CN116862036A - 一种负载预测方法以及装置 - Google Patents

一种负载预测方法以及装置 Download PDF

Info

Publication number
CN116862036A
CN116862036A CN202210300910.6A CN202210300910A CN116862036A CN 116862036 A CN116862036 A CN 116862036A CN 202210300910 A CN202210300910 A CN 202210300910A CN 116862036 A CN116862036 A CN 116862036A
Authority
CN
China
Prior art keywords
period
load
data
sampling
station
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
Application number
CN202210300910.6A
Other languages
English (en)
Inventor
徐灏
龚兰平
邱辉
张泽宇
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202210300910.6A priority Critical patent/CN116862036A/zh
Publication of CN116862036A publication Critical patent/CN116862036A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/62—The condition being non-electrical, e.g. temperature
    • H02J2310/64—The condition being economic, e.g. tariff based load management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种负载预测方法以及装置，用于基于较少的采样数据预测站点的负载，在不能实时采集到电池负载的情况下通过较少的计算量得到更准确的预测负载。该方法包括：获取第一采样数据，第一采样数据包括第一站点在第一周期内通过放电采样消耗的电能计算得到的负载功率，第一周期为预先划分的多个周期中的任意一个周期；根据第一采样数据和历史采样数据获取第一站点在第二周期的负载信息，第二周期为第一周期后的下一个周期，负载信息包括第一站点在第二周期内的功率值，历史采样数据包括第一周期之前的周期中采样得到的数据；根据负载信息确定充放电策略，充放电策略包括控制第一站点在第二周期执行充电和放电的策略。

Description

一种负载预测方法以及装置
技术领域
本申请涉及通信领域，尤其涉及一种负载预测方法以及装置。
背景技术
随着技术发展，大部分设备都需要进行充电放电。以第五代移动通信技术(5th-generation mobile communication technology，简称5G)通信场景为例，5G场景下基站能耗的增长给运营商成本带来极大挑战，通过预测基站负载，即基站的电池放电时的功率值，可利用峰谷电价差优化基站电池充放电时间，达到节省电费的目的。然而，不同基站的供电电源或者电池通常是不同制造商，不能直接进行电源检测获取到电池的实时负载，导致不能对电池进行合理充电。因此，如何在不能直接进行电源检测的场景下的单电池的负载，成为亟待解决的问题。
发明内容
本申请提供一种负载预测方法以及装置，用于基于较少的采样数据预测站点的负载，在不能实时采集到电池负载的情况下通过较少的计算量得到更准确的预测负载。第一方面，本申请提供一种负载预测方法，其特征在于，应用于用电***，用电***中包括至少一个站点和供电设备，每个站点中设置有电池，供电设备用于为至少一个站点提供充电的电力，包括：获取第一采样数据，第一采样数据包括第一站点在第一周期内通过放电采样消耗的电能计算得到的负载功率，第一周期为预先划分的多个周期中的任意一个周期；根据第一采样数据和历史采样数据获取第一站点在第二周期的负载信息，第二周期为第一周期后的下一个周期，负载信息包括第一站点在第二周期内的功率值，历史采样数据包括第一周期之前的周期中采样得到的数据；根据负载信息确定充放电策略，充放电策略包括控制第一站点在第二周期执行充电和放电的策略。
可以通过迭代的方式来预测站点在各个周期内的负载变化情况，尤其在难以实现对站点的电池负载实时监控的场景下，可以采样较少的数据即可实现准确的预测，从而合理规划站点的充放电时间，降低站点的用电成本，且可以降低因采样而消耗的电力，提高电力的利用率。
在一种可能的实施方式中，前述的根据第一采样数据和历史采样数据获取第一站点在第二周期的负载信息，包括：根据第一采样数据和历史采样数据拟合得到负载预测模型；根据负载预测模型获取第一站点在第二周期的负载信息，第二周期为第一周期后的下一个周期，负载信息包括第一站点在第二周期内的功率值。
因此，本申请实施方式中，在对下一周期进行负载预测时，可以使用当前周期的采样数据和前一个或多个周期的采样数据来拟合负载预测模型，然后使用该负载预测模型来预测下一个周期的负载，可以通过迭代的方式来预测站点在各个周期内的负载变化情况。尤其在难以实现对站点的电池负载实时监控的场景下，可以采样较少的数据即可实现准确的预测，从而合理规划站点的充放电时间，降低站点的用电成本，且可以降低因采样而消耗的电力，提高电力的利用率。
在一种可能的实施方式中，前述的用电***内包括多个站点，根据第一采样数据和历史采样数据拟合得到负载预测模型，包括：根据多个站点的采样数据进行拟合得到群体负载曲线，群体负载曲线用于表示多个站点在第一周期内的负载变化；根据第一采样数据和历史采样数据拟合个体负载曲线，个体负载曲线表示第一站点在第一周期内的负载变化，群体负载曲线和个体负载曲线组成负载预测模型。
因此，本申请实施方式中，可以分别拟合群体和个体的负载变化曲线，从而在后续预测时，可以结合群体和个体的负载曲线来对每个站点的负载进行预测。
在一种可能的实施方式中，前述的根据负载预测模型获取第一站点在第二周期的负载信息，可以包括：根据群体负载曲线输出第一站点在第二周期的第一预测序列；根据个体负载曲线输出第一站点在第二周期的第二预测序列；融合第一预测序列和第二预测序列，得到负载信息。
因此，本申请实施方式中，对某一个站点进行负载预测时，可以融合用电***中其他站点的采样数据，从而使单个站点的预测负载更准确。
在一种可能的实施方式中，前述的获取群体负载曲线，包括：若第一周期为多个周期中的第一个周期，对多个站点的采样数据进行聚类，得到至少一个类别的数据；使用至少一个类别的数据分别进行拟合，得到每个类别对应的负载曲线，群体负载曲线包括至少一个类别中每个类别的负载曲线。
因此，本申请实施方式中，在采样得到第一个周期的负载功率之后，即使用对多个站点的采样数据进行聚类，相当于将多个站点的负载变化情况分为多类，从而在拟合曲线时，可以得到与站点的负载变化情况符合的负载曲线，提高后续预测结果的准确性。
在一种可能的实施方式中，前述的对多个站点的采样数据进行聚类，得到至少一个类别的数据，可以包括：从多个站点的采样数据中筛选出毛刺序列，得到稳定数据，毛刺序列为与相邻采样点之间的偏差大于预设偏差的数据；对稳定数据进行聚类，得到至少一个类别的数据；上述方法还可以包括：根据毛刺序列与至少一个类别的距离，确定毛刺序列对应的类别。
因此，本申请实施方式中，在进行聚类时，可以挑选出毛刺序列，以减少毛刺序列对拟合结果的影响，并在聚类之后，对毛刺序列进行分类，从而提高毛刺序列的利用率。
在一种可能的实施方式中，前述的在根据负载预测模型获取第一站点在第二周期的负载信息之后，方法还包括：获取负载预测模型在第一时间点的输出值，以及采集第一站点在第一时间点的负载值；若输出值和负载值之间的偏差大于预设偏差值，则对负载信息进行调整，得到调整后的负载信息。
因此，本申请实施方式中，可以判断预测结果是否出现了规律偏移，从而及时进行调整，提高最终预测结果的准确性。
在一种可能的实施方式中，前述的根据第一采样数据和历史采样数据获取第一站点在第二周期的负载信息，包括：若第一采样数据和历史采样数据符合预设条件，则根据第一采样数据和历史采样数据中包括的数据的均值，获取第一站点在第二周期的负载信息；其中，预设条件包括稳定值小于第一阈值，稳定值包括第一采样数据和历史采样数据中各个时间点的方差、样本熵、近似熵或者模糊熵中的至少一种。
因此，本申请实施方式中，当采集到的数据表示的变化规律稳定时，可以直接使用采样数据的平均值来预测负载，从而基于简单的算法即可完成准确的预测，减少了预测计算量，提高预测效率。
在一种可能的实施方式中，前述的获取第一采样数据，包括：若第一周期为多个周期中的第一个周期，则按照预先设定的第一数量的采样点进行采样，得到第一采样数据；若第一周期不为多个周期中的第一个周期，则根据上一个周期得到的负载信息确定第二数量的采样点，并按照第二数量的采样点进行采样，得到第一采样数据，第一数量大于第二数量。
因此，本申请实施方式中，在第一个周期可以对较多采样点进行采样，在后续进行预测时，即可迭代使用上一周期的采样数据，从而在非第一个周期可以对较少采样点进行采样，减少后续周期因采样产生的电力消耗。
在一种可能的实施方式中，前述的在第一周期进行采样的过程中，上述方法还可以包括：当第一站点的电池放电时，按照预设间隔进行采样，得到第二采样数据；将第二采样数据添加至第一采样数据中，得到新的第一采样数据。
本申请实施方式中，当站点的电池主动放电时，也可以进行采样，从而在不需要额外进行放电的情况下，也可以采集到更多的数据，提高后续的预测负载的准确性。
第二方面，本申请提供一种负载预测装置，其特征在于，应用于用电***，用电***中包括至少一个站点和供电设备，每个站点中设置有电池，供电设备用于为至少一个站点提供充电的电力，包括：
获取模块，用于获取第一采样数据，第一采样数据包括第一站点在第一周期内通过放电采样消耗的电能计算得到的负载功率，第一周期为预先划分的多个周期中的任意一个周期；
预测模块，用于根据第一采样数据和历史采样数据获取第一站点在第二周期的负载信息，第二周期为第一周期后的下一个周期，负载信息包括第一站点在第二周期内的功率值，历史采样数据包括第一周期之前的周期中采样得到的数据；
确定模块，用于根据负载信息确定充放电策略，充放电策略包括控制第一站点在第二周期执行充电和放电的策略。
在一种可能的实施方式中，预测模块，具体用于：根据第一采样数据和历史采样数据拟合得到负载预测模型；根据负载预测模型获取第一站点在第二周期的负载信息，第二周期为第一周期后的下一个周期，负载信息包括第一站点在第二周期内的功率值。
在一种可能的实施方式中，用电***内包括多个站点，预测模块，具体用于：根据多个站点的采样数据进行拟合得到群体负载曲线，群体负载曲线用于表示多个站点在第一周期内的负载变化；根据第一采样数据和历史采样数据拟合个体负载曲线，个体负载曲线表示第一站点在第一周期内的负载变化，群体负载曲线和个体负载曲线组成负载预测模型。
在一种可能的实施方式中，预测模块，具体用于：根据群体负载曲线输出第一站点在第二周期的第一预测序列；根据个体负载曲线输出第一站点在第二周期的第二预测序列；融合第一预测序列和第二预测序列，得到负载信息。
在一种可能的实施方式中，预测模块，具体用于：若第一周期为多个周期中的第一个周期，对多个站点的采样数据进行聚类，得到至少一个类别的数据；使用至少一个类别的数据分别进行拟合，得到每个类别对应的负载曲线，群体负载曲线包括至少一个类别中每个类别的负载曲线。
在一种可能的实施方式中，预测模块，具体用于：从多个站点的采样数据中筛选出毛刺序列，得到稳定数据，毛刺序列为与相邻采样点之间的偏差大于预设偏差的数据；对稳定数据进行聚类，得到至少一个类别的数据；根据毛刺序列与至少一个类别的距离，确定毛刺序列对应的类别。
在一种可能的实施方式中，在预测模块根据负载预测模型获取第一站点在第二周期的负载信息之后，预测模块，还用于：获取负载预测模型在第一时间点的输出值，以及采集第一站点在第一时间点的负载值；若输出值和负载值之间的偏差大于预设偏差值，则对负载信息进行调整，得到调整后的负载信息。
在一种可能的实施方式中，预测模块，具体用于：若第一采样数据和历史采样数据符合预设条件，则根据第一采样数据和历史采样数据中包括的数据的均值，获取第一站点在第二周期的负载信息；其中，预设条件包括稳定值小于第一阈值，稳定值包括第一采样数据和历史采样数据中各个时间点的方差、样本熵、近似熵或者模糊熵中的至少一种。
在一种可能的实施方式中，获取模块，具体用于：若第一周期为多个周期中的第一个周期，则按照预先设定的第一数量的采样点进行采样，得到第一采样数据；若第一周期不为多个周期中的第一个周期，则根据上一个周期得到的负载信息确定第二数量的采样点，并按照第二数量的采样点进行采样，得到第一采样数据，第一数量大于第二数量。
在一种可能的实施方式中，在第一周期进行采样的过程中，获取模块，还用于：当第一站点的电池放电时，按照预设间隔进行采样，得到第二采样数据；将第二采样数据添加至第一采样数据中，得到新的第一采样数据。
第三方面，本申请实施例提供一种负载预测装置，包括：处理器和存储器，其中，处理器和存储器通过线路互联，处理器调用存储器中的程序代码用于执行上述第一方面任一项所示的负载预测方法中与处理相关的功能。可选地，该负载预测装置可以是芯片。
第四方面，本申请实施例提供了一种负载预测装置，该负载预测装置也可以称为数字处理芯片或者芯片，芯片包括处理单元和通信接口，处理单元通过通信接口获取程序指令，程序指令被处理单元执行，处理单元用于执行如上述第一方面或第一方面任一可选实施方式中与处理相关的功能。
第五方面，本申请实施例提供了一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任一可选实施方式中的方法。
第六方面，本申请实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任一可选实施方式中的方法。
附图说明
图1为本申请应用的一种用电***的架构示意图；
图2为本申请提供的另一种用电***的架构示意图；
图3为本申请提供的一种应用场景示意图；
图4为本申请提供的另一种应用场景示意图；
图5为本申请提供的另一种应用场景示意图；
图6为本申请提供的一种负载预测方法的流程示意图；
图7为本申请提供的另一种负载预测方法的流程示意图；
图8为本申请提供的另一种应用场景示意图；
图9为本申请提供的另一种负载预测方法的流程示意图；
图10为本申请提供的另一种负载预测方法的流程示意图；
图11为本申请提供的另一种负载预测方法的流程示意图；
图12为本申请提供的另一种负载预测方法的流程示意图；
图13为本申请提供的一种负载预测装置的结构示意图；
图14为本申请提供的一种负载预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请提供的负载预测方法可以应用于用电***中，该用电***中可以包括供电设备和用电设备，供电设备的数量可以是一个或者多个，用电设备的数量也可以是一个或者多个，供电设备可以用于为用电设备提供电力。
示例性地，本申请提供的用电***的架构可以如图1所示，该用电***中可以包括供电设备和一个或者多个用电设备。
供电设备可以用于为用电设备提供电力。具体可以通过汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池或其他电力来源来为用电设备进行供电。
用电设备中可以设置电池，用电设备可以从供电设备获取电力并为电池充电，电池放电为用电设备提供工作所需能量。该电池具体可以是电锂离子或铅酸电池等。这种电池的一个或多个电池组可被配置为电源为用电设备的各种组件提供电力。
为便于理解，本申请中将用电设备成为站点，即用电***中可以包括一个或者多个站点。
通常，为便于对各个站点进行充电管理，可以在用电***中设置控制节点，或者可以称为负载预测装置。具体地，可以单独设置控制节点，如单独设置一个服务器、终端或者云服务器作为控制节点，也可以将其中一个站点作为管理节点，或者将通信***中的网关作为控制节点等。本申请提供的方法可以由控制节点来执行，即本申请提供的负载预测方法可以由单独设置的服务器、终端、云服务器或者站点来执行。
本申请提供的用电***，可以部署于各种场景中，如部署于通信***供电、车辆供电、家用电器供电或者终端供电等场景中，下面示例性地，以一些具体的场景为例进行示例性说明。
该通信***例如，无线网络、有线网络或者无线网络与有线网络的组合等。该无线网络包括但不限于：第五代移动通信技术(5th-Generation，5G)***，长期演进(long termevolution，LTE)***、全球移动通信***(global system for mobile communication，GSM)或码分多址(code division multiple access，CDMA)网络、宽带码分多址(widebandcode division multiple access，WCDMA)网络、物联网、无线保真(wireless fidelity，WiFi)、蓝牙(bluetooth)、紫蜂协议(Zigbee)、射频识别技术(radio frequencyidentification，RFID)、远程(Long Range，Lora)无线通信、近距离无线通信(near fieldcommunication，NFC)中的任意一种或多种的组合。该有线网络可以包括光纤通信网络或同轴电缆组成的网络等。
相应地，本申请提供的站点可以是通信网络内的长期演进(long termevolution，LTE)中的基站(eNodeB，eNB)，新空口(new radio，NR)中的基站(gNodeB，gNB)等等。例如，从产品形态上来看，基站是具有中心控制功能的设备，如宏基站、微基站、热点(pico)、家庭基站(femeto)、传输点(TP)、中继(Relay)、接入点(access point，AP)等。
而在一些其他场景中，如车辆充电或者家用充电场景中，站点可以是车辆、家用电器或者终端等用电设备，相应的控制节点可以是其中一个用电设备，或者单独设置的节点。
例如，用电***架构可以如图2所示，其中可以包括供电设备、云服务器(或者称为云管理***)、网关以及站点。
云服务器用于对从站点采集到的数据进行处理，并基于处理后的数据来预测站点的负载以及计算下一周期的采样点。在预测得到负载以及计算得到采样点之后，即可将采样点策略表的信息下发给网关，并在基于负载得到充放电策略之后，将充放电策略下发给网关。
网关与站点建立连接，可以向站点发送指令，以控制站点完成充电或者放电等操作。网关在在接收到云服务器下发的采样点策略表之后，即可基于该采样点策略表中所包括采样点的信息，即采样时段，在下一个周期内控制站点进行充放电以完成采样。在接收到充放电策略表之后，即可基于该充放电策略表来控制站点的充放电。
站点可以用于采集自身充放电时的电流或者电压等，并可以将采集到的数据通过网关上报给云服务器，以使云服务器可基于接收到的数据获知站点的负载，即站点在放电时的负载功率。具体地，站点可以周期性地上报采样数据，也可以在每次采样点完成采样后向云服务器上报采样数据。
需要说明的是，前述网关为可选设备，该网关执行的步骤可以集成于站点，也可以集成于云服务器中，具体可以根据实际应用场景确定，本申请仅仅是示例性说明。
针对站点的负载预测，一些常用的方式可以包括：直接根据历史同一时间点的负载值取平均进行负载预测；基于多元线性回归进行拟合，利用测试数据不断调优；直接利用时序预测算法如ARIMA等或其他机器学习算法对每个基站负载分别建模和预测；利用其他局点数据进行机器学习模型训练，在新局点数据上进行迁移学习训练和预测。
然而，电源与电池非同一厂家的情况非常普遍，实时负载数据难以直接获取，然而要实现智能错峰充放电，需要实现对基站负载的准确预测。由于负载与时间以及其他相关变量不一定呈线性关系，且不同的基站时序模式不同，在数据较少的情况下，前三种方式建模准确性不高，对数据完整性要求较高，且需要对每个基站单独建模调优。第四种方式依赖其他局点数据，且难以对不规则采样和稀疏采样的场景进行处理。且上述提供的负载预测方式，无法适应时点不均匀的情况，且在数据量较小的情况下难以捕捉周期性规律。并且，无法直接获取站点负载数据的情况下，频繁通过放电进行负载采样造成电费损失降低错峰收益。
因此，本申请提供一种负载预测方法，用于在不能直接通过电源监测功能实时获取到站点的负载数据，或者数据较少的情况下，也能够准确地预测出站点的负载情况，从而合理地规划充放电时间，减少站点的运行成本。并且，可以利用较少的放电次数即可进行预测，减少放电次数以减少额外的电力消耗，降低了预测成本。
首先，为便于理解，对本申请提供的负载预测方法的一些应用场景进行示例性介绍。
场景一、通信***中的供电***
示例性地，以5G通信***为例，如图3所示，该通信***中可以包括控制节点、网关、基站(如图3中所述示出的基站1至基站N)以及为每个基站供电的供电设备。
其中，基站中可以设置电池，可以使用电池为基站供电。而电池通常需要进行充电，可以为每个基站设置电源，即供电设备，通过供电设备实现电池的充电，使电池的电量可以保障基站的正常工作。
控制节点可以通过网关来控制站点的采样以及充放电等。如可以通过网关来向站点发送充电指令或者放电指令，并通过网关来接收站点采集到的电流或者电压信息等，从而得到站点的负载信息。
在通信网络内，通常基站部署于某一个地点之后可能保持位置固定，且基站可能处于长期工作的状态，因此基站对电池的使用消耗也较大，通常需要周期性地频繁充电。而通常在不同的基站负载可能不相同，用电产生的费用不相同。可利用峰谷电价差优化基站电池的充放电时间，达到节省电费的目的。通常在电价高峰期用电池放电供电，在电价低峰期给电池充电，同时保证预留备电电量的方式，达到安全可靠地利用备电电池富余电量节省电费的目的。
通常5G因整体及静态耗能大，基站数量多，用户业务在时空上分布不均，满足峰值需求的网络在闲时产生浪费。常用的固定时间错峰方式难以实现最优的资源利用效率。并且基站的供电设备和电池通常可能是不同的制造商，锂电与铅酸电池混搭场景市场占比较大，通常不能直接通过电源监测功能实时获取到基站的负载数据，即基站在运行时所产生、转换或者消耗电能的功率。且在一些数据较少的情况下，如仅具有一天的采样数据的场景下，使用机器学习算法也难以达到更好的预测效果。
因此，通过本申请提供的负载预测方法，在不能直接通过电源监测功能实时获取到基站的负载数据，或者数据较少的情况下，也能够准确地预测出基站的负载情况，从而合理地规划充放电时间，减少基站的运行成本。并且，可以利用较少的放电次数即可进行预测，减少放电次数以减少额外的电力消耗，降低了预测成本。
场景二、车辆充电场景
示例性地，车辆充电的场景可以如图4所示。
其中，车辆中可以设置电池，通过电池提供车辆运行所需的能量。用户可以将车辆驾驶至充电桩进行充电，充电桩可以设置在停车场、充电站等地点。车辆可能在每个周期需要在相同或者不同的充电桩进行充电。
通常，不同的用电时间电价也不相同，为了减少车辆的电价，如通过市电和通过太阳能供电的电价就不相同，在用电高峰期或者夜晚可能通过市电或者市电与太阳能组合的方式供电，而用电低峰则可能通过太阳能供电。因此可以在电价低峰期来进行充电，而在电价高峰期放电。可以通过车辆的负载来确定车辆的具体充放电时间，从而在节约车辆的驾驶成本的基础上保证车辆正常驾驶。而通常不同车辆的电源和充电桩可能是不同的制造商，单独设置的控制节点难以实时采集到车辆的电池负载，且若仅针对一个车辆采集到的样本较少，通过机器学习的方式也难以准确地预测车辆的电池负载。
因此，通过本申请提供的负载预测方法，在不能实时获取到车辆的电池负载或者数据较少的情况下，也可以准确地预测出车辆的负载情况，从而准确地规划出车辆的充放电时间，减少车辆的驾驶成本。
场景三、家用充电场景
通常，参阅图5，在家用充电场景中，可以设置储能装置(即站点)以及家用电器，其中储能装置设置了电池，为家用电器存储能量。家用电器可以采用市电进行供电，也可以通过太阳能进行供电，也可以采用储能装置提供的电能进行供电。家用家电可以包括电视、饮水器、扫地机器人、智能电饭煲、冰箱、烤箱或者家用车辆等家用设备。例如，用电高峰期太阳能供电可能电能不足，需要使用市电或者储能装置进行供电，而用电低峰期可以通过太阳能为储能装置进行充电，因此在不同的时段用电的电价可能不相同。具体可以单独设置终端或者其他控制节点来规划家用电器以及储能装置的充放电时间点。然而，不同电器可能是不同制造商生产，终端或者控制节点可能不能实时获知电器的负载，而电器的负载可能受环境变化或者用户选择而改变，从而可能不能准确规划出电器的具体充放电时间。
通过本申请提供的负载预测方法，可以在不能实时获取到电器的电池负载或者数据较少的情况下，也可以准确地预测出电器的负载情况，从而准确地规划出电器的充电放时间，减少电器的使用成本。
需要说明的是，前述仅仅示例性地对本申请提供的负载预测方法的应用场景进行了介绍，除上述场景之外，还可以应用于其他需要充放电的场景，本申请对此并不作限定。
下面结合前述的通信***以及应用场景，对本申请提供的负载预测方法的流程进行详细介绍。
首先，参阅图6，本申请提供的一种负载预测方法的流程示意图，如下所述。
需要说明的是，本申请示例性地以其中一个站点(为便于区分成为第一站点)为例进行示例性说明，以下所提及的第一站点也可以替换为用电***中的任意一个站点，本申请对此并不作限定。
此外，可以预先划分周期，如12个小时作为一个周期、1天作为一个周期或者2天作为一个周期等。本申请示例性地，以其中一个周期为例，为便于区分成为第一周期。
601、获取第一采样数据。
该第一采样数据可以包括第一站点在第一周期内进行放电时采集到的消耗的电能计算得到的负载功率。
具体地，若本申请提供的方法由设置的控制节点来执行，则控制节点可以直接接收或者通过网关接收第一站点上报的数据，得到第一采样数据。若本申请提供的方法由站点来执行，则站点可以直接获取到自身采集到的数据，从而得到第一采样数据。
更具体地，可以由站点在每个采样点对电池进行放电，并采集放电时电池的电流或者电压等。若本申请提供的方法由设置的控制节点来执行，站点可以向控制节点上报每个采样点的电流或者电压，控制节点根据接收到的电流或者电压进行计算，得到站点在每个采样点进行放电时的负载功率。当然，站点也可以通过采样得到的电流或者电压计算的负载功率，并直接向控制节点上报负载功率。
若第一周期为对第一站点进行采样的第一个周期，则可以在周期内按照第一数量的采样点进行采样，若第一周期不为对第一站点进行采样的第一个周期，则可以按照第二数量的采样点进行采样，该第一数量大于第二数量。例如。若第一周期为第一个采样周期，则可以按照96个采样点来进行采样，得到完整的采样数据；若第一周期不是第一个采样周期，则可以选择12个采样点进行采样，得到相对非完整的采样数据。因此，在本申请实施方式中，在第一个周期可以在多个时间点进行采样，而后续的周期则可以减少采样点，减少因采样产生的电力消耗。
可选地，每个周期内，可以对第一站点的放电情况进行检测，若第一站点的电池在使用中放电，则可以按照预设间隔来进行采样，采集电池的电流、电压或者功率值等，得到第二采样数据。将第二采样数据添加至第一采样数据中，得到更完整的新的采样数据。可以理解为，在第一站点的运行过程中，第一站点的电池可能被动放电，在此种情况下，可以对第一站点的电池放电情况进行监测，采集电池的电流、电压或者功率值等，得到被动放电情况下的负载情况。因此，本申请实施方式中，当第一站点被动放电时，也可以进行采样，无需单独进行放电，充分利用第一站点自身的放电信息，减少单独的采样消耗电力。
此外，若第一周期不为对第一站点进行采样的第一个周期，可以根据上一周期预测得到的负载信息来计算第一周期的采样点。如可以使用上一个周期的聚类估计值和单个站点的拟合估计值中差点较大的点作为第一周期的采样点。此场景下，可以使用第一周期采集到的数据，对差异较大的点进行修正，使当前周期得到的拟合结果更准确。
602、根据第一采样数据和历史采样数据获取第一站点在第二周期的负载信息。
在得到第一采样数据之后，使用第一采样数据和历史采样数据来预测第一站点在第二周期的负载信息。若第一周期不为对第一站点进行采样的第一个周期，则该历史数据可以是第一周期之前的周期采集到的数据，若第一周围为对第一站点进行采样的第一个周期，则该历史数据可以为空，即在第一个周期不使用历史数据来预测第二周期的负载信息。
在一种可能的场景中，可以判断第一采样和历史采样数据是否稳定，如判断第一采样数据和历史采样数据是否符合预设条件，若是则可以根据第一采样数据和历史采样数据的均值，来直接预测第一站点在第二周期的负载信息。如可以使用第一采样数据和历史采样数据中各个时间点的方差、样本熵、近似熵或者模糊熵中的至少一种来表示数据的稳定值，该预设条件可以是该稳定值小于第一阈值，即表示数据的规律稳定。可以理解为，当采样得到的数据所表示的规律稳定，如表示负载随着时间变化的关系呈多段线性关系，则可以计算第一采样数据和历史采样数据的均值，利用均值来拟合负载随时间变化的关系，根据该关系预测出第一站点在第二周期内的负载变化情况。因此本申请实施方式中，在数据稳定的情况下，可以采用计算均值的方式来进行负载预测，减少计算量，可以高效快速地得到预测负载。
当然，当第一采样和历史采样数据稳定时，也可以采用以下所述的预测方式来预测第一站点在第二周期内的负载变化情况，本申请对数据稳定的情况下采用何种方式预测第一站点在第二周期内的负载信息的方式并不作限定。
具体地，可以使用第一采样数据和历史采样数据来拟合负载预测模型，使用该负载预测模型来预测第一站点在下一个周期(为便于区分成为第二周期)的负载信息，该负载信息可以包括预测的第一站点在第二周期内各个采样点的功率值。
例如，该负载信息可以表示为一个序列，该序列中可以包括第一站点在第二周期内的多个时间点的负载功率，即消耗电能的功率值；或者，该负载可以直接表示为负载和时间的变化关系。
可选地，用电***内可以包括多个站点，负载预测模型可以包括群体负载曲线和个体负载曲线。该群体负载曲线可以表示该多个站点整体在第一周期内的负载随时间变化的情况，该群体负载曲线可以是使用多个站点的采样数据进行拟合得到。该个体负载曲线是根据第一采样数据和历史采样数据拟合得到，用于表示第一站点在第一周期内的负载随时间的变化情况。
可选地，若负载预测模型可以包括群体负载曲线和个体负载曲线，在通过负载预测模型预测第一站点在第二周期的负载信息时，可以融合群体负载曲线和个体负载曲线的预测结果，得到第一站点在第二周期的负载信息。具体地，可以使用群体负载来输出第一站点在第二周期的第一预测序列，使用个体负载曲线来输出第一站点在第二周期内的第二预测序列，随后对该第一预测序列和第二预测序列进行融合，即可得到第一站点在第二周期的负载信息。因此，本申请实施方式中，可以结合群体和单个站点的负载变化情况，来预测单个站点的负载信息，从而得到更准确的预测结果。
可选地，若第一周期为对第一站点进行采样的第一个周期，则可以对用电***中的多个站点的采样数据进行聚类，得到至少一个类别的数据，然后使用每个类别的数据分别进行拟合，得到每个类别对应的负载曲线，该至少一个类别的负载曲线即可组成前述的群里负载曲线。因此，本申请实施方式中，可以对采集得到的多个站点的数据进行聚类，实现对站点的分类，按照类别来拟合每个类别的负载曲线，从而使得到的负载曲线与站点的负载变化情况更适配，进而提高后续的预测结果的准确性。
在一种可能的实施方式中，在对多个站点的采样数据进行聚类的过程中，可以从多个站点的采样数据中筛选出至少一组毛刺序列，得到剩余的稳定数据，该毛刺序列即与相邻采样点之间的偏差大于预设偏差的数据，然后使用剩余的稳定数据进行聚类，得到至少一个类别的数据。随后，可以计算每组毛刺序列与每个类别之间的距离，并确定每组毛刺序列所属的类别。如可以比较每组毛刺序列与每个类别之间的距离，将毛刺序列归类为与其距离最近的类别，从而可以充分利用采样得到的数据，提高后续预测结果的准确性。
在一种可能的实施方式中，站点的负载可能随着时间变化而变化，或者随着数据累计可能出现规律漂移的情况，因此，可以判断是否出现了规律漂移，从而基于漂移结果对负载信息进行调整，从而得到准确的负载信息。如可以获取负载预测模型在第一时间点的输出值，并采集第一站点在该第一时间点的实际负载，比较该输出值和实际负载之间的偏差，若该偏差大于预设偏差值，则可以对预测得到的负载信息进行调整，得到调整后的负载信息。因此，即使在基站负载突变的情况下，本申请提供的方法也可以得到准确的预测负载信息。
603、根据负载信息确定充放电策略。
在预测得到第一站点在第二周期的负载信息之后，即可根据该负载信息确定第一站点在第二周期内的充放电策略，从而通过该充放电策略控制第一站点的充放电时间点，降低第一站点的用电成本。
通常，在获知第一站点的负载变化情况之后，即可确定第一站点的充电时间点和放电时间点，使第一站点保持在电价低峰时进行充电，电价高峰时进行放电，降低第一站点的用电成本。因此，本申请实施方式中，可以通过迭代的方式来预测站点在各个周期内的负载变化情况，尤其在难以实现对站点的电池负载实时监控的场景下，可以采样较少的数据即可实现准确的预测，从而合理规划站点的充放电时间，降低站点的用电成本，且可以降低因采样而消耗的电力，提高电力的利用率。
前述对本申请提供的负载预测方法的流程进行了介绍，为便于理解，下面结合具体的应用场景，对本申请提供的负载预测方法的流程进行更详细的介绍。
首先，对本申请更完整的流程进行示例性说明，参阅图7，本申请提供的另一种负载预测方法的流程示意图。
首先，在第一个周期进行完整采样701，即在第一个周期时，对电池的充放电进行完整数据采样，与后续周期的采样区别在于，第一个周期的采样点的数量大于后续周期中的采样点。为便于区分，将第一个周期的采样称为完整采样，后续周期的采样称为非完整采样。
随后，对第一个周期完整数据处理702。即在第一个周期进行完整采样之后，可以对第一个周期采样得到的采样数据进行处理，如滤除采样数据中的异常数据、对采样数据进行聚类等。
在对第一个完整周期的采样数据进行处理之后，即可基于处理后的数据来拟合负载预测模型703，即拟合负载随时间变化的情况。
然后，基于负载预测模型得到下一周期的负载预测结果704。该下一周期的负载预测结果可以用于确定充放电策略。
并且，在得到下一周期的负载预测结果之后，可以基于下一周期的负载预测结果计算下一周期的非完整采样点705。
随后基于下一周期的非完整采样点进行下一周期非完整数据采样706，使用非完整数据采样得到的数据和上一个周期的采样数据来继续进行下一轮预测，如使用非完整数据采样得到的数据和上一个周期的采样数据来重新拟合负载预测模型，即重复执行步骤703-706，直到无需调整充放电策略。
因此，在本申请实施方式中，仅在第一个周期进行完整数据采样，后续周期都无需进行完整数据采样，减少了采样消耗的电力，在较少数据的基础上也可以预测得到准确的负载信息，从而可以得到与负载适配的充放电策略，降低站点的用电成本。
更具体地，本申请提供的负载预测方法可以部署于控制节点中，也可以部署于各个站点中，区别在于，当部署于控制节点时，可以使用多个站点的采样数据对单个站点的负载进行预测，而当部署于单个站点时，可能不能使用其他站点的采样数据来进行负载预测，下面示例性地，分别对不同的场景进行示例性说明。
一、部署于控制节点
例如，当本申请提供的方法部署于控制节点时，其对应的用电***的架构可以如图8所示，该用电***中，可以设置一个服务器或者终端等作为控制节点，对多个站点的充放电进行管理。
具体例如，如图9所示，控制节点可以通过网关采集到站点的实际负载相关的信息，如放电时的电流、电压或者功率值等信息。
此外，通常在不同的日期、地点、天气等不同环境下，节点的负载可能产生变化。例如，在节假日可能节点的使用时长增加，其负载可能也增加；地理位置为商业区或者与商业区的距离较近，站点的负载也可能大于与商业区相距较远的站点等。因此，控制节点还可以通过其他方式采集到外部输入数据，如通过其他服务器获取到外部环境信息，如日期、地图或者天气等信息，从而在拟合负载变化曲线时，可以结合外部环境信息来拟合得到更准确的负载变化情况。
控制节点在接收到实际负载信息以及外部输入数据之后，即可将接收到的数据保存于时空计算数据库，然后基于时空计算数据库中保存的数据来进行负载预测，以及下一周期的采样点计算。
在进行了负载预测以及采样点计算之后，可以对计算得到的数据进行信息预处理，如进行数据补全等。随后基于预处理后的数据以及网关上报的电池信息来定制充放电策略，并向网关下发充电策略，从而通过网关来控制站点按照该充放电策略来进行充电或者放电等。
下面示例性地对更详细的流程进行介绍，参阅图10，本申请提供的另一种负载预测方法的流程示意图，如下所述。
1001、第一个周期完整数据采样。
当第一个周期时，控制节点中不具有站点相关的数据，可以预先划分周期，然后从第一个周期开始进行采样。
首先，可以进行周期划分，如每8个小时划分为一个周期、每12个小时划分为一个周期、每一天划分为一个周期，每个月划分为一个周期、每3个月划分为一个周期等，具体可以根据实际应用场景调整，本申请对此并不作限定。
当处于第一个周期时，此时控制节点中没有站点的负载信息，可以对站点进行完整采样。例如，可以将整个采样方式分为完整采样和非完整采样，区别在于完整采样的采样点多于非完整采样的采样点。
例如，本申请实施例以一个周期为一天，完整采样为设置96个采样点，每15分钟间隔采样，非完整采样为设置12点采样点为例进行示例性说明。在第一个周期，采样点为96个，即采样96个样本，默认预留70％的电量作为放电容量，每15分钟放电1分钟的模式来进行采样，采集电池放电瞬时电流以及电压值，利用放电期间电流以及电压的平均值来计算平均功率，将平均功率作为当前采样点的负载数据，放电96次得到一个完整周期的96个样本。
更具体地，在控制节点不能实时读取站点的负载的情况下，可以通过网关向站点发送控制指令或者充电策略，从而控制站点在采样点放电。在放电的过程中，可以通过控制站点来监控站点的放情况，如电流或者电压等，从而计算得到站点的负载变化情况。
可选地，在部分情况无法获取电池的电池管理***(battery managementsystem，BMS)数据接口，因而无法直接读取电池放电电流电压，此时需要加装电表或类似装置以监测电池放电电量，利用电表监测的短时放电的电能损耗估算负载实现负载数据采样。即使在无法直接读取电池数据(如电流以及电压等)的情况下，通过电表间接得到负载采样，从而得到准确的采样数据。
1002、数据清洗和补全。
在第一个周期采样得到96个样本后，可以剔除离群值，从而排除离群值对预测的干扰。
具体地，可以用三倍标准差，即3σ原则(xt>μ+3σ或xt<μ-3σ的样本，xt为t时刻样本，μ为序列均值，σ为序列方差)，对数据进行筛选，筛选出96个样本中的离群值。
若采样数据中存在缺失值或者剔除了离群值，则还可以对缺失值进行补全，以满足首日数据拟合的要求。具体地，可使用线性插值、前后值填充或样条拟合插值等方式，最终保证首日各站点有96个采样点完整信息。
1003、判断数据是否稳定，若是，则执行步骤1004，若否，则执行步骤1009。
其中，首日有96个采样点完整信息，在数据处理后对数据分群，判断一天时序是否稳定，对于稳定的时序可以直接利用均值预测，无需进行模型拟合，即执行步骤1009，而非稳定数据需要进行曲线拟合，即执行步骤1004。
具体地，判断样本是否稳定的方式可以有多种，如判断样本的某个指标是否小于第一阈值，该指标可以包括方差、样本熵、近似熵或者模糊熵中的至少一种。例如，以方差为例，可利用各时间点方差是否小于某个阈值判断一条时序是否稳定，如果使用日均值即可以较好地预测本日负载我们即认为时序是稳定的，如果无法使用日均值准确的预测本日负载即认为时序是非稳定的。例如某站点第一日负载{xt,t＝1,2,…,96}，(μ为序列96个采样点均值，xt为t时刻的负载值，s为xt与μ的偏差大于5％的比例)，稳定序列设定为s>90％，非稳定站点设定为s<＝90％。
1004、数据聚类。
本申请实施例中，为了得到更符合负载变化规律的模型，可以对样本进行聚类，从而对不同类别构建模型，对不同类别的站点的负载进行预测，得到更准确的预测负载。
其中，步骤1004仅在第一轮预测过程中进行聚类，后续周期的预测过程中可以直接使用前次迭代使用的数据，无需再次进行聚类。
可选地，由于有毛刺的序列对聚类结果有较大影响，可以先剔除毛刺序列。例如，可以利用指标c＝Q1/Q3(Q1,Q3为序列的上下四分之一分位点)来区分数据毛刺情况，如果比值c大于某一阈值则认为日负载中邻近负载具有剧烈的波动性，记为毛刺序列；比值小于某一阈值则认为日负载中邻近负载波动较小，记为非毛刺序列。
针对非稳定、非毛刺站点数据可基于场景及时序形态进行聚类。例如，可使用kmeans算法将时空特征相似(站点所在场景，站点时序形态)的站点分成一类。
具体地，首先对时序进行标准化将数据压缩至[0,1]同时保持数据的其他性质不变；为判断最优的聚类个数，使用组内平方和变化量小于某一阈值进行设定，其中 (t为时间点，k为类别，i为站点，xit为站点i在t时刻的负载，ckt为第k类在t时刻的聚类中心点)。/>
聚类后每一类别站点数据有对应的类别编号，没有参与聚类的毛刺站点序列通过计算该序列与各类别聚类中心的距离确定其类别编号，距离最小的类别的编号为其类别编号。具体地，可以通过多种方式来衡量距离，如通过欧式距离、余弦距离、曼哈顿距离等方式来衡量毛刺序列与各个类别的距离。例如，可以使用欧式距离计算距离，例如x为需判别的序列，y为某一类别的聚类中心序列，时间点位1～n(n＝96)，计算距离d(x,y)，则：
随后即可将毛刺序列归类为与其距离最近的类别，从而提高数据的利用率。
1005、群体和个体负载曲线拟合并进行融合预测。
通常，由于同一类站点的一个周期内的序列具有相似性，因此可以每一类站点进行拟合，以使得预测结果对于单个周期样本波动的干扰更加稳健。
下面分别对群体负载曲线、个体负载曲线以及预测负载的方式进行示例性说明。
1、群体负载曲线拟合
例如，可用多项式拟合的方式，使用AIC准则判断每个类别下的回归阶数。AIC＝2k+nln(RSS)，其中k为模型参数个数，n为样本个数，RSS为残差平方和。根据两次测试AIC减少量小于某一阈值确定每一类最终阶数。
对某一类下的所有负载，可使用以时间点为自变量的多项式拟合，记录每一类下的拟合曲线其中k为类别编号，t为时间点，则反归一化后得到下一周期群体曲线估计值为/>拟合方式亦可用样条曲线拟合或其他曲线拟合方式等。
2、个体负载曲线拟合
可以对于单个站点序列拟合个体曲线以对下一周期时序进行预测。例如，可以直接使用第一个周期完整采样值作为下一周期预测值，假设第一周期完整采样为{xt,t∈{1,2,…,96}，则其中/>为下一周期完整负载估计值；亦可与群体曲线一样，以时间点为自变量进行多项式拟合。拟合方式亦可用样条曲线拟合或其他曲线拟合方式等。
3、融合预测
将群体规律与个体规律融合预测，在信息量不足的情况下，相似的序列可为个体曲线提供补充信息，提升拟合精度。具体地，可使用群体拟合曲线估计的下一周期96个时点负载Est1和个体拟合曲线估计的下一周期96个时点负载Est2进行加权平均值作为最终结果。即最终下一周期负载估计结果α为可调整的系数。α可通过历史负载训练数据学***均值进行输出，即令α＝0.5。
因此，本申请实施方式中，可以对多个站点的数据进行聚类，从而按照类别来拟合个体负载曲线，提高针对单个站点的数据量，提高得到的负载曲线的准确性，进而提高预测负载的准确性。
1006、判断是否漂移，若是，则执行步骤1007，若否，则输出下一周期负载预测结果1008。
在得到预测负载之后，为了提高预测负载的准确性，还可以判断是否存在规律漂移的情况，如由于数据的积累，数据可能发生概念漂移，即数据的规律发生变化，使得模型精度降低，通过对发生漂移的数据进行漂移调整使数据适应新的规律，从而使拟合的曲线能更加精准地对未来负载进行估计。
具体地，首先需要判断数据是否发生漂移(比较预测值和实际采样值)。例如已知某站点i的某日估计为同一日的采样点真实负载为{yt,t∈Ts}，其中样本个数Ts≥12。可用如下方式判别当日估计是否准确，假设负载预测值与真实值yt的偏差/>偏差小于5％的比例/>即可认为m≤0.5，则发生了漂移，若m>0.5，则表示没有发生漂移。
此外也可以使用机器学习模型或滑动窗口特征差异法等方式判断数据是否发生概念漂移。如果观测数据发生了漂移，后续的预测需忽略漂移前的数据，重新调整预测。
1007、漂移调整。
在确认存在规律漂移的情况之后，为了提高预测负载的准确性，即可对步骤1005中得到的预测负载进行调整。
具体例如，可使用如下方式将漂移后的预测值通过差值和比例调整的方式，调整到新的规律上：对于站点i，在第Tm日发生了预测漂移，第Tm日的采样数据为{yt,t∈Ts}，第Tm-1日的数据(非首日为基于曲线拟合估计的96个时点负载值，首日为96个真实采样负载值)为{zt,t＝1,2,…,96}，Tm日采样负载均值第Tm-1日与Tm日采样同时间点负载均值/>则二者差值/>第Tm日的完整负载估计曲线yt调整为/> Tm-1日负载曲线各时间点占日总负载的比例/>则Tm+1日负载调整后的估计值为/>针对漂移的站点，发生漂移后第三天及以后预测输入仅保留从漂移日开始的历史采样数据进行曲线拟合，根据聚类曲线与最新的站点拟合曲线融合预测得到最终的预测结果。
1008、下一周期负载预测结果。
该负载预测结果可以包括单个站点在下一个周期内的负载变化情况。
1009、利用均值预测。
其中，若在步骤1003中确定步骤数据稳定，则可以计算各个站点的负载的均值，将均值作为站点的预测负载，从而减少计算量。
1010、计算下一周期非完整采样点。
在得到预测负载之后，即可计算下一周期的采样点。
以15分钟间隔负载采样间隔为例，假设一个周期为一天，则一天的完整采样为96个样本点，从第二日开始预设12个采样点，即在一天96个采样点中选出12个时点进行采样。
示例性地，具体的采样规则可以如图11所示。以一天为一个周期，每隔15分钟进行采样。第一天放电96次采集到一天的完整采样；随后利用第一天96个采样点预测第二天完整的96个点的负载，并计算第二天的采样点，并在第二天在计算得到的采样点进行采样。此外，在进行采样的过程中，还可以在电池被动放电时，每15分钟间隔采样，得到采样数据。在第n天，利用前n-1天历史负载预测第n天的94个负载，并计算第n天的12个采样点，并基于计算得到的12个采样点进行采样等。
具体例如，第二天的采样点可根据第一天的负载进行预测，剔除低数值(即低信息量)的时点，直至得到目标数量的负载监测点，即作为第二天的采样点。
本实施例中，使用后一日聚类拟合估计值与单站拟合估计值中差异较大的点作为后一日采样点。计算方式可以为diff＝abs(Est_1-Est_2)/(Est_1+Est_2)，其中Est_1为聚类估计结果，Est_2为单站估计结果，diff为一个96个点的数组，选出diff最大的12个点作为下一日采样点。在计算资源受限或聚类估计不可用的环境下，亦可直接通过随机采样方式选定12个时间点作为下一日的采样点。
通常，在正常错峰放电时段，在放电的同时直接获取负载值采样；在不充不放阶段，根据计算出来的采样时间点放电1分钟采样，最终得到真实负载采样应大于等于12个。
1011、下一周期非完整数据采样。
在使用下一周期的预测负载确定了下一周期的采样点之后，即在下一周期进行采样时，在计算得到的采样点进行非完整采样，随后即可进行下一周期的负载预测。
例如，在根据预测负载确定了12个采样点之后，即可在该12个采样点进行放电，并监测电流以及电压值，得到电池的负载功率。
1012、下发充电策略。
在针对每个周期的预测过程中，在得到下一周期负载预测结果之后，即可根据负载预测结果来确定充电策略，如在每一周期固定时点进行下一周期负载预测，并计算下一周期非完整采样点。根据负载预测结果结合备电时长计算下一周期各站点电池所需备电电量，并结合电价表计算最优充放电策略，与非完整采样点所需放电策略同时下发到智能网关设备控制电池执行充放电。
因此，本申请实施方式中，在第一个周期进行完整采样，后续周期可以基于上一周期采集到的数据进行负载预测，可以在较少数据的场景下实现冷启动，适应样本较少的场景。且后续周期的采样点数少于第一周期，可以减少采样产生的电力消耗。可以理解为，通过负载模型拟合和非完整采样点计算可减少放电采样次数，在实现负载预测以支撑站点电池备电量计算和错峰充放电策略计算的同时减少采样造成的电费损耗。在仅有一个周期完整数据采样的情况下进行下一周期负载预测以启动站点电池备电量计算和错峰充放电策略计算等功能，减少站点电费成本。并且，利用负载曲线拟合结合非完整采样点计算，无需对每一周期进行完整数据采样即可滚动进行负载预测，大大降低了负载预测对负载数据采集的要求。通过数据聚类、分类曲线拟合、个体曲线拟合以及融合预测的方式对后一周期的负载进行预测，可在仅有一个周期完整采样下实现对第二周期完整负载精准预测，降低了预测***启动所需积累的数据量。通过拟合时间点与负载之间的关系，支持后续每一周期采样点数量和时间点不同的场景下滚动预测。
例如，以300AH容量的电池为例，以一天为周期，第一天在15min间隔下完整采样，后续每天采样12次，每次采样放电1分钟的场景，采样寿命损耗仅1.4％，电费损耗仅0.05％。经过实际数据仿真测试，非完整采样数据进行负载预测误差在10％以内的测试样本均能达到90％以上，相比使用完整数据采样进行预测仅下降5％左右，满足电池智能错峰充放电策略求解的数据输入需求。
二、部署于站点
前述对本申请提供的负载预测方法部署于控制节点的流程进行了介绍，本申请提供的方法部署于站点的方法流程可以参阅图12，如下所述。
1201、第一个周期完整数据采样。
1202、数据清洗和补全。
1203、数据是否稳定，若是，则执行步骤1208，若否，则执行步骤1204。
1204、个体负载曲线拟合并进行融合预测。
1205、是否漂移，若是，则执行步骤1206，若否，则执行步骤1207。
1206、偏移调整。
1207、下一周期负载预测结果。
1208、利用均值预测。
1209、计算下一周期非完整采样点。
1210、下一周期非完整数据采样。
1211、下发充放电策略。
其中，步骤1201至步骤12011与前述步骤1001-1003、1005-1012的描述，对于类似步骤此处不再赘述。
部署于控制节点与部署在站点的区别主要在于：控制节点可以获取到多个站点的采样数据，因此可以使用多个站点的采样数据，而单个站点通常仅能获取到自身采集到的数据，因此可以使用自身采集到的数据来拟合个体负载曲线，即自身的负载变化曲线，可以无需拟合群体负载曲线，然后使用个体负载曲线预测单个站点在下一个周期的负载。
当然，在一些可能的场景中，单个站点也可以获取到其他站点的信息，此时站点的执行的步骤就可以参阅前述步骤1001-步骤1012，此处不再赘述。
因此，本申请实施方式中，针对单个站点，也可以使用一个周期的采样数据来实现冷启动，可以适应数据量少的场景。在第一个周期进行完整采样，后续周期可以基于上一周期采集到的数据进行负载预测，可以在较少数据的场景下实现冷启动，适应样本较少的场景。且后续周期的采样点数少于第一周期，可以减少采样产生的电力消耗。
前述对本申请提供的负载预测方法的流程进行了介绍，下面对执行本申请提供的负载预测方法的装置进行介绍。
参阅图13，本申请提供一种负载预测装置的结构示意图。
该负载预测装置可以应用于用电***，该用电***中包括至少一个站点和供电设备，每个站点中设置有电池，供电设备用于为至少一个站点提供充电的电力，该负载预测装置可以是单独设置的控制节点，也可以是其中一个站点，具体可以根据实际应用场景来设置，本申请对此并不作限定。
该负载预测装置可以包括：
获取模块1301，用于获取第一采样数据，第一采样数据包括第一站点在第一周期内通过放电采样消耗的电能计算得到的负载功率，第一周期为预先划分的多个周期中的任意一个周期；
预测模块1302，用于根据第一采样数据和历史采样数据获取第一站点在第二周期的负载信息，第二周期为第一周期后的下一个周期，负载信息包括第一站点在第二周期内的功率值，历史采样数据包括第一周期之前的周期中采样得到的数据；
确定模块1303，用于根据负载信息确定充放电策略，充放电策略包括控制第一站点在第二周期执行充电和放电的策略。
在一种可能的实施方式中，预测模块1302，具体用于：根据第一采样数据和历史采样数据拟合得到负载预测模型；根据负载预测模型获取第一站点在第二周期的负载信息，第二周期为第一周期后的下一个周期，负载信息包括第一站点在第二周期内的功率值。
在一种可能的实施方式中，用电***内包括多个站点，预测模块1302，具体用于：根据多个站点的采样数据进行拟合得到群体负载曲线，群体负载曲线用于表示多个站点在第一周期内的负载变化；根据第一采样数据和历史采样数据拟合个体负载曲线，个体负载曲线表示第一站点在第一周期内的负载变化，群体负载曲线和个体负载曲线组成负载预测模型。
在一种可能的实施方式中，预测模块1302，具体用于：根据群体负载曲线输出第一站点在第二周期的第一预测序列；根据个体负载曲线输出第一站点在第二周期的第二预测序列；融合第一预测序列和第二预测序列，得到负载信息。
在一种可能的实施方式中，预测模块1302，具体用于：若第一周期为多个周期中的第一个周期，对多个站点的采样数据进行聚类，得到至少一个类别的数据；使用至少一个类别的数据分别进行拟合，得到每个类别对应的负载曲线，群体负载曲线包括至少一个类别中每个类别的负载曲线。
在一种可能的实施方式中，预测模块1302，具体用于：从多个站点的采样数据中筛选出毛刺序列，得到稳定数据，毛刺序列为与相邻采样点之间的偏差大于预设偏差的数据；对稳定数据进行聚类，得到至少一个类别的数据；根据毛刺序列与至少一个类别的距离，确定毛刺序列对应的类别。
在一种可能的实施方式中，在预测模块1302根据负载预测模型获取第一站点在第二周期的负载信息之后，预测模块1302，还用于：获取负载预测模型在第一时间点的输出值，以及采集第一站点在第一时间点的负载值；若输出值和负载值之间的偏差大于预设偏差值，则对负载信息进行调整，得到调整后的负载信息。
在一种可能的实施方式中，预测模块1302，具体用于：若第一采样数据和历史采样数据符合预设条件，则根据第一采样数据和历史采样数据中包括的数据的均值，获取第一站点在第二周期的负载信息；其中，预设条件包括稳定值小于第一阈值，稳定值包括第一采样数据和历史采样数据中各个时间点的方差、样本熵、近似熵或者模糊熵中的至少一种。
在一种可能的实施方式中，获取模块1301，具体用于：若第一周期为多个周期中的第一个周期，则按照预先设定的第一数量的采样点进行采样，得到第一采样数据；若第一周期不为多个周期中的第一个周期，则根据上一个周期得到的负载信息确定第二数量的采样点，并按照第二数量的采样点进行采样，得到第一采样数据，第一数量大于第二数量。
在一种可能的实施方式中，在第一周期进行采样的过程中，获取模块1301，还用于：当第一站点的电池放电时，按照预设间隔进行采样，得到第二采样数据；将第二采样数据添加至第一采样数据中，得到新的第一采样数据。
请参阅图14，本申请提供的另一种电子设备的结构示意图，如下所述。
该电子设备可以包括前述的穿戴设备、终端或者车辆等，该电子设备可以包括处理器1401、存储器1402和收发器1403。该处理器1401和存储器1402通过线路互联。其中，存储器1402中存储有程序指令和数据。
存储器1402中存储了前述图6-图12中的步骤对应的程序指令以及数据。
处理器1401用于执行前述图6-图12中任一实施例所示的第一设备或者电子设备执行的方法步骤。
收发器1403，用于执行前述图6-图12中任一实施例所示的第一设备或者电子设备执行的接收或者发送数据的步骤。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于生成车辆行驶速度的程序，当其在计算机上运行时，使得计算机执行如前述图6-图12所示实施例描述的方法中的步骤。
可选地，前述的图14中所示的电子设备为芯片。
本申请实施例还提供了一种电子设备，该电子设备也可以称为数字处理芯片或者芯片，芯片包括处理单元和通信接口，处理单元通过通信接口获取程序指令，程序指令被处理单元执行，处理单元用于执行前述图6-图12中任一实施例所示的电子设备执行的方法步骤。
本申请实施例还提供一种数字处理芯片。该数字处理芯片中集成了用于实现上述处理器1401，或者处理器1401的功能的电路和一个或者多个接口。当该数字处理芯片中集成了存储器时，该数字处理芯片可以完成前述实施例中的任一个或多个实施例的方法步骤。当该数字处理芯片中未集成存储器时，可以通过通信接口与外置的存储器连接。该数字处理芯片根据外置的存储器中存储的程序代码来实现上述实施例中电子设备执行的动作。
本申请实施例中还提供一种包括计算机程序产品，当其在计算机上行驶时，使得计算机执行如前述图6-图12所示实施例描述的方法中电子设备所执行的步骤。
本申请实施例提供的电子设备可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使服务器内的芯片执行上述图6-图12所示实施例描述的设备搜寻方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。
具体地，前述的处理单元或者处理器可以是中央处理器(central processingunit，CPU)、网络处理器(neural-network processing unit，NPU)、图形处理器(graphicsprocessing unit，GPU)、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit,ASIC)或现场可编程逻辑门阵列(fieldprogrammable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者也可以是任何常规的处理器等。
其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述图6-图12的方法的程序执行的集成电路。
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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。
最后应说明的是：以上，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (24)

1.一种负载预测方法，其特征在于，应用于用电***，所述用电***中包括至少一个站点和供电设备，每个站点中设置有电池，所述供电设备用于为所述至少一个站点提供充电的电力，包括：
获取第一采样数据，所述第一采样数据包括第一站点在第一周期内通过放电采样消耗的电能计算得到的负载功率，所述第一周期为预先划分的多个周期中的任意一个周期；
根据所述第一采样数据和历史采样数据获取所述第一站点在第二周期的负载信息，所述第二周期为所述第一周期后的下一个周期，所述负载信息包括所述第一站点在所述第二周期内的功率值，所述历史采样数据包括所述第一周期之前的周期中采样得到的数据；
根据所述负载信息确定充放电策略，所述充放电策略包括控制所述第一站点在所述第二周期执行充电和放电的策略。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一采样数据和历史采样数据获取所述第一站点在第二周期的负载信息，包括：
根据所述第一采样数据和所述历史采样数据拟合得到负载预测模型；
根据所述负载预测模型获取所述第一站点在第二周期的负载信息，所述第二周期为所述第一周期后的下一个周期，所述负载信息包括所述第一站点在所述第二周期内的功率值。
3.根据权利要求2所述的方法，其特征在于，所述用电***内包括多个站点，所述根据所述第一采样数据和历史采样数据拟合得到负载预测模型，包括：
根据所述多个站点的采样数据进行拟合得到群体负载曲线，所述群体负载曲线用于表示所述多个站点在所述第一周期内的负载变化；
根据所述第一采样数据和历史采样数据拟合个体负载曲线，所述个体负载曲线表示所述第一站点在所述第一周期内的负载变化，所述群体负载曲线和所述个体负载曲线组成所述负载预测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述负载预测模型获取所述第一站点在第二周期的负载信息，包括：
根据所述群体负载曲线输出所述第一站点在所述第二周期的第一预测序列；
根据所述个体负载曲线输出所述第一站点在所述第二周期的第二预测序列；
融合所述第一预测序列和所述第二预测序列，得到所述负载信息。
5.根据权利要求3或4所述的方法，其特征在于，所述获取群体负载曲线，包括：
若所述第一周期为所述多个周期中的第一个周期，对所述多个站点的采样数据进行聚类，得到至少一个类别的数据；
使用所述至少一个类别的数据分别进行拟合，得到每个类别对应的负载曲线，所述群体负载曲线包括所述至少一个类别中每个类别的负载曲线。
6.根据权利要求5所述的方法，其特征在于，所述对所述多个站点的采样数据进行聚类，得到至少一个类别的数据，包括：
从所述多个站点的采样数据中筛选出毛刺序列，得到稳定数据，所述毛刺序列为与相邻采样点之间的偏差大于预设偏差的数据；
对所述稳定数据进行聚类，得到所述至少一个类别的数据；
所述方法还包括：
根据所述毛刺序列与所述至少一个类别的距离，确定所述毛刺序列对应的类别。
7.根据权利要求2-6中任一项所述的方法，其特征在于，在所述根据所述负载预测模型获取所述第一站点在第二周期的负载信息之后，所述方法还包括：
获取所述负载预测模型在第一时间点的输出值，以及采集所述第一站点在所述第一时间点的负载值；
若所述输出值和所述负载值之间的偏差大于预设偏差值，则对所述负载信息进行调整，得到调整后的负载信息。
8.根据权利要求1所述的方法，其特征在于，所述根据所述第一采样数据和历史采样数据获取所述第一站点在第二周期的负载信息，包括：
若所述第一采样数据和所述历史采样数据符合预设条件，则根据所述第一采样数据和历史采样数据中包括的数据的均值，获取所述第一站点在第二周期的负载信息；
其中，所述预设条件包括稳定值小于第一阈值，所述稳定值包括所述第一采样数据和所述历史采样数据中各个时间点的方差、样本熵、近似熵或者模糊熵中的至少一种。
9.根据权利要求1-8中任一项所述的方法，其特征在于，所述获取第一采样数据，包括：
若所述第一周期为所述多个周期中的第一个周期，则按照预先设定的第一数量的采样点进行采样，得到所述第一采样数据；
若所述第一周期不为所述多个周期中的第一个周期，则根据上一个周期得到的负载信息确定第二数量的采样点，并按照所述第二数量的采样点进行采样，得到所述第一采样数据，所述第一数量大于所述第二数量。
10.根据权利要求1-9中任一项所述的方法，其特征在于，在所述第一周期进行采样的过程中，所述方法还包括：
当所述第一站点的电池放电时，按照预设间隔进行采样，得到第二采样数据；
将所述第二采样数据添加至所述第一采样数据中，得到新的第一采样数据。
11.一种负载预测装置，其特征在于，应用于用电***，所述用电***中包括至少一个站点和供电设备，每个站点中设置有电池，所述供电设备用于为所述至少一个站点提供充电的电力，包括：
获取模块，用于获取第一采样数据，所述第一采样数据包括第一站点在第一周期内通过放电采样消耗的电能计算得到的负载功率，所述第一周期为预先划分的多个周期中的任意一个周期；
预测模块，用于根据所述第一采样数据和历史采样数据获取所述第一站点在第二周期的负载信息，所述第二周期为所述第一周期后的下一个周期，所述负载信息包括所述第一站点在所述第二周期内的功率值，所述历史采样数据包括所述第一周期之前的周期中采样得到的数据；
确定模块，用于根据所述负载信息确定充放电策略，所述充放电策略包括控制所述第一站点在所述第二周期执行充电和放电的策略。
12.根据权利要求11所述的装置，其特征在于，所述预测模块，具体用于：
根据所述第一采样数据和所述历史采样数据拟合得到负载预测模型；
根据所述负载预测模型获取所述第一站点在第二周期的负载信息，所述第二周期为所述第一周期后的下一个周期，所述负载信息包括所述第一站点在所述第二周期内的功率值。
13.根据权利要求12所述的装置，其特征在于，所述用电***内包括多个站点，所述预测模块，具体用于：
根据所述多个站点的采样数据进行拟合得到群体负载曲线，所述群体负载曲线用于表示所述多个站点在所述第一周期内的负载变化；
根据所述第一采样数据和历史采样数据拟合个体负载曲线，所述个体负载曲线表示所述第一站点在所述第一周期内的负载变化，所述群体负载曲线和所述个体负载曲线组成所述负载预测模型。
14.根据权利要求13所述的装置，其特征在于，所述预测模块，具体用于：
根据所述群体负载曲线输出所述第一站点在所述第二周期的第一预测序列；
根据所述个体负载曲线输出所述第一站点在所述第二周期的第二预测序列；
融合所述第一预测序列和所述第二预测序列，得到所述负载信息。
15.根据权利要求13或14所述的装置，其特征在于，所述预测模块，具体用于：
若所述第一周期为所述多个周期中的第一个周期，对所述多个站点的采样数据进行聚类，得到至少一个类别的数据；
使用所述至少一个类别的数据分别进行拟合，得到每个类别对应的负载曲线，所述群体负载曲线包括所述至少一个类别中每个类别的负载曲线。
16.根据权利要求15所述的装置，其特征在于，所述预测模块，具体用于：
从所述多个站点的采样数据中筛选出毛刺序列，得到稳定数据，所述毛刺序列为与相邻采样点之间的偏差大于预设偏差的数据；
对所述稳定数据进行聚类，得到所述至少一个类别的数据；
根据所述毛刺序列与所述至少一个类别的距离，确定所述毛刺序列对应的类别。
17.根据权利要求12-16中任一项所述的装置，其特征在于，在所述预测模块根据所述负载预测模型获取所述第一站点在第二周期的负载信息之后，所述预测模块，还用于：
获取所述负载预测模型在第一时间点的输出值，以及采集所述第一站点在所述第一时间点的负载值；
若所述输出值和所述负载值之间的偏差大于预设偏差值，则对所述负载信息进行调整，得到调整后的负载信息。
18.根据权利要求11所述的装置，其特征在于，所述预测模块，具体用于：
若所述第一采样数据和所述历史采样数据符合预设条件，则根据所述第一采样数据和历史采样数据中包括的数据的均值，获取所述第一站点在第二周期的负载信息；
其中，所述预设条件包括稳定值小于第一阈值，所述稳定值包括所述第一采样数据和所述历史采样数据中各个时间点的方差、样本熵、近似熵或者模糊熵中的至少一种。
19.根据权利要求11-18中任一项所述的装置，其特征在于，所述获取模块，具体用于：
若所述第一周期为所述多个周期中的第一个周期，则按照预先设定的第一数量的采样点进行采样，得到所述第一采样数据；
若所述第一周期不为所述多个周期中的第一个周期，则根据上一个周期得到的负载信息确定第二数量的采样点，并按照所述第二数量的采样点进行采样，得到所述第一采样数据，所述第一数量大于所述第二数量。
20.根据权利要求11-19中任一项所述的装置，其特征在于，在所述第一周期进行采样的过程中，所述获取模块，还用于：
当所述第一站点的电池放电时，按照预设间隔进行采样，得到第二采样数据；
将所述第二采样数据添加至所述第一采样数据中，得到新的第一采样数据。
21.一种负载预测装置，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1至10中任一项所述的方法。
22.一种计算机可读存储介质，包括程序，当其被处理单元所执行时，执行如权利要求1至10中任一项所述的方法。
23.一种负载预测装置，其特征在于，包括处理单元和通信接口，所述处理单元通过所述通信接口获取程序指令，当所述程序指令被所述处理单元执行时实现权利要求1至10中任一项所述的方法。
24.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现如权利要求1至10中任一项所述方法的步骤。
CN202210300910.6A 2022-03-25 2022-03-25 一种负载预测方法以及装置 Pending CN116862036A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210300910.6A CN116862036A (zh) 2022-03-25 2022-03-25 一种负载预测方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210300910.6A CN116862036A (zh) 2022-03-25 2022-03-25 一种负载预测方法以及装置

Publications (1)

Publication Number Publication Date
CN116862036A true CN116862036A (zh) 2023-10-10

Family

ID=88220322

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210300910.6A Pending CN116862036A (zh) 2022-03-25 2022-03-25 一种负载预测方法以及装置

Country Status (1)

Country Link
CN (1) CN116862036A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117318110A (zh) * 2023-11-28 2023-12-29 惠州市长晟科技有限公司 分布式微型电能存储***、方法、计算机设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117318110A (zh) * 2023-11-28 2023-12-29 惠州市长晟科技有限公司 分布式微型电能存储***、方法、计算机设备及存储介质
CN117318110B (zh) * 2023-11-28 2024-03-08 惠州市长晟科技有限公司 分布式微型电能存储***、方法、计算机设备及存储介质

Similar Documents

Publication Publication Date Title
TWI774900B (zh) 對置於裝置交換站的複數個可交換式能源儲存裝置的充電方法、伺服器、裝置交換站的管理方法
Liang et al. Stochastic information management in smart grid
US20190202416A1 (en) Systems and methods for managing exchangeable energy storage device stations
Zhou et al. Optimal coordination of electric vehicles for virtual power plants with dynamic communication spectrum allocation
Renga et al. Energy management and base station on/off switching in green mobile networks for offering ancillary services
Guo et al. Impacts of integrating topology reconfiguration and vehicle-to-grid technologies on distribution system operation
Dicorato et al. An integrated DC microgrid solution for electric vehicle fleet management
KR101493355B1 (ko) 에너지 저장 장치의 ｓｏｃ 보정 방법 및 이를 이용하는 ｓｏｃ 보정 시스템
Zhang et al. A simulation-based policy improvement method for joint-operation of building microgrids with distributed solar power and battery
EP2746093A1 (en) Method and apparatus for optimized management of an electric vehicle charging infrastructure
Liang et al. A calculation model of charge and discharge capacity of electric vehicle cluster based on trip chain
Leithon et al. Renewable energy management in cellular networks: An online strategy based on ARIMA forecasting and a Markov chain model
Haque et al. Stochastic methods for prediction of charging and discharging power of electric vehicles in vehicle‐to‐grid environment
CN116862036A (zh) 一种负载预测方法以及装置
Bruno et al. Predictive control of demand and storage for residential prosumers
Bušić et al. Distributed control of a fleet of batteries
Khwaja et al. Performance analysis of LSTMs for daily individual EV charging behavior prediction
Bruno et al. Optimization of residential storage and energy resources under demand response schemes
AU2014201562B2 (en) Enhanced grid reliability through predictive analysis and dynamic action for stable power distribution
Henri et al. Mode‐based energy storage control approach for residential photovoltaic systems
Hooshmand et al. A power management system for planned & unplanned grid electricity outages
Kannan Time-of-use tariff and valley-filling based scheduling algorithm for electric vehicle charging
Hossain et al. Privacy cost optimization of smart meters using URLLC and demand side energy trading
Mehra Optimal sizing of solar and battery assets in decentralized micro-grids with demand-side management
Han et al. Grid-to-vehicle (G2V) and vehicle-to-grid (V2G) technologies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication