置信區間內，對實際值進行修改。
[0054]模型修正優化模塊260用于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。
[0055]應指出的是，上面對本發明的方法實施例描述的細節也同樣適用于系統實施例。因此，為了清楚簡潔，在此沒有對系統實施例的細節進行描述。
[0056]以上結合具體實施例描述了本發明的基本原理，但是，需要指出的是，對本領域的普通技術人員而言，能夠理解本發明的方法和系統的全部或者任何步驟或者部件可以以軟件、硬件、固件或者它們的組合加以實現，這是本領域普通技術人員在閱讀了本發明的說明的情況下運用他們的基本編程技能就能實現的。
[0057]因此，本發明的目的還可以通過在任何計算裝置上運行一個軟件模塊或者一組軟件模塊來實現。所述計算裝置可以是公知的通用裝置。因此，本發明的目的也可以僅僅通過提供包含實現所述方法或者裝置的程序代碼的程序產品來實現。也就是說，這樣的程序產品也構成本發明，并且存儲有這樣的程序產品的存儲介質也構成本發明。顯然，所述存儲介質可以是任何公知的存儲介質或者將來所開發出來的任何存儲介質。
[0058]雖然本說明書包含許多特定實施方式細節，但是不應當將這些細節解釋為對任何發明或可以主張的內容的范圍的限制，而應當解釋為對可以特定于特定發明的特定實施例的特征的描述。還可以將在本說明書中在分離的實施例的情境中描述的某些特征組合在單個實施例中實現。相反地，也可以將在單個實施方式的情境中描述的各個特征分離地在多個實施方式中實現或在任何適當的子組合中實現。此外，盡管可能在上面將特征描述為在某些組合中起作用，甚至最初主張如此，但是可以在一些情況下將來自所主張的組合的一個或多個特征從組合中刪去，并且可以將所主張的組合指向子組合或者子組合的變體。
[0059]類似地，雖然在附圖中以特定次序描繪了操作，但是不應當將這理解為需要以所示的特定次序或者以連續次序執行這樣的操作、或者需要執行所有圖示的操作才能達到期望的結果。在某些情況下，多任務以及并行處理可以是有利的。此外，不應當將在上述實施例中的各種系統組件的分離理解為在所有實施例中均需要這樣的分離，而應當理解的是，通常可以將所描述的程序組件和系統集成到一起成為單個軟件產品或封裝為多個軟件產品O
[0060]計算機程序(也稱作程序、軟件、軟件應用、腳本或代碼)可以以任何形式的編程語言編寫，所述編程語言包括編譯或解釋語言、或者說明性或過程語言，并且其可以以任何形式部署，包括作為獨立程序或作為模塊、組件、子程序或適于在計算環境中使用的其它單元。計算機程序沒有必要對應于文件系統中的文件。可以將程序存儲在保持其它程序或數據的文件(例如，存儲在標記語言文檔中的一個或多個腳本)的一部分、專用于討論中的程序的單個文件或者多個協調文件(例如，存儲一個或多個模塊、子程序或部分代碼的文件)中。
[0061]上述【具體實施方式】，并不構成對本發明保護范圍的限制。本領域技術人員應該明白的是，取決于設計要求和其他因素，可以發生各種各樣的修改、組合、子組合和替代。任何在本發明的精神和原則之內所作的修改、等同替換和改進等，均應包含在本發明保護范圍之內。
【主權項】
1.一種用于處理能源數據的方法，包括: 根據數據規律對能源數據進行分類； 根據所確定的類別來確定能源數據適用的模型； 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； 根據所訓練的模型對實時數據進行預測； 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；以及 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。2.根據權利要求1所述的方法，其中，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。3.根據權利要求2所述的方法，其中，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。4.根據權利要求3所述的方法，其中: 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，則確定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，則確定該類別的能源數據適用人工神經網絡或支持向量機模型。5.根據權利要求4所述的方法，其中所述改進ARMA模型除了考慮前η個時刻的數據點及數據變化值外，還增加了季節數據間的協方差判定，以增大模型對季節性規律的敏感性，其中η為自然數。6.根據權利要求4所述的方法，其中，對于已有模型，通過對歷史數據的訓練獲取適當參數。7.根據權利要求4所述的方法，其中: 對于不確定性模型，選取當前時刻的前幾個時刻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。8.根據權利要求7所述的方法，其中，置信區間采用0.03的顯著性水平。9.根據權利要求1所述的方法，其中，當歷史數據較小時，執行人工數據校驗。10.根據權利要求1所述的方法，其中，通過剪枝算法或核函數來降低模型的維數。11.根據權利要求1所述的方法，其中，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。12.根據權利要求1所述的方法，其中，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。13.根據權利要求12所述的方法，其中: 當標志位指示為(I)或(2)時，表明所確定的模型能正確處理數據； 當標志位指示為(3)時，表明需要對模型重新學習；以及 當標志位指示為(4)時，表面需要對模型在線修正。14.一種用于處理能源數據的系統，包括: 能源數據分類模塊，用于根據數據規律對能源數據進行分類； 能源數據模型確定模塊，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； 訓練模塊，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； 實時值預測模塊，用于根據所訓練的模型對實時數據進行預測； 實時值修正模塊，用于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；以及 模型修正優化模塊，用于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。
【專利摘要】提供了一種用于處理能源數據的方法和系統。所述方法包括：根據數據規律對能源數據進行分類；根據所確定的類別來確定能源數據適用的模型；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；根據所訓練的模型對實時數據進行預測；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；以及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。
【IPC分類】G05B17/02
【公開號】CN105676670
【申請號】
【發明人】鄧志超
【申請人】北京翼虎能源科技有限公司
【公開日】2016年6月15日
【申請日】2014年11月18日