CN117748498A - 用电负荷预测方法、装置、设备及存储介质 - Google Patents
用电负荷预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117748498A CN117748498A CN202410018517.7A CN202410018517A CN117748498A CN 117748498 A CN117748498 A CN 117748498A CN 202410018517 A CN202410018517 A CN 202410018517A CN 117748498 A CN117748498 A CN 117748498A
- Authority
- CN
- China
- Prior art keywords
- load
- time period
- data
- neural network
- convolutional neural
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 100
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 84
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种用电负荷预测方法、装置、设备及存储介质，涉及数据处理技术用于，用于提高用电负荷预测的准确率。本申请方法主要包括：获取目标用户预置时间段的历史用电负荷数据以及历史天气数据；将所述预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到所述目标用户在未来时间段的第一用电负荷；将所述预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到所述目标用户在未来时间段的第二用电负荷；根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷。
Description
技术领域
本申请涉及数据分析技术领域，尤其涉及一种用电负荷预测方法、装置、设备及存储介质。
背景技术
用户是电网中的基础组成部分，也是造成电网负荷波动的源头。目前通过对用户的用电行为进行数据化处理，可以对用户用电行为规律进行建模，以挖掘与用户用电行为密切相关的属性，从而实现对用户的用电负荷进行预测。
目前，在对用户的用电负荷进行预测过程中，需要对特征之间的相关性进行分析和处理，如果特征之间存在强相关性或共线性，可能会导致模型过度依赖某些特征，而忽略其他重要特征，影响用电负荷预测的准确性。
发明内容
本申请提供一种用电负荷预测方法、装置、设备及存储介质，用于提高用电负荷预测的准确性。
第一方面，提供一种用电负荷预测方法，该方法包括：
获取目标用户预置时间段的历史用电负荷数据以及历史天气数据；
将所述预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到所述目标用户在未来时间段的第一用电负荷；
将所述预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到所述目标用户在未来时间段的第二用电负荷；
根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷。
在一个可选的实施例中，所述方法还包括：
从历史数据中获取目标时间段的用电负荷样本数据、天气样本数据；
对所述用电负荷样本数据和所述天气样本数据进行预处理，所述预处理至少包括数据清洗、填补缺失值、过滤异常值以及归一化处理；
根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练，得到所述第一卷积神经网络和所述第二卷积神经网络。
在一个可选的实施例中，所述根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练，得到所述第一卷积神经网络和所述第二卷积神经网络，包括：
将经过预处理的用电负荷样本数据作为样本数据，所述目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到所述第一卷积神经网络；
将经过预处理的用电负荷样本数据、天气样本数据作为样本数据，所述目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到所述第二卷积神经网络。
在一个可选的实施例中，所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷，包括：
对所述第一用电负荷和所述第二用电负荷进行加权计算，得到所述目标用户在未来时间段的最终用电负荷。
在一个可选的实施例中，所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷，包括：
对所述第一用电负荷和所述第二用电负荷进行平均计算，得到所述目标用户在未来时间段的最终用电负荷。
在一个可选的实施例中，所述第一卷积神经网络和所述第二卷积神经网络至少包括卷积层、池化层、全连接层。
在一个可选的实施例中，所述历史天气数据至少包括：温度、风速、湿度。
第二方面，提供一种用电负荷预测装置，装置包括：
获取模块，用于获取目标用户预置时间段的历史用电负荷数据以及历史天气数据；
第一预测模块，用于第一将所述预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到所述目标用户在未来时间段的第一用电负荷；
第二预测模块，用于将所述预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到所述目标用户在未来时间段的第二用电负荷；
计算模块，用于根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷。
第三方面，提供一种电子设备，包括：处理器和存储器，该存储器用于存储计算机程序，该处理器用于调用并运行该存储器中存储的计算机程序，执行如第一方面或其各实现方式中的方法。
第四方面，提供一种计算机可读存储介质，用于存储计算机程序，计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
第五方面，提供一种计算机程序产品，包括计算机程序指令，该计算机程序指令使得计算机执行如第一方面或其各实现方式中的方法。
第六方面，提供一种计算机程序，计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
通过本申请提供的技术方案，首先获取目标用户预置时间段的历史用电负荷数据以及历史天气数据，然后将预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到目标用户在未来时间段的第一用电负荷，并将预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到目标用户在未来时间段的第二用电负荷，最后根据第一用电负荷和第二用电负荷计算得到目标用户在未来时间段的最终用电负荷。相对于现有技术中的模型过度依赖某些特征相比，本申请基于第一卷积神经网络和第二卷积神经网络的共同作用下，得到用户在未来时间段的最终用电负荷，由于本申请中的第一卷积神经网络和第二卷积神经网络无需依赖某个具体的特征，从而通过本申请可以提高用户的用电负荷预测的准确性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的一种用电负荷预测方法的流程图；
图2为本申请实施例提供的一种卷积神经网络的训练流程图；
图3为本申请实施例提供的一种用电负荷预测装置的示意图；
图4是本申请实施例提供的电子设备的示意性框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
图1为本申请实施例提供的一种用电负荷预测方法的流程图，该方法可以包括如下步骤：
S110：获取目标用户预置时间段的历史用电负荷数据以及历史天气数据。
其中，预置时间段可以小时、星期、月份为单位进行划分，如该预置时间段为3小时、1星期、1个月的等，本实施例对此不做具体限定。需要说明的是，为了提高用电负荷预测的准确率，本实施例中的预置时间段是以当前时间为起点的历史时间段。
例如，当前时间点为2023年4月15日，若预置时间段对应的时长为5天，则获取2023年4月10日至2023年4月14日的历史用电负荷数据以及历史天气数据。
本实施例中的历史用电负荷数据为目标用户在历史真实产生的用电负荷数据，历史天气数据同样为历史真实的天气数据。其中，历史天气数据至少包括：温度、风速、湿度等一切会影响到用户用电的天气数据。
S120：将预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到目标用户在未来时间段的第一用电负荷。
S130：将预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到目标用户在未来时间段的第二用电负荷。
需要说明的是，本实施例中的第一卷积神经网络和第二卷积神经网络可以为时间预测模型，即将历史一段时间段数据输入到模型便可以预测下一个时间节点的用电负荷。
S140：根据第一用电负荷和第二用电负荷计算得到目标用户在未来时间段的最终用电负荷。
在本实施例提供的一个可选实施例中，根据第一用电负荷和第二用电负荷计算得到目标用户在未来时间段的最终用电负荷，包括：对第一用电负荷和第二用电负荷进行加权计算，得到目标用户在未来时间段的最终用电负荷。
在本实施例提供的另一个可选实施例中，根据第一用电负荷和第二用电负荷计算得到目标用户在未来时间段的最终用电负荷，包括：对第一用电负荷和第二用电负荷进行平均计算，得到目标用户在未来时间段的最终用电负荷。
在本实施例中，第一卷积神经网络可以处理单通道的序列数据，而第二卷积神经网络络可以处理多通道的数据。在用电负荷预测中，多个特征常常存在多通道输入的情况。通过混合使用第一卷积神经网络和第二卷积神经网络，可以同时处理多通道的特征输入，充分利用多个特征之间的信息交互，从而提高用电负荷预测的准确度。
由于本实施例使用第一卷积神经网络和第二卷积神经网络混合进行多特征进行用电负荷预测，能够充分利用不同类型特征的表达能力，并捕捉不同特征之间的关联性，从而提高用电负荷预测的准确性和稳定性。同时，第一卷积神经网络和第二卷积神经网络的网络结构的灵活性和对多通道输入的处理能力也为模型的优化和应用提供了便利。
本实施例提供的一种用电负荷预测方法，首先获取目标用户预置时间段的历史用电负荷数据以及历史天气数据，然后将预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到目标用户在未来时间段的第一用电负荷，并将预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到目标用户在未来时间段的第二用电负荷，最后根据第一用电负荷和第二用电负荷计算得到目标用户在未来时间段的最终用电负荷。相对于现有技术中的模型过度依赖某些特征相比，本申请基于第一卷积神经网络和第二卷积神经网络的共同作用下，得到用户在未来时间段的最终用电负荷，由于本申请中的第一卷积神经网络和第二卷积神经网络无需依赖某个具体的特征，从而通过本申请可以提高用户的用电负荷预测的准确性。
图2为本申请实施例提供的一种卷积神经网络的训练流程图，该方法可以包括如下步骤：
S210：从历史数据中获取目标时间段的用电负荷样本数据、天气样本数据。
需要说明的是，本实施例中目标时间段与图1中预置时间段的时长是相同的，如目标时间段的时长为3天，则预置时间段的时长也同样为3天，也就是说在模型训练过程所使用的特定时长的样本数据，则在模型使用过程也同样使用该特定时长的数据输入到模型中，由此可通过模型预测到对应的用电负荷。
S220：对用电负荷样本数据和天气样本数据进行预处理，预处理至少包括数据清洗、填补缺失值、过滤异常值以及归一化处理。
在本实施例中，在从历史数据中获取目标时间段的用电负荷样本数据、天气样本数据之后，需要确保用电负荷样本数据以及天气样本数据的质量和完整性。然后对用电负荷样本数据和天气样本数据进行预处理，如对用电负荷样本数据和天气样本数据进行数据清洗、填补缺失值、处理异常值，并进行归一化处理等，本实施例对此不做具体限定。
进一步的，本实施例还需要将用电负荷样本数据转换为滞后特征，即使用过去几个时刻(即目标时间段)的负荷样本数据作为特征，以捕捉负荷样本数据之间的时序关系。提取时间片、小时、星期几等时间信息作为特征，以捕捉负荷样本数据的周期性和季节性变化。
S230：根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练，得到第一卷积神经网络和第二卷积神经网络。
在本实施例中，第一卷积神经网络和第二卷积神经网络使用卷积神经网络(Convolutional Neural Network，CNN)，利用CNN模型来捕捉用电负荷样本数据中的局部特征和空间相关性。可以采用一维或二维卷积操作，根据数据特点选择适当的网络结构和卷积核大小。在CNN模型之后添加全连接层来处理特征的组合和抽象表示，增加模型的非线性拟合能力。
本实施例将样本数据集(样本数据集中包括用电负荷样本数据和天气样本数据)划分为训练集、验证集和测试集，分别用于模型的训练、验证和评估，具体的，使用测试集对模型进行评估，计算负荷预测的准确性指标，如均方根误差(RMSE)和平均绝对误差(MAE)等；使用测试集对模型进行评估，并计算负荷预测的准确性指标，如均方根误差(RMSE)和平均绝对误差(MAE)等。其中，本实施例使用适当的损失函数(如均方误差)来衡量第一卷积神经网络和第二卷积神经网络的预测误差，通过反向传播算法更新第一卷积神经网络和第二卷积神经网络的网络参数。针对过拟合问题，可以采用正则化方法(如L1或L2正则化)和批量归一化等技术进行参数优化。
具体的，构建第一卷积神经网络需要：定义一维卷积神经网络的结构，包括输入层、卷积层、池化层、全连接层等。其中，输入层接受一维序列型特征数据，如滞后特征和时间特征。使用适当的卷积核大小、步幅和填充方式，提取序列数据中的时序信息。添加池化层，可以使用最大池化或平均池化操作，降低特征维度。通过全连接层进行特征的组合和抽象表示。
具体的，构建第二卷积神经网络需要：定义二维卷积神经网络的结构，包括输入层、卷积层、池化层、全连接层等。输入层接受二维图像型特征数据，如天气数据。使用适当的卷积核大小、步幅和填充方式，提取图像数据中的空间相关性。添加池化层，降低特征维度。通过全连接层进行特征的组合和抽象表示。本实施例中的第二卷积神经网络将用电负荷样本数据、天气样本数据、时间特征等多个特征进行融合，构建多通道输入，使第二卷积神经网络能够同时学习这些特征之间的关联性。
在具体实施时，可以根据数据的特点和任务需求进行调整和优化。例如，可以针对不同特征选择不同的卷积核大小、网络层数和连接方式，以及添加适当的正则化和批量归一化等操作。此外，模型的超参数选择和交叉验证也是模型优化的重要步骤。
在申请提供的一个可选实施例中，根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练，得到第一卷积神经网络和第二卷积神经网络，包括：将经过预处理的用电负荷样本数据作为样本数据，目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到第一卷积神经网络；将经过预处理的用电负荷样本数据、天气样本数据作为样本数据，目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到第二卷积神经网络。
在本实施例中，根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练，得到第一卷积神经网络和第二卷积神经网络。第一卷积神经网络和第二卷积神经网络能够充分利用不同类型特征的表达能力，并捕捉不同特征之间的关联性，从而通过第一卷积神经网络和第二卷积神经网络可以提高用电负荷预测的准确性。
图3为本申请实施例提供的一种用电负荷预测装置的示意图。如图3所示，该装置包括：
获取模块301，用于获取目标用户预置时间段的历史用电负荷数据以及历史天气数据；
第一预测模块302，用于第一将所述预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到所述目标用户在未来时间段的第一用电负荷；
第二预测模块303，用于将所述预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到所述目标用户在未来时间段的第二用电负荷；
计算模块304，用于根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷。
在一些可实现方式中，装置还包括训练模块305，用于：
从历史数据中获取目标时间段的用电负荷样本数据、天气样本数据；
对所述用电负荷样本数据和所述天气样本数据进行预处理，所述预处理至少包括数据清洗、填补缺失值、过滤异常值以及归一化处理；
根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练，得到所述第一卷积神经网络和所述第二卷积神经网络。
在一些可实现方式中，训练模块305，具体用于：
将经过预处理的用电负荷样本数据作为样本数据，所述目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到所述第一卷积神经网络；
将经过预处理的用电负荷样本数据、天气样本数据作为样本数据，所述目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到所述第二卷积神经网络。
在一些可实现方式中，计算模块304，具体用于：
对所述第一用电负荷和所述第二用电负荷进行加权计算，得到所述目标用户在未来时间段的最终用电负荷。
在一些可实现方式中，计算模块304，具体用于：
对所述第一用电负荷和所述第二用电负荷进行平均计算，得到所述目标用户在未来时间段的最终用电负荷。
在一些可实现方式中，所述第一卷积神经网络和所述第二卷积神经网络至少包括卷积层、池化层、全连接层。
在一些可实现方式中，所述历史天气数据至少包括：温度、风速、湿度。
应理解的是，装置实施例与用电负荷预测方法实施例可以相互对应，类似的描述可以参照用电负荷预测方法实施例。为避免重复，此处不再赘述。具体地，图3所示的装置可以执行上述用电负荷预测方法实施例，并且装置中的各个模块的前述和其它操作和/或功能分别为了实现上述用电负荷预测方法中的相应流程，为了简洁，在此不再赘述。
上文中结合附图从功能模块的角度描述了本申请实施例的装置。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的用电负荷预测方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的用电负荷预测方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述用电负荷预测方法实施例中的步骤。
上文中结合附图从功能模块的角度描述了本申请实施例的装置。应理解，该功能模块可以通过硬件形式实现，也可以通过软件形式的指令实现，还可以通过硬件和软件模块组合实现。具体地，本申请实施例中的用电负荷预测方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路和/或软件形式的指令完成，结合本申请实施例公开的用电负荷预测方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。可选地，软件模块可以位于随机存储器，闪存、只读存储器、可编程只读存储器、电可擦写可编程存储器、寄存器等本领域的成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述用电负荷预测方法实施例中的步骤。
图4是本申请实施例提供的电子设备400的示意性框图。如图4所示，该电子设备400可以包括：处理器401，存储器402。该电子设备400还可以包括多媒体组件403，输入/输出(I/O)接口404，以及通信组件405中的一者或多者。
其中，处理器401用于控制该电子设备400的整体操作，以完成上述的用电负荷预测方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该电子设备400的操作，这些数据例如可以包括用于在该电子设备400上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该电子设备400与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他5G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件405可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，电子设备400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的用电负荷预测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的用电负荷预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器402，上述程序指令可由电子设备400的处理器401执行以完成上述的用电负荷预测方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的用电负荷预测方法的步骤。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的用电负荷预测方法的代码部分。
在另一示例性实施例中，还提供一种计算机程序，计算机程序使得计算机执行如上述的用电负荷预测方法。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种用电负荷预测方法，其特征在于，所述方法包括：
获取目标用户预置时间段的历史用电负荷数据以及历史天气数据；
将所述预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到所述目标用户在未来时间段的第一用电负荷；
将所述预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到所述目标用户在未来时间段的第二用电负荷；
根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从历史数据中获取目标时间段的用电负荷样本数据、天气样本数据；
对所述用电负荷样本数据和所述天气样本数据进行预处理，所述预处理至少包括数据清洗、填补缺失值、过滤异常值以及归一化处理；
根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练，得到所述第一卷积神经网络和所述第二卷积神经网络。
3.根据权利要求2所述的方法，其特征在于，所述根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练，得到所述第一卷积神经网络和所述第二卷积神经网络，包括：
将经过预处理的用电负荷样本数据作为样本数据，所述目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到所述第一卷积神经网络；
将经过预处理的用电负荷样本数据、天气样本数据作为样本数据，所述目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到所述第二卷积神经网络。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷，包括：
对所述第一用电负荷和所述第二用电负荷进行加权计算，得到所述目标用户在未来时间段的最终用电负荷。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷，包括：
对所述第一用电负荷和所述第二用电负荷进行平均计算，得到所述目标用户在未来时间段的最终用电负荷。
6.根据权利要求2或3任一项所述的方法，其特征在于，所述第一卷积神经网络和所述第二卷积神经网络至少包括卷积层、池化层、全连接层。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述历史天气数据至少包括：温度、风速、湿度。
8.一种用电负荷预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标用户预置时间段的历史用电负荷数据以及历史天气数据；
第一预测模块，用于第一将所述预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到所述目标用户在未来时间段的第一用电负荷；
第二预测模块，用于将所述预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到所述目标用户在未来时间段的第二用电负荷；
计算模块，用于根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷。
9.一种电子设备，其特征在于，包括：
处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，以执行权利要求1-7中任一项所述的用电负荷预测方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1-7中任一项所述的用电负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018517.7A CN117748498A (zh) | 2024-01-04 | 2024-01-04 | 用电负荷预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018517.7A CN117748498A (zh) | 2024-01-04 | 2024-01-04 | 用电负荷预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117748498A true CN117748498A (zh) | 2024-03-22 |
Family
ID=90279659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410018517.7A Pending CN117748498A (zh) | 2024-01-04 | 2024-01-04 | 用电负荷预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117748498A (zh) |
-
2024
- 2024-01-04 CN CN202410018517.7A patent/CN117748498A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652380B (zh) | 针对机器学习算法进行算法参数调优的方法及*** | |
| CN109840111B (zh) | 一种图形化的业务处理***和方法 | |
| CN110413867B (zh) | 用于内容推荐的方法及*** | |
| CN111881023B (zh) | 一种基于多模型对比的软件老化预测方法及装置 | |
| CN113379564A (zh) | 电网负荷预测方法、装置及终端设备 | |
| CN111125519B (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
| CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
| CN111507541B (zh) | 货量预测模型构建方法、货量测量方法、装置及电子设备 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN114338416B (zh) | 一种时空多指标预测方法、装置和存储介质 | |
| CN114220479A (zh) | 一种蛋白质结构预测方法、蛋白质结构预测装置及介质 | |
| CN113205230A (zh) | 基于模型集合的数据预测方法、装置、设备及存储介质 | |
| CN111415200A (zh) | 数据处理方法及装置 | |
| CN117748498A (zh) | 用电负荷预测方法、装置、设备及存储介质 | |
| CN114676601A (zh) | 排放成本计算方法、装置、计算机设备及存储介质 | |
| CN111786824A (zh) | 数据中心能效比优化方法、***、设备及可读存储介质 | |
| CN111737319A (zh) | 用户集群的预测方法、装置、计算机设备和存储介质 | |
| CN116011593B (zh) | 一种网络模型能耗的确定方法及装置 | |
| CN118227123A (zh) | 一种表单控件调整方法、装置及电子设备 | |
| WO2024093249A1 (zh) | 一种气象预测方法、装置及相关设备 | |
| CN115564060A (zh) | 机器学习模型的优化方法、装置及电子设备 | |
| CN118228797A (zh) | 模型的处理方法、装置、电子设备和存储介质 | |
| CN116954642A (zh) | 推荐***的更新方法、装置、设备、介质和程序产品 | |
| CN116975590A (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
| CN116629777A (zh) | 一种基于区块链的运营管理数据处理方法及*** |
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 |