用电量预测方法、装置以及电子设备与流程

本公开涉及电网
技术领域：
，具体地，提供了一种用电量预测方法、装置以及电子设备。
背景技术：
：用电量预测是指根据某一区域历史用电量数据预测未来某一段时间的用电量。近来，用电量预测引发市场广泛关注。国内不同的区域用电需求不同，准确预测区域用电量，有助于合理地安排综合能源系统统的运行计划，降低运行成本，提高供电可靠性。技术实现要素：本公开提供了一种用电量预测方法、装置以及电子设备。根据本公开的第一方面，提供了一种用电量预测方法，包括：获取第一时间段内的n个子时间段对应的n个第一历史用电量，n为大于1的整数；根据所述n个第一历史用电量，确定所述n个第一历史用电量的第一数据特征；利用预测模型基于所述第一数据特征进行预测，获得第一预测用电量。根据本公开的第二方面，提供了一种用电量预测装置，包括：获取模块，用于获取第一时间段内的n个子时间段对应的n个第一历史用电量，n为大于1的整数；确定模块，用于根据所述n个第一历史用电量，确定所述n个第一历史用电量的第一数据特征；预测模块，用于利用预测模型基于所述第一数据特征进行预测，获得第一预测用电量。根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面任一项所述的方法。根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面任一项所述的方法。根据本公开的第五方面，提供了计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据第一方面所述的方法。本公开中，获取第一时间段内的n个子时间段对应的n个第一历史用电量，n为大于1的整数；根据所述n个第一历史用电量，确定所述n个第一历史用电量的第一数据特征；利用预测模型基于所述第一数据特征进行预测，获得第一预测用电量。采用预测模型基于n个第一历史用电量的第一数据特征进行预测，整个预测过程简单，预测准确率高。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本公开的限定。其中：图1是本公开实施例提供的用电量预测方法的一流程图；图2是本公开实施例提供的用电量预测方法的另一流程图；图3a是本公开实施例提供的一组第一历史用电量在坐标系中的位置示意图；图3b是本公开实施例提供的根据预测模型进行预测的预测值与真实值之间的对比图；图4是本公开实施例提供的用电量预测装置的结构图；图5是用来实现本公开实施例的用电量预测方法的电子设备的框图。具体实施方式以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。参见图1，图1是本公开实施例提供的用电量预测方法的流程图，如图1所示，本实施例提供一种用电量预测方法，应用于电子设备，包括以下步骤：步骤101、获取第一时间段内的n个子时间段对应的n个第一历史用电量，n为大于1的整数。第一时间段可为一周、半个月或一个月，具体可根据实际情况进行选择，在此不做限定。第一时间段包括n个子时间段，子时间段可为12小时、一天或一周等等。优选的，第一时间段为一周，子时间段为一天。n个子时间段可为第一时间段内时间相邻的子时间段，例如第一时间段为一周，则n个子时间段可为第一时间段内的连续5天或者连续7天，在此不做限定。每个子时间段对应一个第一历史用电量，例如，若子时间段为一天，则一个第一历史用电量为一天的历史用电量。在本公开中，“第一”、“第二”仅用于区分不同的指代对象，并无其他含义。步骤102、根据所述n个第一历史用电量，确定所述n个第一历史用电量的第一数据特征。基于n个第一历史用电量，获取n个第一历史用电量的第一数据特征，第一数据特征可表征n个第一历史用电量。第一数据特征可以为n个第一历史用电量的平均值、总用电量或者轮廓系数等等。步骤103、利用预测模型基于所述第一数据特征进行预测，获得第一预测用电量。预测模型可预先通过训练样本对机器学习模型进行训练获得，预测模型用于对第一数据特征进行预测，获得第一预测用电量。第一预测用电量即基于n个第一历史用电量进行预测获得的用电量。第一历史用电量可为某个区域的用电量，例如，若要预测a区域的用电量，则采用a区域的第一历史用电量进行预测。本实施例，获取第一时间段内的n个子时间段对应的n个第一历史用电量，n为大于1的整数；根据所述n个第一历史用电量，确定所述n个第一历史用电量的第一数据特征；利用预测模型基于所述第一数据特征进行预测，获得第一预测用电量。采用预测模型基于n个第一历史用电量的第一数据特征进行预测，整个预测过程简单，预测准确率高。参见图2，图2是本公开实施例提供的用电量预测方法的流程图，如图2所示，本实施例提供一种用电量预测方法，应用于电子设备，包括以下步骤：步骤201、获取第一时间段内的n个子时间段对应的n个第一历史用电量，n为大于1的整数。第一时间段可为一周、半个月或一个月，具体可根据实际情况进行选择，在此不做限定。第一时间段包括n个子时间段，子时间段可为12小时、一天或一周等等。优选的，第一时间段为一周，子时间段为一天。n个子时间段可为第一时间段内时间相邻的子时间段，例如第一时间段为一周，则n个子时间段可为第一时间段内的连续5天或者连续7天，在此不做限定。每个子时间段对应一个第一历史用电量，例如，若子时间段为一天，则一个第一历史用电量为一天的历史用电量。在本公开中，“第一”、“第二”仅用于区分不同的指代对象，并无其他含义。步骤202、根据所述n个第一历史用电量，确定所述n个第一历史用电量的轮廓系数。采用如下表达式计算n个第一历史用电量的轮廓系数：其中，δx表示日期最大间隔，δy表示用电量的最大值与最小值的差值。如图3a所示的坐标图显示了8个第一历史用电量，(xi,yi)表示第i个第一历史用电量。步骤203、对所述n个第一历史用电量中的各第一历史用电量进行归一化处理，获得n个归一化值。采用如下表达式计算每个第一历史用电量的归一化值：每个第一历史用电量进行归一化处理，获得的归一化值介于[0,1]之间。步骤204、获取所述n个归一化值的最小值、最大值以及平均值，所述第一数据特征包括所述轮廓系数、所述n个归一化值的最小值、最大值以及平均值。根据计算获得的n个归一化值，求取这n个归一化值中的最小值、最大值以及平均值；步骤202-步骤204为步骤102的一种具体实现方式。基于n个第一历史用电量，获取n个第一历史用电量的第一数据特征，第一数据特征可表征n个第一历史用电量。第一数据特征可以为n个第一历史用电量的平均值、总用电量或者轮廓系数等等。步骤205、利用预测模型基于所述第一数据特征进行预测，获得第一预测用电量。所述第一预测用电量为第二目标时间段内的用电量，所述第二目标时间段为晚于所述第一时间段且与所述第一时间段相邻的子时间段。预测模型可预先通过训练样本对机器学习模型进行训练获得，预测模型用于对第一数据特征进行预测，获得第一预测用电量。第一预测用电量即基于n个第一历史用电量进行预测获得的用电量。第一历史用电量可为某个区域的用电量，例如，若要预测a区域的用电量，则采用a区域的第一历史用电量进行预测。采用预测模型进行预测时，可对一个子时间段的用电量进行预测，若要预测多个子时间段，可基于先预测出的子时间段的用电量来预测后续子时间段的用电量，先预测出的子时间段早于后续子时间段。例如，若第一历史用电量为1月1日至1月7日，需要预测未来3天的用电量，则可根据1月1日至1月7日的第一历史用电量，预测1月8日的预测用电量，然后根据1月2日至1月7日的第一历史用电量和1月8日的预测用电量，预测1月9日的预测用电量，再根据1月3日至1月7日、1月8日的预测用电量，1月9日的预测用电量，预测1月10日的用电量。本实施例中，第一数据特征包括所述轮廓系数、所述n个归一化值的最小值、最大值以及平均值，由于轮廓系数可以表征数据的趋势特征，可提高预测模型的预测准确率。在本公开一个实施例中，在步骤205、利用预测模型基于所述第一数据特征进行预测，获得预测用电量之前，所述方法还包括如下步骤：获取训练样本，所述训练样本包括第二历史用电量，以及第二时间段内的n个子时间段对应的n个第三历史用电量，所述第二历史用电量为在第一目标时间段内的用电量，所述第一目标时间段为晚于所述第二时间段且与所述第二时间段相邻的子时间段；利用所述训练样本对机器学习模型进行训练，获得所述预测模型。具体的，在使用预测模型之前，需要先获取预测模型，即采用训练样本对机器学习模型进行训练。该训练过程可以在其他的电子设备上执行，也可以在用于预测的电子设备上执行，即，模型训练过程与使用预测模型进行预测的过程可以在同一个电子设备上执行，也可以在不同的电子设备上执行，在此不做限定。第二时间段可为一周、半个月或一个月，具体可根据实际情况进行选择，在此不做限定。第二时间段包括n个子时间段，子时间段可为12小时、一天或一周等等。优选的，第二时间段为一周，子时间段为一天。n个子时间段可为第二时间段内时间相邻的子时间段，例如第二时间段为一周，则n个子时间段可为第二时间段内的连续5天或者连续7天，在此不做限定。第二时间段中每个子时间段对应一个第三历史用电量，例如，若子时间段为一天，则一个第三历史用电量为一天的历史用电量。第一时间段与第二时间段为不同的时间段，优选的，第一时间段与第二时间段具有相同数量的子时间段，例如，第一时间段与第二时间段都为一周。第二历史用电量为第一目标时间段内的用电量，第一目标时间段为一个子时间段，该子时间段晚于第二时间段且与第二时间段相邻。例如，第二时间段为1月1日至1月7日这七天的时间段，第二历史用电量即为1月8日的历史用电量，第二历史用电量为实际用电量，在对机器学习模型进行训练的过程中可作为真实值使用。例如，采用1月1日至1月7日的历史用电量对机器学习模型进行训练，获得预测用电量，并根据预测用电量与第二历史用电量之间的误差对机器学习模型的参数进行调整，不断的迭代优化，获得预测模型。对机器学习模型进行训练时，可采用多条训练样本进行训练，每条训练样本对应不同的第二时间段。多条训练样本中，时间段最接近的两个第二时间段包括的子时间段可部分重叠，例如，第一个第二时间段为1月1日至1月7日，第二个第二时间段为1月2日至1月8日，这两个第二时间段均包括1月2日至1月7日这五个子时间段，其中，子时间段为一天。上述中，所述利用所述训练样本对机器学习模型进行训练，获得所述预测模型，包括如下步骤：获得所述n个第三历史用电量的第二数据特征；将所述第二数据特征输入至所述机器学习模型，获得预测用电量；基于所述预测用电量与所述第二历史用电量之间的误差，对所述机器学习模型的参数进行调整，获得所述预测模型。具体的，获得所述n个第三历史用电量的第二数据特征，包括：根据所述n个第二历史用电量，确定所述n个第二历史用电量的第二轮廓系数；对所述n个第二历史用电量中的各第二历史用电量进行归一化处理，获得n个第二归一化值；获取所述n个第二归一化值的最小值、最大值以及平均值；所述第二数据特征包括第二轮廓系数、所述n个第二归一化值的最小值、最大值以及平均值。获得所述n个第三历史用电量的第二数据特征的方式可具体参见上述获取n个第一历史用电量的第一数据特征的方式，在此不再赘述。由于轮廓系数可以表征数据的趋势特征，采用包括第二轮廓系数的第二数据特征对机器学习模型进行训练，可提高预测模型的预测准确率。以下对本公开提供的电量预测方法进行举例说明。获取数据(即获取第三历史用电量)。原始数据包含日期和每日用电量两个字段，以9天的历史数据划分为例，数据格式如表1所示：表1日期某区域的日用电量(单位：千度)2019/1/1352019/1/2322019/1/3302019/1/4312019/1/5442019/1/6292019/1/7452019/1/8432019/1/938按照时间顺序进行排列，对原始用电量数据以7天(周)为单位进行滑动划分，由原来的一组数据划分依次滑动，得到3组划分结果，划分后的数据如表2所示。表2日期日用电量日期日用电量日期日用电量2019/1/1352019/1/2322019/1/3302019/1/2322019/1/3302019/1/4312019/1/3302019/1/4312019/1/5442019/1/4312019/1/5442019/1/6292019/1/5442019/1/6292019/1/7452019/1/6292019/1/7452019/1/8432019/1/7452019/1/8432019/1/938对于划分的每一组数据分别进行轮廓描述，求取轮廓系数，轮廓系数构建过程如图3a所示，图3a所示为n为7的情况下，7个第一历史用电量在坐标图上的位置。对于划分后的每组数据分别进行归一化处理，归一化处理之后使得每个数据值介于[0,1]之间；对于归一化后的数据求最小值、最大值，平均值，以每组提取的轮廓系数、最小值、最大值及平均值作为训练样本，格式如下所示。表3模型训练选择xgboost算法，xgboost开源机器学习函数库，训练速度快，效果好，使用xgboost算法库需要设定以下参数。各参数对应的数值结果如下表4所示。表4参数参数值seed100n_estimators100max_depth3eval_metricrmselearning_rate0.1min_child_weight1subsample1colsample_bytree1colsample_bylevel1gamma0确定了模型训练参数，需要确定训练的样本数，训练样本可采用全部样本总数的80％进行训练，得到训练模型，采用剩余20％的数据进行预测，第一次预测时，若输入数据为根据前述方法，提取输入数据的数据特征，根据训练完成获得的模型(即预测模型)进行预测，得到中间预测值根据中间预测值最终求得目标预测值(即第一预测用电量)：以n为6为例，则输入数据为根据前述方法，提取输入数据的数据特征，根据训练完成获得的模型(即预测模型)进行预测，得到中间预测值根据如下公式得到目标预测值：将与已有值一起组合成新的输入数据提取该组数据的数据特征，获得新的测试数据，采用预测模型进行预测，得到未来第二天的预测结果按照上述获取相同的计算方式得到预测值重复上述步骤可以得到更多的预测值，预测结果如图3b所示。图3b中虚线表示预测值，实线表示实际值，通过对比可以看出预测结果与实际值保持了较高的拟合度。由于轮廓系数能够很好的表征数据的趋势特征，采用轮廓系数来表征第二历史用电量，处理方式简单易行，预测准确率高，可实现快速滚动预测，有利于模型的维护与迭代。参见图4，图4是本公开实施例提供的用电量预测装置的结构图，如图4所示，本实施例提供一种用电量预测装置400，包括：第一获取模块401，用于获取第一时间段内的n个子时间段对应的n个第一历史用电量，n为大于1的整数；确定模块402，用于根据所述n个第一历史用电量，确定所述n个第一历史用电量的第一数据特征；预测模块403，用于利用预测模型基于所述第一数据特征进行预测，获得第一预测用电量。进一步的，所述确定模块，包括：确定子模块，用于根据所述n个第一历史用电量，确定所述n个第一历史用电量的轮廓系数；归一化子模块，用于对所述n个第一历史用电量中的各第一历史用电量进行归一化处理，获得n个归一化值；第一获取子模块，用于获取所述n个归一化值的最小值、最大值以及平均值；其中，所述第一数据特征包括所述轮廓系数、所述n个归一化值的最小值、最大值以及平均值。进一步的，用电量预测装置400还包括：第二获取模块，用于获取训练样本，所述训练样本包括第二历史用电量，以及第二时间段内的n个子时间段对应的n个第三历史用电量，所述第二历史用电量为在第一目标时间段内的用电量，所述第一目标时间段为晚于所述第二时间段且与所述第二时间段相邻的子时间段；训练模块，用于利用所述训练样本对机器学习模型进行训练，获得所述预测模型。进一步的，所述训练模块，包括：第二获取子模块，用于获得所述n个第三历史用电量的第二数据特征；第三获取子模块，用于将所述第二数据特征输入至所述机器学习模型，获得预测用电量；第四获取子模块，用于基于所述预测用电量与所述第二历史用电量之间的误差，对所述机器学习模型的参数进行调整，获得所述预测模型。进一步的，所述第一预测用电量为第二目标时间段内的用电量，所述第二目标时间段为晚于所述第一时间段且与所述第一时间段相邻的子时间段。本公开实施例提供的用电量预测装置400能够实现图1的方法实施例中电子设备实现的各个过程以及达到相同的技术效果，为避免重复，这里不再赘述。本实施例，获取第一时间段内的n个子时间段对应的n个第一历史用电量，n为大于1的整数；根据所述n个第一历史用电量，确定所述n个第一历史用电量的第一数据特征；利用预测模型基于所述第一数据特征进行预测，获得第一预测用电量。采用预测模型基于n个第一历史用电量的第一数据特征进行预测，整个预测过程简单，预测准确率高。根据本公开的实施例，本公开还提供了一种电子设备，一种计算机程序产品和一种可读存储介质。如图5所示，是根据本公开实施例的用电量预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。存储器502即为本公开所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本公开所提供的用电量预测方法。本公开的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本公开所提供的用电量预测方法。存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本公开实施例中的用电量预测方法对应的程序指令/模块(例如，附图4所示的第一获取模块401、确定模块402以及预测模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及用电量预测，即实现上述方法实施例中的用电量预测方法。存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用电量预测的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至用电量预测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。用电量预测方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。输入装置503可接收输入的数字或字符信息，以及产生与用电量预测的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。当前第1页12