Nothing Special   »   [go: up one dir, main page]

CN118297245A - 能源用量预测方法、装置、计算机设备和存储介质 - Google Patents

能源用量预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN118297245A
CN118297245A CN202410729160.3A CN202410729160A CN118297245A CN 118297245 A CN118297245 A CN 118297245A CN 202410729160 A CN202410729160 A CN 202410729160A CN 118297245 A CN118297245 A CN 118297245A
Authority
CN
China
Prior art keywords
energy
usage
model
data
predicted
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410729160.3A
Other languages
English (en)
Other versions
CN118297245B (zh
Inventor
黄鸿裕
李建华
相杰
范孝谋
龚薛雄
胡爱萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Contemporary Amperex Technology Co Ltd
Original Assignee
Contemporary Amperex Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Contemporary Amperex Technology Co Ltd filed Critical Contemporary Amperex Technology Co Ltd
Priority to CN202410729160.3A priority Critical patent/CN118297245B/zh
Priority claimed from CN202410729160.3A external-priority patent/CN118297245B/zh
Publication of CN118297245A publication Critical patent/CN118297245A/zh
Application granted granted Critical
Publication of CN118297245B publication Critical patent/CN118297245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/27Regression, e.g. linear or logistic regression
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种能源用量预测方法、装置、计算机设备和存储介质。所述方法包括:获取待预测能源的至少两个用量影响特征各自对应的特征排产数据;基于各特征排产数据,从预先训练得到的至少两个用量预测模型中,确定与特征排产数据匹配的目标用量预测模型;根据各特征排产数据,以及目标用量预测模型,对待预测能源进行用量预测,得到待预测能源的预测能源用量。采用本方法能够有效提高能源用量预测准确性。

Description

能源用量预测方法、装置、计算机设备和存储介质
技术领域
本申请涉及能源智能管控技术领域,特别是涉及一种能源用量预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着全球能源价格的持续上涨,能源用量管理逐渐成为众多企业在进行业务生产时所关注的核心问题,通过对能源进行有效管理,能够降低业务生产时的能源消耗,提高能源利用效率。
目前在进行业务生产时,通常是基于时间序列分析或回归分析等方法进行生产时的能源用量预测,这些方法在针对处理大量复杂数据进行能源用量预测时的准确性较低,无法满足当前的能源用量预测需求。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提高能源用量预测准确性的能源用量预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种能源用量预测方法,所述方法包括:获取待预测能源的至少两个用量影响特征各自对应的特征排产数据;针对每一所述用量影响特征,获取所述用量影响特征与所述待预测能源的能源用量相关性;基于各所述能源用量相关性,从各所述用量影响特征中确定关键影响特征;根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型;所述待预测能源的至少两个用量预测模型分别用于表征所述待预测能源在生产过程中不同的能源消耗趋势;根据各所述特征排产数据,以及所述目标用量预测模型,对所述待预测能源进行用量预测,得到所述待预测能源的预测能源用量。
上述实施例中,在进行能源用量预测时,可以获取生产时,对待预测能源的能源用量造成影响的各用量影响特征对应的特征排产数据,通过各用量影响特征各自对应的特征排产数据反映的使用待预测能源进行生产时的业务生产情况,从预先训练得到的至少两个用量预测模型中确定与特征排产数据匹配的目标用量预测模型,可以使目标用量预测模型更加符合使用待预测能源进行生产时的实际生产情况,后续根据各特征排产数据以及目标用量预测模型对待预测能源进行用量预测,能够得到更加准确的预测能源用量,有效提高了对待预测能源进行能源用量预测的准确性。另外,通过确定待预测能源的关键影响特征,基于关键影响特征来确定目标用量预测模型,能够使最终确定的目标用量预测模型的数量唯一,有效提升了目标用量预测模型的确定效率。
在其中一个实施例中,所述用量预测模型包括与各所述用量影响特征分别对应的预测子模型,所述用量预测模型中包括的各所述用量影响特征分别对应的预测子模型的模型类型相同;所述根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从至少两个所述用量预测模型中确定所述目标用量预测模型,包括:根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从所述关键影响特征对应的至少两个所述预测子模型中,确定目标预测子模型;将包含所述目标预测子模型的用量预测模型,确定为所述目标用量预测模型。
上述实施例中,先确定关键影响特征对应的至少两个预测子模型,后续直接根据关键影响特征以及关键影响特征的特征排产数据,从关键影响特征对应的各预测子模型中,确定目标预测子模型,即可将包含目标预测子模型的用量预测模型,确定为目标用量预测模型,有效提高了目标用量预测模型的确定效率,进一步提高了能源用量预测的预测效率。
在其中一个实施例中,所述用量预测模型包括存在能源预测顶点值的第一用量预测模型;所述根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从所述关键影响特征对应的至少两个所述预测子模型中,确定目标预测子模型,包括:根据所述第一用量预测模型中与所述关键影响特征对应的预测子模型的能源预测顶点值,确定所述待预测能源的模型选择数据;在基于所述模型选择数据确定所述关键影响特征的特征排产数据满足所述第一用量预测模型的使用条件的情况下,将所述第一用量预测模型中与所述关键影响特征对应的预测子模型,确定为所述目标预测子模型。
上述实施例中,通过关键影响特征对应的预测子模型的能源预测顶点值确定待预测能源的模型选择数据,并基于模型选择数据先判断关键影响特征的特征排产数据是否满足第一用量预测模型的使用条件,能够快速确定待预测能源当前的生产情况是否与第一用量预测模型匹配,在匹配的情况下直接使用第一用量预测模型,能够在提高模型确定效率的同时提供模型确定的准确性。
在其中一个实施例中,所述用量预测模型还包括第二用量预测模型,所述第二用量预测模型中的能源用量预测值与所述用量影响特征的特征排产数据正相关;所述方法还包括:在基于所述模型选择数据确定所述关键影响特征的特征排产数据不满足所述第一用量预测模型的使用条件的情况下,将所述第二用量预测模型中与所述关键影响特征对应的预测子模型确定为目标预测子模型。
上述实施例中,在确定使用第一用量预测模型对待预测能源进行能源用量预测不符合实际生产规律的情况下,通过使用能源用量预测值与用量影响特征的特征排产数据始终呈正相关的第二用量预测模型,为待预测能源进行能源用量预测,能够使待预测能源的能源用量预测过程更加符合实际生产规律,有效提高了能源用量预测的准确性。
在其中一个实施例中,在所述用量影响特征包含设备开启变量的情况下,获取所述设备开启变量对应的特征排产数据的方式,包括:基于与所述设备开启变量满足相关性条件的设备相关特征,获取所述设备相关特征的相关排产数据;根据所述待预测能源以及所述设备开启变量匹配的设备预测模型,对所述相关排产数据进行处理,得到所述设备开启变量对应的特征排产数据。
