CN113673587B - 一种家庭基础日用电量计算方法 - Google Patents
一种家庭基础日用电量计算方法 Download PDFInfo
- Publication number
- CN113673587B CN113673587B CN202110922913.9A CN202110922913A CN113673587B CN 113673587 B CN113673587 B CN 113673587B CN 202110922913 A CN202110922913 A CN 202110922913A CN 113673587 B CN113673587 B CN 113673587B
- Authority
- CN
- China
- Prior art keywords
- user
- characteristic index
- electricity consumption
- data
- power 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 84
- 238000004364 calculation method Methods 0.000 title claims abstract description 14
- 238000003066 decision tree Methods 0.000 claims abstract description 25
- 238000013145 classification model Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 description 7
- 241000282326 Felis catus Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种家庭基础日用电量计算方法,包括以下步骤:A、从用电信息采集***中获取用户用电量数据,包括用户编号、用电日期、日用电量及用户离家情况;B、根据步骤A获取的用户用电量数据,计算用电量特征指标;C、根据步骤B计算的用电量特征指标,形成训练数据,训练并得到决策树分类模型;D、根据步骤C训练得到的决策树分析模型,输入用户用电量特征指标,计算该用户的基础日用电量。本发明所提的家庭基础日用电量计算方法,可实现家庭基础日用电量的计算。
Description
技术领域
本发明涉及电力大数据应用技术领域,具体是一种家庭基础日用电量计算方法。
背景技术
家庭基础日用电量指的是家中无人状态下,家中机顶盒、光猫、路由器、冰箱等可能常开的设备一天的用电量。居家状态的改变,会反映在日用电量上。一般来说,在分析用户居家状态或房屋空置情况时,基础日用电量是一个非常重要的参考指标。
申请号为201510056866.9的中国发明专利“基于气温变化的电网日用电量预测方法”,构建了气温与日用电量之间的预测模型,根据气温和经济发展形势预测经济电量和气温电量。申请号为20170280878.9的中国发明专利“基于人体舒适度的台区日用电量的预测方法”,根据体感温度计算气温补偿量并对预测日用电量进行修正。申请号为201711108363.7的中国发明专利“基于用户行为学的家庭日负荷曲线精细预测方法”根据居民时间使用调查报告,计算家庭活动开始和其持续时长的概率矩阵,通过预测所有家用电器的日负荷曲线,得到家庭总的负荷曲线。
现有技术所涉及的日用电量的相关方法,申请号为201510056866.9和20170280878.9的发明专利针对的电网和台区总日用电量的预测,不涉及家庭用户基础日用电量的判断;申请号为201711108363.7的发明专利,主要预测家庭日负荷,并未区分基础负荷、降温负荷、取暖负荷等,因此无法用于计算基础日用电量。
发明内容
针对现有技术存在的上述不足,本发明提供一种家庭基础日用电量计算方法,通过计算日用电量的特征指标,训练并得到决策树模型,通过训练好的决策树模型判断家庭基础日用电量,可实现家庭基础日用电量的计算。
本发明采用的技术方案为:
一种家庭基础日用电量计算方法,包括以下步骤:
A、从用电信息采集***中获取用户用电量数据,所述用户用电量数据包括用户编号、用电日期、日用电量及用户离家情况;
B、根据步骤A获取的用户用电量数据,计算用电量特征指标;
C、根据步骤B计算的用电量特征指标,形成训练数据,训练并得到决策树分类模型;
D、根据步骤C训练得到的决策树分析模型,输入用户用电量特征指标,计算该用户的基础日用电量。
进一步的,步骤B对步骤A获取的用户用电量数据,计算用电量特征指标,具体包括:
步骤A获取N个用户T天的用电量数据,N个用户记为{1,2,...N},用电数据的天数记为{1,2,...T},则用户n在第t天的用电量记为Wn,t,1≤n≤N,1≤t≤T。
对于1<t≤T,计算用户n在第t天的第一特征指标:
对于1≤t<T,计算用户n在第t天的第二特征指标:
对于1<t<T,计算用户n在第t天的第三特征指标:
PTn,t=min(PFn,t,PSn,t)
对于1<t<T,计算用户n在第t天的第四特征指标:
若第t天用户家里无人,则POn,t=1,反之POn,t=0。
进一步的,步骤C中根据步骤B计算的用电量特征指标,形成训练数据,训练并得到决策树分类模型,具体为:
根据计算的特征指标,将Wn,t和PTn,t作为模型的输入数据,POn,t作为输出数据,采用MATLAB决策树训练模块,导入输入数据和输出数据,训练得到决策树分类模型y=F(x1,x2),其中x1和x2分别代表用户的日用电量数据和用电量第三特征指标,y代表用户的第四特征指标,x1=Wn,t,x2=PTn,t,y=POn,t。
进一步的,步骤D中根据步骤C训练得到的决策树分析模型,输入用户用电量和第三特征指标,计算该用户的基础日用电量,具体为:
将用户n的日用电量数据Wn,t和第三特征指标PTn,t输入决策树分类模型,可得到POn,t=F(Wn,t,PTn,t)。
若对于1<t<T,若则在该时段内无法计算出基础日用电量,需更换时间段重复上述步骤重新计算:
若对于1<t<T,若则用户n的基础日用电量为:
本发明提供一种家庭基础日用电量计算方法,可实现家庭基础日用电量的计算,通过实际数据验证了本发明的有效性。
附图说明
图1是本发明一种家庭基础日用电量计算方法其中一个实施例的流程示意图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述。
请参阅图1,为本发明一种家庭基础日用电量计算方法其中一个实施例的流程示意图,所述方法包括以下步骤:
A、从用电信息采集***中获取用户用电量数据,所述用户用电量数据包括用户编号、用电日期、日用电量及用户离家情况;
B、对步骤A获取的用户用电量数据,计算用电量特征指标,具体包括:
步骤A获取N个用户T天的用电量数据,N个用户可记为{1,2,...N},用电数据的天数可记为{1,2,...T},则用户n在第t天的用电量记为Wn,t(1≤n≤N,1≤t≤T)。
对于1<t≤T,计算用户n在第t天的第一特征指标PFn,t:
对于1≤t<T,计算用户n在第t天的第二特征指标PSn,t:
对于1<t<T,计算用户n在第t天的第三特征指标PTn,t:
PTn,t=min(PFn,t,PSn,t)
对于1<t<T,计算用户n在第t天的第四特征指标POn,t:
若第t天用户家里无人,则POn,t=1,反之POn,t=0。
C、根据步骤B计算的用电量特征指标,形成训练数据,训练并得到决策树分类模型,具体为:
根据步骤B计算的特征指标,将Wn,t和第三特征指标PTn,t作为模型的输入数据,第四特征指标POn,t作为输出数据,采用MATLAB决策树训练模块,导入输入数据和输出数据,训练得到决策树分类模型y=F(x1,x2),其中x1和x2分别代表用户的日用电量数据和用电量第三特征指标,即x1=Wn,t,x2=PTn,t,y代表用户的第四特征指标POn,t,即y=POn,t。
D、根据步骤C训练得到的决策树分析模型,输入用户用电量和第三特征指标,计算该用户的基础日用电量,具体为:
将用户n的日用电量数据和第三特征指标输入决策树分类模型y=F(x1,x2),可得到POn,t=F(Wn,t,PTn,t)。
若对于1<t<T,若则在该时段内无法计算出基础日用电量,需更换时间段重复上述步骤重新计算:
若对于1<t<T,若则用户n的基础日用电量为:
下面以一个具体实施例对本发明的技术方案和效果进行详细说明:
步骤A,从用电信息采集***中获取用户用电量数据,如表1所示,所述用户用电量数据包括用户编号、日期、日用电量及用户家中是否有人等信息,其中可通过流调数据获取用户家中是否有人。
步骤B,根据用户用电量数据,计算用电量特征指标,如表1所示:
表1用户用电量数据及特征指标计算
步骤C,根据步骤B计算的特征指标及日用电量数据,采用MATLAB决策树训练模块,导入输入数据和输出数据,训练得到决策树分类模型y=F(x1,x2),其中x1和x2分别代表用户的日用电量数据和用电量第三特征指标,y代表用户的第四特征指标。
步骤D,根据训练得到的决策树分析模型,输入用户日用电量和第三特征指标,计算得到该用户的第四特征指标,如下表所示。
表2基础日用电量计算
根据用户日用电量和计算出的第四特征指标,计算该用户的基础日用电量为:
经社区核实,该用户7月10-16日及28日和29日确实家中无人,验证了第四特征指标计算的正确性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何属于本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种家庭基础日用电量计算方法,其特征在于包括以下步骤:
A、从用电信息采集***中获取用户用电量数据,包括用户编号、用电日期、日用电量及用户离家情况;
B、根据步骤A获取的用户用电量数据,计算用电量特征指标;
C、根据步骤B计算的用电量特征指标,形成训练数据,训练并得到决策树分类模型;
D、根据步骤C训练得到的决策树分析模型,输入用户用电量特征指标,计算该用户的基础日用电量;
步骤B对步骤A获取的用户用电量数据,计算用电量特征指标,具体包括:
步骤A获取N个用户T天的用电量数据,N个用户可记为{1,2,…N},用电数据的天数可记为{1,2,…T},则用户n在第t天的用电量记为Wn,t,1≤n≤N,1≤t≤T;
对于1<t≤T,计算用户n在第t天的第一特征指标PFn,t:
对于1≤t<T,计算用户n在第t天的第二特征指标PSn,t:
对于1<t<T,计算用户n在第t天的第三特征指标PTn,t:
PTn,t=min(PFn,t,PSn,t)
对于1<t<T,计算用户n在第t天的第四特征指标POn,t:
若第t天用户家里无人,则POn,t=1,反之POn,t=0;
步骤C中根据步骤B计算的用电量特征指标,形成训练数据,训练并得到决策树分类模型,具体为:
根据计算的特征指标,将Wn,t和第三特征指标PTn,t作为模型的输入数据,第四特征指标POn,t作为输出数据,采用MATLAB决策树训练模块,导入输入数据和输出数据,训练得到决策树分类模型y=F(x1,x2),其中x1和x2分别代表用户的日用电量数据和用电量第三特征指标,y代表用户的第四特征指标,即x1=Wn,t,x2=PTn,t,y=POn,t;
步骤D中根据步骤C训练得到的决策树分析模型,输入用户用电量特征指标,计算该用户的基础日用电量,具体为:
将用户n的日用电量数据Wn,t和第三特征指标PTn,t输入决策树分类模型,得到第四特征指标POn,t=F(Wn,t,PTn,t);
若对于1<t<T,若则在该时段内无法计算出基础日用电量,需更换时间段重复上述步骤重新计算:
若对于1<t<T,若则用户n的基础日用电量为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922913.9A CN113673587B (zh) | 2021-08-12 | 2021-08-12 | 一种家庭基础日用电量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922913.9A CN113673587B (zh) | 2021-08-12 | 2021-08-12 | 一种家庭基础日用电量计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673587A CN113673587A (zh) | 2021-11-19 |
CN113673587B true CN113673587B (zh) | 2024-02-02 |
Family
ID=78542420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110922913.9A Active CN113673587B (zh) | 2021-08-12 | 2021-08-12 | 一种家庭基础日用电量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673587B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564380A (zh) * | 2018-04-11 | 2018-09-21 | 重庆大学 | 一种基于迭代决策树的电信用户分类方法 |
CN111178611A (zh) * | 2019-12-23 | 2020-05-19 | 广西电网有限责任公司 | 一种日电量预测的方法 |
CN112257784A (zh) * | 2020-10-22 | 2021-01-22 | 福州大学 | 一种基于梯度提升决策树的窃电检测方法 |
CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960514B (zh) * | 2016-04-27 | 2022-09-06 | 第四范式(北京)技术有限公司 | 展示预测模型的方法、装置及调整预测模型的方法、装置 |
-
2021
- 2021-08-12 CN CN202110922913.9A patent/CN113673587B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564380A (zh) * | 2018-04-11 | 2018-09-21 | 重庆大学 | 一种基于迭代决策树的电信用户分类方法 |
CN111178611A (zh) * | 2019-12-23 | 2020-05-19 | 广西电网有限责任公司 | 一种日电量预测的方法 |
CN112257784A (zh) * | 2020-10-22 | 2021-01-22 | 福州大学 | 一种基于梯度提升决策树的窃电检测方法 |
CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113673587A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clusella-Trullas et al. | How useful are thermal vulnerability indices? | |
Wyneken et al. | Loggerhead sea turtle environmental sex determination: implications of moisture and temperature for climate change based predictions for species survival | |
CN106951611B (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
Albert et al. | On the importance of intraspecific variability for the quantification of functional diversity | |
Reiter et al. | Estimating risks of identification disclosure in partially synthetic data | |
Gilioli et al. | Modelling the potential distribution of Bemisia tabaci in Europe in light of the climate change scenario | |
Reiter | Estimating risks of identification disclosure in microdata | |
Suggitt et al. | Habitat associations of species show consistent but weak responses to climate | |
Katz et al. | A mixed model for the relationship between climate and human cranial form | |
Eakins | An analysis of the determinants of household energy expenditures: empirical evidence from the Irish household budget survey | |
Engler et al. | Comparative landscape genetics of three closely related sympatric Hesperid butterflies with diverging ecological traits | |
Matos‐Maraví et al. | Species limits in butterflies (Lepidoptera: Nymphalidae): reconciling classical taxonomy with the multispecies coalescent | |
US20180248370A1 (en) | Methods and systems for energy use normalization and forecasting | |
Chelwa et al. | Assessing the causal impact of tobacco expenditure on household spending patterns in Zambia | |
Bell et al. | Australia's population future: Probabilistic forecasts incorporating expert judgement | |
CN111223523B (zh) | 基于多时滞因果熵的基因调控网络构建方法及*** | |
CN113673587B (zh) | 一种家庭基础日用电量计算方法 | |
Connor et al. | Complex effects of habitat amount and fragmentation on functional connectivity and inbreeding in a giant panda population | |
CN117314266B (zh) | 一种基于超图注意力机制的新型科技人才智能评价方法 | |
CN116843388B (zh) | 一种广告投放分析方法及*** | |
Aeschbacher et al. | Approximate B ayesian computation for modular inference problems with many parameters: the example of migration rates | |
Lee et al. | Leaf energy balance modelling as a tool to infer habitat preference in the early angiosperms | |
Barthold et al. | Dead or gone? Bayesian inference on mortality for the dispersing sex | |
Henson et al. | Predicting the dynamics of animal behaviour in field populations | |
Ma | Generating disaggregate population characteristics for input to travel-demand models |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |