本發(fā)明屬于短期用電預測，尤其是涉及一種生活類建筑場景的短期用電預測方法及系統(tǒng)。

背景技術：

1、有效的用電預測具有多方面的意義，這些意義超越了單純的成本節(jié)約，涉及到能效管理、環(huán)境可持續(xù)性、運營穩(wěn)定性以及政策合規(guī)等多個層面。因此，有效且準確的用電預測不僅有助于提升經(jīng)濟效益，而且能促進社會和環(huán)境的可持續(xù)發(fā)展。

2、現(xiàn)有的用電預測的方法包括有統(tǒng)計學方法，機器學習方法，模糊邏輯方法等。統(tǒng)計學方法主要有時間序列方法、回歸分析等，這些方法基于歷史用電數(shù)據(jù)的統(tǒng)計特性來預測未來的負荷變化，未充分考慮影響負荷變化的外部因素，如天氣、節(jié)假日等，較適用于中長期的負荷預測，無法適用于短期預測。模糊邏輯方法的精度有限，存在實際應用困難的問題，通常只作為參考用。機器學習方法包括支持向量機(svm)、隨機森林、神經(jīng)網(wǎng)絡等，這些方法通過學習歷史用電數(shù)據(jù)的模式來進行預測，其中神經(jīng)網(wǎng)絡特別是深度學習模型(如lstm)因其強大的非線性擬合能力而被廣泛應用于負荷預測。

3、機器學習方法雖然能夠將天氣等影響負荷變化的外部因素考慮進去，但是，目前的機器學習方法在提出一個方法后，通常是使用經(jīng)過篩選的任意用戶的歷史用電數(shù)據(jù)對模型進行訓練，然后當某個場景需要用電預測時，將訓練好的模型用于該場景，預測時，使用該場景的數(shù)據(jù)作為模型輸入，模型基于輸入輸出預測結果。這樣的方式，一方面預測模型進行預測時，需要以用戶包含歷史用電數(shù)據(jù)的數(shù)據(jù)特征作為輸入來輸出預測結果，這就要求用戶能夠提供預測所需的完整歷史用電數(shù)據(jù)，否則就無法對其進行預測；另一方面，所有用戶都是使用同樣的訓練數(shù)據(jù)訓練得到的預測模型，而不同的用戶，如酒店用戶、醫(yī)院用戶、學校用戶、商場用戶等都有各自的特點，即使是同一類用戶，因為規(guī)模地區(qū)等原因也會有不同的用電模式的差異，統(tǒng)一使用同一訓練數(shù)據(jù)得到的預測模型針對性不足，即使訓練數(shù)據(jù)融合了各種場所的歷史用電數(shù)據(jù)，也會因為不同場所的顯著差異而導致模型的學習效果不佳。因此，將統(tǒng)一訓練的預測模型用于這些場所都將無法達到較好的預測效果。而每個場所分別訓練一個模型顯然是不切實際的，也沒有這樣的條件。

技術實現(xiàn)思路

1、本發(fā)明的目的是針對上述問題，提出了一種生活類建筑場景的短期用電預測方法，該方法包括：

2、s1.獲取當前用戶id，判斷是否存在當前用戶id對應的預測模型；

3、若是，提取所述預測模型，并執(zhí)行s3；

4、否則，執(zhí)行步驟s2；

5、s2.提取當前用戶的用戶特征，每個預測模型具有相應的模型特征，計算當前用戶特征與模型特征的相似度，提取相似度最高的預測模型，并將當前用戶id對應于該預測模型；

6、s3.獲取所述預測模型所需要的輸入數(shù)據(jù)并輸入至所述的預測模型；

7、s4.預測模型根據(jù)輸入數(shù)據(jù)輸出預測結果。

8、在上述的生活類建筑場景的短期用電預測方法中，所述用戶特征包括用戶類型、用戶規(guī)模、用戶地區(qū)；

9、每個預測模型使用同一用戶，或具有相同/相近特征的用戶的歷史用電數(shù)據(jù)進行訓練，且每個預測模型的模型特征為訓練其所使用的歷史用電數(shù)據(jù)所屬用戶的特征組合，包括用戶類型、用戶規(guī)模、用戶地區(qū)。

10、在上述的生活類建筑場景的短期用電預測方法中，訓練預測模型的訓練數(shù)據(jù)通過如下方式準備：

11、從各處獲取歷史用電數(shù)據(jù)；

12、對歷史用電數(shù)據(jù)進行數(shù)據(jù)預處理，包括，時間軸異常處理和電荷數(shù)據(jù)異常處理，對異常處理后的數(shù)據(jù)進行數(shù)據(jù)平穩(wěn)化處理和數(shù)據(jù)去噪處理；

13、將上述預處理后的數(shù)據(jù)進行數(shù)據(jù)歸一化處理并存入訓練數(shù)據(jù)倉庫；

14、將訓練數(shù)據(jù)倉庫中的數(shù)據(jù)按照數(shù)據(jù)來源進行分類，不同數(shù)據(jù)類別將被用于訓練得到不同的預測模型。

15、在上述的生活類建筑場景的短期用電預測方法中，數(shù)據(jù)采集裝置處被設置有用電數(shù)據(jù)采集狀態(tài)判決器、第一用電數(shù)據(jù)特征標簽生成器；數(shù)據(jù)接收裝置處被設置有數(shù)據(jù)傳輸狀態(tài)判決器、第二用電數(shù)據(jù)特征標簽生成器，以在數(shù)據(jù)采集過程中和數(shù)據(jù)傳輸過程中對數(shù)據(jù)進行異常數(shù)據(jù)判別和數(shù)據(jù)異常類型標識，供后續(xù)的數(shù)據(jù)預處理；

16、通過如下方式構建所述的預測模型：

17、構建基礎模型；

18、根據(jù)數(shù)據(jù)來源為各數(shù)據(jù)類別確定預測的影響因素；

19、使用每一類數(shù)據(jù)結合為其所確定的影響因素，分別訓練所述的基礎模型得到若干預測模型；

20、根據(jù)訓練每個預測模型的數(shù)據(jù)類別的數(shù)據(jù)來源獲取相應用戶的用戶id，記錄每個預測模型與相應用戶id的對應關系；

21、根據(jù)訓練數(shù)據(jù)的數(shù)據(jù)來源賦予每個預測模型相應的模型特征。

22、在上述的生活類建筑場景的短期用電預測方法中，本方法還包括：

23、用戶終端每次上線時，獲取當前用戶id，匹配系統(tǒng)數(shù)據(jù)庫的用戶庫，若匹配成功，則將采集到的當前用戶的用電數(shù)據(jù)存入相應的用戶庫；

24、若未匹配成功，則為當前用戶創(chuàng)建用戶庫，后續(xù)采集得到的該用戶的用電數(shù)據(jù)將被存入該用戶庫；

25、用戶終端首次接入本系統(tǒng)時，為用戶創(chuàng)建用戶庫以后，從用戶端獲取其采集并保存的歷史用電數(shù)據(jù)并存入所創(chuàng)建的用戶庫。

26、在上述的生活類建筑場景的短期用電預測方法中，步驟s3中，所述的輸入數(shù)據(jù)包括當前用戶的部分歷史用電數(shù)據(jù)和影響因素；

27、影響因素根據(jù)預測模型確定；

28、且所有預測模型的影響因素包括時間、溫度、周末、工作日；

29、酒店類用戶的預測模型的影響因素還包括節(jié)假日、入住率、酒店活動、平臺活動；

30、商場類用戶的預測模型的影響因素還包括節(jié)假日、商場活動；

31、輸入數(shù)據(jù)所需的歷史用電數(shù)據(jù)從當前用戶的用戶庫中獲取。

32、在上述的生活類建筑場景的短期用電預測方法中，所述的入住率通過如下方式得到：

33、入住率＝預約量*p/總房間數(shù)，p大于或等于1，為事先設置的折算率；

34、預約量是指在進行預測的當前時間，待預測時間已經(jīng)被預約的數(shù)量；

35、根據(jù)待預測時間與進行預測的當前時間的時間距離設置有不同的p。

36、在上述的生活類建筑場景的短期用電預測方法中，本方法還包括：

37、定義一個衰減因子，decay_factor，該因子隨時間距離time_distance的增加而減少：

38、decay_factor＝e-λ·time_distance

39、其中，λ是衰減率，time_distance是當前時間與待預測時間之間的距離；

40、將入住率特征替換為以下特征：

41、adjusted_occupancy＝occupancy_rate×decay_factor

42、occupancy_rate，表示入住率。

43、在上述的生活類建筑場景的短期用電預測方法中，本方法還包括：

44、為當前用戶創(chuàng)建用戶庫以后，根據(jù)當前用戶所對應的預測模型，確定關聯(lián)用戶庫；

45、當對當前用戶進行用電預測時，首先從當前用戶的用戶庫中提取預測所需要的歷史用電數(shù)據(jù)；

46、若無法從當前用戶的用戶庫獲取全部需要的歷史用電數(shù)據(jù)，則根據(jù)已提取到的歷史用電數(shù)據(jù)確定缺失數(shù)據(jù)；

47、然后從各關聯(lián)用戶庫中查找存在所述缺失數(shù)據(jù)的關聯(lián)用戶庫；

48、通過查找到的各關聯(lián)用戶庫與當前用戶庫歷史用電數(shù)據(jù)的相似程度選擇最接近的關聯(lián)用戶庫，在相應關聯(lián)用戶庫中提取相應的缺失數(shù)據(jù)，與從當前用戶的用戶庫中提取的數(shù)據(jù)組合為模型輸入用的歷史用電數(shù)據(jù)。

49、在上述的生活類建筑場景的短期用電預測方法中，本方法還包括：

50、利用概率分布函數(shù)，根據(jù)歷史每日高低溫取值，獲得歷史用電數(shù)據(jù)對應時間的氣溫；

51、構建cnn-gru氣溫預測模型，利用歷史用電數(shù)據(jù)對應時間的氣溫訓練cnn-gru氣溫預測模型；

52、對當前用戶進行用電預測時，利用概率分布函數(shù)，根據(jù)歷史每日高低溫取值，獲得歷史用電數(shù)據(jù)對應時間的氣溫；

53、使用經(jīng)過訓練的cnn-gru氣溫預測模型，以歷史用電數(shù)據(jù)對應時間的氣溫為輸入，輸出待測時間的溫度；

54、將cnn-gru氣溫預測模型輸出的溫度作為相應預測模型的溫度影響因素輸入預測模型。

55、一種生活類建筑場景的短期用電預測系統(tǒng)，用于執(zhí)行所述的方法以對目標用戶進行短期用電預測。

56、本發(fā)明的優(yōu)點在于：

57、1、本方案首先對訓練數(shù)據(jù)進行分類，使用分類數(shù)據(jù)分別訓練模型得到基于不同分類數(shù)據(jù)的預測模型，對相應的場所可使用相應的預測模型進行用電預測，能夠避免不同場所的顯著差異影響預測模型的訓練效果，確保預測模型在相應場所的預測能力；

58、并且根據(jù)訓練模型的數(shù)據(jù)記錄預測模型的模型特征，在面對具體的場所時，即使該場所未提供訓練數(shù)據(jù)，也可根據(jù)場所用戶特征與模型特征的相似程度從多個經(jīng)過不同分類數(shù)據(jù)訓練的預測模型中選擇一個最接近的預測模型進行用電預測，通過特征相似度計算，為每個場所匹配預測模型，能夠使本方案訓練的模型被用于各種場所，在無需對每個場所分別訓練一個模型的情況下保證較好預測能力；

59、2、本方案針對不同的用戶，不僅考慮了時間、工作日這些基本影響因素，而且對不同的預測模型，根據(jù)其模型特征，還考慮了各種場所特有的影響因素，如商場的節(jié)日活動，酒店的入住率等，能夠進一步確保模型對特定場所的預測精度；

60、3、本方案同時考慮了溫度這個影響因素，并且通過合理的手段實現(xiàn)了將溫度因素作為系統(tǒng)做出用電預測的一個參考。

61、4、本方案結合概率分布模型和cnn-gru模型來實現(xiàn)溫度的預測，由概率分布模型對歷史溫度數(shù)據(jù)進行預處理，使溫度預測模型基于僅具有每天溫度范圍的歷史溫度數(shù)據(jù)也能夠實現(xiàn)任意時間段的溫度預測，從而為任意時間段的用電預測提供合理準確的溫度數(shù)據(jù)，使預測模型具有更高的用電預測能力；

62、5、本方案對每個應用本方案的場所分配一用戶數(shù)據(jù)庫，對每個用戶的用電數(shù)據(jù)進行統(tǒng)一且分別保存，并且將對應同一預測模型的用戶庫進行關聯(lián)，對用戶進行預測時，預測模型預測所需要的歷史用電數(shù)據(jù)，首選從用戶庫獲取，并以最接近的關聯(lián)用戶庫為補充，即使在歷史數(shù)據(jù)不足的情況下，也能夠進行相對準確的用電預測，提高了系統(tǒng)的魯棒性和實用性；

63、6、本方案對訓練數(shù)據(jù)進行了完整且合適的處理，包括異常值處理和數(shù)據(jù)預處理，提高訓練數(shù)據(jù)的質量，從而可從訓練數(shù)據(jù)角度保證模型預測精度；

64、7、對于酒店類用戶的預測模型，將對用電影響較大的入住率作為一個影響因素輸入模型，并且通過衰減因子調整手段使入住率的權重隨著預測時間的推移而降低，適應遠期預測中入住率獲取困難的現(xiàn)實情況，通過對入住率權重的合理調整有效提高了預測模型的適應性和準確性；

65、8、本方案提出在將原始數(shù)據(jù)提供給本系統(tǒng)進行數(shù)據(jù)預處理之前先通過位于數(shù)據(jù)提供端的數(shù)據(jù)采集裝置和數(shù)據(jù)接收端的數(shù)據(jù)接收裝置對異常數(shù)據(jù)進行判別和標識，數(shù)據(jù)預處理過程只需要根據(jù)數(shù)據(jù)異常類型對數(shù)據(jù)進行預處理即可，無需再進行異常數(shù)據(jù)的判別，有效緩解大量數(shù)據(jù)在預處理過程對異常數(shù)據(jù)判別和標識帶來的計算和內(nèi)存壓力，提高了數(shù)據(jù)預處理效率。