CN114998048A - 电量变化因素分析方法、装置、计算机设备和存储介质 - Google Patents
电量变化因素分析方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114998048A CN114998048A CN202210393802.8A CN202210393802A CN114998048A CN 114998048 A CN114998048 A CN 114998048A CN 202210393802 A CN202210393802 A CN 202210393802A CN 114998048 A CN114998048 A CN 114998048A
- Authority
- CN
- China
- Prior art keywords
- data
- electric quantity
- training
- historical
- factor
- 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
- 230000008859 change Effects 0.000 title claims abstract description 85
- 238000000556 factor analysis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 66
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 109
- 238000004458 analytical method Methods 0.000 claims description 70
- 230000005611 electricity Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 28
- 238000010606 normalization Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000012887 quadratic function Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- OBSZRRSYVTXPNB-UHFFFAOYSA-N tetraphosphorus Chemical compound P12P3P1P32 OBSZRRSYVTXPNB-UHFFFAOYSA-N 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电量变化因素分析方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取目标时间序列内的电量相关原始数据；对电量相关原始数据进行预处理，得到关键因素特征数据；将关键因素特征数据输入预先训练好的电量变化因素分析模型中，对关键因素特征数据进行拟合计算，得到关键因素特征数据中各个预设维度的影响因素对应的电量分量；其中，电量变化因素分析模型包括第一特征输入层以及第一隐藏层，第一隐藏层设置有各影响因素对应的拟合函数；基于各影响因素对应的电量分量，确定目标时间序列内各影响因素对电量变化的影响。采用本方法能够提高了量化影响因素对电量变化值所产生的影响的准确度。
Description
技术领域
本申请涉及电力技术领域，特别是涉及一种电量变化因素分析方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着社会经济的飞速发展，社会电气化程度不断提高，同时“双碳”目标的提出，也表明电力作为清洁、高效的二次能源，将在支撑社会经济发展，服务民生用能需求，构建清洁低碳、安全高效能源体系中发挥更加重要的作用。电力负荷由于受诸多复杂因素的影响，整体呈现出复杂的变化模式。而量化各关键因素对电量变化的影响，能够有利于及时掌握地区、行业用电动态，洞悉电量变化的主要因素，从而对保障电力供需平衡等方面都具有重大意义。
目前电力领域常用的电量变化因素分析方法，由于仅依赖单一变量与电量之间的关系进行量化分析计算，得到的因素变量与电力变化值相关性的准确度较低，分析参考效果不佳。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高量化影响因素对电力变化值产生影响的准确度的电量变化因素分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电量变化因素分析方法，所述方法包括：
获取目标时间序列内的电量相关原始数据，；
对所述电量相关原始数据进行预处理，得到关键因素特征数据；
将所述关键因素特征数据输入预先训练好的电量变化因素分析模型中，对所述关键因素特征数据进行拟合计算，得到所述关键因素特征数据中各个预设维度的影响因素对应的电量分量；其中，电量变化因素分析模型包括第一特征输入层以及第一隐藏层，所述第一隐藏层设置有各所述影响因素对应的拟合函数，用于计算并输出各所述影响因素对应的电量分量；
基于各所述影响因素对应的电量分量，确定所述目标时间序列内各所述影响因素对电量变化的影响。
第二方面，本申请还提供了一种电量变化因素分析装置，所述装置包括：
原始数据获取模块，用于获取目标时间序列内的电量相关原始数据；
预处理模块，用于对所述电量相关原始数据进行预处理，得到关键因素特征数据；
电量分量计算模块，用于将所述关键因素特征数据输入预先训练好的电量变化因素分析模型中，对所述关键因素特征数据进行拟合计算，得到所述关键因素特征数据中各个预设维度的影响因素对应的电量分量；其中，电量变化因素分析模型包括第一特征输入层以及第一隐藏层，所述第一隐藏层设置有各所述影响因素对应的拟合函数，用于计算并输出各所述影响因素对应的电量分量；
影响确定模块，用于基于各所述影响因素对应的电量分量，确定所述目标时间区间内各所述影响因素对电量变化的影响。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法的步骤。
上述电量变化因素分析方法、装置、计算机设备、存储介质和计算机程序产品，获取目标时间序列内的电量相关原始数据，从原始数据中处理得到影响电量变化的关键因素特征数据，将关键因素特征数据输入预先训练好的电量变化因素分析模型中，对关键因素特征数据进行拟合计算，得到关键因素特征数据中各个预设维度的影响因素对应的电量分量。在需要对某一时段的电量变化原因进行分析时，可以基于各影响因素对应的电量分量，确定目标时间序列内各影响因素对电量变化的影响。通过考虑多个影响因素对电量变化的影响，提高了量化影响因素对电量变化值所产生的影响的准确度，对后续分析地区、行业用电状态等具有较高的参考价值。
附图说明
图1为一个实施例中电量变化因素分析方法的流程示意图；
图2为一个实施例中对电量相关原始数据进行预处理，得到关键因素特征数据步骤的流程示意图；
图3为一个实施例中一个区域实际气温函数曲线图；
图4为一个实施例中另一个区域实际气温函数曲线图；
图5为一个实施例中一个区域拟合气温分量函数曲线图；
图6为一个实施例中另一个区域拟合气温分量函数曲线图；
图7为一个实施例中电量变化因素分析模型的训练过程步骤的流程示意图；
图8为一个实施例中对原始训练数据集进行预处理，得到训练特征数据集步骤的流程示意图；
图9为一个实施例中对历史日期数据进行编码，得到历史假期编码数据步骤的流程示意图；
图10为另一个实施例中电量变化因素分析方法的流程示意图；
图11为一个实施例中初始分析模型的结构框图；
图12为一个实施例中电量变化因素分析模型的结构框图；
图13为一个实施例中电量变化因素分析装置的结构框图；
图14为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种电量变化因素分析方法，以该方法应用于终端进行举例说明，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的***，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，获取目标时间序列内的电量相关原始数据。
其中，电量相关原始数据是指目标时间区间与目标区域内，与用电量变化相关的所有原始数据，是通过将预设时间区间内的所有原始数据按照时间序列排列得到的。
具体地，获取目标时间序列内的电量相关原始数据，电量相关原始数据为目标时间区间内，目标区域与用电量变化相关的所有原始数据。例如，若需要对南方五省区(广东、广西、云南、贵州、海南)近两年的用电量变化因素进行分析，则获取南方五省区近两年来每日的全社会用电量数据、气温数据以及与用电相关的政策数据作为原始数据，对原始数据分别按照时间序列进行排列得到电量相关原始数据。
在其中一个实施例中，气温数据可以是每日平均气温数据的集合。
步骤104，对电量相关原始数据进行预处理，得到关键因素特征数据。
其中，关键因素特征数据是对电量变化产生关键影响的各个因素对应的特征数据。可以理解的，关键因素特征数据中包括有多个预设维度的影响因素对应的特征数据。
具体地，获取到目标时间序列内的电量相关原始数据后，对电量相关原始数据进行预处理，得到对电量变化产生关键影响的各个因素对应的特征数据。可以理解的，对电量相关原始数据进行预处理可以是处理数据中的缺失值、对数据进行特征编码或是对数据进行标准化处理等。
步骤106，将关键因素特征数据输入预先训练好的电量变化因素分析模型中，对关键因素特征数据进行拟合计算，得到关键因素特征数据中各个预设维度的影响因素对应的电量分量；其中，电量变化因素分析模型包括第一特征输入层以及第一隐藏层，第一隐藏层设置有各影响因素对应的拟合函数，用于计算并输出各影响因素对应的电量分量。
其中，电量变化因素分析模型是预先对初始分析进行训练后得到的，可以对输入的关键因素特征数据进行计算后输出各个影响因素对应的电量分量的深度学习模型。电量变化因素分析模板包括有第一特征输入层以及第一隐藏层。第一隐藏层中设置有各影响因素对应的拟合函数，可以对输入的各预设维度的影响因素对应的特征数据分别进行拟合计算，得到并输出各影响因素对应的电量分量。可以理解的，初始分析模型的类型可以根据实际情况进行选择。
其中，各个预设维度的影响因素是指对电量变化产生影响的不同维度的因素。可以理解的，预设维度可以根据目标区域以及目标时间区间的实际情况进行选择。例如，若需要分析广东省在近三个月内的电量变化原因，此时的预设维度可以为温度维度、政策维度、经济维度等；若需要分析某工厂在近一年内的电量变化原因，此时预设维度可以为工厂效益维度、节假日维度等。
其中，拟合函数是对初始神经网络中的函数进行拟合得到的函数准确的表达式。具体地，对初始模型中的初始函数进行迭代计算，根据输出结果对初始函数的参数进行更新替换以得到拟合函数的准确表达式。可以理解的，由于各影响因素所属的预设维度不同，因此在电量变化因素分析模型中，各预设维度的影响因素都有对应的拟合函数。
具体地，将关键因素特征数据输入预先训练好的电量变化因素分析模型的第一特征输入层中，第一特征输入层根据影响因素所属的维度，将各影响因素的特征数据输入其对应的设置在第一隐藏层的拟合函数中，拟合函数对各影响因素的特征数据进行拟合计算，输出各影响因素对应的电量分量。
在其中一个实施例中，初始分析模型可以为BP(Back Propagation)神经网络模型。其中，BP神经网络模型的基本原理是把一个输入矢量经过隐含层的一系列变换，然后得到一个输出矢量，从而实现输入数据与输出数据间的一个映射关系。输入信息的正向传播以及输出误差的反向传播，构成了BP网络的信息循环。
步骤108，基于各影响因素对应的电量分量，确定目标时间序列内各影响因素对电量变化的影响。
具体地，基于第一隐藏层输出的各影响因素对应的电量分量，可以确定目标时间序列内各影响因素对电量变化所产生的影响程度。
在其中一个实施例中，基于各影响因素对应的电量分量，确定目标时间序列内各影响因素对电量变化的影响包括：计算目标时间序列内各影响因素对应的电量分量之和，得到各影响因素对应的各第一总电量分量；计算各第一总电量分量与对照时间序列内各影响因素对应各第二总电量分量的差值，根据差值确定目标时间序列内各影响因素对电量变化所产生的影响程度。其中，对照时间序列为与目标时间序列确定电量变化值的时间序列。可以理解的，第二总电量分量可以是预先存储的，也可以是通过将对照时间序列内关键因素特征数据输入至电量变化因素分析模型中得到的。
例如，需要确定2021年广东省4月份与2020年广东省4月份对比，各影响因素对电量变化的影响程度，则目标时间序列为广东省2021年4月份整个月份，对照时间序列为广东省2020年4月份整个月份。将2021年4月份每一日的关键因素特征数据输入至电量变化因素分析模型中，得到各影响因素对应的每一日的日电量的电量分量，将各影响因素对应的电量分量分别相加，得到各影响因素对应的4月份整月的第一总电量分量。此时获取2020年4月份整月各影响因素对应的第二总电量分量，计算各第一总电量分量与各第二总电量分量的差值，若此时第一总气温电量分量为200万，而第二气温总电量分量为250万，则可以量化得出2021年4月份气温同比2020年4月份气温变化量对广东省用电量的影响为增加了50万的用电量。
