用电问题一直是电力企业面临的难题，例如窃电问题不仅损害了供电企业的合法权益，扰乱了正常的供用电秩序，而且给安全用电带来了威胁[1]。用电浪费现象普遍存在于工作和生活中，造成巨大能源损耗的同时，影响了我国经济可持续发展的能力。因此，在满足用户正常的用电需求，创建节约友好型社会的背景下，如何利用大数据实现用电量的分析和预测具有重要意义。

近年来，国内外高校纷纷开始建立校园能耗监测平台，用以监督校园用电情况，以此达到节能减排的目的[2]。另一方面，能耗监测平台也为校园用电量的预测提供了数据支撑，而用电量预测正是智能电网中的需求响应和调度的重要环节[3-6]。

“不想，我只想我的程江，程江出差四天了，说好今天回来的啊，怎么到现在还不回来，他爱吃的红烧肉我都做好了。”李莉打断梅子的话，佯装看着窗外。

本文基于福州大学校园能耗监测平台提供的历史用电数据，通过机器学习方法[7-8]对于福州大学的用电情况进行分析和预测。本文基于Azure机器学习平台[9-10]快速构建了用电数据的分析平台，并根据评估数据和实验计算结果，得出影响用电量的主要因素为最高最低气温以及工作日程安排。根据影响因素的分析结果，本文进一步提出了基于用电突变气温的分段式预测方法：将用电量数据根据用电当日最高气温进行分类，进而基于用电突变气温将用电量数据划分为两段分别进行训练和预测。实际预测结果表明，基于用电突变气温的分段式预测方法能够有效降低预测误差，且其预测精度已经能够满足大多数应用的需求，能够为学校相关部门以及电网配电部门提供有效的参考[11-12]。

下文分别从数据源、基于Azure机器学习平台的数据分析方法、校园用电影响因素分析、校园用电预测等环节对于研究工作进行详细描述。

1 用电数据说明

本文分析所用数据主要有以下两个来源：

前期做好闸坝的地质环境勘察作业，平均水流速每秒在6m上下。在科学地质考察基础上，制定工程量清单、合同日期、工期时间等，并对工程建设的各项条款、内容等进行明确，其中包括《质量控制规范》、《施工安全条例》等。在设计过程中，施工理念在于严格遵守相关规范，并积极借鉴三峡水电站、溪洛渡水电站成功施工经验，将其用到设计方案之中。当文件准备齐全之后，建设单位安排混凝土材料进场，对混凝土材料质量、参数、砂石料、搅拌机设备等进行试验检查，保障其能够满足施工质量要求基础上，进行下一步施工作业。

1）天气数据。通过福建省福州市闽侯县（福州大学校园所在地）气象局采集 2016年 4月 1日至2017年3月31日时间段内最高温度和最低温度的数据。

根据以上结果，本文提出采取分段预测的方法会得到更好的用电量预测效果。为了进行分段预测，本文首先给出用电突变气温的计算方法：基于历史用电量数据计算出不同最高温度下的用电量平均值T，随后从低温到高温逐个根据以下公式计算Δ，即

2）历史用电量数据。通过福州大学校园节能监管平台（见图 1）导出对校园内每栋楼的能耗统计数据。综合考虑不同人群和楼宇的用电特点，本文选取了福州大学学生公寓2号楼（本科男生）、5号楼（本科女生）、36号楼（研究生）和西三教学楼的用电数据进行分析。时间跨度为2016年4月1日至2017年3月31日，用电量数据精度为每天。

图1 福州大学校园节能监管平台

另一方面，最高气温和最低气温对于用电量预测都存在影响。在只考虑工作日用电量的情况下，综合考虑最高气温和最低气温的影响具有最高的预测精度。除了36号楼之外，对于其他宿舍楼进行了相同的分析，得到了类似的分析结论。由于篇幅限制，本文不再列出详细数据。

2 基于Azure机器学习平台的数据分析

本文首先以福州大学 36号研究生宿舍楼的用电数据集为分析对象，选取当日最高气温、最低气温的天气数据作为影响用电量的主要影响因素。另一方面，根据大学的作息特性，将用电量数据划分为：工作日、周末、寒暑假三类。进而在考虑不同天气数据和不同用电量数据集的情况下，基于第 2节所述的操作步骤，在Azure ML平台中采用增强决策树回归（boosted decision tree regression）算法分别建立预测模型，并对预测精度进行评估，得到的影响因素评估表见表1。

基于Azure ML的数据分析流程如图2所示，主要由导入数据、数预处理、定义特征、训练模型和模型评价5个基本步骤组成。下文将结合本文所讨论的用电量数据进行介绍。

图2 基于Azure ML平台的用电量预测流程图

2.1 导入数据

在进入Azure ML平台并选择新建试验后，可以采用两种方式将数据导入到试验中：①手动导入到试验中；②通过Reader模块在线与其他数据库匹配读取。福州大学校园节能监管平台并未提供开放的数据接口，本文采用手动导入数据的方式，数据格式必须为CSV格式，通过实验中的DATASET选项导入。

2.2 数据预处理

数据预处理主要分为删除缺失值、异常值处理、数据离散化、归一化处理等。在本文所获取的用电量数据中，寒暑假与周末的用电量存在特殊性，同时部分历史用电量存在缺失等问题，会给分析和预测造成影响。针对这个问题，本文采用了Azure ML的数据分割（Split Data）模块，能够根据设置参数自动对数据集的成分进行筛选，清除掉缺失值与异常值。

2.3 定义特征

导入平台的数据集中，包含着各种特征量，如本文研究涉及的特征量有用电量、最低温度、最高温度等。Azure ML通过“select-columns”（选择数据列）模块筛选出预测模型的特征变量，并传递到下一步机器学习算法中进行训练与评估。“selectcolumns”模块可以直接对数据特征进行选择，不需要在每次试验结束后，对数据进行重新导入，能够有效地提高工作效率。

2.4 应用机器学习算法

本文研究拟基于天气数据和历史用电量数据构建预测模型，Azure ML针对预测数据提供了大量回归算法，本文在Azure ML中采用不同的回归算法模块对校园用电数据进行试验，选取两种效果最佳的算法进行对比分析，即最小二乘法的线性回归（linear-regression）方法[15]，以及增强决策树回归（boosted decision tree regression）方法[16-18]，分别对数据进行处理。两者在处理数据结果上的差异将在本文第4节进行讨论。

式（1）、式（2）中，xi表示历史用电量值，表示用电量预测值，n表示测试集的数据个数。

由图3可以看到，每栋楼的用电量曲线存在一个明显的拐点。这是因为低温区与高温区的用电量存在明显的差异：在低温区，用电设备是计算机、照明、热水器等日常用电设备，用电量随着气温变化的趋势不明显；而在高温区，空调等降温设备开始投入使用，同时用电量与气温存在显著的相关性。

2.5 模型性能评估

Azure ML提供了模型评估（Evaluate Model）模块，用于对预测模型进行性能评估，平台自带的评估指标包括：受试者工作特征（ROC）曲线、精度/召回曲线或提升曲线、混淆矩阵、曲线下面积（AUC）的累积值等。同时Azure ML还可以将模型测试（Score Model）模块的测试结果导出，由外部程序进行分析和处理。

3 校园用电影响因素分析

本文采用微软 Azure机器学习平台（microsoft azure machine learning studio, Azure ML）对用电数据进行分析。Azure ML是一种面向机器学习与大数据分析的云服务平台[13]（Platform-as-a- Service,PaaS），能够有效提升采用机器学习方法进行数据分析的效率。该平台的优势[14]主要有：能够在单个实验中一次性尝试多种模型并比较结果，有助于找到最适合的解决方案。在同一个试验中建立多算法模型，对预测结果进行对比分析，通过选择合适的学习算法和海量数据的训练，从而达到建立预测模型的目的。

每栋楼的用电量各不相同，本文的性能分析采用均方根误差（RMSE）和平均相对误差（MRE）两个指标同时对于预测结果进行分析，即

数据分割（Split Data）模块将筛选后的数据按照默认比值 0.75∶0.25拆分为单独的训练数据集和预测数据集，分别用于模型的训练和测试。经模型训练（Train Model）模块拟合出的预测模型，将导入模型测试（Score Model）模块中，进而输入测试集数据用于评估模型的性能。

①中文版糖尿病自我管理行为量表（Chinese version Scale of the Diabetes Self-care Activities，SDSCA）经过患者知情同意后，对其使用SDSCA进行调查。糖尿病自我管理行为量表由Toobert等[6]修订，我国万巧琴等[7]对其进行翻译，测得SDSCA总体Cron-bach's α为0.62，重测信度0.83。翻译后量表由11个条目组成，分别反映普通饮食、特殊饮食、运动、血糖监测、足部护理、药物等6个方面内容，其中10个条目为正向题，1个条目为反向题，每个条目按0～7分8级计分，总分0～77分，得分越高，说明自我管理行为越好。

由表1的结果可以看出，寒暑假的用电量与平时存在较大的差异，是否考虑寒暑假的用电量对于用电预测模型具有很大影响。若不考虑寒暑假的用电量，则可以使预测的均方根误差降低约40%。类似地，周末与工作日的用电模式也存在一定差异。与综合考虑周末和工作日的用电量数据得到的预测模型相比，只考虑工作日用电量的预测模型可以降低10%左右的均方根误差。

表1 用电量影响因素分析表

注：1代表选择该特征量，0代表不选择该特征量。

最高气温最低气温寒暑假用电量周末用电量工作日用电量增强决策树回归均方根误差增强决策树回归平均相对误差/%1 1 1 1 1 219.707 14.9 1 0 1 1 1 228.686 15.5 0 1 1 1 1 240.365 16.2 1 1 0 1 1 139.260 9.4 1 0 0 1 1 134.819 9.1 0 1 0 1 1 135.712 9.2 1 1 0 0 1 122.189 8.3 1 0 0 0 1 131.914 8.9 0 1 0 0 1 126.546 8.6

本文在Azure ML机器学习平台上分析4组数据，每组数据源为一个4×365的矩阵，其中列特征量分别是日期、日最高温度、日最低温度、日用电量4个变量。行特征量代表样本点，表示当前日期下的最高温、最低温和用电量的特征值。

根据上述分析结果，本文后续分析将只考虑工作日的用电量数据，并综合考虑最高气温和最低气温的影响。本文后续部分将进一步探讨如何提升用电量的预测精度。

4 用电突变气温分析

基于第3节分析的结果，本文将2号楼、5号楼、36号楼和西三教学楼的全年用电量数据，按照最高气温分组并取平均值，得到相同最高气温下的平均用电量，如图3所示。

脱离了学校约束的莫言，摆脱了各种条条框框的束缚，这意味着他能以自己的主体悟性和生命感觉去感知世界和表达世界。被迫的教育“真空”虽然使莫言遭遇了他人无从体会的痛苦，却也促成了莫言自由自在的想象力和敏锐的感觉能力。他能听到别人听不到的声音，嗅到别人嗅不到的气味，观察到别人忽略的美丽景致，而这恰恰是形成他独特的文学风格的重要元素。天马行空的想象力、与众不同的感觉能力使莫言的创作从形式到内容都进入了“一种完全没有任何束缚和拘束的，随心所欲的自由境界”[11]。

图3 相同最高气温下的平均用电量

1.4.2 对234只母羊同期发情处理，用大豆卵磷脂效果最优组与C组低温保存至第9 d的精液(精子活率大于0. 5)对234只饲养管理条件一致，体况良好，无繁殖障碍的发情母羊进行人工授精，大豆卵磷脂效果最优组(112只)、C组(122只)，用B超在第40 d检测受胎情况。

现阶段，我国经济金融发展状态十分乐观，在国际金融中充当着重要的角色，并对国际经济环境具有重要的影响力。我国经济金融管理与研究部门应该针对我国经济发展特点，完善以国家利益为核心的经济金融政策，制定与我国国情相符的经济政策。

式中，k表示当前最高气温值；nk定义为区间参数，可取为正整数。

给定突变参数阈值θ，若满足Δ＜θ，则认定最高气温 k为用电突变气温。nk和θ 为自定义参数，其不同取值将影响用电突变气温选择的结果。根据图3平均用电量曲线图式（3）将分析数据源的nk取1～5之间的整数，θ 取0～1之间的小数，在Azure ML平台上对不同的用电数据源进行测试分析，得到nk=3，θ =0.6时，数据模型的预测预测效果最佳，根据式（3）分别计算出学生公寓2号楼、5号楼、36号楼和西三教学楼的用电数据突变气温见表2。

随着网络技术快速地发展，公司应加大网监的力度专人专门来负责，设置维度指标，处理好机房进出人员的身份信息和确认。并且针对公司的特定状况，开发相应的技术来保护数据信息。网络技术的进一步发展也使得实时处理成为可能，很多业务往往在发生的第一时间通过远离企业的计算机把既定工作顺利搞定，完成工作，从原有的多个部门协同作战的事项，变成了单个部门甚至个人解决。所以说，精简了工作流程内控的范围也变得广泛起来，也使得更趋复杂。

表2 用电量突变气温

楼号 用电量突变气温/℃26 31 32 29 2号楼 5号楼 36号楼 西三教学楼

从表2可以看出，用电主体与用电环境之间均存在差异性，使得每栋楼的用电量突变气温也不太一样。福州大学 2号楼为男生宿舍楼，5号楼为女生宿舍楼，36号为研究生宿舍楼，其用电突变气温的差异符合常识中不同性别和年龄对于温度感受的差异。

5 校园用电量预测

基于第4节的分析，本文提出基于用电量突变气温的分段预测方法，并对其预测精度进行分析。用电数据为福州大学2号楼、5号楼、36号楼、西三教学楼。在分段预测方法中，每栋楼的用电数据根据表2提供的用电突变气温划分为“平稳段”和“上升段”两个部分，分段样本点见表 3，采用增强决策树回归算法对两部分数据进行机器学习。在相同条件下，将分段预测结果与传统的整段预测结果进行对比分析，结果见表4。

表3 分段样本点

样本点楼号2号楼 5号楼 36号楼 西三教学楼平稳段 205 200 198 180上升段 160 165 167 185

表4 分段与整体预测结果对比

楼号 整体预测均方根误差分段预测均方根误差整体预测平均相对误差/%分段预测平均相对误差/%2号楼 959.3 830.9 12.4 10.7 5号楼 669.2 562.7 12.9 10.8 36号楼 122.2 93.7 8.3 6.3西三教学楼 266.7 195.2 11.8 8.7

从表4可以看出，分段预测能够有效降低用电量预测的均方根误差与平均相对误差。相比于整体预测，分段预测能够降低13%～27%的均方根误差，平均相对误差也能够控制在 10.8%以内。以上结果证明了分段预测方法的有效性。

本文中的数据分析主要采用的是增强决策树回归算法。为了证明该算法的有效性，本节将该算法与基于最小二乘法的线性回归算法进行对比。在Azure ML平台中分别采用这两种算法基于福州大学2号楼、5号楼、36号楼、西三教学楼的用电量数据进行了分析和预测，其预测结果的对比见表5。

当前，世界各国都在积极推动绿色建筑的发展，绿色建筑在其发展的过程中反映出许多优势，例如土地资源节约、节能、节水、节材和废弃混凝土的重新利用。绿色建筑的实践基础是建立在评价和认证系统上的，采用该方法定量检测建筑的设计生态目标来达到预期的效果，通过采用量化的指标来决定实现预期环境性能的实现程度[1]。

表5 增强决策树回归与线性回归算法预测结果对比

楼号增强决策树回归均方根误差线性回归均方根误差增强决策树回归平均相对误差/%线性回归平均相对误差/%2号楼 959.3 1224.5 12.4 15.8 5号楼 669.2 802.2 12.9 15.5 36号楼 122.2 194.6 8.3 13.2西三教学楼 266.7 295.1 11.8 13.1

由表5可知，增强决策树回归算法得到的预测模型相比于线性回归算法得到的预测模型，其预测结果的均方根误差要小 9.6%～21.7%，平均相对误差也要减少 1.3%至 4.9%。因此证明了增强决策树回归算法具有更好的预测效果。

骨料的选择，包括粗骨料和细骨料，其中细骨料以天然砂和机制砂为主，实际拌制过程中，一般选择中砂拌制，采用粗砂、细砂拌制时，需分别提高和降低砂率；与此同时，需对砂的外观、有害物质含量、含泥量等作出检测。而粗骨料以小的碎石为主，根据要求，粗骨料的颗径不得超过0.75倍的钢筋净距，且不得超过0.5倍的板厚，除此之外，粗骨料中的要害物质含量、碱活性不得超过相关规定。掺合料的选择以粉煤灰为主，选择的掺合量应符合国家现行的相关规定，与此同时，掺合料在运输的过程中，不得与其他的原料混合运送。除此之外，注意防潮工作的推行。选择合适的水源，需符合国家现行道路工程施工用水要求的同时，应禁止使用海水进行拌制。

6 结论

本文基于用电数据和天气数据，通过Azure机器学习平台对于福州大学校园的用电情况进行了数据分析，总结出了影响用电量的两大因素：气温与工作日程安排。根据分析结果，本文进一步提出了基于用电突变气温的分段式预测方法，并通过测试数据证明了该方法能够有效降低用电量预测的误差。数据分析结果证明，该方法的预测精度已经能够满足大多数应用的需求，能够为学校相关部门以及电网配电部门提供有效的参考。

参考文献

[1] 陈晶晶, 李红娇, 许智. 基于随机森林的用电行为分析[J]. 上海电力学院学报, 2017(4): 331-336.

[2] 王仁祥, 王小曼. 终端用户分布式新能源接入智能配电网技术研究[J]. 电气技术, 2010, 11(8): 58-62.

[3] Stroombergen A, Tait A, Patterson K, et al. The relationship between New Zealand's climate, power,and the economy to 2025[J]. New Zealand Journal of Social Sciences, 2006, 13(1): 139-160.

[4] Wang Zhiyong, Cao Yijia. Mutual information and non-fixed ANNs for daily peak load forecasting[J].Power Sys-temsConference and Expoxision, 2006(5):1523-1528.

[5] 黄海新, 邓丽, 张路. 基于需求响应的实时电价研究综述[J]. 电气技术, 2015, 16(11): 1-6.

[6] 曲朝阳, 张率, 刘洪涛. 基于用电影响因素回归的小区用电预测模型[J]. 东北电力大学学报, 2015(01):73-77.

[7] 张棪, 曹健. 面向大数据分析的决策树算法[J]. 计算机科学, 2016(S1): 374-379, 383.

[8] 王桂玲, 韩燕波, 张仲妹, 等. 基于云计算的流数据集成与服务[J]. 计算机学报, 2017(1): 107-125.

[9] 王永康. Azure云平台对Twitter推文关键字实时大数据分析[J]. 电脑编程技巧与维护, 2015(12): 68-72.

[10] Xiao Laisheng, Wang Zhengxia. Cloud computing: A new business paradigmfor E-learning[C]//International Conference on Measuring Technology and Mechatronics Automation (ICMTMA 2011) 3rd, 2011:Shanghai, China.

[11] 王颖, 赵航宇, 赵洪山. 配电网自动化建设的现状与若干建议[J]. 电工技术, 2015(11): 82-83.

[12] 何春光, 卢志明, 姜春莹, 等. 移动式应急配变的研制[J]. 电工技术, 2016(2): 6-7.

[13] Brandon Butler. 2017年必须关注的10大云趋势[J].计算机世界, 2017(4).

[14] 易植. Windows Azure 新服务, 让机器学习触手可及[J]. 英才, 2014(9).

[15] 韩阳, 吕由, 潘宇航, 等. SVM、BP神经网络、线性回归的比较研究[J]. 河北联合大学学报(自然科学版), 2017, 39(2).

[16] Song Y, Wang H, He X. Adapting deep RankNet for personalized search[C]//ACM International Conference on Web Search and Data Mining, 2014: 83-92.

[17] 柯国霖. 梯度提升决策树(GBDT)并行学习算法研究[D]. 厦门: 厦门大学, 2016.

[18] 王天华. 基于改进的 GBDT算法的乘客出行预测研究[D]. 大连: 大连理工大学, 2016.