一种写字楼电力系统月度用电量预测方法及系统技术方案

本专利公开了一种写字楼电力系统月度用电量预测方法及系统，包括如下步骤：1)输入预测日期创建时间序列；2)获取预测温度数据并清洗预测温度数据；3)导入用电量GBDT非线性模型，计算每日用电量及月度用电总量，并输出预测结果；还包括构建利用离散数据构建用电量GBDT非线性模型，构建步骤包括：1)电力原始数据获取，清洗后保存到历史用单量数据存储单元；2)原始温度数据获取，清洗后保存到历史温度数据存储单元；3)温度信息判定；4)节假日判定；5)时间信息提取；6)数据合并；7)模型建立与优化；8)模型保存。本专利利用历史用电量信息、温度信息、节假日信息、时间信息等离散数据训练并构建用电量GBDT非线性模型，通过对写字楼这种用电量不稳地状态电力系统每日用电量的预测从而得到月度用电总量预测结果，较大提高了预测精准度。

A Method and System for Monthly Power Consumption Prediction of Office Power System

【技术实现步骤摘要】
一种写字楼电力系统月度用电量预测方法及系统
本专利技术涉及电力系统月度用电量预测技术，尤其涉及写字楼等电力使用状态不稳定情况下的电力系统月度用电量预测技术。
技术介绍
电力月度用电量预测属于时间序列预测类型。时间序列是一组依赖于时间的随机变量，这组随机变量之间具有依存关系，相关特性表明了预测对象发展的延续性。将其中所蕴含的自相关特性用数学模型描述出来，就可以利用时间序列的过去值和现在值预测未来的值。电力月度用电量预测现有技术中，预测手段大多采用多变量的回归手段进行预测，通过对当地的居民量与生活水平进行多变量的建模，使得预测的残差和最小而得到一个模型。或者使用SVM算法进行一定的逼近，通过SVM的核函数，将预测的影响因子投射到不同的维度之上，从而可以预测较之多变量回归更加不稳定的月度用电量系统。也有通过时间序列的自回归滑动平均模型(ARMA)模型，由于ARMA模型只关注时间序列带来的本身的影响，忽略了许多干扰因子而限制了实际月度用电量预测中的有效性。这些方法对历史数据准确性要求较高，坏数据对预测影响较大，在耗电较稳定的区域预测效果较好，当天气变化、节假日等外源性影响因素导致用电量不稳地的情况下，存在较大的预测误差，而且预测步数越长，预测精度越差。写字楼电力系统是一个复杂的实时动态系统，各类新型机械设备、大功率电器的使用，使得写字楼电力系统在运行过程中稳定性、安全性大大降低。同时，写字楼的用电不同于普通居民用电，它受季节、温度、节假日和外界环境等多重因素的影响，如在季节交替的时候，会出现较大波动，冬季有供暖需求，相反夏天需要冷气供应，都需要耗费较多电量，另外很多突变因素会影响到某个月份的预测，如开关空调的具体时间，人员的增减等，都会影响到用电量。因此，写字楼电力系统，受到季节、节假日、工作日、办公楼人员数量等多种因素影响，用电量波动较大，电力系统月度用电量不稳定，使用传统电力月度用电量预测系统，得到的预测结果与实际用电量偏差较大，不能实现精准预估。
技术实现思路
(1)要解决的技术问题有效而准确的预测写字楼电力月度用电量是一件十分重要的事情。本专利技术主要解决的问题是，在季节、节假日、时间等多种因素引起写字楼电力系统耗电量较大波动情况下，如何预测写字楼电力系统月度用电量，提高预测精准度。(2)技术方案为了解决上述问题，本专利技术通过提取影响写字楼电力系统月度用电量的主要因素，依据历史每日用电量数据，建立GBDT非线性模型，从而预测写字楼每天用电量，最终得到写字楼月度用电总量。即本专利技术提供一种写字楼电力系统月度用电量预测的方法，包括：S1,输入查询时间，创建预测时间序列；S2,获取预测温度数据，清洗预测温度数据；S3,调用用电量GBDT非线性模型，计算每日用电量及月度用电总量，并输出预测结果；还包括，利用离散数据构建用电量GBDT非线性模型，步骤包括：1)电力原始数据的获取和清洗步骤。获取写字楼原始用电量数据，并对原始数据进行清洗，按照系统需要的参数和格式保存到历史用电量数据存储单元；2)原始温度数据获取和清洗步骤。爬取原始温度数据，获取系统需要的3个温度参数：最低温度、对最高温度以及平均温度，保存在历史温度存储单元；3)温度信息判定；4)节假日判定；5)时间信息提取；6)数据合并，将处理后得到的离散数据按照时间序列合并在一起，存储在csv文件中；7)模型建立与优化，以用电量作为输出值，温度信息、节假日信息、时间信息等作为输入值，对GBDT模型采用网络搜索优化参数的方法，以10折交叉验证作为验证方式，将算法优化，得到最终的用电量GBDT非线性模型；8)模型保存；优选地，电力原始电数据包括不同设备每5分钟的耗电量数据，清洗电力原始数据包括：利用大数据相关方法进行处理，将原始数据进行查重，删除异常值，填补缺失值，提取高等级设备的耗电总量指标，提取本系统需要的参数和相应的格式，并以天为周期保存。优选地，获取原始温度数据，包括：使用爬虫对温度数据进行爬取，通过获取配置文件中的不同城市代码来获取写字楼所在城市的温度数据；清洗原始温度数据，包括：对缺失数据的填补与重复数据的删除，提取本系统需要的3个温度参数：最低温度、最高温度以及平均温度，所有温度单位均为摄氏度，并保存在温度信息存储单元。优选地，获取原始温度数据，还包括：同时通过函数变量的控制来决定获取的是预测日期的预测温度还是历史温度。优选地，温度信息判定，步骤包括：1)判断是否选择使用温度判断是否开暖气；2)如果是，则继续判断是否达到开暖气标准；3)如果达到开暖气标准，暖气指标赋值为1，如果没有达到开暖气标准，暖气指标赋值为0，结束；4)如果不使用温度判断是否暖气，则判断是否达到春季，如果是，则季节指标赋值为0，结束；5)如果没达到春季，判断是否达到夏季，是，则季节指标赋值为1，结束；6)如果没达到夏季，判断是否达到秋季，是，则季节指标赋值为2，结束；7)如果没达到秋季，判断是否达到冬季，是，则季节指标赋值为3，结束；如果没达到冬季，则提示“不符合默认标准，请求人工设定”。其中，节假日判定，包括使用假日属性和春节属性两个赋值来判断对应日期的节假日属性：若为周末，则假日属性赋值为1，若为三天及以上的假期，假日属性赋值为2，若为七天及以上的假期，假日属性赋值为3，若为过年期间，则假日属性赋值为4，若为工作日，则该假日属性赋值为0；如为春节假日，则春节属性赋值为1，如非春节假日，则春节属性赋值为0。优选地，节假日判定，假日属性和春节属性两个赋值可以不一一对应，假日属性具体放假时间依据当年的法定节假日来确定，而春节属性在春节期间有部分单位开始放假即可开始设置为1，该值由一个库来设置。优选地，时间信息提取，包括使用Python的datetime库提取出这一天属于这一年的第几周以及该周中的第几天，并将其保存在时间信息储存单元。优选地，输入查询时间创建时间序列包括系统生成所输入日期未来三个月的每天的预测时间序列。优选地，用电量GBDT非线性模型，是一种基于树的Boosting模型，采用串行的方式，每次迭代选择一个弱学习器，同时在减小残差的梯度方向上建立一颗新的决策树，采用线性加法模型，将每一个决策树的结果通过加权累加得到最终预测结果，该模型数学表达式为：(1)式中，x为输入总样本，ht(x；wt)为每颗分类回归树，wt为每个分类回归树的参数，αt是每棵树的权重,T为决策树的个数；每一轮的学习过程中，产生一个弱学习器ht(x；wt)，弱学习器的损失函数为：(2)式中，Ft-1(xi；wt)为当前的模型，GBDT通过最小化损失函数值来确定弱分类器的参数，损失函数选择平方损失函数，对应的数学公式为：(3)式中，yi为真实值，h(xi)为模型估计值，对应的差值即残差。优选地，用电量GBDT非线性模型，预测评价指标采用平均绝对百分比误差(MAPE)，表达式为：(4)式中Xi为实际日用电量，Yi为预测日用电量；最后统计预测月份的预测总用电量和实际总用电量的精确度最为最终评价指标，对应的数学表达式为：其中，YS为预测月份的当月实际总用电量,PS为预测月份的当月预测总用电量。优选地，输入查询时间创建时间序列包括系统生成所输入日期未来三个月的以天为周期的时间序列。为解决上述问题，本专利技术还提供一种写本文档来自技高网...

