CN113723712A - 风电功率预测方法、***、设备及介质 - Google Patents

风电功率预测方法、***、设备及介质 Download PDF

Info

Publication number
CN113723712A
CN113723712A CN202111201545.5A CN202111201545A CN113723712A CN 113723712 A CN113723712 A CN 113723712A CN 202111201545 A CN202111201545 A CN 202111201545A CN 113723712 A CN113723712 A CN 113723712A
Authority
CN
China
Prior art keywords
wind power
neural network
data
prediction
distribution
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.)
Granted
Application number
CN202111201545.5A
Other languages
English (en)
Other versions
CN113723712B (zh
Inventor
汪运
李意芬
邹润民
张菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Central South University
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI, Central South University filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202111201545.5A priority Critical patent/CN113723712B/zh
Publication of CN113723712A publication Critical patent/CN113723712A/zh
Application granted granted Critical
Publication of CN113723712B publication Critical patent/CN113723712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开实施例中提供了一种风电功率预测方法、***、设备及介质，属于数据处理技术领域，具体包括：获取待预测地区的历史风电功率数据；将历史风电功率数据进行预处理；得到多时间尺度特征；根据多时间尺度特征建立t分布概率神经网络；得到多个初始模型；将验证集分别输入每个初始模型，将输出结果最优的初始模型作为预测模型；将测试集输入预测模型，得到待预测地区的风电功率预测结果。通过本公开的方案，利用一维卷积神经网络和双向长短记忆网络提取得到多时间尺度特征，并利用学生t分布对风功率预测的不确定性进行刻画，并构建了深度学生t概率神经网络来对未来风功率的不确定性进行准确预测，提高了预测效率和精准度。

Description

风电功率预测方法、***、设备及介质
技术领域
本公开实施例涉及数据处理技术领域，尤其涉及一种风电功率预测方法、***、设备及介质。
背景技术
目前，风能作为一种清洁、环保、取之不尽的可再生能源，在全球能源供应中发挥着至关重要的作用，然而，当大规模风电并入电网时，其固有的随机性和间歇性给电网维护、电网规划和电力***调度等带来巨大挑战。此外，准确的风电预测还有助于能源市场的高效运作、输电能力大幅提升以及风电***合理规划等。准确的风电预测是解决上述问题的一种有效的方法。考虑到风电数据中蕴含的多尺度信息。不同尺度的数据中往往蕴含不同的信息。分辨率高的数据中往往蕴含很多反映细节波动的信息，而低分辨率数据往往蕴含长期波动信息。但是现有的预测方法通常是通过复杂庞大的计算量来实现预测，或者仅利用某一分辨率数据中的信息来对未来的风功率进行预测，无法详细刻画风功率波动不确定性的问题。
可见，亟需一种高效精度的风电功率预测方法。
发明内容
有鉴于此，本公开实施例提供一种风电功率预测方法、***、设备及介质，至少部分解决现有技术中存在计算量大、预测效率和预测精准度较差的问题。
第一方面，本公开实施例提供了一种风电功率预测方法，包括：
获取待预测地区的历史风电功率数据；
将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集；
利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征；
根据所述多时间尺度特征建立t分布概率神经网络；
调整所述t分布概率神经网络中神经元数量，得到多个初始模型；
将所述验证集分别输入每个所述初始模型，将输出结果最优的初始模型作为预测模型；
将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果。
根据本公开实施例的一种具体实现方式，所述将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集的步骤，包括：
将所述历史风电功率数据分为三个不相交的子集；
将三个所述子集进行归一化处理，并作为所述训练集、所述验证集和所述测试集。
根据本公开实施例的一种具体实现方式，所述利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征的步骤，包括：
利用平均池化法将所述训练集中的数据转换到不同时间尺度上；
利用所述一维卷积神经网络对不同时间尺度的输入中提取空间特征；
利用所述双向长短记忆网络从所述空间特征中提取时间特征；
对所述时间特征进行自动加权，得到有效特征；
将所述有效特征与对应的时间尺度进行融合，得到所述多时间尺度特征。
根据本公开实施例的一种具体实现方式，所述根据所述多时间尺度特征建立t分布概率神经网络的步骤，包括：
建立学生t分布概率密度函数；
根据所述多时间尺度特征与所述训练集中对应的数据，得到所述学生t分布概率密度函数对应的分布参数；
根据所述分布参数与所述多时间尺度特征的关联，建立所述t分布概率神经网络。
根据本公开实施例的一种具体实现方式，所述调整所述t分布概率神经网络中神经元数量，得到多个初始模型的步骤，包括：
根据预设的取值范围，调整所述t分布概率神经网络中神经元数量，并使用Adam优化器进行训练，得到多个所述初始模型。
根据本公开实施例的一种具体实现方式，所述将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果的步骤，包括：
将所述测试集输入所述预测模型中，获取与所述测试集中每个数据对应的分布参数；
根据预设的置信度和所述测试集中每个数据对应的分布参数，得到置信区间；
将所述置信区间作为所述待预测地区的风电预测结果。
第二方面，本公开实施例提供了一种风电功率预测***，包括：
获取模块，用于获取待预测地区的历史风电功率数据；
预处理模块，用于将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集；
提取模块，用于利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征；
建立模块，用于根据所述多时间尺度特征建立t分布概率神经网络；
调整模块，用于调整所述t分布概率神经网络中神经元数量，得到多个初始模型；
验证模块，用于将所述验证集分别输入每个所述初始模型，将输出结果最优的初始模型作为预测模型；
预测模块，用于将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果。
第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的风电功率预测方法。
第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的风电功率预测方法。
第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的风电功率预测方法。
本公开实施例中的风电功率预测方案，包括：获取待预测地区的历史风电功率数据；将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集；利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征；根据所述多时间尺度特征建立t分布概率神经网络；调整所述t分布概率神经网络中神经元数量，得到多个初始模型；将所述验证集分别输入每个所述初始模型，将输出结果最优的初始模型作为预测模型；将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果。
本公开实施例的有益效果为：通过本公开的方案，利用一维卷积神经网络和双向长短记忆网络提取得到多时间尺度特征，并利用学生t分布对风功率预测的不确定性进行刻画，并构建了深度学生t概率神经网络来对未来风功率的不确定性进行准确预测，提高了预测效率和精准度。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本公开实施例提供的一种风电功率预测方法的流程示意图；
图2和图3为本公开实施例提供的一种风电功率预测方法的不同数据集的置信区间示意图；
图4为本公开实施例提供的一种风电功率预测***的结构示意图；
图5为本公开实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
目前，风能作为一种清洁、环保、取之不尽的可再生能源，在全球能源供应中发挥着至关重要的作用，然而，当大规模风电并入电网时，其固有的随机性和间歇性给电网维护、电网规划和电力***调度等带来巨大挑战。此外，准确的风电预测还有助于能源市场的高效运作、输电能力大幅提升以及风电***合理规划等。准确的风电预测是解决上述问题的一种有效的方法。考虑到风电数据中蕴含的多尺度信息。不同尺度的数据中往往蕴含不同的信息。分辨率高的数据中往往蕴含很多反映细节波动的信息，而低分辨率数据往往蕴含长期波动信息。但是现有的预测方法通常是通过复杂庞大的计算量来实现预测，或者仅利用某一分辨率数据中的信息来对未来的风功率进行预测，无法详细刻画风功率波动不确定性的问题。
本公开实施例提供一种风电功率预测方法，所述方法可以应用于风力发电场景的风电功率预测过程中。
参见图1，为本公开实施例提供的一种风电功率预测方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
S101，获取待预测地区的历史风电功率数据；
具体实施时，当需要对某地未来一段时间的风电功率进行预测时，可以将其作为所述待预测地区，然后可以从后台数据库内获取所述待预测地区的历史风电功率数据。
S102，将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集；
具体实施时，考虑到所述历史风电功率数据中包含的数据量较大，且都为不同数据，可以将所述历史风电功率数据进行预处理，以使得所述历史风电功率数据的复杂度降低，然后将预处理后的数据分为所述训练集、所述验证集和所述测试集。
S103，利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征；
具体实施时，考虑到现有的预测方法风电预测过程中，往往忽略了风电数据中蕴含的多尺度信息。不同尺度的数据中往往蕴含不同的信息。分辨率高的数据中往往蕴含很多反映细节波动的信息，而低分辨率数据往往蕴含长期波动信息。在风电预测的过程中，通常仅利用某一分辨率数据中的信息来对未来的风功率进行预测。例如，通过对10分钟间隔的风功率数据构建预测模型对未来10分钟风功率进行预测过程中，往往仅利用了10分钟数据中蕴含的信息。
可以利用所述一维卷积神经网络和基于attent i on机制的所述双向长短记忆网络对所述训练集中的每个数据进行处理，提取所述训练集中每个数据在不同时间尺度上的特征数据并融合，得到所述多时间尺度特征，以使得得到更多的波动信息和细节波动，便于后续的预测精准。
S104，根据所述多时间尺度特征建立t分布概率神经网络；
具体实施时，考虑到与传统预测模型相比，概率神经网络并不直对研究对象进行预测，而是预测概率分布的参数，如高斯概率神经网络中假定每个样本点的不确定性用高斯分布来刻画，进而预测该高斯分布的均值和方差，并且利用负对数似然函数作为损失函数来优化整个概率网络。然而，高斯分布很难刻画风功率预测时的复杂不确定性，因此其性能具有一定的局限性，可以在得到所述多时间尺度特征后，根据所述多时间尺度特征建立t分布概率神经网络，使用三参数学生t分布来刻画不确定性，进而构建学生t概率神经网络来预测风功率的不确定性。
S105，调整所述t分布概率神经网络中神经元数量，得到多个初始模型；
具体实施时，考虑到采用基于Attention的双向长短记忆网络来充分刻画上述步骤获得的多时间尺度特征与预测目标之间的复杂关系，进而构建了所述t分布概率神经网络来预测每个样本的不确定性，针对双向长短记忆网络中神经元个数这一参数，可以通过设定不同的数量进行调整，从而得到多个所述初始模型。
S106，将所述验证集分别输入每个所述初始模型，将输出结果最优的初始模型作为预测模型；
在得到多个所述初始模型后，可以将所述验证集分别输入每个所述初始模型，通过观察不同神经元个数下的模型在所述验证集上的预测性能来选择最优的模型，将输出结果最优的初始模型作为所述预测模型。
S107，将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果。
具体实施时，在得到所述预测模型后，将所述测试集输入所述预测模型，由所述预测模型得到所述测试集中每个数据的不确定性分布，然后得出所述待预测地区对应的风电功率预测结果。
本实施例提供的风电功率预测方法，通过利用一维卷积神经网络和双向长短记忆网络提取得到多时间尺度特征，并利用学生t分布对风功率预测的不确定性进行刻画，并构建了深度学生t概率神经网络来对未来风功率的不确定性进行准确预测，提高了预测效率和精准度。
在上述实施例的基础上，步骤S102所述的，将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集，包括：
将所述历史风电功率数据分为三个不相交的子集；
将三个所述子集进行归一化处理，并作为所述训练集、所述验证集和所述测试集。
例如，在获取所述历史风电功率数据后，可以将所述历史风电功率数据分为三个不相交的子集，考虑到模型训练的方便，可以将所有数据都按照以下公式进行归一化处理：
Figure BDA0003305127250000081
其中x和
Figure BDA0003305127250000082
表示原始数据以及归一化之后的数据，xmin和xmax分别表示原始数据中的最小值和最大值。
在上述实施例的基础上，步骤S103所述的，利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征，包括：
利用平均池化法将所述训练集中的数据转换到不同时间尺度上；
利用所述一维卷积神经网络对不同时间尺度的输入中提取空间特征；
利用所述双向长短记忆网络从所述空间特征中提取时间特征；
对所述时间特征进行自动加权，得到有效特征；
将所述有效特征与对应的时间尺度进行融合，得到所述多时间尺度特征。
例如，可以先利用平均池化的方法将原始功率输入数据转化到不同的时间尺度上。给定时间分辨率为t的d维连续输入特征{x1,x2,…,xd-1,xd}，平均池化的池化窗口大小为m，并且步长也为m，则通过平均池化后的序列长度为d/m的上取整，即
Figure BDA0003305127250000091
平均池化后的序列可表示为
Figure BDA0003305127250000092
其中每个zi为m个相邻的时间分辨率为t的数据点的均值，即
Figure BDA0003305127250000093
Figure BDA0003305127250000094
若d/m为正整数时，则原始序列正好可以根据上式转换为长度为d/m的低分辨率数据；若d/m为非正整数时，为了得到长度为
Figure BDA0003305127250000095
将原始序列补0，直至序列长度达到
Figure BDA0003305127250000096
当m＝1时，平均池化后的序列与原始序列一样。通过平均池化的方法可以得到原始序列分辨率t相同或者更低的序列，即不同时间尺度的序列。
然后利用所述一维卷积神经网络对不同时间尺度的输入中提取空间特征，卷积神经网络被广泛应用于各种任务中的特征提取，其中最重要的部分就是卷积运算，所述一维卷积神经网络中的卷积运算可以表示为：
Figure BDA0003305127250000097
其中，
Figure BDA0003305127250000098
表示第l卷积层第j个神经元的输出，
Figure BDA0003305127250000099
表示卷积核，
Figure BDA00033051272500000910
表示偏置项，
Figure BDA00033051272500000911
表示卷积运算，M表示第l-1卷积层中神经元的个数，g(·)表示激活函数，例如，可以采用ReLU激活函数来避免梯度消失以及加快网络收敛速度。此外，可以采用2层卷积层对不同时间尺度的数据进行特征提取，每层卷积中的卷积核大小为2×1，卷积核个数为32。
然后利用所述双向长短记忆网络从所述空间特征中进一步提取时间特征，则所述双向长短记忆网络的输出既包含了空间信息也包含了时间信息。此外，由于卷积神经网络中大量的卷积核使得卷积神经网络提取的特征维度过高，所述双向长短记忆网络也可以将其映射到一个较低的维度，进而降低计算复杂度。与传统的长短记忆网络模型相比，所述双向长短记忆网络具有两个长短记忆模块，即前向长短记忆模块和后向长短记忆模块。则在双向长短记忆网络中不仅可以利用过去的信息也可以利用未来信息来刻画当前的状态。假定与第i时间步输入相对应的前向长短记忆模块的输出为
Figure BDA0003305127250000101
后向长短记忆模块的输出为
Figure BDA0003305127250000102
则双向长短记忆网络与第i时间步输入相对应的输出可表示为
Figure BDA0003305127250000103
和
Figure BDA0003305127250000104
的拼接，即
Figure BDA0003305127250000105
其中，hi表示BiLSTM的输出，
Figure BDA0003305127250000106
表示拼接运算。
接着可以利用attention机制对每个双向长短记忆网络时间步输出结果进行自动加权求取关键有用的信息。第一步利用权重矩阵为W和偏置向量为b的一层感知机对hi进行映射，映射后的特征表达为θi；第二步利用softmax函数以及θi求标准化权重βi；第三步求出加权后的综合输出信息V。计算公式可表示为：
θi＝tanh(Whi+b)，
Figure BDA0003305127250000107
Figure BDA0003305127250000108
其中，tanh(·)表示双曲正切函数，attention机制对不同时间步的输出特征进行自动加权，最终输出所述有效特征。
最后，将不同时间尺度上的挖掘的有用特征进行融合。获得不同时间尺度上数据后，利用从时间尺度为t的输入数据上提取的特征为Vt,则不同时间尺度上获取的融合特征可表示为
Figure BDA0003305127250000109
其中
Figure BDA00033051272500001010
表示融合后的多时间尺度特征。
进一步的，步骤S104所述的，根据所述多时间尺度特征建立t分布概率神经网络，包括：
建立学生t分布概率密度函数；
根据所述多时间尺度特征与所述训练集中对应的数据，得到所述学生t分布概率密度函数对应的分布参数；
根据所述分布参数与所述多时间尺度特征的关联，建立所述t分布概率神经网络。
例如，假定变量g满足三参数学生t分布，其概率密度函数可表示为
Figure BDA0003305127250000111
其中p(·)表示概率密度函数，τ>0表示自由度，ψ为位置参数，Γ(·)表示伽玛函数，s>0表示尺度参数。
给定N个所述训练集中对应的数据，其中输入为由上述步骤获得的多时间尺度特征
Figure BDA0003305127250000112
输出为yi，基于学生t分布不确定性假设下的似然函数L可表示为
Figure BDA0003305127250000113
其中
Figure BDA0003305127250000114
和
Figure BDA0003305127250000115
分别表示与第i个样本输入
Figure BDA0003305127250000116
相对应的分布参数。最终学生t概率神经网络的损失函数Loss可表示为负对数似然函数L，即
Figure BDA0003305127250000117
可以采用基于Attention的双向长短记忆网络来充分刻画上述步骤获得的多时间尺度特征与预测目标之间的复杂关系，进而构建了所述t分布概率神经网络来预测每个样本的不确定性。
可选的，步骤S105所述的，调整所述t分布概率神经网络中神经元数量，得到多个初始模型，包括：
根据预设的取值范围，调整所述t分布概率神经网络中神经元数量，并使用Adam优化器进行训练，得到多个所述初始模型。
具体实施时，考虑到风功率数据均大于等于0，模型输出τi、ψi和si必须满足学生t分布的参数限制，因此模型的输出均需满足大于0，则可以在网络的最后一层全连接层需要使用softplus激活函数来使得整个网络的输出满足上述限制条件。例如，可以根据预设的取值范围，调整所述t分布概率神经网络中神经元数量，并使用Adam优化器进行训练，得到多个所述初始模型。
在上述实施例的基础上，步骤S107所述的，将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果，包括：
将所述测试集输入所述预测模型中，获取与所述测试集中每个数据对应的分布参数；
根据预设的置信度和所述测试集中每个数据对应的分布参数，得到置信区间；
将所述置信区间作为所述待预测地区的风电预测结果。
具体实施时，可以将将所述测试集输入所述预测模型中，获取与所述测试集中每个数据对应的分布参数，进而得到所述测试集中每个数据的不确定性分布，可以预设多个不同的置信度，然后根据所述分布参数得到多个置信区间，再将不同的置信区间作为所述待预测地区的风电预测结果如图2和图3所示。
下面将结合一个具体实施例对本方案进行说明，本公开采用两个能源公司(TransnetBW和Amprion)提供的风功率数据来验证所提出模型的有效性。数据的采样频率为5分钟，采样区间为2019年8月23日到2020年9月22日。前60％的样本作为训练样本，验证集和测试集的比例均为20％。可以利用5分钟、10分钟、15分钟以及20分钟的数据对未来10分钟的风功率进行***，则平均池化的窗口大小m＝1,2,3,4。
然后采用4项评价指标，即Pinball损失(PL)、Winkler得分(WS)、区间覆盖率(PICP)以及标准化区间宽度(PINAW)。为了评估有效性，考虑以下对比模型分位数回归(QR)、基于平均PL的LSTM模型(PL-LSTM)、基于多尺度信息以及深度高斯概率神经网络的风功率预测模型(MSDDNN-G)、不考虑多尺度信息的深度高斯概率神经网络模型(SSDDNN-G)以及不考虑多尺度信息的深度学生t分布概率神经网络模型(SSDDNN-T)。为了方便描述，本公开涉及的预测模型命名为MSDDNN-T。
在85％、90％和95％置信度下，数据集Amprion上不同模型的风功率预测结果如表1所示，数据集TransnetBW上不同模型的风功率预测结果如表2所示。
Figure BDA0003305127250000131
表1
Figure BDA0003305127250000132
表2
从表1可以看出，除了SSDDNN-G和PL-LSTM模型以外，所有模型的PICP均高于给定的置信度，说明所产生的预测区间可信。例如，在90％以及95％置信度下SSDDNN-G的PICP小于给定的置信度，在95％置信度下PL-LSTM的PICP小于给定的置信度。从区间的宽度指标PINAW来看，由于SSDDNN-G的PICP值相对较小，即覆盖率最小，其区间宽度也相对较小。从PL和WS两个指标上看，本公开分别获得最小的PL以及最大的WS，优于其他5个对比模型。此外，根据MSDDNN-T与MSDDNN-G的对比，以及SSDDNN-G和SSDDNN-T对比可以看出，基于学生t分布的模型要优于基于高斯分布的模型，表明学生t分布更能准确的刻画风功率预测的不确定性。从MSDDNN-T与SSDDNN-T的对比以及MSDDNN-G与SSDDNN-G的对比可以看出，考虑多时间尺度特征的模型性能更优，表明多时间尺度特征的有效性。
在表2可以看出，绝大部分的模型的PICP值要大于给定置信度。从PINAW指标上看，由于MSDDNN-G模型的PICP较小，其区间宽度要小于其他模型的区间宽度。从PL和WS指标上看，通过SSDDNN-G、SSDDNN-T、MSDDNN-G与MSDDNN-T四个模型的对比同样可以发现多时间尺度特征的利用有利于模型性能提升以及学生t分布更能准确刻画风功率预测的不确定性。
与上面的方法实施例相对应，参见图4，本公开实施例还提供了一种风电功率预测***40，包括：
获取模块401，用于获取待预测地区的历史风电功率数据；
预处理模块402，用于将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集；
提取模块403，用于利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征；
建立模块404，用于根据所述多时间尺度特征建立t分布概率神经网络；
调整模块405，用于调整所述t分布概率神经网络中神经元数量，得到多个初始模型；
验证模块406，用于将所述验证集分别输入每个所述初始模型，将输出结果最优的初始模型作为预测模型；
预测模块407，用于将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果。
图4所示***可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。
参见图5，本公开实施例还提供了一种电子设备50，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的风电功率预测方法。
本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的风电功率预测方法。
本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的风电功率预测方法。
下面参考图5，其示出了适于用来实现本公开实施例的电子设备50的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图5所示，电子设备50可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备50操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备50与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备50，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、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，流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，该模块、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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种风电功率预测方法，其特征在于，包括：
获取待预测地区的历史风电功率数据；
将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集；
利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征；
根据所述多时间尺度特征建立t分布概率神经网络；
调整所述t分布概率神经网络中神经元数量，得到多个初始模型；
将所述验证集分别输入每个所述初始模型，将输出结果最优的初始模型作为预测模型；
将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果。
2.根据权利要求1所述的方法，其特征在于,所述将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集的步骤，包括：
将所述历史风电功率数据分为三个不相交的子集；
将三个所述子集进行归一化处理，并作为所述训练集、所述验证集和所述测试集。
3.根据权利要求1所述的方法，其特征在于,所述利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征的步骤，包括：
利用平均池化法将所述训练集中的数据转换到不同时间尺度上；
利用所述一维卷积神经网络对不同时间尺度的输入中提取空间特征；
利用所述双向长短记忆网络从所述空间特征中提取时间特征；
对所述时间特征进行自动加权，得到有效特征；
将所述有效特征与对应的时间尺度进行融合，得到所述多时间尺度特征。
4.根据权利要求3所述的方法，其特征在于,所述根据所述多时间尺度特征建立t分布概率神经网络的步骤，包括：
建立学生t分布概率密度函数；
根据所述多时间尺度特征与所述训练集中对应的数据,得到所述学生t分布概率密度函数对应的分布参数；
根据所述分布参数与所述多时间尺度特征的关联，建立所述t分布概率神经网络。
5.根据权利要求1所述的方法，其特征在于,所述调整所述t分布概率神经网络中神经元数量，得到多个初始模型的步骤，包括：
根据预设的取值范围，调整所述t分布概率神经网络中神经元数量，并使用Adam优化器进行训练，得到多个所述初始模型。
6.根据权利要求4所述的方法，其特征在于,所述将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果的步骤，包括：
将所述测试集输入所述预测模型中，获取与所述测试集中每个数据对应的分布参数；
根据预设的置信度和所述测试集中每个数据对应的分布参数，得到置信区间；
将所述置信区间作为所述待预测地区的风电预测结果。
7.一种风电功率预测***，其特征在于，包括：
获取模块，用于获取待预测地区的历史风电功率数据；
预处理模块，用于将所述历史风电功率数据进行预处理，得到训练集、验证集和测试集；
提取模块，用于利用一维卷积神经网络和双向长短记忆网络提取所述训练集中的不同时间尺度上的特征数据并融合，得到多时间尺度特征；
建立模块，用于根据所述多时间尺度特征建立t分布概率神经网络；
调整模块，用于调整所述t分布概率神经网络中神经元数量，得到多个初始模型；
验证模块，用于将所述验证集分别输入每个所述初始模型，将输出结果最优的初始模型作为预测模型；
预测模块，用于将所述测试集输入所述预测模型，得到所述待预测地区的风电功率预测结果。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-6中任一项所述的风电功率预测方法。
9.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-6中任一项所述的风电功率预测方法。
CN202111201545.5A 2021-10-15 2021-10-15 风电功率预测方法、***、设备及介质 Active CN113723712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111201545.5A CN113723712B (zh) 2021-10-15 2021-10-15 风电功率预测方法、***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111201545.5A CN113723712B (zh) 2021-10-15 2021-10-15 风电功率预测方法、***、设备及介质

Publications (2)

Publication Number Publication Date
CN113723712A true CN113723712A (zh) 2021-11-30
CN113723712B CN113723712B (zh) 2023-08-18

Family

ID=78686057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111201545.5A Active CN113723712B (zh) 2021-10-15 2021-10-15 风电功率预测方法、***、设备及介质

Country Status (1)

Country Link
CN (1) CN113723712B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154583A (zh) * 2021-12-08 2022-03-08 深圳博沃智慧科技有限公司 一种小波分析耦合lstm神经网络的水质预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180223812A1 (en) * 2017-02-07 2018-08-09 International Business Machines Corporation Reducing curtailment of wind power generation
CN112365033A (zh) * 2020-10-26 2021-02-12 中南大学 一种风电功率区间预测方法、***及存储介质
CN112365040A (zh) * 2020-11-03 2021-02-12 哈尔滨工业大学 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法
CN112598180A (zh) * 2020-12-21 2021-04-02 北京华能新锐控制技术有限公司 一种分布式区域风电功率预测方法
CN113409307A (zh) * 2021-07-15 2021-09-17 中南大学 基于异质噪声特性的图像去噪方法、设备及介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180223812A1 (en) * 2017-02-07 2018-08-09 International Business Machines Corporation Reducing curtailment of wind power generation
CN112365033A (zh) * 2020-10-26 2021-02-12 中南大学 一种风电功率区间预测方法、***及存储介质
CN112365040A (zh) * 2020-11-03 2021-02-12 哈尔滨工业大学 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法
CN112598180A (zh) * 2020-12-21 2021-04-02 北京华能新锐控制技术有限公司 一种分布式区域风电功率预测方法
CN113409307A (zh) * 2021-07-15 2021-09-17 中南大学 基于异质噪声特性的图像去噪方法、设备及介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SAROHA, SUMIT 等: ""A Review and Evaluation of Current Wind Power Prediction Technologies"", 《WSEAS TRANSACTIONS ON POWER SYSTEMS》, vol. 15, pages 1 - 12 *
张浩: ""风电功率时空不确定性预测方法研究"", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 1, pages 042 - 1348 *
李卓 等: ""基于IDSCNN-AM-LSTM组合神经网络超短期风电功率预测方法"", 《高电压技术》, vol. 48, no. 6, pages 2117 - 2127 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114154583A (zh) * 2021-12-08 2022-03-08 深圳博沃智慧科技有限公司 一种小波分析耦合lstm神经网络的水质预测方法
CN114154583B (zh) * 2021-12-08 2024-05-24 深圳博沃智慧科技有限公司 一种小波分析耦合lstm神经网络的水质预测方法

Also Published As

Publication number Publication date
CN113723712B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
Shang et al. Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model
EP3757900A1 (en) Time series prediction with confidence estimates using sparse recurrent mixture density networks
WO2018209576A1 (en) Systems and methods for digital route planning
WO2023005120A1 (zh) 楼宇能耗预测方法、装置、计算机设备和存储介质
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和***
WO2023207411A1 (zh) 一种基于时空数据的流量确定方法、装置、设备和介质
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN110189026A (zh) 空气质量改善措施的评估方法及装置、介质、电子设备
CN111291715B (zh) 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质
CN115225520B (zh) 一种基于元学习框架的多模态网络流量预测方法及装置
EP4040421B1 (en) Method and apparatus for predicting traffic data and electronic device
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN112418291A (zh) 一种应用于bert模型的蒸馏方法、装置、设备及存储介质
CN114970357A (zh) 节能效果评价方法、***、装置及存储介质
CN113723712B (zh) 风电功率预测方法、***、设备及介质
CN114972877A (zh) 一种图像分类模型训练方法、装置及电子设备
CN115700548A (zh) 用户行为预测的方法、设备和计算机程序产品
CN116843483A (zh) 一种车险理赔方法、装置、计算机设备及存储介质
CN117079148A (zh) 城市功能区的识别方法、装置、设备和介质
CN115391746B (zh) 针对气象要素数据的插值方法、装置、电子设备及介质
CN116894593A (zh) 光伏发电功率预测方法、装置、电子设备及存储介质
CN115293889A (zh) 信用风险预测模型训练方法、电子设备及可读存储介质
CN115797084A (zh) 基于车主驾驶行为的投保定价指导方法及其相关设备
CN112529315B (zh) 一种滑坡的预测方法、装置、设备和存储介质

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