获得各层神经元的误差信号,作为修改权值的依据。以上两过程是反复多次进行的。权值不断修改的过程,也就是网络的训练过程。此循环一直进行到网络的输出误差减小到允许值或到达设定的训练次数为止。
本发明中,构建BP神经网络模型的过程与构建人工神经网络模型类似,此处不再详细介绍。
为进一步提高预测的准确度,在本发明实施例2中,可对预测出的结果进行误差分析并利用误差分析结果修正预测模型。具体过程如图4所示:
S21、存储上述实施例1中预测得到的未来用电量。
S22、获取所述小区在所述未来一定时间内的实际用电量。
S23、根据所述实际用电量对预测得到的未来用电量进行误差分析,并生成误差分析结果。
S24、根据上述误差分析结果继续预测所述小区的未来用电量。具体的,需要根据后续获得的一定时间的温度数据、预测模型和所述误差分析结果预测所述小区未来用电量。
背景技术中提到的,不同的季节,小区的用电量也会不同。在本发明的实施例3中,还考虑了季节因素的影响。参见图5,其具体预测过程如下:
S31、获取所述小区的历史用电量数据。
S32、获取所述用电量实时对应的历史温度数据。
S33、获取所述用电量实时对应的历史季节信息。
S34、根据所述历史温度数据、所述历史季节信息以及所述历史用电量数据构建用电量预测模型。
S35、获得未来一定时间内的温度数据。
S36、获得未来一定时间内的季节信息。
S37、根据所述未来一定时间内的温度数据、未来一定时间内的季节信息和所述预测模型预测所述小区未来用电量。
需要说明的是,在该实施例中,预测模型优选上述神经网络模型。此时步骤S34具体为以历史温度数据、历史季节信息为输入参数,以历史用电量数据为输出参数构建神经网络模型。对应的步骤S37中,需以未来一定时间内的温度数据、未来一定时间内的季节信息做输入参数,其输出参数即为小区的未来用电量。
用电量的预测多用于后续合理规划电能的生产。为保证电能的消费,电能的生产不仅需要保证小区每日的用电,还需要保证小区在用电最高峰时的用电。因此,在本发明的优选实施例中,需要预测出所述小区的日用电量以及小区的峰值用电量。其中对于峰值用电量还需要记录其对应的时间。
实际生活中,小区用电行为还受到电价以及用电时段的影响。比如晚上8点到10点一般比凌晨之后用电量多,电价高时,用电量也会明显减少。为进一步提高用电量预测的准确度,在本发明实施例4中,可结合电价数据以及用电时段对小区用电量进行预测。参见图6,该实施例具体包括:
S41、获取所述小区的历史用电量数据。
S42、获取所述用电量实时对应的历史温度数据、历史电价数据和历史用电时段。
S43、根据所述历史温度数据、所述历史电价数据、所述历史用电时段以及所述历史用电量数据,构建用电量预测模型。
S44、获取未来一定时间内的温度数据、未来一定时间内的电价数据并确定未来用电时段。
S45、根据所述未来一定时间内的温度数据、未来一定时间内的电价数据、未来用电时段和所述预测模型预测所述小区未来用电量。
当该用电量预测模型为神经网络模型时,可以历史温度数据、历史电价数据、历史用电时段为输入参数,以历史用电量数据为输出参数构建神经网络模型。
需要说明的是,在本发明优选实施例中,上述实施例4还可结合季节信息的影响,对小区未来用电量进行预测。
为方便用户查看对比,在预测到小区未来用电量后,可调用画图软件进行画图,将小区的未来用电量进行图形化展示。具体的,可用图表表示小区未来一定时间内的峰值用电量以及峰值用电量时刻,用柱形图表示小区在未来一定时间内的日用电量,其中,柱形图高度表示不同天的日用电量。如图7所示,为用图表表示的某小区未来7天的每天的峰值用电量以及峰值用电量时间。图8为用柱形图表示的某小区未来7天每天的日用电量。
对应上述方法实施例,本发明实施例5还提供了一种小区用电预测装置,参见图9,该装置具体包括:
历史用电量单元11,用于获取所述小区的历史用电量数据。
具体的,历史用电量单元11可通过***接口,从居民小区电表中直接读取该小区的历史用电量数据,并记录该用电量数据对应的时间,然后将获得的历史用电量数据和对应的时间存储在数据库中。
历史温度单元12,用于获取所述用电量实时对应的历史温度数据。
同历史用电量单元11类似,在本发明中,历史温度单元12可通过设置***接口如与气象局设置接口,来获得与历史用电量数据对应的历史温度数据。具体的,可根据之前记录的用电量数据时间获取对应的历史温度数据。
模型构建单元13,与所述历史用电量单元和历史温度单元相连,用于根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型。
现有技术中有多种根据历史数据进行预测的模型,如神经网络模型。该部分内容将在下文中详细描述。
温度单元14,用于获取未来一定时间内的温度数据。
同历史温度单元12类似,温度单元14可通过与气象局的接口,获得未来一定时间如未来7天内的温度数据。
预测单元15,与所述模型构建单元和所述温度单元相连,用于根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量。
在本发明具体实施例中,模型构建单元13可根据历史温度数据以及历史用电量数据,构建神经网络模型如人工神经网络模型、BP神经网络模型。有关神经网络模型的介绍可参见方法实施例部分的描述。
当要构建神经网络模型时,模型构建单元13,具体用于以历史温度数据为输入参数,以历史用电量数据为输出参数,构建神经网络模型。
为进一步提高预测的准确度,在本发明实施例中,还可以对预测的结果进行误差分析并利用误差分析结果修正预测模型。对此,相对上述实施例,所述装置还包括:
存储单元,与所述预测单元相连,用于存储所述小区未来用电量。
实际用电量单元,用于获取所述小区在所述未来一定时间内的实际用电量。
误差分析单元,与所述存储单元和所述实际用电量单元相连,用于根据所述实际用电量对所述未来用电量进行误差分析,得到误差分析结果。
所述预测单元,与所述误差分析单元相连,具体用于根据所述误差分析结果继续预测所述小区未来用电量。具体的,预测单元需要根据后续获得的一定时间的温度数据、预测模型和所述误差分析结果预测所述小区未来用电量。
如背景技术中提到的,不同的季节,小区的用电量也会不同。在本发明的另一实施例中,还考虑了季节因素的影响。对应的,上述装置还包括:
历史季节信息单元,用于获取所述用电量实时对应的历史季节信息。
所述模型构建单元,与所述历史季节信息单元相连,具体用于根据所述历史温度数据、所述历史季节信息以及所述历史用电量数据构建用电量预测模型。
季节信息单元,用于获得未来一定时间内的季节信息。
所述预测单元,与所述季节信息单元相连,具体用于根据所述未来一定时间内的温度数据、未来一定时间内的季节信息和所述预测模型预测所述小区未来用电量。
需要说明的是,在该实施例中,预测模型优选上述神经网络模型。此时模型构建单元具体用于以历史温度数据、历史季节信息为输入参数,以历史用电量数据为输出参数构建神经网络模型。对应的预测单元,具体用于以未来一定时间内的温度数据、未来一定时间内的季节信息做输入参数,其输出参数即为小区的未来用电量。
用电量的预测多用于后续合理规划电能的生产。为保证电能的消费,电能的生产不仅需要保证小区每日的用电,还需要保证小区在用电最高峰时的用电。因此,在本发明的优选实施例中,预测单元需要预测出所述小区的日用电量以及小区的峰值用电量。其中对于峰值用电量还需要记录其对应的时间。
在实际生活中,小区用电行为还受到电价以及用电时段的影响。比如晚上8点到10点一般比凌晨之后用电量多,电价高时,用电量也会明显减少。为进一步提高用电量预测的准确度,在本发明实施例中,可结合电价数据以及用电时段对小区用电量进行预测。此时,相对上述装置,所述装置还包括:
历史电价数据单元,用于获取与所述历史用电量数据实时对应的历史电价数据。
历史用电时段单元,用于获取与所述历史用电量数据实时对应的历史电价数据。
所述模型构建单元,与所述历史电价数据单元和历史用电时段单元相连,具体用于根据所述历史温度数据、所述历史电价数据、所述历史用电时段以及所述历史用电量数据,构建用电量预测模型。
电价数据单元,用于获取未来一定时间内的电价数据。
用电时段单元,用于确定未来用电时段。
所述预测单元,与所述电价数据单元和所述用电时段单元相连,具体用于根据所述未来一定时间内的温度数据、未来一定时间内的电价数据、未来用电时段和所述预测模型预测所述小区未来用电量。
其中,模型构建单元,还可以以历史温度数据、历史电价数据、历史用电时段为输入参数,以历史用电量数据为输出参数构建神经网络模型。
需要说明的是,在本发明中,上述实施例还可结合季节信息的影响,对小区未来用电量进行预测。
为方便用户查看对比,所述装置还包括图形化展示单元,具体用于在预测到小区未来用电量后,调用画图软件进行画图,将小区的未来用电量进行图形化展示。
具体的,图形化展示单元可用图表表示小区未来一定时间内的峰值用电量以及峰值用电量时刻,用柱形图表示小区在未来一定时间内的日用电量,其中,柱形图高度表示不同天的日用电量。
需要说明的是,上述装置实施例是与方法实施例相对应的,因此对装置部分不再详述,相关部分参见方法实施例即可。
以上对本发明实施例进行了详细介绍,本文中应用了具体实施方式对本发明进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及设备;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种小区用电预测方法,其特征在于,所述方法包括:
获取所述小区的历史用电量数据;
获取所述用电量实时对应的历史温度数据;
根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型;
获得未来一定时间内的温度数据;
根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量。
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:
存储所述小区未来用电量;
获取所述小区在所述未来一定时间内的实际用电量;
根据所述实际用电量对所述未来用电量进行误差分析,得到误差分析结果;
根据所述误差分析结果继续预测所述小区用电量。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述用电量实时对应的历史季节信息;
所述根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型包括:
根据所述历史温度数据、所述历史季节信息以及所述历史用电量数据构建用电量预测模型;
获得未来一定时间内的季节信息;
所述根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量包括:
根据所述未来一定时间内的温度数据、未来一定时间内的季节信息和所述预测模型预测所述小区未来用电量。
4.根据权利要求1所述的方法,其特征在于,所述小区未来用电量包括:所述小区未来日用电量和/或所述小区未来峰值用电量。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取与所述历史用电量数据实时对应的历史电价数据和历史用电时段;
所述根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型包括:
根据所述历史温度数据、所述历史电价数据、所述历史用电时段以及所述历史用电量数据,构建用电量预测模型;
获取未来一定时间内的电价数据并确定未来用电时段;
所述根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量包括:
根据所述未来一定时间内的温度数据、未来一定时间内的电价数据、未来用电时段和所述预测模型预测所述小区未来用电量。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型包括:
以所述历史温度数据为输入参数,以所述历史用电量数据为输出参数,构建神经网络模型。
7.一种小区用电预测装置,其特征在于,所述装置包括:
历史用电量单元,用于获取所述小区的历史用电量数据;
历史温度单元,用于获取所述用电量实时对应的历史温度数据;
模型构建单元,与所述历史用电量单元和历史温度单元相连,用于根据所述历史温度数据以及所述历史用电量数据,构建用电量预测模型;
温度单元,用于获取未来一定时间内的温度数据;
预测单元,与所述模型构建单元和所述温度单元相连,用于根据所述未来一定时间内的温度数据和所述预测模型预测所述小区未来用电量。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
存储单元,与所述预测单元相连,用于存储所述小区未来用电量;
实际用电量单元,用于获取所述小区在所述未来一定时间内的实际用电量;
误差分析单元,与所述存储单元和所述实际用电量单元相连,用于根据所述实际用电量对所述未来用电量进行误差分析,得到误差分析结果;
所述预测单元,与所述误差分析单元相连,具体用于根据所述误差分析结果继续预测所述小区未来用电量。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
历史季节信息单元,用于获取所述用电量实时对应的历史季节信息;
所述模型构建单元,与所述历史季节信息单元相连,具体用于根据所述历史温度数据、所述历史季节信息以及所述历史用电量数据构建用电量预测模型;
季节信息单元,用于获得未来一定时间内的季节信息;
所述预测单元,与所述季节信息单元相连,具体用于根据所述未来一定时间内的温度数据、未来一定时间内的季节信息和所述预测模型预测所述小区未来用电量。
10.根据权利要求9所述的装置,其特征在于,所述小区未来用电量包括:所述小区未来日用电量和/或所述小区未来峰值用电量。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
历史电价数据单元,用于获取与所述历史用电量数据实时对应的历史电价数据;
历史用电时段单元,用于获取与所述历史用电量数据实时对应的历史电价数据;
所述模型构建单元,与所述历史电价数据单元和历史用电时段单元相连,具体用于根据所述历史温度数据、所述历史电价数据、所述历史用电时段以及所述历史用电量数据,构建用电量预测模型;
电价数据单元,用于获取未来一定时间内的电价数据;
用电时段单元,用于确定未来用电时段;
所述预测单元,与所述电价数据单元和所述用电时段单元相连,具体用于根据所述未来一定时间内的温度数据、未来一定时间内的电价数据、未来用电时段和所述预测模型预测所述小区未来用电量。
12.根据权利要求7至11任一项所述的装置,其特征在于,所述模型构建单元,具体用于以所述历史温度数据为输入参数,以所述历史用电量数据为输出参数,构建神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210439494.4A CN102930354B (zh) | 2012-11-06 | 2012-11-06 | 一种小区用电预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210439494.4A CN102930354B (zh) | 2012-11-06 | 2012-11-06 | 一种小区用电预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102930354A true CN102930354A (zh) | 2013-02-13 |
CN102930354B CN102930354B (zh) | 2016-08-10 |
Family
ID=47645148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210439494.4A Active CN102930354B (zh) | 2012-11-06 | 2012-11-06 | 一种小区用电预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102930354B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473613A (zh) * | 2013-09-09 | 2013-12-25 | 武汉理工大学 | 景观结构—地表温度—电量消耗的耦合模型及应用 |
CN104317910A (zh) * | 2014-10-27 | 2015-01-28 | 国家电网公司 | 一种数据处理方法及装置 |
CN104346659A (zh) * | 2014-11-26 | 2015-02-11 | 北京邮电大学 | 应用于高倍聚光光伏发电***的短期发电量预测方法 |
CN104636816A (zh) * | 2013-11-07 | 2015-05-20 | 财团法人资讯工业策进会 | 建立一用电模型的装置及方法 |
CN104751233A (zh) * | 2013-12-27 | 2015-07-01 | 台达电子工业股份有限公司 | 契约容量最佳化***及最佳化方法 |
CN105717355A (zh) * | 2014-07-11 | 2016-06-29 | 英科德技术股份有限公司 | 用于能量测量的装置、服务器、***和方法 |
CN103854068B (zh) * | 2013-12-06 | 2017-02-08 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
CN106934497A (zh) * | 2017-03-08 | 2017-07-07 | 青岛卓迅电子科技有限公司 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
CN107330548A (zh) * | 2017-06-16 | 2017-11-07 | 广东电网有限责任公司惠州供电局 | 基于时间序列模型的居民用电预测方法 |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN111523807A (zh) * | 2020-04-24 | 2020-08-11 | 广西电网有限责任公司崇左供电局 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
CN112163709A (zh) * | 2020-10-09 | 2021-01-01 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN112907064A (zh) * | 2021-02-08 | 2021-06-04 | 国网安徽省电力有限公司蚌埠供电公司 | 基于自适应窗的电量预测方法、装置、存储介质及终端 |