上述实施例中,针对不能直接获得特征排产数据的设备开启变量,可以使用与设备开启变量具备强相关性的设备相关特征的特征排产数据,结合预先训练得到的设备预测模型,预测得到设备开启变量的特征排产数据,能够有效增加对待预测能源进行能源用量预测时的用量影响特征的考虑维度,进而提高了能源用量预测的准确性。
在其中一个实施例中,各所述用量预测模型的训练方式包括:针对所述待预测能源的每一所述用量影响特征,获取各所述用量影响特征的历史特征数据、以及所述待预测能源的历史能源用量数据;根据各所述历史特征数据和所述历史能源用量数据,构建与各所述用量预测模型对应的训练数据集;使用各所述训练数据集,分别对所述待预测能源的初始能源预测模型进行模型训练,得到所述待预测能源的各所述用量预测模型。
上述实施例中,通过构建与各用量预测模型的实际训练需求对应的训练数据集,能够有效提高后续根据训练数据集进行模型训练后,得到的用量预测模型的预测准确性。
在其中一个实施例中,所述用量预测模型包括第一用量预测模型和第二用量预测模型;所述根据各所述历史特征数据和所述历史能源用量数据,构建与各所述用量预测模型对应的训练数据集,包括:根据各所述历史特征数据和所述历史能源用量数据确定初始训练数据集;基于所述第一用量预测模型的第一数据处理方式,对所述初始训练数据集进行数据处理,得到所述第一用量预测模型对应的第一训练数据集;基于所述第二用量预测模型的第二数据处理方式对所述初始训练数据集进行数据处理,得到所述第二用量预测模型对应的第二训练数据集。
上述实施例中,分别通过第一数据处理方式和第二数据处理方式对初始训练数据集进行数据处理,能够得到符合第一用量预测模型实际训练需求的第一训练数据集,以及符合第二用量预测模型实际训练需求的第二训练数据集,为后续第一用量训练模型和第二用量训练模型的有效训练提供了数据基础。
在其中一个实施例中,所述初始能源预测模型的数量包括至少两个;所述使用各所述训练数据集,分别对所述待预测能源的初始能源预测模型进行模型训练,得到所述待预测能源的各所述用量预测模型,包括:使用各所述训练数据集,分别基于不同的模型训练算法对所述待预测能源的至少两个初始能源预测模型进行模型训练,得到所述待预测能源的多个候选预测模型;根据所述待预测能源的模型评估参数对各所述候选预测模型进行模型预测评估,得到各所述候选预测模型的评估结果;基于各所述评估结果,从各所述候选预测模型中确定所述待预测能源的各所述用量预测模型。
上述实施例中,通过分别使用不同模型训练算法对各初始能源预测模型进行模型训练,从中选择评估结果最优的用量预测模型,能够有效提高最终确定的用量预测模型的预测准确性和稳定性,进而提高了实际用量预测时的能源用量预测准确性和稳定性。
第二方面,本申请还提供了一种能源用量预测装置,所述装置包括:排产数据获取模块,用于获取待预测能源的至少两个用量影响特征各自对应的特征排产数据;模型确定模块,用于针对每一所述用量影响特征,获取所述用量影响特征与所述待预测能源的能源用量相关性;基于各所述能源用量相关性,从各所述用量影响特征中确定关键影响特征;根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型;所述待预测能源的至少两个用量预测模型分别用于表征所述待预测能源在生产过程中不同的能源消耗趋势;用量预测模块,用于根据各所述特征排产数据,以及所述目标用量预测模型,对所述待预测能源进行用量预测,得到所述待预测能源的预测能源用量。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述能源用量预测方法、装置、计算机设备、存储介质和计算机程序产品,在进行能源用量预测时,可以获取生产时,对待预测能源的能源用量造成影响的各用量影响特征对应的特征排产数据,通过各用量影响特征各自对应的特征排产数据反映的使用待预测能源进行生产时的业务生产情况,从预先训练得到的至少两个用量预测模型中确定与特征排产数据匹配的目标用量预测模型,可以使目标用量预测模型更加符合使用待预测能源进行生产时的实际生产情况,后续根据各特征排产数据以及目标用量预测模型对待预测能源进行用量预测,能够得到更加准确的预测能源用量,有效提高了对待预测能源进行能源用量预测的准确性。
附图说明
图1为一些实施例中能源用量预测方法的应用环境图;
图2为一些实施例中能源用量预测方法的流程示意图;
图3为一些实施例中基于各特征排产数据,从预先训练得到的至少两个用量预测模型中确定与特征排产数据匹配的目标用量预测模型的流程示意图;
图4为一些实施例中根据关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从关键影响特征对应的至少两个预测子模型中,确定目标预测子模型的流程示意图;
图5为另一些实施例中根据关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从关键影响特征对应的至少两个预测子模型中,确定目标预测子模型的流程示意图;
图6为一些实施例中各用量预测模型的训练方式的流程示意图;
图7为一些实施例中根据各历史特征数据和历史能源用量数据,构建与各用量预测模型对应的训练数据集的流程示意图;
图8为一些实施例中使用各训练数据集,分别对待预测能源的初始能源预测模型进行模型训练,得到待预测能源的各用量预测模型的流程示意图;
图9为另一些实施例中能源用量预测方法的流程示意图;
图10为一些实施例中能源用量预测方法装置的结构框图;
图11为一些实施例中计算机设备的内部结构图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案,因此只作为示例,而不能以此来限制本申请的保护范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一些实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中,术语“多个”指的是两个以上(包括两个),同理,“多组”指的是两组以上(包括两组),“多片”指的是两片以上(包括两片)。
在本申请实施例的描述中,技术术语“中心”“纵向”“横向”“长度”“宽度”“厚度”“上”“下”“前”“后”“左”“右”“竖直”“水平”“顶”“底”“内”“外”“顺时针”“逆时针”“轴向”“径向”“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请实施例的限制。
在本申请实施例的描述中,除非另有明确的规定和限定,技术术语“安装”“相连”“连接”“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;也可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请实施例中的具体含义。
为了能够降低业务生产所产生的能源消耗、提高能源利用率,如何对业务生产时可能产生的能源消耗量进行预测,并基于预测结果进行能源用量管理,逐渐成为了众多企业在进行业务生产所需要面对的核心问题。
目前对业务生产过程中的能源用量进行预测,通常采用的都是基于时间序列分析或回归分析等预测方法,这些方法在针对处理大量复杂数据进行能源用量预测时的准确性较低,而使用少量的排产数据进行能源用量预测,也可能会由于用量预测考虑数据太少而导致的预测准确性较低。
为了能够有效提高能源用量的预测准确性,在针对待预测能源进行能源用量预测时,可以获取待预测能源的至少两个用量影响特征各自对应的特征排产数据,多个用量影响特征各自对应的特征排产数据能够更加准确地反映使用待预测能源进行生产时的业务生产情况,而基于各用量影响特征各自对应的特征排产数据,从预先训练得到的至少两个用量预测模型中确定的目标用量预测模型,自然也可以使目标用量预测模型能够更加符合使用待预测能源进行生产时的实际生产情况,后续根据各特征排产数据以及目标用量预测模型对待预测能源进行用量预测,能够得到更加准确的预测能源用量,有效提高了对待预测能源进行能源用量预测的准确性。
本申请实施例提供的能源用量预测方法,可以应用于如图1所示的应用环境中。其中,用量预测平台102通过网络与业务系统104进行通信。数据存储系统可以存储用量预测平台102需要处理的数据。数据存储系统可以集成在用量预测平台102上,也可以放在云上或其他网络服务器上。在需要对待预测能源进行能源用量预测的情况下,用量预测平台102可以从业务系统104获取待预测能源的至少两个用量影响特征对应的特征排产数据,基于各特征排产数据,从预先训练得到的至少两个用量预测模型中,确定与特征排产数据匹配的目标用量预测模型,根据各特征排产数据以及目标用量预测模型,对待预测能源进行用量预测,得到待预测能源的预测能源用量。
其中,用量预测平台102是用于根据实际生产时的排产数据,对至少一种待预测能源的能源用量进行用量预测的平台,用量预测平台102可以集成在终端或管理系统上,其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。管理系统可以是业务生产时使用的能源管理系统,例如在电力储能业务场景中,能源管理系统可以是EMS系统。可以理解的,管理系统可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
业务系统104是进行业务生产管理的管理系统,可以用于实现业务生产排产、生产数据存储、生产监测、生产管控等相关业务管理功能,业务系统104上存储有进行业务生产的相关生产数据,例如进行当前业务生产的排产数据和历史业务生产过程中产生的历史生产数据等。业务系统104也可以通过独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中,如图2所示,提供了一种能源用量预测方法,以该方法应用于图1中的用量预测平台为例进行说明,包括以下步骤:
S202,获取待预测能源的至少两个用量影响特征各自对应的特征排产数据。
其中,待预测能源是指在业务生产时,需要通过预测能源用量进行能源管理的生产使用能源,例如电能、天然气、蒸汽、水能等。不同的业务生产环境对应需要进行能源预测的待预测能源种类和数量可能不同,例如在以电能为主要消耗能源的生产环境中,待预测能源可以为电能,在以电能和水能为主要消耗能源的生产环境中,待预测能源可以为电能和水能。可以理解的,在存在多个待预测能源时,可以针对每一待预测能源进行相应的能源用量预测操作。
其中,待预测能源的用量影响特征也可以认为是待预测能源的用量影响因素,是指在生产时能够对待预测能源的能源用量产生影响,且产生影响的程度满足预设程度条件的变量因素,当用量影响特征的特征数据发生变化时,待预测能源的能源用量也会随之变化。
在实际生产中,可能对使用能源的能源用量产生影响的因素有多种,例如在一些实施例中,常见的影响特征可以包括产品的产量、生产时的室外环境、室内环境、产品的品种和体系、设备开启变量、异常工况等。不同的待预测能源,或同一待预测能源在不同的业务生产场景中,对应的用量影响特征可能会存在不同。
在其中一些实施例中,用量预测平台中预先设置有能源与影响特征的对应关系,用量预测平台在确定了待预测能源后,即可在能源与影响特征的对应关系中查找与待预测能源匹配的多个用量影响特征。
除此之外,为了能够有效提高待预测能源的能源用量预测准确性,也可以通过影响特征与待预测能源的能源用量的相关性,来确定待预测能源的用量影响特征。例如,在一些实施例中,用量预测平台可以获取各影响特征的历史特征数据,以及与历史特征数据对应的历史能源用量数据,再基于历史特征数据以及历史能源用量数据,调用预设的相关性计算方式,确定各影响特征与待预测能源的能源用量的相关性,基于各影响特征与待预测能源的能源用量的相关性,确定待预测能源的多个用量影响特征。
在其中一些实施例中,用量预测平台可以采用降序排序的方式,得到各影响特征与待预测能源的能源用量的相关性序列,将从相关性序列的首位到预设位数的相关性对应的影响特征确定为待预测能源的用量影响特征。例如在预设位数为3的情况下,可以将相关性序列中从第1位到第3位的相关性对应的影响特征确定为待预测能源的用量影响特征。
在其中一些实施例中,用量预测平台也可以将各影响特征与待预测能源的能源用量的相关性分别与预设的相关性阈值进行比较,将大于或等于相关性阈值的相关性对应的影响特征确定为待预测能源的用量影响特征。例如在预设的相关性阈值为80%的情况下,可以将各影响特征与待预测能源的能源用量的相关性中,相关性大于或等于80%的影响特征确定为待预测能源的用量影响特征。
其中,用量影响特征对应的特征排产数据,是可以反映在实际生产阶段,用量影响特征的理论特征值的数据信息。用量影响特征对应的特征排产数据可以由业务系统根据实际生产计划进行排产时确定,因此,待预测能源的用量特征对应的特征排产数据能够反映使用待预测能源进行生产时的业务生产情况。
在业务生产领域,排产是指将生产任务分配至生产资源的过程,在其中一些实施例中,业务系统在得到业务生产的生产计划后,可以根据生产计划确定生产任务,再基于生产任务以及生产环境的环境情况进行排产,此时,用量影响特征将会被分配相应的特征排产数据。
例如,当用量影响特征为产量时,业务系统可以根据实际的生产计划,确定当前生产周期需要完成的生产产量,将该生产产量确定为产量这一用量影响特征的特征排产数据。又例如,当用量影响特征为室外环境的情况下,业务系统可以根据实际生产计划,确定本轮次生产的生产周期,根据生产周期,确定在生产周期内,生产环境的室外环境数据,将生产环境的室外环境数据确定为室外环境这一用量影响特征的特征排产数据。
在一些实施例中,在对待预测能源存在能源用量预测需求的情况下,用量预测平台可以从业务系统中获取待预测能源的至少两个用量影响特征各自对应的特征排产数据。
在其中一些实施例中,用量预测平台可以响应于针对待预测能源的能源用量预测指令,根据待预测能源从能源与影响特征的预设对应关系中确定与待预测能源相匹配的至少两个用量影响特征,再基于各用量影响特征,向业务系统发送排产数据获取指令,接收业务系统返回的各用量影响特征各自对应的特征排产数据。
S204,基于各特征排产数据,从预先训练得到的至少两个用量预测模型中,确定与特征排产数据匹配的目标用量预测模型。
其中,用量预测模型是用于根据实际的特征排产数据,对生产过程中待预测能源的能源用量进行用量预测的预设模型,可以表征待预测能源在生产过程中的能源消耗趋势。用量预测模型可以通过待预测能源的各用量影响特征对应的历史特征数据,以及待预测能源的历史能源用量数据预先训练得到。
在用量预测平台中,针对每一个待预测能源均配置了至少两个用量预测模型,可以理解的,同一个待预测能源的至少两个用量预测模型的模型类型不同,即同一个待预测能源的至少两个用量预测模型,分别能够表征待预测能源在生产过程中不同的能源消耗趋势。在其中一些实施例中,各用量预测模型可以分别与使用待预测能源进行生产的各业务生产情况一一对应。
在一些实施例中,用量预测平台在获取到各特征排产数据的情况下,可以基于各特征排产数据所反映的进行生产时的业务生产情况,从针对待预测能源预先训练得到的至少两个用量预测模型中,确定与特征排产数据匹配的目标用量预测模型,目标用量预测模型也可以认为是各用量预测模型中,与后续实际生产时的业务生产情况更加匹配的用量预测模型。
S206,根据各特征排产数据,以及目标用量预测模型,对待预测能源进行用量预测,得到待预测能源的预测能源用量。
在一些实施例中,用量预测平台在确定了待预测能源的目标用量预测模型后,即可根据获取到的各特征排产数据,以及目标用量预测模型,对待预测能源进行用量预测,得到待预测能源的预测能源用量。
在其中一些实施例中,用量预测平台可以将各特征排产数据作为模型的输入参数,输入到目标用量预测模型中,基于目标用量预测模型对待预测能源进行用量预测,获取目标用量预测模型输出的待预测能源的预测能源用量。
在其中一些实施例中,为了提高用量预测的准确性,用量预测平台可以基于预设的数据预处理方式,对各特征排产数据进行数据预处理,将各特征排产数据中可能出现的异常数据、重复数据等进行处理,将处理后的各特征排产数据作为模型的输入参数,输入到目标用量预测模型中,基于目标用量预测模型对待预测能源进行用量预测,获取目标用量预测模型输出的待预测能源的预测能源用量。
在其中一些实施例中,为了能够降低由于各用量影响特征对应的特征数据数量级相差较大而影响预测准确性的风险,用量预测平台还可以对各特征排产数据进行标准化处理。
上述能源用量预测方法中,在进行能源用量预测时,可以获取生产时,对待预测能源的能源用量造成影响的各用量影响特征对应的特征排产数据,通过各用量影响特征各自对应的特征排产数据反映的使用待预测能源进行生产时的业务生产情况,从预先训练得到的至少两个用量预测模型中确定与特征排产数据匹配的目标用量预测模型,可以使目标用量预测模型更加符合使用待预测能源进行生产时的实际生产情况,后续根据各特征排产数据以及目标用量预测模型对待预测能源进行用量预测,能够得到更加准确的预测能源用量,有效提高了对待预测能源进行能源用量预测的准确性。
在进行能源用量预测时,目标用量预测模型的选择将直接影响到能源用量预测的准确性,因此,目标用量预测模型的确定是提高预测准确性的关键步骤。
在一些实施例中,S204,基于各所述特征排产数据,从预先训练得到的至少两个用量预测模型中,确定与所述特征排产数据匹配的目标用量预测模型,可以包括:从各用量影响特征中确定关键影响特征,基于关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型。其中,关键影响特征可以认为是在进行目标用量预测模型选择时,各用量影响特征中具备最高优先级的影响特征。由于待预测能源存在多个用量影响特征,在基于用量影响特征对应的特征排产数据进行模型选择时,可能会存在不同用量影响特征会对应选出不同的目标用量预测模型的情况,因此,需要从各用量影响特征中确定出一个关键的用量影响特征,通过关键影响特征从多个用量预测模型中选择唯一的目标用量预测模型。
进一步的,在其中一些实施例中,关键影响特征可以是用户基于实际生产需求确定的模型选择特征。例如用户在确定产量是整个业务生产过程中主要需要考虑的影响特征,那么可以将产量直接确定为关键影响特征。用量预测平台在进行目标用量预测模型的确定时,可以直接根据各用量影响特征的特征标识,确定待预测能源的关键影响特征。
而在另一些实施例中,关键影响特征也可以是与待预测能源具备最高相关性的用量影响特征。此时如图3所示,S204,基于各特征排产数据,从预先训练得到的至少两个用量预测模型中确定与特征排产数据匹配的目标用量预测模型,包括:
S302,针对每一用量影响特征,获取用量影响特征与待预测能源的能源用量相关性。
在一些实施例中,用量预测平台可以针对待预测能源的每一用量影响特征,分别获取每一用量影响特征与待预测能源的能源用量相关性。
在其中一些实施例中,用量预测平台中预先存储有待预测能源的各用量影响特征与待预测能源各自的能源用量相关性,用量预测平台可以直接从存储区域中获取每一用量影响特征与待预测能源的能源用量相关性。
在其中一些实施例中,用量预测平台中预先配置有相关性计算方式,可以根据各用量影响特征的历史特征数据和待预测能源的历史能源用量数据,使用相关性计算方式实时计算得到每一用量影响特征与待预测能源的能源用量相关性。
S304,基于各能源用量相关性,从各用量影响特征中确定关键影响特征。
在一些实施例中,用量预测平台可以将各能源用量相关性中,最大能源用量相关性所属的用量影响特征确定为待预测能源的关键影响特征。
S306,根据关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型。
在一些实施例中,用量预测平台在确定待预测能源的关键影响特征后,可以从各特征排产数据中确定关键影响特征的特征排产数据,并根据关键影响特征以及关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型。
上述实施例中,通过确定待预测能源的关键影响特征,基于关键影响特征来确定目标用量预测模型,能够使最终确定的目标用量预测模型的数量唯一,有效提升了目标用量预测模型的确定效率,进而提高了能源用量预测的预测效率。
由于在进行用量预测时,用量预测平台是基于待预测能源的多个用量影响特征进行预测,因此,在一些实施例中,用量预测模型包括与各用量影响特征分别对应的预测子模型,用量预测模型中包括的各用量影响特征分别对应的预测子模型的模型类型相同。
S306,根据关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型,包括:
根据关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从关键影响特征对应的至少两个预测子模型中,确定目标预测子模型。将包含目标预测子模型的用量预测模型,确定为目标用量预测模型。
其中,用量预测模型包括与待预测能源的各用量影响特征分别对应的预测子模型,可以理解的,预测子模型可以用于表征待预测能源在该预测子模型对应的用量影响特征中的能源用量消耗趋势。
同属于一个用量预测模型的各预测子模型的模型类型相同,都是所属用量预测模型的模型类型。而模型类型相同,可以理解为相应的能源用量消耗趋势走势大致相同,例如若某个用量预测模型所表征的能源用量消耗趋势为平稳上升趋势,则可以认为该用量预测模型中所有的预测子模型所表征的能源用量消耗趋势同样为平稳上升趋势。
由于待预测能源对应有至少两个用量预测模型,而每个用量预测模型中都会包括与各用量影响特征分别对应的预测子模型,因此,关键影响特征也会对应有至少两个预测子模型,每个预测子模型属于不同的用量预测模型,即同一个用量影响特征对应的多个预测子模型的模型类型不同。
在一些实施例中,用量预测平台在确定关键影响特征以及关键影响特征的特征排产数据后,可以基于关键影响特征以及关键影响特征的特征排产数据,从关键影响特征对应的至少两个预测子模型中,确定目标预测子模型,将包含目标预测子模型的用量预测模型确定为目标用量预测模型。
本实施例中,先确定关键影响特征对应的至少两个预测子模型,后续直接根据关键影响特征以及关键影响特征的特征排产数据,从关键影响特征对应的各预测子模型中,确定目标预测子模型,即可将包含目标预测子模型的用量预测模型,确定为目标用量预测模型,有效提高了目标用量预测模型的确定效率,进一步提高了能源用量预测的预测效率。
为待预测能源预先训练多个用量预测模型的目的,是为了能够使待预测能源的用量预测模型能够覆盖待预测能源在实际生产时的各种生产情况,而在实际生产时,存在能源预测顶点值的用量预测模型是具备较高预测精度的预测模型。
在一些实施例中,用量预测模型包括存在能源预测顶点值的第一用量预测模型,如图4所示,根据关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从关键影响特征对应的至少两个预测子模型中,确定目标预测子模型,包括:
S402,根据第一用量预测模型中与关键影响特征对应的预测子模型的能源预测顶点值,确定待预测能源的模型选择数据。
其中,由于存在能源预测顶点值的第一用量预测模型在某些生产情况下具备更高的预测准确性,因此在进行目标用量预测模型选择时,可以优先考虑是否可以使用第一用量预测模型进行用量预测。
将第一用量预测模型所表征的能源消耗趋势用曲线形式表现,那么存在能源预测顶点值的曲线将会包括趋势上升区间和趋势下降区间,不同的区间对应了不同的生产情况,而能源预测顶点值可以认为是不同区间的分界线。可以理解的,由于第一用量预测模型中包括有多个预测子模型,那么第一用量预测模型中也会包括有多个预测子模型的能源预测顶点值。
在一些实施例中,用量预测平台可以根据关键影响特征,从第一用量预测模型中确定与关键影响特征对应的预测子模型,随后根据与关键影响特征对应的预测子模型的能源预测顶点值,确定待预测能源的模型选择数据。其中,模型选择数据是用于进行第一用量预测模型的使用条件校验的模型数据。模型选择数据可以基于关键影响特征对应的预测子模型的能源预测顶点值确定。
在其中一些实施例中,用量预测平台可以将能源预测顶点值对应历史特征数据确定为待预测能源的模型选择数据。
在其中一些实施例中,用量预测平台可以基于能源预测顶点值,确定第一用量预测模型中处于趋势上升区间的历史特征数据所构成的数值区间为待预测能源的模型选择数据。
在其中一些实施例中,第一用量预测模型可以为二次变换模型,二次变换模型所表征的能源消耗趋势可以认为是呈抛物线趋势,因此会存在能源用量预测顶点值,能源用量预测顶点值处于抛物线的对称轴上。
S404,在基于模型选择数据确定关键影响特征的特征排产数据满足第一用量预测模型的使用条件的情况下,将第一用量预测模型中与关键影响特征对应的预测子模型,确定为目标预测子模型。
其中,第一用量预测模型的使用条件是用于判断待预测能源是否可以使用第一用量预测模型进行能源用量预测的预设判断条件。
在一些实施例中,用量预测平台可以基于模型选择数据,确定关键影响特征的特征排产数据是否满足第一用量预测模型的使用条件,在确定关键影响特征的特征排产数据满足第一用量预测模型的使用条件的情况下,说明第一用量预测模型与当前特征排产数据相匹配,即与当前的业务生成情况相匹配。用量预测平台可以将第一用量预测模型中与关键影响特征对应的预测子模型,确定为目标预测子模型。
在其中一些实施例中,在模型选择数据为能源预测顶点值对应的历史特征数据的情况下,第一用量预测模型的使用条件可以是关键影响特征的特征排产数据小于模型选择数据,若关键影响特征的特征排产数据满足第一用量预测模型的使用条件,则可以说明关键影响特征的特征排产数据在上升趋势中,符合实际业务生产规律,可以将第一用量预测模型中与关键影响特征对应的预测子模型,确定为目标预测子模型,即将第一用量预测模型确定为目标用量预测模型。
在其中一些实施例中,在模型选择数据为处于趋势上升区间的历史特征数据所构成的数值区间的情况下,第一用量预测模型的使用条件可以是关键影响特征的特征排产数据属于该数值区间。
上述实施例中,通过关键影响特征对应的预测子模型的能源预测顶点值确定待预测能源的模型选择数据,并基于模型选择数据先判断关键影响特征的特征排产数据是否满足第一用量预测模型的使用条件,能够快速确定待预测能源当前的生产情况是否与第一用量预测模型匹配,在匹配的情况下直接使用第一用量预测模型,能够在提高模型确定效率的同时提供模型确定的准确性。
在另一些实施例中,用量预测模型还包括第二用量预测模型,第二用量预测模型中的能源用量预测值与用量影响特征的特征排产数据正相关。如图5所示,能源用量预测方法还包括:
S502,在基于模型选择数据确定关键影响特征的特征排产数据不满足第一用量预测模型的使用条件的情况下,将第二用量预测模型中与关键影响特征对应的预测子模型确定为目标预测子模型。
其中,第二用量预测模型中能源预测值与用量影响特征的特征排产数据正相关,是指随着用量影响特征的特征排产数据增加,能源用量预测值也随之增加。从曲线上来看,第二用量预测模型的能源消耗曲线可以认为是一条持续上升的曲线。
在其中一些实施例中,第二用量预测模型可以为对数变换模型,对数变换模型所表征的能源消耗趋势可以认为是线性上升趋势,能够解决第一用量预测模型所存在的用能过顶点问题。
在一些实施例中,用量预测平台在基于模型选择数据确定关键影响特征的特征排产数据不满足第一用量预测模型的使用条件的情况下,说明此时关键影响特征的特征排产数据落入了第一用量预测模型的趋势下降区间,此时随着特征排产数据的增加,待预测能源的能源预测用量反而会下降,这明显是不符合实际生产规律的,因此,用量预测平台为了使待预测能源的用量预测过程符合实际生产规律,可以将第二用量预测模型中,与关键影响特征对应的预测子模型确定为目标预测子模型,即将能源用量预测值与用量影响特征的特征排产数据始终呈正相关的第二用量预测模型确定为目标用量预测模型。
本实施例中,在确定使用第一用量预测模型对待预测能源进行能源用量预测不符合实际生产规律的情况下,通过使用能源用量预测值与用量影响特征的特征排产数据始终呈正相关的第二用量预测模型,为待预测能源进行能源用量预测,能够使待预测能源的能源用量预测过程更加符合实际生产规律,有效提高了能源用量预测的准确性。
除了正常生产情况外,生产时的异常生产情况,例如特殊工况等也是需要考虑的影响因素。以第一用量预测模型可以为二次变换模型、第二用量预测模型为对数变换模型进行举例,在其中一些实施例中,在业务生产为正常生产的情况下,可以默认模型所表征的能源消耗趋势为开口向下的抛物线趋势。
在另一些实施例中,在业务生产存在异常生产的情况下,例如在切拉、复拉等特殊工况的情况下,模型所表征的能源消耗趋势可能会为开口向上的抛物线趋势,在这种情况下,进行目标用量预测模型确定时,还需要考虑抛物线的开口方向。
因此,在一些实施例中,需要先确定关键影响特征对应的预测子模型所表征抛物线的开口方向。在抛物线为开口向上的情况下,如果关键影响特征的特征排产数据小于模型选择数据,这是可以说明关键影响特征的特征排产数据在下降趋势中,不符合实际业务生产规律,这时可以认为生产处于特殊工况中,可以调用特殊工况对应的异常工况用量预测模型,对生产时的能源用量进行准确预测。
而在抛物线为开口向上的情况下,如果关键影响特征的特征排产数据大于或等于抛物线对称轴,且,小于前段工序及后段工序设备满开时对应的最小产量,则可以直接采用二次模型作为待预测能源的目标用量预测模型。如果关键影响特征的特征排产数据大于或等于前段工序及后段工序设备满开时对应的最小产量,则可以采用对数变换模型作为待预测能源的目标用量预测模型。
待预测能源的用量影响特征中,除了包含能够直接得到特征排产数据的影响特征,例如产量、室外环境等,还可能包含有无法直接得到特征排产数据的影响特征,例如设备开启变量。
在一些实施例中,在用量影响特征包含设备开启变量的情况下,获取设备开启变量对应的特征排产数据的方式,包括:
基于与设备开启变量满足相关性条件的设备相关特征,获取设备相关特征的相关排产数据。根据待预测能源以及设备开启变量匹配的设备预测模型,对相关排产数据进行处理,得到设备开启变量对应的特征排产数据。
其中,设备开启变量是指在按照排产计划进行实际生产时,生产环境中需要开启的设备的数量,或者是需要开启的设备的种类和数量。
设备相关特征,是指与设备开启变量这一用量影响特征存在特征相关性,且特征相关性满足相关性条件的影响特征。可以理解的,设备相关性特征是可以直接获得特征排产数据的影响特征,可以是待预测能源的多个用量影响特征中的一个或多个,也可以是其他的影响特征,即非待预测能源的多个用量影响特征中的一个或多个。
由于在进行能源用量预测时,并未真实启动生产,因此生产时的设备开启情况为未知情况,设备开启变量的特征排产数据需要根据与设备开启变量具备强相关性的设备相关特征的特征排产数据进行预测得到。例如在一些实施例中,产量可以认为是与设备开启变量具备强相关性的设备相关特征,可以通过产量的特征排产数据预测设备开启变量的特征排产数据。
其中,相关性条件即判断影响特征是否与设备开启变量存在强相关性的预设判断条件,在其中一些实施例中。相关性条件可以为影响特征与设备开启变量之间的相关性高于预设的阈值,例如高于85%。
设备预测模型是用于根据设备相关特征的特征排产数据预测实际生产时设备开启情况的预测模型,可以预先根据设备相关特征对应的历史特征数据和设备开启变量的历史变量数据对初始预测模型进行训练后得到。可以理解的,不同待预测能源设备开启变量对应的设备预测模型不同。
在一些实施例中,用量预测平台在确定待预测能源的用量影响特征包括设备开启变量的情况下,可以先确定与设备开启变量满足相关性条件的设备相关特征,随后获取设备相关性特征的相关排产数据,将相关排产数据输入到与设备开启变量匹配的设备预测模型中,通过设备预测模型对相关排产数据进行处理,获取设备预测模型输出的特征排产数据,该特征排产数据集设备开启变量对应的特征排产数据。
在其中一些实施例中,用量预测平台预先设置了与各待预测能源的设备开启变量对应的设备相关特征,可以直接根据待预测能源的能源标识,从设备开启变量与设备相关性特征的预设对应关系中,查找与待预测能源的设备开启变量对应的设备相关性特征。
上述实施例中,针对不能直接获得特征排产数据的设备开启变量,可以使用与设备开启变量具备强相关性的设备相关特征的特征排产数据,结合预先训练得到的设备预测模型,预测得到设备开启变量的特征排产数据,能够有效增加对待预测能源进行能源用量预测时的用量影响特征的考虑维度,进而提高了能源用量预测的准确性。
能源用量预测的准确性的提高除了依赖目标用量预测模型的选择准确性外,待预测能源的各用量预测模型的训练效果也是一大影响因素。以下将通过几个实施例对用量预测模型的训练方式进行说明。
在一些实施例中,如图6所示,各用量预测模型的训练方式包括以下步骤:
S602,针对待预测能源的每一用量影响特征,获取各用量影响特征的历史特征数据、以及待预测能源的历史能源用量数据。
其中,各用量影响特征的历史特征数据和待预测能源的历史能源用量数据,均是业务系统在历史业务生产过程中所产生并存储的实际生产数据。
在一些实施例中,用量预测平台在为待预测能源训练相应的用量预测模型时,可以针对待预测能源的每一用量影响特征,从业务系统中获取各用量影响特征的历史特征数据,以及待预测能源的历史能源用量数据。
在其中一些实施例中,用量预测平台可以根据预设的历史数据周期,从业务系统中获取各用量影响特征的历史特征数据,以及待预测能源的历史能源用量数据,可以理解的,历史数据周期可以由设计人员根据实际的业务生产场景确定,通过获取历史数据周期内的历史特征数据和历史能源用量数据,能够在降低数据处理复杂度的同时也一定程度上提高了历史数据的有效性。
在其中一些实施例中,用量预测平台也可以为各种类别的能源构建相应的历史数据库,例如首先确定与各种类别能源的能源用量可能存在相关性的候选特征,再根据候选特征,从业务系统中获取各候选特征的历史特征数据,以及各种类别能源的历史能源用量数据,构建各种类别能源对应的历史数据库,随后用量预测平台可以为各候选特征与各种类别能源的能源用量做相关性分析,确定各种类别能源分别对应的各用量影响特征,从而确定各种类别能源对应的历史特征数据和历史能源用量数据。
在一些实施例中,用量预测平台可以采用皮尔逊相关系数,针对每一种类别能源中各候选特征的历史特征数据和历史能源用量,测算各候选特征与能源用量的相关性。
S604,根据各历史特征数据和历史能源用量数据,构建与各用量预测模型对应的训练数据集。
在一些实施例中,由于每一待预测能源的各用量预测模型的模型类型不同,因此,在对各用量预测模型进行模型训练时,使用的训练数据的数据形式也不相同,用量预测平台在得到各历史特征数据和历史能源用量数据后,需要先构建一个初始训练数据集,再对初始训练数据集中的历史数据按照各用量预测模型的实际训练需求进行数据变换,为各用量预测模型构建对应的训练数据集。
在其中一些实施例中,由于业务生产过程可能存在的生产周期性,因此,用量预测平台所获取到的历史特征数据与历史能源用量数据可能会存在不匹配的问题,例如在生产周期为j天的时候,当天由于生产所消耗的能源用量生产的产品需要在j天才能完全形成,那么当天的能源用量数据实际匹配的应该是j天后的生产数据,因此,为了能够提高历史特征数据与历史能源用量数据的匹配性,用量预测平台在得到各历史特征数据和历史能源用量数据后,可以根据生产周期,确定与各历史特征数据实质匹配的历史能源用量数据,例如可以将提取到的历史能源用量数据与滚动j天后对应的历史特征数据匹配。
在其中一些实施例中,为了能够提高模型训练的准确性,用量预测平台还可以对获取到的历史能源用量数据和历史特征数据进行数据预处理,以提高训练数据的数据质量,进而提高模型训练的准确性。
将历史能源用量数据和与其对应的历史特征数据统称为历史数据,例如,在其中一些实施例中,用量预测平台可以对各历史数据进行缺失值定位,确定各历史数据中的缺失值,随后根据缺失值的数据类型,确定各缺失值对应的数据处理方式,基于各缺失值对应的数据处理方式对各缺失值进行处理,提高历史数据的完整性。例如对于室外环境的缺失值,可以采用历史数据进行填充处理,而对于产量的缺失值,可以先判断当天是否生产,如果当天生产,则可以认为收集的产量数据存在错误,需要核对产量数据的准确性。如果当天未生产,则可以直接删除缺失值。
在另一些实施例中,用量预测平台还可以对历史数据中的重复值和异常值进行删除处理,以历史数据的异常值进行举例,用量预测平台可以对历史数据采用例如3sigma方法,剔除历史数据中的离群点,根据3sigma原理,当某个样本小于均值减去3倍方差时,或者大于均值加上3倍方差时发生的概率为0.3%,则定义为异常值。
在其中一些实施例中,针对一些异常的工况对应的历史数据,例如切拉、复拉、调试、特定生产期、有产量无能源用量、无产量有能源用量等异常工况的历史数据,用量预测平台可以为异常工况的历史数据构建独立数据库,便于后续单独建立异常工况预测模型,设置异常工况对应的用能标准。
S606,使用各训练数据集,分别对待预测能源的初始能源预测模型进行模型训练,得到待预测能源的各用量预测模型。
其中,初始能源预测模型是指未经过模型训练的初始模型,具备初始的预测模型架构。
在一些实施例中,用量预测平台在构建了各用量预测模型对应的各训练数据集后,可以使用各训练数据集,分别对待预测能源的初始能源预测模型进行模型训练,得到待预测能源的各用量预测模型。例如若待预测能源有3个用量预测模型,则用量预测平台需要通过3组训练数据集分别对初始能源预测模型进行模型训练,得到训练完成的3个用量预测模型。
上述实施例中,通过构建与各用量预测模型的实际训练需求对应的训练数据集,能够有效提高后续根据训练数据集进行模型训练后,得到的用量预测模型的预测准确性。
与实际使用时一样,在一些实施例中,用量预测模型可以包括第一用量预测模型和第二用量预测模型,第一用量预测模型存在能源预测顶点值,第二用量预测模型中的能源用量预测值与用量影响特征的特征排产数据呈正相关。
如图7所示,S604,根据各历史特征数据和历史能源用量数据,构建与各用量预测模型对应的训练数据集,包括:
S702,根据各历史特征数据和历史能源用量数据确定初始训练数据集。
在一些实施例中,用量预测平台可以根据各历史特征数据和历史能源用量数据确定初始训练数据集,初始训练数据集中包含有多组匹配的历史特征数据和历史能源用量数据。
S704,基于第一用量预测模型的第一数据处理方式,对初始训练数据集进行数据处理,得到第一用量预测模型对应的第一训练数据集。
其中,第一用量预测模型的第一数据处理方式,是指能够对初始训练数据集中各训练数据进行数据处理,得到符合第一用量预测模型实际训练需求的训练数据集的预设数据处理方式。
在一些实施例中,用量预测平台可以根据第一用量预测模型,确定第一用量预测模型的第一数据处理方式,随后基于第一数据处理方式,对初始训练数据集中各初始训练数据进行数据处理,得到第一用量预测模型对应的第一训练数据集。
在其中一些实施例中,第一用量预测模型可以为二次变换模型,对应的第一数据处理方式可以为对初始训练数据进行二次变换处理。
S706,基于第二用量预测模型的第二数据处理方式对初始训练数据集进行数据处理,得到第二用量预测模型对应的第二训练数据集。
其中,第二用量预测模型的第二数据处理方式,是指能够对初始训练数据集中各训练数据进行数据处理,得到符合第二用量预测模型实际训练需求的训练数据集的预设数据处理方式。
在一些实施例中,用量预测平台可以根据第二用量预测模型,确定第二用量预测模型的第二数据处理方式,随后基于第二数据处理方式,对初始训练数据集中各初始训练数据进行数据处理,得到第二用量预测模型对应的第二训练数据集。
在其中一些实施例中,第二用量预测模型可以为对数变换模型,对应的第二数据处理方式可以为对初始训练数据进行取对数变换处理。
上述实施例中,分别通过第一数据处理方式和第二数据处理方式对初始训练数据集进行数据处理,能够得到符合第一用量预测模型实际训练需求的第一训练数据集,以及符合第二用量预测模型实际训练需求的第二训练数据集,为后续第一用量训练模型和第二用量训练模型的有效训练提供了数据基础。
在一些实施例中,初始能源预测模型的数量包括至少两个,各初始能源预测模型分别对应不同的模型训练算法。如图8所示,S606,使用各训练数据集,分别对待预测能源的初始能源预测模型进行模型训练,得到待预测能源的各用量预测模型,包括:
S802,使用各训练数据集,分别基于不同的模型训练算法对待预测能源的至少两个初始能源预测模型进行模型训练,得到待预测能源的多个候选预测模型。
其中,为了能够提高用量预测模型的模型预测精度和稳定性,用量预测平台可以配置有多个初始能源预测模型,针对每个初始能源预测模型通过机器学习回归中不同的算法进行模型训练。例如线性回归算法、多项式回归算法等。
在一些实施例中,用量预测平台可以使用各训练数据集,分别基于不同的模型训练算法对待预测能源的至少两个初始能源预测模型进行模型训练,得到待预测能源的多个候选预测模型。
S804,根据待预测能源模型评估参数对各候选预测模型进行模型预测评估,得到各候选预测模型的评估结果。
其中,模型评估参数是用于判断各候选预测模型是否符合使用需求的指标参数,模型评估参数可以根据用户的实际使用需求确定,例如用户追求较高的模型训练精度,那模型评估参数就可以设置为模型训练精度,又例如用户追求较高的稳定性,那模型评估参数就可以设置为模型预测稳定性。再例如模型评估参数也可以同时设置为模型训练精度和稳定性。
在一些实施例中,用量预测平台可以根据预先设置的模型评估参数,对各候选预测模型进行模型预测评估,得到各候选预测模型的评估结果。
在其中一个实施例中,以模型评估参数包括模型训练精度和稳定性为例进行说明,用量预测平台可以将训练数据集划分为样本集、测试集和验证集,将样本集数据输入到各初始能源预测模型进行模型训练,训练得到的中间模型可以对测试集和验证集进行预测。随后计算测试集预测值与测试集中实际能源用量值的偏差率,当偏差率满足模型使用条件的情况下,可以继续使用验证集对能源预测模型进行模型稳定性验证,得到模型训练精度和稳定性。
在其中一些实施例中,在偏差率不满足模型使用条件的情况下,用量预测平台需要对候选预测模型进行模型调优,在候选预测模型达到最优的情况下,再进行模型稳定性验证,得到模型训练精度和稳定性。
在其中一些实施例中,偏差率的计算方法可以为:偏差率%=(目标值/实际值-1)*100。其中,目标值是实际能源用量值,实际值是模型预测值。
在其中一些实施例中,在偏差率小于或等于预设阈值n时,可以确定偏差率满足模型使用条件,模型评估可用。在偏差率大于预设阈值n时,可以确定偏差率不满足模型使用条件。
在其中一些实施例中,用量预测平台可以采用网格搜索的方法优化候选预测模型的模型参数,使用回归森林时,网格搜索调整树的棵树,最小叶子树灯参数调整到最优,即可达到模型最优。若单纯对模型参数进行调整无法满足模型使用条件,还可以重新调整待预测能源的用量影响特征,即调整相关性阈值k,重新确定待预测能源的用量影响特征,并基于调整后的用量影响特征重新构建训练数据集进行训练。最后,还可以通过增加训练集的方式,提高模型精度和稳定性。
S806,基于各评估结果,从各候选预测模型中确定待预测能源的各用量预测模型。
在一些实施例中,用量预测模型可以基于各候选预测模型的评估结果,从各候选预测模型中确定具备最佳评估结果的各用量预测模型。例如可以选择具备最佳模型精度和稳定性的各用量预测模型。
上述实施例中,通过分别使用不同模型训练算法对各初始能源预测模型进行模型训练,从中选择评估结果最优的用量预测模型,能够有效提高最终确定的用量预测模型的预测准确性和稳定性,进而提高了实际用量预测时的能源用量预测准确性和稳定性。
在一些实施例中,如图9所示,提供了一种能源用量预测方法,方法具体可以分为四个部分,即数据处理部分、特征工程部分、模型训练部分、输出及呈现部分。
在数据处理部分,方法具体可以包括以下步骤:
S901,构建历史数据库。
用量预测平台可以获取各候选特征的历史特征数据和各能源的历史能源用量数据,构建历史数据库,其中,各候选特征可以包括工厂历史产量、品种与体系、室外环境、设备开启数量,各历史能源用量数据可以包括用电量、用天然气量、用蒸汽量、用水量的历史数据。
S902,对历史数据库中各历史数据进行数据预处理,更新历史数据库中各历史数据。
在特征工程部分,方法具体可以包括以下步骤:
S903,为各候选特征与各能源的能源用量进行相关性分析,将相关性高于预设相关性阈值k的候选特征确定为各能源的用量影响特征。
S904,将各用量影响特征对应的历史特征数据与能源的历史能源用量数据进行滚动匹配,并对匹配后的历史数据分别进行二次变换和log变换。
其中,滚动匹配的滚动天数可以根据生产产品周期确定。
S905,对变换后的各历史数据进行标准化处理,得到二次变换历史数据和log变换历史数据。
例如,产品数量级是m位,室外环境数量级是n位,设备开启数量级是2位,各个特征的数量级差异很大,因此对样本数据做标准化处理,减少量纲对用量预测模型的影响。
在模型训练部分,方法具体包括以下步骤:
S906,分别将各历史数据划分为样本集、测试集和验证集,根据历史产量数据和历史设备开启数据,训练得到设备预测模型。
S907,基于样本集通过机器学习训练初始能源预测模型,得到候选预测模型。
S908,计算各候选预测模型的偏差率,作为评估用量预测模型是否可用的标准。
其中,通过将测试集输入到各候选预测模型进行预测,得到测试集预测值,根据测试集预测值与测试集的实际能源用量值,计算各候选预测模型的偏差率,再使用验证集对各候选预测模型进行模型稳定性验证。
S909,判断偏差率是否超过预设阈值n。
S910,若超过,则对候选预测模型进行调优。
其中,用量预测平台可以通过网格搜索调整方法的超参数,优化算法模型机最优参数。也可以对历史数据的变量重新做特征的变换。还可以通过增加训练集的方式,提高模型性能。
S911,若不超过,则可以执行后续的输出及呈现部分的具体步骤。
在输出及呈现部分,方法具体可以包括以下步骤:
S912,获取各用量影响特征的特征排产数据。
其中,用量预测平台根据产量的特征排产数据,调用设备预测模型,预测得到未来设备开启数据。
S913,根据产量越大,能源用量越多的关系,从各用量预测模型中确定目标用量预测模型。
其中,将产量确定为关键影响特征,产量越大,能源用量也应该越大,因此,根据产量从二次变换模型中确定产量对应的用量预测模型,基于产量对应的用量预测模型确定产量对应的抛物线对称轴,随后根据产量的特征排产数据,确定未来排产的产量与抛物线对称轴的关系。
如图10所示,在未来排产的产量小于抛物线对称轴的情况下,直接采用二次变换模型,即各个提取特征二次变换的用量预测模型作为待预测能源的目标用量预测模型。在未来排产的产量大于或等于抛物线对称轴的情况下,可以将对数变换模型,即各个提取特征log变换的用量预测模型作为待预测能源的目标用量预测模型。
在关键影响特征为其他特征,例如室外环境时,室外环境与能源用量的业务逻辑和产量与能源用量的判定逻辑一致,在此不再赘述。
S914,将所有用量影响特征对应的特征排产数据输入到目标用量预测模型中,预测不同情况下的能源用量。
S915,将训练得到的各用量预测模型嵌入部署在能源管理系统中,以供用户进行测试使用。
其中,可以将各用量预测模型的整体代码部署在能源管理系统中,使用者自定义选择能源类别、变量建议能源用量模型,再进行测试。
最后,在各用量预测模型部署在能源管理系统后,即可以进行能源用量预测方法的应用,例如将预测得到的预测能源用量作为管理目标,在实际能源用量超过管理目标的情况下,发出报警提示,根据报警提示深挖超过管理目标的根本原因,根据超过管理目标时可能存在的各种根本原因形成知识库,未来排产即触发知识库,可以采取有效措施降低能源消耗,提高能源利用效率,达到节能降耗、减少成本的目的。又例如,可以根据预测得到的预测能源用量、以及生产过程中的能源用量限制,调整优化实际生产时的排产数据,使实际生产时所耗费的能源能够符合能源用量限制要求。
在实际生产中,能源用量预测有助于生产者更好地掌握能源状况,合理分配和使用能源,从而提高经济效益,可以更准确地了解能源需求量及其比例关系,从而有针对性地调整能源结构和布局,实现资源的合理配置,有助于生产者进行成本核算和部门核算,更好地组织生产,提高生产效率。通过对能源使用的实时监测、分析和控制,生产者可以实现能源的节约和合理利用,降低生产成本。本实施例中,通过以上部分组合,可以有效利用数据中的空间和时间特征,提高预测准确性和稳定性。其中,能源用量预测模型采用回归学习方式进行训练,可自动提取数据中的特征并进行预测,减少人工干预和计算成本。此外,能源用量预测模型还具有良好的扩展性,可适用于不同领域和场景的能源用量预测问题。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的能源用量预测方法的能源用量预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个能源用量预测装置实施例中的具体限定可以参见上文中对于能源用量预测方法的限定,在此不再赘述。
在一些实施例中,如图10所示,提供了一种能源用量预测装置1000,包括:排产数据获取模块1001、模型确定模块1002和用量预测模块1003,其中:
排产数据获取模块1001,用于获取待预测能源的至少两个用量影响特征各自对应的特征排产数据。
模型确定模块1002,用于基于各特征排产数据,从预先训练得到的至少两个用量预测模型中,确定与特征排产数据匹配的目标用量预测模型。
用量预测模块1003,用于根据各特征排产数据,以及目标用量预测模型,对待预测能源进行用量预测,得到待预测能源的预测能源用量。
在一些实施例中,模型确定模块用于:针对每一用量影响特征,获取用量影响特征与待预测能源的能源用量相关性;基于各能源用量相关性,从各用量影响特征中确定关键影响特征;根据关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型。
在一些实施例中,用量预测模型包括与各用量影响特征分别对应的预测子模型,用量预测模型中包括的各用量影响特征分别对应的预测子模型的模型类型相同。模型确定模块用于:根据关键影响特征以及特征排产数据中关键影响特征的特征排产数据,从关键影响特征对应的至少两个预测子模型中,确定目标预测子模型。将包含目标预测子模型的用量预测模型,确定为目标用量预测模型。
在一些实施例中,用量预测模型包括存在能源预测顶点值的第一用量预测模型。模型确定模块用于:根据第一用量预测模型中与关键影响特征对应的预测子模型的能源预测顶点值,确定待预测能源的模型选择数据;在基于模型选择数据确定关键影响特征的特征排产数据满足第一用量预测模型的使用条件的情况下,将第一用量预测模型中与关键影响特征对应的预测子模型,确定为目标预测子模型。
在一些实施例中,用量预测模型还包括第二用量预测模型,第二用量预测模型中的能源用量预测值与用量影响特征的特征排产数据正相关。模型确定模块还用于:在基于模型选择数据确定关键影响特征的特征排产数据不满足第一用量预测模型的使用条件的情况下,将第二用量预测模型中与关键影响特征对应的预测子模型确定为目标预测子模型。
在一些实施例中,在用量影响特征包含设备开启变量的情况下,排产数据获取模块还用于:基于与设备开启变量满足相关性条件的设备相关特征,获取设备相关特征的相关排产数据。根据待预测能源以及设备开启变量匹配的设备预测模型,对相关排产数据进行处理,得到设备开启变量对应的特征排产数据。
在一些实施例中,能源用量预测装置还包括:
模型训练模块,用于针对待预测能源的每一用量影响特征,获取各用量影响特征的历史特征数据、以及待预测能源的历史能源用量数据;根据各历史特征数据和历史能源用量数据,构建与各用量预测模型对应的训练数据集;使用各训练数据集,分别对待预测能源的初始能源预测模型进行模型训练,得到待预测能源的各用量预测模型。
在一些实施例中,用量预测模型包括第一用量预测模型和第二用量预测模型。模型训练模块用于:根据各历史特征数据和历史能源用量数据确定初始训练数据集;基于第一用量预测模型的第一数据处理方式,对初始训练数据集进行数据处理,得到第一用量预测模型对应的第一训练数据集;基于第二用量预测模型的第二数据处理方式对初始训练数据集进行数据处理,得到第二用量预测模型对应的第二训练数据集。
在一些实施例中,初始能源预测模型的数量包括至少两个。模型训练模块用于:使用各训练数据集,分别对待预测能源的至少两个初始能源预测模型进行模型训练,得到待预测能源的多个候选预测模型;根据待预测能源模型评估参数对各候选预测模型进行模型预测评估,得到各候选预测模型的评估结果;基于各评估结果,从各候选预测模型中确定待预测能源的各用量预测模型。
上述能源用量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中,提供了一种计算机设备,该计算机设备可以是集成了用量预测平台的服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用量影响特征、特征排产数据、用量预测模型、目标用量预测模型、预测能源用量等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种能源用量预测方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述能源用量预测方法实施例的具体步骤。
在一些实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述能源用量预测方法实施例的具体步骤。
在一些实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述能源用量预测方法实施例的具体步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。并且,对数据的获取、存储、处理、传输等均符合法律法规的相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。

Claims (12)

1.一种能源用量预测方法,其特征在于,所述方法包括:
获取待预测能源的至少两个用量影响特征各自对应的特征排产数据;
针对每一所述用量影响特征,获取所述用量影响特征与所述待预测能源的能源用量相关性;
基于各所述能源用量相关性,从各所述用量影响特征中确定关键影响特征;
根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型;所述待预测能源的至少两个用量预测模型分别用于表征所述待预测能源在生产过程中不同的能源消耗趋势;
根据各所述特征排产数据,以及所述目标用量预测模型,对所述待预测能源进行用量预测,得到所述待预测能源的预测能源用量。
2.根据权利要求1所述的方法,其特征在于,所述用量预测模型包括与各所述用量影响特征分别对应的预测子模型,所述用量预测模型中包括的各所述用量影响特征分别对应的预测子模型的模型类型相同;
所述根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从至少两个所述用量预测模型中确定所述目标用量预测模型,包括:
根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从所述关键影响特征对应的至少两个所述预测子模型中,确定目标预测子模型;
将包含所述目标预测子模型的用量预测模型,确定为所述目标用量预测模型。
3.根据权利要求2所述的方法,其特征在于,所述用量预测模型包括存在能源预测顶点值的第一用量预测模型;
所述根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从所述关键影响特征对应的至少两个所述预测子模型中,确定目标预测子模型,包括:
根据所述第一用量预测模型中与所述关键影响特征对应的预测子模型的能源预测顶点值,确定所述待预测能源的模型选择数据;
在基于所述模型选择数据确定所述关键影响特征的特征排产数据满足所述第一用量预测模型的使用条件的情况下,将所述第一用量预测模型中与所述关键影响特征对应的预测子模型,确定为所述目标预测子模型。
4.根据权利要求3所述的方法,其特征在于,所述用量预测模型还包括第二用量预测模型,所述第二用量预测模型中的能源用量预测值与所述用量影响特征的特征排产数据正相关;
所述方法还包括:
在基于所述模型选择数据确定所述关键影响特征的特征排产数据不满足所述第一用量预测模型的使用条件的情况下,将所述第二用量预测模型中与所述关键影响特征对应的预测子模型确定为目标预测子模型。
5.根据权利要求1-4任一项所述的方法,其特征在于,在所述用量影响特征包含设备开启变量的情况下,获取所述设备开启变量对应的特征排产数据的方式,包括:
基于与所述设备开启变量满足相关性条件的设备相关特征,获取所述设备相关特征的相关排产数据;
根据所述待预测能源以及所述设备开启变量匹配的设备预测模型,对所述相关排产数据进行处理,得到所述设备开启变量对应的特征排产数据。
6.根据权利要求1所述的方法,其特征在于,各所述用量预测模型的训练方式包括:
针对所述待预测能源的每一所述用量影响特征,获取各所述用量影响特征的历史特征数据、以及所述待预测能源的历史能源用量数据;
根据各所述历史特征数据和所述历史能源用量数据,构建与各所述用量预测模型对应的训练数据集;
使用各所述训练数据集,分别对所述待预测能源的初始能源预测模型进行模型训练,得到所述待预测能源的各所述用量预测模型。
7.根据权利要求6所述的方法,其特征在于,所述用量预测模型包括第一用量预测模型和第二用量预测模型;
所述根据各所述历史特征数据和所述历史能源用量数据,构建与各所述用量预测模型对应的训练数据集,包括:
根据各所述历史特征数据和所述历史能源用量数据确定初始训练数据集;
基于所述第一用量预测模型的第一数据处理方式,对所述初始训练数据集进行数据处理,得到所述第一用量预测模型对应的第一训练数据集;
基于所述第二用量预测模型的第二数据处理方式对所述初始训练数据集进行数据处理,得到所述第二用量预测模型对应的第二训练数据集。
8.根据权利要求6或7所述的方法,其特征在于,所述初始能源预测模型的数量包括至少两个;
所述使用各所述训练数据集,分别对所述待预测能源的初始能源预测模型进行模型训练,得到所述待预测能源的各所述用量预测模型,包括:
使用各所述训练数据集,分别基于不同的模型训练算法对所述待预测能源的至少两个初始能源预测模型进行模型训练,得到所述待预测能源的多个候选预测模型;
根据所述待预测能源的模型评估参数对各所述候选预测模型进行模型预测评估,得到各所述候选预测模型的评估结果;
基于各所述评估结果,从各所述候选预测模型中确定所述待预测能源的各所述用量预测模型。
9.一种能源用量预测装置,其特征在于,所述装置包括:
排产数据获取模块,用于获取待预测能源的至少两个用量影响特征各自对应的特征排产数据;
模型确定模块,用于针对每一所述用量影响特征,获取所述用量影响特征与所述待预测能源的能源用量相关性;基于各所述能源用量相关性,从各所述用量影响特征中确定关键影响特征;根据所述关键影响特征以及所述特征排产数据中所述关键影响特征的特征排产数据,从至少两个用量预测模型中确定目标用量预测模型;所述待预测能源的至少两个用量预测模型分别用于表征所述待预测能源在生产过程中不同的能源消耗趋势;
用量预测模块,用于根据各所述特征排产数据,以及所述目标用量预测模型,对所述待预测能源进行用量预测,得到所述待预测能源的预测能源用量。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202410729160.3A 2024-06-06 能源用量预测方法、装置、计算机设备和存储介质 Active CN118297245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410729160.3A CN118297245B (zh) 2024-06-06 能源用量预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410729160.3A CN118297245B (zh) 2024-06-06 能源用量预测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN118297245A true CN118297245A (zh) 2024-07-05
CN118297245B CN118297245B (zh) 2024-11-12

Family

ID=

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114386647A (zh) * 2020-10-21 2022-04-22 中国石油天然气股份有限公司 一种油气田行业能耗的预测方法及系统
WO2024002026A1 (zh) * 2022-06-30 2024-01-04 中兴通讯股份有限公司 能耗优化方法、系统、装置及存储介质
CN117495127A (zh) * 2023-11-03 2024-02-02 深圳供电局有限公司 用电负荷预测方法、装置、计算机设备及存储介质
CN117829374A (zh) * 2024-02-01 2024-04-05 武汉钢铁集团气体有限责任公司 一种钢铁企业耗电量的预测方法及系统
CN117853275A (zh) * 2024-03-08 2024-04-09 广东采日能源科技有限公司 用电预测的方法和装置
CN117932352A (zh) * 2024-01-22 2024-04-26 华润数字科技有限公司 能源负荷预测方法、装置、电子设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114386647A (zh) * 2020-10-21 2022-04-22 中国石油天然气股份有限公司 一种油气田行业能耗的预测方法及系统
WO2024002026A1 (zh) * 2022-06-30 2024-01-04 中兴通讯股份有限公司 能耗优化方法、系统、装置及存储介质
CN117495127A (zh) * 2023-11-03 2024-02-02 深圳供电局有限公司 用电负荷预测方法、装置、计算机设备及存储介质
CN117932352A (zh) * 2024-01-22 2024-04-26 华润数字科技有限公司 能源负荷预测方法、装置、电子设备及存储介质
CN117829374A (zh) * 2024-02-01 2024-04-05 武汉钢铁集团气体有限责任公司 一种钢铁企业耗电量的预测方法及系统
CN117853275A (zh) * 2024-03-08 2024-04-09 广东采日能源科技有限公司 用电预测的方法和装置

Similar Documents

Publication Publication Date Title
CN106685674B (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
CN111814964A (zh) 基于空气质量状况预报的空气污染处理方法及存储介质
CN117318033B (zh) 一种结合数据孪生的电网数据管理方法及系统
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
CN115034519A (zh) 一种用电负荷的预测方法、装置、电子设备以及存储介质
CN116091118A (zh) 电价预测方法、装置、设备、介质及产品
CN111126707A (zh) 能耗方程构建、能耗预测方法与装置
CN118297245B (zh) 能源用量预测方法、装置、计算机设备和存储介质
CN114338416B (zh) 一种时空多指标预测方法、装置和存储介质
CN118297245A (zh) 能源用量预测方法、装置、计算机设备和存储介质
CN118367558A (zh) 调度策略的生成方法、装置、计算机设备、存储介质
CN110942195A (zh) 一种用电负荷预测方法及装置
CN116911735A (zh) 核电备件安全库存数量确定方法、装置、设备和介质
CN116738169A (zh) 一种数据降维的计算机参数异常预测方法及系统
CN111027202B (zh) 一种数字城市的预测方法、装置、设备及存储介质
CN114696328A (zh) 电力线损分析方法、系统及存储介质
CN110807599A (zh) 电化学储能方案的决策方法、装置、服务器和存储介质
Gu et al. Improved similarity-based residual life prediction method based on grey Markov model
CN116454890B (zh) 基于scuc模型的机组组合控制方法、装置和设备
WO2022254607A1 (ja) 情報処理装置、差分抽出方法、及び非一時的なコンピュータ可読媒体
CN111260191B (zh) 测试床成熟度量化方法、装置、计算机设备和存储介质
CN118213997B (zh) 一种基于ahp-灰色模糊算法的城市电网负荷预测方法
CN116703248B (zh) 数据审核方法、装置、电子设备及计算机可读存储介质
CN118982367A (zh) 电价预测方法、装置、设备、介质和程序产品
KR102542488B1 (ko) 장단기 메모리 기반 비 간섭 부하 모니터링을 이용한 가전기기 전력 사용 상태 예측 방법 및 그를 위한 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant