一种非居民用户日电量波动的预测方法及系统与流程

1.本发明涉及计算机技术领域，特别是涉及一种非居民用户日电量波动的预 测方法及系统。


背景技术：

2.目前，营销管理系统的电费核算业务都集中在月初1至5日开展，主要为 月核算形式，由于该业务的高时效性及高并发性，使得核算人员需要保持高度 紧张，在如此高强度及高度紧张的工作环境下，势必会对工作效率及核算工单 的误筛滤造成一定的影响，如何将集中在月初的月核算工作前移至按日进行是 当前急需解决的问题。
3.为了解决上诉问题，需要一种对非居民用户日电量波动预测方法，面向电 量采集频率较高的非居民用户，根据其历史用电数据，结合气象因素，通过相 关性分析寻找用户用电特点，实现日电量的波动预测，为电费日结算提供有效 的判断依据，将集中在月初的核算业务分摊在每日进行，有效释放人力，提升 工作效率，同时也提高了异常工单的有效筛查率。


技术实现要素：

4.本发明的目的在于，提出一种非居民用户日电量波动的预测方法，解决现 有方法中月核算工单效率低且异常工单识别准确度差的技术问题。
5.一方面，提供一种非居民用户日电量波动的预测方法，包括以下步骤：
6.步骤s1，获取待预测用户所在区域的气象数据、待预测用户的历史计量电 量数据、待预测用户的档案数据及日期数据；
7.步骤s2，选取所述历史计量电量数据中待预测用户每小时的历史电量，并 统计与每小时的历史小时电量对应的前一周同一时刻电量、前一天同一时刻电 量及前24小时平均电量；从所述气象数据中选取与每小时的历史电量相对应的 温度观测数据；
8.步骤s3，将所述温度观测数据、日期数据、前一周同一时刻电量、前一天 同一时刻电量及前24小时平均电量作为输入变量输入预设的电量预测模型，获 得每小时的待预测用户总电量；
9.步骤s4，根据一天内的每小时的待预测用户总电量确定日电量波动趋势， 并根据日电量波动趋势对日电量波动进行预测。
10.优选地，所述步骤s1包括：
11.根据预设的时间节点采集待预测用户所在区域的干球温度、露点温度，保 存为气象数据；
12.根据预设的时间节点采集待预测用户电量值，保存为历史计量电量数据；
13.将预设的时间节点作为温度或电量的采样时间属性、预设的时间节点所在 星期属性及对应节假日属性，保存为日期数据。
14.优选地，在步骤s3中，所述预设的电量预测模型具体包括：
15.l(t)＝b(t) w(t) s(t) v(t)
16.其中，l(t)表示时刻t的待预测用户总电量；b(t)表示时刻t的基本正常电量 分量；w(t)表示天气敏感电量分量，即时刻t对应的温度观测数据；s(t)表示时 刻t的特别条件电量分量；v(t)表示时刻t的随机电量分量；t表示时间节点。
17.优选地，所述时刻t的基本正常电量分量通过以下公式表示：
18.b(t)＝x(t)
×
z(t)
19.其中，x(t)表示线性变化模型电量分量；z(t)表示周期变化模型电量分量。
20.优选地，所述线性变化模型电量分量通过以下公式表示：
21.x(t)＝a b
·
t ε
22.其中，a表示与b相邻的电量值；b表示t时刻的电量值；t表示时间节点；ε 表示误差修正值。
23.优选地，所述周期变化模型电量分量通过以下公式表示：
[0024][0025][0026]
其中，z(t)表示周期变化模型电量分量；n表示过去日电量的总天数；z
i
(t)表 示第i天第t小时的电量变化系数；l
i
(t)表示一天中各小时的电量；表示当天 的日平均电量；i表示第i天；t表示第t小时，即时间节点。
[0027]
另一方面，还提供一种非居民用户日电量波动的预测系统，用以实现所述 的非居民用户日电量波动的预测方法，包括：
[0028]
数据获取模块，用于获取待预测用户所在区域的气象数据、待预测用户的 历史计量电量数据、待预测用户的档案数据及日期数据；还用于选取所述历史 计量电量数据中待预测用户每小时的历史电量，并统计与每小时的历史小时电 量对应的前一周同一时刻电量、前一天同一时刻电量及前24小时平均电量；从 所述气象数据中选取与每小时的历史电量相对应的温度观测数据；
[0029]
电量预测模块，用于将所述温度观测数据、日期数据、前一周同一时刻电 量、前一天同一时刻电量及前24小时平均电量作为输入变量输入预设的电量预 测模型，获得每小时的待预测用户总电量；
[0030]
日电量波动预测模块，用于根据一天内的每小时的待预测用户总电量确定 日电量波动趋势，并根据日电量波动趋势对日电量波动进行预测。
[0031]
优选地，所述数据获取还用于根据预设的时间节点采集待预测用户所在区 域的干球温度、露点温度，保存为气象数据；根据预设的时间节点采集待预测 用户电量值，保存为历史计量电量数据；将预设的时间节点作为温度或电量的 采样时间属性、预设的时间节点所在星期属性及对应节假日属性，保存为日期 数据。
[0032]
优选地，所述电量预测模块中所述预设的电量预测模型具体包括：
[0033]
l(t)＝b(t) w(t) s(t) v(t)
[0034]
其中，l(t)表示时刻t的待预测用户总电量；b(t)表示时刻t的基本正常电量 分量；w(t)表示天气敏感电量分量，即时刻t对应的温度观测数据；s(t)表示时 刻t的特别条件电量分量；v(t)表示时刻t的随机电量分量；t表示时间节点。
[0035]
优选地，所述电量预测模块中所述时刻t的基本正常电量分量通过以下公式 表示：
[0036]
b(t)＝x(t)
×
z(t)
[0037]
其中，x(t)表示线性变化模型电量分量；z(t)表示周期变化模型电量分量；
[0038]
所述线性变化模型电量分量通过以下公式表示：
[0039]
x(t)＝a b
·
t ε
[0040]
其中，a表示与b相邻的电量值；b表示t时刻的电量值；t表示时间节点；ε 表示误差修正值；
[0041]
所述周期变化模型电量分量通过以下公式表示：
[0042][0043][0044]
其中，z(t)表示周期变化模型电量分量；n表示过去日电量的总天数；z
i
(t)表 示第i天第t小时的电量变化系数；l
i
(t)表示一天中各小时的电量；表示当天 的日平均电量；i表示第i天；t表示第t小时，即时间节点。
[0045]
综上，实施本发明的实施例，具有如下的有益效果：
[0046]
本发明提供的非居民用户日电量波动的预测方法及系统，面向电量采集频 率较高的非居民用户，收集其历史每96个点的用电数据，结合气象因素，通过 相关性分析寻找用户用电特点，建立非居民用户专属的用电模型，实现日电量 的波动预测，为电费日结算提供有效的判断依据，将集中在月初的核算业务分 摊在每日进行，有效释放人力，提升工作效率，同时也提高了异常工单的有效 筛查率。
附图说明
[0047]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0048]
图1为本发明实施例中一种非居民用户日电量波动的预测方法的主流程示 意图。
[0049]
图2为本发明实施例中一种非居民用户日电量波动的预测系统的示意图。
[0050]
图3为本发明实施例中电量预测模型误差自相关函数曲线的示意图
[0051]
图4为本发明实施例中电量预测模型预测结果的误差示意图。
具体实施方式
[0052]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明 作进一步地详细描述。
[0053]
如图1所示，为本发明提供的一种非居民用户日电量波动的预测方法的一 个实施例的示意图。在该实施例中，所述方法包括以下步骤：
[0054]
步骤s1，获取待预测用户所在区域的气象数据、待预测用户的历史计量电 量数据、待预测用户的档案数据及日期数据；可以理解的是，从气象局或天气 网站获取准实时的天气气象数据；从计量自动化系统获取96个点的准实时计量 电量数据；从营销管理系统获取用户档案、计量点信息、计量点电能表关系等 数据。
[0055]
具体实施例中，根据预设的时间节点采集待预测用户所在区域的干球温度、 露点温度，保存为气象数据；根据预设的时间节点采集待预测用户电量值，保 存为历史计量电量数据；将预设的时间节点作为温度或电量的采样时间属性、 预设的时间节点所在星期属性及对应节假日属性，保存为日期数据；可以理解 的是，这几种因素是对电量波动影响大的因素，具体如下表所示，
[0056][0057]
步骤s2，选取所述历史计量电量数据中待预测用户每小时的历史电量，并 统计与每小时的历史小时电量对应的前一周同一时刻电量、前一天同一时刻电 量及前24小时平均电量；从所述气象数据中选取与每小时的历史电量相对应的 温度观测数据；可以理解的是，选取某专变台区(待预测用户)的历史小时电 量和温度观测数据，然后根据历史电量数据构造了前一周同一时刻电量、前一 天同一时刻电量、前24小时平均电量三个属性、完成属性构造以后，以干球温 度、露点温度、一天中的小时、星期、是否为节假日、前一周同一时刻电量、 前一天同一时刻电量、前24小时平均电量作为输入变量，详见下表，
[0058][0059][0060]
步骤s3，将所述温度观测数据、日期数据、前一周同一时刻电量、前一天 同一时刻电量及前24小时平均电量作为输入变量输入预设的电量预测模型，获 得每小时的待预测用户总电量；可以理解的是，针对非居民用户的日电量预测 模型使用xgboost工具包进行
建模，首先加载日电量数据集，在进行参数的调 整。xgboost的参数可以分为三种类型：通用参数(general parameters)、booster 参数以及学习目标参数(task parameters)。本发明的日电量预测问题属于回归问 题，构建的xgboost模型目标函数参数选取“count:poisson”，即泊松回归的负对 数似然，利用程序内置的交叉验证函数，划分20％为验证集，80％为训练集，计 算每次迭代的误差值确定最佳的num
‑
round。通过交叉验证优化参数以后，最终 确定模型的booster参数为：树的最大深度(max
‑
depth)为6，迭代次数 (num
‑
round)为150，收缩步长(eta)为0.3。
[0061]
具体实施例中，所述预设的电量预测模型具体包括：
[0062]
l(t)＝b(t) w(t) s(t) v(t)
[0063]
其中，l(t)表示时刻t的待预测用户总电量；b(t)表示时刻t的基本正常电量 分量；w(t)表示天气敏感电量分量，即时刻t对应的温度观测数据，可通过上 述步骤得到，不需要进一步计算，直降输入该模型即可进行计算；s(t)表示时刻 t的特别条件电量分量；v(t)表示时刻t的随机电量分量；t表示时间节点。
[0064]
所述时刻t的基本正常电量分量通过以下公式表示：
[0065]
b(t)＝x(t)
×
z(t)
[0066]
其中，x(t)表示线性变化模型电量分量；z(t)表示周期变化模型电量分量；
[0067]
所述线性变化模型电量分量通过以下公式表示：
[0068]
x(t)＝a b
·
t ε
[0069]
其中，a表示与b相邻的电量值；b表示t时刻的电量值；t表示时间节点；ε 表示误差修正值；
[0070]
所述周期变化模型电量分量通过以下公式表示：
[0071][0072][0073]
其中，z(t)表示周期变化模型电量分量；n表示过去日电量的总天数；z
i
(t)表 示第i天第t小时的电量变化系数；l
i
(t)表示一天中各小时的电量；表示当天 的日平均电量；i表示第i天；t表示第t小时，即时间节点。
[0074]
再具体地，收集电量数据(2019年01月01日～2020年12月31日)样本43847 条，选取其中35063条数据(2019年01月01日～2020年05月31日)作为训练样 本数据建立电量预测模型；剩余8784条电量数据(2020年06月01日～2020年 12月31日)作为测试样本来检验所建模型性能。
[0075]
采用xgboost集成学习算法预测某台区2020年12月1日到2020年12月 31日连续31天的日电量。好的预测模型，模型误差自相关函数曲线近似为一个 白噪声序列；如图3所示，模型误差自相关函数曲线。为了进一步对比不同模 型预测精度，将电网电量的实际值与模型预测值分别作为横、纵坐标，画出方 法预测值与实际值散点图，并求出散点图回归
线的斜率，如图4所示。
[0076]
为了更好地描述算法模型的预测性能，采用平均绝对误差(mae)、 均方误差(mse)、均方根误差(rmse)、平均绝对百分误差(mape)四 种评价指标作为各种方法预测效果判断的根据，即
[0077]
mae：平均绝对误差(mean absolute error)
[0078][0079]
范围[0, ∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大， 该值越大。
[0080]
mse：均方误差(mean square error)
[0081][0082]
范围[0, ∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大， 该值越大。
[0083]
rmse：均方根误差(root mean square error)，其实就是mse加了个根号， 这样数量级上比较直观，比如rmse＝10，可以认为回归效果相比真实值平均相 差10。
[0084][0085]
范围[0, ∞)，当预测值与真实值完全吻合时等于0，即完美模型；误差越大， 该值越大。
[0086]
mape：平均绝对百分比误差(mean absolute percentage error)
[0087][0088]
范围[0, ∞)，mape为0％表示完美模型，mape大于100％则表示劣质 模型
[0089]
范围[0, ∞)，mape为0％表示完美模型，mape大于100％则表示劣质 模型。
[0090]
xgboost模型能够更好地拟合真实值的变化趋势，且能保证较高的精度， 具有更好的预测性能；采用集成学习框架，将弱分类器增强成强分类器。xgboost 在迭代优化过程中使用了目标函数的二阶泰勒展开近似，以最快的速度收敛到 全局最优，精度更高。得到的误差自相关函数曲线更加接近于白噪声序列，预 测效果较理想。在预测误差方面xgboost模型表现的最好，平均百分误差(mape) 只有3.78％。在模型的训练时间方面，knn模型表现的最好，只用了2.08秒， 如下表，
[0091]
模型名称maemsermsemape模型训练时间(s)xgboost269.26139,297.13373.223.78％5.03
[0092]
xgboost原生语言为c/c ，在进行节点的分裂时，支持各个特征多线程 进行增益
计算，因此算法计算速度更快。
[0093]
步骤s4，根据一天内的每小时的待预测用户总电量确定日电量波动趋势， 并根据日电量波动趋势对日电量波动进行预测。
[0094]
如图1所示，为本发明提供的一种非居民用户日电量波动的预测系统的一 个实施例的示意图。在该实施例中，所述系统用以实现所述的非居民用户日电 量波动的预测方法，包括：
[0095]
数据获取模块，用于获取待预测用户所在区域的气象数据、待预测用户的 历史计量电量数据、待预测用户的档案数据及日期数据；还用于选取所述历史 计量电量数据中待预测用户每小时的历史电量，并统计与每小时的历史小时电 量对应的前一周同一时刻电量、前一天同一时刻电量及前24小时平均电量；从 所述气象数据中选取与每小时的历史电量相对应的温度观测数据；
[0096]
电量预测模块，用于将所述温度观测数据、日期数据、前一周同一时刻电 量、前一天同一时刻电量及前24小时平均电量作为输入变量输入预设的电量预 测模型，获得每小时的待预测用户总电量；
[0097]
日电量波动预测模块，用于根据一天内的每小时的待预测用户总电量确定 日电量波动趋势，并根据日电量波动趋势对日电量波动进行预测。
[0098]
具体实施例中，所述数据获取还用于根据预设的时间节点采集待预测用户 所在区域的干球温度、露点温度，保存为气象数据；根据预设的时间节点采集 待预测用户电量值，保存为历史计量电量数据；将预设的时间节点作为温度或 电量的采样时间属性、预设的时间节点所在星期属性及对应节假日属性，保存 为日期数据。
[0099]
具体地，所述电量预测模块中所述预设的电量预测模型具体包括：
[0100]
l(t)＝b(t) w(t) s(t) v(t)
[0101]
其中，l(t)表示时刻t的待预测用户总电量；b(t)表示时刻t的基本正常电量 分量；w(t)表示天气敏感电量分量，即时刻t对应的温度观测数据；s(t)表示时 刻t的特别条件电量分量；v(t)表示时刻t的随机电量分量；t表示时间节点。
[0102]
所述电量预测模块中所述时刻t的基本正常电量分量通过以下公式表示：
[0103]
b(t)＝x(t)
×
z(t)
[0104]
其中，x(t)表示线性变化模型电量分量；z(t)表示周期变化模型电量分量；
[0105]
所述线性变化模型电量分量通过以下公式表示：
[0106]
x(t)＝a b
·
t ε
[0107]
其中，a表示与b相邻的电量值；b表示t时刻的电量值；t表示时间节点；ε 表示误差修正值；
[0108]
所述周期变化模型电量分量通过以下公式表示：
[0109][0110]
[0111]
其中，z(t)表示周期变化模型电量分量；n表示过去日电量的总天数；z
i
(t)表 示第i天第t小时的电量变化系数；l
i
(t)表示一天中各小时的电量；表示当天 的日平均电量；i表示第i天；t表示第t小时，即时间节点。
[0112]
关于非居民用户日电量波动的预测系统的具体实现过程可参考非居民用户 日电量波动的预测方法的内容，在此不再赘述。
[0113]
综上，实施本发明的实施例，具有如下的有益效果：
[0114]
本发明提供的非居民用户日电量波动的预测方法及系统，面向电量采集频 率较高的非居民用户，收集其历史每96个点的用电数据，结合气象因素，通过 相关性分析寻找用户用电特点，建立非居民用户专属的用电模型，实现日电量 的波动预测，为电费日结算提供有效的判断依据，将集中在月初的核算业务分 摊在每日进行，有效释放人力，提升工作效率，同时也提高了异常工单的有效 筛查率。
[0115]
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之 权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。