CN110874671B - 一种配电网的电力负荷预测方法、装置及存储介质 - Google Patents
一种配电网的电力负荷预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110874671B CN110874671B CN201911018594.8A CN201911018594A CN110874671B CN 110874671 B CN110874671 B CN 110874671B CN 201911018594 A CN201911018594 A CN 201911018594A CN 110874671 B CN110874671 B CN 110874671B
- Authority
- CN
- China
- Prior art keywords
- power load
- machine learning
- learning model
- preset
- data set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000009826 distribution Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 102
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000011176 pooling Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008531 maintenance mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种配电网的电力负荷预测方法、装置及存储介质,所述方法包括:获取第一预设时间段内目标区域的测试数据集;基于电力负荷预测模型,对所述测试数据集进行电力负荷预测处理,得到当前时刻之后的目标时间段内目标区域的电力负荷数据集;所述电力负荷预测模型的训练方法包括:获取第二预设时间段内的样本数据集;构建预设机器学习模型,并将所述预设机器学习模型确定为当前机器学习模型;基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集;基于所述卷积特征集,确定损失值;基于所述损失值,确定所述电力负荷预测模型。通过本申请的电力负荷预测预测模型,可以快速、准确地预测未来短期内的电力负荷数据。
Description
技术领域
本申请涉及电力负荷预测技术领域,尤其涉及一种配电网的电力负荷预测方法、装置及存储介质。
背景技术
随着能源行业的不断发展,如何使电力资源得到高效配置,减少能源浪费成为能源领域中的一个重要问题。根据B.F.Hobbs等人的调查结果,电力负载需求预测的平均误差百分比每减少1%,就能节省10000Mw的电力资源。精确的电力负载预测对能源配置、可持续发展都有着重大的作用。
传统的电力负荷预测研究主要是以回归分析、时间序列、循环神经网络等模型为基础进行的。回归分析的方法由于实际的电力负荷系统中受到多种因素的影响(如天气、政策、地理条件等),难以从历史负荷中学到非线性、复杂的变化规律,因此预测结果具有局限性。时间序列分析方法由于影响因素具有多样性,电力负荷曲线的非平稳特性等,使得预测系统不具有鲁棒性。而近些年来在电力负荷领域广泛应用的循环神经网络和长短期记忆循环神经网络,由于其网络结构的循环特性,使得预测的速度过慢,在实际应用中受到限制。
因此,有必要提供一种配电网的电力负荷预测方法、装置及存储介质,实现对配电网的电力负荷进行快速、准确地预测。
发明内容
本申请提供了一种配电网的电力负荷预测方法、装置及存储介质,可以实现对配电网的电力负荷进行快速、准确地预测。
一方面,本申请提供了一种配电网的电力负荷预测方法,所述方法包括:
获取第一预设时间段内目标区域的测试数据集,所述测试数据集表征所述第一预设时间段内目标区域的天气和电力负荷;
基于电力负荷预测模型,对所述测试数据集进行电力负荷预测处理,得到当前时刻之后的目标时间段内目标区域的电力负荷数据集;
其中,所述电力负荷预测模型的训练方法包括:
获取第二预设时间段内的样本数据集,所述样本数据集标注有预设时刻之后的目标时间段内目标区域的标准电力负荷数据集;所述样本数据集表征所述第二预设时间段内目标区域的天气和电力负荷;
构建预设机器学习模型,并将所述预设机器学习模型确定为当前机器学习模型;
基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集,所述卷积特征集包括每个样本数据对应的卷积特征;
基于所述卷积特征集,确定损失值;
当所述损失值大于预设阈值时,基于所述损失值进行反向传播,对所述当前机器学习模型进行更新以得到更新后机器学习模型,将所述更新后机器学习模型重新确定为所述当前机器学习模型;重复步骤:基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集;
当所述损失值小于或等于所述预设阈值时,将所述当前机器学习模型确定为所述电力负荷预测模型。
另一方面提供了一种配电网的电力负荷预测装置,所述装置包括:
测试数据集获取模块,用于获取第一预设时间段内目标区域的测试数据集,所述测试数据集表征所述第一预设时间段内目标区域的天气和电力负荷;
电力负荷数据集确定模块,用于基于电力负荷预测模型,对所述测试数据集进行电力负荷预测处理,得到当前时刻之后的目标时间段内目标区域的电力负荷数据集;
电力负荷预测模型训练模块,所述电力负荷预测模型训练模块包括:
样本数据集获取子模块,用于获取第二预设时间段内目标区域的样本数据集,所述样本数据集标注有预设时刻之后的目标时间段内目标区域的标准电力负荷数据集;所述样本数据集表征所述第二预设时间段内目标区域的天气和电力负荷;
预设机器学习模型构建子模块,用于构建预设机器学习模型,并将所述预设机器学习模型确定为当前机器学习模型;
卷积特征集确定子模块,用于基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集,所述卷积特征集包括每个样本数据对应的卷积特征;
损失值确定子模块,用于基于所述卷积特征集,确定损失值;
模型更新子模块,用于当所述损失值大于预设阈值时,基于所述损失值进行反向传播,对所述当前机器学习模型进行更新以得到更新后机器学习模型,将所述更新后机器学习模型重新确定为所述当前机器学习模型;重复步骤:基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集;
电力负荷预测模型确定子模块,用于当所述损失值小于或等于所述预设阈值时,将所述当前机器学习模型确定为所述电力负荷预测模型。
另一方面提供了一种配电网的电力负荷预测设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的配电网的电力负荷预测方法。
另一方面提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上所述的配电网的电力负荷预测方法。
本申请提供的配电网的电力负荷预测方法、装置及存储介质,具有如下技术效果:
本申请利用历史天气信息和电力负荷数据作为样本数据集,通过卷积神经网络自动提取特征进行模型训练确定损失值,当所述损失值大于预设阈值时,重复训练步骤;当所述损失值小于或等于所述预设阈值时,即可得到准确率较高的电力负荷预测预测模型;通过该电力负荷预测预测模型,可以快速、准确地预测未来短期内的电力负荷数据。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本申请实施例提供的一种配电网的电力负荷预测系统的示意图;
图2是本申请实施例提供的一种配电网的电力负荷预测方法的流程示意图;
图3是本申请实施例提供的一种电力负荷预测模型的结构示意图;
图4是本申请实施例提供的一种确定卷积特征集的方法的流程示意图;
图5是本申请实施例提供的一种确定损失值的方法的流程示意图;
图6是本申请实施例提供的确定所述预设时刻之后的目标时间段内目标区域的预测电力负荷数据集的方法的流程示意图;
图7是本申请实施例提供的一种确定预设维度特征集的方法的流程示意图;
图8是本申请实施例提供的一种对所述当前机器学习模型进行更新以得到更新后机器学习模型的方法的流程示意图;
图9是本申请实施例提供的一种区块链系统的结构示意图;
图10是本申请实施例提供的区块结构示意图;
图11是本申请实施例提供的一种配电网的电力负荷预测装置的结构示意图;
图12是本申请实施例提供的一种服务器的结构示意图。
具体实施方式
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。
具体地,本申请实施例提供的方案涉及人工智能的机器学习领域。机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。
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清楚、完整地描述,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的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。
需要说明的是,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”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,以便这里描述的本申请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、系统、产品或服务器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。
请参阅图1,图1是本申请实施例提供的一种配电网的电力负荷预测系统的示意图,如图1所示,该配电网的电力负荷预测系统可以至少包括服务器01和客户端02。
具体的,本说明书实施例中,所述服务器01可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。服务器01可以包括有网络通信单元、处理器和存储器等等。具体的,所述服务器01可以用于进行配电网的电力负荷预测。
具体的,本说明书实施例中,所述客户端02可以包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备,也可以包括运行于实体设备中的软体,例如一些服务商提供给用户的网页页面,也可以为该些服务商提供给用户的应用。具体的,所述客户端02可以用于在线查询配电网的电力负荷预测值。
以下介绍本申请的一种配电网的电力负荷预测方法,图2是本申请实施例提供的一种配电网的电力负荷预测方法的流程示意图,本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示,所述方法可以包括:
S201:获取第一预设时间段内目标区域的测试数据集,所述测试数据集表征所述第一预设时间段内目标区域的天气和电力负荷。
在本说明书实施例中,所述第一预设时间段可以为历史上的预设天数,例如所述第一预设时间段可以为过去的三天、七天。所述目标区域可以根据实际情况进行设置,例如所述目标区域可以为一个城市或一个省份。
在本说明书实施例中,所述测试数据集可以包括第一预设时间段内目标区域的天气数据集和电力负荷数据集。在实际应用中,天气对电力负荷的影响较大;例如,气温骤降,制热功率骤增;气温骤升,制冷功率增大。所述测试数据集中的电力负荷可以是针对一个用户的电力负荷数据,也可以是针对一个企业或机关单位的电力负荷数据。
S203:基于电力负荷预测模型,对所述测试数据集进行电力负荷预测处理,得到当前时刻之后的目标时间段内目标区域的电力负荷数据集。
在本说明书实施例中,所述目标时间段可以为距离当前时刻固定时间段的一段时间,例如所述目标时间段可以为未来24h或48h的时间段。
在一个具体的实施例中,所述电力负荷预测模型可以用于预测目标区域在较短时间内的电力负荷。
