CN107292455A - 用电量预测方法、装置、可读存储介质和计算机设备 - Google Patents
用电量预测方法、装置、可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN107292455A CN107292455A CN201710642507.0A CN201710642507A CN107292455A CN 107292455 A CN107292455 A CN 107292455A CN 201710642507 A CN201710642507 A CN 201710642507A CN 107292455 A CN107292455 A CN 107292455A
- Authority
- CN
- China
- Prior art keywords
- history
- prediction
- period
- amount
- electricity consumption
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 136
- 238000013277 forecasting method Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种用电量预测方法、装置、可读存储介质和计算机设备,用电量预测方法包括:获取企业的生产区域在预设的历史时期内的历史生产用电量,以及企业的办公区域在历史时期内的历史办公用电量;根据历史生产用电量获取生产区域在预测周期内的预测生产用电量;根据历史办公用电量获取办公区域在预测周期内的预测办公用电量;根据预测生产用电量和预测办公用电量获取企业的预测用电量。如此,采用分区域预测的方式,得到预测生产用电量和预测办公用电量,准确性高,从而使得综合预测生产用电量和预测办公用电量得到的企业的预测用电量准确性高。
Description
技术领域
本发明涉及用电量管理技术领域,特别是涉及一种用电量预测方法、装置、可读存储介质和计算机设备。
背景技术
为更好地管理和调度企业的用电量,通常需要对企业在某个时段内的用电量进行预测。
传统的企业用电量的预测方法,大多是采用某种算法模型对历史同期的整体用电量进行数据分析,计算出一个预测周期内可能的用电量。然而,对于包含办公区域和生产区域的企业来说,影响办公区域和生产区域的用电量的因素不同,从而不同时期办公区域和生产区域的用电量的变化情况可能不同,统一依据整体的历史数据进行预测易出现明显的偏差,预测准确性低。
发明内容
基于此,有必要针对传统的用电量预测准确性低的问题,提供一种可提高预测准确性的用电量预测方法、装置、可读存储介质和计算机设备。
一种用电量预测方法,包括:
获取企业的生产区域在预设的历史时期内的历史生产用电量,以及所述企业的办公区域在所述历史时期内的历史办公用电量;
根据所述历史生产用电量获取所述生产区域在预测周期内的预测生产用电量;
根据所述历史办公用电量获取所述办公区域在所述预测周期内的预测办公用电量;
根据所述预测生产用电量和所述预测办公用电量获取所述企业的预测用电量。
一种用电量预测装置,包括:
数据获取模块,用于获取企业的生产区域在预设的历史时期内的历史生产用电量,以及所述企业的办公区域在所述历史时期内的历史办公用电量;
生产区域预测模块,用于根据所述历史生产用电量获取所述生产区域在预测周期内的预测生产用电量;
办公区域预测模块,用于根据所述历史办公用电量获取所述办公区域在所述预测周期内的预测办公用电量;
企业用电预测模块,用于根据所述预测生产用电量和所述预测办公用电量获取所述企业的预测用电量。
上述用电量预测方法和装置,通过获取企业的生产区域和办公区域在历史时期内的用电量分别得到历史生产用电负和历史办公用电量,在此基础上,根据历史生产用电量获取生产区域在预测周期内的预测生产用电量,并根据历史办公用电量获取办公区域在预测周期内的预测办公用电量,再根据预测生产用电量和预测办公用电量获取企业的预测用电量;如此,采用分区域预测的方式,将企业拆分为生产区域和办公区域两个用电区域,分别根据生产区域和办公区域在历史时期的历史生产用电量和历史办公用电量进行单独预测处理,得到预测生产用电量和预测办公用电量,准确性高,从而使得综合预测生产用电量和预测办公用电量得到的企业的预测用电量准确性高。
一种可读存储介质,存储有计算机程序,存储的计算机程序被处理器执行时实现上述用电量预测方法的步骤。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在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上述用电量预测方法的步骤。
上述可读存储介质和计算机设备,由于包含了上述用电量预测方法,同理可提高用电量预测的准确性。
附图说明
图1为一实施例中用电量预测方法的流程图;
图2为另一实施例中用电量预测方法的流程图;
图3为一实施例中获取历史时期中与预测周期匹配的历史时段的具体流程图;
图4为一实施例中用电量预测装置的结构图。
具体实施方式
参考图1,一实施例中的用电量预测方法,包括如下步骤。
S110:获取企业的生产区域在预设的历史时期内的历史生产用电量,以及企业的办公区域在历史时期内的历史办公用电量。
企业的生产区域是指耗电量主要用于工业生产产品的建筑区域,比如生产厂房,企业的办公区域是指耗电量主要用于日常办公、非生产的区域,比如办公室楼层;生产产品的企业的建筑一般包括生产区域和办公区域,生产区域和办公区域在不同的时间内会有不同的生产用电量和办公用电量。历史时期的时长可以根据实际需要设置,比如可以将当前日期之前的一周、半月或一月作为历史时期。历史生产用电量和历史办公用电量分别为生产区域和办公区域在历史时期内的用电量,具体可以是历史时期内总的用电量,也可以是包括历史时期内各个时间段的用电量,可以从数据库获取,也可以是从其他***获取。
S130:根据历史生产用电量获取生产区域在预测周期内的预测生产用电量。
预测周期指需要预测企业的用电量的时间段,预测周期的时长根据实际需要具体设置。采用生产区域在历史时期内的历史生产用电量,预测生产区域在预测周期内可能的生产用电量,得到预测生产用电量。
S150:根据历史办公用电量获取办公区域在预测周期内的预测办公用电量。
采用办公区域在历史时期内的历史办公用电量,预测办公区域在预测周期内可能的办公用电量,得到预测办公用电量。具体地,步骤S150和步骤S130的执行顺序不限,可以先执行步骤S130后执行步骤S150,也可以先执行步骤S150后执行步骤S130,或者可以步骤S130和步骤S150同时执行。
S170:根据预测生产用电量和预测办公用电量获取企业的预测用电量。
企业的预测用电量指企业在预测周期内预测需要的总的用电量,与生产区域和办公区域分别的预测生产用电量和预测办公用电量相关。例如,将预测生产用电量和预测办公用电量相加,得到的总和可以作为企业的预测用电量。又或者,若企业除常规的生产区域用电和办公区域用电之外还会有其他固定用电,则在计算预测生产用电量和预测办公用电量的基础上,增加一个预设的固定用电的用电量,得到的总和作为企业的预测用电量。
上述用电量预测方法,通过获取企业的生产区域和办公区域在历史时期内的用电量分别得到历史生产用电负和历史办公用电量,在此基础上,根据历史生产用电量获取生产区域在预测周期内的预测生产用电量,并根据历史办公用电量获取办公区域在预测周期内的预测办公用电量,再根据预测生产用电量和预测办公用电量获取企业的预测用电量;如此,采用分区域预测的方式,将企业拆分为生产区域和办公区域两个用电区域,分别根据生产区域和办公区域在历史时期的历史生产用电量和历史办公用电量进行单独预测处理,得到预测生产用电量和预测办公用电量,准确性高,从而使得综合预测生产用电量和预测办公用电量得到的企业的预测用电量准确性高。
在一实施例中,参考图2,步骤S130包括步骤S131至步骤S135。
S131:获取生产区域在历史时期内的历史产量。
历史产量为生产区域在历史时期内生产产品的产量。由于不同的企业生产的产品不同,同一企业的不同产品的能耗和生产率差异,产量的计数标准不统一,因此,一般会制定一个企业的标准产品单位,将一个实际的产品折算成N单位标准产品。具体地,本实施例中,产量指以标准产品单位进行计数得到的标准产品产量。如此,可统一计数标准,提高产量计数的准确性,从而提高预测的准确性。
历史产量可以是历史时期内总的产量,也可以是包括历史时期内各个时间段的产量,比如可通过在人工录入数据库或自动从MES(Manufacturing Execution System制造执行***)抓取数据的方式记录历史时期内每个时间段内的产量。历史产量可以是从数据库获取,也可以是从其他***获取。
S133:根据历史生产用电量和历史产量获取历史能源单耗。
历史能源单耗指生产区域在历史时期内的能源单耗,能源单耗与用电量和产量相关。具体地,若历史生产用电量和历史产量分别为历史时期内总的用电量和产量,则对应获取的历史能源单耗为历史时期对应的总的能源单耗;若历史生产用电量和历史产量分别包括历史时期内各个时间段的用电量和产量,则分别获取的历史能源单耗对应为各个时间段的能源单耗。
S135:根据历史能源单耗和预测周期内的预设的计划产量,获取预测生产用电量。
具体地,步骤S135可以是根据历史能源单耗进行预测得到预测周期内的预测能源单耗,再根据预测能源单耗和计划产量获取预测生产用电量;步骤S135也可以是直接将历史能源单耗作为预测周期内的能源单耗,结合计划产量进行计算得到预测生产用电量。
生产区域的生产用电量主要跟产量挂钩。通过步骤S131至步骤S135结合历史生产用电量和历史产量得到生产区域在预测周期内的预测生产用电量;如此,在预测生产区域的用电量时,将产量考虑入内,可提高生产区域用电量预测的准确性,从而提高对企业用电量预测的准确性。
可以理解,在其他实施例中,步骤S130还可以采用其他方式。比如,可以采用算法模型直接根据历史生产用电量进行预测得到预测生产用电量。
在一实施例中,历史时期包括以预测周期为单位划分的多个历史周期,历史产量包括各个历史周期内的产量,历史生产用电量包括各个历史周期内的生产用电量。
每一个历史周期的时长等于预测周期的时长,步骤S110具体获取生产区域在历史时期中各个历史周期的生产用电量,步骤S131具体获取历史时期中各个历史周期的产量。具体地,按照时间顺序从后往前依次对历史时期进行以预测周期为单位的划分,得到历史周期,若最后剩余的时段不能组成一个历史周期则忽略。比如,预测周期为一周,历史时期为三周零三天,则按时间顺序从后往前对历史时期进行划分,得到三个整的历史周期,历史时期中时间最前的三天忽略。
对应地,步骤S133包括:分别计算各历史周期的生产用电量和产量的比值,得到各历史周期的历史能源单耗。
各历史周期的历史能源单耗具体根据公式Dn=Qn/Cn计算得到,其中,Dn表示第n个历史周期的历史能源单耗,Qn表示第n个历史周期的生产用电量,Cn表示第n个历史周期的产量。
通过按照预测周期将历史时期划分为多个历史周期,进行分时段细化处理得到各个历史周期的历史能源单耗,可以提高历史能源单耗的准确性,从而进一步提高根据历史能源单耗和计划产量得到的预测生产用电量的准确性。
可以理解,在其他实施例中,还可以采用历史时期内总的历史生产用电量和总的历史产量获取历史时期内总的历史能源单耗。
在一实施例中,步骤S135包括步骤(a1)和步骤(a2)。
步骤(a1):根据各历史周期的历史能源单耗获取预测周期的预测能源单耗。
各历史周期按照时间先后顺序排列,对应各历史周期的历史能源单耗可组成一个数列,如D1、D2、D3、……Dn,步骤(a1)具体可采用二项式拟合法对历史能源单耗组成的数列进行推算,得到数列中Dn之后的能源单耗作为预测周期的预测能源单耗。
具体地,步骤(a1)包括:将各历史能源单耗进行排序得到数列;若预测周期的起始时间与最后一个历史周期的结束时间之间的时差小于一个预测周期的时长,则根据数列推算最后一个历史能源单耗之后排列的能源单耗,得到预测能源单耗;若预测周期的起始时间与最后一个历史周期的结束时间之间的时差大于一个预测周期的时长,则计算时差与预测周期的时长的比值,将比值进行向上取整,根据数列推算最后一个历史能源单耗之后排列的取整之后的数值对应位数的能源单耗,得到预测能源单耗。
通过对预测周期和最后一个历史周期之间间隔的时间进行分析,对不同的间隔情况进行不同的数据预测,可以提高获取的预测能源单耗的准确性。例如,预测周期为7天,最后一个历史周期的结束时间为6月30日;若预测周期的起始时间为7月1日,则采用二项式拟合法推算各历史能源单耗组成的数列D1、D2、D3、……Dn之后的一位能源单耗Dn+1,得到预测能源单耗;若预测周期的起始时间为7月10日,预测周期的起始时间和最后一个历史周期的结束时间的时差与预测周期的比值向上取值之后的数值为2,则采用二项式拟合法推算数列D1、D2、D3、……Dn之后的第二位能源单耗Dn+2,得到预测能源单耗。
步骤(a2):计算预测能源单耗和计划产量的乘积,得到预测生产用电量。
通过根据多个历史能源单耗获取预测能源单耗,并根据预测能源单耗和计划产量计算预测生产用电量,准确性高。
在一实施例中,历史办公用电量包括历史时期中以预设时长为单位划分的各个时间间隔内的办公用电量。即,历史时期包括多个时间间隔,每一个时间间隔对应有办公用电量。本实施例中,预设时长为一小时,即历史时期中办公区域每个小时的用电量均对应有记录,得到各小时的办公用电量。
请继续参考图2,S150包括步骤S151、步骤S153和步骤S155。
S151:获取历史时期中与预测周期匹配的历史时段。
其中,历史时段包括至少一个时间间隔,且历史时段的时长等于预测周期的时长。即,预测周期对应至少一个时间间隔,预测周期的时长大于或等于预设时长。历史时期包括至少一个历史时段,因此历史时期的时长大于或等于预测周期的时长。步骤S151具体可以根据影响办公区域的用电量变化的因素,获取与预测周期匹配的历史时段,比如根据气象数据进行匹配。
S153:从历史办公用电量中提取历史时段对应的时间间隔内的办公用电量。
若历史时段对应的时间间隔为一个,则提取对应的一个时间间隔的办公用电量;若历史时段对应的时间间隔为多个,则提取对应的各个时间间隔的办公用电量。
S155:计算提取的办公用电量的总和得到预测办公用电量。
若历史时段对应的时间间隔为一个,则预测办公用电量等于提取的办公用电量;若历史时段对应的时间间隔为多个,则预测办公用电量等于提取的各个办公用电量之和。
通过获取与预测周期匹配的历史时段,根据历史时段内时间间隔对应的办公用电量获取预测办公用电量,匹配的历史时段对应的办公用电量代表性强,可提高预测办公用电量的准确性。
可以理解,在其他实施例中,步骤S150还可以采用其他方式。比如,可以采用算法模型直接根据历史时期内总的历史办公用电量进行预测得到预测办公用电量。
在一实施例中,请参考图3,步骤S151包括步骤S1511至步骤S1517。
S1511:按照预设的时间单位将预测周期划分为多个预测时间段,按照时间单位将历史时期划分为多个单位时间。
其中,时间单位对应的时长大于或等于预设时长,即需要保证划分历史时期之后得到的单位时间大于或等于时间间隔。本实施例中,若预测周期的时长大于一天,预设时长小于一天,则时间单位为天,即预测周期中的每一天对应一个预测时间段,历史时期中的每一天对应一个单位时间。
S1513:获取办公区域在各个预测时间段内的预测气象数据,获取办公区域在各个单位时间内的历史气象数据。
预测时间段的气象数据可以通过网络从气象台数据接口、中国天气网数据接口获取;办公区域在各个单位时间内的历史气象数据可以预先存储在数据库内、通过查找数据库获取,也从其他***获取。具体地,气象数据包括温度数据和湿度数据。
S1515:提取时间上连续、数量与预测时间段的数量相同的单位时间所对应的历史气象数据,将提取的历史气象数据与预测时间段对应的预测气象数据按照时间顺序一一对应比较。
时间上连续、数量与预测时间段的数量相同的单位时间组成一个连续时间段,即连续时间段的时长等于预测时间段的时长。历史时期中包括至少一个连续时间段;本实施例中,历史时期的时长大于预测周期,则历史时期中包括多个连续时间段。有多个连续时间段时,步骤S1515每次提取一个连续时间段中单位时间的历史气象数据,将提取的历史气象数据与预测气象数据进行比较。
具体地,历史气象数据与预测气象数据的比较,为一对一比较。比如,预测时间段有多个且分别为7月10号、7月11号和7月12号,从历史时期中选取连续的三天时间7月6号、7月7号和7月8号;则,将7月6号的历史气象数据与7月10的号的预测气象数据比较,将7月7号的历史气象数据与7月11的号的预测气象数据比较,将7月8号的历史气象数据与7月12的号的预测气象数据比较。
S1517:若提取的历史气象数据与各自对应比较的预测气象数据的偏差均小于或等于预设值,则将提取的历史气象数据对应的单位时间组成的连续时间段作为与预测周期匹配的历史时段。
预设值可以根据实际需要具体设置,本实施例中,预设值为10%。具体地,若历史气象数据包括多种数据,比如温度数据和湿度数据,则分别将历史气象数据中的各种数据与预测气象数据中的各种数据同类对应比较,需满足所有数据的偏差均小于或等于预设值,才将对应的单位时间组成的连续时间段作为历史时段。
环境因素对办公区域的用电量影响比较大,比如,气温较高的天气需要使用空调,相比于不开空调的情况用电量较大。通过采用步骤S1511至步骤S1517,根据历史气象数据和预测气象数据进行比较,根据比较结果确定与预测周期匹配的历史时段,将影响办公用电量的气象因素考虑在内,使得得到的历史时段的环境最接近于预测周期的环境,从而根据历史时段的办公用电量获取的预测办公用电量准确性更高,可进一步提高企业用电量预测的准确性。
在一实施例中,继续参考图3,步骤S1515之后,还包括步骤S1518:若存在至少一个提取的历史气象数据与对应比较的预测气象数据的偏差大于预设值,则获取小于时间单位的下一级时间单位作为新的时间单位,按照新的时间单位将预测周期划分为新的预测时间段,按照新的时间单位将历史时期划分为多个新的单位时间,并返回步骤S1513。
时间单位按时间长短进行分级,比如从大到小依次是年、月、日/天、时、分、秒。本实施例中,预设的时间单位为天,则下一级时间单位为时。存在至少一个提取的历史气象数据与对应比较的预测气象数据的偏差大于预设值,表示匹配失败。匹配失败时,进一步采用间隔更小的时间单位分别对预测周期和历史周期进行划分,得到间隔更小的新的预测时间段和新的单位时间,再重复将单位时间的历史气象数据与预测时间段的预测气象数据进行比较,如此循环,直到找到匹配的历史时段,或新的时间单位小于预设时长则停止。如此,可确保匹配的历史时段的准确性更高,从而可进一步提高预测办公用电量的准确性。
具体地,S1518之后,若新的时间单位小于预设时长,则按照预设递增值增加预设值得到新的预设值,并返回步骤S1511。新的时间单位小于预设时长时,未找到匹配的历史时段。此时,通过增加预设值,降低历史气象数据和预测气象数据比较的精度,以便找到匹配的历史时段。
参考图4,一实施例中的用电量预测装置,包括数据获取模块110、生产区域预测模块130、办公区域预测模块150和企业用电预测模块170。
数据获取模块110用于获取企业的生产区域在预设的历史时期内的历史生产用电量,以及所述企业的办公区域在所述历史时期内的历史办公用电量。
生产区域预测模块130用于根据所述历史生产用电量获取所述生产区域在预测周期内的预测生产用电量。
办公区域预测模块150用于根据所述历史办公用电量获取所述办公区域在所述预测周期内的预测办公用电量。
企业用电预测模块170用于根据所述预测生产用电量和所述预测办公用电量获取所述企业的预测用电量。
上述用电量预测装置,通过数据获取模块110获取企业的生产区域和办公区域在历史时期内的用电量分别得到历史生产用电负和历史办公用电量,在此基础上,生产区域预测模块130根据历史生产用电量获取生产区域在预测周期内的预测生产用电量,办公区域预测模块150根据历史办公用电量获取办公区域在预测周期内的预测办公用电量,企业用电预测模块170根据预测生产用电量和预测办公用电量获取企业的预测用电量。如此,采用分区域预测的方式,将企业拆分为生产区域和办公区域两个用电区域,分别根据生产区域和办公区域在历史时期的历史生产用电量和历史办公用电量进行单独预测处理,得到预测生产用电量和预测办公用电量,准确性高,从而使得综合预测生产用电量和预测办公用电量得到的企业的预测用电量准确性高。
具体地,生产区域预测模块130和办公区域预测模块150可采用上述用电量预测方法提到的相关方法实现对应的功能,在此不做赘述。比如,生产区域预测模块130可用于执行步骤S131、步骤S133和步骤S135的具体步骤;办公区域预测模块150可用于执行步骤S151、步骤S153和步骤S155的具体步骤。
一种可读存储介质,存储有计算机程序,存储的计算机程序被处理器执行时实现上述用电量预测方法的步骤。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在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上述用电量预测方法的步骤。
上述可读存储介质和计算机设备,由于包含了上述用电量预测方法,同理可提高用电量预测的准确性。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用电量预测方法,其特征在于,包括:
获取企业的生产区域在预设的历史时期内的历史生产用电量,以及所述企业的办公区域在所述历史时期内的历史办公用电量;
根据所述历史生产用电量获取所述生产区域在预测周期内的预测生产用电量;
根据所述历史办公用电量获取所述办公区域在所述预测周期内的预测办公用电量;
根据所述预测生产用电量和所述预测办公用电量获取所述企业的预测用电量。
2.根据权利要求1所述的用电量预测方法,其特征在于,所述根据所述历史生产用电量获取所述生产区域在预测周期内的预测生产用电量,包括:
获取所述生产区域在所述历史时期内的历史产量;
根据所述历史生产用电量和所述历史产量获取历史能源单耗;
根据所述历史能源单耗和所述预测周期内的预设的计划产量,获取所述预测生产用电量。
3.根据权利要求2所述的用电量预测方法,其特征在于,所述历史时期包括以所述预测周期为单位划分的多个历史周期,所述历史产量包括各个历史周期内的产量,所述历史生产用电量包括各个历史周期内的生产用电量;
所述根据所述历史生产用电量和所述历史产量获取历史能源单耗,包括:
分别计算各历史周期的生产用电量和产量的比值,得到各历史周期的历史能源单耗。
4.根据权利要求3所述的用电量预测方法,其特征在于,所述根据所述历史能源单耗和所述预测周期内的预设的计划产量,获取所述预测生产用电量,包括:
根据各历史周期的历史能源单耗获取所述预测周期的预测能源单耗;
计算所述预测能源单耗和所述计划产量的乘积,得到所述预测生产用电量。
5.根据权利要求1所述的用电量预测方法,其特征在于,所述历史办公用电量包括所述历史时期中以预设时长为单位划分的各个时间间隔内的办公用电量;所述根据所述历史办公用电量获取所述办公区域在所述预测周期内的预测办公用电量,包括:
获取所述历史时期中与所述预测周期匹配的历史时段,其中,所述历史时段包括至少一个时间间隔,且所述历史时段的时长等于所述预测周期的时长;
从所述历史办公用电量中提取所述历史时段对应的时间间隔内的办公用电量;
计算提取的办公用电量的总和得到所述预测办公用电量。
6.根据权利要求5所述的用电量预测方法,其特征在于,所述获取所述历史时期中与所述预测周期匹配的历史时段,包括:
按照预设的时间单位将所述预测周期划分为多个预测时间段,按照所述时间单位将所述历史时期划分为多个单位时间,其中,所述时间单位对应的时长大于或等于所述预设时长;
获取所述办公区域在各个预测时间段内的预测气象数据,获取所述办公区域在各个单位时间内的历史气象数据;
提取时间上连续、数量与所述预测时间段的数量相同的单位时间所对应的历史气象数据,将提取的历史气象数据与所述预测时间段对应的预测气象数据按照时间顺序一一对应比较;
若提取的历史气象数据与各自对应比较的预测气象数据的偏差均小于或等于预设值,则将提取的历史气象数据对应的单位时间组成的连续时间段作为与所述预测周期匹配的历史时段。
7.根据权利要求6所述的用电量预测方法,其特征在于,若存在至少一个提取的历史气象数据与对应比较的预测气象数据的偏差大于所述预设值,则获取小于所述时间单位的下一级时间单位作为新的时间单位,按照新的时间单位将所述预测周期划分为新的预测时间段,按照新的时间单位将所述历史时期划分为多个新的单位时间,并返回所述获取所述办公区域在各个预测时间段内的预测气象数据,获取所述办公区域在各个单位时间内的历史气象数据的步骤。
8.一种用电量预测装置,其特征在于,包括:
数据获取模块,用于获取企业的生产区域在预设的历史时期内的历史生产用电量,以及所述企业的办公区域在所述历史时期内的历史办公用电量;
生产区域预测模块,用于根据所述历史生产用电量获取所述生产区域在预测周期内的预测生产用电量;
办公区域预测模块,用于根据所述历史办公用电量获取所述办公区域在所述预测周期内的预测办公用电量;
企业用电预测模块,用于根据所述预测生产用电量和所述预测办公用电量获取所述企业的预测用电量。
9.一种可读存储介质,存储有计算机程序,其特征在于,存储的计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710642507.0A CN107292455A (zh) | 2017-07-31 | 2017-07-31 | 用电量预测方法、装置、可读存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710642507.0A CN107292455A (zh) | 2017-07-31 | 2017-07-31 | 用电量预测方法、装置、可读存储介质和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292455A true CN107292455A (zh) | 2017-10-24 |
Family
ID=60103969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710642507.0A Pending CN107292455A (zh) | 2017-07-31 | 2017-07-31 | 用电量预测方法、装置、可读存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292455A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108288116A (zh) * | 2018-04-19 | 2018-07-17 | 清华大学 | 储电预测方法、***及计算机设备、存储介质 |
CN108648790A (zh) * | 2018-05-02 | 2018-10-12 | 广东保健堂连锁大药房有限公司 | 一种药品分类管理数据分析*** |
CN109063926A (zh) * | 2018-08-24 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 周期内计划发电量确定方法、***及终端设备 |
CN110009165A (zh) * | 2019-05-08 | 2019-07-12 | 国网福建省电力有限公司经济技术研究院 | 基于多地址围栏区域历史用电量的预测方法及*** |
CN110245771A (zh) * | 2018-03-09 | 2019-09-17 | 亿可能源科技(上海)有限公司 | 需量预测方法、需量控制方法及*** |
CN111275267A (zh) * | 2020-02-26 | 2020-06-12 | 吴天 | 一种生产型企业的用电量预测方法 |
CN112036737A (zh) * | 2020-08-28 | 2020-12-04 | 京东方科技集团股份有限公司 | 区域电量偏差的计算方法及装置 |
CN112711229A (zh) * | 2020-12-09 | 2021-04-27 | 万洲电气股份有限公司 | 一种基于多关联因素能耗预测的智能优化节能*** |
CN112952870A (zh) * | 2021-03-15 | 2021-06-11 | 天津博瑞智能电气有限公司 | 基于变电运维监控平台的电能分配方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1815497A (zh) * | 2005-01-31 | 2006-08-09 | 宝山钢铁股份有限公司 | 钢铁企业日用电量预测方法 |
CN103413188A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于工业业扩报装的月度工业用电量预测方法 |
CN103729689A (zh) * | 2013-12-20 | 2014-04-16 | 华南理工大学 | 一种基于行业分类与主导行业数据的电网电量预测方法 |
CN104504619A (zh) * | 2015-01-05 | 2015-04-08 | 国家电网公司 | 两种考虑温度和经济增长因素的月度统调用电量预测方法 |
CN104598997A (zh) * | 2015-02-04 | 2015-05-06 | 国家电网公司 | 基于经济发展方式转变的工业用电强度预测方法 |
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种***用电量预测方法 |
CN106651058A (zh) * | 2017-01-10 | 2017-05-10 | 广东电网有限责任公司中山供电局 | 一种用电量预测模型优化方法及装置 |
-
2017
- 2017-07-31 CN CN201710642507.0A patent/CN107292455A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1815497A (zh) * | 2005-01-31 | 2006-08-09 | 宝山钢铁股份有限公司 | 钢铁企业日用电量预测方法 |
CN103413188A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于工业业扩报装的月度工业用电量预测方法 |
CN103729689A (zh) * | 2013-12-20 | 2014-04-16 | 华南理工大学 | 一种基于行业分类与主导行业数据的电网电量预测方法 |
CN104504619A (zh) * | 2015-01-05 | 2015-04-08 | 国家电网公司 | 两种考虑温度和经济增长因素的月度统调用电量预测方法 |
CN104598997A (zh) * | 2015-02-04 | 2015-05-06 | 国家电网公司 | 基于经济发展方式转变的工业用电强度预测方法 |
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种***用电量预测方法 |
CN106651058A (zh) * | 2017-01-10 | 2017-05-10 | 广东电网有限责任公司中山供电局 | 一种用电量预测模型优化方法及装置 |
Non-Patent Citations (1)
Title |
---|
沈娜: ""承德供电网电力需求预测及营销策略研究"", 《万方知识服务平台》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245771B (zh) * | 2018-03-09 | 2021-08-20 | 亿可能源科技(上海)有限公司 | 需量预测方法、需量控制方法及*** |
CN110245771A (zh) * | 2018-03-09 | 2019-09-17 | 亿可能源科技(上海)有限公司 | 需量预测方法、需量控制方法及*** |
CN108288116A (zh) * | 2018-04-19 | 2018-07-17 | 清华大学 | 储电预测方法、***及计算机设备、存储介质 |
CN108288116B (zh) * | 2018-04-19 | 2022-04-05 | 图灵人工智能研究院(南京)有限公司 | 储电预测方法、***及计算机设备、存储介质 |
CN108648790A (zh) * | 2018-05-02 | 2018-10-12 | 广东保健堂连锁大药房有限公司 | 一种药品分类管理数据分析*** |
CN108648790B (zh) * | 2018-05-02 | 2019-07-02 | 浙江新安国际医院有限公司 | 一种药品分类管理数据分析*** |
CN109063926A (zh) * | 2018-08-24 | 2018-12-21 | 国网河北省电力有限公司沧州供电分公司 | 周期内计划发电量确定方法、***及终端设备 |
CN110009165A (zh) * | 2019-05-08 | 2019-07-12 | 国网福建省电力有限公司经济技术研究院 | 基于多地址围栏区域历史用电量的预测方法及*** |
CN111275267A (zh) * | 2020-02-26 | 2020-06-12 | 吴天 | 一种生产型企业的用电量预测方法 |
CN111275267B (zh) * | 2020-02-26 | 2024-04-16 | 吴天 | 一种生产型企业的用电量预测方法 |
CN112036737A (zh) * | 2020-08-28 | 2020-12-04 | 京东方科技集团股份有限公司 | 区域电量偏差的计算方法及装置 |
CN112036737B (zh) * | 2020-08-28 | 2024-01-09 | 京东方科技集团股份有限公司 | 区域电量偏差的计算方法及装置 |
CN112711229A (zh) * | 2020-12-09 | 2021-04-27 | 万洲电气股份有限公司 | 一种基于多关联因素能耗预测的智能优化节能*** |
CN112711229B (zh) * | 2020-12-09 | 2022-06-17 | 万洲电气股份有限公司 | 一种基于多关联因素能耗预测的智能优化节能*** |
CN112952870A (zh) * | 2021-03-15 | 2021-06-11 | 天津博瑞智能电气有限公司 | 基于变电运维监控平台的电能分配方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292455A (zh) | 用电量预测方法、装置、可读存储介质和计算机设备 | |
CN108364085B (zh) | 一种外卖配送时间预测方法和装置 | |
US10754688B2 (en) | Systems and methods of a production environment tool | |
JP5492848B2 (ja) | 電力需要予測システムおよび方法 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用*** | |
JP5300761B2 (ja) | エネルギー配分計算装置 | |
WO2014075108A2 (en) | Forecasting system using machine learning and ensemble methods | |
CN104504619B (zh) | 两种考虑温度和经济增长因素的月度统调用电量预测方法 | |
US9990597B2 (en) | System and method for forecast driven replenishment of merchandise | |
Yang et al. | The optimization of total laboratory automation by simulation of a pull-strategy | |
CN111476441A (zh) | 一种电动汽车充电设备负荷预测方法及相关装置 | |
CN109583946A (zh) | 一种活跃用户数的预测***及方法 | |
CN104504479A (zh) | 两种考虑温度和经济增长因素的月度全社会用电量预测方法 | |
CN115375205A (zh) | 一种用水用户画像的确定方法、装置及设备 | |
CN116050987A (zh) | 用于物料补货的预测方法、装置、存储介质及处理器 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
KR101687816B1 (ko) | 에너지 효율 평가 방법 및 그 장치 | |
CN110598912A (zh) | 一种售电公司的春节期间售电量预测方法 | |
JP6135454B2 (ja) | 推定プログラム、推定装置及び推定方法 | |
CN116258280A (zh) | 一种基于时间序列聚类的短期负荷预测方法 | |
US20180174174A1 (en) | Trend-based data anlysis | |
CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
CN110175705B (zh) | 一种负荷预测方法及包含该方法的存储器、*** | |
JP5561643B2 (ja) | 需要予測装置及び水運用監視システム |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
RJ01 | Rejection of invention patent application after publication |