CN111126565A - 一种基于深度学习的地块负荷密度指标预测方法及装置 - Google Patents

一种基于深度学习的地块负荷密度指标预测方法及装置 Download PDF

Info

Publication number
CN111126565A
CN111126565A CN201911194942.7A CN201911194942A CN111126565A CN 111126565 A CN111126565 A CN 111126565A CN 201911194942 A CN201911194942 A CN 201911194942A CN 111126565 A CN111126565 A CN 111126565A
Authority
CN
China
Prior art keywords
parameters
load density
density index
prediction
deep learning
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
CN201911194942.7A
Other languages
English (en)
Inventor
郭志达
李晓莉
沈浩彬
李广
袁晓春
蒋赟斯
周舒静
胡冉
陈秋绮
刘伟林
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.)
Guangdong Power Grid Co Ltd
Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Huizhou Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Huizhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201911194942.7A priority Critical patent/CN111126565A/zh
Publication of CN111126565A publication Critical patent/CN111126565A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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

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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种基于深度学习的地块负荷密度指标预测方法及装置，其中方法包括：获取待预测地块的预测参数，其中，所述预测参数包括：地块数据参数、地区建设水平参数、地区产业结构参数、地区气候参数、地块位置参数；对所述预测参数进行归一化处理；将归一化后的所述预测参数输入至预先训练好负荷密度指标预测模型，通过所述负荷密度指标预测模型进行运算，得到所述待预测地块的负荷密度指标。本申请通过深度学习方式，根据获取的待预测地块的预测参数，结合训练优化后的负荷密度指标预测模型，输出待预测地块的负荷密度指标，避免了简单类比和经验判断带来的不确定因素，提高了负荷密度指标求取的准确性。

Description

一种基于深度学习的地块负荷密度指标预测方法及装置
技术领域
本申请涉电力技术领域，尤其涉及一种基于深度学习的地块负荷密度指标预测方法及装置。
背景技术
由于城市用电总量不断增长、负荷构成复杂化等原因，饱和负荷密度的预测分析亦日益受到重视。目前城市地块的负荷计算方法主要采用负荷密度指标法，根据片区或网格内不同性质地块的分布情况以及相应的用地面积，结合地块的负荷密度指标，以预测该地块的饱和负荷值。
负荷密度指标法的关键技术和难点是负荷密度指标的准确选取。以往求取负荷密度指标的方法，多是通过参考广州等大城市用地类型的负荷密度指标，再进行简单类比或者根据规划人员的经验估算该用地性质的负荷密度而获得本地的负荷密度指标，从而导致了现有的负荷密度指标求取方式准确性低的技术问题。
发明内容
本申请提供了一种基于深度学习的地块负荷密度指标预测方法及装置，用于解决由于现有的负荷密度指标求取方式准确性低的技术问题。
有鉴于此，本申请第一方面提供了一种基于深度学习的地块负荷密度指标预测方法，包括：
获取待预测地块的预测参数，其中，所述预测参数包括：地块数据参数、地区建设水平参数、地区产业结构参数、地区气候参数、地块位置参数；
对所述预测参数进行归一化处理；
将归一化后的所述预测参数输入至预先训练好负荷密度指标预测模型，通过所述负荷密度指标预测模型进行运算，得到所述待预测地块的负荷密度指标，其中，所述负荷密度指标预测模型为通过将预置的样本地块的预测参数输入至初始神经网络模型进行训练，得到的深度学习模型。
优选地，所述地块数据参数具体包括：地块用地面积、建筑面积和容积率。
优选地，所述地区建设水平参数具体包括：所述待预测地块所属地区的人口参数和经济水平参数；
所述人口参数具体包括：人口基数、人口密度和人口增长率；
所述经济水平参数具体包括：GDP总值、人均GDP和GDP增长率。
优选地，所述地区产业结构参数具体包括：所述待预测地块所属地区的公司数量、就业人数就业人员平均收入、第二产业比重和第三产业比重。
优选地，所述地区气候参数具体包括：历史最高气温、历史最低气温、夏季平均气温、冬季平均气温、历史高温天数、历史低温天数；
其中，所述历史高温天数具体为：历史气温记录中温度高于预置的第一温度阈值的天数；
所述历史低温天数具体为历史气温记录中温度低于预置的第二温度阈值的天数。
优选地，所述地块位置参数具体包括：市中心地块或城郊地块。
优选地，还包括：
对所述负荷密度指标进行反归一化处理；
根据反归一化处理后的所述负荷密度指标、所述地块占地面积、所述容积率、负荷需求系数和负荷同时系数的乘积，得到所述待预测地块的饱和负荷值。
本申请第二方面提供了一种基于深度学习的地块负荷密度指标预测装置，包括：
预测参数获取单元，用于获取待预测地块的预测参数，其中，所述预测参数包括：地块数据参数、地区建设水平参数、地区产业结构参数、地区气候参数、地块位置参数；
归一化处理单元，用于对所述负荷密度指标进行反归一化处理；
负荷密度指标预测单元，用于将归一化后的所述预测参数输入至预先训练好负荷密度指标预测模型，通过所述负荷密度指标预测模型进行运算，得到所述待预测地块的负荷密度指标，其中，所述负荷密度指标预测模型为通过将预置的样本地块的预测参数输入至初始神经网络模型进行训练，得到的深度学习模型。
本申请第三方面提供了一种终端，包括：存储器和处理器；
所述存储器，用于存储与本申请第一方面所述的基于深度学习的地块负荷密度指标预测方法相对应的程序代码；
所述处理器用于执行所述程序代码。
本申请第四方面提供了一种存储介质，所述存储介质中保存有与本申请第一方面所述的基于深度学习的地块负荷密度指标预测方法相对应的程序代码。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请提供了一种基于深度学习的地块负荷密度指标预测方法，包括：获取待预测地块的预测参数，其中，所述预测参数包括：地块数据参数、地区建设水平参数、地区产业结构参数、地区气候参数、地块位置参数；对所述预测参数进行归一化处理；将归一化后的所述预测参数输入至预先训练好负荷密度指标预测模型，通过所述负荷密度指标预测模型进行运算，得到所述待预测地块的负荷密度指标，其中，所述负荷密度指标预测模型为通过将预置的样本地块的预测参数输入至初始神经网络模型进行训练，得到的深度学习模型。
本申请通过深度学习方式，根据获取的待预测地块的预测参数，结合训练优化后的负荷密度指标预测模型，输出待预测地块的负荷密度指标，避免了简单类比和经验判断带来的不确定因素，提高了负荷密度指标求取的准确性。
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，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地介绍，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性的前提下，还可以根据这些附图获得其它的附图。
图1为本申请提供的一种基于深度学习的地块负荷密度指标预测方法的第一个实施例的流程示意图的第一个实施例的流程示意图；
图2为本申请提供的一种基于深度学习的地块负荷密度指标预测方法的第二个实施例的流程示意图；
图3为本申请提供的一种基于深度学习的地块负荷密度指标预测装置的第一个实施例的结构示意图；
图4为本实施例提供的深度学习模型框架图。
具体实施方式
负荷密度指标法的关键技术和难点是负荷密度指标的准确选取。以往求取负荷密度指标的方法，多是通过参考广州等一线大城市用地类型的负荷密度指标，再进行简单类比或者根据规划人员的经验估算该用地性质的负荷密度而获得本地的负荷密度指标，但是由于影响负荷密度指标的因素较多，而且每个城市的发展状况各不相同，通过简单的类比得到的负荷密度指标难以符合当地的实际负荷需求，而且根据规划人员的经验估算得到的负荷密度指标容易受规划人员的主观认知影响，从而导致了现有的负荷密度指标求取方式准确性低的技术问题。
本申请实施例提供了一种基于深度学习的地块负荷密度指标预测方法及装置，用于解决由于现有的负荷密度指标求取方式准确性低的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。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它实施例，都属于本申请保护的范围。
请参阅图1，本申请第一个实施例提供了一种基于深度学习的地块负荷密度指标预测方法，包括：
步骤101、获取待预测地块的预测参数。
其中，预测参数包括：地块数据参数、地区建设水平参数、地区产业结构参数、地区气候参数、地块位置参数。
更具体的，地块数据参数具体包括：地块用地面积、建筑面积和容积率。地块的土地数据在一定程度上影响了区域的负荷密度，因为土地的面积影响了土地的使用类型，土地的使用类型影响了用户的负荷，不同的负荷反映了不同的负荷密度。因此，本实施例将地块的占地面积，建筑面积和容积率作为学习样本的输入。
更具体的，地区建设水平参数具体包括：待预测地块所属地区的人口参数和经济水平参数；
人口参数具体包括：人口基数、人口密度和人口增长率；
经济水平参数具体包括：GDP总值、人均GDP和GDP增长率。
需要说明的是，人口数据表明了该地区的人口情况，人口情况会影响地区的用电情况，用电负荷一定程度上反映了该地区的经济发展程度，反过来，经济数据在一定程度上也与用电负荷有关，且应为正相关的关系。因此，本实施例将地块的人口数，人口密度和人口增长率以及地块的GDP，人均GDP，GDP增长率可以选作学习样本的输入。
更具体的，地区产业结构参数具体包括：待预测地块所属地区的公司数量、就业人数就业人员平均收入、第二产业比重和第三产业比重。
需要说明的是，区域的产业结构直接影响了区域的负荷密度。若区域为居民，则负荷密度较低；若区域为工业、商业用地，则负荷密度较高。因此，各地块的区域公司数量，区域就业人数、就业人员平均工资、第二产业比重、第三产业比重可以选作学习样本的输入。
更具体的，地区气候参数具体包括：历史最高气温、历史最低气温、夏季平均气温、冬季平均气温、历史高温天数、历史低温天数；
其中，历史高温天数具体为：历史气温记录中温度高于预置的第一温度阈值的天数；
历史低温天数具体为历史气温记录中温度低于预置的第二温度阈值的天数。其中本实施例的第一温度阈值可以为30摄氏度，第二温度阈值可以为10摄氏度。
需要说明的是，地区的气候影响了人们的生活方式，人们的生活方式与用电量密切相关。如果区域高温期持续时间较长，则区域内的人们需要消耗更多的电量用来制冷；相反，如果区域低温期时期持续时间较长，则区域内的人们需要消耗更多的电量用来制热取暖。因此，各地块的历史最高气温、历史最低气温、夏季平均气温、冬季平均气温、历史高温天数、历史低温天数可以选作学习样本的输入。
更具体的，地块位置参数具体包括：市中心地块或城郊地块。
需要说明的是，区域的地块位置参数间接影响了负荷密度。可以理解，负荷重心往往集中在市中心，城郊的负荷较轻。因此，各地块的地理数据可以选作学习样本的输入。
步骤102、对预测参数进行归一化处理。
需要说明的是，为了避免神经元饱和现象，对深度学习模型的输入数据进行归一化处理，来提高深度学习的学习速度和预测精度，大量研究表明：用合适的方式对数据进行归一化处理，可以使输入的数据位于[0,1]之间，可以加速神经网络的收敛。
操作公式如下：
Figure BDA0002294448670000061
式中P为输入的预测参数矩阵；
Pn为归一化处理后的参数矩阵；
Pmax为输入数据中的最大值；
Pmin为输入数据中的最小值。
这里需要说明的是，为保证神经网络训练和预测的一致性，训练时输入样本集(样本地块的预测参数)和预测时输入的目标集(待预测地块的预测参数)等在内所有数据都应采用相同的归一化标准。
步骤103、将归一化后的预测参数输入至预先训练好负荷密度指标预测模型，通过负荷密度指标预测模型进行运算，得到待预测地块的负荷密度指标。
其中，负荷密度指标预测模型为通过将预置的样本地块的预测参数输入至初始神经网络模型进行训练，得到的深度学习模型，本实施例的深度学习模型框架如图4所示。
在实施本实施例的预测方法前，先向初始神经网络模型的输入各个成熟区地块(样本地块)的预测参数和参考负荷密度指标数据进行训练，训练前，可以先对输入数据进行归一化处理，再将数据放入神经网络中，用神经网络进行训练，用MAPE和MSE进行评价，并对神经网络的参数进行调整优化，直到训练的误差符合预期的标准，从而得到训练好的负荷密度指标预测模型。
然后基于这个训练好的模型，将非成熟区地块(待预测地块)的预测参数输入至训练好的模型，从而得出待预测地块的负荷密度指标。
本实施例通过深度学习方式，根据获取的待预测地块的预测参数，结合训练优化后的负荷密度指标预测模型，输出待预测地块的负荷密度指标，避免了简单类比和经验判断带来的不确定因素，提高了负荷密度指标求取的准确性。
以上为本申请的提供的一种基于深度学习的地块负荷密度指标预测方法的第一个实施例的详细说明，下面为本申请提供的一种基于深度学习的地块负荷密度指标预测方法的第二个实施例的详细说明。
请查阅图2，在本申请提供的第一个实施例的基础上，提供了一种基于深度学习的地块负荷密度指标预测方法的第二个实施例，具体包括：
在本申请第一个实施例中的步骤103之后还包括：
步骤104、对负荷密度指标进行反归一化处理。
需要说明的是，归一化之后的数据进行训练、预测得出的结果在最后还需要进行反归一化为负荷值，反归一化公式如下：
T＝(Pmax-Pmin)Tn+Pmin
式中，Tn为归一化的负荷密度指标值；T为真实量纲的负荷密度指标的预测值。
步骤105、根据反归一化处理后的负荷密度指标、地块占地面积、容积率、负荷需求系数和负荷同时系数的乘积，得到待预测地块的饱和负荷值。
深度学习模型得到的预测结果是各地块的负荷密度指标，根据相应地块的负荷密度指标，计算得到地块的饱和负荷预测数值。
饱和负荷预测＝用地面积*负荷密度指标*容积率*需用系数*同时系数，其中，需用系数是同时系数与负荷系数的乘积。其中，负荷系数：即电气设备的实际负荷与其额定负荷之比。可通过典型值或者测量获得。
以上为本申请提供的一种基于深度学习的地块负荷密度指标预测方法的第二个实施例的详细说明，下面为本申请提供的一种基于深度学习的地块负荷密度指标预测装置的实施例的详细说明。
请参阅图3，本申请第三个实施例提供了一种基于深度学习的地块负荷密度指标预测装置，包括：
预测参数获取单元301，用于获取待预测地块的预测参数，其中，预测参数包括：地块数据参数、地区建设水平参数、地区产业结构参数、地区气候参数、地块位置参数；
归一化处理单元302，用于对负荷密度指标进行反归一化处理；
负荷密度指标预测单元303，用于将归一化后的预测参数输入至预先训练好负荷密度指标预测模型，通过负荷密度指标预测模型进行运算，得到待预测地块的负荷密度指标，其中，负荷密度指标预测模型为通过将预置的样本地块的预测参数输入至初始神经网络模型进行训练，得到的深度学习模型。
此外，本申请还提供了一种终端和一种存储介质的实施例。
本申请第四个实施例提供了一种终端，包括：存储器和处理器；
所述存储器，用于存储与本申请第一个实施例和第二个实施例所述的基于深度学习的地块负荷密度指标预测方法相对应的程序代码；
所述处理器用于执行所述程序代码。
本申请第五个实施例提供了一种存储介质，所述存储介质中保存有与本申请第一个实施例和第二个实施例所述的基于深度学习的地块负荷密度指标预测方法相对应的程序代码。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
本申请的说明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，以便这里描述的本申请的实施例例如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。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于深度学习的地块负荷密度指标预测方法，其特征在于，包括：
获取待预测地块的预测参数，其中，所述预测参数包括：地块数据参数、地区建设水平参数、地区产业结构参数、地区气候参数、地块位置参数；
对所述预测参数进行归一化处理；
将归一化后的所述预测参数输入至预先训练好负荷密度指标预测模型，通过所述负荷密度指标预测模型进行运算，得到所述待预测地块的负荷密度指标，其中，所述负荷密度指标预测模型为通过将预置的样本地块的预测参数输入至初始神经网络模型进行训练，得到的深度学习模型。
2.根据权利要求1所述的基于深度学习的地块负荷密度指标预测方法，其特征在于，所述地块数据参数具体包括：地块用地面积、建筑面积和容积率。
3.根据权利要求1所述的基于深度学习的地块负荷密度指标预测方法，其特征在于，所述地区建设水平参数具体包括：所述待预测地块所属地区的人口参数和经济水平参数；
所述人口参数具体包括：人口基数、人口密度和人口增长率；
所述经济水平参数具体包括：GDP总值、人均GDP和GDP增长率。
4.根据权利要求1所述的基于深度学习的地块负荷密度指标预测方法，其特征在于，所述地区产业结构参数具体包括：所述待预测地块所属地区的公司数量、就业人数就业人员平均收入、第二产业比重和第三产业比重。
5.根据权利要求1所述的基于深度学习的地块负荷密度指标预测方法，其特征在于，所述地区气候参数具体包括：历史最高气温、历史最低气温、夏季平均气温、冬季平均气温、历史高温天数、历史低温天数；
其中，所述历史高温天数具体为：历史气温记录中温度高于预置的第一温度阈值的天数；
所述历史低温天数具体为历史气温记录中温度低于预置的第二温度阈值的天数。
6.根据权利要求1所述的基于深度学习的地块负荷密度指标预测方法，其特征在于，所述地块位置参数具体包括：市中心地块或城郊地块。
7.根据权利要求2所述的基于深度学习的地块负荷密度指标预测方法，其特征在于，还包括：
对所述负荷密度指标进行反归一化处理；
根据反归一化处理后的所述负荷密度指标、所述地块占地面积、所述容积率、负荷需求系数和负荷同时系数的乘积，得到所述待预测地块的饱和负荷值。
8.一种基于深度学习的地块负荷密度指标预测装置，其特征在于，包括：
预测参数获取单元，用于获取待预测地块的预测参数，其中，所述预测参数包括：地块数据参数、地区建设水平参数、地区产业结构参数、地区气候参数、地块位置参数；
归一化处理单元，用于对所述负荷密度指标进行反归一化处理；
负荷密度指标预测单元，用于将归一化后的所述预测参数输入至预先训练好负荷密度指标预测模型，通过所述负荷密度指标预测模型进行运算，得到所述待预测地块的负荷密度指标，其中，所述负荷密度指标预测模型为通过将预置的样本地块的预测参数输入至初始神经网络模型进行训练，得到的深度学习模型。
9.一种终端，其特征在于，包括：存储器和处理器；
所述存储器，用于存储与权利要求1至7任意一项所述的基于深度学习的地块负荷密度指标预测方法相对应的程序代码；
所述处理器用于执行所述程序代码。
10.一种存储介质，其特征在于，所述存储介质中保存有与权利要求1至7任意一项所述的基于深度学习的地块负荷密度指标预测方法相对应的程序代码。
CN201911194942.7A 2019-11-28 2019-11-28 一种基于深度学习的地块负荷密度指标预测方法及装置 Pending CN111126565A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911194942.7A CN111126565A (zh) 2019-11-28 2019-11-28 一种基于深度学习的地块负荷密度指标预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911194942.7A CN111126565A (zh) 2019-11-28 2019-11-28 一种基于深度学习的地块负荷密度指标预测方法及装置

Publications (1)

Publication Number Publication Date
CN111126565A true CN111126565A (zh) 2020-05-08

Family

ID=70496976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911194942.7A Pending CN111126565A (zh) 2019-11-28 2019-11-28 一种基于深度学习的地块负荷密度指标预测方法及装置

Country Status (1)

Country Link
CN (1) CN111126565A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612237A (zh) * 2020-05-14 2020-09-01 国家电网有限公司 一种针对供电网格的负荷时空分布预测方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016469A (zh) * 2017-04-13 2017-08-04 重庆大学 电力负荷预测方法
CN108009673A (zh) * 2017-11-24 2018-05-08 国网北京市电力公司 基于深度学习的新型负荷预测方法和装置
CN108304978A (zh) * 2018-05-08 2018-07-20 国网江西省电力有限公司经济技术研究院 一种基于数据聚类理论的中期地区电力负荷预测方法
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法
CN108960488A (zh) * 2018-06-13 2018-12-07 国网山东省电力公司经济技术研究院 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法
CN109492950A (zh) * 2018-12-26 2019-03-19 广东电网有限责任公司 一种基于gis技术可满足大区域范围空间饱和负荷预测方法
CN109800929A (zh) * 2019-03-25 2019-05-24 国网河北省电力有限公司经济技术研究院 一种电网负荷预测方法、装置和计算设备
CN109978268A (zh) * 2019-03-29 2019-07-05 广东电网有限责任公司 一种短期负荷预测方法、系统及相关装置
CN110232483A (zh) * 2019-06-18 2019-09-13 国网河北省电力有限公司经济技术研究院 深度学习负荷预测方法、装置及终端设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107016469A (zh) * 2017-04-13 2017-08-04 重庆大学 电力负荷预测方法
CN108009673A (zh) * 2017-11-24 2018-05-08 国网北京市电力公司 基于深度学习的新型负荷预测方法和装置
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法
CN108304978A (zh) * 2018-05-08 2018-07-20 国网江西省电力有限公司经济技术研究院 一种基于数据聚类理论的中期地区电力负荷预测方法
CN108960488A (zh) * 2018-06-13 2018-12-07 国网山东省电力公司经济技术研究院 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法
CN109492950A (zh) * 2018-12-26 2019-03-19 广东电网有限责任公司 一种基于gis技术可满足大区域范围空间饱和负荷预测方法
CN109800929A (zh) * 2019-03-25 2019-05-24 国网河北省电力有限公司经济技术研究院 一种电网负荷预测方法、装置和计算设备
CN109978268A (zh) * 2019-03-29 2019-07-05 广东电网有限责任公司 一种短期负荷预测方法、系统及相关装置
CN110232483A (zh) * 2019-06-18 2019-09-13 国网河北省电力有限公司经济技术研究院 深度学习负荷预测方法、装置及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
梁荣 等: "利用多源信息和深度置信神经网络的配电系统空间负荷预测", vol. 39, no. 10, pages 12 - 19 *
郑伟民 等: "基于Softmax概率分类器的数据驱动空间负荷预测", vol. 43, no. 9, pages 117 - 124 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612237A (zh) * 2020-05-14 2020-09-01 国家电网有限公司 一种针对供电网格的负荷时空分布预测方法及系统
CN111612237B (zh) * 2020-05-14 2023-06-27 国家电网有限公司 一种针对供电网格的负荷时空分布预测方法及系统

Similar Documents

Publication Publication Date Title
WO2022135265A1 (zh) 气候变化影响下水库调度规则的失效预警分析方法
Wang et al. Multi-criteria building energy performance benchmarking through variable clustering based compromise TOPSIS with objective entropy weighting
CN105117810A (zh) 一种阶梯电价机制下居民用电中期负载预测方法
CN110781947B (zh) 用电负荷预测模型训练、用电负荷预测方法及装置
CN110222897A (zh) 一种配电网可靠性分析方法
CN112633316A (zh) 一种基于边界估值理论的负荷预测方法和装置
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN108364187A (zh) 一种基于停电敏感特性的停电敏感用户确定方法和系统
CN110046744A (zh) 基于趋势预测的能耗数据预警方法及相关设备
CN112288172A (zh) 台区线损率的预测方法、装置
CN111126565A (zh) 一种基于深度学习的地块负荷密度指标预测方法及装置
CN105574325B (zh) 一种结合人口指标的中长期用电量预测方法
CN117743965A (zh) 基于机器学习的数据中心能效优化方法及系统
CN113962477A (zh) 一种产业电量关联聚集预测方法、装置、设备及存储介质
CN112506982A (zh) 一种线路和配变的最大负载预测的方法
CN116628534A (zh) 基于电力大数据的园区用能动态画像划分方法
CN111144628A (zh) 一种分布式供能的冷热电负荷预测模型系统及方法
CN111080037A (zh) 一种基于深度神经网络的短期电力负荷预测方法及装置
CN115566740A (zh) 一种分布式可再生能源集群聚合调控潜力评估方法和装置
CN112327046B (zh) 基于模糊聚类和支持向量回归的非侵入式负荷监测方法
CN115619247A (zh) 一种配电网低电压的评价方法、装置、设备及介质
CN113946973A (zh) 一种基于灰色关联算法的供电可靠性相关指标分析方法
Liu et al. Machine learning approaches for estimating building energy consumption
CN113887785A (zh) 基于离散化采样和神经网络的台区理论线损预测方法
CN113256083A (zh) 一种输电线路选址选线模型的评价方法

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