CN112907062A (zh) * | 2021-02-08 | 2021-06-04 | 国网安徽省电力有限公司蚌埠供电公司 | 融合温度特征的电网电量预测方法、装置、介质及终端 |
CN114456862A (zh) * | 2020-11-04 | 2022-05-10 | 中国石油化工股份有限公司 | 一种天然气深冷脱氮预处理工艺参数的优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161251A1 (en) * | 2005-01-18 | 2011-06-30 | Carey Margaret M | Method and System for Tracking and Budgeting Energy Usage |
CN102521674A (zh) * | 2011-12-07 | 2012-06-27 | 福建省电力有限公司 | 电力用户用电信息采集***中夏季短期负荷预测的计算机生成方法 |
CN102682349A (zh) * | 2012-05-14 | 2012-09-19 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种用电量智能预测***及方法 |
-
2012
- 2012-11-06 CN CN201210439494.4A patent/CN102930354B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110161251A1 (en) * | 2005-01-18 | 2011-06-30 | Carey Margaret M | Method and System for Tracking and Budgeting Energy Usage |
CN102521674A (zh) * | 2011-12-07 | 2012-06-27 | 福建省电力有限公司 | 电力用户用电信息采集***中夏季短期负荷预测的计算机生成方法 |
CN102682349A (zh) * | 2012-05-14 | 2012-09-19 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种用电量智能预测***及方法 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473613A (zh) * | 2013-09-09 | 2013-12-25 | 武汉理工大学 | 景观结构—地表温度—电量消耗的耦合模型及应用 |
CN103473613B (zh) * | 2013-09-09 | 2017-01-11 | 武汉理工大学 | 景观结构—地表温度—电量消耗的耦合模型及应用 |
CN104636816A (zh) * | 2013-11-07 | 2015-05-20 | 财团法人资讯工业策进会 | 建立一用电模型的装置及方法 |
CN103854068B (zh) * | 2013-12-06 | 2017-02-08 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
CN104751233A (zh) * | 2013-12-27 | 2015-07-01 | 台达电子工业股份有限公司 | 契约容量最佳化***及最佳化方法 |
CN105717355A (zh) * | 2014-07-11 | 2016-06-29 | 英科德技术股份有限公司 | 用于能量测量的装置、服务器、***和方法 |
CN104317910A (zh) * | 2014-10-27 | 2015-01-28 | 国家电网公司 | 一种数据处理方法及装置 |
CN104346659A (zh) * | 2014-11-26 | 2015-02-11 | 北京邮电大学 | 应用于高倍聚光光伏发电***的短期发电量预测方法 |
CN106934497A (zh) * | 2017-03-08 | 2017-07-07 | 青岛卓迅电子科技有限公司 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
CN107330548A (zh) * | 2017-06-16 | 2017-11-07 | 广东电网有限责任公司惠州供电局 | 基于时间序列模型的居民用电预测方法 |
CN110210672A (zh) * | 2019-06-04 | 2019-09-06 | 北京百度网讯科技有限公司 | 用电量预测的方法和装置、电子设备、计算机可读介质 |
CN111523807A (zh) * | 2020-04-24 | 2020-08-11 | 广西电网有限责任公司崇左供电局 | 一种基于时间序列和神经网络的电能替代潜力分析方法 |
CN112163709A (zh) * | 2020-10-09 | 2021-01-01 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN112163709B (zh) * | 2020-10-09 | 2024-04-09 | 珠海格力电器股份有限公司 | 用电提示方法和装置、存储介质、电子装置 |
CN114456862A (zh) * | 2020-11-04 | 2022-05-10 | 中国石油化工股份有限公司 | 一种天然气深冷脱氮预处理工艺参数的优化方法 |
CN114456862B (zh) * | 2020-11-04 | 2022-10-21 | 中国石油化工股份有限公司 | 一种天然气深冷脱氮预处理工艺参数的优化方法 |
CN112907064A (zh) * | 2021-02-08 | 2021-06-04 | 国网安徽省电力有限公司蚌埠供电公司 | 基于自适应窗的电量预测方法、装置、存储介质及终端 |
CN112907062A (zh) * | 2021-02-08 | 2021-06-04 | 国网安徽省电力有限公司蚌埠供电公司 | 融合温度特征的电网电量预测方法、装置、介质及终端 |
CN112907062B (zh) * | 2021-02-08 | 2024-04-02 | 国网安徽省电力有限公司蚌埠供电公司 | 融合温度特征的电网电量预测方法、装置、介质及终端 |
CN112907064B (zh) * | 2021-02-08 | 2024-04-02 | 国网安徽省电力有限公司蚌埠供电公司 | 基于自适应窗的电量预测方法、装置、存储介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN102930354B (zh) | 2016-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930354A (zh) | 一种小区用电预测方法及装置 | |
Zahraee et al. | Application of artificial intelligence methods for hybrid energy system optimization | |
Kankal et al. | Modeling and forecasting of Turkey’s energy consumption using socio-economic and demographic variables | |
CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
Hafeez et al. | Utilization of EV charging station in demand side management using deep learning method | |
Teng et al. | Use of group method of data handling for transport energy demand modeling | |
Wang et al. | A novel decomposition-ensemble forecasting system for dynamic dispatching of smart grid with sub-model selection and intelligent optimization | |
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 | |
Alhmoud et al. | Short-term load forecasting for Jordan power system based on NARX-ELMAN neural network and ARMA model | |
Dong et al. | A multifactorial short-term load forecasting model combined with periodic and non-periodic features-a case study of qingdao, China | |
Zhang et al. | Forecasting of electricity prices using deep learning networks | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
Pan et al. | Multivariable sales prediction for filling stations via GA improved BiLSTM | |
Mukherjee et al. | Solar irradiance prediction from historical trends using deep neural networks | |
CN112508734B (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
Abumohsen et al. | Electrical load forecasting based on random forest, xgboost, and linear regression algorithms | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
Rashid et al. | Auto-regressive recurrent neural network approach for electricity load forecasting | |
Pal et al. | Short-Term Load Forecasting Using Adaptive Neuro-Fuzzy Inference System (ANFIS)” | |
CN111008723A (zh) | 一种用于分布式能源pev充电站设计的优化方法 | |
Salman et al. | Using recurrent neural network to forecast day and year ahead performance of load demand: A case study of France | |
Roy et al. | Implementation of encoder-decoder based long short-term memory network for short-term electrical load forecasting | |
Xia et al. | SCG and LM improved BP neural network load forecasting and programming network parameter settings and data preprocessing | |
Gupta et al. | Electricity Power Consumption Forecasting Techniques: A survey | |
Sanjani | The prediction of increase or decrease of electricity cost using fuzzy expert systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |