CN116307215A - 一种电力***的负荷预测方法、装置、设备及存储介质 - Google Patents
一种电力***的负荷预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116307215A CN116307215A CN202310299162.9A CN202310299162A CN116307215A CN 116307215 A CN116307215 A CN 116307215A CN 202310299162 A CN202310299162 A CN 202310299162A CN 116307215 A CN116307215 A CN 116307215A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- historical
- index
- load
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 61
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000005611 electricity Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000007774 longterm Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000001520 comb Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种电力***的负荷预测方法、装置、设备及存储介质。该方法包括:确定影响电力***负荷变化的各影响指标,并获取历史时间段内各影响指标对应的历史指标数据;若历史时间段满足预设时间条件,则基于历史指标数据和预测神经网络模型,预测出历史指标数据对应的网络预测数据,基于历史指标数据和网络预测数据拟合目标曲线,并基于目标曲线的函数模型对当前待预测电力***进行负荷预测。本发明实施例的技术方案解决了目前的预测模型无法对长期负荷进行准确预测,且预测模型的训练难度较大的问题,实现了提高负荷预测模型的生成效率,以及负荷预测模型的精准度。
Description
技术领域
本发明涉及电力负荷预测技术领域,尤其涉及一种电力***的负荷预测方法、装置、设备及存储介质。
背景技术
电力负荷预测是电力部门的重要工作之一,根据预测周期的不同主要分为短期负荷预测和中长期(5年以上)负荷预测。相比短期负荷预测,中长期负荷预测因为受到很多不确定因素,使得预测难度加大。而中长期负荷预测又是进行电力规划、生产和运行等工作的重要基础。因此,准确的负荷预测有利于提高电网运行的安全稳定性,有效降低发电成本,保证用电需求,增强供电可靠性,从而提高电力***的经济效益和社会效益。
中长期电力负荷与工业产值、农业产值、GDP、环境、人口、人均消费水平、产业结构、当地政策等诸多相关因素有着密切的关系,如果把这些都作为网络的输入,那么网络的结构就很复杂,训练的时间长,预测的精度也不一定高。负荷预测一般采用神经网络预测方法,但是,神经网络也有很多不足之处,主要表现在结构复杂、训练缓慢、对突发状况的处理相对较差,加之网络在确定权值时具有随机性,导致每次训练之后输入输出之间的关系不定,预测结果存在差异。目前预测方法很多,但是在预测电力***中长期负荷方面,并不能充分挖掘历史负荷的变化规律,也不能对未来负荷的发展趋势有准确的判断,所以存在预测精度低的问题。
发明内容
本发明提供了一种电力***的负荷预测方法、装置、设备及存储介质,以实现对电力***长期负荷的准确预测,以及提高预测模型的生成效率。
根据本发明的一方面,提供了一种电力***的负荷预测方法,包括:
确定影响电力***负荷变化的各影响指标,并获取历史时间段内各所述影响指标对应的历史指标数据;
若所述历史时间段满足预设时间条件,则基于所述历史指标数据和所述预测神经网络模型,预测出所述历史指标数据对应的网络预测数据,其中,所述负荷预测神经网络模型是基于所述历史指标数据和所述电力***以所述历史指标数据运行时的历史负荷数据训练初始神经网络模型得到的;
基于所述历史指标数据和所述网络预测数据拟合目标曲线,并基于所述目标曲线的函数模型对当前待预测电力***进行负荷预测。
根据本发明的另一方面,提供了一种电力***的负荷预测装置,包括:
历史指标数据获取模块,用于确定影响电力***负荷变化的各影响指标,并获取历史时间段内各所述影响指标对应的历史指标数据;
网络预测数据确定模块,用于若所述历史时间段满足预设时间条件,则基于所述历史指标数据和所述预测神经网络模型,预测出所述历史指标数据对应的网络预测数据,其中,所述负荷预测神经网络模型是基于所述历史指标数据和所述电力***以所述历史指标数据运行时的历史负荷数据训练初始神经网络模型得到的;
电力***负荷预测模块,用于基于所述历史指标数据和所述网络预测数据拟合目标曲线,并基于所述目标曲线的函数模型对当前待预测电力***进行负荷预测。
根据本发明的另一方面,提供了一种电子设备,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计算机程序,所述计算机程序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本发明任一实施例所述的电力***的负荷预测方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电力***的负荷预测方法。
本发明实施例的技术方案,通过确定影响电力***负荷变化的各影响指标,并获取历史时间段内各影响指标对应的历史指标数据;若历史时间段满足预设时间条件,则基于历史指标数据和预测神经网络模型,预测出历史指标数据对应的网络预测数据,基于历史指标数据和网络预测数据拟合目标曲线,并基于目标曲线的函数模型对当前待预测电力***进行负荷预测。本发明实施例的技术方案解决了目前的预测模型无法对长期负荷进行准确预测,且预测模型的训练难度较大的问题,实现了提高负荷预测模型的生成效率,以及负荷预测模型的精准度。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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发明的一些实施例,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他的附图。
图1为本发明实施例一所提供的一种电力***的负荷预测方法的流程图;
图2为本发明实施例二提供的一种电力***的负荷预测方法的流程图;
图3为本发明实施例三提供的一种电力***的负荷预测方法的流程图;
图4为本发明实施例三提供的影响中长期电力负荷预测的知识图谱;
图5为本发明实施例三提供的两种S型曲线增长的大致态势图;
图6为本发明实施例四提供的一种电力***的负荷预测装置的结构示意图;
图7为本发明实施例五提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一所提供的一种电力***的负荷预测方法的流程图,本实施例可适用于对电力负荷进行预测的情况,该方法可以由电力***的负荷预测装置来执行,该电力***的负荷预测装置可以采用硬件和/或软件的形式实现,该电力***的负荷预测装置可配置于计算机设备中。如图1所示,该方法包括:
S110、确定影响电力***负荷变化的各影响指标,并获取历史时间段内各所述影响指标对应的历史指标数据。
其中,影响指标可以理解为是影响电力***中负荷变化的一些因素,例如,影响指标为用户数量,如果用电的用户数量改变,相应的电力***的负荷也会随之改变。历史时间段可以是过去的某个时间段,例如过去的五年,或者三年;历史指标数据指的是与影响指标对应的具体数据,例如,影响指标为用户数量,对应的历史指标数据是在历史时间段内,用户数量的具体值。
具体的,确定影响电力***负荷变化的各个影响指标,可以理解,随着时间的改变,各影响指标对应的数据也可能随之改变,可以将历史时间段内,各影响指标对应的数据记录作为历史指标数据。
在本发明实施例中,所述确定影响电力***负荷变化的各影响指标,包括:获取网络数据库中与电力***负荷变化相关联的各待使用指标,并将各所述待使用指标作为第一实体,以及将负荷预测作为第二实体;确定所述第一实体与所述第二实体之间的关联关系,并基于所述第一实体、所述第二实体以及所述关联关系构建出目标知识图谱;从所述目标知识图谱中查找出与所述第二实体的关联程度大于预设关联程度阈值的第一实体,作为目标第一实体,并将所述目标第一实体对应的待使用指标确定为所述影响指标。
其中,待使用指标可以理解为是与网络中与负荷变化相关的一些因素或者信息,目标知识图谱指的是建立出的知识图谱,在知识图谱中有对应的实体和关联关系;预设关联程度阈值指的是预先设置好的阈值,用于判断关联程度的大小。
具体的,可以利用爬虫技术、机器学习等方法从信息繁杂的网络或者网络数据库中检索到涉及电力负荷变化的信息,并将这些信息从不同的数据结构和类型的数据中提取出来,进一步分析处理后将处理后的信息作为待使用指标;也即,这些待使用指标是与电力负荷变化具有关联性。进一步,将各待使用指标作为第一实体,将负荷预测作为第二实体,并通过一些关联性分析方式分析出各第一实体与第二实体之间的关联关系,进而基于关联关系和第一实体、第二实体构建出目标知识图谱。在此基础上,当需要确定影响指标时,可以直接从目标知识图谱中查找与各第一实体与第二实体的关联程度大小,并判断是否达到预设关联程度阈值;将达到预设关联程度阈值的第一实体对应的待使用指标作为影响电力负荷变化的影响指标,这样可以从多个待使用指标中确定出与电力负荷变化关联性最大的几个指标作为影响指标,进而通过影响指标对应的数据进行负荷预测,可以减少运算复杂性。
为了简化网络的结构,提高预测的精度,首先找到所有可能影响负荷预测精度的因素,然后在这些众多的影响因素中找出主要的影响因素,从而提高负荷预测结果的精度。
在上述方案的基础上,所述获取历史时间段内各所述影响指标对应的历史指标数据,以及所述电力***以所述历史指标数据运行时的历史负荷数据,包括:若所述影响指标为生产总值指标或者用户数量指标,则将与所述生产总值指标对应的生产总值数据或者与所述用户数量指标对应的用户数量确定为所述历史指标数据;若所述影响指标为产业结构指标,则获取电力***的工业用电数据、商业用电数据以及居民用电数据,并基于所述工业用电数据、商业用电数据以及居民用电数据确定历史指标数据;
其中,影响指标包括生产总值指标、用户数量指标以及产业结构指标中的至少一种。
具体而言,如果影响指标是生产总值指标或者用户数量指标,这类属于可以量化的指标,因此可以直接将该指标对应的数据作为历史指标数据,也即将与生产总值指标对应的生产总值数据或者与用户数量指标对应的用户数量作为历史指标数据。
如果影响指标为产业结构指标,属于无法量化的指标,可以通过相应的量化方式将其量化,具体的量化方式可以是根据工业用点数据、商业结构用电数据以及居民用电数据通过预设的计算公式计算出一个结果值,并将结果值作为历史指标数据。
S120、若所述历史时间段满足预设时间条件,则基于所述历史指标数据和所述预测神经网络模型,预测出所述历史指标数据对应的网络预测数据。
其中,负荷预测神经网络模型是基于所述历史指标数据和所述电力***以所述历史指标数据运行时的历史负荷数据训练初始神经网络模型得到的。
具体的,如果获取到的历史指标数据是满足预设时间条件,例如历史指标数据对应的历史时间段为5年,也即是获取到了过去5年的历史指标数据,认为是满足预设时间段的。进一步,通过用于进行负荷预测的预测神经网络对历史指标数据进行预测,得到对应的网络预测数据。
其中,预测神经网络是模型是通过初始神经网络模型训练成的,获取与历史指标数据对应的历史负荷数据,也即电力***以历史指标数据运行时,对应的历史负荷数据。基于历史指标数据和历史负荷数据对初始神经网络模型训练,可以得到预测神经网络模型。
在上述技术方案的基础上,通过如下方式训练所述负荷预测神经网络模型:将所述历史指标数据和所述历史负荷数据作为训练样本,训练所述初始神经网络模型,并确定所述初始神经网络模型对应的误差函数;基于所述误差函数的偏导数确定所述初始神经网络中各神经元的待调整权重值和待调整阈值,并基于所述待调整权重和所述待调整阈值修正各所述神经元的权重和阈值;若修正后的初始神经网络模型的预测误差小于误差阈值,则将修正后的初始神经网络模型确定为所述预测神经网络模型。
具体的,训练初始神经网络模型时,可以将历史指标数据和历史符合数据作为训练样本,训练初始神经网络模型,计算出对应的误差函数。进一步,通过梯度下降法沿着误差函数偏导数负方向来调整每个神经元的权值和阈值;并通过修正后的初始神经网络模型继续预测,如果得到的预测误差小于阈值,则将该修正过的初始神经网络模型作为预测神经网络模型。
在本实例中,所述若所述历史指标数据的时间满足预设时间条件,则基于所述历史指标数据和所述预测神经网络模型,预测出所述历史指标数据对应的网络预测数据,包括:将所述历史指标数据作为输入值,输入至所述预测神经网络模型,并将所述预测神经网络模型的输出值确定为所述历史指标数据对应的网络预测数据。
其中,网络预测数据相当于是预测神经网络模型基于历史指标数据预测出的负荷数据。
具体的,将历史指标数据作为输入值,输入至预测神经网络模型中,并将预测神经网络模型的输出值确定为历史指标数据对应的网络预测数据,此过程就是通过预测神经网络模型对历史指标数据进行负荷预测,预测出对应的网络预测数据。
S130、基于所述历史指标数据和所述网络预测数据拟合目标曲线,并基于所述目标曲线的函数模型对当前待预测电力***进行负荷预测。
具体的,可以基于历史指标数据和网络预测数据进行拟合,得到出一条曲线,并对该曲线进行修正等,计算出相应的函数模型,并通过函数模型对当前待预测电力***进行负荷预测,例如,获取当前待预测电力***的历史指标数据,并将该数据代入值函数模型中,即可得到对应的负荷预测值。因为,神经网络每次的预测比较波动,对预测的趋势,没有一个预期,为了解决不确定性在神经网络预测之后,再进行拟合,得到的函数模型对负荷预测的准确度更高。
在上述基础上,所述基于所述历史指标数据和所述网络预测数据拟合目标曲线,并基于所述目标曲线的函数模型对当前待预测电力***进行负荷预测,包括:将所述历史指标数据和所述预测数据基于预设函数进行拟合,得到负荷预测函数;基于所述负荷预测函数对当前待预测电力***进行负荷预测,以得到所述待预测电力***的负荷值。
其中,所述预设函数包括但不限于S型曲线。
具体的,将历史指标数据和预测数据基于预设函数进行拟合,得到负荷预测函数;基于负荷预测函数对当前待预测电力***进行负荷预测,以得到待预测电力***的负荷值。
本发明实施例的技术方案,通过确定影响电力***负荷变化的各影响指标,并获取历史时间段内各影响指标对应的历史指标数据;若历史时间段满足预设时间条件,则基于历史指标数据和预测神经网络模型,预测出历史指标数据对应的网络预测数据,基于历史指标数据和网络预测数据拟合目标曲线,并基于目标曲线的函数模型对当前待预测电力***进行负荷预测。本发明实施例的技术方案解决了目前的预测模型无法对长期负荷进行准确预测,且预测模型的训练难度较大的问题,实现了提高负荷预测模型的生成效率,以及负荷预测模型的精准度。
实施例二
图2为本发明实施例二提供的一种电力***的负荷预测方法的流程图,本实施例在上述实施例的基础上,对历史时间段不满足预设时间条件的情况,进行了详细阐述。如图2所示,该方法包括:
S210、确定影响电力***负荷变化的各影响指标,并获取历史时间段内各所述影响指标对应的历史指标数据;
S220、若所述历史时间段不满足预设时间条件,则基于所述历史指标数据和所述历史负荷数据拟合出负荷预测曲线。
可以理解,如果历史时间段不满足预设时间条件,说明历史指标数据可能是过去3年内的数据,这种情况下,数据量是较少的,是不足以训练神经网络模型的,因此可以直接根据历史指标数据和历史符合数据拟合出负荷预测曲线。例如,拟合出S型曲线。
S230、基于所述负荷预测曲线对应的函数模型对当前待预测电力***进行负荷预测。
具体的,将当前待预测电力***的历史指标数据代入至函数模型,可以得到待预测电力***的负荷信息。
本发明实施例的技术方案,通过确定影响电力***负荷变化的各影响指标,并获取历史时间段内各所述影响指标对应的历史指标数据;若所述历史时间段不满足预设时间条件,则基于所述历史指标数据和所述历史负荷数据拟合出负荷预测曲线。基于所述负荷预测曲线对应的函数模型对当前待预测电力***进行负荷预测。当历史时间段较短时,无法通过神经网络预测,可以直接通过本实施例拟合曲线,通过曲线的函数模型对负荷进行预测,提高负荷预的精准度。
实施例三
图3为本发明实施例三提供的一种电力***的负荷预测方法的流程图,本实施例为上述各实施例的一优先实施例,其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相应的技术术语在此不再赘述。
本发明实施例提供的一种电力***的负荷预测方法。该方法包含五部分内容,第一部分通过知识图谱,找到并量化影响负荷预测的关键因素,第二部分利用BP神经网络对负荷进行长期预测,第三部分利用S型曲线对BP神经网络的预测结果进行拟合,得到负荷预测模型,第四部分是仅用S型曲线(不需要BP神经网络)对负荷进行预测,得到负荷预测模型,第五部分对联合求解流程图进行梳理。如图3所示。以下分别介绍五部分内容。
1、第一部分通过知识图谱,找到并量化影响负荷预测的关键因素。
(1)获取与负荷预测相关因素
构建知识图谱需要获取知识,利用爬虫、机器学习等方法从信息繁杂的网络中(互联网,知网,外文网站)将涉及到中长期电力负荷变化的信息从不同结构和类型的数据中提取出来,然后把它们按规则进行排序,以供进一步的分析和利用。
(2)绘制知识图谱
知识图谱是利用图和网络的概念,建立起的一种语义网,其中的边表示两者关系,而其中的节点则指向实体。通过从(1)中提取的信息,基于智能化查询,以电力负荷预测影响因素为关键词,可以得到影响中长期电力负荷预测的知识图谱,如图4所示。
(3)量化影响中长期电力负荷预测的因素
本专利确定影响中长期电力负荷预测的因素有三个,包括GDP、人口数量及产业结构。其中GDP及人口数量可以直接作为预测数据输入,不需要改变,但产业结构无法直接作为输入,需要利用数学公式进行转换,如公式(1)
式中,w1代表工业用电量,w2代表商业用电量,w3代表居民用电量。
2、第二部分利用BP神经网络对负荷进行长期预测
(1)初始化。包括网络的连接权值的阈值,给定所有历史负荷数据、历史人口数据、GDP、产业机构。确定输入量、输出量个数及隐含层的神经元个数。
(2)求解神经元权值和阈值
设第i个节点的输入为xi,其加和得到Ii,经过f将输出限定在一定范围内,便得到输出Oi:
式中,wij表示节点i、j之间的连接权重,θi表示神经元i的阈值。
它们每一层的输出都又作为下一层的输入,通过已经设计好的网络一直迭代到最终的输出。将Ok与期望输出Tk进行均方差计算,均方误差值E是神经网络训练过程中的重要参考指标,其中;
若要使E尽量小,应该调整神经元权值与阈值,神经网络通过梯度下降法沿着误差函数偏导数负方向来调整每个神经元的权值和阈值,按如下公式进行修正:
重复(4)~(6),直到ΔE(t)=[E(t+1)-E(t)]≤s即可。
基于上述预测模型进行中长期电力负荷预测,得到电力负荷预测结果。
3、第三部分利用S型曲线对BP神经网络的预测结果进行拟合
S型曲线主要采用两种函数对其进行拟合,一种是Logistic曲线,一种是Gompertz曲线,两者公式如公式(7)、(8)所示。两者的增长态势大致相同,如图5,但是Logistic曲线各阶段的增长则相对较为均匀,Gompertz曲线的初始发展阶段增量较小,饱和阶段增量较大,拟合数据时选择态势增长较为接近的曲线进行调整。
得到BP神经网络的预测结果后,采用S型曲线对预测结果进行修正或拟合。拟合数据即是调整公式(7)、(8)中的a、b、c的值,使拟合结果达到公式(9)的结果即可
4.第四部分是仅用S型曲线对负荷进行预测
方法同第三部分,只是所用历史数据不同。第三部分所有结果为第二部分BP神经网络预测的结果,本部分直接用历史数据对S型曲线拟合,得到预测结果。
5.第五部分对联合求解流程图进行梳理
本发明首先通过第一部分的知识图谱,确定并量化影响中长期负荷预测的因素。然后判断所收集的历史数据量是否满足n(n=5)年(数据量太少时,无法采用神经网络方法预测),若n小于5,则直接利用第四部分的S型曲线进行拟合,若n大于等于5,则先采用BP神经网络进行预测,然后再利用S曲线进行拟合。
本发明实施例的技术方案,通过确定影响电力***负荷变化的各影响指标,并获取历史时间段内各影响指标对应的历史指标数据;若历史时间段满足预设时间条件,则基于历史指标数据和预测神经网络模型,预测出历史指标数据对应的网络预测数据,基于历史指标数据和网络预测数据拟合目标曲线,并基于目标曲线的函数模型对当前待预测电力***进行负荷预测。本发明实施例的技术方案解决了目前的预测模型无法对长期负荷进行准确预测,且预测模型的训练难度较大的问题,实现了提高负荷预测模型的生成效率,以及负荷预测模型的精准度。
本发明实施例首先利用知识图谱确定影响电力负荷预测的因素,从中拣选出影响负荷预测的关键因素。其次,为了弥补BP神经网络方法预测的缺陷,本专利提出一种基于BP神经网络及S型曲线拟合的负荷预测方法,本方法弥补了神经网络预测方法预测结果的不确定性,同时弥补了S型曲线拟合对于负荷发展趋势预测精度低的问题。最后,本专利将上述方法形成完成流程,实现对地区中长期负荷的精准预测,能够为配电网网运行和规划提供指导。
实施例四
图6为本发明实施例四提供的一种电力***的负荷预测装置的结构示意图。如图6所示,该装置包括:
历史指标数据获取模块410,用于确定影响电力***负荷变化的各影响指标,并获取历史时间段内各所述影响指标对应的历史指标数据;
网络预测数据确定模块420,用于若所述历史时间段满足预设时间条件,则基于所述历史指标数据和所述预测神经网络模型,预测出所述历史指标数据对应的网络预测数据,其中,所述负荷预测神经网络模型是基于所述历史指标数据和所述电力***以所述历史指标数据运行时的历史负荷数据训练初始神经网络模型得到的;
电力***负荷预测模块430,用于基于所述历史指标数据和所述网络预测数据拟合目标曲线,并基于所述目标曲线的函数模型对当前待预测电力***进行负荷预测。
本发明实施例的技术方案,通过确定影响电力***负荷变化的各影响指标,并获取历史时间段内各影响指标对应的历史指标数据;若历史时间段满足预设时间条件,则基于历史指标数据和预测神经网络模型,预测出历史指标数据对应的网络预测数据,基于历史指标数据和网络预测数据拟合目标曲线,并基于目标曲线的函数模型对当前待预测电力***进行负荷预测。本发明实施例的技术方案解决了目前的预测模型无法对长期负荷进行准确预测,且预测模型的训练难度较大的问题,实现了提高负荷预测模型的生成效率,以及负荷预测模型的精准度。
可选的,所述历史指标数据获取模块410,包括:
实体确定模块,用于获取网络数据库中与电力***负荷变化相关联的各待使用指标,并将各所述待使用指标作为第一实体,以及将负荷预测作为第二实体;
目标图谱建立模块,用于确定所述第一实体与所述第二实体之间的关联关系,并基于所述第一实体、所述第二实体以及所述关联关系构建出目标知识图谱;
影响指标确定模块,用于从所述目标知识图谱中查找出与所述第二实体的关联程度大于预设关联程度阈值的第一实体作为目标第一实体,并将所述目标第一实体对应的待使用指标确定为所述影响指标。
可选的,所述历史指标数据获取模块410,包括:
第一确定模块,用于若所述影响指标为生产总值指标或者用户数量指标,则将与所述生产总值指标对应的生产总值数据或者与所述用户数量指标对应的用户数量确定为所述历史指标数据;
第二确定模块,用于若所述影响指标为产业结构指标,则获取电力***的工业用电数据、商业用电数据以及居民用电数据,并基于所述工业用电数据、商业用电数据以及居民用电数据确定历史指标数据;
其中,所述影响指标包括生产总值指标、用户数量指标以及产业结构指标中的至少一种。
可选的,所述电力***的负荷预测装置,还包括曲线负荷预测模块,具体用于:
若所述历史时间段不满足预设时间条件,则基于所述历史指标数据和所述历史负荷数据拟合出负荷预测曲线;
基于所述负荷预测曲线对应的函数模型对当前待预测电力***进行负荷预测。
可选的,通过如下方式训练所述负荷预测神经网络模型:
将所述历史指标数据和所述历史负荷数据作为训练样本,训练所述初始神经网络模型,并确定所述初始神经网络模型对应的误差函数;
基于所述误差函数的偏导数确定所述初始神经网络中各神经元的待调整权重值和待调整阈值,并基于所述待调整权重和所述待调整阈值修正各所述神经元的权重和阈值;
若修正后的初始神经网络模型的预测误差小于误差阈值,则将修正后的初始神经网络模型确定为所述预测神经网络模型。
可选的,所述网络预测数据确定模块420,包括:
预测模块,用于将所述历史指标数据作为输入值,输入至所述预测神经网络模型,并将所述预测神经网络模型的输出值确定为所述历史指标数据对应的网络预测数据。
可选的,所述电力***负荷预测模块430,具体用于:
将所述历史指标数据和所述预测数据基于预设函数进行拟合,得到负荷预测函数,其中,所述预设函数包括但不限于S型曲线;
基于所述负荷预测函数对当前待预测电力***进行负荷预测,以得到所述待预测电力***的负荷值。
本发明实施例所提供的电力***的负荷预测装置可执行本发明任意实施例所提供的电力***的负荷预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图7为本发明实施例五提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如电力***的负荷预测方法。
在一些实施例中,电力***的负荷预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的电力***的负荷预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电力***的负荷预测方法方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种电力***的负荷预测方法,其特征在于,包括:
确定影响电力***负荷变化的各影响指标,并获取历史时间段内各所述影响指标对应的历史指标数据;
若所述历史时间段满足预设时间条件,则基于所述历史指标数据和所述预测神经网络模型,预测出所述历史指标数据对应的网络预测数据,其中,所述负荷预测神经网络模型是基于所述历史指标数据和所述电力***以所述历史指标数据运行时的历史负荷数据训练初始神经网络模型得到的;
基于所述历史指标数据和所述网络预测数据拟合目标曲线,并基于所述目标曲线的函数模型对当前待预测电力***进行负荷预测。
2.根据权利要求1所述的方法,其特征在于,所述确定影响电力***负荷变化的各影响指标,包括:
获取网络数据库中与电力***负荷变化相关联的各待使用指标,并将各所述待使用指标作为第一实体,以及将负荷预测作为第二实体;
确定所述第一实体与所述第二实体之间的关联关系,并基于所述第一实体、所述第二实体以及所述关联关系构建出目标知识图谱;
从所述目标知识图谱中查找出与所述第二实体的关联程度大于预设关联程度阈值的第一实体作为目标第一实体,并将所述目标第一实体对应的待使用指标确定为所述影响指标。
3.根据权利要求1所述的方法,其特征在于,所述获取历史时间段内各所述影响指标对应的历史指标数据,以及所述电力***以所述历史指标数据运行时的历史负荷数据,包括:
若所述影响指标为生产总值指标或者用户数量指标,则将与所述生产总值指标对应的生产总值数据或者与所述用户数量指标对应的用户数量确定为所述历史指标数据;
若所述影响指标为产业结构指标,则获取电力***的工业用电数据、商业用电数据以及居民用电数据,并基于所述工业用电数据、商业用电数据以及居民用电数据确定历史指标数据;
其中,所述影响指标包括生产总值指标、用户数量指标以及产业结构指标中的至少一种。
4.根据权利要求1所述的方法,其特征在于,还包括:
若所述历史时间段不满足预设时间条件,则基于所述历史指标数据和所述历史负荷数据拟合出负荷预测曲线;
基于所述负荷预测曲线对应的函数模型对当前待预测电力***进行负荷预测。
5.根据权利要求1所述的方法,其特征在于,通过如下方式训练所述负荷预测神经网络模型:
将所述历史指标数据和所述历史负荷数据作为训练样本,训练所述初始神经网络模型,并确定所述初始神经网络模型对应的误差函数;
基于所述误差函数的偏导数确定所述初始神经网络中各神经元的待调整权重值和待调整阈值,并基于所述待调整权重和所述待调整阈值修正各所述神经元的权重和阈值;
若修正后的初始神经网络模型的预测误差小于误差阈值,则将修正后的初始神经网络模型确定为所述预测神经网络模型。
6.根据权利要求1所述的方法,其特征在于,所述若所述历史指标数据的时间满足预设时间条件,则基于所述历史指标数据和所述预测神经网络模型,预测出所述历史指标数据对应的网络预测数据,包括:
将所述历史指标数据作为输入值,输入至所述预测神经网络模型,并将所述预测神经网络模型的输出值确定为所述历史指标数据对应的网络预测数据。
7.根据权利要求1所述的方法,其特征在于,所述基于所述历史指标数据和所述网络预测数据拟合目标曲线,并基于所述目标曲线的函数模型对当前待预测电力***进行负荷预测,包括:
将所述历史指标数据和所述预测数据基于预设函数进行拟合,得到负荷预测函数,其中,所述预设函数包括但不限于S型曲线;
基于所述负荷预测函数对当前待预测电力***进行负荷预测,以得到所述待预测电力***的负荷值。
8.一种电力***的负荷预测装置,其特征在于,包括:
历史指标数据获取模块,用于确定影响电力***负荷变化的各影响指标,并获取历史时间段内各所述影响指标对应的历史指标数据;
网络预测数据确定模块,用于若所述历史时间段满足预设时间条件,则基于所述历史指标数据和所述预测神经网络模型,预测出所述历史指标数据对应的网络预测数据,其中,所述负荷预测神经网络模型是基于所述历史指标数据和所述电力***以所述历史指标数据运行时的历史负荷数据训练初始神经网络模型得到的;
电力***负荷预测模块,用于基于所述历史指标数据和所述网络预测数据拟合目标曲线,并基于所述目标曲线的函数模型对当前待预测电力***进行负荷预测。
9.一种电子设备,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计算机程序,所述计算机程序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权利要求1-7中任一项所述的电力***的负荷预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电力***的负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310299162.9A CN116307215A (zh) | 2023-03-24 | 2023-03-24 | 一种电力***的负荷预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310299162.9A CN116307215A (zh) | 2023-03-24 | 2023-03-24 | 一种电力***的负荷预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307215A true CN116307215A (zh) | 2023-06-23 |
Family
ID=86799443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310299162.9A Pending CN116307215A (zh) | 2023-03-24 | 2023-03-24 | 一种电力***的负荷预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307215A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116817415A (zh) * | 2023-08-28 | 2023-09-29 | 国网浙江省电力有限公司宁波供电公司 | 一种空调负荷管理调节方法、计算设备及存储介质 |
CN117216469A (zh) * | 2023-09-03 | 2023-12-12 | 国网江苏省电力有限公司信息通信分公司 | 一种电力***实时监测与预测的大数据处理方法及*** |
CN117455269A (zh) * | 2023-12-21 | 2024-01-26 | 国网天津市电力公司城南供电分公司 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
CN117494904A (zh) * | 2023-12-20 | 2024-02-02 | 万物信通(广州)通信信息技术有限公司 | 一种通信能力开放平台负荷预测方法、电子设备以及可读存储介质 |
CN117955095A (zh) * | 2024-01-11 | 2024-04-30 | 国网湖北省电力有限公司信息通信公司 | 电力负荷预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-03-24 CN CN202310299162.9A patent/CN116307215A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116817415A (zh) * | 2023-08-28 | 2023-09-29 | 国网浙江省电力有限公司宁波供电公司 | 一种空调负荷管理调节方法、计算设备及存储介质 |
CN116817415B (zh) * | 2023-08-28 | 2024-01-12 | 国网浙江省电力有限公司宁波供电公司 | 一种空调负荷管理调节方法、计算设备及存储介质 |
CN117216469A (zh) * | 2023-09-03 | 2023-12-12 | 国网江苏省电力有限公司信息通信分公司 | 一种电力***实时监测与预测的大数据处理方法及*** |
CN117216469B (zh) * | 2023-09-03 | 2024-03-15 | 国网江苏省电力有限公司信息通信分公司 | 一种电力***实时监测与预测的大数据处理方法及*** |
CN117494904A (zh) * | 2023-12-20 | 2024-02-02 | 万物信通(广州)通信信息技术有限公司 | 一种通信能力开放平台负荷预测方法、电子设备以及可读存储介质 |
CN117455269A (zh) * | 2023-12-21 | 2024-01-26 | 国网天津市电力公司城南供电分公司 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
CN117455269B (zh) * | 2023-12-21 | 2024-04-16 | 国网天津市电力公司城南供电分公司 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
CN117955095A (zh) * | 2024-01-11 | 2024-04-30 | 国网湖北省电力有限公司信息通信公司 | 电力负荷预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307215A (zh) | 一种电力***的负荷预测方法、装置、设备及存储介质 | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及*** | |
CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
CN115759751A (zh) | 一种企业风险预测方法、装置、存储介质、电子设备及产品 | |
CN112667394B (zh) | 一种计算机资源利用率优化方法 | |
CN113435653B (zh) | 一种基于logistic模型的饱和用电量预测方法及*** | |
CN116933896B (zh) | 一种超参数确定及语义转换方法、装置、设备及介质 | |
CN115497633B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
US20230106295A1 (en) | System and method for deriving a performance metric of an artificial intelligence (ai) model | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN116011570A (zh) | 一种xai模型一致性训练方法、装置、设备和存储介质 | |
CN114612784A (zh) | 目标检测网络训练方法、装置、设备及存储介质 | |
CN118014018A (zh) | 一种楼宇能源消耗预测方法、装置、设备及存储介质 | |
CN116703109A (zh) | 一种配电网项目选取方法、装置、设备及存储介质 | |
CN116992150A (zh) | 一种研发组件推荐方法、装置、设备及存储介质 | |
CN116307252A (zh) | 一种业务***运行状态的预测方法、装置、设备及介质 | |
CN115983486A (zh) | 一种风电出力预测方法、装置、电子设备及存储介质 | |
CN118152806A (zh) | 模型训练方法、电池健康状态的估计方法、设备及介质 | |
CN118171047A (zh) | 缺失数据的填充方法及装置、电子设备和存储介质 | |
CN116186536A (zh) | 风险预测方法、装置、电子设备及存储介质 | |
CN114626636A (zh) | 电网负荷预测方法、装置、建模方法、计算机设备及介质 | |
CN117556935A (zh) | 时间序列预测方法、装置、设备及可读存储介质 | |
CN115034511A (zh) | 企业生命周期确定方法、装置、电子设备及介质 |
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 |