【技术保护点】
1.一种写字楼电力系统月度用电量预测方法，包括：S1，输入查询时间，创建预测时间序列；S2，获取预测温度原始数据，清洗预测温度原始数据；S3，导入用电量GBDT非线性模型，计算每日用电量并输出月度用电总量预测结果；其特征在于，还包括利用离散数据构建用电量GBDT非线性模型，其步骤包括：1)获取电力原始数据，清洗电力原始数据，保存历史日用电量数据到历史用电量数据存储单元中；2)获取原始温度数据，清洗原始温度数据，保存到历史温度数据存储单元；3)温度信息判定；4)节假日判定；5)时间信息提取；6)数据合并，将处理后得到的离散数据按照时间序列合并在一起，存储在csv文件中；7)模型建立与优化，以用电量作为输出值，温度信息、节假日信息、时间信息等作为输入值，对GBDT模型采用网络搜索优化参数的方法，以10折交叉验证作为验证方式，将算法优化，得到用电量GBDT非线性模型；8)模型保存。

【技术特征摘要】
1.一种写字楼电力系统月度用电量预测方法，包括：S1，输入查询时间，创建预测时间序列；S2，获取预测温度原始数据，清洗预测温度原始数据；S3，导入用电量GBDT非线性模型，计算每日用电量并输出月度用电总量预测结果；其特征在于，还包括利用离散数据构建用电量GBDT非线性模型，其步骤包括：1)获取电力原始数据，清洗电力原始数据，保存历史日用电量数据到历史用电量数据存储单元中；2)获取原始温度数据，清洗原始温度数据，保存到历史温度数据存储单元；3)温度信息判定；4)节假日判定；5)时间信息提取；6)数据合并，将处理后得到的离散数据按照时间序列合并在一起，存储在csv文件中；7)模型建立与优化，以用电量作为输出值，温度信息、节假日信息、时间信息等作为输入值，对GBDT模型采用网络搜索优化参数的方法，以10折交叉验证作为验证方式，将算法优化，得到用电量GBDT非线性模型；8)模型保存。2.根据权利要求1所述的一种写字楼电力系统月度用电量预测方法，其特征在于，所述电力原始数据包括不同设备每5分钟的耗电量数据，所述清洗电力原始数据包括：利用大数据相关方法进行处理，将原始数据进行查重，删除异常值，填补缺失值，汇总设备的耗电总量指标，提取本系统需要的参数和相应的格式，并以天为周期保存。3.根据权利要求1所述的一种写字楼电力系统月度用电量预测方法，其特征在于，所述获取原始温度数据，包括：使用爬虫对温度数据进行爬取，通过获取配置文件中的不同城市代码来获取写字楼所在城市的温度数据；所述清洗原始温度数据，包括：对缺失数据的填补与重复数据的删除，提取本系统需要的3个温度参数：最低温度、最高温度以及平均温度，所有温度单位均为摄氏度，并保存在历史温度信息存储单元。4.根据权利要求3所述的一种写字楼电力系统月度用电量预测方法，其特征在于，所述获取原始温度数据，还包括：同时通过函数变量的控制来决定获取的是预测日期的预测温度还是历史温度。5.根据权利要求1所述的一种写字楼电力系统月度用电量预测方法，其特征在于，所述温度信息判定，步骤包括：1)判断是否选择使用温度判断是否开暖气；2)如果是，则继续判断是否达到开暖气标准；3)如果达到开暖气标准，暖气指标赋值为1，如果没有达到开暖气标准，暖气指标赋值为0，结束；4)如果不使用温度判断是否暖气，则判断是否达到春季，如果是，则季节指标赋值为0，结束；5)如果没达到春季，判断是否达到夏季，是，则季节指标赋值为1，结束；6)如果没达到夏季，判断是否达到秋季，是，则季节指标赋值为2，结束；7)如果没达到秋季，判断是否达到冬季，是，则季节指标赋值为3，结束，如果没达到冬季，则提示“不符合默认标准，请求人工设定″。6.根据权利要求1所述的一种写字楼电力系统月度用电量预测方法，其特征在于，所述节假日判定，包括使用假期属性和春节属性两个属性值来判断对应日期的节假日属性：若为周末，则假期属性赋值为1，若为三天及以上的假期，假期属性赋值为2，若为七天及以上的假期，假期属性赋赋值为3，若为春节期间，则假期属性值为4，若为工作日，则该假期属性赋值为0...

【专利技术属性】
技术研发人员：王鸿斌，吴旭，武进军，陈长清，
申请(专利权)人：天津安捷物联科技股份有限公司，
类型：发明
国别省市：天津,12