CN110929954A - 负荷预测方法、装置、计算机设备和存储介质 - Google Patents
负荷预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110929954A CN110929954A CN201911235525.2A CN201911235525A CN110929954A CN 110929954 A CN110929954 A CN 110929954A CN 201911235525 A CN201911235525 A CN 201911235525A CN 110929954 A CN110929954 A CN 110929954A
- Authority
- CN
- China
- Prior art keywords
- load data
- load
- prediction
- data
- clustering
- 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 74
- 238000007621 cluster analysis Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 69
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 239000006185 dispersion Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000011425 standardization method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000013139 quantization Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种负荷预测方法、装置、计算机设备和存储介质。该方法包括，计算机设备通过获取不同台区的负荷数据，对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列，将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。本方法中，由于不同台区的负荷数据波动范围较大，负荷数据量多且类型复杂，计算机设备在获取到不同台区的负荷数据后，对负荷数据进行聚类分析，将同一类型的数据置于同一个负荷数据序列中，这样，使得同一序列的负荷数据的波动范围变小，在对各负荷数据序列分别进行负荷预测时，各负荷数据序列的预测结果更为准确，进一步地，提高了总的负荷预测结果的准确率。
Description
技术领域
本申请涉及电力技术领域，特别是涉及一种负荷预测方法、装置、计算机设备和存储介质。
背景技术
台区用电预测指的是对专变用户及公变台区用户、居民用户的用电负荷、用电量、用电负荷特性进行预测，是电力调度、用电、规划等部门的重要工作之一，提高用电预测技术水平，有利于电力调度管理，有利于合理安排电网规划建设，有利于提高电力系统的经济效益和社会效益。
如今，用电预测已成为实现智能电力现代化管理的重要内容。现有技术中，用电预测的一般方式为经验法，依靠专家经验对台区用电范围内的负荷进行预测，得到预测结果。
但是，经验法存在预测准确率不高的问题，且不足以应对海量数据挖掘的需求。
发明内容
基于此，有必要针对上述技术问题，提供一种负荷预测方法、装置、计算机设备和存储介质。
第一方面，本申请提供一种负荷预测方法，该方法包括：
获取不同台区的负荷数据；负荷数据用于指示台区的用电情况和环境信息；
对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列；聚类标签用于指示各负荷数据的所属类型；
将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。
在其中一个实施例中，在上述对负荷数据进行聚类分析之前，该方法还包括：
对不同台区的负荷数据进行标准化处理，得到标准化后的各台区的负荷数据；
上述对负荷数据进行聚类分析，包括：
对标准化后的各台区的负荷数据进行聚类分析。
在其中一个实施例中，上述负荷数据至少包括电量数据、电力负荷数据和气象数据；上述对不同台区的负荷数据进行标准化处理，得到标准化后的各台区的负荷数据，包括：
采用离差标准化法分别对各台区的电量数据和各台区的电力负荷数据进行标准化处理，得到标准化后的各台区的负荷数据；离差标准化法指的是通过各台区的电量数据的最大值和最小值的差值关系，使各台区的电量数据和各台区的电力负荷数据波动范围置于同一范围的方法。
在其中一个实施例中，上述电量数据和电力负荷数据从电力信息系统中获取；气象数据从第三方平台中获取。
在其中一个实施例中，上述对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列，包括：
采用ward聚类方法对负荷数据进行聚类分析，得到多个聚类标签对应的负荷数据；
将各聚类标签对应的负荷数据相加，得到各聚类标签对应的负荷数据序列。
在其中一个实施例中，上述负荷预测模型的训练方法包括：
获取预设时间段内的历史负荷数据；
设定初始训练模型的参数的初始值；参数至少包括采样点参数和惩罚系数；
将历史负荷数据作为初始训练模型的输入，得到训练结果；
获取训练结果与预设时间段内的真实负荷值之间的残差序列；
根据残差序列的平稳性对初始训练模型进行训练，得到预测模型。
