【技术实现步骤摘要】
本专利技术涉及力资源管理，具体涉及一种基于大数据平台的能耗指标确定方法。
技术介绍
1、在大数据时代下，电力能源大数据对电力行业发展起到大力推动作用，在云平台支撑下，促进电能数据的共享与发展。电力能源应用中常常出现线损管理、负荷预测、污染防治等情况，通过大数据采集与应用，可有效提高线损管理效率、预测电网负荷、强化污染防治力度，促进电力行业的可持续发展。
技术实现思路
1、为了达到上述目的，本专利技术提出一种基于大数据平台的能耗指标确定方法，包括以下步骤：
2、s1、首先是数据的采集，为确定电力资源的能耗需要收集气温、降雨量、pm2.5、常住人口、电表电压等因素；
3、s2、其次由于过高维度的数据会对预测结果带来负面作用，采取kpca技术进行特征降维处理，增加预测结果的准确性；
4、s3、然后采用hs-gru算法、灰色模型和趋势外推法相结合的预测方法，三种方式各占一部分比重，这种综合的方式可以提高最终电网负荷的预测效果；
5、s4、最后利用大数据平台对现有数据进行分析，提高线损的管理效率。
6、所示步骤s3中hs-gru算法是使用和声算法优化gru，具体操作如下：
7、s311、首先是和声搜索参数初始化，包括和声记忆库hms、和声记忆考虑率hmcr、调整步长par以及调整范围；
8、s312、初始化和声记忆库，随机生成一组候选解也就是gru模型的参数集，并将它们存储在和声记忆库中；
9、s
10、s314、使用和声记忆库中的每个候选解也就是gru模型参数，计算目标函数值，目标函数选择预测误差；
11、s315、生成新和声向量，包括和声记忆考虑：以概率hmcr从和声记忆库中选择参数值，随机选择：以概率1-hmcr从参数空间中随机选择参数值，调整步长：以概率par对选择的参数值进行微调；
12、s316、更新和声记忆库，如果生成的新和声向量的目标函数值优于和声记忆库中最差的候选解，则用新和声向量替换最差的候选解；
13、s317、最后重复步骤s315和s316，直到达到最大迭代次数或目标函数值收敛。
14、作为优选，所述步骤s1将集中器、智能电表等设备采集的信息传递到物联网，通过计算将数据信息传递到生产库、大数据平台中，作为后续工作的数据基础。
15、作为优选，所述步骤s2采取kpca技术进行特征降维处理的步骤为：
16、s21、将数据集中的每个特征标准化，使其均值为0，方差为1；
17、s22、选择rbf核构造核矩阵：其中xi,xj代表两个数据点，σ是rbf核函数的带宽参数，对于每一对数据点，计算rbf核函数值，构造核矩阵k，其元素kij＝k(xi,xj)；
18、s23、对rbf核矩阵进行中心化：k′＝k-1nk-k1n+1nk1n，接着对中心化的rbf核矩阵进行特征值分解：k′αi＝λiαi，其中λi为特征值，αi为对应的特征向量；
19、s24、选择前6个最大的特征值对应的特征向量，作为降维后的新特征空间；
20、s25、将原始数据映射到新特征空间，得到降维后的数据：其中t表示为特征向量αi的转置。
21、作为优选，所述步骤s3中使用gm(1,1)灰色模型进行预测的具体步骤为：
22、s321、首先设原始数据序列{x(1),x(2),...,x(n)}；
23、s322、然后生成累加序列{x(1),x(2),...,x(n)}，其中k是数据序列的个数；
24、s323、随后建立累加序列的微分方程：其中a和b是需要估计的参数；
25、s324、最后通过最小二乘法估计参数a和b求解微分方程得到预测模型。
26、作为优选，所述步骤s3中趋势外推法的具体步骤为：
27、s331、首先收集和整理历史数据，形成时间序列{y1,y2,...,yn}，其中yi表示第i时刻的观测值；
28、s332、然后选择多项式趋势模型，数据呈现多项式趋势：yt＝a0+a1t+a2t2+...+amtm+σt，其中yt是在时间t的预测值，a0,a1,a2..,am为模型参数，σt为误差；
29、s333、通过最小二乘法或其他适当的拟合方法，估计多项式模型的参数；
30、s334、最后利用拟合好的多项式模型对未来的时刻进行预测，预测的公式为模型的多项式表达式：其中，表示在t+k时刻的预测值。
31、作为优选，所述步骤s3使用hs-gru算法、灰色模型和趋势外推法相结合的预测方法：其中f1(x)为hs-gru算法的预测结果，f2(x)为灰色模型的预测结果，f3(x)为趋势外推法的预测结果，是比重系数，满足
32、与现有技术相比，本专利技术的优点和积极效果在于，
33、1、通过大数据平台全面采集并整合气温、降雨量、pm2.5、常住人口、电表电压等各种因素的信息，将集中器、智能电表等设备采集的信息传递到物联网，再到生产库、大数据平台中，确保了数据的精准性和全面性，为后续分析和决策提供了可靠的基础。
34、2、利用kpca技术进行特征降维，具有处理非线性数据、增强模型能力、提高降维效果和灵活性的优势，能有效应对高维数据集导致的计算复杂度增加、训练时间和资源消耗大以及传统距离度量失效等问题。
35、3、采用hs-gru算法、灰色模型和趋势外推法相结合的预测方法，有效降低单一方法带来的预测误差和不确定性，各方法在不同情况下的优点互补，提高了总体预测的稳定性和可靠性。
本文档来自技高网...【技术保护点】
1.一种基于大数据平台的能耗指标确定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大数据平台的能耗指标确定方法，其特征在于，所述步骤S1将集中器、智能电表等设备采集的信息传递到物联网，通过计算将数据信息传递到生产库、大数据平台中，作为后续工作的数据基础。
3.根据权利要求1所述的一种基于大数据平台的能耗指标确定方法，其特征在于，所述步骤S2采取KPCA技术进行特征降维处理的步骤为：
4.根据权利要求1所述的一种基于大数据平台的能耗指标确定方法，其特征在于，所述步骤S3中使用GM(1,1)灰色模型进行预测的具体步骤为：
5.根据权利要求1所述的一种基于大数据平台的能耗指标确定方法，其特征在于，所述步骤S3中趋势外推法的具体步骤为：
6.根据权利要求1所述的一种基于大数据平台的能耗指标确定方法，其特征在于，所述步骤S3使用HS-GRU算法、灰色模型和趋势外推法相结合的预测方法：其中f1(x)为HS-GRU算法的预测结果，f2(x)为灰色模型的预测结果，f3(x)为趋势外推法的预测结果，是比重系数，满足p>...
【技术特征摘要】
1.一种基于大数据平台的能耗指标确定方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于大数据平台的能耗指标确定方法，其特征在于，所述步骤s1将集中器、智能电表等设备采集的信息传递到物联网，通过计算将数据信息传递到生产库、大数据平台中，作为后续工作的数据基础。
3.根据权利要求1所述的一种基于大数据平台的能耗指标确定方法，其特征在于，所述步骤s2采取kpca技术进行特征降维处理的步骤为：
4.根据权利要求1所述的一种基于大数据平台的能耗指标确...
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。