并且與其他能源數據無關，則該特定能源數據為基本量，其變化僅與自身約束相關(即該值只要在約束內均認為是合理的，例如開關量只能為0，1，則其約束變為離散量0，I)，從而可以確定該類型的能源數據適用符號函數模型；如果確定特定能源數據具有顯著時間規律并且與其他量無關，則該類別的能源數據適用改進ARMA(自回歸滑動平均)模型；如果確定特定能源數據無顯著時間規律并且與其他量相關，則該類別的能源數據適用貝葉斯網絡；如果確定特定能源數據無顯著數據規律并且該特定能源數據不復雜，則該類別的能源數據適用牛頓分析方法或高斯模型；如果確定特定能源數據無顯著數據規律并且該特定能源數據復雜，則該類別的能源數據適用人工神經網絡或支持向量機模型，例如多項式模型。
[0032]改進ARMA模型除了考慮前η (η為自然數)個時刻的數據點及數據變化值外，還增加了不同時間段(例如季節)的數據間的協方差判定，以增大模型對時間性規律(例如季節性規律)的敏感性。
[0033]在人工智能算法中，對于不復雜的數據類型，可以選擇牛頓分析方法或高斯模型等來快速建立多項式模型；對于復雜的數據類型，可以選擇人工智能或支持向量機等模型來對歷史數據進行訓練；而貝葉斯網絡一般通過計算機語言建立。
[0034]在步驟S130中，根據歷史數據對模型進行訓練，以獲取模型的具體參數及數據正確性的置信區間。
[0035]對于已有模型，可以只需通過對歷史數據的訓練獲取適當參數。例如可以通過參數擬合方法來快速獲取模型在歷史數據下的最佳參數。參數擬合方法可以是蟻群算法、遺傳算法等，相對于一般的擬合方法，以上算法能夠通過少量試驗獲取符合要求的最優參數，且不易陷入局部最優。例如，所述已有模型可以包括ARMA模型或高斯模型等。
[0036]對于不確定性模型，需要通過人工智能算法對歷史數據進行訓練以獲取模型，并將所獲取的模型保存在特定的數據結構內。
[0037]在使用人工智能算法對歷史數據進行訓練之前，需要對歷史數據進行預處理。當使用人工智能算法來訓練模型時，選取當前時刻的前幾個時刻(可以根據需要來選擇)的數據作為輸入量以及當前時刻數據作為輸出量來建立數據模型。在一個示例中，可以通過梯度算法來獲取模型的參數。當確定置信區間參數時，選擇上述輸入量以及輸出量作為輸入量、以及上述輸出量是否正確的標志(一般為O或I)作為輸出量進行訓練，置信區間的上下限分別為實際數據與預測數據的變化度的絕對值。在一個示例中，模型和置信區間的確定是一起獲取的。可以使用一些常用的分類方法和概率統計方法來獲取置信區間，置信空間的判定即是在一定概率范圍內決定數據的正常性，從而為模型提供容錯的空間。優選地，置信區間采用0.03的顯著性水平對實際值進行判定。
[0038]當歷史數據(或訓練數據)較小時，可以執行人工數據校驗，從而降低所產生的模型不準確的可能。當進行人工校驗時，不可避免地導致修改標志位，從而導致訓練數據變化，因此可以確定是否需要在線學習而重新獲取模型(例如模型參數和置信空間)。
[0039]可以通過剪枝算法或核函數來降低模型的維數以獲取最主要的影響參數。
[0040]在步驟S140中，根據所訓練的模型對實時數據進行預測。在一個示例中，可以將預測的實際值(即預測值)數字地輸出。在另一個示例中，可以將預測值圖形地輸出，并且可以將隨時間變化的實際值與預測值在同一圖中輸出。
[0041]圖3示出了根據一個示例的示出作為一個典型能源數據的冷卻水流量隨時間變化的實際值與預測值的圖示，其中預測值是通過應用貝葉斯網絡及牛頓分析方法獲得的。如圖3中所示，預測冷卻水流量與實際冷卻水流量的誤差很小，在置信區間內。
[0042]圖4示出了根據另一個示例的示出作為一個典型能源數據的室外溫度隨時間變化的實際值與預測值的圖示，其中預測值是通過應用改進ARMA模型獲得的。如圖4中所示，預測室外溫度與實際室外溫度的誤差很小，在置信區間內。
[0043]在S150中，通過判斷實際值與預測值之間的偏差是否在置信區間內，對實際值進行修改。
[0044]圖5示出了根據另一個示例的示出作為一個典型能源數據的總用電量隨時間變化的實際值與預測值的圖示。從圖5中可以看出，預測總用電量與實際用電量在位置I和2處的誤差比較大，從而確定在位置I和位置2處存在數據質量問題。位置I處的誤差可以反映由于傳感器故障導致在一段時間內未采集到數據、并且在傳感器恢復正常后存在一段時間電表讀數不變并且繼而突然跳躍的現象，位置2處的誤差可以反映由于網絡故障而導致在一段時間內采集到的數據均為-999。在一個示例中，可以將實際值校正為預測值，其中該預測值例如是通過高斯模型獲得的。
[0045]在步驟S160中，可以通過在線學習或根據更多的歷史數據來對模型進行修改或優化。例如，可以通過粒子群算法對模型參數進行重新擬合以修正優化參數。
[0046]可以對能源數據保存標志位，以指示以下中的一個:(I)為正確數據且位于置信空間內；(2)為錯誤數據且位于置信空間外；(3)為正確數據且處于置信空間外；(4)為錯誤數據且位于置信空間內。當能源數據被指示為(I)或(2)時，表明所確定的模型能正確處理數據；當能源數據被指示為(3)時，可能需要對模型重新學習；當能源數據被指示為(4)時，可能需要對模型在線修正。
[0047]圖2是根據本發明的用于處理能源數據的系統的框圖。
[0048]如圖2中所示，根據本發明的用于處理能源數據的系統可以包括能源數據分類模塊210、能源數據模型確定模塊220、訓練模塊230、實時值預測模塊240、實時值修正模塊250、模型修正優化模塊260。
[0049]能源數據分類模塊210用于根據數據規律對能源數據進行分類。能源數據分類模塊210可以根據特定能源數據是否隨時間變化以及該特定能源數據的變化是否依賴于其他能源數據的變化。例如，可以根據數據規律將能源數據分類為無時間規律并且與其他能源數據無關、具有顯著時間規律并且與其他能源數據無關、無顯著時間規律并且與其他能源數據相關、無顯著數據規律等類別。
[0050]能源數據模型確定模塊220用于根據能源數據分類模塊210所確定的類別來確定能源數據適用的模型。例如，如果確定特定能源數據無時間規律并且與其他能源數據無關，則該特定能源數據為基本量，其變化僅與自身約束相關，從而可以確定該類型的能源數據適用符號函數模型；如果確定特定能源數據具有顯著時間規律并且與其他量無關，則該類別的能源數據適用改進ARMA(自回歸滑動平均)模型；如果確定特定能源數據無顯著時間規律并且與其他量相關，則該類別的能源數據適用貝葉斯網絡；如果確定特定能源數據無顯著數據規律并且該特定能源數據不復雜，則該類別的能源數據適用牛頓分析方法或高斯模型；如果確定特定能源數據無顯著數據規律并且該特定能源數據復雜，則該類別的能源數據適用人工神經網絡或支持向量機模型，例如多項式模型。
[0051]訓練模塊230用于根據歷史數據對模型進行訓練，以獲取模型的具體參數及數據正確性的置信區間。
[0052]實時值預測模塊240用于根據所訓練的模型對實時數據進行預測。在一個示例中，可以將預測的實際值(即預測值)數字地輸出。在另一個示例中，可以將預測值圖形地輸出，并且可以將隨時間變化的實際值與預測值在同一圖中輸出。
[0053]實時值修正模塊250用于通過判斷實際值與預測值之間的偏差是否在