基于气象大数据的电量预测方法与流程

1.本发明属于电力分析技术领域，特别是涉及基于气象大数据的电量预测方法。


背景技术：

2.对于电力生产方而言，需要合理规划电能生产，才能满足不同用户的用电量需求。如中国专利cn112561210a公开了一种电力系统稳定性和资源需求预估系统及方法，通过预设的电力预估模型对分布式电源的电力参数进行分析，可以获得分布式电源在未来预设时间段内的电力负荷趋势和趋势预测数值，并通过分析模块判断趋势预测数值是否满足预设电力需求阈值，可以提前预测分布式电源中电力负荷数据趋势，从而预知分布式电源的稳定性，可以提前采取应对措施以解决供电稳定性问题，减少经济损失。还如中国专利cn114118617a涉及一种用电量预估方法、装置、计算机设备、存储介质和计算机程序产品，所述方法包括：获取待分析对象的实时用电量和历史用电量，并根据实时用电量和历史用电量对电量预估模型进行训练，以确定目标预估模型，再将包括实时用电量和部分历史用电量的参考时段的实际用电量输入目标预估模型，并由目标预估模型输出对应预估时段的预估用电量。上述方法在每次进行用电量预估时均采用实时用电量与历史用电量共同对电量预估模型进行训练，并确定目标预估模型，再由目标预估模型进行用电量预估，得到预估时段的预估用电量，实现了预估模型的在线学习，预估用电量与实时用电量之前强相关，提高了预估模型的泛化能力，相应提高了用电量预估的准确性。
3.但是，随着气候的多变，上述现有技术均没有考虑气候因素的影响，且缺乏一种数据剔除的方式，以达到准确的预估电量。


技术实现要素：

4.本发明的目的在于提供基于气象大数据的电量预测方法，通过对历史气候及用电量的分析，预估耗电量，解决了现有的问题。
5.为解决上述技术问题，本发明是通过以下技术方案实现的：
6.本发明为基于气象大数据的电量预测方法，包括以下步骤：
7.获取近n个月受控区域的气象数据和耗电量，所述气象数据包括每月的温度、湿度数据；
8.根据耗电量与气象数据的比值，分别获取温转比、湿转比；
9.分别计算n个温转比、湿转比的均值，获得的均值分别结合温转比、湿转比计算温转偏离值、湿转偏离值：
10.温转偏离值
11.湿转偏离值
12.结合耗电量及气象数据、温转偏离值、湿转偏离值之间的关系计算综合转比；
13.根据综合转比及实时气象数据，预估耗电量。
14.进一步地，还包括气象数据的剔除冗余步骤：
15.从获取的受控区域的气象数据中调取第一个月的气象数据；
16.将获取的一个月的气象数据标记为待分月数据；
17.在待分月数据内，获取湿度、温度的峰值，分别标记为wf、sf；
18.获取高湿区和高温区，高湿区对应的湿度为sf-sb，高温区对应的温度为wf-wb，其中，sb、wb分别为湿度跳动值、温度跳动值；
19.获取高湿持续天数和高温持续天数：将待分月数据中，第一次出现wf-wb度至最后一次出现wf-wb度之间的天数标记为高温持续天数、第一次出现sf-sb至最后一次出现sf-sb之间的天数标记为高湿持续天数；
20.计算高特天数：高特天数＝(高湿持续天数+高温持续天数)/2；
21.当高特天数＞x1时，将温度低于(wf+wd)*x2对应的气象数据剔除；
22.当高特天数≤x1时，将湿度高于(sf+sd)*x3、低于sd*x4对应的气象数据剔除；
23.其中，x1～x4均为预设值，且x2、x3均小于1，1＜x4＜1.5，且x2≤x3＜x4。
24.进一步地，所述湿度跳动值、温度跳动值为预设值或计算值；
25.当为计算值时：
26.湿度跳动值其中，sd为对应月内的最低湿度值，sp为对应月内的湿度平均值；
27.温度跳动值其中，wd为对应月内的最低温度值，wp为对应月内的温度平均值。
28.进一步地，根据耗电量与气象数据的比值，分别获取温转比、湿转比的方法为：
29.获取月平均湿度、月平均温度、月总耗电量；
30.温转比＝月总耗电量/月平均温度，湿转比＝月总耗电量/月平均湿度。
31.进一步地，结合耗电量及气象数据、温转偏离值、湿转偏离值之间的关系计算综合转比的方法为：
32.根据w、s的数值大小，确定温度、湿度与耗电总量的除值比例：
33.温度的除值比例b1为：w/(w+s)；
34.湿度的除值比例b2为：s/(w+s)；
35.计算每个月的综合转比＝月耗电量/(b1*月平均温度+b2*月平均湿度)；
36.计算n个月的综合转比的平均值，标记为拟态转化值y。
37.进一步地，所述包括气象数据的再删除步骤：
38.计算n个月的综合转比的偏离值e：
39.若e＞e1，则依次删除最大的综合转比对应的气象数据，直至剩余的气象数据对应
的综合转比的偏离值e≤e1；
40.其中，e1为预设值。
41.进一步地，所述拟态转化值y用于预估耗电量，预估方法为：
42.获取拟态转化值y，及对应的温度的除值比例b1、湿度的除值比例b2；
43.根据气象数据，获取未来一个月的平均温度lw、平均湿度ls；
44.预估月耗电量＝(b1*lw+b2*ls)*y*β；
45.其中，β≥1，β为预设值因子。
46.进一步地，所述预设值因子β的取值为：
47.当|lw-lsw|≥l1时，
48.否则，β＝1.05；
49.其中，l1为预设值，lsw为过去两年内、对应月份的剔除冗余数据后的月耗电量均值；lnw为过去两年内剔除冗余数据后的年耗电量均值。
50.本发明具有以下有益效果：
51.本发明获取近n个月受控区域的气象数据和耗电量，根据耗电量与气象数据的比值，分别获取温转比、湿转比；分别计算24个温转比、湿转比的均值，获得的均值分别结合温转比、湿转比计算温转偏离值、湿转偏离值：结合耗电量及气象数据、温转偏离值、湿转偏离值之间的关系计算综合转比；再根据综合转比及实时气象数据，预估耗电量，实现了对历史气象数据及耗电量的综合分析，进而准确的结合气象预估耗电量。
52.当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
53.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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的前提下，还可以根据这些附图获得其他的附图。
54.图1为本发明基于气象大数据的电量预测方法的流程图。
具体实施方式
55.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。
56.请参阅图1所示，本发明为基于气象大数据的电量预测方法，包括以下步骤：
57.获取近24个月受控区域的气象数据和耗电量，所述气象数据包括每月的温度、湿度数据；当然，此处取n＝24，但是也不限于24个月的数据采集，在条件允许的情况下，还可以获取更多的数据；作为本发明提供的一个实施例，优选的，还包括气象数据的剔除冗余步骤：
58.从获取的受控区域的气象数据中调取第一个月的气象数据；
59.将获取的一个月的气象数据标记为待分月数据；
60.在待分月数据内，获取湿度、温度的峰值，分别标记为wf、sf；
61.获取高湿区和高温区，高湿区对应的湿度为sf-sb，高温区对应的温度为wf-wb，其中，sb、wb分别为湿度跳动值、温度跳动值；
62.获取高湿持续天数和高温持续天数：将待分月数据中，第一次出现wf-wb度至最后一次出现wf-wb度之间的天数标记为高温持续天数、第一次出现sf-sb至最后一次出现sf-sb之间的天数标记为高湿持续天数；
63.计算高特天数：高特天数＝(高湿持续天数+高温持续天数)/2；
64.当高特天数＞x1时，将温度低于(wf+wd)*x2对应的气象数据剔除；
65.当高特天数≤x1时，将湿度高于(sf+sd)*x3、低于sd*x4对应的气象数据剔除；
66.其中，x1～x4均为预设值，且x2、x3均小于1，1＜x4＜1.5，且x2≤x3＜x4；
67.根据耗电量与气象数据的比值，分别获取温转比、湿转比，作为本发明提供的一个实施例，优选的，根据耗电量与气象数据的比值，分别获取温转比、湿转比的方法为：
68.获取月平均湿度、月平均温度、月总耗电量；
69.温转比＝月总耗电量/月平均温度，湿转比＝月总耗电量/月平均湿度；
70.分别计算24个温转比、湿转比的均值，获得的均值分别结合温转比、湿转比计算温转偏离值、湿转偏离值：
71.温转偏离值
72.湿转偏离值
73.结合耗电量及气象数据、温转偏离值、湿转偏离值之间的关系计算综合转比；作为本发明提供的一个实施例，优选的，结合耗电量及气象数据、温转偏离值、湿转偏离值之间的关系计算综合转比的方法为：
74.根据w、s的数值大小，确定温度、湿度与耗电总量的除值比例：
75.温度的除值比例b1为：w/(w+s)；
76.湿度的除值比例b2为：s/(w+s)；
77.计算每个月的综合转比＝月耗电量/(b1*月平均温度+b2*月平均湿度)；
78.计算24个月的综合转比的平均值，标记为拟态转化值y；
79.根据综合转比及实时气象数据，预估耗电量；作为本发明提供的一个实施例，优选的，所述拟态转化值y用于预估耗电量，预估方法为：
80.获取拟态转化值y，及对应的温度的除值比例b1、湿度的除值比例b2；
81.根据气象数据，获取未来一个月的平均温度lw、平均湿度ls；
82.预估月耗电量＝(b1*lw+b2*ls)*y*β；
83.其中，β≥1，β为预设值因子。
84.作为本发明提供的一个实施例，优选的，所述湿度跳动值、温度跳动值为预设值或计算值；
85.当为计算值时：
86.湿度跳动值其中，sd为对应月内的最低湿度值，sp为对应月内的湿度平均值；
87.温度跳动值其中，wd为对应月内的最低温度值，wp为对应月内的温度平均值。
88.作为本发明提供的一个实施例，优选的，所述包括气象数据的再删除步骤：
89.计算24个月的综合转比的偏离值e：
90.若e＞e1，则依次删除最大的综合转比对应的气象数据，直至剩余的气象数据对应的综合转比的偏离值e≤e1；
91.其中，e1为预设值。
92.作为本发明提供的一个实施例，优选的，所述预设值因子β的取值为：
93.当|lw-lsw|≥l1时，
94.否则，β＝1.05；
95.其中，l1为预设值，lsw为过去两年内、对应月份的剔除冗余数据后的月耗电量均值；lnw为过去两年内剔除冗余数据后的年耗电量均值，如本次预估的是3月份的耗电量，那么对应月份即为去年、前年的3月。
96.基于气象大数据的电量预测方法，通过获取近24个月受控区域的气象数据和耗电量，根据耗电量与气象数据的比值，分别获取温转比、湿转比；分别计算24个温转比、湿转比的均值，获得的均值分别结合温转比、湿转比计算温转偏离值、湿转偏离值：结合耗电量及气象数据、温转偏离值、湿转偏离值之间的关系计算综合转比；再根据综合转比及实时气象数据，预估耗电量，实现了对历史气象数据及耗电量的综合分析，进而准确的结合气象预估耗电量。
97.在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
98.以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。