一种能耗参数预测跟踪方法、系统及计算机可读存储介质与流程

1.本发明实施例涉及能耗预测技术领域，尤其涉及能耗参数预测跟踪方法、系统及计算机可读存储介质。


背景技术：

2.当前，面对全球能源资源趋紧、环境污染严重、生态系统退化，生态文明建设己上升至国家战略高度。国家五年节能规划中明确提出工业、建筑、交通、公共机构等全社会各大领域应开展节能减排工作以达到节约能源资源约束性目标要求。目前，全国各用能单位或机构会收到上级主管部门下达的每年节能任务要求，由于缺乏科学地节能目标跟踪方法，用能单位或机构无法合理预测判断节能目标能否预期达标，或者预测准确性不高，导致节能工作积极性不高，节能目标任务经常无法完成。
3.因此，如何有效跟踪预测节能目标完成情况，是当前节能工作的关键问题。当前，在进行能耗数据预测时往往仅仅是结合历史数据进行能耗预测，十分粗放，预测得到的能耗数据准确度较差，不利于能量传输配置。
4.因此，现有技术存在缺陷，急需改进。


技术实现要素：

5.为了解决上述至少一个技术问题，提供了一种能耗参数预测跟踪方法、系统及计算机可读存储介质，可以提高预测的准确度。
6.第一方面，本技术实施例提供了一种能耗参数预测跟踪方法，包括：
7.获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；
8.获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；
9.获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；
10.根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数。
11.本技术实施例提供的能耗参数预测跟踪能方法可以实现是对目标能耗参数的预测，可以提高预测的准确性。
12.可选地，在本技术实施例所述的能耗参数预测跟踪方法中，所述根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数，包括：
13.将所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据输入第一预设神经网络模型，得到目标机构在当前周期的未过时间段的目标能耗参数。
14.可选地，在本技术实施例所述的能耗参数预测跟踪方法中，所述根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据
计算目标机构在当前周期的未过时间段的目标能耗参数，包括：
15.将所述历史能耗参数、所述历史天气数据以及所述第二天气数据输入第二预设神经网络模型，得到所述目标机构在未过时间段的初始能耗参数；
16.根据所述第一能耗参数、所述第一天气数据、所述历史能耗参数以及所述历史天气数据计算得到校准系数；
17.根据所述校准系数对所述初始能耗参数进行校准，得到目标能耗参数。
18.可选地，在本技术实施例所述的能耗参数预测跟踪方法中，所述预设时间段包括多个目标时段，所述第一天气数据包括多个第一天气子数据，所述第一能耗参数包括多个第一能耗子数据；每一所述目标时段分别与一第一天气子数据以及一第一能耗子数据对应。
19.可选地，在本技术实施例所述的能耗参数预测跟踪方法中，所述根据所述第一能耗参数、所述第一天气数据、所述历史能耗参数以及所述历史天气数据计算得到校准系数，包括：
20.从所述第一天气数据以及所述第二天气数据中筛选出天气数据相似度大于预设阈值的预设时间段；
21.从所述第一能耗参数以及所述历史能耗参数中获取与所述预设时间段对应的第一能耗子数据以及历史能耗子数据；
22.根据所述第一能耗子数据以及历史能耗子数据计算当周周期与历史记录中的周期在相同天气数据下的比值，并将所述比值设置为校准系数。
23.可选地，在本技术实施例所述的能耗参数预测跟踪方法中，所述方法还包括：
24.获取样本数据集，所述样本数据集包括多个样本数据，所述样本数据包括样本历史能耗参数对应的样本历史天气数据；
25.根据所述多个样本数据对预设网络结构进行训练，得到第二预设神经网络结构。
26.可选地，在本技术实施例所述的能耗参数预测跟踪方法中，所述根据所述校准系数对所述初始能耗参数进行校准，得到目标能耗参数，包括：
27.将所述初始能耗参数乘以所述校准系数，得到目标能耗参数。
28.第二方面，本技术实施例还提供了一种机构能耗参数预测跟踪能耗参数系统，该系统包括：存储器以及处理器，所述存储器中包括能耗参数预测跟踪方法程序，所述能耗参数预测跟踪方法程序被所述处理器执行时实现如下步骤：
29.获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；
30.获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；
31.获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；
32.根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数。
33.可选地，在本技术实施例所述的机构能耗参数预测跟踪系统中，所述能耗参数预测跟踪方法程序被所述处理器执行时实现如下步骤：
34.将所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据输入第一预设神经网络模型，得到目标机构在当前周期的未过时间
段的目标能耗参数。
35.第三方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括能耗参数预测跟踪方法程序，所述能耗参数预测跟踪方法程序被处理器执行时，实现上述任一项所述的一种能耗参数预测跟踪方法的步骤。
36.由上可知，本技术实施例提供的能耗参数预测跟踪方法及系统通过获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数，从而是对目标能耗参数的预测，可以提高预测的准确性。
37.本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
38.图1示出了本发明一种能耗参数预测跟踪方法的第一流程图；
39.图2示出了本发明一种能耗参数预测跟踪方法的第二流程图；
40.图3示出了本发明一种机构能耗参数预测跟踪能耗参数系统的框图。
具体实施方式
41.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
42.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
43.图1示出了本发明一种能耗参数预测跟踪方法的第一流程图。该方法包括以下步骤：
44.s101、获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；
45.s102、获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；
46.s103、获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；
47.s104、根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数。
48.其中，在该步骤s101中，该周期可以为一年，一个月或者任何一段连续的时间。该预设时间段是指当前周期已经经过的时间，该第一能耗参数可以为耗电量。该目标机构可以是一个企业、工厂、学校或者医院等。其可以为从事某种特定功能的建筑或者建筑群。当然，可以理解地，该第一能耗参数还可以包括耗电量、耗油量、耗气量、供热量、供冷量等机构能源类型消费量。
49.其中，在该步骤s102中，该多个周期是指当前周期之前的3个周期或者4个周期，甚至更多个周期。该历史能耗参数是指该目标机构在过去的多个周期的各个时间段的能耗数据，该时间段可以为一天，一周，一月，或任意一个小于周期时间的时间段。历史天气数据是指目标机构在过去的多个周期的各个时间段的天气数据。该天气数据包括但不限于温度、湿度。
50.其中，在该步骤s103中，例如，如果周期为一年，时间段按月度划分，如果当前月份为5月，则已过的时间段即为1月、2月、3月、4月，未过时间段为5
‑
12月。第一天气数据为1
‑
4月的天气数据，第二天气数据为预测得到的5
‑
12月的天气数据。
51.其中，在该步骤s104中，可以基于神经网络模型进行计算，也可以采用预先总结的公式来进行计算该目标能耗参数。当然，可以理解地，也可以采用预先归纳总结出的其他模型或者公式来计算该目标能耗参数。或者，可以采用拟合函数的方法，来进行计算。
52.在一些实施例中，该步骤s104可以包括以下子步骤：将所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据输入第一预设神经网络模型，得到目标机构在当前周期的未过时间段的目标能耗参数。第一预设神经网络模型采用样本数据预先训练得到。
53.在一些实施例中，如图3所示，该步骤s104可以包括以下子步骤：s1041、将所述历史能耗参数、所述历史天气数据以及所述第二天气数据输入第二预设神经网络模型，得到所述目标机构在未过时间段的初始能耗参数；s1042、根据所述第一能耗参数、所述第一天气数据、所述历史能耗参数以及所述历史天气数据计算得到校准系数；s1043、根据所述校准系数对所述初始能耗参数进行校准，得到未过时间段的目标能耗参数。其中，该第二预设神经网络为预先训练得到。
54.其中，由于当前周期和之前的其他周期还有可能有其他因素不同，例如，人数不同、由于经营状况改变引起的工作时长等因素不同，因此，需要基于所述第一能耗参数、所述第一天气数据、所述历史能耗参数以及所述历史天气数据计算得到校准系数。在一些实施例中，该步骤s1042包括：从所述第一天气数据以及所述第二天气数据中筛选出天气数据相似度大于预设阈值的预设时间段；从所述第一能耗参数以及所述历史能耗参数中获取与所述预设时间段对应的第一能耗子数据以及历史能耗子数据；根据所述第一能耗子数据以及历史能耗子数据计算当周周期与历史记录中的周期在相同天气数据下的比值，并将所述比值设置为校准系数。
55.其中，预设时间段包括多个目标时段，所述第一天气数据包括多个第一天气子数据，所述第一能耗参数包括多个第一能耗子数据；每一所述目标时段分别与一第一天气子数据以及一第一能耗子数据对应。
56.在一些实施例中，所述方法还包括：获取样本数据集，所述样本数据集包括多个样本数据，所述样本数据包括样本历史能耗参数对应的样本历史天气数据；根据所述多个样本数据对预设网络结构进行训练，得到第二预设神经网络结构。
57.在一些实施例中，该步骤s1043包括：所述根据所述校准系数对所述初始能耗参数进行校准，得到目标能耗参数，包括：将所述初始能耗参数乘以所述校准系数，得到目标能耗参数。其中，例如，该初始能耗参数为a1，该校准系数为q，那么目标能耗参数为a1
×
q。
58.其中，在一些实施例中，该步骤s101可以为：获取用户端上传的预设范围的目标机
构的近n年的全年能耗数据，用户端上传能耗数据的方式包括但不限于通过移动终端软件或平台软件录入上传数据或者利用远程计量表具自动上传数据；所述全年能耗数据包括但不限于以下能耗数据中的至少一种：水资源能耗数据、电能能耗数据、供冷/供暖能耗数据、燃油能耗数据以及燃气能耗数据等；获取用户端通过上传的预设范围的目标机构的近n年的建筑信息、第一用能人数信息、经济信息等涉及计算能耗指标的信息，用户端上传涉及计算能耗指标的信息的方式包括但不限于通过移动终端软件或平台软件录入上传数据。
59.该步骤s102可以包括：获取当年已经统计1月至当前月的第一能耗数据以及涉及计算能耗指标的信息；
60.该方法对应还包括：s106、根据所述第一能耗数据以及所述近n年的全年能耗数据计算校准系数；根据校准系数预测当年的当前月至12月的第二能耗数据；s107、根据第一能耗数据、第二能耗数据预测当年的能耗指标。能耗指标包括但不限于单位建筑面积能耗、人均能耗、单位建筑面积电耗、人均电耗、单位建筑供暖能耗、单位产品能耗、单位gdp能耗等涉及机构能耗强度的指标。
61.其中，该步骤s106可以包括：从所述n年的全年能耗数据中选取与今年的气候相似度最大的目标年的目标全年能耗数据；从所述目标全年能耗数据中获取其1月至对应月份的第三能耗数据；根据所述第三能耗数据以及所述第一能耗数据计算校准系数。
62.其中，其中，i＝1,2,3
…
,11,12，n＝1,2，
…
，i，
…
,12。
63.该步骤s106可以包括：所根据公式：当年的当前月至12月的第二能耗数据＝目标全年能耗数据中的对应月至12月的第四能耗数据*校准系数。
64.由上可知，本技术实施例提供的能耗参数预测跟踪方法通过获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数，从而是对目标能耗参数的预测，可以提高预测的准确性。
65.如图3所示，本技术实施例还提供了一种机构能耗参数预测跟踪能耗参数系统，该系统包括：存储器201以及处理器202，所述存储器201中包括能耗参数预测跟踪方法程序，所述能耗参数预测跟踪方法程序被所述处理器执行时实现如下步骤：获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数。
66.其中，该周期可以为一年，一个月或者任何一段连续的时间。该预设时间段是指当
前周期已经经过的时间，该第一能耗参数主要为耗电量，也可以包括耗电量、耗油量、耗气量、供热量、供冷量等机构能源类型消费量。
67.其中，多个周期是指当前周期之前的3个周期，4个周期，甚至更多个周期。该历史能耗参数是指该目标结构在过去的多个周期的各个时间段的能耗数据，该时间段可以为一天，一周，一月，或任意一个小于周期时间的时间段。历史天气数据是指目标机构在过去的多个周期的各个时间段的天气数据。该天气数据包括但不限于温度、湿度。
68.其中，如果周期为一年，时间段按月度划分，如果当前月份为5月，则已过的时间段即为1月、2月、3月、4月，未过时间段为5
‑
12月。第一天气数据为1
‑
4月的天气数据，第二天气数据为预测得到的5
‑
12月的天气数据。
69.其中，可以基于神经网络模型进行计算，也可以采用预先总结的公式来进行计算该目标能耗参数。
70.在一些实施例中，所述能耗参数预测跟踪方法程序被所述处理器执行时实现如下步骤：将所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据输入第一预设神经网络模型，得到目标机构在当前周期的未过时间段的目标能耗参数。第一预设神经网络模型采用样本数据预先训练得到。
71.在一些实施例中，所述能耗参数预测跟踪方法程序被所述处理器执行时实现如下步骤：将所述历史能耗参数、所述历史天气数据以及所述第二天气数据输入第二预设神经网络模型，得到所述目标机构在未过时间段的初始能耗参数；根据所述第一能耗参数、所述第一天气数据、所述历史能耗参数以及所述历史天气数据计算得到校准系数；根据所述校准系数对所述初始能耗参数进行校准，得到目标能耗参数。其中，该第二预设神经网络为预先训练得到。
72.其中，由于当前时周期和之前的其他周期还有可能有其他因素不同，例如，人数不同、由于经营状况改变引起的工作时长等因素不同，因此，需要基于所述第一能耗参数、所述第一天气数据、所述历史能耗参数以及所述历史天气数据计算得到校准系数。在一些实施例中，所述能耗参数预测跟踪方法程序被所述处理器执行时实现如下步骤：从所述第一天气数据以及所述第二天气数据中筛选出天气数据相似度大于预设阈值的预设时间段；从所述第一能耗参数以及所述历史能耗参数中获取与所述预设时间段对应的第一能耗子数据以及历史能耗子数据；根据所述第一能耗子数据以及历史能耗子数据计算当周周期与历史记录中的周期在相同天气数据下的比值，并将所述比值设置为校准系数。
73.其中，预设时间段包括多个目标时段，所述第一天气数据包括多个第一天气子数据，所述第一能耗参数包括多个第一能耗子数据；每一所述目标时段分别与一第一天气子数据以及一第一能耗子数据对应。
74.在一些实施例中，所述能耗参数预测跟踪方法程序被所述处理器执行时实现如下步骤：获取样本数据集，所述样本数据集包括多个样本数据，所述样本数据包括样本历史能耗参数对应的样本历史天气数据；根据所述多个样本数据对预设网络结构进行训练，得到第二预设神经网络结构。
75.在一些实施例中，所述能耗参数预测跟踪方法程序被所述处理器执行时实现如下步骤：所述根据所述校准系数对所述初始能耗参数进行校准，得到目标能耗参数，包括：将所述初始能耗参数乘以所述校准系数，得到未过时间段的目标能耗参数。
76.由上可知，本技术实施例提供的机构能耗参数预测跟踪系统通过获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数，从而是对目标能耗参数的预测，可以提高预测的准确性。
77.本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中包括能耗参数预测跟踪方法程序，所述能耗参数预测跟踪方法程序被处理器执行时，实现上述任一项实施例所述的一种能耗参数预测跟踪方法的步骤。具体实现：获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数。
78.由上可知，本技术实施例提供的计算机可读存储介质通过获取目标机构在当前周期内上传的预设时间段内的第一能耗参数；获取所述目标机构在多个周期内的历史能耗参数以及历史天气数据；获取所述目标机构在所述当前周期的已过的时间段的第一天气数据以及在所述当前周期的未过时间段的预测天气数据；根据所述第一能耗参数、所述历史能耗参数、所述历史天气数据、所述第一天气数据以及所述预测天气数据计算目标机构在当前周期的未过时间段的目标能耗参数，从而是对目标能耗参数的预测，可以提高预测的准确性。
79.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的或其它形式的。
80.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
81.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
82.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
83.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
84.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。