CN111553529B - 负荷预测方法、装置、计算机可读存储介质及电子设备 - Google Patents
负荷预测方法、装置、计算机可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN111553529B CN111553529B CN202010342055.6A CN202010342055A CN111553529B CN 111553529 B CN111553529 B CN 111553529B CN 202010342055 A CN202010342055 A CN 202010342055A CN 111553529 B CN111553529 B CN 111553529B
- Authority
- CN
- China
- Prior art keywords
- prediction
- load data
- day
- point
- ratio
- 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
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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种负荷预测方法、装置、计算机可读存储介质及电子设备,方法包括:获取预测日内第一预测点对应在周期日的第一历史负荷数据及对应在所述周期日前预设时段内的第二历史负荷数据;根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量;根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据。通过本发明的技术方案,可提高以分钟、小时为时间尺度的中短期负荷预测的准确性。
Description
技术领域
本发明涉及能源技术领域,尤其涉及负荷预测方法、装置、计算机可读存储介质及电子设备。
背景技术
工业园区、产业集中区往往具有大规模的能源需求,因此,通常需要进行合理的区域能源调度,而准确预测工业用户在未来一段时间内的负荷需求对合理的区域能源调度至关重要,同时,准确的负荷预测还有助于优化区域综合能源站的设备运行策略和控制方案,提升运行效率,降低运维成本。
目前,主要通过以长短期记忆申请网络为代表的深度学习算法进行负荷预测。
但是,上述方法对以分钟、小时为时间尺度的中短期负荷预测的精度较低。
发明内容
本发明提供了一种负荷预测方法、装置、计算机可读存储介质及电子设备,可提高以分钟、小时为时间尺度的中短期负荷预测的准确性。
第一方面,本发明提供了一种负荷预测方法,包括:
获取预测日内第一预测点对应在周期日的第一历史负荷数据及对应在所述周期日前预设时段内的第二历史负荷数据;
根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量;
根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据。
可选地,还包括:
获取所述第一预测点对应的实时修正系数;
根据所述第一预测点对应的实时修正系数对所述第一负荷数据进行修正,确定所述第一预测点对应的第二负荷数据。
可选地,所述获取所述第一预测点对应的实时修正系数,包括:
获取所述预测日内第一预测点之前的第二预测点对应的实际负荷数据及预测负荷数据;
根据所述第二预测点对应的实际负荷数据及预测负荷数据,确定所述第一预测点对应的实时修正系数。
可选地,所述根据所述第二预测点对应的实际负荷数据及预测负荷数据,确定所述第一预测点对应的实时修正系数,包括:
计算所述第二预测点对应的负荷比值,所述负荷比值为所述第二预测点对应的实际负荷数据与预测负荷数据的比值;
根据所述第二预测点对应的负荷比值,确定所述第一预测点对应的实时修正系数。
可选地,所述根据所述第二预测点对应的负荷比值,确定所述第一预测点对应的实时修正系数,包括:
通过如下第一公式计算所述第一预测点的实时修正系数,所述第一公式包括:
B=1/(i+1)(K1+…+Ki)
其中,B表征第一预测点对应的实时修正系数;i表征第二预测点的数量;K1、…、Ki分别表征第1个、…、第i个第二预测点对应的负荷比值。
可选地,所述根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据,包括:
确定至少一个参量比值,所述参量比值为两个不同周期日分别对应的预测倍比参量的比值;
从所述第一预测点对应在周期日的第一历史负荷数据中,获取所述参量比值中比后项对应的第三历史负荷数据;
根据所述参量比值,对所述参量比值对应的第三历史负荷数据进行修正,确定所述第一预测点对应的候选负荷数据;
对各个所述候选负荷数据进行融合,预测所述第一预测点对应的第一负荷数据。
可选地,所述参量比值中比后项对应的周期日在比前项对应的周期日之前。
可选地,所述根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量,包括:
通过如下第二公式计算预测倍比参量,所述第二公式包括:
Am=βFm,1+β(1-β)Fm,2+β(1-β)2Fm,3+…+β(1一β)n-1Fm,n
其中,Am表征所述第一预测点对应在第m个周期日的预测倍比参量;β表征预设平滑系数;Fm,1、Fm,2、Fm,3、…、Fm,n分别表征第m个周期日前预设时段内的第1个、第2个、第3个、…、第n个第二历史负荷数据;n表征第二历史负荷数据的数量。
可选地,所述周期日包括所述预测日。
第二方面,本发明提供了一种负荷预测装置,包括:
数据获取模块,用于获取预测日内第一预测点对应在周期日的第一历史负荷数据及对应在所述周期日前预设时段内的第二历史负荷数据;
参量确定模块,用于根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量;
预测模块,用于根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据。
第三方面,本发明提供了一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
第四方面,本发明提供了一种电子设备,包括处理器以及存储有执行指令的存储器,当所述处理器执行所述存储器存储的所述执行指令时,所述处理器执行如第一方面中任一所述的方法。
本发明提供了一种负荷预测方法、装置、计算机可读存储介质及电子设备,该方法通过获取预测日内第一预测点对应在若干个周期日的第一历史负荷数据及对应在每个周期日前预设时段内的第二历史负荷数据,周期日考虑了负荷数据的周期性特征,第二历史负荷数据考虑了负荷数据的连续性特征,从而确保了用于负荷预测的历史负荷数据的参考价值,有助于后期的数据分析及数据挖掘,然后,针对每个周期日,根据预设平滑系数及周期日前预设时段内的第二历史负荷数据,确定第一预测点对应在该周期日的预测倍比参量,预测倍比参量综合考虑了负荷数据的连续性特征,能够较为准确的指示出负荷数据在周期日前的变化信息,换言之,得到负荷数据在周期日前的波动信息,之后,根据第一预测点对应在各个周期日的预测倍比参量及第一历史负荷数据,预测第一预测点对应的第一负荷数据,预测出的第一负荷数据综合考虑了负荷数据的周期性特征和连续性特征,能够较为准确的预测出预测日内预测点的负荷,提高以分钟、小时为时间尺度的中短期负荷预测的准确性。
上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,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发明中记载的一些实施例,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他的附图。
图1为本发明一实施例提供的一种负荷预测方法的流程示意图;
图2为本发明一实施例提供的另一种负荷预测方法的流程示意图
图3为本发明一实施例提供的一种负荷预测装置的结构示意图;
图4为本发明一实施例提供的另一种负荷预测装置的结构示意图;
图5为本发明一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所述,本发明实施例提供了一种负荷预测方法,包括如下各个步骤:
步骤101,获取预测日内第一预测点对应在周期日的第一历史负荷数据及对应在所述周期日前预设时段内的第二历史负荷数据。
具体地,第一预测点具体指的是预测日内的某一时刻。其中,预测日可以理解为需要进行负荷预测的日子。在时间上连续的预测点之间的时长即为预测时间粒度,可以是15分钟,也可以是1个小时,也可以是1天,具体需要结合实际应用场景确定,此处不做具体限定。需要说明的是,本发明实施例提供的方法尤其适用于分钟、小时、天的中短期负荷预测的应用场景,需要说明的是,对于天的中短期负荷预测的应用场景,可先进行小时或分钟的负荷预测,之后,对小时或分钟的预测结果进行叠加,从而得到天的预测结果,换言之,先得到预测时间粒度较小的负荷结果,基于对预测时间粒度较小的负荷结果的叠加,从而预测得到预测时间粒度较大的负荷结果,确保预测出的负荷的准确性。
具体地,周期日具体指的是能够表征预测日的日子,可以是预测日,也可以是预测日内负荷数据重复出现的历史日,也可以是预测日内负荷数据相似的相似日,本发明实施例对此不做具体限定,优选周期日包括预测日,从而能够了解到预测日前的负荷变化,确保用于负荷预测的历史负荷数据的准确性,这里,考虑到当周期日包括预测日时,预测日不存在第一历史负荷数据,因此,周期日至少还应当包括预测日之前的历史日或相似日,对应的,周期日的天数可以是2天或2天以上,具体需要结合实际应用场景确定,此处不做具体限定。在时间上相邻的任意两个周期日之间的时长可以相同,比如可以是2周,也可以不同,具体需要结合实际应用场景确定,此处不做具体限定。举例来说,假设预测日为星期二,在时间上相邻的任意两个周期日之间的时长均为两周,则周期日可以包括预测日、预测日2周前的周二所在日、预测日4周前的周二所在日。
具体地,第一历史负荷数据具体指的是第一预测点对应在预测日前的周期日内的历史负荷数据。考虑到周期日包括预测日,因此,第一历史负荷数据的数量为所有周期日的天数减1。需要说明的是,考虑到第一预测点是未来的时间点,因此,第一历史负荷数据并不包括预测日内的负荷数据。举例来说,假设预测点为9点,则第一历史负荷数据包括预测日前的各个周期日在9点对应的历史负荷数据。
具体地,第二历史负荷数据具体指的是第一预测点对应在周期日前预设时段内的历史负荷数据,第二历史负荷数据的数量和周期日前预设时段的时长有关。第二历史负荷数据对应的开始时刻和结束时刻之间的时长为预设时段的时长,预设时段可以是一周,具体需要结合实际的应用场景确定。需要说明的是,第二历史负荷数据对应的结束时刻应当是周期日前一天的某一时刻,从而能够更为准确的分析出周期日前的负荷数据的波动情况,进而确保负荷预测的准确性。可选的,预设时段通常小于在时间上相邻的两个周期日的时长,比如预设时长为一周,时间上相邻的两个周期日之间的时长为2周,具体需要结合实际情况确定,本发明实施例对此不做具体限定。举例来说,预设时段为一周,预测点为9点,预测日为2020年4月14,当周期日为预测日时,该周期日前预设时段内的第二负荷数据,包括2020年4月7日到2020年4月13日内9点的历史负荷数据,共7个历史负荷数据。
需要说明的是,当周期日及周期日前预设时段内存在预测点对应的历史负荷数据时,可直接获取传感器采集的预测点对应在周期日的第一历史负荷数据及对应在周期日前预设时段内的第二历史负荷数据,当然,第一历史负荷数据及第二历史负荷数据也可以是经过数据预处理后的数据,进一步确保数据的参考价值,同时有助于后续的数据分析及数据挖掘。当周期日及周期日前预设时段内不存在预测点对应的历史负荷数据时,可获取周期日及周期日前预设时段内的历史负荷数据,对历史负荷数据进行分解或累加,从而得到预测点对应在周期日的第一历史负荷数据及对应在周期日前预设时段内的第二历史负荷数据。具体需要结合实际情况确定,本发明实施例对比不做具体限定。
还需要说明的是,通过设置周期日和周期日前预设时段,以便综合考虑负荷数据的周期变化及数据波动情况,然后,获取能够反映预测日内负荷数据的周期变化和数据波动情况的历史负荷数据,即第一历史负荷数据及第二历史负荷数据,确保了用于负荷预测的数据的参考价值,从而便于后期的数据分析及数据处理。
步骤102,根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量。
具体地,预设平滑系数可通过对预测值和真实值之间的误差确定,选择预测值和真实值之间的误差最小值对应的平滑系数为预设平滑系数。在实际场景中,需要不断的调整预设平滑系数,从而确保基于预设平滑系数确定出的预测倍比参量的参考价值,后期采用预测倍比参量进行负荷预测时,能够确保负荷预测结果的准确性。
具体地,针对每个周期日,该周期日对应的预测倍比参量可通过预设平滑系数对周期日前预设时段内的第二历史数据进行平滑处理得到。其中,平滑处理可消除历史负荷数据中的随机波动,得到负荷变化的主要趋势,换言之,得到的预测倍比参量能够指示负荷在周期日前的波动情况,考虑到周期日能够表征预测日,因此,预测倍比参量实际上指示了预测日前可能的负荷波动情况。具体地,预测倍比参量的取值范围为[0.1,0.9]。
可选地,通过如下公式(1)计算预测倍比参量:
Am=βFm,1+β(1-β)Fm,2+β(1-β)2Fm,3+…+β(1-β)n-1Fm,n (1)
其中,Am表征所述第一预测点对应在第m个周期日的预测倍比参量;β表征预设平滑系数;Fm,1、Fm,2、Fm,3、…、Fm,n分别表征第m个周期日前预设时段内的第1个、第2个、第3个、…、第n个第二历史负荷数据;n表征第二历史负荷数据的数量。举例来说,假设预设时段为一周,则n为7。
需要说明的是,考虑到不同周期日前预设时段内的历史负荷数据不会存在较大的差异,可选的,每个周期日分别对应的预设平滑系数应当相同,当然也可以不同,具体需要结合实际情况确定,本发明实施例对此不做具体限定。
步骤103,根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据。
具体地,通过第一预测点对应在各个周期日的预测倍比参量对预测日前周期日内的第一历史负荷数据进行修正,实现对第一预测点的负荷预测,得到较为准确的第一负荷数据。
可选地,通过如下步骤预测所述第一预测点对应的第一负荷数据:
确定至少一个参量比值,所述参量比值为两个不同周期日分别对应的预测倍比参量的比值;
从所述第一预测点对应在周期日的第一历史负荷数据中,获取所述参量比值中比后项对应的第三历史负荷数据;
根据所述参量比值,对所述参量比值对应的第三历史负荷数据进行修正,确定所述第一预测点对应的候选负荷数据;
对各个所述候选负荷数据进行融合,预测所述第一预测点对应的第一负荷数据。
具体地,对各个周期日的预测倍比参量进行组合,可以是选择时间上连续的任意两个不同周期日分别对应的预测倍比参量进行组合,也可以是针对每个周期日对应的预测倍比参量,选择该周期日之外的任意一个周期日对应的预测倍比参量进行不重复组合,本发明实施例对此不做具体限定,具体需要结合实际应用场景确定。举例来说,假设p个周期日分别为d1、d2、…、dp,周期日d1、d2、…、dp分别对应的预测倍比参量为A1、A2、…、Ap,假设d1、d2、…、dp在时间上连续,则对各个周期日的预测倍比参量进行组合,可以得到组合包括:(d1,d2)、(d2,d3)、…、(dp-1,dp)共p-1个组合,也可以得到(d1,d2)、…、(d1,dp)、…、(d2,d3)、…、(d2,dp)…、(dp-1,dp)共p(p-1)/2个不重复的组合。
具体地,参量比值具体指的是两个不同周期日分别对应的预测倍比参量的比值。参量比值的数量基于对各个周期日的预测倍比参量进行组合的方式确定。可选的,参量比值中的比后项对应的周期日在比前项对应的周期日之前,使得参量比值能够反映出远离预测日的历史负荷数据对靠近预测日的历史负荷数据的影响程度,换言之,即预测日前的负荷波动情况对预测日内的负荷数据的影响程度,同时,针对每个参量比值对应的第三负荷预测数据,第三负荷预测数据具体指的是参量比值中比后项对应的周期日内预测点的历史负荷数据,后续即可通过参量比值对第三历史负荷数据进行修正,从而得到候选负荷数据,得到的候选负荷数据考虑到周期日前的历史负荷数据对预测日内的负荷数据的影响程度,具有相对较高的准确性,之后,通过融合各个候选负荷数据,从而融合了不同时段的历史负荷数据对预测日内负荷数据的影响程度,进而确保预测出的第一负荷数据的准确性。举例来说,两个不同的周期日分别为T1、T2,T1、T2分别对应的预测倍比参量为A1、A2,假设T1在T2之前,则参量比值为A2/A1,考虑到周期日能够表征预测日,因此,该参考比值能够反映出周期日T1之前的历史负荷数据对预测日内9点的负荷数据的影响程度,假设预测点为9点,则第三负荷预测数据为T1在9点的历史负荷数据,通过参量比值A2/A1对T1在9点的历史负荷数据进行修正,即可得到第一预测点对应的候选负荷数据。
具体地,针对每个参量比值,通过该参量比值对其对应的第三历史负荷数据进行修正,得到该参量比值对应的候选负荷数据;之后,通过对若干个候选负荷数据进行融合,从而得到第一预测点对应的第一负荷数据。需要说明的是,参量比值仅有一个时,直接将参量比值对应的候选负荷数据确定为第一负荷数据,当参量比值有多个时,可以将若干个候选负荷数据的平均值确定为第一负荷数据,也可以将对若干个候选负荷数据进行加权平均的结果确定为第一负荷数据,其中,候选负荷数据对应的参量比值中比前项的周期日越靠近预测日,候选负荷数据的权重越大。
可选地,为了进一步提高预测出的负荷数据的准确性,可对确定出第一负荷数据进行实时修正,实时修正的步骤如下:
获取所述第一预测点对应的实时修正系数;
根据所述第一预测点对应的实时修正系数对所述第一负荷数据进行修正,确定所述第一预测点对应的第二负荷数据。
具体地,实时修正系数能够指示预测日内的负荷数据的波动情况,通过实时修正系数对第一负荷数据进行修正,从而得到准确性相对较高的第二负荷数据,之后,利用第二负荷数据进行区域能源调度、优化区域综合能源站的设备运行策略和控制方法,从而提升运行效率,进而降低运维成本。
具体地,将实时修正系数乘以第一负荷数据的结果作为第二负荷数据,从而实现对第一负荷数据的修正。
可选地,所述获取所述第一预测点对应的实时修正系数,包括:
获取所述预测日内第一预测点之前的第二预测点对应的实际负荷数据及预测负荷数据;
根据所述第二预测点对应的实际负荷数据及预测负荷数据,确定所述第一预测点对应的实时修正系数。
具体地,通过获取预测日内第一预测点之前的若干个第二预测点分别对应的实际负荷数据及预测负荷数据,然后,基于若干个第二预测点分别对应的实际负荷数据及预测负荷数据,确定第一预测点的实时修正系数,实时修正系数因综合考虑了实际负荷数据及预测负荷数据,能够较为准确的反映出负荷数据的波动性,后期,基于实时修正系数对负荷数据进行修正,能够得到精度更高的负荷数据。
需要说明的是,第二预测点对应的预测负荷数据可基于得到第一负荷数据的方法得到,不做过多赘述。
还需要说明的是,第二预测点可以理解为已经预测过的预测点,第一预测点为当前待预测的预测点。第二预测点的数量与预测时间粒度及第一预测点有关,举例来说,预测粒度为1小时,第一预测点为9点,预测日开始时刻为0点,则第二预测点的数量为8个,分别为预测日内的0点、1点、…、8点。
可选的,所述根据所述第二预测点对应的实际负荷数据及预测负荷数据,确定所述第一预测点对应的实时修正系数,包括:
计算所述第二预测点对应的负荷比值,所述负荷比值为所述第二预测点对应的实际负荷数据与预测负荷数据的比值;
根据所述第二预测点分别对应的负荷比值,确定所述第一预测点对应的实时修正系数。
具体地,通过如下公式(2)计算得到实时修正系数:
B=1/(i+1)(K1+…+Ki) (2)
其中,B表征第一预测点对应的实时修正系数;i表征第二预测点的数量;K1、…、Ki分别表征第1个、…、第i个第二预测点对应的负荷比值。
本发明实施例能够适用于蒸汽负荷、电负荷、天然气负荷等能源负荷预测的场景中。
通过以上技术方案可知,本实施例存在的有益效果是:通过考虑负荷数据的周期性和连续性,使用周期日前的负荷分布情况与周期日的负荷分布情况,通过倍比法进行负荷预测,能够提高分钟、小时为时间尺度的中短期负荷预测的准确性,同时,利用预测日的实际负荷情况对负荷预测结果进行修正,确保负荷预测的准确性和稳定性。
图1所示仅为本发明所述方法的基础实施例,在其基础上进行一定的优化和拓展,还能够得到所述方法的其他优选实施例。
如图2所示,为本发明所述负荷预测方法的另一个具体实施例。本实施例在前述实施例的基础上,结合应用场景进行了更加具体的描述。所述方法具体包括以下步骤:
步骤201、获取第一预测点对应在周期日的第一历史负荷数据及对应在所述周期日前预设时段内的第二历史负荷数据。
假设周期日有p个,分别表示为d1、d2、…、dp,预设时段为一周,即公式(1)中的n为7,预测日为dp,第一预测点为t时刻,则第一预测点对应的p-1个第一历史负荷数据及每个周期日分别对应的7个第二历史负荷数据如下表1所示:
周期日 | 第一历史负荷数据 | 第二历史负荷数据 |
d<sub>1</sub> | d<sub>1,t</sub> | d<sub>1.1,t</sub>、d<sub>1.2,t</sub>、…、d<sub>1.7,t</sub> |
d<sub>2</sub> | d<sub>2,t</sub> | d<sub>2.1,t</sub>、d<sub>2.2,t</sub>、…、d<sub>2.7,t</sub> |
… | … | … |
d<sub>p-1</sub> | d<sub>p-1,t</sub> | d<sub>p-1.1,t</sub>、d<sub>p-2.2,t</sub>、…、d<sub>p-7.7,t</sub> |
d<sub>p</sub> | d<sub>p.1,t</sub>、d<sub>p.2,t</sub>、…、d<sub>p.7,t</sub> |
表1
其中,d1,t表示周期日d1在t时刻的历史负荷数据,第一历史负荷数据所在列中其他项表示的含义类似,这里不做过多赘述;dp,t表示预测日dp前一日在t时刻的历史负荷数据,dp.2,t表示周期日dp前两日在t时刻的历史负荷数据,第二历史负荷数据所在列中其他项表示的含义类似,这里不做过多赘述。
步骤202、根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量。
针对周期日dp,将周期日dp对应的dp.1,t、dp.2,t、…、dp.7,t分别作为Fm,7、Fm,6、…、Fm,1代入上述公式(1)中进行计算,得到t时刻对应在周期日dp的预测倍比参量Ap,基于得到预测倍比参量Ap相似的方法,得到周期日d1、d2、…、dp-1分别对应的预测倍比参量,每个周期日分别对应的预测倍比参量如下表2所示:
周期日 | 第一历史负荷数据 | 第二历史负荷数据 | 预测倍比参量 |
d<sub>1</sub> | d<sub>1,t</sub> | d<sub>1.1,t</sub>、d<sub>1.2,t</sub>、…、d<sub>1.7,t</sub> | A<sub>1</sub> |
d<sub>2</sub> | d<sub>2,t</sub> | d<sub>2.1,t</sub>、d<sub>2.2,t</sub>、…、d<sub>2.7,t</sub> | A<sub>2</sub> |
… | … | … | … |
d<sub>p-1</sub> | d<sub>p-1,t</sub> | d<sub>p-1.1,t</sub>、d<sub>p-2.2,t</sub>、…、d<sub>p-7.7,t</sub> | A<sub>p-1</sub> |
d<sub>p</sub> | d<sub>p.1,t</sub>、d<sub>p.2,t</sub>、…、d<sub>p.7,t</sub> | A<sub>p</sub> |
表2
其中,A1表征周期日d1对应的预测倍比参量,预测倍比参量所在列中其他项表示的含义类似,这里不做过多赘述。
需要说明的是,预测倍比参量指示了周期日前的负荷波动情况。
步骤203、确定至少一个参量比值,所述参量比值为两个不同周期日分别对应的预测倍比参量的比值。
这里,选择时间上连续的任意两个不同周期日分别对应的预测倍比参量进行组合。假设周期日d1、d2、…、dp-1在时间上依次靠近预测日dp,则得到的p-1参量比值及计算方式如下表3所示:
参量比值 | 计算方式 |
k<sub>1,t</sub> | A<sub>2</sub>/A<sub>1</sub> |
k<sub>2,t</sub> | A<sub>3</sub>/A<sub>2</sub> |
… | … |
k<sub>p-1,t</sub> | A<sub>p</sub>/A<sub>p-1</sub> |
表3
其中,k1,t表征t时刻对应的第一个参量比值,等于A2/A1,参量比值所在列中的其他项表示的含义类似,这里不过过多赘述。
需要说明的是,不同第一预测点的预设平滑系数可能不同。
步骤204、从所述第一预测点对应在周期日的第一历史负荷数据中,获取所述参量比值中比后项对应的第三历史负荷数据。
获取每个参量比值中比后项分别对应的第三历史负荷数据,参量比值k1,t、k2,t、…、kp-1,t中比后项分别对应的第三历史负荷数据为第一历史负荷数据d1,t、d2,t、…、dp-1,t,第三历史负荷数据如下表4所示:
表4
步骤205、根据所述参量比值,对所述参量比值对应的第三历史负荷数据进行修正,确定所述第一预测点对应的候选负荷数据。
通过如下公式(3)计算每个参量比值分别对应的候选负荷数据:
其中,Fi,t表征第i个周期日在t时刻的候选负荷数据;ki,t表征第i个周期日对应在t时刻的参量比值;di,t表征第i个周期日在t时刻的第三历史负荷数据。
每个周期日分别对应的候选负荷数据如下表5所示:
表5
需要说明的是,候选负荷数据指示了基于周期日前负荷数据对周期日内的负荷数据进行修正,考虑到周期日能够表征预测日,从而实现了对预测日内第一预测点的负荷预测。
步骤206、对各个所述参量比值对应的候选负荷数据进行融合,预测所述第一预测点对应的第一负荷数据。
通过融合多个候选负荷数据,从而融合了周期日前负荷数据对周期日内的负荷数据修正后的结果,考虑到周期日能够表征预测日,从而确保了预测出的预测日内第一预测点的第一负荷数据的准确性。具体地,将计算得到候选负荷数据为F1,t、F2,t、…、Fp-1,t的平均值Ft作为第一负荷数据。
步骤207、获取所述预测日内第一预测点之前的第二预测点对应的实际负荷数据及预测负荷数据。
第二预测点包括预测日dp中t时刻之前的所有已经预测过的时刻,假设将一天划分成24个小时,则各个第二预测点可分别表示为0、1、2、…、t-1。
步骤208、计算所述第二预测点对应的负荷比值,所述负荷比值为所述第二预测点对应的实际负荷数据与预测负荷数据的比值;根据所述第二预测点对应的负荷比值,确定所述第一预测点对应的实时修正系数。
每个第二预测点的负荷比值的确定过程相似,为方便描述,这里仅以第二预测点为t-1为例进行说明,按照步骤201到步骤206的方法计算预测日内的第二预测点t-1的预测负荷数据Ft-1,获取预测日dp在t-1时刻的实际负荷数据d″p,t-1,则负荷比值Kt-1为d″p,t-1/Ft-1。按照上述相似的方法,得到第二预测点0、1、2、…、t-2分别对应的负荷比值,每个第二预测点分别对应的负荷比值如下表6所示:
第二预测点 | 实际负荷数据 | 预测负荷数据 | 负荷比值 |
0 | d″<sub>p,0</sub> | F<sub>0</sub> | K<sub>0</sub> |
1 | d<sub>p,1</sub> | F<sub>1</sub> | K<sub>1</sub> |
… | … | … | … |
t-1 | d″<sub>p,t-1</sub> | F<sub>t-1</sub> | K<sub>t-1</sub> |
表6
其中,K0表征预测日在0时刻对应的负荷比值,等于d″0,t-1/F0,负荷比值所在列中其他项的含义类似,这里不做过多赘述。
将K0、K1、…、Kt-1代入上述公式(2)中得到t时刻的实时修正系数B,得到实时修正系数考虑了预测日内已经产生的实际负荷数据及预测负荷数据,从而确保了实时修正系数的参考价值。
步骤209、根据所述第一预测点对应的实时修正系数对所述第一负荷数据进行修正,确定所述第一预测点对应的第二负荷数据。
第二负荷数据为第一负荷数据和实时修正系数的乘积,即BFt。
通过以上技术方案可知,本实施例存在的有益效果是:通过考虑负荷数据的周期性和连续性,使用周期日前的负荷分布情况与周期日的负荷分布情况,通过倍比法进行负荷预测,能够提高分钟、小时为时间尺度的中短期负荷预测的准确性,利用预测日的实际负荷情况对负荷预测结果进行修正,确保负荷预测的准确性和稳定性。
基于与本发明方法实施例相同的构思,请参考图3,本发明实施例还提供了一种负荷预测装置,包括:
数据获取模块301,用于获取预测日内第一预测点对应在周期日的第一历史负荷数据及对应在所述周期日前预设时段内的第二历史负荷数据;
参量确定模块302,用于根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量;
预测模块303,用于根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据。
请参考图4,本发明一个实施例中,还包括:系数获取模块304及修正模块305;其中,
所述系数获取模块304,用于获取所述第一预测点对应的实时修正系数;
所述修正模块305,用于根据所述第一预测点对应的实时修正系数对所述第一负荷数据进行修正,确定所述第一预测点对应的第二负荷数据。
本发明一个实施例中,所述系数获取模块304,包括:第一数据获取单元及系数获取单元;其中,
所述第一数据获取单元,用于获取所述预测日内第一预测点之前的第二预测点对应的实际负荷数据及预测负荷数据;
所述系数获取单元,用于根据所述第二预测点对应的实际负荷数据及预测负荷数据,确定所述第一预测点对应的实时修正系数。
本发明一个实施例中,所述系数获取单元,包括:计算子单元及系数获取子单元;其中,
所述计算子单元,用于计算所述第二预测点对应的负荷比值,所述负荷比值为所述第二预测点对应的实际负荷数据与预测负荷数据的比值;
所述系数获取子单元,用于根据所述第二预测点对应的负荷比值,确定所述第一预测点对应的实时修正系数。
本发明一个实施例中,所述系数获取子单元,用于通过如下第一公式计算所述第一预测点的实时修正系数,所述第一公式包括:
B=1/(i+1)(K1+…+Ki)
其中,B表征第一预测点对应的实时修正系数;i表征第二预测点的数量;K1、…、Ki分别表征第1个、…、第i个第二预测点对应的负荷比值。
本发明一个实施例中,所述预测模块303,包括:比值确定单元、第二数据获取单元、修正单元及融合单元;其中,
所述比值确定单元,用于确定至少一个参量比值,所述参量比值为两个不同周期日分别对应的预测倍比参量的比值;
所述第二数据获取单元,用于从所述第一预测点对应在周期日的第一历史负荷数据中,获取所述参量比值中比后项对应的第三历史负荷数据;
所述修正单元,用于根据所述参量比值,对所述参量比值对应的第三历史负荷数据进行修正,确定所述第一预测点对应的候选负荷数据;
所述融合单元,用于对各个所述候选负荷数据进行融合,预测所述第一预测点对应的第一负荷数据。
本发明一个实施例中,所述参量确定模块302,用于通过如下第二公式计算预测倍比参量,所述第二公式包括:
Am=βFm,1+β(1-β)Fm,2+β(1-β)2Fm,3+…+β(1-β)n-1Fm,n
其中,Am表征所述第一预测点对应在第m个周期日的预测倍比参量;β表征预设平滑系数;其中,Am表征所述第一预测点对应在第m个周期日的预测倍比参量;β表征预设平滑系数;Fm,1、Fm,2、Fm,3、…、Fm,n分别表征第m个周期日前预设时段内的第1个、第2个、第3个、…、第n个第二历史负荷数据;n表征第二历史负荷数据的数量。
本发明一个实施例中,所述周期日包括所述预测日。
图5是本发明实施例提供的一种电子设备的结构示意图。在硬件层面,该电子设备包括处理器501以及存储有执行指令的存储器502,可选地还包括内部总线503及网络接口504。其中,存储器502可能包含内存5021,例如高速随机存取存储器(Random-AccessMemory,RAM),也可能还包括非易失性存储器5022(non-volatile memory),例如至少1个磁盘存储器等;处理器501、网络接口504和存储器502可以通过内部总线503相互连接,该内部总线503可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等;内部总线503可以分为地址总线、数据总线、控制总线等,为便于表示,图5中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。当然,该电子设备还可能包括其他业务所需要的硬件。当处理器501执行存储器502存储的执行指令时,处理器501执行本发明任意一个实施例中的方法,并至少用于执行如图1或图2所示的方法。
在一种可能实现的方式中,处理器从非易失性存储器中读取对应的执行指令到内存中然后运行,也可从其它设备上获取相应的执行指令,以在逻辑层面上形成一种负荷预测装置。处理器执行存储器所存放的执行指令,以通过执行的执行指令实现本发明任一实施例中提供的一种负荷预测方法。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable 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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本发明实施例还提供了一种计算机可读存储介质,包括执行指令,当电子设备的处理器执行执行指令时,所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图5所示的电子设备;执行指令是一种负荷预测装置所对应计算机程序。
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,或软件和硬件相结合的形式。
本发明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。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者锅炉不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者锅炉所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者锅炉中还存在另外的相同要素。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (4)
1.一种负荷预测方法,其特征在于,包括:
获取预测日内第一预测点对应在预测日前的周期日的第一历史负荷数据及对应在所述周期日前预设时段内的第二历史负荷数据,其中,所述预设时段小于在时间上相邻的两个周期日的时长,所述周期日包括所述预测日,所述周期日至少还包括预测日之前的历史日或相似日,所述历史日是指预测日内负荷数据重复出现的历史日,所述相似日是指预测日内负荷数据相似的相似日;
根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量;
根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据;
所述根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据,包括:
确定至少一个参量比值,所述参量比值为两个不同周期日分别对应的预测倍比参量的比值;
从所述第一预测点对应在周期日的第一历史负荷数据中,获取所述参量比值中比后项对应的第三历史负荷数据;
根据所述参量比值,对所述参量比值对应的第三历史负荷数据进行修正,确定所述第一预测点对应的候选负荷数据;
对各个所述候选负荷数据进行融合,预测所述第一预测点对应的第一负荷数据;
还包括:
获取所述第一预测点对应的实时修正系数;
根据所述第一预测点对应的实时修正系数对所述第一负荷数据进行修正,确定所述第一预测点对应的第二负荷数据;
所述获取所述第一预测点对应的实时修正系数,包括:
获取所述预测日内第一预测点之前的第二预测点对应的实际负荷数据及预测负荷数据;
根据所述第二预测点对应的实际负荷数据及预测负荷数据,确定所述第一预测点对应的实时修正系数;
所述根据所述第二预测点对应的实际负荷数据及预测负荷数据,确定所述第一预测点对应的实时修正系数,包括:
计算所述第二预测点对应的负荷比值,所述负荷比值为所述第二预测点对应的实际负荷数据与预测负荷数据的比值;
根据所述第二预测点对应的负荷比值,确定所述第一预测点对应的实时修正系数;
所述根据所述第二预测点对应的负荷比值,确定所述第一预测点对应的实时修正系数,包括:
通过第一公式计算所述第一预测点的实时修正系数,所述第一公式包括:
B=1/(i+1)(K1+…+Ki)
其中,B表征第一预测点对应的实时修正系数;i表征第二预测点的数量;K1、…、Ki分别表征第1个、…、第i个第二预测点对应的负荷比值。
2.根据权利要求1所述的方法,其特征在于,所述参量比值中比后项对应的周期日在比前项对应的周期日之前。
3.根据权利要求1或2所述的方法,其特征在于,所述根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量,包括:
通过如下第二公式计算预测倍比参量,所述第二公式包括:
Am=βFm,1+β(1-β)Fm,2+β(1-β)2Fm,3+…+β(1-β)n-1Fm,n
其中,Am表征所述第一预测点对应在第m个周期日的预测倍比参量;β表征预设平滑系数;Fm,1、Fm,2、Fm,3、…、Fm,n分别表征第m个周期日前预设时段内的第1个、第2个、第3个、…、第n个第二历史负荷数据;n表征第二历史负荷数据的数量。
4.一种负荷预测装置,其特征在于,包括:
数据获取模块,用于获取预测日内第一预测点对应在预测日前的周期日的第一历史负荷数据及对应在所述周期日前预设时段内的第二历史负荷数据,其中所述预设时段小于在时间上相邻的两个周期日的时长,,所述周期日包括所述预测日,所述周期日至少还包括预测日之前的历史日或相似日,所述历史日是指预测日内负荷数据重复出现的历史日,所述相似日是指预测日内负荷数据相似的相似日;
参量确定模块,用于根据预设平滑系数及所述周期日前预设时段内的第二历史负荷数据,确定所述第一预测点对应在所述周期日的预测倍比参量;
预测模块,用于根据所述第一预测点对应在所述周期日的预测倍比参量及第一历史负荷数据,预测所述第一预测点对应的第一负荷数据,包括:确定至少一个参量比值,所述参量比值为两个不同周期日分别对应的预测倍比参量的比值;从所述第一预测点对应在周期日的第一历史负荷数据中,获取所述参量比值中比后项对应的第三历史负荷数据;根据所述参量比值,对所述参量比值对应的第三历史负荷数据进行修正,确定所述第一预测点对应的候选负荷数据;对各个所述候选负荷数据进行融合,预测所述第一预测点对应的第一负荷数据;
还包括:系数获取模块及修正模块;
所述系数获取模块用于:获取所述第一预测点对应的实时修正系数;
所述修正模块用于:根据所述第一预测点对应的实时修正系数对所述第一负荷数据进行修正,确定所述第一预测点对应的第二负荷数据;
所述系数获取模块包括:第一数据获取单元及系数获取单元;
所述第一数据获取单元用于:获取所述预测日内第一预测点之前的第二预测点对应的实际负荷数据及预测负荷数据;
所述系数获取单元用于:根据所述第二预测点对应的实际负荷数据及预测负荷数据,确定所述第一预测点对应的实时修正系数;
所述系数获取单元包括:计算子单元及系数获取子单元;
所述计算子单元用于:计算所述第二预测点对应的负荷比值,所述负荷比值为所述第二预测点对应的实际负荷数据与预测负荷数据的比值;
所述系数获取子单元用于:根据所述第二预测点对应的负荷比值,确定所述第一预测点对应的实时修正系数;具体包括:通过第一公式计算所述第一预测点的实时修正系数,所述第一公式包括:
B=1/(i+1)(K1+…+Ki)
其中,B表征第一预测点对应的实时修正系数;i表征第二预测点的数量;K1、…、Ki分别表征第1个、…、第i个第二预测点对应的负荷比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342055.6A CN111553529B (zh) | 2020-04-27 | 2020-04-27 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010342055.6A CN111553529B (zh) | 2020-04-27 | 2020-04-27 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111553529A CN111553529A (zh) | 2020-08-18 |
CN111553529B true CN111553529B (zh) | 2023-02-17 |
Family
ID=72004024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010342055.6A Active CN111553529B (zh) | 2020-04-27 | 2020-04-27 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111553529B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508257A (zh) * | 2020-12-02 | 2021-03-16 | 新奥数能科技有限公司 | 负荷预测结果生成方法、装置、电子设备和介质 |
CN112700043B (zh) * | 2020-12-31 | 2024-03-08 | 新奥数能科技有限公司 | 负荷预测方法、装置、计算机可读存储介质及电子设备 |
CN113326985B (zh) * | 2021-05-31 | 2023-01-20 | 广东电网有限责任公司 | 一种短期负荷预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425158A (zh) * | 2008-12-04 | 2009-05-06 | 清华大学 | 基于新息的短期负荷预测方法 |
WO2014002645A1 (ja) * | 2012-06-29 | 2014-01-03 | アズビル株式会社 | 負荷量予測装置および負荷量予測方法 |
CN107580025A (zh) * | 2017-08-07 | 2018-01-12 | 国电南瑞科技股份有限公司 | 一种电网多调度中心日内发电计划安全校核数据共享方法 |
CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
-
2020
- 2020-04-27 CN CN202010342055.6A patent/CN111553529B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425158A (zh) * | 2008-12-04 | 2009-05-06 | 清华大学 | 基于新息的短期负荷预测方法 |
WO2014002645A1 (ja) * | 2012-06-29 | 2014-01-03 | アズビル株式会社 | 負荷量予測装置および負荷量予測方法 |
CN107580025A (zh) * | 2017-08-07 | 2018-01-12 | 国电南瑞科技股份有限公司 | 一种电网多调度中心日内发电计划安全校核数据共享方法 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111553529A (zh) | 2020-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553529B (zh) | 负荷预测方法、装置、计算机可读存储介质及电子设备 | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN108829718B (zh) | 一种数据处理的方法和装置 | |
JP6094369B2 (ja) | 電力需要予測装置、電力需要予測方法および電力需要予測プログラム | |
CN105809264B (zh) | 电力负载预测方法和装置 | |
CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN115994613A (zh) | 一种基于电碳模型的碳排放监测方法,终端机及存储介质 | |
CN116187549A (zh) | 能耗预测方法、计算设备及计算机存储介质 | |
CN116757378A (zh) | 需求响应评估模型训练方法、应用评估方法及相关设备 | |
CN105389637A (zh) | 用于月度用电预测模型的有效工作日构建方法 | |
KR102385383B1 (ko) | 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법 | |
CN103530190A (zh) | 一种负载预测方法及装置 | |
CN111563829A (zh) | 电力价格预测方法、电力价格预测模型训练方法及装置 | |
CN111553737B (zh) | 一种营业时间预测方法和装置 | |
CN111666535B (zh) | 确定用户活跃时长的方法、装置、电子设备及存储介质 | |
CN111210156B (zh) | 基于流窗口实现的实时流数据处理方法及装置 | |
CN114399345A (zh) | 金融输电权价格预测方法和装置 | |
Muschinski et al. | Predicting power ramps from joint distributions of future wind speeds | |
CN113159424A (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
CN114492923A (zh) | 一种长时间尺度功率预测方法 | |
CN114489846A (zh) | 云平台的资源预估方法、装置、电子设备和存储介质 | |
CN113298132A (zh) | 一种基于步速修正的酒店间夜量预测方法及装置 | |
CN113205257A (zh) | 房产指数数据分析方法、装置、设备及存储介质 | |
CN111164633B (zh) | 一种评分卡模型的调整方法、装置、服务器及存储介质 | |
CN109409596B (zh) | 预测风速的处理方法、装置、设备和计算机可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |