基于企业用电数据的企业用电预测方法

技术领域

本发明涉及企业用电能耗技术领域，尤其是指基于企业用电数据的企业用电预测方法。

背景技术

为更好地管理和调度企业的用电量，通常需要对企业在未来的用电量进行预测。

传统的企业用电量的预测方法，大多是采用某种算法模型对历史同期的整体用电量进行数据分析，计算出一个预测周期内可能的用电量。然而，单个算法模型往往都有具有局限性，存在精准度较低或对某些特征量的关联度不强，导致最终的企业用电量预测误差较大，不能准确预测企业未来的用电成本导致企业的生产经营蒙受损失。

发明内容

本发明的目的是克服现有技术中的对企业用电量预测误差较大，不能准确预测企业未来的用电成本导致企业的生产经营蒙受损失的缺陷，提供一种基于企业用电数据的企业用电预测方法。

本发明的目的是通过下述技术方案予以实现：

基于企业用电数据的企业用电预测方法，包括以下步骤：

步骤1，获取企业用电数据；

步骤2，对企业用电数据进行挖掘分析，寻找企业用电的多维数据特征；

步骤3，将多维数据特征分别输入至时序模型，时序模型包括Prophet模型和LSTNet模型，将企业用电量作为Prophet模型和LSTNet模型输出结果，对Prophet模型和LSTNet模型进行训练，寻找多维数据特征与企业用电量之间的依赖关系，直到设定的迭代次数完成，得到训练完成的Prophet模型和LSTNet模型；

步骤4，将多维数据特征输入至Prophet模型和LSTNet模型，得出Prophet模型和LSTNet模型的企业用电量预测结果，将Prophet模型和LSTNet模型的企业用电量预测结果得出最终企业用电量预测值：

S＝α·S

其中，S为最终企业用电量预测值，S

步骤5，根据最终企业用电量预测值结合用电量对应的用电单价，得出最终的企业用电成本。

Prophet模型是一个时间序列预测算法，该算法结合了时间序列分解以及机器学习算法，并且可以对存在缺失值和异常值的时间序列进行预测。模型适用于有明显内在规律的、周期性的数据，比如说季节性变化，节假日趋势。专门设计用于时间序列预测的深度学习网络。LSTNet模型通过一种新颖的递归结构(即递归跳跃)来捕获非常长期的依赖模式，并利用输入时间序列信号的周期性来简化优化过程。LSTNet模型结合了与非线性神经网络部分并行的传统自回归线性模型，这使得非线性深度学习模型对于违反尺度变化的时间序列更具鲁棒性。本方案中，将Prophet模型和LSTNet模型进行结合对企业用电量进行预测，通过调整α和β的值可以确保两个模型共同使用后的预测值更为准确。

作为优选，所述步骤4中，所述的α与β为动态变化值：

其中，t为模型优化的次数，n-1为模型优化的次数的最大值；

所述的步骤1中获取企业用电数据为动态更新的企业用电数据，每次模型优化通过更新的企业用电数据完成。

Prophet模型基于统计学，有完整的数学理论支撑，因此更容易从少量的数据中完成学习，因此在优化次数较少的时候，Prophet模型的权重值占比较大，确保了在开始时结果更为准确；LSTNet模型需要更多的数据进行学习，且对多维数据特征的关联性也做的更好，因此，在优化次数较多时，LSTNet模型的权重值占比将显著增大，确保了在多次优化后的结果更为准确。因此，本方案进一步提高了企业用电数据的企业用电预测精度，无论企业是在刚开始运用模型预测时还是在长时间较为稳定运用模型预测时具有较好的预测结果。

作为优选，所述的β＝log

作为优选，所述的步骤3为将多维数据特征分别输入至时序模型，时序模型包括Prophet模型、LSTNet模型和ARIMA模型，将企业用电量作为Prophet模型、LSTNet模型和ARIMA模型输出结果，对Prophet模型、LSTNet模型和ARIMA模型进行训练，寻找多维数据特征与企业用电量之间的依赖关系，直到设定的迭代次数完成，得到训练完成的Prophet模型、LSTNet模型和ARIMA模型；

