CN116757378A - 需求响应评估模型训练方法、应用评估方法及相关设备 - Google Patents
需求响应评估模型训练方法、应用评估方法及相关设备 Download PDFInfo
- Publication number
- CN116757378A CN116757378A CN202211528851.4A CN202211528851A CN116757378A CN 116757378 A CN116757378 A CN 116757378A CN 202211528851 A CN202211528851 A CN 202211528851A CN 116757378 A CN116757378 A CN 116757378A
- Authority
- CN
- China
- Prior art keywords
- demand response
- data
- component
- load
- training
- 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
- 230000004044 response Effects 0.000 title claims abstract description 225
- 238000012549 training Methods 0.000 title claims abstract description 111
- 238000013210 evaluation model Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 230000005284 excitation Effects 0.000 claims abstract description 58
- 238000012360 testing method Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 15
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000005406 washing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q10/0631—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
-
- 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]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种需求响应评估模型训练方法、应用评估方法及相关设备，包括：获取负荷运行数据，基于所述负荷运行数据得到负荷曲线，将所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量；基于所述负荷运行数据及所述分量确定用户需求响应特征，依据所述分量曲线与所述用户需求响应特征构建分量预测模型；构建激励数据池，根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。本公开解决了当前技术中存在对用户需求响应的评估存在数据冗余导致预测精度下降，评估模型无法动态更新等问题。
Description
技术领域
本公开涉及电力***技术领域，尤其涉及一种需求响应评估模型训练方法、应用评估方法及相关设备。
背景技术
随着“双碳”目标的提出，我国新能源装机容量将持续增长。一方面传统机组大量退役，可再生能源大规模接入，电力***尖峰负荷趋势日益突出，仅仅依靠供给侧调节并不能较好地解决实时的供需平衡问题；另一方面随着电力体制改革的深化，用户和产业负荷比例不断加大，用户参与响应调整的能力不断增强，需求响应越来越受到重视。当前技术中，对用户需求响应的评估存在数据冗余导致预测精度下降，评估模型无法动态更新等问题。在此情况下，实现对用户需求响应的可靠评估十分迫切。
发明内容
有鉴于此，本公开的目的在于提出一种需求响应评估模型训练方法、应用评估方法及相关设备，用以解决或部分解决上述问题。
基于上述目的，本公开的第一方面提供了一种需求响应评估模型训练方法，所述方法包括：
获取负荷运行数据，基于所述负荷运行数据得到负荷曲线，将所述负荷曲线分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量；
基于所述负荷运行数据及所述分量确定用户需求响应特征，依据所述分量曲线与所述用户需求响应特征构建分量预测模型；
构建激励数据池，根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。
可选地，所述将所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量，包括：
通过时间序列分解法对所述负荷曲线进行分解，得到多个分量曲线以及与每个分量曲线对应的分量，其中所述分量至少包括周期性分量、环境性分量、可控性分量与不确定分量。
可选地，所述依据所述分量曲线与所述用户需求响应特征构建分量预测模型，包括：
依据所述用户需求响应特征与所述可控性分量对应的分量曲线构建所述分量预测模型。
可选地，所述用户需求响应特征包括历史负荷指标与历史响应指标，所述基于所述负荷运行数据及所述分量确定用户需求响应特征，包括：
所述历史负荷指标包括峰期负荷率与谷期负荷率，通过以下公式确定所述历史负荷指标：
ρp＝Lp/L
ρv＝Lv/L
其中，ρp为峰期负荷率，ρv为谷期负荷率，Lp为用户在用电高峰期的用电负荷量，Lv为***闲时的用电负荷量，L为负荷总量；
所述负荷总量L通过以下公式确定：
L＝T(μt，σt)+E(μe，σe)+C(μc，σc)+U
其中，L为负荷总量，T为周期性分量，E为环境型分量，C为可控性分量，U为不确定分量，μt为周期性分量均值，σt为周期性分量方差，μe为环境性分量均值，σe为环境性分量方差，μc为可控性分量均值，σc为可控性分量方差；
所述历史响应指标包括申报参与率、有效响应率及容量响应率，通过以下公式确定所述历史响应指标：
kd＝n/N
其中，n为用户受邀约后申报参与次数，N为***邀约次数，Lei为当天用户实际响应量，Ldi为用户目前申报量，Li为当天用户用电量，kd为申报参与率，ke为有效响应率，ηe为容量响应率。
可选地，所述依据所述用户需求响应特征与所述可控性分量对应的分量曲线构建所述分量预测模型，包括：
根据所述用户需求响应特征与所述可控性分量对应的分量曲线建立特征数据池；
对所述特征数据池中的数据进行洗涤；
根据经过洗涤的所述特征数据池中的数据构建所述分量预测模型。
可选地，所述对所述特征数据池中的数据进行洗涤，包括：
去除所述特征数据池中申报参与率低于第一预设阈值和/或有效响应率低于第二预设阈值的数据；
依据中位数法对所述特征数据池中的数据进行去极值化；
对所述特征数据池进行时间矫正。
可选地，所述需求响应评估模型包括第一需求响应评估模型和第二需求响应评估模型，所述方法还包括：
将所述激励数据池中的数据划分为测试数据和训练数据；
响应于确定所述训练数据存在更新，且通过混合驱动策略筛选得到一个可剔除的训练数据，剔除所述可剔除的训练数据，得到第一激励数据池；采用所述第一激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第一需求响应评估模型；或者，
响应于确定所述训练数据存在更新，且通过混合驱动策略筛选得到至少两个可剔除的训练数据，分别采用包含任意一个可剔除的训练数据的激励数据池对所述需求响应评估模型进行训练，以得到至少两个候选评估模型；将所述测试数据分别输入至每个所述候选评估模型，得到相应的评估结果；将所述评估结果与所述测试数据进行比较，得到评估误差；从所述激励数据池中剔除除最小的评估误差对应的可剔除的训练数据之外的其他的可剔除的训练数据，得到第二激励数据池；采用所述第二激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第二需求响应评估模型。
基于同一发明构思，本公开的第二方面提出了一种应用上述需求响应评估模型训练方法得到的需求响应评估模型的评估方法，所述方法包括：
获取用户需求响应；
将所述用户需求响应输入至所述需求响应评估模型，经由所述需求响应评估模型输出与所述用户需求响应对应的评估结果。
基于同一发明构思，本公开的第三方面提出了一种需求响应评估模型训练装置，包括：
数据获取模块，被配置为获取负荷运行数据，基于所述负荷运行数据得到负荷曲线，将所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量；
特征提取模块，被配置为基于所述负荷运行数据及所述分量确定用户需求响应特征，依据所述分量曲线与所述用户需求响应特征构建分量预测模型；
模型训练模块，被配置为构建激励数据池，根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。
基于同一发明构思，本公开的第四方面提出了一种应用需求响应评估模型的评估装置，包括：
信息获取模块，被配置为获取用户需求响应；
响应评估模块，被配置为将所述用户需求响应输入至所述需求响应评估模型，经由所述需求响应评估模型输出与所述用户需求响应对应的评估结果。
基于同一发明构思，本公开的第五方面提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的方法。
基于同一发明构思，本公开的第六方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的方法。
从上面所述可以看出，本公开提供了一种需求响应评估模型训练方法、应用评估方法及相关设备，通过获取负荷运行数据，基于所述负荷运行数据得到负荷曲线，将所述负荷曲线分解，得到多个分量曲线以及与每个分量曲线对应的分量；基于所述负荷运行数据及所述分量确定用户需求响应特征，依据所述分量曲线与所述用户需求响应特征构建分量预测模型；构建激励数据池，根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。基于本公开实施的方案，通过基于所述负荷运行数据及所述分量确定用户需求响应特征，减少了无关信息及相关信息的冗余，提升了模型预测的可靠性；通过混合驱动策略实现了模型的更新，提高了评估模型的准确性。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术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公开的实施例，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为本公开实施例的需求响应评估模型训练方法的流程图；
图2为本公开实施例的应用需求响应评估模型的评估方法的流程图；
图3为本公开实施例的需求响应评估模型训练装置的结构框图；
图4为本公开实施例的应用需求响应评估模型的评估装置的结构框图；
图5为本公开实施例的电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如上所述，当前技术中，对用户需求响应的评估存在数据冗余导致预测精度下降，评估模型无法动态更新等问题。
本公开所涉及的名词解释如下：
XGBoost：XGBoost(eXtreme Gradient Boosting)是经过优化的分布式梯度提升库，由华盛顿大学陈天奇博士提出。XGBoost算法的原理是基于所有先前树，使用梯度下降法生成新树，使得目标函数靠近最小的方向。XGBoost提供并行树提升，可以快速准确地解决许多数据科学问题。
基于上述描述，本实施例提出了一种需求响应评估模型训练方法，如图1所示，所述方法包括：
步骤101，获取负荷运行数据，基于所述负荷运行数据得到负荷曲线，将所述负荷曲线分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量。
具体实施时，多角度获取负荷运行数据，其中多角度包括通过用户侧监控***获取以及通过电力公司获取，所述用户侧监控***包括下列至少之一：电表，电力检测软件等。基于所述负荷运行数据得到负荷曲线，将所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量。通过上述方案，从多角度获取用户负荷运行数据，保证了数据的准确性，为后续模型的精确评估提供了保障。
在一些实施例中，所述将所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量，包括：通过时间序列分解法对所述负荷曲线进行分解，得到多个分量曲线以及与每个分量曲线对应的分量，其中所述分量至少包括周期性分量、环境性分量、可控性分量与不确定分量。
具体实施时，基于用户生产生活过程中得到的负荷规律，可将所述负荷分为四类：稳定性负荷，可中断负荷，可转移负荷与不确定负荷。所述稳定性负荷指在特定时段不可断电的负荷，所述可中断负荷指能在必要时间关断的负荷，所述可转移负荷指负荷的使用时间从一个区间转移到另一个区间的负荷，所述不确定负荷指由生产生活计划之外的不确定性因素产生的负荷。对应所述四类负荷，将所述负荷曲线进行分解，得到多个分量曲线及每个所述分量曲线对应的多个分量，即周期性分量、环境性分量、可控性分量与不确定分量。通过上述方案，对基于负荷运行数据得到的负荷曲线进行分解得到不同类别的分量曲线，在后续建立模型时可将相关无关分量进行排除，避免信息冗余及对模型结果产生影响，提高模型的准确性。
例如，所述周期性分量表示用户生产生活中规律性用电，所述环境性分量表示温度、季节、天气等因素对用户用电产生影响的部分，所述可控性分量表示用户可中断或可转移以用于需求响应的部分，所述不确定分量表示用户在生产生活之外意外产生的、随机性较大的部分。
步骤102，基于所述负荷运行数据及所述分量确定用户需求响应特征，依据所述分量曲线与所述用户需求响应特征构建分量预测模型。
具体实施时，根据获取到的所述负荷运行数据及分解得到的所述分量确定用户需求响应特征，根据所述分量对应的分量曲线与所述用户需求响应特征构建分量预测模型。通过上述方案，通过构建分量预测模型，便于后续对用户需求响应进行评估。
在一些实施例中，依据所述用户需求响应特征与所述可控性分量对应的分量曲线构建所述分量预测模型。
具体实施时，实际生产生活中，可供用户支配的负荷部分为可控性负荷部分，根据用户需求响应特征及所述可控性负荷分量对应的分量曲线构建分量预测模型，可有效提供预测评估的准确性。
在一些实施例中，所述用户需求响应特征包括历史负荷指标与历史响应指标，步骤102中的所述基于所述负荷运行数据及所述分量确定用户需求响应特征，具体包括：
步骤1021，所述历史负荷指标包括峰期负荷率与谷期负荷率。
具体实施时，所述历史负荷指标包括峰期负荷率与谷期负荷率，通过以下公式确定所述历史负荷指标：
ρp＝Lp/L
ρv＝Lv/L
其中，ρp为峰期负荷率，ρv为谷期负荷率，Lp为用户在用电高峰期的用电负荷量，Lv为***闲时的用电负荷量，L为负荷总量。
根据***是否进行邀约，峰期负荷率ρp可分为未邀约峰期负荷率ρpb与邀约峰期负荷率ρpa，谷期负荷率ρv可分为未邀约谷期负荷率ρvb与邀约谷期负荷率ρva。通过未邀约峰期负荷率与未邀约谷期负荷率的差值即ρpb-ρvb，可表示用户需求响应能力；通过未约峰期负荷率与邀约峰期负荷率的差值即ρpb-ρpa，可表示用户需求响应意愿；通过未邀约谷期负荷率与邀约谷期负荷率的差值即ρva-ρvb，可表示可转移符合响应；ρpb+ρvb-ρpa-ρva可表示可中断负荷响应。
对于一时间点，采用矩不确定分布鲁棒算法，即除所述不确定分量外，其余分量分布类型为高斯分布，确定基数不确定集，通过以下公式计算所述基数不确定集：
其中，μ为均值，σ为方差，为μi的预测值，/>与μi 分别为μi的上下边界，Ωμ为不确定度，表示μ的扰动范围，/>为σi的预测值，/>与σi 分别为σi的上下边界，Ωσ为不确定度，表示σ的扰动范围。通过上述方案，基数不确定集基于不确定参数偏移量的相对值确定的，可以更精确地描述参数的波动情况。
所述负荷总量L通过以下公式确定：
L＝T(μt，σt)+E(μe，σe)+C(μc，σc)+U
其中，L为负荷总量，T为周期性分量，E为环境型分量，C为可控性分量，U为不确定分量，μt为周期性分量均值，σt为周期性分量方差，μe为环境性分量均值，σe为环境性分量方差，μc为可控性分量均值，σc为可控性分量方差。
步骤1022，所述历史响应指标包括申报参与率、有效响应率及容量响应率。
具体实施时，所述历史响应指标包括申报参与率、有效响应率及容量响应率，通过以下公式确定所述历史响应指标：
kd＝n/N
其中，n为用户受邀约后申报参与次数，N为***邀约次数，Lei为当天用户实际响应量，Ldi为用户日前申报量，Li为当天用户用电量，kd为申报参与率，ke为有效响应率，ηe为容量响应率。通过上述方案，申报参与率与有效响应率可表示用户需求响应的可靠性，容量响应率可表示用户需求响应的潜力。
在一些实施例中，步骤102中所述依据所述用户需求响应特征与所述可控性分量对应的分量曲线构建所述分量预测模型，具体包括：
步骤102A，根据所述用户需求响应特征与所述可控性分量对应的分量曲线建立特征数据池。
具体实施时，根据上述确定的用户需求响应特征与分解得到的所述可控性分量对应的分量曲线，建立特征数据池。
步骤102B，去除所述特征数据池中申报参与率低于第一预设阈值和/或有效响应率低于第二预设阈值的数据。
具体实施时，根据上述步骤计算得出的申报参与率与有效响应率对所述特征数据池进行第一次洗涤，去除所述申报参与率低于第一预设阈值和/或所述有效响应率低于第二预设阈值的数据，其中所述第一预设阈值与所述第二预设阈值均可用户自行设定。通过上述方案，使得所述特征数据池中的数据更加均衡，提高了模型的准确性。
步骤102C，依据中位数法对所述特征数据池中的数据进行去极值化。
具体实施时，采用中位数法对所述特征数据池中的数据进行第二次洗涤，实现所述数据的去极值化。通过上述方案，减小了不确定分量的占比，提高了模型的准确性。
例如，Xi为特征值，XM为Xi的中位数，XMAD为|Xi-XM|的中位数，所述中位数法为将Xi中所有大于XM+5XMAD的数改为XM+5XMAD，将Xi中所有小于XM-5XMAD的数改为XM-5XMAD。
步骤102D，对所述特征数据池进行时间矫正。
具体实施时，对所述特征数据池中的数据采用包络线原则进行第三次洗涤，即对所述特征数据池中的数据进行时间矫正，通过数据平移使包络线尽可能平滑。
步骤102E，根据经过时间矫正的所述特征数据池中的数据构建所述分量预测模型。
具体实施时，通过上述步骤，得到经过时间矫正后的特征数据池。根据经过时间矫正后的特征数据池中的数据构建所述分量预测模型，提高了所述分量预测模型预测的准确性。
步骤103，构建激励数据池，根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。
具体实施时，获取激励政策，根据所述激励政策及所述分量建立激励数据池。结合实时电价消费者心理特征分析，引入需求响应系数，所述需求响应系数表示用户将可中断或可转移负荷用于响应供电方减少的用电的比例，计算得到实际响应量，通过公式表示为：
R＝A*C
其中，R表示实际响应量，A表示需求响应系数，C表示可中断或可转移负荷，即可控性分量。
其中，根据消费者以最小成本实现最大用能的心理，所述需求响应系数随激励政策发生变化，同时随用户激励敏感程度不同，响应程度也有所不同。对不同类型激励政策，如电价折扣等，包括合同违约处罚，进行折算归一化处理。具体可划分为启动区、增长区与饱和区。所述启动区指政策奖励尚未达到用户心理阈值，用户不响应或几乎不响应***邀约；所述增长区指用户对***邀约进行响应且随奖励政策增强而扩大；所述饱和区指由于用户自身生产生活规律，奖励政策增大时无法继续扩大需求响应。所述需求响应系数只在增长区与激励政策存在正相关关系。
根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。在训练时，加入启动区与饱和区进行约束，可防止模型过拟合导致失真，约束条件为在启动区与饱和区，需求响应系数随激励政策的变化小于预设的线性关系，用公式表示为：
其中，λ1、λ2为预先设置惩罚系数，k1、k1为预先设置线性系数，r1、r2分别为预先设置启动区阈值和饱和区阈值，xi为特征值，ft为第t次训练模型，Yi为实际值，Ft-1(xi)为t-1次训练集成模型，L为罚函数。
在一些实施例中，所述需求响应评估模型包括第一需求响应评估模型和第二需求响应评估模型，步骤103后还包括：
步骤104，将所述激励数据池中的数据划分为测试数据和训练数据。
具体实施时，所述激励数据池中的数据可划分为测试数据与训练数据两部分，所述训练模型用来对初始模型进行训练，得到最终模型；所述测试数据用来对所述最终模型进行测试，得到最终模型的准确率。
步骤105，响应于确定所述训练数据存在更新，且通过混合驱动策略筛选得到一个可剔除的训练数据，剔除所述可剔除的训练数据，得到第一激励数据池；采用所述第一激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第一需求响应评估模型；或者，
响应于确定所述训练数据存在更新，且通过混合驱动策略筛选得到至少两个可剔除的训练数据，分别采用包含任意一个可剔除的训练数据的激励数据池对所述需求响应评估模型进行训练，以得到至少两个候选评估模型；将所述测试数据分别输入至每个所述候选评估模型，得到相应的评估结果；将所述评估结果与所述测试数据进行比较，得到评估误差；从所述激励数据池中剔除除最小的评估误差对应的可剔除的训练数据之外的其他的可剔除的训练数据，得到第二激励数据池；采用所述第二激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第二需求响应评估模型。
具体实施时，混合驱动策略表现为每加入数据，对数据池中的数据进行筛选，得到可剔除数据，剔除多余的可剔除数据，即保持数据池大小不变。
响应于确定所述训练数据存在更新，且筛选得到一个可剔除的训练数据，将所述可剔除的训练数据剔除，得到更新后的数据池，即第一激励数据池。采用所述第一激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第一需求响应评估模型。
响应于确定所述训练数据存在更新，且筛选得到至少两个可剔除的训练数据，分别采用包含任意一个可剔除的训练数据的激励数据池对所述需求响应评估模型进行训练，得到至少两个候选评估模型。将所述测试数据分别输入至每个候选评估模型，得到相应的评估结果，分别将所述评估结果与所述测试数据进行比较，得到对应的评估误差。比较所述多个评估误差，将所述评估误差最小的对应的所述可剔除数据加入所述激励数据池，得到更新后的激励数据池，即第二激励数据池，采用所述第二激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第二需求响应评估模型。通过上述方案，解决了当获取到新数据后，原有数据因留存时间过长或其他原因导致代表性降低，同时数据过多会导致训练时间长甚至是***崩溃的问题，实现了模型中数据池的动态更新，提高了模型的稳定性与准确性。
例如，所述训练数据更新，筛选得到三个可剔除数据A、B、C，分别采用包含A、B、C中任意一个可剔除的训练数据的激励数据池对所述需求响应评估模型进行训练，得到三个候选评估模型D、E、F。将测试数据输入至候选评估模型D、E、F中得到三个评估结果，将所述评估结果分别与所述测试数据进行比较得到三个评估误差X、Y、Z，比较评估误差大小结果为X>Y>Z,则将Z对应的可剔除数据C保留，将所述可剔除数据A、B剔除，得到更新后的激励数据池，即第二激励数据池，采用所述第二激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第二需求响应评估模型。
在上述方案中，从多角度获取用户负荷运行数据，保证了数据的准确性，为后续模型的精确评估提供了保障；通过对数据进行洗涤预处理，可有效提高模型的精确性和可靠性，抑制过拟合与欠拟合的现象；通过混合驱动策略实现了模型的更新，提高了模型的稳定性与准确性。
基于同一发明构思，本公开的第二方面提出了一种应用上述需求响应评估模型训练方法得到的需求响应评估模型的评估方法，如图2所示，所述方法包括：
步骤201，获取用户需求响应。
具体实施时，获取用户需求响应、当前需求响应邀约激励政策及用户负荷运行数据。
步骤202，将所述用户需求响应输入至所述需求响应评估模型，经由所述需求响应评估模型输出与所述用户需求响应对应的评估结果。
具体实施时，将所述用户需求响应输入至所述需求响应评估模型，经由所述需求响应评估模型输出与所述用户需求响应对应的评估结果，即得到需求响应系数预测值。所述需求响应系数预测值与所述用户负荷运行数据中分解得到的可控性分量的乘积即为用户需求响应潜力。根据所述用户需求响应潜力可制定相应的激励政策，以使制定的激励政策更加高效。
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述实施例方法相对应的，本公开还提供了一种需求响应评估模型训练装置。
参考图3，图3为实施例的需求响应评估模型训练装置，包括：
数据获取模块301，被配置为获取负荷运行数据，基于所述负荷运行数据得到负荷曲线，将所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量；
特征提取模块302，被配置为基于所述负荷运行数据及所述分量确定用户需求响应特征，依据所述分量曲线与所述用户需求响应特征构建分量预测模型；
模型训练模块303，被配置为构建激励数据池，根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。
在一些实施例中，所述数据获取模块301具体包括：
曲线分解单元，被配置为通过时间序列分解法对所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量，其中所述分量至少包括周期性分量、环境性分量、可控性分量与不确定分量。
在一些实施例中，所述特征提取模块302具体包括：
模型构建单元，被配置为依据所述用户需求响应特征与所述可控性分量对应的分量曲线构建所述分量预测模型。
在一些实施例中，所述用户需求响应特征包括历史负荷指标与历史响应指标，所述特征提取模块302具体还包括：
特征提取单元，被配置为所述历史负荷指标包括峰期负荷率与谷期负荷率，所述历史响应指标包括申报参与率、有效响应率及容量响应率。
在一些实施例中，所述模型构建单元具体包括：
数据池构建子单元，被配置为根据所述用户需求响应特征与所述可控性分量对应的分量曲线建立特征数据池；
数据洗涤子单元，被配置为对所述特征数据池中的数据进行洗涤；
模型构建子单元，被配置为根据经过洗涤的所述特征数据池中的数据构建所述分量预测模型；
在一些实施例中，所述数据洗涤子单元具体被配置为去除所述特征数据池中申报参与率低于第一预设阈值和/或有效响应率低于第二预设阈值的数据；依据中位数法对所述特征数据池中的数据进行去极值化；对所述特征数据池进行时间矫正。
在一些实施例中，所述需求响应评估模型包括第一需求响应评估模型和第二需求响应评估模型，所述需求响应评估模型训练装置还包括：
数据划分模块，被配置为将所述激励数据池中的数据划分为测试数据和训练数据；
数据更新模块，被配置为响应于确定所述训练数据存在更新，且通过混合驱动策略筛选得到一个可剔除的训练数据，采用减量学习算法剔除所述可剔除的训练数据，得到第一激励数据池；采用所述第一激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第一需求响应评估模型；或者，响应于确定所述训练数据存在更新，且通过混合驱动策略筛选得到至少两个可剔除的训练数据，分别采用包含任意一个可剔除的训练数据的激励数据池对所述需求响应评估模型进行训练，以得到至少两个候选评估模型；将所述测试数据分别输入至每个所述候选评估模型，得到相应的评估结果；将所述评估结果与所述测试数据进行比较，得到评估误差；从所述激励数据池中剔除除最小的评估误差对应的可剔除的训练数据之外的其他的可剔除的训练数据，得到第二激励数据池；采用所述第二激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第二需求响应评估模型。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的需求响应评估模型训练方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述实施例方法相对应的，本公开还提供了一种应用需求响应评估模型的评估装置。
参考图4，图4为实施例的应用需求响应评估模型的评估装置，包括：
获取模块401，被配置为获取用户需求响应；
评估模块402，被配置为将所述用户需求响应输入至所述需求响应评估模型，经由所述需求响应评估模型输出与所述用户需求响应对应的评估结果。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的需求响应评估模型评估方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的需求响应评估模型训练方法。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的需求响应评估模型训练方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的需求响应评估模型训练方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的需求响应评估模型训练方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种需求响应评估模型训练方法，其特征在于，包括：
获取负荷运行数据，基于所述负荷运行数据得到负荷曲线，将所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量；
基于所述负荷运行数据及所述分量确定用户需求响应特征，依据所述分量曲线与所述用户需求响应特征构建分量预测模型；
构建激励数据池，根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述负荷曲线进行分解，得到多个分量曲线以及与每个分量曲线对应的分量，包括：
通过时间序列分解法对所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量，其中所述分量包括周期性分量、环境性分量、可控性分量与不确定分量。
3.根据权利要求2所述的方法，其特征在于，所述依据所述分量曲线与所述用户需求响应特征构建分量预测模型，包括：
依据所述用户需求响应特征与所述可控性分量对应的分量曲线构建所述分量预测模型。
4.根据权利要求3所述的方法，其特征在于，所述用户需求响应特征包括历史负荷指标与历史响应指标，所述基于所述负荷运行数据及所述分量确定用户需求响应特征，包括：
所述历史负荷指标包括峰期负荷率与谷期负荷率，通过以下公式确定所述历史负荷指标：
ρp＝Lp/L
ρv＝Lv/L
其中，ρp为峰期负荷率，ρv为谷期负荷率，Lp为用户在用电高峰期的用电负荷量，Lv为***闲时的用电负荷量，L为负荷总量；
所述负荷总量L通过以下公式确定：
L＝T(μt，σt)+E(μe，σe)+C(μc，σc)+U
其中，L为负荷总量，T为周期性分量，E为环境型分量，C为可控性分量，U为不确定分量，μt为周期性分量均值，σt为周期性分量方差，μe为环境性分量均值，σe为环境性分量方差，μc为可控性分量均值，σc为可控性分量方差；
所述历史响应指标包括申报参与率、有效响应率及容量响应率，通过以下公式确定所述历史响应指标：
kd＝n/N
其中，n为用户受邀约后申报参与次数，N为***邀约次数，Lei为当天用户实际响应量，Ldi为用户目前申报量，Li为当天用户用电量，kd为申报参与率，ke为有效响应率，ηe为容量响应率。
5.根据权利要求3所述的方法，其特征在于，所述依据所述用户需求响应特征与所述可控性分量对应的分量曲线构建所述分量预测模型，包括：
根据所述用户需求响应特征与所述可控性分量对应的分量曲线建立特征数据池；
去除所述特征数据池中申报参与率低于第一预设阈值和/或有效响应率低于第二预设阈值的数据；
依据中位数法对所述特征数据池中的数据进行去极值化；
对所述特征数据池进行时间矫正；
根据经过所述时间矫正的所述特征数据池中的数据构建所述分量预测模型。
6.根据权利要求1所述的方法，其特征在于，所述需求响应评估模型包括第一需求响应评估模型和第二需求响应评估模型，所述方法还包括：
将所述激励数据池中的数据划分为测试数据和训练数据；
响应于确定所述训练数据存在更新，且通过混合驱动策略筛选得到一个可剔除的训练数据，剔除所述可剔除的训练数据，得到第一激励数据池；采用所述第一激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第一需求响应评估模型；或者，
响应于确定所述训练数据存在更新，且通过混合驱动策略筛选得到至少两个可剔除的训练数据，分别采用包含任意一个可剔除的训练数据的激励数据池对所述需求响应评估模型进行训练，以得到至少两个候选评估模型；将所述测试数据分别输入至每个所述候选评估模型，得到相应的评估结果；将所述评估结果与所述测试数据进行比较，得到评估误差；从所述激励数据池中剔除除最小的评估误差对应的可剔除的训练数据之外的其他的可剔除的训练数据，得到第二激励数据池；采用所述第二激励数据池中的训练数据对所述需求响应评估模型进行训练，得到第二需求响应评估模型。
7.一种应用权利要求1至权利要求6中任一项所述的需求响应评估模型训练方法得到的需求响应评估模型的评估方法，其特征在于，包括：
获取用户需求响应；
将所述用户需求响应输入至所述需求响应评估模型，经由所述需求响应评估模型输出与所述用户需求响应对应的评估结果。
8.一种需求响应评估模型训练装置，其特征在于，包括：
数据获取模块，被配置为获取负荷运行数据，基于所述负荷运行数据得到负荷曲线，将所述负荷曲线进行分解，得到多个不同类型的分量曲线以及与每个分量曲线对应的分量；
特征提取模块，被配置为基于所述负荷运行数据及所述分量确定用户需求响应特征，依据所述分量曲线与所述用户需求响应特征构建分量预测模型；
模型训练模块，被配置为构建激励数据池，根据所述激励数据池中的数据对所述分量预测模型进行训练，得到需求响应评估模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行权利要求1至6任意一项所述的需求响应评估模型训练方法或如权利要求7所述的需求响应评估模型的评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211528851.4A CN116757378A (zh) | 2022-11-30 | 2022-11-30 | 需求响应评估模型训练方法、应用评估方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211528851.4A CN116757378A (zh) | 2022-11-30 | 2022-11-30 | 需求响应评估模型训练方法、应用评估方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116757378A true CN116757378A (zh) | 2023-09-15 |
Family
ID=87953882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211528851.4A Pending CN116757378A (zh) | 2022-11-30 | 2022-11-30 | 需求响应评估模型训练方法、应用评估方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757378A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132420A (zh) * | 2023-10-27 | 2023-11-28 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力需求响应对象的响应特性分析方法和*** |
| CN117154722A (zh) * | 2023-10-30 | 2023-12-01 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力需求响应潜力评估方法和*** |
-
2022
- 2022-11-30 CN CN202211528851.4A patent/CN116757378A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117132420A (zh) * | 2023-10-27 | 2023-11-28 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力需求响应对象的响应特性分析方法和*** |
| CN117132420B (zh) * | 2023-10-27 | 2024-02-27 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力需求响应对象的响应特性分析方法和*** |
| CN117154722A (zh) * | 2023-10-30 | 2023-12-01 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力需求响应潜力评估方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
| CN116757378A (zh) | 需求响应评估模型训练方法、应用评估方法及相关设备 | |
| CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
| Jiang et al. | Hidden Markov model for municipal waste generation forecasting under uncertainties | |
| CN111223006A (zh) | 一种异常用电检测方法及装置 | |
| CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
| CN114936085A (zh) | 基于深度学习算法的etl调度方法及装置 | |
| CN116227543B (zh) | 用电异常的检测方法、检测装置、电子装置和电子设备 | |
| CN112990530B (zh) | 区域人口数量预测方法、装置、电子设备和存储介质 | |
| Hindrayanto et al. | Exact maximum likelihood estimation for non-stationary periodic time series models | |
| CN113869590A (zh) | 一种基于eemd-lstm的区域能源互联网负荷预测方法及*** | |
| Tikka et al. | Sequential input selection algorithm for long-term prediction of time series | |
| Tangrand | Some new contributions to neural networks and wavelets with applications | |
| Çetiner et al. | Analysis of different regression algorithms for the estimate of energy consumption | |
| Mansouri et al. | Modeling of nonlinear biological phenomena modeled by s-systems using bayesian method | |
| CN115907194A (zh) | 一种光伏发电功率预测方法、***及产品 | |
| CN116307049A (zh) | 光伏发电功率预测方法、***、终端及介质 | |
| Yu et al. | SALSTM: An improved LSTM algorithm for predicting the competitiveness of export products | |
| Zou et al. | A deep learning approach for state-of-health estimation of lithium-ion batteries based on differential thermal voltammetry and attention mechanism | |
| CN114692529A (zh) | 一种cfd高维响应的不确定度量化方法、装置、计算机设备 | |
| Lekshmi et al. | Non-intrusive load monitoring with ann-based active power disaggregation of electrical appliances | |
| CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
| CN111931994A (zh) | 一种短期负荷及光伏功率预测方法及其***、设备、介质 | |
| Rostum et al. | A combined effective time series model based on clustering and whale optimization algorithm for forecasting smart meters electricity consumption | |
| CN112949882A (zh) | 一种负荷预测的方法、装置及电子设备 |
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 |