在本说明书实施例中,所述电力负荷预测模型可以为机器学习模型,具体的,所述电力负荷预测模型可以为卷积神经网络模型。
卷积神经网络(Convolution Neural Network,CNN)是近年来发展起来的,已经用于众多科学领域的研究热点之一。由于其独特的网络结构可以有效地降低反馈神经网络的复杂性,被广泛应用于模式识别,图像处理,文本分类等领域。
一般地,卷积神经网络包含卷积层、池化层、全连接层等,卷积层由若干卷积核组成,每个卷积核的参数都通过反向传播算法优化得到。卷积核的目的是通过扫描整张图片提取不同的特征,在卷积核之后都会使用非线性激活函数(如RELU,tanh等)对特征进行非线性变换。池化层通过池化运算缩小参数矩阵的尺寸,从而减少最后全连接层中的参数数量。使用池化层既可以加快计算速度也有防止过拟合的作用。一般池化层将特征切成几个区域,取其最大值或平均值,对高维特征进行降维(subsample)。全连接层一般用于将特征展平为一维,用于进一步提取特征或进行整合以得到最终输出。
在本说明书实施例中,测试数据集可以为电力负荷时间序列数据集,本申请可以利用一维卷积神经网络处理电力负荷时间序列数据集,将时间视为图像的长或者宽,其他特征视为一个维度,用一维CNN进行处理。
在一个具体的实施例中,如图3所示,所述电力负荷预测模型可以由输入层、卷积层、池化层、全连接层、丢弃层和输出层组成,其中每层对应的数据为特征维度,卷积层和全连接层均为两层。
在一个具体的实施例中,所述电力负荷预测的方法包括:
(1)首先用一维卷积层对七天内目标区域的测试数据集进行卷积操作,提取得到与所述数据对应的各个特征;
(2)接着通过第二层一维卷积层对上一步输出进一步提取特征,得到更高层和抽象的特征;
(3)通过池化层对提取出来的特征进行池化运算,用于缩小参数矩阵的尺寸,减少参数数量,加快计算速度防止过拟合;
(4)通过第一层全连接层对池化层所得各个特征向量进行非线性拟合并实现维度变换,经过非线性拟合以及维度变换后得到与每个所述特征各自对应的拟合特征向量;
(5)利用丢弃层对各个所述拟合特征向量的每个元素进行随机置0,减少过拟合现象的发生;
(6)通过第二层全连接层再次进行维度变换,进一步提取特征向量;
(7)通过线性激活函数全连接层(输出层)预测未来24小时的电力负荷值。
在本说明书实施例中,所述电力负荷预测模型的训练方法可以包括:
S301:获取第二预设时间段内的样本数据集,所述样本数据集标注有预设时刻之后的目标时间段内目标区域的标准电力负荷数据集;所述样本数据集表征所述第二预设时间段内目标区域的天气和电力负荷;
在本说明书实施例中,第二预设时间段可以为历史上的预设天数,所述第二预设时间段可以包括所述第一预设时间段;所述标准电力负荷数据集包括历史时刻中的真实电力负荷值。
在一个具体的实施例中,例如可以通过输入历史上第1-6天的样本数据,预测历史上第7天的电力负荷值,所述标准电力负荷数据集可以包括历史上第7天的实际电力负荷值。训练过程中的目标区域、目标时间段与预测过程中的目标区域、目标时间段一致。
S303:构建预设机器学习模型,并将所述预设机器学习模型确定为当前机器学习模型;
在本说明书实施例中,所述预设机器学习模型可以包括卷积神经网络模型。
S305:基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集,所述卷积特征集包括每个样本数据对应的卷积特征;
在本说明书实施例中,所述基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集可以包括:
基于所述当前机器学习模型,对所述样本数据集进行至少一次卷积操作,得到卷积特征集。
在本说明书实施例中,所述卷积操作的次数取决于所述样本数据集中数据的复杂度,数据越复杂,卷积层数越多,卷积次数越多。
具体的,在一些实施例中,如图4所示,所述基于所述当前机器学习模型,对所述样本数据集进行至少一次卷积操作,得到卷积特征集可以包括:
S3051:基于所述当前机器学习模型,对所述样本数据集中每个样本数据进行一次卷积操作,得到第三维度特征集;
S3053:对所述第三维度特征集进行二次卷积操作,得到卷积特征集。
在本说明书实施例中,所述对所述第三维度特征集进行二次卷积操作,得到卷积特征集的步骤之前,所述方法还可以包括:
对所述第三维度特征集进行批量正则化处理,得到归一化特征集;
相应的,所述对所述第三维度特征集进行二次卷积操作,得到卷积特征集可以包括:
对所述归一化特征集进行二次卷积操作,得到卷积特征集。
具体的,在一些实施例中,所述对所述第三维度特征集进行二次卷积操作,得到卷积特征集的步骤之前,所述方法还可以包括:
对所述第三维度特征集进行池化处理;
相应的,所述对所述第三维度特征集进行二次卷积操作,得到卷积特征集包括:
对池化后的第三维度特征集进行二次卷积操作,得到卷积特征集。
在本说明书实施例中,所述卷积操作是指对特征进行升维操作。
S307:基于所述卷积特征集,确定损失值;
在本说明书实施例中,如图5所示,所述基于所述卷积特征集,确定损失值可以包括:
S3071:基于所述卷积特征集,确定所述预设时刻之后的目标时间段内目标区域的预测电力负荷数据集;
S3073:基于所述预设时刻之后的目标时间段内目标区域的预测电力负荷数据集与标准电力负荷数据集,确定损失值。
在本说明书实施例中,如图6所示,所述基于所述卷积特征集,确定所述预设时刻之后的目标时间段内目标区域的预测电力负荷数据集可以包括:
S30711:对所述卷积特征集中每个卷积特征进行池化运算,得到池化特征集;
在本说明书实施例中,可以通过池化层进行池化运算,所述池化层的数量可以根据实际情况进行设置。
S30713:对所述池化特征集中每个池化特征进行维度变换处理,得到预设维度特征集;
S30715:基于所述预设维度特征集,确定所述预设时刻之后的目标时间段内目标区域的预测电力负荷数据集。
在本说明书实施例中,如图7所示,所述对所述池化特征集中每个池化特征进行维度变换处理,得到预设维度特征集可以包括:
S307131:对所述池化特征集中每个池化特征进行非线性拟合处理,得到预处理特征集;
S307133:对所述预处理特征集中每个预处理特征进行至少一次降维处理,得到预设维度特征集。
在本说明书实施例中,可以采用全连接层对所述预处理特征集中每个预处理特征进行至少一次降维处理。
在本说明书实施例中,所述对所述预处理特征集进行至少一次降维处理,得到预设维度特征集可以包括:
S3071331:对所述预处理特征集进行一次降维处理,得到第一维度特征集;
S3071333:对所述第一维度特征集中任一第一维度特征进行置零处理;
在本说明书实施例中,可以通过丢弃层对所述第一维度特征集中一个拟合特征向量中每个元素进行随机值0,从而减少过拟合现象的发生。
S3071335:对处理后第一维度特征集进行二次降维处理,得到第二维度特征集,将所述第二维度特征集作为所述预设维度特征集。
S309:当所述损失值大于预设阈值时,基于所述损失值进行反向传播,对所述当前机器学习模型进行更新以得到更新后机器学习模型,将所述更新后机器学习模型重新确定为所述当前机器学习模型;重复步骤:基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集;
在本说明书实施例中,如图8所示,所述当所述损失值大于预设阈值时,基于所述损失值进行反向传播,对所述当前机器学习模型进行更新以得到更新后机器学习模型可以包括:
S3091:当所述损失值大于预设阈值时,基于所述损失值对所述当前机器学习模型进行反向传播,计算所述损失值对应的损失函数的梯度;
在本说明书实施例中,所述损失函数可以为均方根误差(Root Mean SquareError,简称RMSE)函数;计算公式如下:
其中,所述ypredict为电力负荷预测值,ytrue为电力负荷真实值,m为目标时间段,例如,m可以为24h。
在本说明书实施例中,通过前向传递输入数据直至输出产生误差RMSE,再利用反向传播与梯度下降法结合,对网络中所有权重计算损失RMSE的梯度,再利用梯度下降法用来更新权值以最小化损失函数。
S3093:根据所述损失值调整所述梯度的学习率,并确定所述当前机器学习模型的参数;
在本说明书实施例中,通过动态调整学习率在不同的优化阶段动态的改变学习率,以得到更好的结果。通过指数衰减,在网络训练的前期,学习率快速下降,随着训练的不断进行,网络接近收敛位置,学习率的下降速度也减小,从而能得到最佳的学习效果。
S3095:基于所述当前机器学习模型的参数,对所述当前机器学习模型进行更新以得到更新后机器学习模型。
S3011:当所述损失值小于或等于所述预设阈值时,将所述当前机器学习模型确定为所述电力负荷预测模型。
在本说明书实施例中,所述预设阈值可以根据实际情况进行设置。
在本说明书实施例中,所述方法还可以包括:
基于区块链系统存储所述样本数据集,所述区块链系统包括多个节点,所述多个节点之间形成点对点网络。
在一些实施例中,所述区块链系统可以为图9所示的结构,多个节点之间形成组成的点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission Control Protocol)协议之上的应用层协议。在区块链系统中,任何机器如服务器、终端都可以加入而成为节点,节点包括硬件层、中间层、操作系统层和应用层。
图9示出的区块链系统中各节点的功能,涉及的功能包括:
1)路由,节点具有的基本功能,用于支持节点之间的通信。
节点除具有路由功能外,还可以具有以下功能:
2)应用,用于部署在区块链中,根据实际业务需求而实现特定业务,记录实现功能相关的数据形成记录数据,在记录数据中携带数字签名以表示任务数据的来源,将记录数据发送到区块链系统中的其他节点,供其他节点在验证记录数据来源以及完整性成功时,将记录数据添加到临时区块中。
3)区块链,包括一系列按照产生的先后时间顺序相互接续的区块(Block),新区块一旦加入到区块链中就不会再被移除,区块中记录了区块链系统中节点提交的记录数据。
在一些实施例中,区块结构(Block Structure)可以为图10所示的结构,每个区块中包括本区块存储交易记录的哈希值(本区块的哈希值)、以及前一区块的哈希值,各区块通过哈希值连接形成区块链。另外,区块中还可以包括有区块生成时的时间戳等信息。区块链(Block chain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了相关的信息,用于验证其信息的有效性(防伪)和生成下一个区块。
由以上本说明书实施例提供的技术方案可见,本发明提出了一种新型的基于一维卷积神经网络的电力负载预测算法,可精确预测未来一段时间内每小时的负载数据;本发明仅利用历史负载数据和天气数据作为模型的输入,提高了电力负载预测的可行性;本发明利用轻量级的卷积神经网络,通过池化、随机丢弃等操作加快模型收敛,防止过拟合,提高了电力负载预测的速度。通过对未来电力负载的预测,电力系统可以合理的调度不同区域的负载,充分利用有限的电力资源。通过精确的电力负载预测,电力系统可以实行更合理高效的系统维护机制以及能源管理策略,对电力系统的管理有重大的帮助。精确的负荷预测对电力系统的备用系统十分重要,帮助电力系统准备充足的备用资源。例如,当某些发电机突然出现巨大的需求、停机或故障时,提前预测的备用资源是非常重要的。当预测准确时,储备的备用资源可以迅速弥补将带来的损失。
本申请实施例还提供了一种配电网的电力负荷预测装置,如图11所示,所述装置可以包括:
测试数据集获取模块1110,用于获取第一预设时间段内目标区域的测试数据集,所述测试数据集表征所述第一预设时间段内目标区域的天气和电力负荷;
电力负荷数据集确定模块1120,用于基于电力负荷预测模型,对所述测试数据集进行电力负荷预测处理,得到当前时刻之后的目标时间段内目标区域的电力负荷数据集;
电力负荷预测模型训练模块1130,所述电力负荷预测模型训练模块包括:
样本数据集获取子模块11301,用于获取第二预设时间段内目标区域的样本数据集,所述样本数据集标注有预设时刻之后的目标时间段内目标区域的标准电力负荷数据集;所述样本数据集表征所述第二预设时间段内目标区域的天气和电力负荷;
预设机器学习模型构建子模块11302,用于构建预设机器学习模型,并将所述预设机器学习模型确定为当前机器学习模型;
卷积特征集确定子模块11303,用于基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集,所述卷积特征集包括每个样本数据对应的卷积特征;
损失值确定子模块11304,用于基于所述卷积特征集,确定损失值;
模型更新子模块11305,用于当所述损失值大于预设阈值时,基于所述损失值进行反向传播,对所述当前机器学习模型进行更新以得到更新后机器学习模型,将所述更新后机器学习模型重新确定为所述当前机器学习模型;重复步骤:基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集;
电力负荷预测模型确定子模块11306,用于当所述损失值小于或等于所述预设阈值时,将所述当前机器学习模型确定为所述电力负荷预测模型。
在一些实施例中,所述损失值确定子模块可以包括:
预测电力负荷数据集确定单元,用于基于所述卷积特征集,确定所述预设时刻之后的目标时间段内目标区域的预测电力负荷数据集;
损失值确定单元,用于基于所述预设时刻之后的目标时间段内目标区域的预测电力负荷数据集与标准电力负荷数据集,确定损失值。
在一些实施例中,所述预测电力负荷数据集确定单元可以包括:
池化特征集确定子单元,用于对所述卷积特征集中每个卷积特征进行池化运算,得到池化特征集;
预设维度特征集确定子单元,用于对所述池化特征集中每个池化特征进行维度变换处理,得到预设维度特征集;
预测电力负荷数据集确定子单元,用于基于所述预设维度特征集,确定所述预设时刻之后的目标时间段内目标区域的预测电力负荷数据集。
在一些实施例中,所述预设维度特征集确定子单元可以包括:
预处理特征集确定子单元,用于对所述池化特征集中每个池化特征进行非线性拟合处理,得到预处理特征集;
降维处理子单元,用于对所述预处理特征集中每个预处理特征进行至少一次降维处理,得到预设维度特征集。
在一些实施例中,所述降维处理子单元可以包括:
第一维度特征集确定子单元,用于对所述预处理特征集进行一次降维处理,得到第一维度特征集;
置零处理子单元,用于对所述第一维度特征集中任一第一维度特征进行置零处理;
第二维度特征集确定子单元,用于对处理后第一维度特征集进行二次降维处理,得到第二维度特征集,将所述第二维度特征集作为所述预设维度特征集。
在一些实施例中,所述卷积特征集确定子模块可以包括:
第三维度特征集确定单元,用于基于所述当前机器学习模型,对所述样本数据集中每个样本数据进行一次卷积操作,得到第三维度特征集;
卷积特征集确定单元,用于对所述第三维度特征集进行二次卷积操作,得到卷积特征集。
在一些实施例中,所述装置还可以包括:
归一化特征集确定单元,用于对所述第三维度特征集进行批量正则化处理,得到归一化特征集;
在一些实施例中,所述卷积特征集确定子模块可以包括:
二次卷积操作单元,用于对所述归一化特征集进行二次卷积操作,得到卷积特征集。
在一些实施例中,所述模型更新子模块可以包括:
梯度计算单元,用于当所述损失值大于预设阈值时,基于所述损失值对所述当前机器学习模型进行反向传播,计算所述损失值对应的损失函数的梯度;
参数确定单元,用于根据所述损失值调整所述梯度的学习率,并确定所述当前机器学习模型的参数;
模型更新单元,用于基于所述当前机器学习模型的参数,对所述当前机器学习模型进行更新以得到更新后机器学习模型。
所述的装置实施例中的装置与方法实施例基于同样地发明构思。
本申请实施例提供了一种配电网的电力负荷预测设备,该设备包括处理器和存储器,该存储器中存储有至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现如上述方法实施例所提供的配电网的电力负荷预测方法。
本申请的实施例还提供了一种计算机可读存储介质,所述存储介质可设置于终端之中以保存用于实现方法实施例中一种配电网的电力负荷预测方法相关的至少一条指令、至少一段程序、代码集或指令集,该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述方法实施例提供的配电网的电力负荷预测方法。
可选地,在本说明书实施例中,存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书实施例所述存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、功能所需的应用程序等;存储数据区可存储根据所述设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。
本申请实施例所提供的配电网的电力负荷预测方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例,图12是本申请实施例提供的一种配电网的电力负荷预测方法的服务器的硬件结构框图。如图12所示,该服务器1200可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)1210(处理器1210可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1230,一个或一个以上存储应用程序1223或数据1222的存储介质1220(例如一个或一个以上海量存储设备)。其中,存储器1230和存储介质1220可以是短暂存储或持久存储。存储在存储介质1220的程序可以包括一个或一个以上模块,每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1210可以设置为与存储介质1220通信,在服务器1200上执行存储介质1220中的一系列指令操作。服务器1200还可以包括一个或一个以上电源1260,一个或一个以上有线或无线网络接口1250,一个或一个以上输入输出接口1240,和/或,一个或一个以上操作系统1221,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
输入输出接口1240可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1200的通信供应商提供的无线网络。在一个实例中,输入输出接口1240包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,输入输出接口1240可以为射频(RadioFrequency,RF)模块,其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解,图12所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,服务器1200还可包括比图12中所示更多或者更少的组件,或者具有与图12所示不同的配置。
由上述本申请提供的配电网的电力负荷预测方法、装置、服务器或存储介质的实施例可见,本申请利用历史天气信息和电力负荷数据作为样本数据集,通过卷积神经网络自动提取特征进行模型训练确定损失值,当所述损失值大于预设阈值时,重复训练步骤;当所述损失值小于或等于所述预设阈值时,即可得到准确率较高的电力负荷预测预测模型;通过该电力负荷预测预测模型,可以快速、准确地预测未来短期内的电力负荷数据。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种配电网的电力负荷预测方法,其特征在于,所述方法包括:
获取第一预设时间段内目标区域的测试数据集,所述测试数据集表征所述第一预设时间段内目标区域的天气和电力负荷;
基于电力负荷预测模型,对所述测试数据集进行电力负荷预测处理,得到当前时刻之后的目标时间段内目标区域的电力负荷数据集;
其中,所述电力负荷预测模型的训练方法包括:
获取第二预设时间段内的样本数据集,所述样本数据集标注有预设时刻之后的目标时间段内目标区域的标准电力负荷数据集;所述样本数据集表征所述第二预设时间段内目标区域的天气和电力负荷;
构建预设机器学习模型,并将所述预设机器学习模型确定为当前机器学习模型;所述预设机器学习模型包括池化层、第一层一维卷积层、第二层一维卷积层、第一层全连接层、第二层全连接层和丢弃层;
通过所述预设机器学习模型的第一层一维卷积层对所述样本数据集中每个样本数据进行一次卷积操作,得到第三维度特征集;
通过所述预设机器学习模型的第二层一维卷积层对所述第三维度特征集进行二次卷积操作,得到卷积特征集;
通过所述池化层对所述卷积特征集中每个卷积特征进行池化运算,得到池化特征集;
通过所述第一层全连接层对所述池化特征集中每个池化特征进行非线性拟合处理,得到预处理特征集,对所述预处理特征集进行一次降维处理,得到第一维度特征集;
通过所述丢弃层对所述第一维度特征集中任一第一维度特征进行置零处理;通过所述第二层全连接层对处理后第一维度特征集进行二次降维处理,得到第二维度特征集,将所述第二维度特征集作为预设维度特征集;
基于所述预设维度特征集,确定预设时刻之后的目标时间段内目标区域的预测电力负荷数据集;
基于所述预测电力负荷数据集与标准电力负荷数据集,确定损失值;
当所述损失值大于预设阈值时,基于所述损失值对所述当前机器学习模型进行反向传播,计算所述损失值对应的损失函数的梯度;根据所述损失值调整所述梯度的学习率,并确定所述当前机器学习模型的参数;基于所述当前机器学习模型的参数,对所述当前机器学习模型进行更新以得到更新后机器学习模型,将所述更新后机器学习模型重新确定为所述当前机器学习模型;重复步骤:基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集;
当所述损失值小于或等于所述预设阈值时,将所述当前机器学习模型确定为所述电力负荷预测模型。
2.根据权利要求1所述的方法,其特征在于,所述对所述第三维度特征集进行二次卷积操作,得到卷积特征集的步骤之前,所述方法还包括:
对所述第三维度特征集进行批量正则化处理,得到归一化特征集;
相应的,所述对所述第三维度特征集进行二次卷积操作,得到卷积特征集包括:
对所述归一化特征集进行二次卷积操作,得到卷积特征集。
3.一种配电网的电力负荷预测装置,其特征在于,所述装置包括:
测试数据集获取模块,用于获取第一预设时间段内目标区域的测试数据集,所述测试数据集表征所述第一预设时间段内目标区域的天气和电力负荷;
电力负荷数据集确定模块,用于基于电力负荷预测模型,对所述测试数据集进行电力负荷预测处理,得到当前时刻之后的目标时间段内目标区域的电力负荷数据集;
电力负荷预测模型训练模块,所述电力负荷预测模型训练模块包括:
样本数据集获取子模块,用于获取第二预设时间段内目标区域的样本数据集,所述样本数据集标注有预设时刻之后的目标时间段内目标区域的标准电力负荷数据集;所述样本数据集表征所述第二预设时间段内目标区域的天气和电力负荷;
预设机器学习模型构建子模块,用于构建预设机器学习模型,并将所述预设机器学习模型确定为当前机器学习模型;所述预设机器学习模型包括池化层、第一层一维卷积层、第二层一维卷积层、第一层全连接层、第二层全连接层和丢弃层;
卷积特征集确定子模块,通过所述预设机器学习模型的第一层一维卷积层对所述样本数据集中每个样本数据进行一次卷积操作,得到第三维度特征集;通过所述预设机器学习模型的第二层一维卷积层对所述第三维度特征集进行二次卷积操作,得到卷积特征集;
损失值确定子模块,通过所述池化层对所述卷积特征集中每个卷积特征进行池化运算,得到池化特征集;通过所述第一层全连接层对所述池化特征集中每个池化特征进行非线性拟合处理,得到预处理特征集,对所述预处理特征集进行一次降维处理,得到第一维度特征集;通过所述丢弃层对所述第一维度特征集中任一第一维度特征进行置零处理;通过所述第二层全连接层对处理后第一维度特征集进行二次降维处理,得到第二维度特征集,将所述第二维度特征集作为预设维度特征集;基于所述预设维度特征集,确定预设时刻之后的目标时间段内目标区域的预测电力负荷数据集;基于所述预测电力负荷数据集与标准电力负荷数据集,确定损失值;
模型更新子模块,用于当所述损失值大于预设阈值时,基于所述损失值对所述当前机器学习模型进行反向传播,计算所述损失值对应的损失函数的梯度;根据所述损失值调整所述梯度的学习率,并确定所述当前机器学习模型的参数;基于所述当前机器学习模型的参数,对所述当前机器学习模型进行更新以得到更新后机器学习模型,将所述更新后机器学习模型重新确定为所述当前机器学习模型;重复步骤:基于所述当前机器学习模型,对所述样本数据集进行卷积操作,得到卷积特征集;
电力负荷预测模型确定子模块,用于当所述损失值小于或等于所述预设阈值时,将所述当前机器学习模型确定为所述电力负荷预测模型。
4.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-2任一所述的配电网的电力负荷预测方法。
5.一种配电网的电力负荷预测设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-2任一所述的配电网的电力负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018594.8A CN110874671B (zh) | 2019-10-24 | 2019-10-24 | 一种配电网的电力负荷预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911018594.8A CN110874671B (zh) | 2019-10-24 | 2019-10-24 | 一种配电网的电力负荷预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110874671A CN110874671A (zh) | 2020-03-10 |
CN110874671B true CN110874671B (zh) | 2021-03-16 |
Family
ID=69717855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911018594.8A Active CN110874671B (zh) | 2019-10-24 | 2019-10-24 | 一种配电网的电力负荷预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110874671B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612232B (zh) * | 2020-05-13 | 2023-08-18 | 云南电网有限责任公司电力科学研究院 | 基于梯度下降的配电网线路重跳概率预测优化方法和装置 |
CN114071661A (zh) * | 2020-07-31 | 2022-02-18 | 大唐移动通信设备有限公司 | 一种基站节能控制方法和装置 |
TWI761963B (zh) * | 2020-09-22 | 2022-04-21 | 國立成功大學 | 能源管理及交易方法與用於能源管理及交易的區塊鏈系統 |
CN112163715A (zh) * | 2020-10-14 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 生成式对抗网络的训练方法及装置、电力负荷预测方法 |
CN112365280B (zh) * | 2020-10-20 | 2024-04-19 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN112348702B (zh) * | 2020-11-06 | 2022-11-15 | 国网黑龙江省电力有限公司电力科学研究院 | 基于窗口移动机器学习的电力负荷预测方法 |
CN112488404B (zh) * | 2020-12-07 | 2022-09-23 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
CN114037171A (zh) * | 2021-11-17 | 2022-02-11 | 国网天津市电力公司 | 一种基于递归图与卷积神经网络的电力负荷预测方法 |
CN114648156A (zh) * | 2022-03-02 | 2022-06-21 | 贵州电网有限责任公司 | 一种基于卷积神经网络的时间序列负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007215354A (ja) * | 2006-02-10 | 2007-08-23 | Meiji Univ | 電力負荷予測方法、及び電力負荷予測処理プログラム |
CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
CN109376972A (zh) * | 2019-01-01 | 2019-02-22 | 中南大学 | 一种基于区块聚类的智慧电网短期电力负荷预测方法 |
CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
US10387754B1 (en) * | 2019-01-23 | 2019-08-20 | StradVision, Inc. | Learning method and learning device for object detector based on CNN using 1×H convolution to be used for hardware optimization, and testing method and testing device using the same |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10825132B2 (en) * | 2018-02-20 | 2020-11-03 | Element Ai Inc. | Training method for convolutional neural networks for use in artistic style transfers for video |
-
2019
- 2019-10-24 CN CN201911018594.8A patent/CN110874671B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007215354A (ja) * | 2006-02-10 | 2007-08-23 | Meiji Univ | 電力負荷予測方法、及び電力負荷予測処理プログラム |
CN109033702A (zh) * | 2018-08-23 | 2018-12-18 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于卷积神经网络cnn的电力系统暂态电压稳定评估方法 |
CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
CN109376972A (zh) * | 2019-01-01 | 2019-02-22 | 中南大学 | 一种基于区块聚类的智慧电网短期电力负荷预测方法 |
US10387754B1 (en) * | 2019-01-23 | 2019-08-20 | StradVision, Inc. | Learning method and learning device for object detector based on CNN using 1×H convolution to be used for hardware optimization, and testing method and testing device using the same |
Also Published As
Publication number | Publication date |
---|---|
CN110874671A (zh) | 2020-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110874671B (zh) | 一种配电网的电力负荷预测方法、装置及存储介质 | |
CN109815339B (zh) | 基于TextCNN知识抽取方法、装置、计算机设备及存储介质 | |
Matsubara et al. | Distilled split deep neural networks for edge-assisted real-time systems | |
US20210312295A1 (en) | Information processing method, information processing device, and information processing program | |
US11423307B2 (en) | Taxonomy construction via graph-based cross-domain knowledge transfer | |
Loni et al. | Neuropower: Designing energy efficient convolutional neural network architecture for embedded systems | |
CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
CN103701635A (zh) | 一种在线配置Hadoop参数的方法和装置 | |
CN116134448A (zh) | 使用局部敏感散列的联合机器学习 | |
CN110866119A (zh) | 一种文章质量的确定方法、装置、电子设备及存储介质 | |
CN112231416A (zh) | 知识图谱本体更新方法、装置、计算机设备及存储介质 | |
CN114580794B (zh) | 数据处理方法、装置、程序产品、计算机设备和介质 | |
CN112634158A (zh) | 人脸图像恢复方法、装置、计算机设备及存储介质 | |
CN113791909B (zh) | 服务器容量调整方法、装置、计算机设备及存储介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
Liu et al. | Efficient neural networks for edge devices | |
Ebrahimipur et al. | Reliability optimization of multi-state weighted k-out-of-n systems by fuzzy mathematical programming and genetic algorithm | |
Tuli et al. | Optimizing the Performance of Fog Computing Environments Using AI and Co-Simulation | |
CN112989024B (zh) | 文本内容的关系提取方法、装置、设备及存储介质 | |
CN111459990B (zh) | 对象处理方法、系统及计算机可读存储介质和计算机设备 | |
CN114548382A (zh) | 迁移训练方法、装置、设备、存储介质及程序产品 | |
CN111953533B (zh) | 目标网络节点的工作时长调控方法、装置、设备及存储介质 | |
CN115034507A (zh) | 一种充电桩的电力负荷预测方法及相关组件 | |
CN114332561A (zh) | 超分辨率模型的训练方法、装置、设备及介质 | |
Jansevskis et al. | Machine Learning and on 5G Based Technologies Create New Opportunities to Gain Knowledge |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40021525 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |