【技术实现步骤摘要】
本专利技术涉及供电，具体涉及基于大数据的电力消费预测系统。
技术介绍
1、随着经济社会发展和技术进步，电力消费作为经济发展的晴雨表，而经济增长和人民生活离不开电力的投入，电力作为一种特殊商品，难以贮存，具有即发即用的特点，因此需要确保电力供给和需求的合理衔接与平衡，以满足经济社会发展的需求。
2、现有的电力消费预测主要通过用户消费信息来获取，根据求取电力负荷情况进行用电预测，这种方式预测不准确，不能够根据不同季节不同人口规模以及新增的用电数目进行预测分析，通过这种方式会影响最终的预测结果。
技术实现思路
1、本专利技术针对现有技术中存在的技术问题，提供基于大数据的电力消费预测系统。
2、本专利技术解决上述技术问题的技术方案如下：基于大数据的电力消费预测系统，包括：数据获取与处理模块、特征工程模块,季节调控模块以及消费预测模块；
3、数据获取与处理模块：获取区域内的历史用电数据以及位置信息并对收集到的数据进行预处理；
4、特征工程模块：获取数据获取与处理模块传输的数据，从数据中提取特征对用电量的影响情况；
5、季节调控模块：分析经过特征工程处理的数据，通过季节分解来识别和调整数据中的季节性模式；
6、消费预测模块：将经过季节调控模块调整后的数据与历史电力数据、季节性因素影响、假日影响、经济增长率影响、人口规模影响以及产业结构影响数据合并，构建用于训练和预测的时间窗口数据集。
7、在一个优选地实施方式中
8、在一个优选地实施方式中，所述特征工程模块从原始数据中提取特征对用电量的影响情况，包括季节性因素影响、假日影响、经济增长率影响、人口规模影响以及产业结构影响，具体包括以下步骤：
9、季节性影响通过计算正弦变换模拟电力消费的周期性模式以捕捉季节性周期，具体计算公式如下：
10、，
11、用t表示一年中周期的长度，t表示观察的时间点，表示开始观察的时间点，通过计算结果生成波动序列，波动序列在-1，1之间，分别表示电力消费的季节性波动；
12、假日影响通过对假日影响进行量化，通过创建一个变量标记假日，并计算其对用电量的平均影响，创建一个序列，当某一日为假日时，则该序列表示为1，否则为0，计算历史假日的平均用电量以及非假日的平均用电量，历史假日平均用电量的具体计算公式如下：
13、，
14、其中，表示假日数量，表示总天数，包括假日以及非假日，表示第i天的用电量，表示历史假日，历史非假日平均用电量的具体计算公式如下：
15、，
16、其中，表示变量，当第i天为假日时为1，否则为0，表示历史非假日平均用电量；
17、经济增长率影响通过历史年份到当前年份期间，经济总量增长的百分比获得，通过百分比情况得出经济增长情况，具体计算公式如下：
18、，
19、其中，表示当前年份的生产总值，表示历史年份的生产总值，表示从历史年份到当前年份期间经济增长的比率，经济增长率增加代表生产和消费活动的增加，用电量也相应增加，将用电量增长率与经济增长率之间建立线性关系，具体计算公式如下：
20、，
21、其中，表示电力弹性系数，表示截距；
22、人口规模影响通过计算人均用电量来捕捉电量变化，人均用电量的具体计算公式如下：
23、，
24、其中，表示人均用电量，表示人口数量，表示总用电量；
25、产业结构影响通过计算各产业用电量占总用电量的百分比，可以用来分析不同产业在总用电量中的占比，了解该电力消费预测区域的经济结构特征，具体计算公式如下：
26、，
27、其中，表示产业用电量占比，表示特定产业用电量占总体用电量的百分比，i表示产业类别，consumption表示产业用电量，表示总用电量，这个比率可以用来分析不同产业在总用电量中的占比，从而了解经济结构的电力消费特征；
28、在一个优选地实施方式中，所述季节调控模块消除数据中季节因素的影响，通过季节调控可以使数据进行直接比较，通过季节分解来识别和调整数据中的季节性模式，具体步骤如下：
29、计算季节平均值，计算在原始数据中，每个季节在多个年份中的平均用电量，具体计算公式如下：
30、，
31、其中，表示第t个季节的平均值，表示第i个观测值的用电量，n表示该季节的观测值数量，接着计算整个时间序列的平均值，具体计算公式如下：
32、，
33、其中，n表示总观测值数量，对于每个季节，计算季节平均用电量与总体平均用电量之比，具体计算公式如下：
34、，
35、其中，季节比率表示第t个季节的相对用电量强度，使用季节比率来调整每个季节的用电量，具体计算公式如下：
36、，
37、其中，表示第i个数据点所在季节的季节比率，通过以上步骤，从原始数据中剔除季节性因素，使得剩余的数据更能代表非季节性的变化。
38、在一个优选地实施方式中，所述消费预测模块将历史电力数据与季节性因素影响、假日影响、经济增长率影响、人口规模影响以及产业结构影响数据合并，构建用于训练和预测的时间窗口数据集，每个时间窗口包含了一段时间的历史数据以及对应的特征值，具体计算公式如下：
39、，
40、其中，c表示历史电量数据，表示假日影响，表示经济增长率影响，表示人口规模影响，表示产业结构影响，n表示历史数据的时间步长，构建神经网络模型，包含输入层、隐藏层以及输出层，输入层的节点数量与时间窗口大小加上所有特征的数量相匹配，具体计算公式表示为：
41、，
42、其中，表示第l层神经网络的加权输入，表示第l层神经网络的权重矩阵，表示第l层神经网络的输出值，表示第l层神经网络的偏置，f表示激活函数，通过前向传播和反向传播训练模型，更新权重和偏置，具体计算公式如下：
43、，
44、其中，表示模型预测的输出，m表示数据集中样本的数量，通过梯度下降算法优化训练参数，具体计算公式如下：
45、，
4本文档来自技高网...
【技术保护点】
1.基于大数据的电力消费预测系统，其特征在于，包括：
2.根据权利要求1所述的基于大数据的电力消费预测系统，其特征在于，所述数据获取与处理模块，将需要进行电力消费预测的区域划分为若干个子区域，提取子区域中历史用电数据，数据中应包含时间戳，包括总消费量、生产消费用电以及生活消费用电，并对子区域的位置信息进行记录，将收集到的历史用电数据按照时间顺序进行排序，将生产消费用电以及生活消费用电的数据进行整理，获取子区域的总人口以及城镇人口，将人口数据与电力消费数据进行时间戳匹配，获取该子区域内GDP、工业增加值以及人均收入等经济指标数据，并将以上数据进行时间戳匹配，获取子区域内历史电力数据与季节性因素影响、假日影响、经济增长率影响、人口规模影响以及产业结构影响的特征数据，对收集到的数据进行清洗和预处理，使用时间戳对数据进行去重处理，确保每个数据点只被计算一次。
3.根据权利要求1所述的基于大数据的电力消费预测系统，其特征在于，所述特征工程模块从原始数据中提取特征对用电量的影响情况，包括季节性因素影响、假日影响、经济增长率影响、人口规模影响以及产业结构影响，季节性影响
4.根据权利要求3所述的基于大数据的电力消费预测系统，其特征在于，所述假日影响通过对假日影响进行量化，通过创建一个变量标记假日，并计算其对用电量的平均影响，创建一个序列，当某一日为假日时，则该序列表示为1，否则为0，计算历史假日的平均用电量以及非假日的平均用电量，历史假日平均用电量的具体计算公式如下：
5.根据权利要求3所述的基于大数据的电力消费预测系统，其特征在于，经济增长率影响通过历史年份到当前年份期间，经济总量增长的百分比获得，通过百分比情况得出经济增长情况，具体计算公式如下：
6.根据权利要求3所述的基于大数据的电力消费预测系统，其特征在于，所述人口规模影响通过计算人均用电量来捕捉电量变化，人均用电量的具体计算公式如下：
7.根据权利要求3所述的基于大数据的电力消费预测系统，其特征在于，所述产业结构影响通过计算各产业用电量占总用电量的百分比，具体计算公式如下：
8.根据权利要求1所述的基于大数据的电力消费预测系统，其特征在于，所述季节调控模块通过季节分解来识别和调整数据中的季节性模式，具体步骤如下：
...【技术特征摘要】
1.基于大数据的电力消费预测系统，其特征在于，包括：
2.根据权利要求1所述的基于大数据的电力消费预测系统，其特征在于，所述数据获取与处理模块，将需要进行电力消费预测的区域划分为若干个子区域，提取子区域中历史用电数据，数据中应包含时间戳，包括总消费量、生产消费用电以及生活消费用电，并对子区域的位置信息进行记录，将收集到的历史用电数据按照时间顺序进行排序，将生产消费用电以及生活消费用电的数据进行整理，获取子区域的总人口以及城镇人口，将人口数据与电力消费数据进行时间戳匹配，获取该子区域内gdp、工业增加值以及人均收入等经济指标数据，并将以上数据进行时间戳匹配，获取子区域内历史电力数据与季节性因素影响、假日影响、经济增长率影响、人口规模影响以及产业结构影响的特征数据，对收集到的数据进行清洗和预处理，使用时间戳对数据进行去重处理，确保每个数据点只被计算一次。
3.根据权利要求1所述的基于大数据的电力消费预测系统，其特征在于，所述特征工程模块从原始数据中提取特征对用电量的影响情况，包括季节性因素影响、假日影响、经济增长率影响、人口规模影响以及产业结构影响，季节性影响通过计算正弦变换模拟电力消费的周...
【专利技术属性】
技术研发人员：代荡荡，朱国威，李晶，饶强，彭祥礼，徐焕，金波，廖荣涛，王逸兮，刘芬，郭岳，余铮，李磊，郭峰，冯浩，叶宇轩，
申请(专利权)人：国网湖北省电力有限公司信息通信公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。