在其中一个实施例中，基于各影响因素对应的电量分量，确定目标时间序列内各影响因素对电量变化的影响包括：基于各影响因素对应的电量分量计算得到各影响因素在电量变化中所占的比重，将该比重确定为目标时间序列内各影响因素对电量变化的影响比重，根据影响比重确定目标时间序列内各影响因素对电量变化的影响。
上述电量变化因素分析方法中，获取目标时间序列内的电量相关原始数据，从原始数据中处理得到影响电量变化的关键因素特征数据，将关键因素特征数据输入预先训练好的电量变化因素分析模型中，对关键因素特征数据进行拟合计算，得到关键因素特征数据中各个预设维度的影响因素对应的电量分量。基于各影响因素对应的电量分量，确定目标时间序列内各影响因素对电量变化的影响。在需要对某一时段的电量变化原因进行分析时，即可按照各影响因素对应的影响确定各影响因素对该时段电量变化所产生的影响。通过考虑多个影响因素对电量变化的影响，提高了量化影响因素对电量变化值所产生的影响的准确度，对后续分析地区、行业用电状态等具有较高的参考价值。
在一个实施例中，电量相关原始数据包括用电量数据、气温数据以及与用电相关的政策数据，关键因素特征数据包括气温特征数据、假期特征数据、趋势特征数据以及政策特征数据。如图2所示，对电量相关原始数据进行预处理，得到关键因素特征数据包括以下步骤：
步骤202，基于预设编码映射关系对电量相关原始数据进行编码，得到特征编码数据，特征编码数据包括气温编码数据、第一假期编码数据、趋势编码数据以及政策编码数据。
其中，预设编码映射关系是原始数据与特征编码数据的对应关系，通过预设编码映射关系，即可根据原始数据即可得到对应的特征编码数据。具体地，预设编码映射关系是在对初始模型进行训练时，对训练数据进行编码后得到的映射关系，将预设编码映射关系预先存储在预处理模块中，在实际应用需要对原始数据进行预处理时，预处理模块将会根据预设编码映射关系对原始数据进行处理。可以理解的，预设编码映射关系可以是预设编码规则、预设编码对应表等，每个维度的影响因素都有对应的预设编码映射关系。
其中，气温编码数据是将电量相关原始数据中的气温数据按照预设编码映射关系进行处理得到的编码数据。
其中，第一假期编码数据是根据电量相关原始数据对应的日期所生成的编码数据。根据日期与预设编码映射关系中的假期编码映射关系得到第一假期编码数据。具体地，将目标时间区间中各个日期按照时间序列进行排序，根据每个日期对应的节假日确定每个日期的节假日类型。根据节假日类型以及预设编码映射关系对每个日期进行编码得到第一假期编码数据。例如，节假日类型可以包括工作日、周末、短假、长假、春节等。
其中，趋势编码数据是根据电量相关原始数据对应的日期所生成的编码数据。将目标时间区间中各个日期按照时间序列进行排序，根据日期与预设编码映射关系中趋势编码映射关系得到趋势编码数据。例如，随着我国经济社会发展稳定推进，用电量随时间的增加整体呈现上升趋势，因此，将目标时间区间那个各日期按照时间序列进行排序，选择最小年月对应的日期为基期编码，以上升的趋势对目标时间区间内的日期进行编码，得到趋势编码数据。
其中，政策编码数据是根据电量相关原始数据中的用电相关政策数据，以及其对应的日期生成的编码数据。将目标时间区间中各个日期按照时间序列进行排列之后，根据日期对应的政策数据以及预设编码映射关系中政策编码映射关系得到政策编码数据。
具体地，基于预设编码映射关系对电量相关原始数据进行编码，得到对应的气温编码数据、第一假期编码数据、趋势编码数据以及政策编码数据。
步骤204，根据各特征编码数据对应的归一化处理参数，对各特征编码数据分别进行归一化处理，得到气温特征数据、假期特征数据、趋势特征数据以及政策特征数据。
其中，归一化处理是为了后面数据处理的方便以及保证程序运行时收敛加快，把需要处理的数据经过处理后限制在一定范围内。其具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。
具体地，根据各特征编码数据对应的归一化处理参数，分别对各特征编码数据进行归一化处理，得到气温特征数据、假期特征数据、趋势特征数据以及政策特征数据。
本实施例中，通过对获取的电量相关原始数据基于预设编码映射关系进行编码，得到影响因素对应的各特征编码数据，再对各编码数据进行归一化处理，得到影响因素对应的气温特征数据、假期特征数据、趋势特征数据以及政策特征数据。经过预处理之后的数据分类更加清晰，后续输入至模型中进行处理也更加方便，为通过电量变化因素分析模型得到各影响因素对应的电量分量提供了数据基础。
目前传统的方法中，对气温分量进行拟合多采用多项式函数(一般以一次和二次函数)来进行拟合。但在实验中多次对日电量与日平均量气温进行可视化分析发现，日用电量与日平均气温之间的关系无法简单使用一次函数或二次函数进行拟合。例如，广东、广西、海南的日用电量对高温区间比较敏感，其中，广东省在低温区间(22℃以下)日电量对于日平均气温敏感度较低，随着日平均气温降低日电量小幅下降，但在高温区间(22℃以上)日用电量对于日平均气温敏感度较高，随着日平均气温升高日电量大幅上升，如图3所示；而云南、贵州日用电量对低温区间较为敏感，其中，云南在低温区间(22℃以下)日电量对于日平均气温敏感度较高，随着日平均气温降低日电量大幅上升，但在高温区间(22℃以上)日电量对于日平均气温敏感度较低，随着日平均气温升高日电量小幅上升，如图4所示。
因此，在一个实施例中，气温特征数据所对应的拟合函数使用基于日气温与日用电量训练得到的分段二次拟合函数。
其中，分段二次拟合函数是对于自变量的不同的取值范围有不同的解析式的函数。公式如下：
其中，Tt为气温因素影响的电量分量，
为预处理后的气温特征数据；(htemp,ktemp)为分段的两个二次函数曲线共同的顶点，其中
为分段函数分界线，需通过初始分析模型进行训练优化；(a_ltemp,a_rtemp) 为分段的两个二次函数曲线的参数，控制日电量与日气温的敏感度，需通过BP 神经网进行优化。其中，日气温可以为日平均气温。
使用分段二次拟合函数对图3中的广东气温数据进行拟合，得到的拟合曲线如图5所示；对图4中的云南气温数据进行拟合，得到的拟合曲线如图6所示。由图可以看出，使用分段二次拟合函数对气温特征数据进行拟合，拟合精度更高，拟合结果更准确。
在一个实施例中，假期特征数据对应的拟合函数为二次函数。
具体地，假期拟合函数的公式如下：
其中，Ht为假期因素影响的分量；
为预处理后的假期特征数据；aholiday、bholiday、choliday为拟合函数的参数，需通过初始分析模型进行优化。
在一个实施例中，趋势特征数据对应的拟合函数为一次函数。
具体地，趋势拟合函数的公式如下：
其中，Ct为假期因素影响的分量；
为预处理后的趋势特征数据； atrend、btrend为拟合函数的参数，需通过初始分析模型进行优化。
在一个实施例中，政策特征数据对应的拟合函数为二次函数。
具体地，政策拟合函数的公式如下：
其中，Pt为假期因素影响的分量；
为处理后的政策特征数据；apolicy、bpolicy、cpolicy为拟合函数的参数，需通过初始分析模型进行优化。
在一个实施例中，如图7所示，电量变化因素分析模型的训练过程包括以下步骤：
步骤702，获取原始训练数据集。
具体地，获取预设时间序列内的不同地区的与用电相关的历史数据作为原始训练数据集1。
步骤704，对原始训练数据集进行预处理，得到训练特征数据集。
具体地，获取到原始训练数据集后，对原始训练数据集进行预处理，得到对电量变化产生关键影响的各个因素对应的训练特征数据。可以理解的，对原始训练数据集进行预处理可以是处理数据中的缺失值、对数据进行特征编码或是对数据进行标准化处理等。
步骤706，将训练特征数据集输入至初始分析模型中进行拟合计算，通过初始分析模型中的输出层得到拟合电量值，初始分析模型包括第二特征输入层、第二隐藏层以及输出层。
其中，初始分析模型为搭建好的神经网络模型，包括第二特征输入层、第二隐藏层以及输出层。
具体地，初始分析模型的第二特征输入层与第二隐藏层连接，第二特征输入层接收到输入的训练特征数据后，按照训练特征数据所对应的影响因素维度，将训练特征数据输入对应的设置于第二隐藏层的拟合函数中，第二隐藏层对各训练特征数据进行拟合计算后，输出各影响因素对应的电量分量，将各电量分量输入至输出层中，输出层根据各电量分量之和得到拟合电量值。
步骤708，根据拟合电量值与历史电量数据中的真实电量值的偏差对初始分析模型中第二特征输入层、第二隐藏层以及输出层的参数进行调整，更新初始分析模型基于拟合电量值与历史电量数据中的真实电量值，确定当前初始分析模型是否满足要求。
其中，真实电量值为训练区域内的真实用电量值。具体地，根据拟合电量值对应的日期，即可从历史电量数据中查找到其对应的真实电量值。
具体地，将初始分析模型输出的拟合电量值，与拟合电量值对应的真实电量值进行比较，根据拟合电量值与真实电量值的偏差，对初始分析模型中第二特征输入层、第二隐藏层以及输出层的参数进行调整，更新初始分析模型。
在其中一个实施例中，根据拟合电量值与真实电量值的偏差，对初始分析模型中第二特征输入层、第二隐藏层以及输出层的参数进行调整包括：将拟合电量值与真实电量值输入至目标函数中，得出目标函数值，若目标函数值不满足预设目标函数差值，则确定当前初始分析模型不满足要求；利用初始分析模型误差反向传播机制，结合梯度下降优化算法对初始分析模型中第二特征输入层、第二隐藏层以及输出层的参数进行调整。
在其中一个实施例中，根据拟合电量值与真实电量值的偏差，对初始分析模型中第二特征输入层、第二隐藏层以及输出层的参数进行调整包括：计算拟合电量值与真实电量值的差值，将差值与预设差值进行比较，若差值不满足预设差值，则确定当前初始分析模型不满足要求；利用初始分析模型误差反向传播机制，结合梯度下降优化算法对初始分析模型中第二特征输入层、第二隐藏层以及输出层的参数进行调整。
步骤710，迭代返回将训练特征数据集输入至初始分析模型中进行拟合计算，得到拟合电量值的步骤，继续进行训练，直至满足训练结束条件，得到训练好的电量变化因素分析模型。
具体地，对初始分析模型中的第二特征输入层、第二隐藏层以及输出层的参数进行调整后，迭代返回将训练特征数据集输入至初始分析模型中进行拟合计算，得到拟合电量值的步骤，继续进行训练，直至满足训练结束条件。当满足训练结束条件时，说明使用此时第二隐藏层中的各个拟合函数的参数，对输入的特征数据进行拟合计算，可以得到精确的电量分量值，因此输出层输出的拟合电量值才可以与真实电量值更加接近。确定当前初始分析模型满足要求，去除当前初始分析模型的输出层，将去除了输出层的初始分析模型确定为电量变化因素分析模型。
在其中一个实施例中，将拟合电量值与真实电量值输入至目标函数中，得出目标函数值，若目标函数值满足预设目标函数差值，则确定当前初始分析模型满足训练结束条件。
在其中一个实施例中，计算拟合电量值与真实电量值的差值，将差值与预设差值进行比较，若差值满足预设差值，则确定当前初始分析模型满足训练结束条件。
本实施中，通过对获取到的原始训练数据集进行预处理，得到训练特征数据集，将训练特征数据集输入至初始分析模型中，对初始分析模型进行迭代训练，得到具备准确计算得到各影响因素对应的电量分量的电量变化因素分析模型，有效提高了量化影响因素对电量变化值所产生的影响的准确度。
在一个实施例中，原始训练数据集包括预设时间序列内的历史用电量数据、历史气温数据以及与用电相关的历史政策数据，训练特征数据集包括训练气温特征数据、训练假期特征数据、训练趋势特征数据以及训练政策特征数据。如图 8所示，对原始训练数据集进行预处理，得到训练特征数据集，包括以下步骤：
步骤802，对历史气温数据进行指数加权滑动平均气温计算，得到历史气温编码数据。
其中，指数加权滑动平均是用来估计变量的局部均值，使变量的更新与一段时间内的历史取值有关。对历史气温数据进行指数加权滑动平均气温计算，可以有效增加模型的鲁棒性，充分挖掘气温特征信息。
具体地，指数加权滑动平均气温计算公式如下：
其中，temp_ewmt为t日的指数加权滑动平均气温；tempt为t日的真实平均气温；β作为衰变因子，具体大小可以根据实际情况设定，在本实施例中，β设为2/3。
使用上述指数加权滑动平均气温计算公式对历史气温数据进行加权滑动平均气温计算，得到历史气温编码数据。
步骤804，根据预设时间序列得到历史日期数据，对历史日期数据进行编码，得到历史假期编码数据以及历史趋势编码数据。
其中，历史日期数据是根据预设时间序列得到的。可以理解的，将预设时间序列中的日期集合得到历史日期数据。
具体地，将预设时间序列中的日期集合，得到历史日期数据，并根据得到的历史日期数据编码得到历史假期编码数据以及历史趋势编码数据。
在其中一个实施例中，根据历史日期数据编码得到历史趋势编码数据包括：使用顺序编码(Ordinal Encoder)规则对历史日期数据进行编码得到历史趋势编码数据。具体地，将历史日期数据中最小年月的日期数据作为基期编码，基期编码值为1，次月编码值为2，以此类推，得到历史趋势编码数据。
步骤806，对历史政策数据进行编码，得到历史政策编码数据。
其中，历史政策数据是在预设时间序列内与历史用电量有关的政策数据。可以理解的，历史政策数据中的政策与历史日期中的某个或某些日期相对应。
具体地，对历史政策数据进行编码，得到历史政策编码数据。其中，编码可以为使用预设编码函数或预设编码表格进行自动编码，也可以使用人工标注进行手动编码。
例如，在一些特定时期，政策对用电量的影响是非常显著的，比如2021年下半年，云南省电力供需形势以及能耗双控形势都十分紧张，政府部门联合电网企业总共开展了两轮限电限产措施，第一轮为集中在5、6月的有序用电，主要应对火电开机不足和枯水期水电短缺导致的用电缺口，第二轮能耗双控措施从9 月开始执行，旨在遏制“两高”项目盲目发展，加强对钢铁、水泥、黄磷、电解铝、工业硅和煤炭等重点行业的管控。在这两轮限电限产过程中，日电量显著下降。因此，可根据政策影响范围进行手工编码，例如云南，将未受政策影响的日期编码为1，第一轮限电政策期间编码为0.75，第二轮限电政策期间编码为0.8。
步骤808，对各编码数据分别进行归一化处理，得到训练气温特征数据、训练假期特征数据、训练趋势特征数据以及训练政策特征数据。
其中，归一化处理是为了后面数据处理的方便以及保证程序运行时收敛加快，把需要处理的数据经过处理后限制在一定范围内。其具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布，归一化在某个区间上是统计的坐标分布。
具体地，对历史气温编码数据进行归一化处理，公式如下：
其中，
为归一化后的t日的训练气温特征数据；temp_ewmt为t 日的历史气温编码数据；
为该区域所有temp_ewmt的平均值；
为该区域所有temp_ewmt的标准差。
对历史假期编码数据进行归一化处理，公式如下：
其中，
为归一化后的t日的训练假期特征数据；holidayt为t日的历史假期编码数据；
为该区域所有holidayt的平均值；
为该区域所有holidayt的标准差。
对历史趋势编码数据进行归一化处理，公式如下：
其中，
为归一化后的t日的训练趋势特征数据；trendt为t日的历史趋势编码数据；
为该区域所有trendt的平均值；
为该区域所有 trendt的标准差。
对历史政策编码数据进行归一化处理，公式如下：
其中，
为归一化后的t日的训练政策特征数据；trendt为t日的指数历史政策编码数据；
为该区域所有trendt的平均值；
为该区域所有 trendt的标准差。
在本实施中，通过对原始训练数据集进行编码处理，得到各影响因素对应的编码特征数据，再将各编码特征数据进行归一化处理，得到影响因素对应的训练气温特征数据、训练假期特征数据、训练趋势特征数据以及训练政策特征数据。经过预处理之后的数据分类更加清晰，后续输入至模型中进行处理也更加方便，为通过训练初始分析模型得到最终的电量变化因素分析模型提供了数据基础。
在得到历史假期编码数据时，若直接使用历史日期数据对应的电量作为目标进行编码，容易出现极端的编码数据，如云南、贵州全年用电高峰出现在冬季，因取暖用电导致电量激增，因此春运、春节期间电量一般大于非冬季，直接对电量进行target编码会导致春运、春节期间对应的编码值过大。
因此，在一个实施例中，如图9所示，对历史日期数据进行编码，得到历史假期编码数据，包括以下步骤：
步骤902，将历史日期数据按照各个日期对应的节假日类型进行分类，为各日期设定节假日标签。
具体地，每个日期都有其对应的节假日类型，将各日期与其对应的节假日类型进行绑定，为各日期设定节假日标签。其中，节假日标签包括工作日、周六、周日、短假(元旦节、清明节、端午节、中秋节)、长假(劳动节、国庆节)、春节(春节前两周、春节、春节后两周)、春运等，而短假又分为短假第一天、短假第二天、短假第三天；长假分为长假第一天、长假第二天…长假第七天；春运分为春运第一天、春运第二天…春运第三十五天等。
步骤904，根据各日期对应的节假日标签，从预设编码值表中确定各日期对应的第二假期编码值，集合得到第二假期编码数据。
其中，预设编码值表是根据实际经验与情况预先设置的编码值表，每个节假日标签都可以在预设编码值表中查询到对应的预设编码值。
具体地，根据各日期对应的节假日标签，从预设编码值表中查询并确定各日期对应的第二假期编码值，将各第二假期编码值集合得到第二假期编码数据。
例如，预设编码值表中，工作日对应的编码值为1；周六对应编码值为0.75；周日对应编码值为0.5；短假、长假假期首日编码值为0；假期首日至假期后第一个工作日期间的日期按[0,1]区间的等差数组进行编码；春节假期中除夕编码值为0，春运前最后一个工作日至除夕期间的日期按[1，0]区间的等差数组进行编码，除夕至春运后第一个工作日区间的日期按[0,1]区间的等差数组进行编码。
步骤906，将第二假期编码数据、历史气温编码数据、历史趋势编码数据以及历史政策编码数据输入至初始分析模型中，获取初始分析模型的隐藏层输出的第一假期电量分量。
具体地，将第二假期编码数据、历史气温编码数据、历史趋势编码数据以及历史政策编码数据输入至初始分析模型中。设置在初始分析模型隐藏层中的拟合函数对各编码数据进行拟合计算，得到各影响因素对应的电量分量。获取其中假期因素对应的第一假期电量分量。
步骤908，对第一假期电量分量进行目标编码，得到第三假期编码值，将第三假期编码值输入至初始分析模型中，迭代进行训练，达到满足结束条件时，得到历史假期编码数据。
其中，目标编码(Target encoding)是表示分类列的一种非常有效的方法，并且仅占用一个特征空间，也称为均值编码。该列中的每个值都被该类别的平均目标值替代。这可以更直接地表示分类变量和目标变量之间的关系。
具体地，对初始分析模型隐藏层输出的第一假期电量分量使用目标编码方法进行编码，得到第三假期编码值，将第三假期编码值与其他影响因素对应的编码值再次输入初始分析模型中，迭代进行训练，当达到满足结束条件时，得到历史假期编码数据。其中，结束条件为初始分析模型输出的假期电量分量与前一次训练时输出的假期电量分量数值差值小于预设阈值。此时可以认为编码值已趋于稳定。
以预设时间序列为2020年1月1号到2020年10月8号为例，以下为一个第二假期编码数据表：
| 日期 | 假期名称 | 假期标签 | 假期编码 |
| 2020-01-01 | 元旦节 | 短假_1 | -0.287160 |
| 2020-01-02 | 工作日 | 工作日 | 0.488444 |
| 2020-01-04 | 周六 | 周六 | 0.026795 |
| 2020-01-05 | 周日 | 周日 | -0.100472 |
| 2020-01-10 | 工作日 | 春运_1 | 1.325628 |
| 2020-01-11 | 周六 | 春运_2 | 1.055234 |
| 2020-02-12 | 工作日 | 春运_34 | -1.456229 |
| 2020-02-13 | 工作日 | 春运_35 | -1.510380 |
| 2020-04-04 | 清明节 | 短假_1 | -0.116852 |
| 2020-04-05 | 清明节 | 短假_2 | -0.116852 |
| 2020-04-06 | 清明节 | 短假_3 | 0.025990 |
| 2020-10-01 | 国庆节 | 长假_1 | -1.343969 |
| 2020-10-02 | 国庆节 | 长假_2 | -1.223036 |
| 2020-10-08 | 国庆节 | 长假_8 | -0.035673 |
本实施例中，首先通过使用预设的编码值表对各日期进行初次编码，得到第二假期编码数据，再将第二假期编码数据输入至初始分析模型中，剔除气温、趋势、政策等因素影响的电量后，再进行目标编码。使用本实施例中的方法，可以使得到的假期编码数据根据准确。为后续对初始分析模型训练以得到电量变化因素分析模型提供了数据基础。
在一个实施例中，如图10所示，提供了一种电量变化因素分析方法，包括以下步骤：
首先，搭建一个BP神经网络模型为初始分析模型，如图11所示，模型一般由三层构成：输入层、隐藏层、输出层。整个模型可以用如下公式表示：
其中，
为模型拟合的第t日的电量；Tt为模型拟合的气温因素影响的电量分量，以下简称气温分量；Ht为模型拟合的假期因素影响的电量分量，以下简称假期分量；Ct为模型拟合的趋势因素影响的电量分量，以下简称趋势分量；Pt为模型拟合的政策因素影响的电量分量，以下简称政策分量。
优化的目标函数为MAPE：
其中，t为第t日，n为训练集中的总天数；
为模型拟合的第t日的用电量； Yt为真实的第t日电量。
然后，获取原始训练数据集，原始训练数据集包括预设时间序列内的历史用电量数据、历史气温数据、历史日期数据以及历史政策数据。对原始训练数据集进行编码，得到历史气温编码数据、历史假期编码数据、历史趋势编码数据以及历史政策编码数据。对各编码数据进行归一化处理，得到训练气温特征数据、训练假期特征数据、训练趋势特征数据以及训练政策特征数据。将各训练特征数据输入至初始分析模型对应的输入层中，由输入层将各训练特征数据输入至隐藏层，通过设置在隐藏层中的各个拟合函数进行拟合计算，得到训练气温拟合分量、训练假期拟合分量、训练趋势拟合分量以及训练政策拟合分量，将各分量进行相加得到日电拟合分量。将日电拟合分量与对应的日电量输入至目标函数中，若计算得到的目标函数值不满足预设目标函数阈值，则利用BP神经网络误差反向传播机制，结合梯度下降优化优化算法，通过反复迭代，达到更新模型参数以最小化目标函数的目的。更新各分量拟合函数的参数，直至得到的目标函数值满足1 目标函数阈值时，将此时的初始分析模型去掉输出层，确定为电量变化因素分析模型。电量变化因素分析模型如图12所示。保存此时的预处理数据至预处理模块中，预处理数据为对数据进行编码与归一化时所使用的参数以及表格。
实际应用时，获取目标时间序列内的电量相关原始数据，包括用电量数据、气温数据以及用电相关的政策数据。通过预处理模块对电量相关原始数据进行预处理，即对电量相关原始数据进行编码，然后再对得到的编码数据进行归一化处理，得到关键因素特征数据。其中，关键因素特征数据包括气温特征数据、假期特征数据、趋势特征数据以及政策特征数据。将关键因素特征数据输入至电量变化因素分析模型中，得到气温拟合电量分量、假期拟合电量分量、趋势拟合电量分量以及政策拟合电量分量。基于各电量分量确定目标时间序列内各影响因素对电量变化的影响。具体地，计算目标时间序列内各影响因素对应的电量分量之和，得到各影响因素对应的各第一总电量分量；计算各第一总电量分量与对照时间序列内各影响因素对应各第二总电量分量的差值，根据差值确定目标时间序列内各影响因素对电量变化所产生的影响程度。其中，对照时间序列为与目标时间序列确定电量变化值的时间序列。可以理解的，第二总电量分量可以是预先存储的，也可以是通过将对照时间序列内关键因素特征数据输入至电量变化因素分析模型中得到的。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电量变化因素分析方法的电量变化因素分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电量变化因素分析装置实施例中的具体限定可以参见上文中对于电量变化因素分析方法的限定，在此不再赘述。
在一个实施例中，如图13所示，提供了一种电量变化因素分析装置1300，包括：原始数据获取模块1301、预处理模块1302、电量分量计算模块1303和影响确定模块1304，其中：
原始数据获取模块1301，用于获取目标时间序列内的电量相关原始数据。
预处理模块1302，用于对电量相关原始数据进行预处理，得到关键因素特征数据。
电量分量计算模块1303，用于将关键因素特征数据输入预先训练好的电量变化因素分析模型中，对关键因素特征数据进行拟合计算，得到关键因素特征数据中各个预设维度的影响因素对应的电量分量；其中，电量变化因素分析模型包括第一特征输入层以及第一隐藏层，第一隐藏层设置有各影响因素对应的拟合函数，用于计算并输出各影响因素对应的电量分量。
影响确定模块1304，用于基于各影响因素对应的电量分量，确定目标时间区间内各影响因素对电量变化的影响。
上述电量变化因素分析装置，获取目标时间序列内的电量相关原始数据，从原始数据中处理得到影响电量变化的关键因素特征数据，将关键因素特征数据输入预先训练好的电量变化因素分析模型中，对关键因素特征数据进行拟合计算，得到关键因素特征数据中各个预设维度的影响因素对应的电量分量。在需要对某一时段的电量变化原因进行分析时，可以基于各影响因素对应的电量分量，确定目标时间序列内各影响因素对电量变化的影响。通过考虑多个影响因素对电量变化的影响，提高了量化影响因素对电量变化值所产生的影响的准确度，对后续分析地区、行业用电状态等具有较高的参考价值。
在一个实施例中，预处理模块还用于：基于预设编码映射关系对所述电量相关原始数据进行编码，得到特征编码数据，所述特征编码数据包括气温编码数据、第一假期编码数据、趋势编码数据以及政策编码数据；根据各所述特征编码数据对应的归一化处理参数，对各所述特征编码数据分别进行归一化处理，得到气温特征数据、假期特征数据、趋势特征数据以及政策特征数据。
在一个实施例中，电量变化因素分析装置还包括：模型训练模块，用于获取原始训练数据集；对所述原始训练数据集进行预处理，得到训练特征数据集；将所述训练特征数据集输入至初始分析模型中进行拟合计算，得到拟合电量值，所述初始分析模型包括第二特征输入层、第二隐藏层以及输出层；基于所述拟合电量值与所述历史电量数据中的真实电量值，确定当前初始分析模型是否满足要求；若所述初始分析模型满足要求，则将去除了所述输出层的初始分析模型确定为电量变化因素分析模型。
在一个实施例中，模型训练模块还用于：对所述历史气温数据进行指数加权滑动平均气温计算，得到历史气温编码数据；根据所述预设时间序列得到历史日期数据，对所述历史日期数据进行编码，得到历史假期编码数据以及历史趋势编码数据；对所述历史政策数据进行编码，得到历史政策编码数据；对各编码数据分别进行归一化处理，得到训练气温特征数据、训练假期特征数据、训练趋势特征数据以及训练政策特征数据。
在一个实施例中，模型训练模块还用于：将所述历史日期数据按照各个日期对应的节假日类型进行分类，为各所述日期设定节假日标签；根据各所述日期对应的节假日标签，从预设编码值表中确定各所述日期对应的第二假期编码值，集合得到第二假期编码数据；将所述第二假期编码数据、历史气温编码数据、历史趋势编码数据以及所述历史政策编码数据输入至所述初始分析模型中，获取所述初始分析模型的隐藏层输出的第一假期电量分量；对所述第一假期电量分量进行目标编码，得到第三假期编码值，将所述第三假期编码值输入至所述初始分析模型中，迭代进行训练，达到满足结束条件时，得到历史假期编码数据。
上述电量变化因素分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图14所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储关键因素特征、拟合函数、预处理等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电量变化因素分析方法。
本领域技术人员可以理解，图14中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各实施例的电量变化因素分析的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各实施例的电量变化因素分析的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各实施例的电量变化因素分析的步骤。
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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器 (Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory， DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电量变化因素分析方法，其特征在于，所述方法包括：
获取目标时间序列内的电量相关原始数据；
对所述电量相关原始数据进行预处理，得到关键因素特征数据；
将所述关键因素特征数据输入预先训练好的电量变化因素分析模型中，对所述关键因素特征数据进行拟合计算，得到所述关键因素特征数据中各个预设维度的影响因素对应的电量分量；其中，电量变化因素分析模型包括第一特征输入层以及第一隐藏层，所述第一隐藏层设置有各所述影响因素对应的拟合函数，用于计算并输出各所述影响因素对应的电量分量；
基于各所述影响因素对应的电量分量，确定所述目标时间序列内各所述影响因素对电量变化的影响。
2.根据权利要求1所述的方法，其特征在于，所述电量相关原始数据包括用电量数据、气温数据以及与用电相关的政策数据，所述关键因素特征数据包括气温特征数据、假期特征数据、趋势特征数据以及政策特征数据；
所述对所述电量相关原始数据进行预处理，得到关键因素特征数据，包括：
基于预设编码映射关系对所述电量相关原始数据进行编码，得到特征编码数据，所述特征编码数据包括气温编码数据、第一假期编码数据、趋势编码数据以及政策编码数据；
根据各所述特征编码数据对应的归一化处理参数，对各所述特征编码数据分别进行归一化处理，得到气温特征数据、假期特征数据、趋势特征数据以及政策特征数据。
3.根据权利要求2所述的方法，其特征在于，所述气温特征数据所对应的拟合函数为基于日气温与日用电量训练得到的分段二次拟合函数。
4.根据权利要求1所述的方法，其特征在于，所述电量变化因素分析模型的训练过程包括：
获取原始训练数据集；
对所述原始训练数据集进行预处理，得到训练特征数据集；
将所述训练特征数据集输入至初始分析模型中进行拟合计算，通过所述初始分析模型中的输出层得到拟合电量值，所述初始分析模型包括第二特征输入层、第二隐藏层以及所述输出层；
根据所述拟合电量值与历史电量数据中的真实电量值的偏差对所述初始分析模型中第二特征输入层、第二隐藏层以及输出层的参数进行调整，更新所述初始分析模型；
迭代返回将所述训练特征数据集输入至初始分析模型中进行拟合计算，得到拟合电量值的步骤，继续进行训练，直至满足训练结束条件，得到训练好的电量变化因素分析模型。
5.根据权利要求4所述的方法，其特征在于，所述原始训练数据集包括预设时间序列内的历史用电量数据、历史气温数据以及与用电相关的历史政策数据，所述训练特征数据集包括训练气温特征数据、训练假期特征数据、训练趋势特征数据以及训练政策特征数据；
对所述原始训练数据集进行预处理，得到训练特征数据集，包括：
对所述历史气温数据进行指数加权滑动平均气温计算，得到历史气温编码数据；
根据所述预设时间序列得到历史日期数据，对所述历史日期数据进行编码，得到历史假期编码数据以及历史趋势编码数据；
对所述历史政策数据进行编码，得到历史政策编码数据；
对各编码数据分别进行归一化处理，得到训练气温特征数据、训练假期特征数据、训练趋势特征数据以及训练政策特征数据。
6.根据权利要求5所述的方法，其特征在于，所述对所述历史日期数据进行编码，得到历史假期编码数据，包括：
将所述历史日期数据按照各个日期对应的节假日类型进行分类，为各所述日期设定节假日标签；
根据各所述日期对应的节假日标签，从预设编码值表中确定各所述日期对应的第二假期编码值，集合得到第二假期编码数据；
将所述第二假期编码数据、历史气温编码数据、历史趋势编码数据以及所述历史政策编码数据输入至所述初始分析模型中，获取所述初始分析模型的隐藏层输出的第一假期电量分量；
对所述第一假期电量分量进行目标编码，得到第三假期编码值，将所述第三假期编码值输入至所述初始分析模型中，迭代进行训练，达到满足结束条件时，得到历史假期编码数据。
7.一种电量变化因素分析装置，其特征在于，所述装置包括：
原始数据获取模块，用于获取目标时间序列内的电量相关原始数据；
预处理模块，用于对所述电量相关原始数据进行预处理，得到关键因素特征数据；
电量分量计算模块，用于将所述关键因素特征数据输入预先训练好的电量变化因素分析模型中，对所述关键因素特征数据进行拟合计算，得到所述关键因素特征数据中各个预设维度的影响因素对应的电量分量；其中，电量变化因素分析模型包括第一特征输入层以及第一隐藏层，所述第一隐藏层设置有各所述影响因素对应的拟合函数，用于计算并输出各所述影响因素对应的电量分量；
影响确定模块，用于基于各所述影响因素对应的电量分量，确定所述目标时间区间内各所述影响因素对电量变化的影响。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210393802.8A CN114998048A (zh) | 2022-04-15 | 2022-04-15 | 电量变化因素分析方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210393802.8A CN114998048A (zh) | 2022-04-15 | 2022-04-15 | 电量变化因素分析方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114998048A true CN114998048A (zh) | 2022-09-02 |
Family
ID=83023660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210393802.8A Pending CN114998048A (zh) | 2022-04-15 | 2022-04-15 | 电量变化因素分析方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114998048A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116780658A (zh) * | 2023-08-17 | 2023-09-19 | 国网浙江省电力有限公司金华供电公司 | 考虑源-荷双侧不确定性的多能互补优化调度方法 |
-
2022
- 2022-04-15 CN CN202210393802.8A patent/CN114998048A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116780658A (zh) * | 2023-08-17 | 2023-09-19 | 国网浙江省电力有限公司金华供电公司 | 考虑源-荷双侧不确定性的多能互补优化调度方法 |
| CN116780658B (zh) * | 2023-08-17 | 2023-11-10 | 国网浙江省电力有限公司金华供电公司 | 考虑源-荷双侧不确定性的多能互补优化调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| CN110210993B (zh) | 基于循环神经网络模型的城市短期燃气负荷预测方法 | |
| Cheng et al. | Probabilistic residential load forecasting based on micrometeorological data and customer consumption pattern | |
| US20210326696A1 (en) | Method and apparatus for forecasting power demand | |
| CN111476677A (zh) | 一种基于大数据的用电类别售电量分析与预测方法及*** | |
| CN113657937A (zh) | 基于eemd-cnn+sae-rfr混合算法的日前电价预测方法 | |
| Ding et al. | Forecasting natural gas consumption with multiple seasonal patterns | |
| CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
| CN114511135A (zh) | 基于人工智能的短期负荷预测方法、计算机设备及存储介质 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| Pelekis et al. | In search of deep learning architectures for load forecasting: A comparative analysis and the impact of the Covid-19 pandemic on model performance | |
| CN114998048A (zh) | 电量变化因素分析方法、装置、计算机设备和存储介质 | |
| Liu et al. | Stock price trend prediction model based on deep residual network and stock price graph | |
| CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 | |
| CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
| Tan et al. | Day-ahead electricity price forecasting employing a novel hybrid frame of deep learning methods: A case study in NSW, Australia | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
| CN115906458A (zh) | 天然气开采作业控制方法、装置、计算机设备和存储介质 | |
| CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
| CN110889564B (zh) | 基于mkpca-rbfnn的短期电力负荷预测方法 | |
| CN114239945A (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
| Wang et al. | Short-term probability density function forecasting of industrial loads based on ConvLSTM-MDN |
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 |