在其中一个实施例中，上述根据残差序列的平稳性对初始训练模型进行训练，得到预测模型，包括：
根据残差序列，得到预测偏差系数的量化值；
若预测偏差系数的量化值大于或等于第一阈值，则确定残差序列为不平稳序列，并调整初始训练模型的参数的值，返回执行将历史负荷数据作为初始训练模型的输入，得到训练结果的步骤，直至预测偏差系数的量化值小于第一阈值为止，得到预测模型。
在其中一个实施例中，上述将聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果，包括：
将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到各负荷数据序列对应的预测结果；
将各负荷数据序列对应的预测结果相加，得到负荷预测结果。
第二方面，本申请提供一种负荷预测装置，该装置包括：
获取模块，用于获取不同台区的负荷数据；负荷数据用于指示台区的用电情况和环境信息；
分析模块，用于对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列；聚类标签用于指示各负荷数据的所属类型；
预测模块，用于将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。
第三方面，本申请提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述第一方面中任一项实施例所提供的负荷预测方法。
第四方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面中任一项实施例所提供的负荷预测方法。
上述负荷预测方法、装置、计算机设备和存储介质，计算机设备通过获取不同台区的负荷数据，该负荷数据用于指示台区的用电情况和环境信息，然后对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列，该聚类标签用于指示各负荷数据的所属类型，再将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。本方法中，由于不同台区的负荷数据波动范围较大，负荷数据量多且类型复杂，计算机设备在获取到不同台区的负荷数据后，对负荷数据进行聚类分析，将同一类型的数据置于同一个负荷数据序列中，这样，使得同一序列的负荷数据的波动范围变小，在对各负荷数据序列分别进行负荷预测时，各负荷数据序列的预测结果更为准确，进一步地，提高了总的负荷预测结果的准确率。
附图说明
图1为一个实施例中负荷预测方法的应用环境图；
图2为一个实施例中负荷预测方法的流程示意图；
图3为另一个实施例中负荷预测方法的流程示意图；
图4为另一个实施例中负荷预测方法的流程示意图；
图5为另一个实施例中负荷预测方法的流程示意图；
图6为另一个实施例中负荷预测方法的流程示意图；
图7为一个实施例中负荷预测装置的结构框图；
图8为另一个实施例中负荷预测装置的结构框图；
图9为另一个实施例中负荷预测装置的结构框图；
图10为另一个实施例中负荷预测装置的结构框图；
图11为另一个实施例中负荷预测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的负荷预测方法，可以应用于如图1所示的应用环境中。图1提供了一种计算机设备，该计算机设备可以是服务器，也可以是终端，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储负荷预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种负荷预测的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是，本申请图2-图6实施例提供的负荷预测方法，其执行主体可以是计算机设备，也可以是负荷预测装置，该负荷预测装置可以通过软件、硬件或者软硬件结合的方式成为计算机设备的部分或全部。下述方法实施例中，均以执行主体是计算机设备为例来进行说明。
在一个实施例中，如图2所示，提供了一种负荷预测方法，涉及的是计算机设备通过获取不同台区的负荷数据，然后对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列，再将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果的具体过程，包括以下步骤：
S201、获取不同台区的负荷数据；负荷数据用于指示台区的用电情况和环境信息。
其中，负荷数据包括电量数据、电力负荷数据和气象数据；电量数据和电力负荷数据用来指示台区的用电情况，气象数据用来指示台区的环境情况。不同台区的电量数据和电力负荷数据波动范围大，具备各自不同的数据特点，示例地，某台区中的公共设施的负荷数据的特点表现为，只有在傍晚至凌晨才有电力负荷，在日间其电力负荷接近于0，而入夜则平稳在较高位置；某台区的写字楼的负荷数据的特点表现为，在日间的电力负荷数据主要来自于在气象数据影响下的设备运行产生的电力负荷数据，夜间的电力数据主要来自于灯光负荷，一般该电力负荷数据会比较稳定。
在本实施中，计算机可以按照预设的数量，获取多个不同台区的负荷数据，计算机设备可以从其他自动化系统中获取该负荷数据，也可以从第三方平台中获取该负荷数据，还可以从数据库中获取该负荷数据，可选地，电量数据和电力负荷数据从电力信息系统中获取；气象数据从第三方平台中获取。示例地，计算机设备获取到的负荷数据可以包括“台区1”、“电量：3000KW”、“电力负荷：3000KW”、“气温：28°”、“风速：二级南风”、“湿度：17％”；“台区2”、“电量：300KW”、“电力负荷：300KW”、“气温：26°”、“风速：二级南风”、“湿度：15％”等，计算机设备在获取到不同台区的负荷数据之后，可以按照电量数据、电力负荷数据、气象数据，将获取到的数据分为三种类型，分别进行保存，可选地，计算机设备可以将其保存至云平台中，也可以将其保存至数据库中，还可以将其保存至本地文件中，本实施例对此不做限定。
S202、对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列；聚类标签用于指示各负荷数据的所属类型。
其中，聚类分析指的是将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，在本实施例中，聚类分析用来将不同台区的负荷数据进行分析，归纳为多个聚类标签对应的负荷数据。聚类标签指的是计算机设备将负荷数据进行聚类分析后，定义的用来表示各类负荷数据的类型的标签。示例地，根据不同台区的负荷数据，聚类标签可以包括小区负荷，商业楼宇负荷，大型工厂负荷，医院负荷，学校负荷等。
在本实施例中，计算机设备对获取到的不同台区的负荷数据进行聚类分析，分析每个台区负荷数据的特点，将特点相同或相近的负荷数据归为一类，将同类的数据相加，得到同类的负荷数据序列，根据每一类负荷数据的特点，定义各类的聚类标签，得到具有不同聚类标签的负荷数据序列。计算机设备可以通过多种聚类分析方法对不同台区的负荷数据进行聚类分析，聚类分析方法包括ward聚类分析法、分层聚类分析、迭代聚类分析等。
S203、将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。
其中，预设的负荷预测模型指的是按照预测要求训练好的预测模型，在本实施例中，该预测模型可以是任意一种预测模型，示例地，该预测模型可以为支持向量回归机(Support Vector Regression,SVR)模型。负荷预测结果指的是某一预测时刻对应的负荷的预测值，该负荷预测值可以通过各类负荷数据的预测结果计算得到。
在本实施例中，计算机设备在对各聚类标签对应的负荷数据序列进行负荷预测之前，可以训练该预测模型，使得预测模型达到最佳的预测性能，而后计算机设备可以根据各聚类标签对应的负荷数据序列具有的数据特点，将各类负荷数据序列分别代入预测模型进行负荷预测，每一类负荷数据得到其对应的预测结果，可选地，计算机设备可以将各类负荷数据的预测结果进行相加，得到负荷预测结果。
上述负荷预测方法中，计算机设备通过获取不同台区的负荷数据，该负荷数据用来指示台区的用电情况和环境信息，然后对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列，再将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。本方法中，由于不同台区的负荷数据波动范围较大，负荷数据量多且类型复杂，计算机设备在获取到不同台区的负荷数据后，对负荷数据进行聚类分析，将同一类型的数据置于同一个负荷数据序列中，这样，使得同一序列的负荷数据的波动范围变小，在对各负荷数据序列分别进行负荷预测时，各负荷数据序列的预测结果更为准确，进一步地，提高了总的负荷预测结果的准确率。
计算机设备获取不同台区的负荷数据，该负荷数据存在较大的差异，为了得到更准确的预测结果，需要对这些负荷数据进行预处理，在本实施例中，在上述步骤S202“对负荷数据进行聚类分析”之前，该方法还包括：对不同台区的负荷数据进行标准化处理，得到标准化后的各台区的负荷数据；上述对负荷数据进行聚类分析，包括：对标准化后的各台区的负荷数据进行聚类分析。
其中，标准化处理的目的是将不同台区的负荷数据的波动范围置于同一范围内，使得处于同一范围内的负荷数据可以进行后续的聚类分析处理。标准化处理的方式包括多种，可以通过归一法对不同台区的负荷数据的进行标准化处理，还可以通过离差标准化法对不同台区的负荷数据的进行标准化处理，在本实施例中，采用离差标准化法可以最大程度的保留原始负荷数据。
具体地，采用离差标准化法分别对各台区的电量数据和各台区的电力负荷数据进行标准化处理，得到标准化后的各台区的负荷数据；离差标准化法指的是通过各台区的电量数据的最大值和最小值的差值关系，使各台区的电量数据和各台区的电力负荷数据波动范围置于同一范围的方法。
其中，离差标准化法指的是负荷数据的实际值与最小值的差，与，最大值与最小值的差的比值，本实施例中，计算机设备采用即离差标准化法对数据进行标准化，设定Lk,t为k台区t时刻的实际负荷数据，标准化处理后k台区t时刻的负荷数据L′k,t的具体求解过程如下：
在本实施例中，计算机设备可以通过公式(1)对各台区的实际负荷数据进行标准化处理，得到标准化处理后的各台区的负荷数据。经过标准化处理的不同台区的负荷数据，其波动范围处于同一范围，有利于之后的聚类分析处理。
负荷数据包括多种类型的负荷数据，其可以是小区负荷数据，也可以是商业区域负荷数据，各个类型数据具备不同的数据特征，为使预测结果更加准确，计算机设备对负荷数据进行聚类分析，在本实施例中，如图3所示，上述对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列，包括：
S301、采用ward聚类方法对负荷数据进行聚类分析，得到多个聚类标签对应的负荷数据。
其中，ward聚类方法的原理是先将n个负荷数据各自成一类，通过每次减少一个类别计算离差平方和的值，每减少一个类别，离差平方和的值就会增大，这时，选择使得离差平方和的值增量最小的两个类别合并，反复如此，直至所有的负荷数据归为一类为止，最终得到N个聚类标签。在本实施例中，计算机设备基于Ward聚类算法，通过最大化轮廓系数来选取聚类数N，聚类数N指的是各类负荷数据的类别数，将不同台区的负荷数据作为输入参数，进行聚类分析，最终得到N个聚类标签，同时得到N各聚类标签对应的负荷数据。
S302、将各聚类标签对应的负荷数据相加，得到各聚类标签对应的负荷数据序列。
在本实施例中，计算机设备根据最终得到N个聚类标签和各聚类标签对应的负荷数据，对相同聚类标签的台区负荷数据相加，得到N个聚类标签各自对应的负荷序列。示例地，设定一个台区的负荷数据表示为L(i) 1，第N个聚类标签对应的负荷序列就可以表示为{L(i) 1,...,L(i) t,...,L(i) m}i＝1,2,...N，本实施例对此不做限定。
在本实施例中，由于不同台区的负荷数据具有较大的差异，波动范围较大，如果直接作为预测模型的输入值，得到的预测结果是不准确的，通过聚类分析，分别得到各聚类标签对应的负荷数据序列，之后通过对各类负荷数据序列进行负荷预测，负荷预测结果准确率更高。
计算机对负荷数据进行处理之后，在对负荷数据进行预测之前，需要对负荷预测模型进行训练，在本实施例中，如图4所示，上述负荷预测模型的训练方法包括：
S401、获取预设时间段内的历史负荷数据。
其中，预设时间指的是预先设定的，预测时间之前的一段时间，可以是预测前一周，也可以是预测前一个月，获得的历史负荷数据可以是预设时间内全天的负荷数据，也可以是预设时间内每天规定时间段内的负荷数据，示例地，计算机设备可以获取预测前一个月，每天9点-18点的负荷数据作为历史负荷数据，本实施例对此不做限定。历史负荷数据即为预测前一段时间内台区产生的电量数据、电力负荷数据以及气象数据。
在本实施例中，计算机设备可以从电力信息系统中获取上述历史负荷数据，也可以从云平台数据库中获取历史负荷数据，计算机设备可以获取预测前一周的负荷数据，也可以获取预测前一个月的负荷数据，计算机设备在获取到历史负荷数据之后，优选地，计算机设备可以对该历史负荷数据进行标准化处理，得到标准化的历史负荷数据，而后对该标准化处理后的历史负荷数据进行聚类分析，得道各聚类标签对应的历史负荷数据序列，将该历史数据序列作为初始训练模型的输入样本数据。
S402、设定初始训练模型的参数的初始值；参数至少包括采样点参数和惩罚系数。
其中，初始训练模型指的是初步建立的，参数未进行优化的预测模型。初始训练模型的参数包括采样点参数σ和惩罚系数C，参数σ的取值与样本的划分精细程度有关，参数σ越小，分的类别越细，容易出现过拟合；参数σ越大，分的类别越粗，可能导致无法将数据区分开来，容易出现欠拟合。惩罚因子C的取值权衡了预测模型的经验风险和结构风险：C越大，经验风险越小，结构风险越大，容易出现过拟合；C越小，模型复杂度越低，容易出现欠拟合。在本实施中，计算机设备需要通过对初始训练模型多次的样本训练，得到最优化的采样点参数σ和惩罚系数C。
S403、将历史负荷数据作为初始训练模型的输入，得到训练结果。
在本实施例中，计算机设备对历史负荷数据进行标准化处理、聚类分析之后，得到各聚类标签对应的历史负荷数据序列，对于第i类负荷序列{L(i) 1,…,L(i) t,…,L(i) m}，构建的预测模型可以表示为：
其中，S()为初始训练模型，
为预测时刻前的负荷数据的实际值，Wt为预测时刻的气象预报数据，包括气温、湿度、降雨、风速、气压等，
为模型预测的残差序列值。
计算机设备根据设定好的预测模型的σ参数和C参数的值，将各聚类标签对应的历史负荷数据序列作为样本数据，输入至初始训练模型中进行训练，得到各聚类标签对应的历史负荷数据序列对应的训练结果。
S404、获取训练结果与所述预设时间段内的真实负荷值之间的残差序列。
在本实施例中，计算机获取各聚类标签对应的历史负荷数据序列对应的训练结果，将该预测结果分别与各聚类标签对应的历史负荷数据序列的实际值进行差分计算，即将各类预测结果与各类实际值相减，得到残差序列μt。残差序列用于指示是初始训练模型的训练结果的准确率，残差一定程度上可以看作是误差的观测值，残差越小，初始训练模型的训练准确率越高，残差序列为平稳序列，初始训练模型即为平稳模型。
S405、根据残差序列的平稳性对初始训练模型进行训练，得到预测模型。
其中，残差序列的平稳性用来指示预测模型中的变量是否存在长期均衡关系，这个长期均衡关系决定了预测模型的稳定性。
在本实施例中，计算机在对初始训练模型的训练过程中，通过负荷预测模型的残差序列的平稳性，验证负荷预测模型的平稳性，具体实施方式如图5所示，在本实施例中，上述根据残差序列的平稳性对初始训练模型进行训练，得到预测模型，包括：
S501、根据残差序列，得到预测偏差系数的量化值。
其中，预测偏差系数用来指示预测模型的预测结果与实际值偏差的程度。
在本实施例中，计算机设备对残差序列进行平稳性检验，其检验方法可以通过公式(3)实现：
ψ(t)指的是预测时段内每个时刻的负荷数据的残差，μt为将各类预测结果与各类实际值相减，得到残差序列，μavg指的是残差均值。在本实施例中，设ψ(t)中取1的次数为N,取0得次数为M，连续取1或连续取0的一组数为一个游程γ。计算检验的预测偏差系数Z的方式可以通过公式(4)实现：
n＝M+N (7)
其中，μγ表示一个游程的残差序列，σγ表示一个游程的采样点的数量，n表示总次数。通过上述公式，计算机设备可以得到预测偏差系数Z的量化值，用于与第一阈值进行比较判断。
S502、若预测偏差系数的量化值大于或等于第一阈值，则确定残差序列为不平稳序列，并调整初始训练模型的参数的值，返回执行将历史负荷数据作为初始训练模型的输入，得到训练结果的步骤，直至预测偏差系数的量化值小于第一阈值为止，得到预测模型。
其中，第一阈值指的是预先设定的偏差系数量化值的临界值。
在本实施中，示例地，计算机设备可以取显著性水平σ＝0.05，取偏差系数的量化值的绝对值与第一阈值进行比较，若|Z|<1.96，则认为残差序列μt为平稳序列，若|Z|≥1.96，则认为残差序列不平稳，计算机设备则需要修改模型的σ参数和C参数，返回执行将历史负荷数据作为初始训练模型的输入，得到训练结果的步骤，直到偏差系数的量化值小于第一阈值，即直到得到平稳的残差序列为止。
在本实施例中，计算机设备根据历史负荷数据对初始训练模型进行训练，得到训练结果，从而根据训练结果与历史负荷数据实际值求得残差序列，根据残差序列的平稳性，调整初始训练模型的参数直至得到平稳的残差序列，即得到平稳的初始训练模型作为预测模型，使得之后预测过程更加稳定，预测结果更加可靠。
由于本方法中，计算机设备将负荷数据进行聚类分析，在对各聚类标签对应的负荷数据进行负荷预测时，可以先得到各聚类标签对应的负荷数据的负荷预测结果，使得各负荷预测结果更准确，在本实施例中，如图6所示，上述将聚类标签对应的负荷数据序列输入预设的负荷预测模型中，得到负荷预测结果，包括：
S601、将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到各负荷数据序列对应的预测结果。
在本实施中，计算机设备经过聚类分析，得到N个聚类标签，同时也得到各聚类标签对应的负荷数据序列，由于各个聚类标签对应的负荷数据序列具有独特的数据特点，优选地，计算机设备将各类负荷数据序列分别代入负荷预测模型中，计算各类负荷数据序列的预测结果，具体地，计算机设备将各类负荷数据序列分别代入公式(2)中的预测模型中，经过计算，得到各类负荷数据序列对应的预测结果。
S602、将各负荷数据序列对应的预测结果相加，得到负荷预测结果。
在本实施中，负荷预测结果指的是针对所有台区负荷数据、所有聚类标签对应负荷数据序列的负荷预测结果，计算机设备在获取到各聚类标签对应的负荷数据序列的预测结果后，具体地，可以将各预测结果直接进行相加计算，得到整体负荷的预测结果，也可以将各预测结果进行加权计算，得到整体负荷的预测结果，本实施例对此不做限定。
在本实施例中，计算机设备先求得各类负荷数据序列的预测结果，从而再有各类负荷数据序列的预测结果相加得到负荷预测结果，由于各类负荷数据序列的预测结果具有各类负荷数据的特点，预测准确率更高，同时也提高了相加得到负荷预测结果的准确率。
应该理解的是，虽然图1-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种负荷预测装置，包括：获取模块701、分析模块702和预测模块703，其中：
获取模块701，用于获取不同台区的负荷数据；负荷数据用于指示所述台区的用电情况和环境信息；
分析模块702，用于对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列；聚类标签用于指示各负荷数据的所属类型；
预测模块703，用于将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。
在一个实施例中，如图8所示，上述负荷预测装置还包括数据处理模块704；
数据处理模块704，用于对不同台区的负荷数据进行标准化处理，得到标准化后的各台区的负荷数据；
上述分析模块702，用于对标准化后的各台区的负荷数据进行聚类分析。
在一个实施例中，上述负荷数据至少包括电量数据、电力负荷数据和气象数据；上述数据处理模块704，具体用于采用离差标准化法分别对各台区的电量数据和各台区的电力负荷数据进行标准化处理，得到标准化后的各台区的负荷数据；离差标准化法指的是通过各台区的电量数据的最大值和最小值的差值关系，使各台区的电量数据和各台区的电力负荷数据波动范围置于同一范围的方法。
在一个实施例中，上述电量数据和电力负荷数据从电力信息系统中获取；气象数据从第三方平台中获取。
在一个实施例中，如图9所示，上述分析模块702包括分析单元7021和量化单元7022，其中：
分析单元7021，用于采用ward聚类方法对负荷数据进行聚类分析，得到多个聚类标签对应的负荷数据；
量化单元7022，用于将各聚类标签对应的负荷数据相加，得到各聚类标签对应的负荷数据序列。
在一个实施例中，如图10所示，上述预测模块703包括获取单元7031、赋值单元7032、训练单元7033、量化单元7034和验证单元7035，其中：
获取单元7031，用于获取预设时间段内的历史负荷数据；
赋值单元7032，用于设定初始训练模型的参数的初始值；参数至少包括采样点参数和惩罚系数；
训练单元7033，用于将历史负荷数据作为初始训练模型的输入，得到训练结果；
量化单元7034，用于获取训练结果与预设时间段内的真实负荷值之间的残差序列；
验证单元7035，用于根据残差序列的平稳性对初始训练模型进行训练，得到预测模型。
在一个实施例中，上述验证单元7035包括量化子单元和确定子单元，其中：
量化子单元，用于根据残差序列，得到预测偏差系数的量化值；
确定子单元，用于若预测偏差系数的量化值大于或等于第一阈值，则确定残差序列为不平稳序列，并调整初始训练模型的参数的值，返回执行将历史负荷数据作为初始训练模型的输入，得到训练结果的步骤，直至预测偏差系数的量化值小于第一阈值为止，得到预测模型。
在一个实施例中，如图11所示，上述预测模块703包括预测单元7036和量化单元7037，其中：
预测单元7036，用于将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到各负荷数据序列对应的预测结果；
