一种基于大数据的电力资源调配方法与流程

本发明属于电力调配领域，涉及大数据技术，具体是一种基于大数据的电力资源调配方法。

背景技术：

1、现有的电力资源调配方法在进行电力资源调配时存在以下缺陷：

2、1、现有的电力资源调配方法在进行区域用电量预测时，通常不对单个用电单位进行预测，通常只针对一个大的区域进行用电量预测，导致预测结果缺乏准确性；

3、2、现有的电力资源调配方法通过大数据技术选取数据分析样本没有与目标用电单位进行用电量匹配，选取的样本日期也没有与目标电力调度日期进行天气匹配，导致获取的数据分析样本缺乏针对性，从而使预测结果出现偏差。

4、为此，我们提出一种基于大数据的电力资源调配方法。

技术实现思路

1、针对现有技术存在的不足，本发明目的是提供一种基于大数据的电力资源调配方法，本发明基于获取第一分析样本日期至第a分析样本日期，得到样本日期数据，根据样本日期数据获取第一用电同比系数至第b用电同比系数、第一样本用电单位至第b样本用电单位以及目标用电同比系数，得到同比用电数据，根据同比用电数据获取预测基准用电量、目标周期用电系数以及第一周期用电系数至第b周期用电系数，得到周期用电数据，根据同比用电数据和周期用电数据创建用电预测模型对电力调控区域进行电力预测，并根据电力调控区域预测用电量对电力调控区域进行电力调控。

2、为了实现上述目的，本发明采用了如下技术方案：一种基于大数据的电力资源调配方法，包括具体以下步骤：

3、步骤s1：获取电力调控区域，在电力调控区域选取一个目标用电单位，获取目标电力调度日期，根据目标电力调度日期选取目标用电单位对应的多个特征日期，对每一个特征日期进行天气分析，得到多个天气匹配系数，通过天气匹配系数从多个特征日期筛选第一分析样本日期至第a分析样本日期，得到样本日期数据；

4、步骤s2：根据样本日期数据获取第一用电临界值、第二用电临界值以及若干个用电单位，根据第一用电临界值和第二用电临界值在若干个用电单位筛选出多个样本用电单位，并分别对样本用电单位以及多个样本用电单位进行用电同比系数获取，得到多个用电同比系数，将用电同比系数和多个样本用电单位定义为同比用电数据；

5、步骤s3：根据同比用电数据分别对目标用电单位以及多个样本用电单位对应的周期用电系数进行获取，得到多个周期用电系数，并对多个样本用电单位进行周期平均单日用电量分析，得到预测基准用电量，将多个周期用电系数和预测基准用电量定义为周期用电数据；

6、步骤s4：根据同比用电数据和周期用电数据创建用电预测模型对电力调控区域进行电力预测，得到电力调控区域预测用电量，并根据电力调控区域预测用电量对电力调控区域进行电力调控。

7、进一步地，所述步骤s1中，还包括具体以下步骤：

8、步骤s11：在电力调控区域随机选取一个用电单位作为目标用电单位；

9、步骤s12：获取目标电力调度日期，并以目标电力调度日期为中间日期标记一个用电分析时段；

10、步骤s13：分别选取d个历史年度作为比较分析年度，分别对每一个比较分析年度中的用电分析时段进行标记，得到多个特征日期，并在多个特征日期中随机选取一个样本特征日期；

11、步骤s14：对样本特征日期进行天气分析，得到样本特征日期对应的天气匹配系数；

12、步骤s15：重复步骤s14，分别对每一个特征日期对应的天气匹配系数进行获取；

13、步骤s16：获取天气匹配系数阈值，将每一个特征日期对应的天气匹配系数与天气匹配系数阈值进行数值比对，当天气匹配系数小于天气匹配系数阈值时，将对应的特征日期标记为分析样本日期，得到多个分析样本日期，并将其分别命名为第一分析样本日期至第a分析样本日期；

14、步骤s17：将第一分析样本日期至第a分析样本日期定义为样本日期数据。

15、进一步地，所述步骤s14中，还包括具体以下步骤：

16、步骤s141：获取历史天气数据，根据历史天气数据获取样本特征日期对应的温度数值和风力强度数值，并将其分别命名为第一温度数值和第一风力强度数值；

17、步骤s142：获取目标电力调度日期对应的温度数值和风力强度数值，并将其分别命名为第二温度数值和第二风力强度数值；

18、步骤s143：将第一温度数值、第一风力强度数值、第二温度数值以及第二风力强度数值通过计算得到天气匹配系数；

19、对天气匹配系数进行计算，具体公式配置如下：

20、；

21、其中，tqx为天气匹配系数，qw1为第一温度数值，qw2为第二温度数值，wd1为第一风力强度数值，wd2为第二风力强度数值。

22、进一步地，所述步骤s2中，还包括具体以下步骤：

23、步骤s21：获取样本日期数据，根据样本日期数据获取第一分析样本日期至第a分析样本日期；

24、步骤s22：获取历史用电记录，根据历史用电记录获取目标用电单位在第一分析样本日期至第a分析样本日期对应的单日用电量，得到第一单日用电量至第a单日用电量；

25、步骤s23：对第一单日用电量至第a单日用电量进行平均数计算，得到单日平均用电量，对第一单日用电量至第a单日用电量进行方差计算，得到单日平均用量方差；

26、步骤s24：获取第一用电临界值和第二用电临界值；

27、步骤s25：通过大数据爬虫技术获取若干个用电单位，获取每一个用电单位在第一分析样本日期至第a分析样本日期的平均单日用电量，得到多个平均当日用电量；

28、步骤s26：当平均当日用电量处于第一用电临界值与第二用电临界值之间，则将对应的用电单位标记为样本用电单位，得到多个样本用电单位，并将其分别命名为第一样本用电单位至第b样本用电单位；

29、步骤s27：根据第一单日用电量至第a单日用电量对目标用电单位进行同比分析，得到目标用电同比系数；

30、步骤s28：分别对第一样本用电单位至第b样本用电单位进行用电同比系数获取，得到第一用电同比系数至第b用电同比系数；

31、步骤s29：将第一用电同比系数至第b用电同比系数、第一样本用电单位至第b样本用电单位以及目标用电同比系数定义为同比用电数据。

32、进一步地，所述步骤s24中，还包括具体以下步骤：

33、步骤s241：将单日平均用电量和单日平均用量方差通过计算得到第一用电临界值；

34、对第一用电临界值进行计算，具体公式如下：

35、；

36、其中，fw1为第一用电临界值，ydp为单日平均用电量，ydf为单日平均用量方差；

37、步骤s242：将单日平均用电量和单日平均用量方差通过计算得到第二用电临界值；

38、对第二用电临界值进行计算，具体公式如下：

39、；

40、其中，fw2为第二用电临界值，ydp为单日平均用电量，ydf为单日平均用量方差。

41、进一步地，所述步骤s27中，还包括具体以下步骤：

42、步骤s271：将第一单日用电量至第a单日用电量按照年份进行分组，得到i个年份用电量分组，并将其分别命名为第一年份用电量分组至第i年份用电量分组；

43、步骤s272：对第一年份用电量分组中的若干个单日用电量进行平均数计算，得到第一年份平均单日用电量；

44、步骤s273：对第二年份用电量分组至第i年份用电量分组分别对应的年份平均单日用电量进行获取，得到第二年份平均单日用电量至第i年份平均单日用电量；

45、步骤s274：将第一年份平均单日用电量至第i年份平均单日用电量通过计算得到目标用电单位对应的用电同比系数，并将其命名为目标用电同比系数；

46、具体如下：

47、；

48、其中，hbm为目标用电单位对应的用电同比系数，nf1至nfi分别为第一年份平均单日用电量至第i年份平均单日用电量。

49、进一步地，所述步骤s3中，还包括具体以下步骤：

50、步骤s31：获取同比用电数据，根据同比用电数据分别获取第一样本用电单位至第b样本用电单位；

51、步骤s32：在当时日期之前，选取一个监测时间周期，在监测周期内分别选取多个周期监测日期，并将其分别命名为第一周期监测日期至第c周期监测日期；

52、步骤s33：对目标用电单位进行周期用电分析，得到目标周期用电系数；

53、步骤s34：分别对第一样本用电单位至第b样本用电单位对应的周期用电系数进行获取，得到第一周期用电系数至第b周期用电系数；

54、步骤s35：获取第一样本用电单位在第一目标周期用电量至第c目标周期用电量分别对应的单日用电量，得到多个单日用电量，并对多个单日用电量进行平均数计算，得到第一样本用电单位对应的周期平均单日用电量；

55、步骤s36：分别对第二样本用电单位至第b样本用电单位对应的周期平均单日用电量进行获取，得到多个周期平均单日用电量，并对其进行平均数计算，得到预测基准用电量；

56、步骤s37：将预测基准用电量、目标周期用电系数以及第一周期用电系数至第b周期用电系数定义为周期用电数据。

57、进一步地，所述步骤s33中，还包括具体以下步骤：

58、步骤s331：获取目标用电单位在第一周期监测日期至第c周期监测日期分别对应的用电量，得到第一目标周期用电量至第c目标周期用电量；

59、步骤s332：将第一目标周期用电量至第c目标周期用电量通过计算得到目标用电单位对应的周期用电系数，并将其命名为目标周期用电系数；

60、对目标用电单位对应的周期用电系数进行计算，具体公式如下：

61、；

62、其中，zym为目标用电单位对应的周期用电系数，zy1至zyc分别为第一目标周期用电量至第c目标周期用电量。

63、进一步地，所述步骤s4中，还包括具体以下步骤：

64、步骤s41：获取同比用电数据，根据同比用电数据获取第一用电同比系数至第b用电同比系数、第一样本用电单位至第b样本用电单位以及目标用电同比系数；

65、步骤s42：获取目标用电单位对应的用电预测系数；

66、步骤s43：根据第一周期用电系数至第b周期用电系数、第一用电同比系数至第b用电同比系数以及预测基准用电量对第一样本用电单位至第b样本用电单位对应的用电预测系数进行获取，得到第一用电预测系数至第b用电预测系数；

67、步骤s44：将目标电力调度日期之前标记一个预测验证日期，分别获取第一样本用电单位至第b样本用电单位在预测验证日期的单日用电量，得到第一验证用电量至第b验证用电量；

68、步骤s45：通过第一用电预测系数至第b用电预测系数和第一验证用电量至第b验证用电量建立用电预测模型；

69、步骤s46：将目标用电单位对应的用电预测系数代入用电预测模型，并对用电预测模型输出的验证用电量进行获取，得到目标用电单位在目标电力调度日期的预测用电量；

70、步骤s47：分别对电力调控区域内的每一个用电单位在目标电力调度日期的预测用电量进行获取，得到多个预测用电量，并对所得的多个预测用电量进行求和，得到电力调控区域预测用电量；

71、步骤s48：通过大数据获取电力调控区域预计供电量，当电力调控区域预测用电量大于电力调控区域预计供电量，则增大对电力调控区域的供电量，当区域预测用电量小于电力调控区域预计供电量，则降低对电力调控区域的供电量；

72、所述步骤s42中，还包括具体以下步骤：

73、步骤s421：获取周期用电数据，根据周期用电数据获取预测基准用电量、目标周期用电系数以及第一周期用电系数至第b周期用电系数；

74、步骤s422：将目标用电同比系数、目标周期用电系数以及预测基准用电量通过计算得到目标用电单位对应的用电预测系数；

75、对用电预测系数进行计算，具体如下：

76、；

77、其中，ydx为目标用电单位对应的用电预测系数，jyl为预测基准用电量，hbm为目标用电同比系数，zym为目标周期用电系数。

78、进一步地，所述步骤s45中，还包括具体以下步骤：

79、步骤s451：将第一用电预测系数至第b用电预测系数和第一验证用电量至第b验证用电量建立多项式拟合函数；

80、多项式拟合函数具体如下：

81、；

82、其中，y为验证用电量，x为用电预测系数，a0至an多项式拟合函数的系数，n为多项式拟合函数的阶数；

83、步骤s452：将第一用电预测系数至第b用电预测系数和第一验证用电量至第b验证用电量分别代入多项式拟合函数，计算得到验证用电量的残差平方和函数rss；

84、步骤s453：分别对残差平方和函数rss中多项式拟合函数的系数a0至an进行偏导数求取，得到n个含有未知数a0至an的函数表达式，并将n个含有未知数a0至an的函数表达式进行联立，得到n组含有a0至an的方程组，并对方程组求解，得到a0至an的具体数值；

85、步骤s454：将a0至an的具体数值回代至多项式拟合函数，得到用电预测模型。

86、综上所述，由于采用了上述技术方案，本发明的有益效果是：

87、1、本发明通过对每一个特征日期进行天气分析，得到多个天气匹配系数，通过天气匹配系数从多个特征日期筛选第一分析样本日期至第a分析样本日期，得到样本日期数据，能够有效提高样本日期与目标电力调度日期的天气相关性，从而保证用电量预测的准确性。

88、2、本发明根据同比用电数据和周期用电数据创建用电预测模型对电力调控区域进行电力预测，得到电力调控区域预测用电量，并根据电力调控区域预测用电量对电力调控区域进行电力调控，降低电力浪费和供应不足的风险，确保电力供应的稳定性和可靠性。