一种基于需求的电力消耗预测方法、装置、设备及存储介质与流程

一种基于需求的电力消耗预测方法、装置、设备及存储介质
【技术领域】
1.本发明涉及电力供给领域，尤其涉及一种基于需求的电力消耗预测方法、装置、设备及存储介质。


背景技术：

2.随着社会的发展，人们对于电力的需求也变得越来越大。现有的，为了满足人们对于电力的需求的方法是不断的增大供电量。但是由于人们对于用电的需求具有一定的随机性。可能会出现在某一个时间段内一个地区的用电需求突然增高的情况。在这种情况下，还是会出现阶段性的人们的用电需求得不到满足的情况。


技术实现要素：

3.有鉴于此，本发明实施例提供了一种基于需求的电力消耗预测方法、装置、设备及存储介质，用以满足用户的用电需求。
4.一方面，本发明实施例提供了一种基于需求的电力消耗预测方法，包括：
5.获取预定时间的采集点的多个与电能消耗相关的数据与消耗的电能数据
6.获取每个与电能消耗相关的数据与消耗的电能数据的相关度；
7.将相关度不满足预设第一阈值的对应的电能消耗相关的数据筛除；
8.根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型；
9.根据建立的电力消耗预测模型对电力消耗进行预测。
10.可选地，多个与电能消耗相关的数据包括时间、温度、地域、地域人口密度、商业化程度、工业化程度。
11.可选地，获取每个与电能消耗相关的数据与消耗的电能数据的相关度，具体包括：
12.采用预设的余弦相关度计算公式，计算每个与电能消耗相关的数据与消耗的电能数据的相关度。
13.可选地，根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型，具体包括：
14.根据筛除后的电能消耗相关的数据与消耗的电能数据对预设的卷积神经网络模型进行训练；
15.当训练值与电力消耗预测模型得出的预测值的差值满足预设第二预设阈值的情况下，停止训练；
16.将停止训练后的卷积神经网络模型作为电力消耗预测模型。
17.可选地，预定时间包括过去的具有周期性的多个时间段。
18.另一方面，本发明实施例提供了一种基于需求的电力消耗预测装置，其特征在于，装置包括：
19.获取模块，用于获取预定时间的采集点的多个与电能消耗相关的数据与消耗的电能数据；
20.获取模块，还用于获取每个与电能消耗相关的数据与消耗的电能数据的相关度；
21.筛除模块，用于将相关度不满足预设第一阈值的对应的电能消耗相关的数据筛除；
22.确定模块，用于根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型；
23.预测模块，用于根据建立的电力消耗预测模型对电力消耗进行预测。
24.可选地，获取模块具体用于：
25.采用预设的余弦相关度计算公式，计算每个与电能消耗相关的数据与消耗的电能数据的相关度。
26.可选地，筛除模块具体用于：
27.根据筛除后的电能消耗相关的数据与消耗的电能数据对预设的卷积神经网络模型进行训练；
28.当训练值与电力消耗预测模型得出的预测值的差值满足预设第二预设阈值的情况下，停止训练；
29.将停止训练后的卷积神经网络模型作为电力消耗预测模型。
30.另一方面，本发明实施例提供了一种基于需求的电力消耗预测设备，设备包括：处理器以及存储有计算机程序指令的存储器；
31.处理器执行计算机程序指令时实现如第一方面或第一方面任一可选实施例中的基于基于需求的电力消耗预测方法。
32.另一方面，本发明实施例提供了一种存储介质，存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面或第一方面任一可选实施例中的基于需求的电力消耗预测方法。
33.本发明实施例提供的基于需求的电力消耗预测方法的技术方案中，获取预定时间的采集点的多个与电能消耗相关的数据与消耗的电能数据，获取每个与电能消耗相关的数据与消耗的电能数据的相关度，将相关度不满足预设第一阈值的对应的电能消耗相关的数据筛除，根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型，根据建立的电力消耗预测模型对电力消耗进行预测。能够满足用户的用电需求。
【附图说明】
34.为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，还可以根据这些附图获得其它的附图。
35.图1是本发明实施例提供的一种基于需求的电力消耗预测方法的流程示意图；
36.图2是本发明实施例提供的一种基于需求的电力消耗预测装置的硬件结构示意图；
37.图3是本发明实施例提供的一种基于需求的电力消耗预测设备的结构示意图。
【具体实施方式】
38.为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
39.应当明确，所描述的实施例仅仅是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
40.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、
“”
和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
41.应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，甲和/或乙，可以表示：单独存在甲，同时存在甲和乙，单独存在乙这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
42.随着社会的发展，人们对于电力的需求也变得越来越大。现有的，为了满足人们对于电力的需求的方法是不断的增大供电量。但是由于人们对于用电的需求具有一定的随机性。可能会出现在某一个时间段内一个地区的用电需求突然增高的情况。在这种情况下，还是会出现阶段性的人们的用电需求得不到满足的情况。
43.为了解决现有的技术问题，本发明实施例提供了一种基于需求的电力消耗预测方法、装置、设备及存储介质。
44.下面首先对本发明实施例所提供的基于需求的电力消耗预测方法进行介绍。
45.图示出了本发明一个实施例提供的一种基于需求的电力消耗预测方法的流程示意图，如图1所示，该方法可以包括如下步骤：
46.步骤s101、获取预定时间的采集点的多个与电能消耗相关的数据与消耗的电能数据。
47.在一些实施例中，多个与电能消耗相关的数据包括时间、温度、地域、地域人口密度、商业化程度、工业化程度。
48.具体的，影像电能消耗的因素有多种，可能包括季节因素、人口密度因素、所在地的人口偏好因素。在此基础上，影响电能消耗的数据包括时间、温度、地域、地域人口密度、商业化程度、工业化程度。
49.在一些实施例中，预定时间包括过去的具有周期性的多个时间段。
50.具体的，可以以过去的具有周期性的多个时间段进行数据采集，其中具有周期性的多个时间段包括天、周、月等。
51.步骤s102、获取每个与电能消耗相关的数据与消耗的电能数据的相关度。
52.在一些实施例中，获取每个与电能消耗相关的数据与消耗的电能数据的相关度，具体包括：
53.采用预设的余弦相关度计算公式，计算每个与电能消耗相关的数据与消耗的电能数据的相关度。
54.其中，余弦相关度计算公式可以包括：
55.56.其中cosθ为计算获得的相关度，a为与电能消耗相关的数据，b为消耗的电能数据。
57.在一些实施例中，通过余弦计算公式，可以获得消耗的电能数据与各个影响电能消耗的相关的数据的相关度。
58.步骤s103、将相关度不满足预设第一阈值的对应的电能消耗相关的数据筛除。
59.在一些实施例中，第一阈值为动态阈值，其中动态阈值包括将所有的获取影响电能消耗的相关的数据的相关度求得的平均值。
60.因为获取的第一阈值为动态的阈值，所以能够更加准确的获取与消耗的电能数据相关的值，能够避免因为影响电能消耗的相关的数据的变化对第一阈值的影响。
61.步骤s104、根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型。
62.在一些实施例中，根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型，具体包括：
63.根据筛除后的电能消耗相关的数据与消耗的电能数据对预设的卷积神经网络模型进行训练，当训练值与电力消耗预测模型得出的预测值的差值满足预设第二预设阈值的情况下，停止训练，将停止训练后的卷积神经网络模型作为电力消耗预测模型。
64.在一些实施例中，将评估数据和目标一级指标、目标二级指标和目标三级指标对卷积神经网络模型进行训练，当训练值与评估数据差值满足预设阈值的情况下，停止训练，将停止训练后的模型作为企业评估模型。
65.做一个具体实例，卷积神经网络中，网络输入层根据筛除后的影响电能消耗相关的数据确定。输出层由预设的消耗的电能数据确定。卷积神经网络为2层卷积层、一层池化层和一层全连接层组成，其中卷积层卷积核为10*10的结构，池化层为2*2的结构。
66.激活函数可以包括relu和softmax两种。损失函数可以包括binary crossentropy分类较差熵函数，建模优化器选择rmsoprop。
67.其中，第二预设阈值可以自定义设置。
68.在一些实施例中，通过输入电能消耗相关的数据到卷积神经网络模型中，能够得到卷积神经网络得到的消耗的电能数据的预测值。然后将消耗的电能数据的预测值与实际值进行对比，在消耗的电能数据的预测值与实际值差值满足第二预设阈值的情况下，停止训练。得到电力消耗预测模型。
69.在一些实施例中，得到的电力消耗预测模型为采集点的电力消耗预测模型，可以以一个小区为一个采集点，然后通过对多个小区进行预测，得到区域的电能消耗预测值。
70.以上为本技术实施例提供的一种基于需求的电力消耗预测方法的实施例，获取预定时间的采集点的多个与电能消耗相关的数据与消耗的电能数据，获取每个与电能消耗相关的数据与消耗的电能数据的相关度，将相关度不满足预设第一阈值的对应的电能消耗相关的数据筛除，根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型，根据建立的电力消耗预测模型对电力消耗进行预测。能够满足用户的用电需求。
71.基于相同的发明构思，本技术还提供了一种基于需求的电力消耗预测装置。
72.图2示出了本发明实施例提供的一种一种基于需求的电力消耗预测装置的硬件结构示意图，如图2所示装置包括：
73.获取模块201用于获取预定时间的采集点的多个与电能消耗相关的数据与消耗的
电能数据；
74.获取模块201还用于获取每个与电能消耗相关的数据与消耗的电能数据的相关度；
75.筛除模块202用于将相关度不满足预设第一阈值的对应的电能消耗相关的数据筛除；
76.确定模块203用于根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型；
77.预测模块204用于根据建立的电力消耗预测模型对电力消耗进行预测。
78.在一些实施例中，获取模块201具体用于：
79.采用预设的余弦相关度计算公式，计算每个与电能消耗相关的数据与消耗的电能数据的相关度。
80.在一些实施例中，筛除模块202具体用于：
81.根据筛除后的电能消耗相关的数据与消耗的电能数据对预设的卷积神经网络模型进行训练，当训练值与电力消耗预测模型得出的预测值的差值满足预设第二预设阈值的情况下，停止训练，将停止训练后的卷积神经网络模型作为电力消耗预测模型。
82.在一些实施例中，多个与电能消耗相关的数据包括时间、温度、地域、地域人口密度、商业化程度、工业化程度。
83.在一些实施例中，预定时间包括过去的具有周期性的多个时间段。
84.以上为本技术实施例提供的一种基于需求的电力消耗预测装置的实施例，获取预定时间的采集点的多个与电能消耗相关的数据与消耗的电能数据，获取每个与电能消耗相关的数据与消耗的电能数据的相关度，将相关度不满足预设第一阈值的对应的电能消耗相关的数据筛除，根据筛除后的电能消耗相关的数据与消耗的电能数据建立电力消耗预测模型，根据建立的电力消耗预测模型对电力消耗进行预测。能够满足用户的用电需求。
85.基于相同的发明构思，本技术还提供了一种基于需求的电力消耗预测设备。
86.图3示出了本发明实施例提供的基于需求的电力消耗预测设备的硬件结构示意图。
87.在基于需求的电力消耗预测设备可以包括处理器301以及存储有计算机程序指令的存储器302。
88.具体地，上述处理器301可以包括中央处理器(central processing unit，cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
89.存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器302可以包括可移除或不可移除(或固定)的介质，或者存储器302是非易失性固态存储器。存储器302可在综合网关容灾设备的内部或外部。
90.在一个实例中，存储器302可以是只读存储器(read only memory，rom)。在一个实例中，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
frequency，rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
100.还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
101.上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
102.以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。