一种供电量预测方法、装置、设备及介质制造方法及图纸

本发明专利技术属于供电量预测技术领域，具体公开了一种供电量预测方法，包括以下步骤：获取样本数据集合，并依据样本数据的总偏差，将样本数据集合划分为测试集和训练集；根据样本数据集合，构建若干子函数；根据若干子函数构建基准预测模型；通过训练集对基准预测模型进行训练，训练完成后输出第一预测模型，通过测试集对第一预测模型进行测试，若测试通过则输出预测模型，若测试未通过则重新获取样本数据建立新的基准预测模型；获取待预测数据输入预测模型获得预测供电量并输出。通过建立若干子函数从多角度综合对供电量进行预测，提高预测精度，且预测过程自动化完成，提高了预测速度。提高了预测速度。提高了预测速度。

【技术实现步骤摘要】
一种供电量预测方法、装置、设备及介质


[0001]本专利技术属于供电量预测
，具体涉及一种供电量预测方法、装置、设备及介质。

技术介绍

[0002]随着电力市场化改革的进行和电力市场的发展，对供电量预测的重要性日益凸显，对预测的准确性、实时性、可靠性及智能性都提出了更高的要求。精准可靠的对中短期的供电量进行有效预测，才能更加适应高比例可再生能源、高比例电力电子设备为背景的新型电力系统建设要求，降低由于电量预测不准确造成的差异金额。在代理购电模式下，供电量预测准确性直接影响到发电计划和购电计划的安排。
[0003]传统的预测手段是线下通过EXCEL表进行，通过人工收集历史数据选取对供电量预测准确度影响较大的因素，归纳总结供电量对各因素的敏感度，然后根据影响因素的预测结果逐日对供电量开展未来中短期的预测。目前人工进行供电量预测不仅费时费力，预测中考虑的影响因素也不够全面，已经不能满足降低预测购电量与实际购电量需求差异的要求。

技术实现思路

[0004]本专利技术的目的在于提供一种供电量预测方法、装置、设备及介质，以解决现有供电量预测不准确，预测速度慢的技术问题。
[0005]为实现上述目的，本专利技术采用如下技术方案予以实现：第一方面，一种供电量预测方法，包括以下步骤：获取样本数据集合，并依据样本数据的总偏差，将样本数据集合划分为测试集和训练集；根据样本数据集合，构建若干子函数；根据若干子函数构建基准预测模型；通过训练集对基准预测模型进行训练，训练完成后输出第一预测模型，通过测试集对第一预测模型进行测试，若测试通过则输出预测模型，若测试未通过则重新获取样本数据建立新的基准预测模型；获取待预测数据输入预测模型获得预测供电量并输出。
[0006]本专利技术的进一步改进在于：所述样本数据集合中包括气温项数据、湿度项数据、风况项数据、时间项数据和突发事件数据。
[0007]本专利技术的进一步改进在于：所述获取样本数据集合，并依据样本数据的总偏差，将样本数据集合划分为测试集和训练集的步骤中，具体包括：分别计算每一类型的样本项的平均值；根据每一类型的样本项的平均值，分别计算每一样本数据中所包含的每个样本项的项偏差；根据每个样本项的项偏差计算每一样本数据的总偏差；根据每一样本数据的总偏差，划分测试集和训练集。
[0008]本专利技术的进一步改进在于：所述若干子函数包括气温子函数、湿度子函数、风况子函数、时间子函数、地区子函数和突发子函数。
[0009]本专利技术的进一步改进在于：所述根据若干子函数构建基准预测模型，具体包括以下步骤：获取历史用电数据和用户基本信息；根据历史用电数据和用户基本信息对若干子函数进行组合生成基准预测模型。
[0010]本专利技术的进一步改进在于：所述通过训练集对基准预测模型进行训练时，具体包括以下步骤：将训练集作为输入量带入不同的基准预测模型，并输出第一预测模型；将训练集作为输入量带入第一预测模型，以训练集实际供电量作为输出结果计算模型训练值；将若干模型训练值代入第一预测模型，完成训练。
[0011]本专利技术的进一步改进在于：所述通过测试集对第一预测模型进行测试时，具体包括以下步骤：将测试集作为第一预测模型的输入量，得到输出值；计算输出值与测试集对应实际供电量之间的偏差值，若偏差值小于等于预设值则输出第一预测模型作为预测模型，若偏差值大于预设值则重新进行新的训练周期的训练，引入新的样本数据或重复训练原有样本数据。
[0012]第二方面，一种供电量预测装置，包括：数据获取模块：用于获取样本数据集合，并依据样本数据的总偏差，将样本数据集合划分为测试集和训练集；子函数构建模块：用于根据样本数据集合，构建若干子函数；预测模型输出模块：用于根据若干子函数构建基准预测模型；通过训练集对基准预测模型进行训练，训练完成后输出第一预测模型，通过测试集对第一预测模型进行测试，若测试通过则输出预测模型，若测试未通过则重新获取样本数据建立新的基准预测模型；预测模块：用于获取待预测数据输入预测模型获得预测供电量并输出。
[0013]第三方面，一种计算机设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种供电量预测方法。
[0014]第四方面，一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种供电量预测方法。
[0015]与现有技术相比，本专利技术至少包括以下有益效果：1、本专利技术通过建立若干子函数从多角度综合对供电量进行预测，提高预测精度，且预测过程自动化完成，提高了预测速度；2、本专利技术通过气温项数据、湿度项数据、风况项数据、时间项数据和突发事件数据作为样本数据，考虑的角度全面，且数据获取难度低，提高了实用性。
附图说明
[0016]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
图1为本专利技术一种供电量预测方法的流程图；图2为本专利技术一种供电量预测装置的结构框图。
具体实施方式
[0017]下面将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0018]以下详细说明均是示例性的说明，旨在对本专利技术提供进一步的详细说明。除非另有指明，本专利技术所采用的所有技术术语与本专利技术所属领域的一般技术人员的通常理解的含义相同。本专利技术所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本专利技术的示例性实施方式。
[0019]实施例1一种供电量预测方法，如图1所示，包括以下步骤：S1、获取样本数据集合，并依据样本数据的总偏差，将样本数据集合划分为测试集和训练集；具体的，对于样本数据集合中的一样本数据，其包括若干个类型的样本项，每个类型样本项均为对供电量产生影响的数据，样本项的类型j例如：气温项数据、湿度项数据、风况项数据、地区项数据、时间项数据和突发事件数据等；具体的，在S1中包括以下步骤：S11、分别计算每一类型的样本项的平均值；例如，气温项数据的均值即所有样本数据的气温项数据的平均值；S12、根据每一类型的样本项的平均值，计算每一样本数据中所包含的每个样本项的项偏差；例如，对于气温项数据，计算得到气温项数据的平均值之后，利用气温项数据的平均值，对样本数据集合中每一个样本数据所包含的气温项数据计算项偏差。
[0020]具体的，计算每个样本项的项偏差s
ij
的公式可以如下所示：s
ij
=|a
ij
‑△
a
j
|/（d
j
‑
d
w
）；式中，s
ij
为项偏差，a
ij
为样本数据中样本项的数值，
△
a
j
为类型为j的样本项的平均值，d
j
为预设的类型为j的样本项的基本偏差，d本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种供电量预测方法，其特征在于，包括以下步骤：获取样本数据集合，并依据样本数据的总偏差，将样本数据集合划分为测试集和训练集；根据样本数据集合，构建若干子函数；根据若干子函数构建基准预测模型；通过训练集对基准预测模型进行训练，训练完成后输出第一预测模型，通过测试集对第一预测模型进行测试，若测试通过则输出预测模型，若测试未通过则重新获取样本数据建立新的基准预测模型；获取待预测数据输入预测模型获得预测供电量并输出。2.根据权利要求1所述的一种供电量预测方法，其特征在于，所述样本数据集合中包括气温项数据、湿度项数据、风况项数据、时间项数据、地区项数据和突发事件数据。3.根据权利要求1所述的一种供电量预测方法，其特征在于，所述获取样本数据集合，并依据样本数据的总偏差，将样本数据集合划分为测试集和训练集的步骤中，具体包括：分别计算每一类型的样本项的平均值；根据每一类型的样本项的平均值，分别计算每一样本数据中所包含的每个样本项的项偏差；根据每个样本项的项偏差计算每一样本数据的总偏差；根据每一样本数据的总偏差，划分测试集和训练集。4.根据权利要求1所述的一种供电量预测方法，其特征在于，所述若干子函数包括气温子函数、湿度子函数、风况子函数、时间子函数、地区子函数和突发子函数。5.根据权利要求1所述的一种供电量预测方法，其特征在于，所述根据若干子函数构建基准预测模型，具体包括以下步骤：获取历史用电数据和用户基本信息；根据历史用电数据和用户基本信息对若干子函数进行组合生成基准预测模型。6.根据权利要求1所述的一种供电量预测方法，其特征在于，所述通过训练集对基准预测模型进行训练时，具体包括以下步骤：将训练集...

【专利技术属性】
技术研发人员：代志强，丁冬，佘妍，李炳辉，许禹诺，吴红林，陈斌发，汪海涛，李晖，郑立鑫，林超，陈文焰，戴斌斌，
申请(专利权)人：国网信通亿力科技有限责任公司，
类型：发明
国别省市：