CN112200366B - 负荷预测方法、装置、电子设备及可读存储介质 - Google Patents
负荷预测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN112200366B CN112200366B CN202011074559.0A CN202011074559A CN112200366B CN 112200366 B CN112200366 B CN 112200366B CN 202011074559 A CN202011074559 A CN 202011074559A CN 112200366 B CN112200366 B CN 112200366B
- Authority
- CN
- China
- Prior art keywords
- prediction model
- historical
- date
- prediction
- data
- 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 41
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims description 35
- 238000002347 injection Methods 0.000 claims description 19
- 239000007924 injection Substances 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 229960005486 vaccine Drugs 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 18
- 230000007246 mechanism Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003053 immunization Effects 0.000 description 2
- 238000002649 immunization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009987 spinning Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/909—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Library & Information Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例公开了一种负荷预测方法、装置、电子设备及可读存储介质。其中,负荷预测方法包括:从数据库中获取目标区域的历史负荷数据和历史气象数据;对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据。
Description
技术领域
本公开涉及计算机技术领域,具体涉及负荷预测方法、装置、电子设备及可读存储介质。
背景技术
在负荷预测应用场景中,采用单一训练机制,利用海量数据对预测模型进行训练时,训练速度较慢,预测结果不准确。
发明内容
为了解决相关技术中的问题,本公开实施例提供负荷预测方法、装置、电子设备及可读存储介质。
第一方面,本公开实施例中提供了一种负荷预测方法,包括:
从数据库中获取目标区域的历史负荷数据和历史气象数据;
对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;
对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;
将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;
将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据。
结合第一方面,本公开在第一方面的第一种实现方式中,所述对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据包括:
依据工作日、周末、节假日对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据。
结合第一方面,本公开在第一方面的第二种实现方式中,所述与所述历史日期相关联的时间包括:
所述历史日期前一日;和/或
所述历史日期前两日;和/或
所述历史日期前一周的同类型、同日;和/或
所述历史日期前一月的同类型、同日,
所述与所述预测日期相关联的时间包括:
所述预测日期前一日;和/或
所述预测日期前两日;和/或
所述预测日期前一周的同类型、同日;和/或
所述预测日期前一月的同类型、同日。
结合第一方面,本公开在第一方面的第三种实现方式中,所述预测模型包括:
支持向量回归模型。
结合第一方面的第三种实现方式,本公开在第一方面的第四种实现方式中,所述将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练包括:
随机生成N个预测模型参数,得到预测模型参数集合;
对所述预测模型参数集合选择疫苗,进行单点交叉运算,得到单点交叉后的预测模型参数集合;
对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合;
对变异预测模型参数集合中的变异预测模型参数进行免疫注射运算。
