CN106845673B - 电力***的供电方法和装置 - Google Patents
电力***的供电方法和装置 Download PDFInfo
- Publication number
- CN106845673B CN106845673B CN201611154640.3A CN201611154640A CN106845673B CN 106845673 B CN106845673 B CN 106845673B CN 201611154640 A CN201611154640 A CN 201611154640A CN 106845673 B CN106845673 B CN 106845673B
- Authority
- CN
- China
- Prior art keywords
- network model
- time period
- neuron network
- load information
- power supply
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 210000002569 neuron Anatomy 0.000 claims abstract description 83
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种电力***的供电方法和装置。其中,该方法包括:采集供电区域在第一时段内的第一负荷信息;将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,第一神经元网络模型用于预测短期负荷;在第二时段内按照第二负荷信息为供电区域供电,其中,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间。本发明解决了相关技术中的供电质量较低的技术问题。
Description
技术领域
本发明涉及电力***领域,具体而言,涉及一种电力***的供电方法和装置。
背景技术
电力***在国民经济中占有极其重要的地位,其安全可靠优质的运行是电力部门的重要责任,构建坚强智能电网亦是大势所趋,因此,合理的预测未来某一段时间的用电负荷是非常重要的,合理的负荷预测一方面可以及时的满足各种用电需求,另一方面可以减少运营成本。
在使用相关技术进行负荷预测时,仅仅对历史负荷数据进行简单的分析,根据历史负荷数据得到负荷预测值,造成了得到负荷预测数据精确度较低,基于利用精确度较低的负荷预测数据进行供电时就会造成供电质量较低。
针对相关技术中的供电质量较低的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电力***的供电方法和装置,以至少解决相关技术中的供电质量较低的技术问题。
根据本发明实施例的一个方面,提供了一种电力***的供电方法,该方法包括:采集供电区域在第一时段内的第一负荷信息;将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,第一神经元网络模型用于预测短期负荷;在第二时段内按照第二负荷信息为供电区域供电,其中,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间。
进一步地,在采集供电区域在第一时段内的第一负荷信息之前,该方法还包括:获取第二神经元网络模型,其中,第二神经元网络模型中包括未确定具体数值的参数;将历史负荷信息输入第二神经元网络模型,对第二神经元网络模型中的参数进行训练,得到第一神经元网络模型,其中,第一神经元网络模型中的参数具有通过训练确定的具体数值。
进一步地,将历史负荷信息输入第二神经元网络模型,对第二神经元网络模型中的参数进行训练包括:将历史负荷信息作为第二神经元网络模型的输入层的输入,对第二神经元网络模型的输入层、隐含层以及输出层中的各个参数进行训练。
进一步地,采集供电区域内第一时段的第一负荷信息包括:按照指定时间间隔采集供电区域在第一时段内的第一负荷信息。
进一步地,在第二时段内按照第二负荷信息为供电区域供电包括:获取由第二负荷信息得到的负荷曲线,其中,负荷曲线包括第二时段内每个时间点的负荷数据;按照预设放大比例对每个时间点的负荷数据进行放大;在第二时段内每个时间点按照放大后的负荷数据进行供电。
根据本发明实施例的另一个方面,提供了一种电力***的供电装置,该装置包括:采集单元,用于采集供电区域在第一时段内的第一负荷信息;处理单元,用于将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,第一神经元网络模型用于预测短期负荷;供电单元,用于在第二时段内按照第二负荷信息为供电区域供电,其中,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间。
进一步地,该装置还包括:获取单元,用于在采集供电区域在第一时段内的第一负荷信息之前,获取第二神经元网络模型,其中,第二神经元网络模型中包括未确定具体数值的参数;训练单元,用于将历史负荷信息输入第二神经元网络模型,对第二神经元网络模型中的参数进行训练,得到第一神经元网络模型,其中,第一神经元网络模型中的参数具有通过训练确定的具体数值。
进一步地,训练单元还用于将历史负荷信息作为第二神经元网络模型的输入层的输入,对第二神经元网络模型的输入层、隐含层以及输出层中的各个参数进行训练。
进一步地,采集单元还用于按照指定时间间隔采集供电区域在第一时段内的第一负荷信息。
进一步地,供电单元包括:获取模块,用于获取由第二负荷信息得到的负荷曲线,其中,负荷曲线包括第二时段内每个时间点的负荷数据;放大模块,用于按照预设放大比例对每个时间点的负荷数据进行放大;供电模块,用于在第二时段内每个时间点按照放大后的负荷数据进行供电。
根据本发明的另一个实施例,提供了一种存储介质,存储介质可以被设置为存储用于执行以下步骤的程序代码:采集供电区域在第一时段内的第一负荷信息;将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,第一神经元网络模型用于预测短期负荷;在第二时段内按照第二负荷信息为供电区域供电,其中,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间。
在本发明实施例中,采集供电区域在第一时段内的第一负荷信息;将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,第一神经元网络模型用于预测短期负荷;在第二时段内按照预测的第二负荷信息为供电区域供电,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间,通过采用神经元网络算法可以使预测的负荷信息更为准确,从而解决了相关技术中的供电质量较低的技术问题,实现了提高供电质量的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的终端的示意图;
图2是根据本发明实施例的电力***的供电方法的流程图;
图3是根据本发明实施例的一种可选的经元网络模型的结构的示意图;
图4是根据本发明实施例的电力***的供电装置的示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
实施例1
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在计算机终端上为例,如图1所示,计算机终端可以包括一个或多个(图中仅示出一个)处理器101(处理器101可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器103、以及用于通信功能的传输装置105。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。
存储器103可用于存储应用软件的软件程序以及模块,如本发明实施例中的设备的控制方法对应的程序指令/模块,处理器101通过运行存储在存储器103内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
例如,存储器存储如下的用于处理器执行的代码:采集供电区域在第一时段内的第一负荷信息;将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,第一神经元网络模型用于预测短期负荷;在第二时段内按照第二负荷信息为供电区域供电,其中,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
根据本发明实施例,提供了一种电力***的供电方法的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本发明实施例的电力***的供电方法的流程图,如图2所示,该方法包括如下步骤:
步骤S201,采集供电区域在第一时段内的第一负荷信息。
例如,需要预测的为下午某个时段(如14:00-15:00)的负荷信息,根据采集到的早上某个时段(如7:00-9:00)的负荷信息进行预测。
步骤S202,将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,第一神经元网络模型用于预测短期负荷。
步骤S203,在第二时段内按照第二负荷信息为供电区域供电,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间。
通过上述实施例,采集供电区域在第一时段内的第一负荷信息;将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,第一神经元网络模型用于预测短期负荷;在第二时段内按照第二负荷信息为供电区域供电,其中,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间,从而解决了相关技术中的供电质量较低的技术问题,实现了提高供电质量的技术效果。
可选地,在采集供电区域在第一时段内的第一负荷信息之前,可通过如下方式确定后续需要使用到的神经元网络模型:获取第二神经元网络模型,其中,第二神经元网络模型中包括未确定具体数值的参数;将历史负荷信息输入第二神经元网络模型,对第二神经元网络模型中的参数进行训练,得到第一神经元网络模型,其中,第一神经元网络模型中的参数具有通过训练确定的具体数值。
具体地,将历史负荷信息输入第二神经元网络模型,对第二神经元网络模型中的参数进行训练包括:将历史负荷信息作为第二神经元网络模型的输入层的输入,对第二神经元网络模型的输入层、隐含层以及输出层中的各个参数进行训练。
神经元网络模型的结构如图3所示,主要包括如下三个部分:
(1)输入层
(2)隐含层
隐层输出采用S函数:
通过该公式,增加了主配网自动化负荷数据双向校验,采用一元积分提高并行计算速度,实现了Dj(调度自动化中区域负荷数据),Mj(营销表计负荷数据),Lj(负荷预测数据)的双向校验,可实现预测算法的快速收敛。
(3)输出层
通过将历史负荷信息代入上述的神经元网络模型,可以训练得到各个参数的具体数值。
在步骤S201中,采集供电区域内第一时段的第一负荷信息包括:按照指定时间间隔采集供电区域在第一时段内的第一负荷信息。为了使预测的结果更为准确,时间间隔越短越好,该时间间隔可以为1秒、1分钟、2分钟等。
在步骤S202中,可将第一负荷信息作为输入参数输入第一神经元网络模型的输入层,即可得到输出层输出的第二负荷信息。
在步骤S203中,在第二时段内按照第二负荷信息为供电区域供电时,获取由第二负荷信息得到的负荷曲线,负荷曲线包括第二时段内每个时间点的负荷数据;为了克服***中的随机干扰对供电区域的影响,可按照预设放大比例对每个时间点的负荷数据进行放大,一个典型的放大比例的取值是1.1,该取值一方面可以用于克服随机干扰,同时也不会对用户用电造成额外的损伤;这样在第二时段内每个时间点可按照放大后的负荷数据进行供电。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
本发明实施例中还提供了一种电力***的供电装置。该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的电力***的供电装置的示意图。如图4所示,该装置可以包括:采集单元41、处理单元42以及供电单元43。
采集单元41,用于采集供电区域在第一时段内的第一负荷信息;
处理单元42,用于将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,第一神经元网络模型用于预测短期负荷;
供电单元43,用于在第二时段内按照第二负荷信息为供电区域供电,其中,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间。
通过上述实施例,采集单元采集供电区域在第一时段内的第一负荷信息;处理单元将第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,第一神经元网络模型用于预测短期负荷;供电单元在第二时段内按照第二负荷信息为供电区域供电,第二时段和第一时段为同一日内的不同时间段,第二时段的起始时间晚于第一时段的结束时间,通过采用神经元网络算法可以使预测的负荷信息更为准确,从而解决了相关技术中的供电质量较低的技术问题,实现了提高供电质量的技术效果。
在上述实施例中,该装置还包括:获取单元,用于在采集供电区域在第一时段内的第一负荷信息之前,获取第二神经元网络模型,其中,第二神经元网络模型中包括未确定具体数值的参数;训练单元,用于将历史负荷信息输入第二神经元网络模型,对第二神经元网络模型中的参数进行训练,得到第一神经元网络模型,其中,第一神经元网络模型中的参数具有通过训练确定的具体数值。
可选地,训练单元还用于将历史负荷信息作为第二神经元网络模型的输入层的输入,对第二神经元网络模型的输入层、隐含层以及输出层中的各个参数进行训练。
神经元网络模型的结构如图3所示,主要包括如下三个部分:
(1)输入层
(2)隐含层
隐层输出采用S函数:
通过该公式,增加了主配网自动化负荷数据双向校验,采用一元积分提高并行计算速度,实现了Dj(调度自动化中区域负荷数据),Mj(营销表计负荷数据),Lj(负荷预测数据)的双向校验,可实现预测算法的快速收敛。
(3)输出层
通过将历史负荷信息代入上述的神经元网络模型,可以训练得到各个参数的具体数值。
在一个可选的实施例中,采集单元还用于按照指定时间间隔采集供电区域在第一时段内的第一负荷信息。
可选地,供电单元包括:获取模块,用于获取由第二负荷信息得到的负荷曲线,其中,负荷曲线包括第二时段内每个时间点的负荷数据;放大模块,用于按照预设放大比例对每个时间点的负荷数据进行放大;供电模块,用于在第二时段内每个时间点按照放大后的负荷数据进行供电。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电力***的供电方法,其特征在于,包括:
采集供电区域在第一时段内的第一负荷信息;
将所述第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,所述第一神经元网络模型用于预测短期负荷;
在第二时段内按照所述第二负荷信息为所述供电区域供电,其中,所述第二时段和所述第一时段为同一日内的不同时间段,所述第二时段的起始时间晚于所述第一时段的结束时间;
其中,在采集供电区域在第一时段内的第一负荷信息之前,所述方法还包括:获取第二神经元网络模型,其中,所述第二神经元网络模型中包括未确定具体数值的参数;将历史负荷信息输入所述第二神经元网络模型,对所述第二神经元网络模型中的参数进行训练,得到所述第一神经元网络模型,其中,所述第一神经元网络模型中的参数具有通过训练确定的具体数值;
其中,在第二时段内按照所述第二负荷信息为所述供电区域供电包括:获取由所述第二负荷信息得到的负荷曲线,其中,所述负荷曲线包括所述第二时段内每个时间点的负荷数据;按照预设放大比例对每个时间点的负荷数据进行放大;在所述第二时段内每个时间点按照放大后的负荷数据进行供电。
2.根据权利要求1所述的方法,其特征在于,将历史负荷信息输入所述第二神经元网络模型,对所述第二神经元网络模型中的参数进行训练包括:
将所述历史负荷信息作为所述第二神经元网络模型的输入层的输入,对所述第二神经元网络模型的输入层、隐含层以及输出层中的各个参数进行训练。
3.根据权利要求2所述的方法,其特征在于,采集供电区域内第一时段的第一负荷信息包括:
按照指定时间间隔采集所述供电区域在所述第一时段内的第一负荷信息。
4.一种电力***的供电装置,其特征在于,包括:
采集单元,用于采集供电区域在第一时段内的第一负荷信息;
处理单元,用于将所述第一负荷信息作为输入参数输入第一神经元网络模型,得到输出的第二负荷信息,其中,所述第一神经元网络模型用于预测短期负荷;
供电单元,用于在第二时段内按照所述第二负荷信息为所述供电区域供电,其中,所述第二时段和所述第一时段为同一日内的不同时间段,所述第二时段的起始时间晚于所述第一时段的结束时间;
其中,所述装置还包括:获取单元,用于在采集供电区域在第一时段内的第一负荷信息之前,获取第二神经元网络模型,其中,所述第二神经元网络模型中包括未确定具体数值的参数;训练单元,用于将历史负荷信息输入所述第二神经元网络模型,对所述第二神经元网络模型中的参数进行训练,得到所述第一神经元网络模型,其中,所述第一神经元网络模型中的参数具有通过训练确定的具体数值;
其中,所述供电单元包括:获取模块,用于获取由所述第二负荷信息得到的负荷曲线,其中,所述负荷曲线包括所述第二时段内每个时间点的负荷数据;放大模块,用于按照预设放大比例对每个时间点的负荷数据进行放大;供电模块,用于在所述第二时段内每个时间点按照放大后的负荷数据进行供电。
5.根据权利要求4所述的装置,其特征在于,所述训练单元还用于将所述历史负荷信息作为所述第二神经元网络模型的输入层的输入,对所述第二神经元网络模型的输入层、隐含层以及输出层中的各个参数进行训练。
6.根据权利要求4所述的装置,其特征在于,所述采集单元还用于按照指定时间间隔采集所述供电区域在所述第一时段内的第一负荷信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611154640.3A CN106845673B (zh) | 2016-12-14 | 2016-12-14 | 电力***的供电方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611154640.3A CN106845673B (zh) | 2016-12-14 | 2016-12-14 | 电力***的供电方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106845673A CN106845673A (zh) | 2017-06-13 |
CN106845673B true CN106845673B (zh) | 2020-12-11 |
Family
ID=59139196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611154640.3A Active CN106845673B (zh) | 2016-12-14 | 2016-12-14 | 电力***的供电方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106845673B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
CN102426674A (zh) * | 2011-10-28 | 2012-04-25 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力***负荷预测方法 |
CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
CN104299031A (zh) * | 2014-06-13 | 2015-01-21 | 国家电网公司 | Bp神经网络超短期负荷预测方法 |
-
2016
- 2016-12-14 CN CN201611154640.3A patent/CN106845673B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888087A (zh) * | 2010-05-21 | 2010-11-17 | 深圳市科陆电子科技股份有限公司 | 一种在配网终端中实现分布式超短期区域负荷预测的方法 |
CN102426674A (zh) * | 2011-10-28 | 2012-04-25 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力***负荷预测方法 |
CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
CN104299031A (zh) * | 2014-06-13 | 2015-01-21 | 国家电网公司 | Bp神经网络超短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106845673A (zh) | 2017-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103529788A (zh) | 远程云家电控制设备 | |
CN102880501A (zh) | 应用推荐的实现方法、装置和*** | |
CN108806302A (zh) | 一种车辆调度方法及装置 | |
EP3164781B1 (en) | Cloud based power management system for electronic devices | |
CN107480811A (zh) | 一种设备能耗数据处理方法、装置、***及设备 | |
CN107944677A (zh) | 业绩追踪方法、应用服务器及计算机可读存储介质 | |
CN109388552B (zh) | 启动应用程序的时长的确定方法、装置及存储介质 | |
CN103678522A (zh) | 一种智能变电站计量***数据采集和转换方法 | |
CN105356955B (zh) | 适用于短波电台网络性能测试的业务模拟装置和方法 | |
CN106845673B (zh) | 电力***的供电方法和装置 | |
CN116205382B (zh) | 用电量的预测方法、预测装置、电子装置和电子设备 | |
CN104732415A (zh) | 返利***、充值返利方法及充值返利平台 | |
CN109243649A (zh) | 核电厂用水量控制方法及装置 | |
CN112860700B (zh) | 数据表的生成方法及装置、存储介质及电子装置 | |
CN115499315A (zh) | Ota升级任务的执行方法、装置和电子设备 | |
CN112926777B (zh) | 考虑商业建筑用能行为的日前负荷预测方法及*** | |
CN106845672B (zh) | 电力***中负荷的预测方法和装置 | |
CN106651005A (zh) | 基线负荷预测方法及装置 | |
CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
CN114186777A (zh) | 信号机的管控方法、装置、设备及存储介质 | |
CN113313614A (zh) | 一种物业费缴费管理方法、***、电子设备及介质 | |
CN111949246A (zh) | 新能源电力行业应用的创建方法及装置 | |
CN108229788B (zh) | 充换电站的布点方法及装置、存储介质、处理器 | |
CN112163932A (zh) | 恶意占座订单的识别方法、装置及电子设备 | |
CN110781878A (zh) | 目标区域的确定方法及装置、存储介质、电子装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |