基于机器学习的能耗预测方法及系统技术方案

本发明专利技术涉及能耗预测和数据处理技术领域，涉及基于机器学习的能耗预测方法及系统，其中方法，包括：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；对获取的数据进行预处理；将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。得到待测日期整个园区的用电总量预测值。得到待测日期整个园区的用电总量预测值。

【技术实现步骤摘要】
基于机器学习的能耗预测方法及系统


[0001]本专利技术涉及能耗预测和数据处理
，特别是涉及基于机器学习的能耗预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]为了确保向园区稳定供电，电力公司往往需要对园区内企业用户的用电情况进行预测，并以此向园区供电。
[0004]现有技术中，常用的预测方式是：根据园区最近一段时间内的用电负荷来预测下一个时间段的用电负荷，然而，由于园区内的用电情况往往受多种因素的影响，所预测出的用电负荷往往与园区的实际用电负荷产生一定的差异，从而导致电力公司不能向园区稳定供电，给园区的正常生产和生活带来极大的影响。

技术实现思路

[0005]为了解决现有技术的不足，本专利技术提供了基于机器学习的能耗预测方法及系统；实现园区企业用电的准确预测，实现电力公司向园区提供稳定的电力。
[0006]一方面，本专利技术提供了基于机器学习的能耗预测方法，包括：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；对获取的数据进行预处理；将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、与待测日期相同日期的日期属性、相同日期的历史平均温度以及企业画像作为输入值，与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。
[0007]另一方面，本专利技术提供了基于机器学习的能耗预测系统，包括：获取模块，其被配置为：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；预处理模块，其被配置为：对获取的数据进行预处理；预测模块，其被配置为：将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、与待测日期相同日期的日期属性、相同日期的历
史平均温度以及企业画像作为输入值，与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；输出模块，其被配置为：对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。
[0008]上述技术方案中的一个技术方案具有如下优点或有益效果：本专利技术通过考虑企业画像、日期属性等多个元素，可以实现园区企业用电负荷的准确预测，实现电力公司向园区提供稳定的电力；本专利技术通过图像识别模型实现实体电表数据采集，可以避免工作人员人工查表容易噪声的漏报错报等问题；本专利技术对图像识别模型的训练，采用边缘计算节点与园区服务器相互配合的方式，实现各个边缘计算节点的图像识别模型都是最优模型，提升了图像识别的准确度；本专利技术通过边缘计算节点对图像的缓存，可以节省园区服务器的存储空间，还可以节省图像被调取的时间。
附图说明
[0009]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。
[0010]图1为实施例一的基于机器学习的能耗预测流程图；图2为实施例一的硬件连接关系图。
具体实施方式
[0011]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0012]如图1所示，基于机器学习的能耗预测方法，包括：S101：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；S102：对获取的数据进行预处理；S103：将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、历史时间段内与待测日期相同日期的日期属性、历史时间段内与待测日期相同日期的历史平均温度以及企业画像作为输入值，历史时间段内与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；S104：对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。
[0013]上述技术方案的有益效果是：对园区能耗的预测不仅考虑到历史用电量，还考虑到历史平均温度值，可以提升用电量预测的精度。
[0014]示例性地，所述待测日期如果是2000年6月29日，则待测日期前一日是指2000年6月28日。
[0015]所述待测日期如果是2000年6月29日，则历史时间段内与待测日期相同日期的前一日是1999年6月28日。历史时间段内与待测日期相同日期是1999年6月29日。
[0016]示例性地，待测日期当日的平均温度，是通过气象数据来获取的。
[0017]进一步地，所述日期属性，包括：工作日、休息日和节假日。
[0018]进一步地，所述企业画像，生成过程包括：确定待生成画像企业的基本数据；所述基本数据，包括：企业名称、企业办公场所的占地面积、企业工商信息和企业经营信息；对待生成画像企业的基本数据进行预处理，以获取目标数据；所述预处理包括：去重处理和噪声剔除处理；对目标数据进行分词处理，选择词频高于设定阈值的词汇作为企业标签，将企业标签作为目标企业的企业画像。
[0019]应理解地，所述企业标签，包括：工业、建筑业、批发业、交通运输业、仓储业、信息传输业、软件和信息技术服务业、房地产开发经营、租赁和商务服务业。所述企业标签还包括：微型企业、小型企业、中型企业和大型企业。
[0020]进一步地，所述S101：获取待测日期前一日的用电量，具体包括：通过摄像头采集每个企业名下所有实体电表的显示屏图像；摄像头将采集的图像上传给对应的边缘计算节点，边缘计算节点对图像进行缓存；边缘计算节点利用训练后的图像识别模型，对缓存的显示屏图像的数字进行识别，得到每个实体电表的一天内用电量数据，将一个企业名下所有实体电表的用电量数据进行求和，得到当前企业一天的总用电量数据；边缘计算节点将计算得到的当前企业一天的总用电量，上传给园区服务器；所述训练后的图像识别模型，是以显示屏图像作为输入值，图像中数字作为输出值对模型进行训练得到的；所述训练后的图像识别模型，采用长短期记忆神经网络LSTM来实现。
[0021]上述技术方案的效果是，可以避免园区内安保人员逐一电表计数所带来的工作繁琐，容易出错等问题。
[0022]进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的能耗预测方法，其特征是，包括：针对园区内每一个企业，获取待测日期前一日的用电量，同时获取待测日期当日的平均温度、待测日期的日期属性以及企业画像；对获取的数据进行预处理；将预处理后待测日期前一日的用电量、待测日期的日期属性、待测日期当日的平均温度以及企业画像，输入到训练后的能耗预测模型中，输出待测日期当日用电量的预测值；其中，所述训练后的能耗预测模型，是以历史时间段内与待测日期相同日期的前一日所对应的历史用电量、与待测日期相同日期的日期属性、相同日期的历史平均温度以及企业画像作为输入值，与待测日期相同日期的当日所对应的历史用电量作为输出进行训练得到的；对园区内所有企业的用电量预测值进行求和，得到待测日期整个园区的用电总量预测值。2.如权利要求1所述的基于机器学习的能耗预测方法，其特征是，所述企业画像，其生成过程包括：确定待生成画像企业的基本数据；所述基本数据，包括：企业名称、企业办公场所的占地面积、企业工商信息和企业经营信息；对待生成画像企业的基本数据进行预处理，以获取目标数据；所述预处理包括：去重处理和噪声剔除处理；对目标数据进行分词处理，选择词频高于设定阈值的词汇作为企业标签，将企业标签作为目标企业的企业画像；所述企业标签，包括：工业、建筑业、批发业、交通运输业、仓储业、信息传输业、软件和信息技术服务业、房地产开发经营、租赁和商务服务业；所述企业标签还包括：微型企业、小型企业、中型企业和大型企业。3.如权利要求1所述的基于机器学习的能耗预测方法，其特征是，获取待测日期前一日的用电量，具体包括：通过摄像头采集每个企业名下所有实体电表的显示屏图像；摄像头将采集的图像上传给对应的边缘计算节点，边缘计算节点对图像进行缓存；边缘计算节点利用训练后的图像识别模型，对缓存的显示屏图像的数字进行识别，得到每个实体电表的一天内用电量数据，将一个企业名下所有实体电表的用电量数据进行求和，得到当前企业一天的总用电量数据；边缘计算节点将计算得到的当前企业一天的总用电量，上传给园区服务器；所述训练后的图像识别模型，是以显示屏图像作为输入值，图像中数字作为输出值对模型进行训练得到的；所述训练后的图像识别模型，采用长短期记忆神经网络实现。4.如权利要求3所述的基于机器学习的能耗预测方法，其特征是，训练后的图像识别模型，训练过程包括：边缘计算节点的数量为若干个；所有的边缘计算节点均与园区服务器通信；每个边缘计算节点利用本地训练集对图像识别模型进行初步训练，将初步训练后的图像识别模型参数上传给园区服务器，园区服务器对所有边缘计算节点上传的模型参数进行取平均值，将取平均值后的模型参数作为优化后的模型参数，将优化后的模型参数下发给
所有的边缘计算节点；每个边缘计算节点接收优化后的模型参数，将优化后的模型参数配置到图像识别模型中，得到优化后的图像识别模型，每个边缘计算节点再利用本地训练集对优化后的图像识别模型进行第二次训练，再将第二次训练后的图像识别模型参数上传给园区服务器，园区服务器再对所有边缘计算节点上传的模型参数进行取平均值，将取平均值后的模型参数作为第二次优化后的模型参数，将第二次优化后的模型参数下发给所有的边缘计算节点；以此类推，直至园区服务器的图像识别模型参数不再发生变化或者图像识别模型的损失函数值不再下降，停止训练，园区服务器将最终的图像识别模型参数下发给所有的边缘计算节点；边缘计算节点利用最终的图像识别模型参数，完成图像识别模型的参数配置，边缘计算节点利用最终配置后的图像识别模型开始图像识别操作。5.如权利要求3所述的基于机器学习的能耗预测方法，其特征是，所述摄像头将采集的图像上传给对应的边缘计算节点，边缘计算节点对图像进行缓存，包括：边缘计算节点首先判断当前边缘计算节点内是否已经存在当前图像，如果是就不予缓存；如果否，就判断当前边缘计算节点存储容...

【专利技术属性】
技术研发人员：王振伟，张章，张锐，赵俊海，杨华强，
申请(专利权)人：山东未来互联科技有限公司，
类型：发明
国别省市：