结合第一方面的第三种实现方式,本公开在第一方面的第五种实现方式中,惩罚系数和高斯核函数参数。
结合第一方面的第三种实现方式,本公开在第一方面的第六种实现方式中,
所述对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合包括:
在预测误差大于特定阈值的条件下,在以下三种方式中,选择预测误差最小的预测模型参数作为变异预测模型参数:
预测模型参数向所述单点交叉后的预测模型参数集合的中心移动的方式;
预测模型参数向所述单点交叉后的预测模型参数集合中的最优预测模型参数移动的方式;
随机产生预测模型参数的方式,
在预测误差小于或者等于所述特定阈值的条件下,通过所述单点交叉后的预测模型参数集合中的最优预测模型参数和所述预测模型参数的历史最优值得到所述变异预测模型参数。
第二方面,本公开实施例中提供了一种负荷预测装置,包括:
数据获取模块,被配置为从数据库中获取目标区域的历史负荷数据和历史气象数据;
数据分类模块,被配置为对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;
关联数据获取模块,被配置为对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;
预测模型训练模块,被配置为将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;
负荷数据预测模块,被配置为将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据。
第三方面,本公开实施例中提供了一种电子设备,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如第一方面、第一方面的第一种实现方式到第六种实现方式任一项所述的方法。
第六方面,本公开实施例中提供了一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面、第一方面的第一种实现方式到第六种实现方式任一项所述的方法。
本公开实施例提供的技术方案可以包括以下有益效果:
根据本公开实施例提供的技术方案,通过从数据库中获取目标区域的历史负荷数据和历史气象数据;对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据,从而提高数据库的利用效率,提高预测模型的训练效率,提高预测模型对负荷数据的预测准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
结合附图,通过以下非限制性实施方式的详细描述,本公开的其它特征、目的和优点将变得更加明显。在附图中:
图1a示出根据本公开一实施方式的负荷预测方法的实施场景的示例性示意图;
图1b示出根据本公开一实施方式的负荷预测方法的实施场景的示例性示意图;
图1c示出根据本公开一实施方式的负荷预测方法的实施场景的示例性示意图;
图2示出根据本公开一实施方式的负荷预测方法的流程图;
图3示出根据图2所示实施方式中的步骤S204的流程图;
图4示出根据图3所示实施方式中的步骤S303的流程图;
图5示出根据本公开一实施方式的负荷预测装置的结构框图;
图6示出根据本公开一实施方式的电子设备的结构框图;
图7是适于用来实现根据本公开一实施方式的负荷预测方法的计算机***的结构示意图。
具体实施方式
下文中,将参考附图详细描述本公开的示例性实施方式,以使本领域技术人员可容易地实现它们。此外,为了清楚起见,在附图中省略了与描述示例性实施方式无关的部分。
在本公开中,应理解,诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的标签、数字、步骤、行为、部件、部分或其组合的存在,并且不欲排除一个或多个其他标签、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的标签可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在负荷预测应用场景中,采用单一训练机制,利用海量数据对预测模型进行训练时,训练速度较慢,预测结果不准确。
具体地,例如在电力运营领域,电力负荷预测需要对未来一段时间内的电力负荷和电量做出估计,是电力***和能源管理***的核心技术之一。智能电网技术融合各种不同的能源向电网供能,同时要求供电设备的总发电量必须紧跟消费者的负荷需求,并满足用户对电能质量的要求。因此,电力负荷预测对于电力***良好运行、维修维护和计划用电起到至关重要的作用。短期负荷预测主要用于公共电力设施的机组组合决策和自旋备用容量优化,解决发电机类型协调问题、寻找最小运行能耗、规划传输线负载交互时序。
随着电力生产和消费日益市场化,对电力负荷预测的准确性、实时性和可靠性要求越来越高。短期电力负荷预测是一项困难的任务,在遇见极端天气、节假日和特殊事件等因素时尤其不易进行短期电力负荷预测。
然而随着电网智能化程度的加深,用电数据存储规模将从目前的GB级增长到TB级,甚至PB级。现有的短期电力负荷预测方法在面临海量高维的训练数据时,采用单一训练机制,会面临训练速度慢、早熟收敛等问题,无法摆脱局部最优解而得到全局最优解,导致电力负荷预测结果不准确,无法满足电力企业的运营要求。
为了解决上述问题,本公开提出一种负荷预测方法、装置、电子设备及可读存储介质。
在本公开的一个实施例中,从数据库中获取目标区域的历史负荷数据、历史气象数据,并根据日类型将历史负荷数据和历史气象数据分为3类,所述日类型包括工作日、周末、节假日,所述气象数据包括温度(最高温度,最低温度,平均温度)、湿度、风力、降雨。
然后基于支持向量回归模型构建预测模型,利用历史负荷数据和历史气象数据作为训练样本,训练预测模型。
对每一个历史日期,以其所对应的气象数据和前一天、前两天、上一周同日类型、上个月同日类型的日负荷数据作为输入,以该历史日期的日负荷数据作为期望输出,训练支持向量回归模型。针对不同的日类型,在使用相同的支持向量回归模型结构的条件下,得到不同的支持向量回归模型的参数,从而简化设计,并且提高预测准确度。
在本公开的一个实施例中,可以使用支持向量回归模型作为预测模型,在支持向量回归模型中可以使用高斯核函数。
图1a示出根据本公开一实施方式的负荷预测方法的实施场景的示例性示意图。
本领域普通技术人员可以理解,图1a用于负荷预测方法的实施场景的示例性示意,并不构成对本公开的限制。
如图1a所示,预测模型参数100包括:惩罚系数C和高斯核函数参数σ。惩罚系数C控制对离群点的惩罚程度;而在支持向量回归模型使用高斯核函数的条件下,高斯核函数参数σ表征了高斯核函数的平滑程度特征。通过惩罚系数C和高斯核函数参数σ,完整表征了支持向量回归模型所需要的参数。
本领域普通技术人员可以理解,除了使用高斯核函数之外,还可以使用例如多项式核函数、Sigmoid核函数的其它核函数作为支持向量回归模型的核函数,并使用相应参数进行表征,本公开对此不再赘述。
如图1a所示,预测模型参数100的长度为D比特,其中惩罚系数的长度为M比特,高斯核函数参数σ的长度为D-M比特。
在本公开的一个实施例中,随机产生N个长度为D比特的预测模型参数作为初始预测模型参数集合,用于训练预测模型。
对长度为D比特的N个预测模型参数,其中第i个预测模型参数表示为
Xi=[xi1,…,xiD],i=1,2,…,N
采用预测模型参数Xi时,得到的适应度函数值,或者预测均方误差记为:
yi=f(Xi)
其中,Xi是第i个预测模型参数;f是支持向量回归模型;yi是适应度函数值,或者预测均方误差,即预测值和真实值之间的均方误差。
训练预测模型的目的是优化预测模型参数Xi,从而降低适应度函数值yi。
在随机初始化N个预测模型参数之后,或者在每次迭代之前,在N个预测模型参数中,选取适应度函数值yi最低的预测模型参数作为疫苗。通过这种方式,保留上次迭代中适应度函数值yi最低的预测模型参数最优值。
在本公开的一个实施例中,对N个长度为D的预测模型参数,将疫苗外的预测模型参数每两个分为一组。对每组中的两个预测模型参数,进行单点交叉。
本领域普通技术人员可以理解,在对N-1个长度为D的预测模型参数每两个分为一组的过程中,可以采用随机分组的方式,也可以采用指定分组的方式,本公开对此不作限定。
图1b示出根据本公开一实施方式的负荷预测方法的实施场景的示例性示意图。
本领域普通技术人员可以理解,图1a用于负荷预测方法的实施场景的示例性示意,并不构成对本公开的限制。
如图1b所示,在单点交叉场景110中,可以随机选取交叉点位,例如第4比特和第5比特之间作为交叉点位。
对预测模型参数111和112,将交叉点位之后的比特序列进行互换,得到单点交叉后的预测模型参数113和114。
通过单点交叉处理,使得预测模型参数具有随机化特征,从而避免预测模型参数无法脱离局部最优值,利于搜索全局最优值,提高预测模型的训练效率,提高预测准确性。
单点交叉后的预测模型参数集合,采用多重变异运算,得到变异预测模型参数集合。
在训练初期,适应度函数yi大于预设阈值α的条件下,采用第一种变异机制:
对第t次迭代的每个单点交叉后的预测模型参数Xit,用下列三种方式计算第t+1次迭代的变异预测模型参数的可能值:
a)使变异预测模型参数向预测模型参数集合的中心移动,
其中,Xit是第t次迭代中第i个预测模型参数,Xi1t+1是第t+1次迭代中的第i个预测模型参数,Xct是第t次迭代中的预测模型参数集合的中心,step是取值更新步长,‖·‖表示两个向量间的欧氏距离。
b)使变异预测模型参数向单点交叉后的预测模型参数集合中的最优预测模型参数移动,
其中,Xmt是第t次迭代中,单点交叉后的预测模型参数集合中的最优预测模型参数,使用Xmt时预测模型的适应度函数值最小。
c)随机产生一个新的变异预测模型参数,
Xi3t+1=Xit+rand(0,1)×visual
其中,visual是最大取值更新范围。
在Xi1t+1,Xi2t+1,Xi3t+1中,选择适应度函数值最小的一个,作为第t+1次迭代的变异预测模型参数。
在第一种变异机制中,采用上述三种方式并进行优化选择,兼顾了预测模型参数集合的中心、最优预测模型参数和随机产生新的变异预测模型参数三者的影响,从而更快地得到优化的变异预测模型参数,防止无法摆脱局部最优解,提高预测模型的训练速度,提高预测准确性。
在训练后期,适应度函数值yi小于或者等于预设阈值α的条件下,采用第二种变异机制:
变异预测模型参数更新公式为:
Xit+1=Xit×ωt+c1×r1×(Xipt-Xit)+c2×r2×(Xmt-Xit)
其中,r1和r2是[0,1]内的随机数;c1和c2是常数;Xipt是第i个预测模型参数在前t次迭代中的最优值;Xmt是是第t次迭代中,预测模型参数集合中的最优预测模型参数;ωt是第t代的惯性因子,取值范围为[0.1,0.9]。
在第二种变异机制中,在计算第t+1次迭代的第i个变异预测模型参数时,综合考虑了第t次迭代中预测模型参数集合中的最优预测模型参数和第i个预测模型参数在前t次迭代中的最优值,从而得到更准确的预测模型参数的优化取值,提高预测模型的训练速度,提高预测准确性。
在本公开的一个实施例中,所有N-1个变异预测模型参数组成变异预测模型参数集合。
在本公开的一个实施例中,使用变异预测模型参数集合中的变异预测模型参数作为受体,使用疫苗对受体进行免疫注射运算。
图1c示出根据本公开一实施方式的负荷预测方法的实施场景的示例性示意图。
如图1c所示,在免疫注射场景120中,随机选中疫苗的一段片段,替换受体的对应位置的片段,得到免疫注射后的受体。免疫注射后的受体和疫苗共同构成免疫注射后的预测模型参数集合,其中包括N个免疫注射后的预测模型参数。
根据本公开实施例提供的技术方案,通过免疫注射运算,将适应度函数值最小的疫苗的部分特征引入受体,从而提高预测模型的训练速度,提高预测准确性。
在本公开的一个实施例中,可以将免疫注射后的预测模型参数集合中的N个免疫注射后的预测模型参数用于预测模型,计算得到相应的N个适应度函数值。
当N个适应度函数值的最小值小于预设的适应度函数阈值时,选择N个适应度函数值的最小值所对应的免疫注射后的预测模型参数作为最终的预测模型参数。当N个适应度函数值均大于或者等于预设的适应度函数阈值时,则重复上述疫苗选取、单点交叉运算、多重变异运算和免疫注射运算,进行下一次迭代。
根据本公开实施例提供的技术方案,通过上述疫苗选取、单点交叉运算、多重变异运算和免疫注射运算,并通过迭代,从而避免预测模型参数无法摆脱局部最优值,搜索全局最优值,提高预测模型的训练速度,提高预测准确性。
在本公开的一个实施例中,可以将最终的预测模型参数用于预测模型,进行电力负荷的预测。
在电力负荷的预测过程中,可以与训练过程相对应的,将预测日期的气象数据和预测日期前一天、前两天、上一周同日类型、上个月同日类型的日负荷数据输入预测模型,得到预测日期的日负荷数据,实现比较准确的短期电力负荷预测。
图2示出根据本公开一实施方式的负荷预测方法的流程图。
如图2所示,负荷预测方法包括:步骤S201、S202、S203、S204、S205。
在步骤S201中,从数据库中获取目标区域的历史负荷数据和历史气象数据。
在步骤S202中,对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;
在步骤S203中,对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;
在步骤S204中,将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;
在步骤S205中,将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据。
在本公开的一个实施例中,电力负荷预测方法和地域、时间、气象密切相关。而对于工作日、周末和节假日三种不同的类型,电力负荷的特征区别较大。
在本公开的一个实施例中,从数据库中获取目标区域的历史负荷数据和历史气象数据,并对历史负荷数据和历史气象数据进行分类,得到特定类型的历史负荷数据和历史气象数据。对于每个历史日期,在特定类型的历史负荷数据和历史气象数据中,获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据,并作为输入训练预测模型。
对于每个历史日期,与所述历史日期相关联的时间内的历史气象数据已经反映在与所述历史日期相关联的时间内的历史负荷数据中,因此可以仅选取与所述历史日期相关联的时间内的历史负荷数据,并选取所述历史日期的历史气象数据作为预测模型的输入,从而减少数据量,提高训练速度。
在本公开的一个实施例中,在完成预测模型的训练之后,可以使用预测模型来计算预测日期的预测负荷数据。具体可以将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,来计算预测日期的预测负荷数据。
根据本公开实施例提供的技术方案,通过从数据库中获取目标区域的历史负荷数据和历史气象数据;对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据,从而提高数据库的利用效率,提高预测模型的训练效率,提高预测模型对负荷数据的预测准确性。
本领域普通技术人员可以理解,本公开中的预测模型除了可以用于电力负荷预测,还可以用于其它和地域、天气相关的预测,例如景区的游客负荷预测等,本公开对此不作限定。
在本公开的一个实施例中,在工作日、周末、节假日中,电力负荷的差别很大。可以采用不同的类型分别计算预测模型参数,从而提高预测模型的效率,提高预测准确性。
根据本公开实施例提供的技术方案,通过所述对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据包括:依据工作日、周末、节假日对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据,从而对相同的预测模型使用不同类型的预测模型参数,提高预测模型的训练效率,提高预测模型对负荷数据的预测准确性。
在本公开的一个实施例中,在预测模型的训练过程中,当历史日期是例如2月3日、星期三、工作日时,可以考虑2月2日、2月1日、上周三工作日、1月3日工作日的历史负荷数据。通过这种方式,充分考虑前1日、前2日与历史日期间的电力负荷相关性,以及同类型的上周同日、同类型的上月同日与历史日期间的电力负荷相关性,从而在使用足够的历史数据量的条件下提高训练效率。而在训练后的预测阶段,也可以采用预测日期前相应的日期,从而提高预测的准确性。
根据本公开实施例提供的技术方案,通过所述与所述历史日期相关联的时间包括:所述历史日期前一日;和/或所述历史日期前两日;和/或所述历史日期前一周的同类型、同日;和/或所述历史日期前一月的同类型、同日,所述与所述预测日期相关联的时间包括:所述预测日期前一日;和/或所述预测日期前两日;和/或所述预测日期前一周的同类型、同日;和/或所述预测日期前一月的同类型、同日,从而提高预测模型的训练效率,提高预测的准确性。
本领域普通技术人员可以理解,也可以采用其它时间周期的历史数据,本公开对此不作限定。
根据本公开实施例提供的技术方案,通过所述预测模型包括:支持向量回归模型,从而简化预测模型,提高预测模型的训练效率,提高预测的准确性。
图3示出根据图2所示实施方式中的步骤S204的流程图。
如图3所示,图2所示实施方式中的步骤S204包括:步骤S301、S302、S303、S304。
在步骤S301中,随机生成N个预测模型参数,得到预测模型参数集合;
在步骤S302中,对所述预测模型参数集合选择疫苗,进行单点交叉运算,得到单点交叉后的预测模型参数集合;
在步骤S303中,对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合;
在步骤S304中,对变异预测模型参数集合中的变异预测模型参数进行免疫注射运算。
在本公开的一个实施例中,可以随机生成N个预测模型参数,得到预测模型参数集合,使用选择疫苗、单点交叉运算、多重变异运算和免疫注射运算,并通过迭代,从而避免预测模型参数无法摆脱局部最优值,搜索全局最优值,提高预测模型的训练速度,提高预测准确性。
根据本公开实施例提供的技术方案,通过随机生成N个预测模型参数,得到预测模型参数集合;对所述预测模型参数集合选择疫苗,进行单点交叉运算,得到单点交叉后的预测模型参数集合;对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合;对变异预测模型参数集合的变异预测模型参数进行免疫注射运算,从而提高数据库的利用效率,提高预测模型的训练速度,提高预测准确性。
在本公开的一个实施例中,可以使用高斯核函数支持向量回归模型作为预测模型。
根据本公开实施例提供的技术方案,通过所述预测模型参数包括:惩罚系数和高斯核函数参数,从而充分表征高斯核函数支持向量回归模型,提高预测模型的训练速度,提高预测准确性。
图4示出根据图3所示实施方式中的步骤S303的流程图。
如图4所示,图3所示实施方式中的步骤S303包括:步骤S401、S402、S403、S404、S405、S406。
在步骤S401中,判断预测误差是否大于特定阈值。
在预测误差大于特定阈值的条件下,执行步骤S402、S403、S404、S405。
在步骤S402中,预测模型参数向所述单点交叉后的预测模型参数集合的中心移动。
在步骤S403中,预测模型参数向所述单点交叉后的预测模型参数集合中的最优预测模型参数移动。
在步骤S404中,随机产生预测模型参数。
在步骤S405中,选择预测误差最小的预测模型参数作为所述变异预测模型参数。
在预测误差不大于特定阈值的条件下,执行步骤S406。
在步骤S406中,通过所述单点交叉后的预测模型参数集合中的最优预测模型参数和所述预测模型参数的历史最优值得到所述变异预测模型参数。
在本公开的一个实施例中,在预测误差大于特定阈值的条件下,在预测模型的训练初期,兼顾了预测模型参数集合的中心、最优预测模型参数和随机产生新的变异预测模型参数三者的影响,从而更快地得到优化的变异预测模型参数,防止无法摆脱局部最优解,提高预测模型的训练速度,提高预测准确性。
在本公开的一个实施例中,在预测误差不大于特定阈值的条件下,在预测模型的训练后期,综合考虑了第t次迭代中预测模型参数集合中的最优预测模型参数和第i个预测模型参数在前t次迭代中的最优值,从而得到更准确、优化的变异预测模型参数,提高预测模型的训练速度,提高预测准确性。
根据本公开实施例提供的技术方案,通过所述对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合包括:在预测误差大于特定阈值的条件下,在以下三种方式中,选择预测误差最小的预测模型参数作为所述变异预测模型参数:预测模型参数向所述单点交叉后的预测模型参数集合的中心移动;预测模型参数向所述单点交叉后的预测模型参数集合中的最优预测模型参数移动;随机产生预测模型参数,在预测误差小于或者等于所述特定阈值的条件下,通过所述单点交叉后的预测模型参数集合中的最优预测模型参数和所述预测模型参数的历史最优值得到所述变异预测模型参数,从而提高预测模型的训练速度,提高预测准确性。
图5示出根据本公开一实施方式的负荷预测装置的结构框图。
如图5所示,负荷预测装置500包括:
数据获取模块501,被配置为从数据库中获取目标区域的历史负荷数据和历史气象数据;
数据分类模块502,被配置为对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;
关联数据获取模块503,被配置为对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;
预测模型训练模块504,被配置为将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;
负荷数据预测模块505,被配置为将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据。
根据本公开实施例提供的技术方案,通过数据获取模块,被配置为从数据库中获取目标区域的历史负荷数据和历史气象数据;数据分类模块,被配置为对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;关联数据获取模块,被配置为对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;预测模型训练模块,被配置为将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;负荷数据预测模块,被配置为将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据,从而提高数据库的利用效率,提高预测模型的训练效率,提高预测模型对负荷数据的预测准确性。
图6示出根据本公开一实施方式的电子设备的结构框图。
本公开实施方式还提供了一种电子设备,如图6所示,电子设备600包括至少一个处理器601;以及与至少一个处理器601通信连接的存储器602;其中,存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行以实现以下步骤:
从数据库中获取目标区域的历史负荷数据和历史气象数据;
对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;
对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;
将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;
将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入所述预测模型,得到所述预测日期的预测负荷数据。
在本公开的一个实施例中,所述对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据包括:
依据工作日、周末、节假日对对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据。
在本公开的一个实施例中,所述与所述历史日期相关联的时间包括:
所述历史日期前一日;和/或
所述历史日期前两日;和/或
所述历史日期前一周的同类型、同日;和/或
所述历史日期前一月的同类型、同日,
所述与所述预测日期相关联的时间包括:
所述预测日期前一日;和/或
所述预测日期前两日;和/或
所述预测日期前一周的同类型、同日;和/或
所述预测日期前一月的同类型、同日。
在本公开的一个实施例中,所述预测模型包括:
支持向量回归模型。
在本公开的一个实施例中,所述将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练包括:
随机生成N个预测模型参数,得到预测模型参数集合;
对所述预测模型参数集合选择疫苗,进行单点交叉运算,得到单点交叉后的预测模型参数集合;
对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合;
对变异预测模型参数集合中的变异预测模型参数进行免疫注射运算。
在本公开的一个实施例中,所述预测模型参数包括:
惩罚系数和高斯核函数参数。
在本公开的一个实施例中,所述对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合包括:
在预测误差大于特定阈值的条件下,在以下三种方式中,选择预测误差最小的预测模型参数作为所述变异预测模型参数:
预测模型参数向所述单点交叉后的预测模型参数集合的中心移动;
预测模型参数向所述单点交叉后的预测模型参数集合中的最优预测模型参数移动;
随机产生预测模型参数,
在预测误差小于或者等于所述特定阈值的条件下,通过所述单点交叉后的预测模型参数集合中的最优预测模型参数和所述预测模型参数的历史最优值得到所述变异预测模型参数。
图7是适于用来实现根据本公开一实施方式的负荷预测方法的计算机***的结构示意图。
如图7所示,计算机***700包括处理单元701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行上述附图所示的实施方式中的各种处理。在RAM703中,还存储有***700操作所需的各种程序和数据。处理单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。其中,所述处理单元701可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施方式,上文参考附图描述的方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在及其可读介质上的计算机程序,所述计算机程序包含用于执行附图中的方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述节点中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种负荷预测方法,包括:
从数据库中获取目标区域的历史负荷数据和历史气象数据;
对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;
对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;
将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;
将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入所述预测模型,得到所述预测日期的预测负荷数据;
所述将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练包括:随机生成N个预测模型参数,得到预测模型参数集合;对所述预测模型参数集合选择疫苗,进行单点交叉运算,得到单点交叉后的预测模型参数集合;对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合;对变异预测模型参数集合中的变异预测模型参数进行免疫注射运算;
所述对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合包括:在预测误差大于特定阈值的条件下,在以下三种方式中,选择预测误差最小的预测模型参数作为所述变异预测模型参数:预测模型参数向所述单点交叉后的预测模型参数集合的中心移动;预测模型参数向所述单点交叉后的预测模型参数集合中的最优预测模型参数移动;随机产生预测模型参数,在预测误差小于或者等于所述特定阈值的条件下,通过所述单点交叉后的预测模型参数集合中的最优预测模型参数和所述预测模型参数的历史最优值得到所述变异预测模型参数。
2.根据权利要求1所述的方法,其特征在于,
所述对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据包括:
依据工作日、周末、节假日对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据。
3.根据权利要求1所述的方法,其特征在于,
所述与所述历史日期相关联的时间包括:
所述历史日期前一日;和/或
所述历史日期前两日;和/或
所述历史日期前一周的同类型、同日;和/或
所述历史日期前一月的同类型 、同日,
所述与所述预测日期相关联的时间包括:
所述预测日期前一日;和/或
所述预测日期前两日;和/或
所述预测日期前一周的同类型、同日;和/或
所述预测日期前一月的同类型、同日。
4.根据权利要求1所述的方法,其特征在于,
所述预测模型包括:
支持向量回归模型。
5.根据权利要求4所述的方法,其特征在于,所述预测模型参数包括:
惩罚系数和高斯核函数参数。
6.一种负荷预测装置,包括:
数据获取模块,被配置为从数据库中获取目标区域的历史负荷数据和历史气象数据;
数据分类模块,被配置为对所述历史负荷数据和历史气象数据分类,得到特定类型的历史负荷数据和历史气象数据;
关联数据获取模块,被配置为对于每个历史日期,从特定类型的历史负荷数据和历史气象数据中获取所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据;
预测模型训练模块,被配置为将所述历史日期的历史气象数据和与所述历史日期相关联的时间内的历史负荷数据输入预测模型,对所述预测模型进行训练;
负荷数据预测模块,被配置为将预测日期的气象数据和与所述预测日期相关联的时间内的负荷数据输入预测模型,得到所述预测日期的预测负荷数据;
所述预测模型训练模块包括:随机生成N个预测模型参数,得到预测模型参数集合;对所述预测模型参数集合选择疫苗,进行单点交叉运算,得到单点交叉后的预测模型参数集合;对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合;对变异预测模型参数集合中的变异预测模型参数进行免疫注射运算;
所述对所述单点交叉后的预测模型参数集合进行多重变异运算,得到变异预测模型参数集合包括:在预测误差大于特定阈值的条件下,在以下三种方式中,选择预测误差最小的预测模型参数作为所述变异预测模型参数:预测模型参数向所述单点交叉后的预测模型参数集合的中心移动;预测模型参数向所述单点交叉后的预测模型参数集合中的最优预测模型参数移动;随机产生预测模型参数,在预测误差小于或者等于所述特定阈值的条件下,通过所述单点交叉后的预测模型参数集合中的最优预测模型参数和所述预测模型参数的历史最优值得到所述变异预测模型参数。
7.一种电子设备,包括存储器和处理器;其中,
所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如权利要求1-5任一项所述的方法。
8.一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074559.0A CN112200366B (zh) | 2020-10-09 | 2020-10-09 | 负荷预测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011074559.0A CN112200366B (zh) | 2020-10-09 | 2020-10-09 | 负荷预测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200366A CN112200366A (zh) | 2021-01-08 |
CN112200366B true CN112200366B (zh) | 2022-11-01 |
Family
ID=74013775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011074559.0A Active CN112200366B (zh) | 2020-10-09 | 2020-10-09 | 负荷预测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200366B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195291B (zh) * | 2023-09-08 | 2024-04-09 | 苏州慧睿康智能科技有限公司 | 一种基于热度分级策略的医疗数据安全存储方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447085A (zh) * | 2016-09-05 | 2017-02-22 | 华北电力大学 | 一种短期电力负荷预测方法、装置及计算设备 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9020874B2 (en) * | 2011-10-31 | 2015-04-28 | Siemens Aktiengesellschaft | Short-term load forecast using support vector regression and feature learning |
-
2020
- 2020-10-09 CN CN202011074559.0A patent/CN112200366B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447085A (zh) * | 2016-09-05 | 2017-02-22 | 华北电力大学 | 一种短期电力负荷预测方法、装置及计算设备 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
冯丽等.基于电力负荷模式分类的短期电力负荷预测.《电网技术》.2005,(第04期), * |
李莉等.基于改进型遗传算法的混沌神经网络在电力负荷预测的应用.《华中电力》.2010,(第02期), * |
王静等.基于遗传算法的RBF网络的短期电力负荷预测.《电子技术》.2010,(第04期), * |
Also Published As
Publication number | Publication date |
---|---|
CN112200366A (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7221376B2 (ja) | 装置、方法、およびプログラム | |
WO2022036778A1 (zh) | 一种输配协同负荷恢复优化控制方法及*** | |
Hsu | Using improved grey forecasting models to forecast the output of opto-electronics industry | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
JP7079662B2 (ja) | 電力需要予測システム、学習装置及び電力需要予測方法 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
JP7157815B2 (ja) | 計画装置、計画方法、および計画プログラム | |
Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
CN115271130B (zh) | 面向船舶主动力设备维修订单的动态调度方法及*** | |
CN114239385A (zh) | 一种面向仓库资源配给的智能决策***及方法 | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
Inteha et al. | A data driven approach for day ahead short term load forecasting | |
CN112200366B (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
CN111242368A (zh) | 一种基于场景推演的物流配送调度算法 | |
Chen et al. | Routing and scheduling of mobile energy storage system for electricity arbitrage based on two-layer deep reinforcement learning | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
CN112819215A (zh) | 推荐策略训练方法、装置、电子设备及可读存储介质 | |
Abolghasemi et al. | How to predict and optimise with asymmetric error metrics | |
CN113052630B (zh) | 利用模型进行电力设备配置的方法和电力设备配置方法 | |
CN115395502A (zh) | 一种光伏电站功率预测方法及*** | |
CN113762687B (zh) | 一种仓库内的人员排班调度方法和装置 | |
CN112001518A (zh) | 一种基于云计算的预测和能量管理方法及*** | |
Gong et al. | Integrated multi-horizon power and energy forecast for aggregated electric water heaters | |
WO2019117957A1 (en) | System device, and method for mode-based energy storage management using machine learning | |
CN113313313B (zh) | 一种面向城市感知的移动节点任务规划方法 |
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 |