所述的步骤4为将多维数据特征输入至Prophet模型、LSTNet模型和ARIMA模型，得出Prophet模型、LSTNet模型和ARIMA模型的企业用电量预测结果，将Prophet模型、LSTNet模型和ARIMA模型的企业用电量预测结果得出最终企业用电量预测值：

S＝α·S

其中，S为最终企业用电量预测值，S

ARIMA模型为差分整合移动平均自回归模型，该模型十分简单，只需要内生变量而不需要借助其他外生变量，本方案再引入ARIMA模型后进一步提升了预测的精度，避免了某一个模型预测误差较大导致预测结果总体误差较大的可能性。

作为优选，所述的α与β为动态变化值，所述的γ为固定值：

/>

其中，t为模型优化的次数，n-1为模型优化的次数的最大值，β+γ<1；

所述的步骤1中获取企业用电数据为动态更新的企业用电数据，每次模型优化通过更新的企业用电数据完成。

作为优选，所述的所述的LSTNet模型具体包括：

一维卷积组件：使用Conv1D函数实现，利用卷积层提取时间序列的短期特征，同时捕捉多维变量之间的短期模式，也就是时间维度的局部依赖关系；

循环组件：使用LSTM函数实现，捕获数据的时间依赖性；

循环跳跃组件：使用Lambda层对输入数据维度进行整理，实现数据跳跃短周期链接，然后再输入LSTM层，实现Skip-LSTM过程，捕捉更长期的信息并充分利用序列的周期性；自回归组件：使用Lambda层令数据跳跃短周期链接以消除周期性，再通过Dense层模拟自回归过程；

注意力机制组件：使用基于Softmax激活函数的Dense层实现，使用注意力机制决定哪些维度对于非线性趋势成分起关键作用，以实现不同重要性的维度权值不同的目标。

作为优选，所述的步骤5中，还包括对企业用电成本进行分析，具体为：

判断企业用电成本是否超过设定的阈值，若没有超过设定的阈值，则判断企业用电量预测值正常，继续保持监控；若超过设定的阈值，则判断企业用电量预测值异常，对企业多维数据特征进行调整，通过调整后的数据对时序模型进行训练，再对企业用电成本进行计算，若没有超过设定的阈值则判断企业用电量预测值正常，继续保持监控，若仍超过设定的阈值则继续对企业多维数据特征进行调整，直到企业用电成本没有超过设定的阈值或对企业多维数据特征进行调整的次数达到设定的上限为止。本方案的设计通过对企业多维数据特征进行调整，可以对改变对企业用电量预测值，进而确保企业未来用电量在合理的范围内，企业多维数据特征通过相关人员进行调整，通过多维数据特征的调整进而可以调整企业的用电行为，提高了用电效率。

作为优选，所述的步骤5中，还包括对企业用电成本进行分析，具体为：

判断企业用电成本是否超过设定的阈值，若没有超过设定的阈值，则判断企业用电量预测值正常，继续保持监控；若超过设定的阈值，则先通过企业用电量预测与效益产出关联模型对效益产出进行预测，再判断效益产出是否超出了产出阈值，若效益产出超出了产出阈值，则计算效益产出超出阈值的值是否大于企业用电成本超过设定的阈值的值，若效益产出超出阈值的值大于企业用电成本超过设定的阈值的值则继续保持监控，若未超过则对企业多维数据特征进行调整，通过调整后的数据对时序模型进行训练，再对企业用电成本进行计算，若没有超过设定的阈值则判断企业用电量预测值正常，继续保持监控，若仍超过设定的阈值则继续对企业多维数据特征进行调整，直到企业用电成本没有超过设定的阈值或对企业多维数据特征进行调整的次数达到设定的上限为止。若企业的效益产出的超出值大于企业用电成本的超出值，则可判断尽管企业的企业用电成本增加，但是企业的收益增加大于企业用电成本增加，因此这部分的企业用电成本增加可以认为是正常的企业用电成本增加。

作为优选，若企业用电成本超过设定的第二阈值，则不考虑效益产出超出阈值的值，直接对企业多维数据特征进行调整，通过调整后的数据对时序模型进行训练，再对企业用电成本进行计算，若没有超过设定的阈值则判断企业用电量预测值正常，继续保持监控，若仍超过设定的阈值则继续对企业多维数据特征进行调整，直到企业用电成本没有超过设定的阈值或对企业多维数据特征进行调整的次数达到设定的上限为止。此方案避免了企业用电量预测值过多导致供电压力增加的问题。

本发明的有益效果是：本发明将Prophet模型和LSTNet模型进行结合对企业用电量进行预测，通过调整α和β的值可以确保两个模型共同使用后的预测值更为准确。本发明进一步提高了企业用电数据的企业用电预测精度，无论企业是在刚开始运用模型预测时还是在长时间较为稳定运用模型预测时具有较好的预测结果。

同时本发明通过对企业多维数据特征进行调整，可以对改变对企业用电量预测值，进而确保企业未来用电量在合理的范围内，企业多维数据特征通过相关人员进行调整，通过多维数据特征的调整进而可以调整企业的用电行为，提高了用电效率。

附图说明

图1是本发明的一种流程图。

具体实施方式

下面结合附图和实施例对本发明进一步描述。

实施例：

基于企业用电数据的企业用电预测方法，包括以下步骤：

步骤1，获取企业用电数据；

步骤2，对企业用电数据进行挖掘分析，寻找企业用电的多维数据特征；

步骤3，将多维数据特征分别输入至时序模型，时序模型包括Prophet模型和LSTNet模型，将企业用电量作为Prophet模型和LSTNet模型输出结果，对Prophet模型和LSTNet模型进行训练，寻找多维数据特征与企业用电量之间的依赖关系，直到设定的迭代次数完成，得到训练完成的Prophet模型和LSTNet模型；

步骤4，将多维数据特征输入至Prophet模型和LSTNet模型，得出Prophet模型和LSTNet模型的企业用电量预测结果，将Prophet模型和LSTNet模型的企业用电量预测结果得出最终企业用电量预测值：

S＝α·S

其中，S为最终企业用电量预测值，S

步骤5，根据最终企业用电量预测值结合用电量对应的用电单价，得出最终的企业用电成本。

Prophet模型是一个时间序列预测算法，该算法结合了时间序列分解以及机器学习算法，并且可以对存在缺失值和异常值的时间序列进行预测。模型适用于有明显内在规律的、周期性的数据，比如说季节性变化，节假日趋势。专门设计用于时间序列预测的深度学习网络。LSTNet模型通过一种新颖的递归结构(即递归跳跃)来捕获非常长期的依赖模式，并利用输入时间序列信号的周期性来简化优化过程。LSTNet模型结合了与非线性神经网络部分并行的传统自回归线性模型，这使得非线性深度学习模型对于违反尺度变化的时间序列更具鲁棒性。本方案中，将Prophet模型和LSTNet模型进行结合对企业用电量进行预测，通过调整α和β的值可以确保两个模型共同使用后的预测值更为准确。

所述步骤4中，所述的α与β为动态变化值：

其中，t为模型优化的次数，n-1为模型优化的次数的最大值；

所述的步骤1中获取企业用电数据为动态更新的企业用电数据，每次模型优化通过更新的企业用电数据完成。

Prophet模型基于统计学，有完整的数学理论支撑，因此更容易从少量的数据中完成学习，因此在优化次数较少的时候，Prophet模型的权重值占比较大，确保了在开始时结果更为准确；LSTNet模型需要更多的数据进行学习，且对多维数据特征的关联性也做的更好，因此，在优化次数较多时，LSTNet模型的权重值占比将显著增大，确保了在多次优化后的结果更为准确。因此，本方案进一步提高了企业用电数据的企业用电预测精度，无论企业是在刚开始运用模型预测时还是在长时间较为稳定运用模型预测时具有较好的预测结果。

所述的β＝log

所述的步骤3为将多维数据特征分别输入至时序模型，时序模型包括Prophet模型、LSTNet模型和ARIMA模型，将企业用电量作为Prophet模型、LSTNet模型和ARIMA模型输出结果，对Prophet模型、LSTNet模型和ARIMA模型进行训练，寻找多维数据特征与企业用电量之间的依赖关系，直到设定的迭代次数完成，得到训练完成的Prophet模型、LSTNet模型和ARIMA模型；

所述的步骤4为将多维数据特征输入至Prophet模型、LSTNet模型和ARIMA模型，得出Prophet模型、LSTNet模型和ARIMA模型的企业用电量预测结果，将Prophet模型、LSTNet模型和ARIMA模型的企业用电量预测结果得出最终企业用电量预测值：

S＝α·S

其中，S为最终企业用电量预测值，S

ARIMA模型为差分整合移动平均自回归模型，该模型十分简单，只需要内生变量而不需要借助其他外生变量，本方案再引入ARIMA模型后进一步提升了预测的精度，避免了某一个模型预测误差较大导致预测结果总体误差较大的可能性。

所述的α与β为动态变化值，所述的γ为固定值：

其中，t为模型优化的次数，n-1为模型优化的次数的最大值，β+γ<1；

所述的步骤1中获取企业用电数据为动态更新的企业用电数据，每次模型优化通过更新的企业用电数据完成。

所述的所述的LSTNet模型具体包括：

一维卷积组件：使用Conv1D函数实现，利用卷积层提取时间序列的短期特征，同时捕捉多维变量之间的短期模式，也就是时间维度的局部依赖关系；

循环组件：使用LSTM函数实现，捕获数据的时间依赖性；

循环跳跃组件：使用Lambda层对输入数据维度进行整理，实现数据跳跃短周期链接，然后再输入LSTM层，实现Skip-LSTM过程，捕捉更长期的信息并充分利用序列的周期性；自回归组件：使用Lambda层令数据跳跃短周期链接以消除周期性，再通过Dense层模拟自回归过程；

注意力机制组件：使用基于Softmax激活函数的Dense层实现，使用注意力机制决定哪些维度对于非线性趋势成分起关键作用，以实现不同重要性的维度权值不同的目标。

所述的步骤5中，还包括对企业用电成本进行分析，具体为：

判断企业用电成本是否超过设定的阈值，若没有超过设定的阈值，则判断企业用电量预测值正常，继续保持监控；若超过设定的阈值，则判断企业用电量预测值异常，对企业多维数据特征进行调整，通过调整后的数据对时序模型进行训练，再对企业用电成本进行计算，若没有超过设定的阈值则判断企业用电量预测值正常，继续保持监控，若仍超过设定的阈值则继续对企业多维数据特征进行调整，直到企业用电成本没有超过设定的阈值或对企业多维数据特征进行调整的次数达到设定的上限为止。本方案的设计通过对企业多维数据特征进行调整，可以对改变对企业用电量预测值，进而确保企业未来用电量在合理的范围内，企业多维数据特征通过相关人员进行调整，通过多维数据特征的调整进而可以调整企业的用电行为，提高了用电效率。

所述的步骤5中，还包括对企业用电成本进行分析，具体为：

判断企业用电成本是否超过设定的阈值，若没有超过设定的阈值，则判断企业用电量预测值正常，继续保持监控；若超过设定的阈值，则先通过企业用电量预测与效益产出关联模型对效益产出进行预测，再判断效益产出是否超出了产出阈值，若效益产出超出了产出阈值，则计算效益产出超出阈值的值是否大于企业用电成本超过设定的阈值的值，若效益产出超出阈值的值大于企业用电成本超过设定的阈值的值则继续保持监控，若未超过则对企业多维数据特征进行调整，通过调整后的数据对时序模型进行训练，再对企业用电成本进行计算，若没有超过设定的阈值则判断企业用电量预测值正常，继续保持监控，若仍超过设定的阈值则继续对企业多维数据特征进行调整，直到企业用电成本没有超过设定的阈值或对企业多维数据特征进行调整的次数达到设定的上限为止。若企业的效益产出的超出值大于企业用电成本的超出值，则可判断尽管企业的企业用电成本增加，但是企业的收益增加大于企业用电成本增加，因此这部分的企业用电成本增加可以认为是正常的企业用电成本增加。

若企业用电成本超过设定的第二阈值，则不考虑效益产出超出阈值的值，直接对企业多维数据特征进行调整，通过调整后的数据对时序模型进行训练，再对企业用电成本进行计算，若没有超过设定的阈值则判断企业用电量预测值正常，继续保持监控，若仍超过设定的阈值则继续对企业多维数据特征进行调整，直到企业用电成本没有超过设定的阈值或对企业多维数据特征进行调整的次数达到设定的上限为止。此方案避免了企业用电量预测值过多导致供电压力增加的问题。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。