量化单元7037，用于将各负荷数据序列对应的预测结果相加，得到负荷预测结果。
上述所有的负荷预测装置实施例，其实现原理和技术效果与上述负荷预测方法对应的实施例类似，在此不再赘述。
关于负荷预测装置的具体限定可以参见上文中对于负荷预测方法的限定，在此不再赘述。上述负荷预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取不同台区的负荷数据；负荷数据用于指示台区的用电情况和环境信息；
对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列；聚类标签用于指示各负荷数据的所属类型；
将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。
上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取不同台区的负荷数据；负荷数据用于指示台区的用电情况和环境信息；
对负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列；聚类标签用于指示各负荷数据的所属类型；
将各聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。
上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种负荷预测方法，其特征在于，所述方法包括：
获取不同台区的负荷数据；所述负荷数据用于指示所述台区的用电情况和环境信息；
对所述负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列；所述聚类标签用于指示各所述负荷数据的所属类型；
将各所述聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。
2.根据权利要求1所述的方法，其特征在于，在所述对所述负荷数据进行聚类分析之前，所述方法还包括：
对所述不同台区的负荷数据进行标准化处理，得到标准化后的各台区的负荷数据；
所述对所述负荷数据进行聚类分析，包括：
对所述标准化后的各台区的负荷数据进行聚类分析。
3.根据权利要求2所述的方法，其特征在于，所述负荷数据至少包括电量数据、电力负荷数据和气象数据；所述对所述不同台区的负荷数据进行标准化处理，得到标准化后的各台区的负荷数据，包括：
采用离差标准化法分别对各所述台区的电量数据和各所述台区的电力负荷数据进行标准化处理，得到所述标准化后的各台区的负荷数据；所述离差标准化法指的是通过所述各台区的电量数据的最大值和最小值的差值关系，使各所述台区的电量数据和各所述台区的电力负荷数据波动范围置于同一范围的方法。
4.根据权利要求3所述的方法，其特征在于，所述电量数据和所述电力负荷数据从电力信息系统中获取；所述气象数据从第三方平台中获取。
5.根据权利要求1所述的方法，其特征在于，所述对所述负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列，包括：
采用ward聚类方法对所述负荷数据进行聚类分析，得到多个所述聚类标签对应的负荷数据；
将各所述聚类标签对应的负荷数据相加，得到各所述聚类标签对应的负荷数据序列。
6.根据权利要求1所述的方法，其特征在于，所述负荷预测模型的训练方法包括：
获取预设时间段内的历史负荷数据；
设定初始训练模型的参数的初始值；所述参数至少包括采样点参数和惩罚系数；
将所述历史负荷数据作为所述初始训练模型的输入，得到训练结果；
获取所述训练结果与所述预设时间段内的真实负荷值之间的残差序列；
根据所述残差序列的平稳性对所述初始训练模型进行训练，得到所述预测模型。
7.根据权利要求6所述的方法，其特征在于，所述根据所述残差序列的平稳性对所述初始训练模型进行训练，得到所述预测模型，包括：
根据所述残差序列，得到预测偏差系数的量化值；
若所述预测偏差系数的量化值大于或等于第一阈值，则确定所述残差序列为不平稳序列，并调整所述初始训练模型的参数的值，返回执行将所述历史负荷数据作为所述初始训练模型的输入，得到训练结果的步骤，直至所述预测偏差系数的量化值小于所述第一阈值为止，得到所述预测模型。
8.根据权利要求1所述的方法，其特征在于，所述将所述聚类标签对应的负荷数据序列输入预设的负荷预测模型中，得到负荷预测结果，包括：
将各所述聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到各所述负荷数据序列对应的预测结果；
将各所述负荷数据序列对应的预测结果相加，得到负荷预测结果。
9.一种负荷预测装置，其特征在于，所述装置包括：
获取模块，用于获取不同台区的负荷数据；所述负荷数据用于指示所述台区的用电情况和环境信息；
分析模块，用于对所述负荷数据进行聚类分析，得到各聚类标签对应的负荷数据序列；所述聚类标签用于指示各所述负荷数据的所属类型；
预测模块，用于将各所述聚类标签对应的负荷数据序列分别输入预设的负荷预测模型中，得到负荷预测结果。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911235525.2A CN110929954A (zh) | 2019-12-05 | 2019-12-05 | 负荷预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911235525.2A CN110929954A (zh) | 2019-12-05 | 2019-12-05 | 负荷预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110929954A true CN110929954A (zh) | 2020-03-27 |
Family
ID=69857183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911235525.2A Pending CN110929954A (zh) | 2019-12-05 | 2019-12-05 | 负荷预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929954A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111856513A (zh) * | 2020-07-31 | 2020-10-30 | 中国南方电网有限责任公司 | 卫星观测值获取方法、装置、计算机设备和存储介质 |
| CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
| CN112564085A (zh) * | 2020-10-22 | 2021-03-26 | 国网山东省电力公司济宁供电公司 | 电采暖配变最大用电负荷预测方法及系统 |
| CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
| CN113111578A (zh) * | 2021-04-01 | 2021-07-13 | 上海晨翘智能科技有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
| CN113449929A (zh) * | 2021-07-16 | 2021-09-28 | 南方电网数字电网研究院有限公司 | 电力负荷分配方法、装置、计算机设备和存储介质 |
| CN113743667A (zh) * | 2021-09-06 | 2021-12-03 | 广东电网有限责任公司 | 一种台区用电量预测方法、装置、设备及存储介质 |
| CN115951627A (zh) * | 2023-03-15 | 2023-04-11 | 秦皇岛轩齐电子科技有限公司 | 基于物联网工控用plc控制系统 |
| CN116632842A (zh) * | 2023-07-26 | 2023-08-22 | 国网山东省电力公司信息通信公司 | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101409025B1 (ko) * | 2013-05-20 | 2014-06-19 | 엘에스산전 주식회사 | 전기부하 예측 장치 및 보정 방법 |
| CN107918639A (zh) * | 2017-10-19 | 2018-04-17 | 广东电网有限责任公司云浮供电局 | 基于电力大数据主变高峰负荷预测方法及数据仓库系统 |
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
-
2019
- 2019-12-05 CN CN201911235525.2A patent/CN110929954A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101409025B1 (ko) * | 2013-05-20 | 2014-06-19 | 엘에스산전 주식회사 | 전기부하 예측 장치 및 보정 방법 |
| CN107918639A (zh) * | 2017-10-19 | 2018-04-17 | 广东电网有限责任公司云浮供电局 | 基于电力大数据主变高峰负荷预测方法及数据仓库系统 |
| CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李夏威: "配电台区时间序列大数据负荷预测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111856513A (zh) * | 2020-07-31 | 2020-10-30 | 中国南方电网有限责任公司 | 卫星观测值获取方法、装置、计算机设备和存储介质 |
| CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
| CN112085285B (zh) * | 2020-09-14 | 2023-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
| CN112564085B (zh) * | 2020-10-22 | 2023-04-18 | 国网山东省电力公司济宁供电公司 | 电采暖配变最大用电负荷预测方法及系统 |
| CN112564085A (zh) * | 2020-10-22 | 2021-03-26 | 国网山东省电力公司济宁供电公司 | 电采暖配变最大用电负荷预测方法及系统 |
| CN112990587A (zh) * | 2021-03-24 | 2021-06-18 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
| CN112990587B (zh) * | 2021-03-24 | 2023-10-24 | 北京市腾河智慧能源科技有限公司 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
| CN113111578B (zh) * | 2021-04-01 | 2023-04-07 | 上海晨翘智能科技有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
| CN113111578A (zh) * | 2021-04-01 | 2021-07-13 | 上海晨翘智能科技有限公司 | 电力负荷预测方法、装置、计算机设备及存储介质 |
| CN113449929A (zh) * | 2021-07-16 | 2021-09-28 | 南方电网数字电网研究院有限公司 | 电力负荷分配方法、装置、计算机设备和存储介质 |
| CN113743667A (zh) * | 2021-09-06 | 2021-12-03 | 广东电网有限责任公司 | 一种台区用电量预测方法、装置、设备及存储介质 |
| CN115951627A (zh) * | 2023-03-15 | 2023-04-11 | 秦皇岛轩齐电子科技有限公司 | 基于物联网工控用plc控制系统 |
| CN116632842A (zh) * | 2023-07-26 | 2023-08-22 | 国网山东省电力公司信息通信公司 | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 |
| CN116632842B (zh) * | 2023-07-26 | 2023-11-10 | 国网山东省电力公司信息通信公司 | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929954A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
| CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
| CN110443657B (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
| CN112417273B (zh) | 区域画像图生成方法、装置、计算机设备及存储介质 | |
| US20190228329A1 (en) | Prediction system and prediction method | |
| CN111639817A (zh) | 一种面向电网气象灾害的应急物资需求预测方法及系统 | |
| CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| De Wilde et al. | Building simulation approaches for the training of automated data analysis tools in building energy management | |
| CN111160625A (zh) | 电力负荷预测方法、装置、计算机设备及存储介质 | |
| CN111191811A (zh) | 集群负荷预测方法、装置及存储介质 | |
| CN113743673B (zh) | 一种台风期间的电力负荷预测方法 | |
| CN112613642B (zh) | 应急物资需求预测方法和装置、存储介质及电子设备 | |
| CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
| CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
| CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
| CN109740818A (zh) | 一种应用于航路扇区交通的概率密度预测系统 | |
| KR101860457B1 (ko) | 기상 영향 분석 방법 및 이를 수행하기 위한 장치 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| Cai et al. | Gray wolf optimization-based wind power load mid-long term forecasting algorithm | |
| CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
| CN113743667A (zh) | 一种台区用电量预测方法、装置、设备及存储介质 | |
| Gao et al. | Leveraging high-resolution weather information to predict hail damage claims: A spatial point process for replicated point patterns | |
| CN110909921B (zh) | 中长期风电电量预测方法、装置、计算机设备及存储介质 | |
| Zhang et al. | Extreme wind power forecast error analysis considering its application in day‐ahead reserve capacity planning |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200327 |