CN115829117A - 基于终端用电信息的任意区域用电量短时预测方法及*** - Google Patents
基于终端用电信息的任意区域用电量短时预测方法及*** Download PDFInfo
- Publication number
- CN115829117A CN115829117A CN202211504108.5A CN202211504108A CN115829117A CN 115829117 A CN115829117 A CN 115829117A CN 202211504108 A CN202211504108 A CN 202211504108A CN 115829117 A CN115829117 A CN 115829117A
- Authority
- CN
- China
- Prior art keywords
- information
- user
- electricity consumption
- prediction
- grid
- 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
本发明提供一种基于终端用电信息的任意区域用电量短时预测方法及***,包括:采集终端用电信息:采集终端用户的个人信息和用电相关信息;采集辅助天气信息:采集和用户用电信息相关的天气信息,包括日平均温度信息和分时段温度信息;将采集到的终端用电信息和辅助天气信息进行预处理,并构建预测模型,对该用户选定未来日期用电量进行预测;将每个用户用电量信息与步骤一所采集的用户的位置信息相关联;短时预测任意选取区域用电量:在地图中随机选定某些地图区域,实现选定区域的短时用电量预测。本发明通过对所有用电用户单独建立用电量预测模型,同时将每个用户的位置信息与地图关联,实现了在地图上任意划定区域资源的精准调度。
Description
技术领域
本发明涉及用电量预测方法的研究,具体是一种基于终端用电信息的任意区域用电量短时预测方法及***。
背景技术
用电量预测在电力保障、电力营销方面至关重要,准确的用电量预测能够为电力资源的合理调度、电力客户的区域营销提供重要的数据支撑。传统的用电量预测模型及***,通常针对固定区域,所支撑的数据为区域用电信息、用电行为、天气信息等,如省级、市级、县级等行政区域的供电量预测。
另一方面,在诸多场合中,需要对任意的地理区域实现用电量预测。传统的固定区域预测模型由于是以片区用户的用电量信息,未针对每个独立用户单独建模,因此无法做到地理位置上的任意区域用电量预测,制约了用电量预测模型应用的广度与深度。
发明内容
本发明主要是解决现有技术所存在的上述技术问题,提供了一种基于终端用电信息的任意区域用电量短时预测方法及***。该方法通过对所有用电用户单独建立用电量预测模型,同时将每个用户的位置信息(经纬度坐标)与地图关联,最终实现了在地图上任意划定区域资源的精准调度,提供更加全面、准确的数据支撑。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种基于终端用电信息的任意区域用电量短时预测方法,包括如下步骤:
步骤一、采集终端用电信息:采集终端用户的个人信息和用电相关信息,包括用户类别、个人用户年龄、用电时段、每日用电量、用户的位置信息;
步骤二、采集辅助天气信息:采集和用户用电信息相关的天气信息,包括日平均温度信息和分时段温度信息;
步骤三、短时预测单用户用电量:将步骤一和步骤二采集到的终端用电信息和辅助天气信息进行预处理,并构建预测模型,对该用户选定未来日期用电量进行预测;
步骤四、关联用户用电量与地图:将每个用户用电量信息与步骤一所采集的用户的位置信息相关联;
步骤五、短时预测任意选取区域用电量:在地图中随机选定某些地图区域,实现选定区域的短时用电量预测。
进一步的,步骤一具体包括:
步骤1.1、采集用户的类别信息,类别信息分为2类:个人用户和企业用户,并将数据记录;
步骤1.2、采集个人用户的年龄、用电时段和日用电量信息,并加以记录;
步骤1.3、采集用户的位置信息,位置信息采用相对位置作为记录,实现方法为:
a)将用户所在地级市全部区域以网格化处理,对每个网格用***数字依次编号;
b)对于网格大小划分,采用动态划分方式:为人口密度较大的城镇区域,以100米长、100米宽划分网格;人口密度较小的郊外区域以1000米长、1000米宽划分网格;
c)将用户所在网格的数字编号与该网格区域的用户绑定。
进一步的,步骤二具体包括:
步骤2.1、采集近2年所需预测区域的日平均温度信息;
步骤2.2、采集近2年所需预测区域工作日18:00-次日8:00分时段温度信息;
步骤2.3、采集近2年所需预测区域采非工作日全天分时段温度信息。
进一步的,步骤三具体包括:
步骤3.1、将步骤一中的部分数据进行预处理,预处理方法为:
a)用户类别采用布尔类型记录,0代表企业用户,1代表个人用户;
b)个人用户年龄信息以年龄段形式记录,共分为3个年龄段:20岁以下、20-60岁、60岁以上;
c)日用电量信息直接以日用电量度数来记录;
d)用电时段信息直接以数字记录一天24小时中共有多少个小时有用电行为;
步骤3.2、将步骤二中的数据进行预处理,预处理方法为:
a)记录近两年的该用户所在区域的日平均气温信息,直接以温度数值记录;
b)记录近两年该用户所在区域工作日18:00-次日8:00分时段温度信息,只记录温度高于30度和低于10度的时段数,如只有18:00-19:00和19:00-20:00共2个时段温度大于30度,则记录2;
c)记录近两年该用户所在区域非工作日全天分时段温度信息,只记录温度高于30度和低于10度的时段数;
步骤3.3、采用循环神经网络框架,实现每个用户未来日的用电量预测,训练样本为某一个用户的的各项量化行为和与行为相对应时段的天气信息,样本标签为该用户在行为发生日的用电量度数;
步骤3.4、针对所有电力用户,都单独训练一个短时用电量预测模型,实现对该用户选定未来日期用电量的预测。
进一步的,步骤四具体包括:
步骤4.1、对于每个网格,通过用户的位置信息计算网格内的用户;
步骤4.2、将网格与该网格类所有用户的用电量预测模型相关联,关联方法为记录对应用户的预测模型;
步骤4.3、对于每个网格,将该网格所关联的所有预测模型的预测结果线性叠加,即为该网格某日用电量的预测结果,记录为网格预测用电量。
进一步的,步骤五具体包括:
步骤5.1、当在地图中画定规则或不规则区域时,计算该闭合区域内完全包含的网格,即网格的全部部分都在闭合区域内;
步骤5.2、考察选定区域边界网格,求解所有边界网格,每个网格中有多少面积比例在选定区域内;
步骤5.4、将步骤5.1中计算所得完全包含网格的网格预测用电量做线性叠加求和,得到Sum1;
步骤5.5、将步骤5.2所述边界网格预测用电量,乘以步骤5.2求得的所对应网格的百分比,并将所有边界网格数据相加,得到Sum2;
步骤5.6、求得Sum=Sum1+Sum2即为任意选定区域的用电量短时预测结果。
一种基于终端用电信息的任意区域用电量短时预测***,包括:
终端用电信息采集模块,用于采集集终端用电信息,包括用户类别、个人用户年龄、用电时段、每日用电量、用户的位置信息;
辅助天气信息采集模块,用于采集辅助天气信息,包括日平均温度信息和分时段温度信息;
单用户用电量短时预测模块,将终端用电信息采集模块和辅助天气信息采集模块采集到的终端用电信息和辅助天气信息进行预处理,并构建预测模型,对该用户选定未来日期用电量进行预测;
用户用电量与地图关联模块,用于将每个用户用电量信息与步骤一所采集的用户的位置信息相关联;
任意选取区域用电量短时预测模块,用于在地图中随机选定某些地图区域,实现选定区域的短时用电量预测。
进一步的,所述单用户用电量短时预测模块将终端用电信息采集模块和辅助天气信息采集模块采集到的终端用电信息和辅助天气信息进行预处理,并构建预测模型,对该用户选定未来日期用电量进行预测,具体包括:
将终端用电信息中的部分数据进行预处理,预处理方法为:
a)用户类别采用布尔类型记录,0代表企业用户,1代表个人用户;
b)个人用户年龄信息以年龄段形式记录,共分为3个年龄段:20岁以下、20-60岁、60岁以上;
c)日用电量信息直接以日用电量度数来记录;
d)用电时段信息直接以数字记录一天24小时中共有多少个小时有用电行为;
将辅助天气信息进行预处理,预处理方法为:
a)记录近两年的该用户所在区域的日平均气温信息,直接以温度数值记录;
b)记录近两年该用户所在区域工作日18:00-次日8:00分时段温度信息,只记录温度高于30度和低于10度的时段数,如只有18:00-19:00和19:00-20:00共2个时段温度大于30度,则记录2;
c)记录近两年该用户所在区域非工作日全天分时段温度信息,只记录温度高于30度和低于10度的时段数;
采用循环神经网络框架,实现每个用户未来日的用电量预测,训练样本为某一个用户的的各项量化行为和与行为相对应时段的天气信息,样本标签为该用户在行为发生日的用电量度数;
针对所有电力用户,都单独训练一个短时用电量预测模型,实现对该用户选定未来日期用电量的预测。
进一步的,所述用户用电量与地图关联模块将每个用户用电量信息与步骤一所采集的用户的位置信息相关联,具体包括:
对于每个网格,通过用户的位置信息计算网格内的用户;
将网格与该网格类所有用户的用电量预测模型相关联,关联方法为记录对应用户的预测模型;
对于每个网格,将该网格所关联的所有预测模型的预测结果线性叠加,即为该网格某日用电量的预测结果,记录为网格预测用电量。
进一步的,所述任意选取区域用电量短时预测模块在地图中随机选定某些地图区域,实现选定区域的短时用电量预测,具体包括:
当在地图中画定规则或不规则区域时,计算该闭合区域内完全包含的网格,即网格的全部部分都在闭合区域内;
考察选定区域边界网格,求解所有边界网格,每个网格中有多少面积比例在选定区域内;
将计算所得完全包含网格的网格预测用电量做线性叠加求和,得到Sum1;
将所述边界网格预测用电量,乘以求得的所对应网格的百分比,并将所有边界网格数据相加,得到Sum2;
求得Sum=Sum1+Sum2即为任意选定区域的用电量短时预测结果。
本发明具有如下有益效果:为每个用户单独建立的轻量化用电预测模型;实现了针对所有用户个体的用电量预测;采用二级网格的方式划分地理空间,基于每个独立用户供电量预测之和,实现网格区域的供电量的计算和预测;和地图联动,地图上选择的任意区域,通过计算网格数量,实现了对任意选择区域的用电量预测。
附图说明
图1是本发明基于终端用电信息的任意区域用电量短时预测方法的流程示意图;
图2是本发明基于终端用电信息的任意区域用电量短时预测***的模块框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例中,以湖北省某地级市为例,构建该市基于终端用电信息的任意区域用电量短时预测方法及***,整个***以软件的方式实现。
如图1所述,本发明实施例提供一种基于终端用电信息的任意区域用电量短时预测方法,包括如下步骤:
步骤一、采集终端用电信息:采集终端用户的个人信息和用电相关信息,包括用户类别(个人用户或企业用户)、个人用户年龄、用电时段、每日用电量、用户的位置信息。具体实现步骤为:
步骤1.1、采集用户的类别信息,类别信息分为2类:个人用户和企业用户,并将数据记录;
步骤1.2、采集个人用户的年龄、用电时段和日用电量信息,并加以记录;
步骤1.3、采集用户的位置信息,位置信息采用相对位置作为记录,实现方法为:
a)将用户所在地级市全部区域以网格化处理,对每个网格用***数字依次编号;
b)对于网格大小划分,采用动态划分方式:为人口密度较大的城镇区域,以100米长、100米宽划分网格;人口密度较小的郊外区域以1000米长、1000米宽划分网格;
c)将用户所在网格的数字编号与该网格区域的用户绑定。
步骤二、采集辅助天气信息:采集和用户用电信息相关的天气信息,包括日平均温度信息和分时段温度信息,具体实现步骤为:
步骤2.1、采集近2年所需预测区域的日平均温度信息;
步骤2.2、采集近2年所需预测区域工作日18:00-次日8:00分时段温度信息;
步骤2.3、采集近2年所需预测区域采非工作日全天分时段温度信息。
步骤三、短时预测单用户用电量:将步骤一和步骤二采集到的所有数据进行预处理,并构建预测模型,具体实现步骤为:
步骤3.1、将步骤一中的部分数据(除网格数据外的其它数据),进行预处理,预处理方法为:
a)用户类别采用布尔类型记录,0代表企业用户,1代表个人用户;
b)个人用户年龄信息以年龄段形式记录,共分为3个年龄段:20岁以下、20-60岁、60岁以上;
c)日用电量信息直接以日用电量度数来记录;
d)用电时段信息直接以数字记录一天24小时中共有多少个小时有用电行为;
步骤3.2、将步骤二中的数据进行预处理,预处理方法为:
a)记录近两年的该用户所在区域的日平均气温信息,直接以温度数值记录;
b)记录近两年该用户所在区域工作日18:00-次日8:00分时段温度信息,只记录温度高于30度和低于10度的时段数,如只有18:00-19:00和19:00-20:00共2个时段温度大于30度,则记录2;
c)记录近两年该用户所在区域非工作日全天分时段温度信息,只记录温度高于30度和低于10度的时段数;
步骤3.3、采用循环神经网络框架,实现每个用户未来日(短时)的用电量预测。训练样本为某一个用户的的各项量化行为和与行为相对应时段的天气信息,样本标签为该用户在行为发生日的用电量度数;
步骤3.4、针对所有电力用户,都单独训练一个短时用电量预测模型,实现对该用户选定未来日期用电量的预测。
步骤四、关联用户用电量与地图:将每个用户用电量信息与步骤一所采集的用户的位置信息相关联,具体实现步骤为:
步骤4.1、对于每个网格,通过用户的位置信息计算网格内的用户有哪些;
步骤4.2、将网格与该网格类所有用户的用电量预测模型相关联,关联方法为记录对应了哪些用户的预测模型;
步骤4.3、对于每个网格,将该网格所关联的所有预测模型的预测结果线性叠加,即为该网格某日用电量的预测结果,记录为网格预测用电量;
步骤五、短时预测任意选取区域用电量:在地图中随机选定(圈定)某些地图区域,实现选定区域的短时用电量预测,具体实现步骤为:
步骤5.1、当在地图中画定规则或不规则区域时,计算该闭合区域内完全包含的网格(即网格的全部部分都在闭合区域内);
步骤5.2、考察选定区域边界网格(部分在选定区域范围内),求解所有边界网格,每个网格中有多少面积比例在选定区域内。
步骤5.4、将步骤5.1中计算所得完全包含网格的网格预测用电量做线性叠加(求和),得到Sum1;
步骤5.5、将步骤5.2所述边界网格预测用电量,乘以步骤5.2求得的所对应网格的百分比,并将所有边界网格数据相加,得到Sum2;
步骤5.6、求得Sum=Sum1+Sum2即为任意选定区域的用电量短时预测结果。
如图2所示,本发明实施例提供一种基于终端用电信息的任意区域用电量短时预测***,包括:
终端用电信息采集模块10,用于采集终端用电信息,具体采集终端用户的个人信息和用电相关信息,包括用户类别(个人用户或企业用户)、个人用户年龄、用电时段、每日用电量、用户的位置信息等信息。首先采集用户的类别信息,包括个人用户和企业用户,并布尔类型予以记录;其次采集个人用户的年龄、用电时段和日用电量信息,并加以记录;最后需要采用用户的位置信息,将用户地理空间以平面网格方式予以划分,人口密度较大的城镇区域,以100米长、100米宽划分网格,人口密度较小的郊外区域以1000米长、1000米宽划分网格,记录每个用户所在的网格区域。
特别的,对于有重大事情、重大事件发生的区域,若对用户用电数据产生较大影响,则该区域、该时段的用电数据不能作为基础数据,例如大规模长时间停电,大型集会活动、运动会,洪涝灾害等。本发明所采用的方式为,若某时间段某区域有诸如此类的上述事件,则将该时段的用户数据予以剔除,不作为后续训练预测模型的基础数据。
辅助天气信息采集模块20,用于采集辅助天气信息,此模块的主要功能为采集和用户用电信息相关的天气信息,包括日平均温度信息和分时段温度信息。日平均温度信息需要针对不同区域,采集近2年的数据。分时段温度信息需要针对工作日和非工作日两种情况分情形考虑,其中,工作日采集18:00-次日8:00分时段温度信息;非工作日采集全天分时段温度信息。
进一步地,对于部分区域分时段温度信息较难获取的情况,可采用临近区域的温度信息予以代替;对于部分区域分时段信息缺失情况,将采取相邻时段线性插值的方式来模拟缺失数据;对于温度数据异常情况,如某时段室外温度数据过高或过低,则删除该数据,以信息缺失情况下的差值模拟方式来仿真数据。
单用户用电量短时预测模块30,此模块的主要功能为将前述两个模块采集到的所有数据进行预处理,并构建用电量的预测模型。对于不同类别的数据,采用不同的预处理方式:用电用户类别将处理划分为个人用户和企业用户;用户年龄数据处理为20岁以下、20-60岁、60岁以上三个年龄段;日用电量信息处理为日用电量度数数值;用电时段信息为以数值记录的一天24小时中共有多少个小时有用电行为;近两年的该用户所在区域的以华氏度记录日平均温度信息处理为数值(度数);分时段温度信息处理为每天有多少个时段温度大于30度或小于10度。模块中的预测模型构建部分,采用循环神经网络框架实现,训练样本为某一个用户的各项量化行为和与行为相对应时段的天气信息,样本标签为该用户在行为发生日的用电量度数;针对所有电力用户,都单独训练一个短时用电量预测模型,实现对该用户选定未来日期用电量的预测。
具体地,在用电量预测模型构建方面,将直接采用深度学习平台Tensorflow 2.0中的循环神经网络模块来实现用电量预测模型的训练过程。
进一步地,由于需要对所有用户都单独训练一个用电量预测模型,且样本特征具有概率同分布特征,因此可以先训练一个基础模型,再针对每个用户的用电行为数据,分别训练独立的用于用电量预测模型。基础模型的训练采用所有用户的样本数据进行统一训练,训练到一定步数后(模型显著收敛),停止训练,得到基础模型。在基础模型的基础上,选择相同的循环神经网络框架,将样本集替换为每个独立用户的用电行为数据,对基础模型继续训练,得到收敛于各个独立用户数据样本的用电量预测模型。
用户用电量与地图关联模块40,此模块的主要功能为将每个用户用电量信息与步骤一所采集的用户的位置信息相关联。主要通过根据用户的位置信息,计算每个网格中有哪些用户,再将所有用户的用电量信息相加来实现。
具体的,网格中叠加的是网格区域中所有用户的预测用电量数据,此模块的输出为以网格为单位的网格区域用电量预测数据。
任意选取区域用电量短时预测模块50,此模块的主要功能为在地图中随机选定(圈定)某些地图区域,实现选定区域的短时用电量预测。分为两种实现方式:第一种为选定的毕业区域中包含有完整的网格时,计算所得完全包含网格的网格预测用电量做线性叠加(求和),得到Sum1;第二种为选定区域中包含边界网格(部分在选定区域范围内),则需求解该边界网格有多大面积在选定区域内,以该网格区域内的面积占比,同比到网格预测用电量占比,汇总所有边界网格预测用电量并求和,得到Sum2;最终求得Sum=Sum1+Sum2即为任意选定区域的用电量短时预测结果。
专业人员可以进一步意识到,结合本文中所公开的实施例描述的示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应超过本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
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。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于终端用电信息的任意区域用电量短时预测方法,其特征在于:包括如下步骤:
步骤一、采集终端用电信息:采集终端用户的个人信息和用电相关信息,包括用户类别、个人用户年龄、用电时段、每日用电量、用户的位置信息;
步骤二、采集辅助天气信息:采集和用户用电信息相关的天气信息,包括日平均温度信息和分时段温度信息;
步骤三、短时预测单用户用电量:将步骤一和步骤二采集到的终端用电信息和辅助天气信息进行预处理,并构建预测模型,对该用户选定未来日期用电量进行预测;
步骤四、关联用户用电量与地图:将每个用户用电量信息与步骤一所采集的用户的位置信息相关联;
步骤五、短时预测任意选取区域用电量:在地图中随机选定某些地图区域,实现选定区域的短时用电量预测。
2.如权利要求1所述的基于终端用电信息的任意区域用电量短时预测方法,其特征在于:步骤一具体包括:
步骤1.1、采集用户的类别信息,类别信息分为2类:个人用户和企业用户,并将数据记录;
步骤1.2、采集个人用户的年龄、用电时段和日用电量信息,并加以记录;
步骤1.3、采集用户的位置信息,位置信息采用相对位置作为记录,实现方法为:
a)将用户所在地级市全部区域以网格化处理,对每个网格用***数字依次编号;
b)对于网格大小划分,采用动态划分方式:为人口密度较大的城镇区域,以100米长、100米宽划分网格;人口密度较小的郊外区域以1000米长、1000米宽划分网格;
c)将用户所在网格的数字编号与该网格区域的用户绑定。
3.如权利要求1所述的基于终端用电信息的任意区域用电量短时预测方法,其特征在于:步骤二具体包括:
步骤2.1、采集近2年所需预测区域的日平均温度信息;
步骤2.2、采集近2年所需预测区域工作日18:00-次日8:00分时段温度信息;
步骤2.3、采集近2年所需预测区域采非工作日全天分时段温度信息。
4.如权利要求1所述的基于终端用电信息的任意区域用电量短时预测方法,其特征在于:步骤三具体包括:
步骤3.1、将步骤一中的部分数据进行预处理,预处理方法为:
a)用户类别采用布尔类型记录,0代表企业用户,1代表个人用户;
b)个人用户年龄信息以年龄段形式记录,共分为3个年龄段:20岁以下、20-60岁、60岁以上;
c)日用电量信息直接以日用电量度数来记录;
d)用电时段信息直接以数字记录一天24小时中共有多少个小时有用电行为;
步骤3.2、将步骤二中的数据进行预处理,预处理方法为:
a)记录近两年的该用户所在区域的日平均气温信息,直接以温度数值记录;
b)记录近两年该用户所在区域工作日18:00-次日8:00分时段温度信息,只记录温度高于30度和低于10度的时段数,如只有18:00-19:00和19:00-20:00共2个时段温度大于30度,则记录2;
c)记录近两年该用户所在区域非工作日全天分时段温度信息,只记录温度高于30度和低于10度的时段数;
步骤3.3、采用循环神经网络框架,实现每个用户未来日的用电量预测,训练样本为某一个用户的的各项量化行为和与行为相对应时段的天气信息,样本标签为该用户在行为发生日的用电量度数;
步骤3.4、针对所有电力用户,都单独训练一个短时用电量预测模型,实现对该用户选定未来日期用电量的预测。
5.如权利要求1所述的基于终端用电信息的任意区域用电量短时预测方法,其特征在于:步骤四具体包括:
步骤4.1、对于每个网格,通过用户的位置信息计算网格内的用户;
步骤4.2、将网格与该网格类所有用户的用电量预测模型相关联,关联方法为记录对应用户的预测模型;
步骤4.3、对于每个网格,将该网格所关联的所有预测模型的预测结果线性叠加,即为该网格某日用电量的预测结果,记录为网格预测用电量。
6.如权利要求1所述的基于终端用电信息的任意区域用电量短时预测方法,其特征在于:步骤五具体包括:
步骤5.1、当在地图中画定规则或不规则区域时,计算该闭合区域内完全包含的网格,即网格的全部部分都在闭合区域内;
步骤5.2、考察选定区域边界网格,求解所有边界网格,每个网格中有多少面积比例在选定区域内;
步骤5.4、将步骤5.1中计算所得完全包含网格的网格预测用电量做线性叠加求和,得到Sum1;
步骤5.5、将步骤5.2所述边界网格预测用电量,乘以步骤5.2求得的所对应网格的百分比,并将所有边界网格数据相加,得到Sum2;
步骤5.6、求得Sum=Sum1+Sum2即为任意选定区域的用电量短时预测结果。
7.一种基于终端用电信息的任意区域用电量短时预测***,其特征在于,包括:
终端用电信息采集模块,用于采集集终端用电信息,包括用户类别、个人用户年龄、用电时段、每日用电量、用户的位置信息;
辅助天气信息采集模块,用于采集辅助天气信息,包括日平均温度信息和分时段温度信息;
单用户用电量短时预测模块,将终端用电信息采集模块和辅助天气信息采集模块采集到的终端用电信息和辅助天气信息进行预处理,并构建预测模型,对该用户选定未来日期用电量进行预测;
用户用电量与地图关联模块,用于将每个用户用电量信息与步骤一所采集的用户的位置信息相关联;
任意选取区域用电量短时预测模块,用于在地图中随机选定某些地图区域,实现选定区域的短时用电量预测。
8.如权利要求7所述的基于终端用电信息的任意区域用电量短时预测***,其特征在于:所述单用户用电量短时预测模块将终端用电信息采集模块和辅助天气信息采集模块采集到的终端用电信息和辅助天气信息进行预处理,并构建预测模型,对该用户选定未来日期用电量进行预测,具体包括:
将终端用电信息中的部分数据进行预处理,预处理方法为:
a)用户类别采用布尔类型记录,0代表企业用户,1代表个人用户;
b)个人用户年龄信息以年龄段形式记录,共分为3个年龄段:20岁以下、20-60岁、60岁以上;
c)日用电量信息直接以日用电量度数来记录;
d)用电时段信息直接以数字记录一天24小时中共有多少个小时有用电行为;
将辅助天气信息进行预处理,预处理方法为:
a)记录近两年的该用户所在区域的日平均气温信息,直接以温度数值记录;
b)记录近两年该用户所在区域工作日18:00-次日8:00分时段温度信息,只记录温度高于30度和低于10度的时段数,如只有18:00-19:00和19:00-20:00共2个时段温度大于30度,则记录2;
c)记录近两年该用户所在区域非工作日全天分时段温度信息,只记录温度高于30度和低于10度的时段数;
采用循环神经网络框架,实现每个用户未来日的用电量预测,训练样本为某一个用户的的各项量化行为和与行为相对应时段的天气信息,样本标签为该用户在行为发生日的用电量度数;
针对所有电力用户,都单独训练一个短时用电量预测模型,实现对该用户选定未来日期用电量的预测。
9.如权利要求7所述的基于终端用电信息的任意区域用电量短时预测***,其特征在于:所述用户用电量与地图关联模块将每个用户用电量信息与步骤一所采集的用户的位置信息相关联,具体包括:
对于每个网格,通过用户的位置信息计算网格内的用户;
将网格与该网格类所有用户的用电量预测模型相关联,关联方法为记录对应用户的预测模型;
对于每个网格,将该网格所关联的所有预测模型的预测结果线性叠加,即为该网格某日用电量的预测结果,记录为网格预测用电量。
10.如权利要求7所述的基于终端用电信息的任意区域用电量短时预测***,其特征在于:所述任意选取区域用电量短时预测模块在地图中随机选定某些地图区域,实现选定区域的短时用电量预测,具体包括:
当在地图中画定规则或不规则区域时,计算该闭合区域内完全包含的网格,即网格的全部部分都在闭合区域内;
考察选定区域边界网格,求解所有边界网格,每个网格中有多少面积比例在选定区域内;
将计算所得完全包含网格的网格预测用电量做线性叠加求和,得到Sum1;
将所述边界网格预测用电量,乘以求得的所对应网格的百分比,并将所有边界网格数据相加,得到Sum2;
求得Sum=Sum1+Sum2即为任意选定区域的用电量短时预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211504108.5A CN115829117B (zh) | 2022-11-29 | 2022-11-29 | 基于终端用电信息的任意区域用电量短时预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211504108.5A CN115829117B (zh) | 2022-11-29 | 2022-11-29 | 基于终端用电信息的任意区域用电量短时预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115829117A true CN115829117A (zh) | 2023-03-21 |
CN115829117B CN115829117B (zh) | 2023-09-19 |
Family
ID=85532283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211504108.5A Active CN115829117B (zh) | 2022-11-29 | 2022-11-29 | 基于终端用电信息的任意区域用电量短时预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115829117B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039850A (zh) * | 2023-07-12 | 2023-11-10 | 湖北华中电力科技开发有限责任公司 | 基于时空地物特征的异常用电分析方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971296A (zh) * | 2014-05-16 | 2014-08-06 | 国家电网公司 | 基于电负荷与气温的数学模型的购电方法 |
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种***用电量预测方法 |
CN106096774A (zh) * | 2016-06-07 | 2016-11-09 | 国网山东省电力公司菏泽供电公司 | 一种基于网格法的大面积区域全社会用电量预测方法 |
CN111210058A (zh) * | 2019-12-26 | 2020-05-29 | 深圳供电局有限公司 | 一种基于网格化的配电网自上而下负荷预测信息方法 |
US20200403406A1 (en) * | 2019-06-19 | 2020-12-24 | King Fahd University Of Petroleum And Minerals | Distribution grid fault analysis under load and renewable energy uncertainties |
CN113505534A (zh) * | 2021-07-07 | 2021-10-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
-
2022
- 2022-11-29 CN CN202211504108.5A patent/CN115829117B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103971296A (zh) * | 2014-05-16 | 2014-08-06 | 国家电网公司 | 基于电负荷与气温的数学模型的购电方法 |
CN105260803A (zh) * | 2015-11-06 | 2016-01-20 | 国家电网公司 | 一种***用电量预测方法 |
CN106096774A (zh) * | 2016-06-07 | 2016-11-09 | 国网山东省电力公司菏泽供电公司 | 一种基于网格法的大面积区域全社会用电量预测方法 |
US20200403406A1 (en) * | 2019-06-19 | 2020-12-24 | King Fahd University Of Petroleum And Minerals | Distribution grid fault analysis under load and renewable energy uncertainties |
CN111210058A (zh) * | 2019-12-26 | 2020-05-29 | 深圳供电局有限公司 | 一种基于网格化的配电网自上而下负荷预测信息方法 |
CN113505534A (zh) * | 2021-07-07 | 2021-10-15 | 南京工程学院 | 一种考虑需求响应的负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
T. AHMAD, ET AL.: ""A review on renewable energy and electricity requirement forecasting models for smart grid and buildings"", 《SUSTAINABLE CITIES AND SOCIETY》, vol. 55, pages 1 - 31 * |
刘瑾 等: ""基于梯度提升决策树的电力物联网用电负荷预测"", 《智慧电力》, vol. 50, no. 8, pages 46 - 53 * |
孙书凯: ""基于资源特征挖掘的风电中长期电量预测方法"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 5, pages 042 - 703 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039850A (zh) * | 2023-07-12 | 2023-11-10 | 湖北华中电力科技开发有限责任公司 | 基于时空地物特征的异常用电分析方法及*** |
CN117039850B (zh) * | 2023-07-12 | 2024-07-26 | 湖北华中电力科技开发有限责任公司 | 基于时空地物特征的异常用电分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115829117B (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Climate-change impacts on electricity demands at a metropolitan scale: A case study of Guangzhou, China | |
Goosse et al. | Using paleoclimate proxy-data to select optimal realisations in an ensemble of simulations of the climate of the past millennium | |
Goosse et al. | Reconstructing surface temperature changes over the past 600 years using climate model simulations with data assimilation | |
Prudhomme et al. | Assessing uncertainties in climate change impact analyses on the river flow regimes in the UK. Part 2: future climate | |
Jansa et al. | MEDEX: a general overview | |
Rajczak et al. | Projections of extreme precipitation events in regional climate simulations for Europe and the Alpine Region | |
Melbourne-Thomas et al. | Regional‐scale scenario modeling for coral reefs: a decision support tool to inform management of a complex system | |
Hashimoto et al. | Scenario analysis of land-use and ecosystem services of social-ecological landscapes: implications of alternative development pathways under declining population in the Noto Peninsula, Japan | |
Carter et al. | SILMUSCEN and CLIGEN Users Guide | |
Iizumi et al. | ELPIS-JP: a dataset of local-scale daily climate change scenarios for Japan | |
Bradshaw et al. | Marsh bird occupancy of wetlands managed for waterfowl in the Midwestern USA | |
Kundzewicz et al. | Climatic change impact on water resources in a systems perspective | |
Schuh et al. | Far-field biogenic and anthropogenic emissions as a dominant source of variability in local urban carbon budgets: A global high-resolution model study with implications for satellite remote sensing | |
Seaborn et al. | Drivers of distributions and niches of North American cold‐adapted amphibians: evaluating both climate and land use | |
Samadi et al. | Comparison of general circulation models: methodology for selecting the best GCM in Kermanshah Synoptic Station, Iran | |
CN115829117B (zh) | 基于终端用电信息的任意区域用电量短时预测方法及*** | |
Bodjrenou et al. | Evaluation of reanalysis estimates of precipitation, radiation, and temperature over Benin (West Africa) | |
Caporale et al. | Extended reality-based choice experiment to assess the impact of offshore wind turbines in historic center: The case of Manfredonia | |
Pavan et al. | Downscaling of DEMETER winter seasonal hindcasts over Northern Italy | |
Putri et al. | Building a community adaptive capacity model: A case study of the Tanjungmas sub-district in Semarang municipality | |
Jones et al. | Generating climate change scenarios at high resolution for impact studies and adaptation: Focus on developing countries | |
Dhammapala et al. | A Monte Carlo method for summing modeled and background pollutant concentrations | |
Zorita et al. | Analysis and interpretation: Modeling of past climates | |
Wu et al. | Area Frame Household Surveys | |
Fogt et al. | A Regime Shift in Seasonal Total Antarctic Sea Ice Extent in the 20th Century |
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 |