CN112330078A - 用电量预测方法、装置、计算机设备和存储介质 - Google Patents
用电量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112330078A CN112330078A CN202110006686.5A CN202110006686A CN112330078A CN 112330078 A CN112330078 A CN 112330078A CN 202110006686 A CN202110006686 A CN 202110006686A CN 112330078 A CN112330078 A CN 112330078A
- Authority
- CN
- China
- Prior art keywords
- data
- power consumption
- feature
- vector
- prediction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 126
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 108
- 230000005611 electricity Effects 0.000 claims description 57
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 12
- 230000000737 periodic effect Effects 0.000 abstract description 11
- 238000009826 distribution Methods 0.000 description 29
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000005612 types of electricity 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种用电量预测方法、装置、计算机设备和存储介质。方法包括：获取用电量数据序列；对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量；将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。通过上述用电量预测方方法，在建模周期性信号的同时捕捉到数据的瞬时波动性变化，从而提高电量预测结果的准确性。
Description
技术领域
本申请涉及电力技术领域，特别是涉及一种用电量预测方法、装置、计算机设备和存储介质。
背景技术
电能的稳定供给是保障社会经济的发展和人民正常生活的关键，同时精确的用电量预测可以为电能的生产和调度提供可靠的指导。对于终端收集的用电量数据，其总体上表现为包含一定波动的周期性数据，不同来源的数据具有周期性的同时其统计特性又有所不同，如：城镇居民用电周期性不明显，而商业、制造业、文教娱乐类用电的波动性较小、周期性相对明显。而用电量预测需要考虑这些不同来源的用电量数据所具有的不同统计特性，在捕捉周期性的同时也体现出其波动性，这对电量的预测任务带来了挑战。
目前针对用电量预测的任务中常用的模型难以在建模用电数据周期性的同时捕捉数据的瞬时波动性，常用的方法以隐式的形式尝试同时建模用电数据的周期性和波动性，但是这种方法即存在容易过拟合数据的问题也难以捕捉到用电量数据的瞬时波动性，导致用电预测准确性不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高用电量预测准确性的用电量预测方法、装置、计算机设备和存储介质。
一种用电量预测方法，方法包括：
获取用电量数据序列；
对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；
提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量；
将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
在其中一个实施例中，获取用电量数据序列之后，还包括：
对用电量数据序列进行归一化处理，得到归一化数据；
对归一化数据进行聚类分析，丢弃离群的异常点，得到过滤数据；
对过滤数据进行平滑插值处理，得到处理后的用电量数据序列；
对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据包括：
对处理后的用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据。
在其中一个实施例中，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据包括：
以Coiflets（一种离散小波）母小波为小波函数，对用电量数据序列进行三级小波分解，得到三级小波分解结果。
在其中一个实施例中，提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量包括：
根据分解数据所在的尺度，基于与尺度对应的实值RBM（玻尔兹曼机）模型，提取分解数据对应的特征数据；
对特征数据进行拼接，得到用电量数据序列的特征向量。
在其中一个实施例中，将特征向量与对应的附加预测特征进行向量拼接包括：
根据用电量数据序列中各用电数据对应的日期，获取日期对应天气信息、季节信息以及节假日信息；
对天气信息、季节信息以及节假日信息进行编码，得到与用电数据序列对应的附加预测特征；
将特征向量与对应的附加预测特征进行向量拼接，得到拼接向量。
在其中一个实施例中，基于拼接得到的向量进行电量预测，得到用电量预测结果包括：
基于不同尺度的LSTM（Long Short-Term Memory，长短期记忆网络）模型分别提取拼接向量的时序特征，其中，不同尺度的LSTM模型之间引入有注意力机制；
将不同尺度的LSTM得到的时序特征传递到全连接层，得到用电量预测结果。
在其中一个实施例中，不同尺度的LSTM模型包括尺度分别为1、2、4的三个LSTM模型。
一种用电量预测装置，装置包括：
数据获取模块，用于获取用电量数据序列；
小波分解模块，用于对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；
特征提取模块，用于提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量；
电量预测模块，用于将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
获取用电量数据序列；
对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；
提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量；
将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
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：
获取用电量数据序列；
对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；
提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量；
将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
上述用电量预测方法、装置、计算机设备和存储介质，通过获取用电量数据序列，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据，以体现用电量数据序列的波动性和周期性，通过提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量，缓解特征数据出现过拟合问题，将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果，利用小波分析的思想融合附加预测特征，达到在建模周期性信号的同时捕捉到数据的瞬时波动性变化的效果，从而提高电量预测结果的准确性。
附图说明
图1为一个实施例中用电量预测方法的应用环境图；
图2为一个实施例中用电量预测方法的流程示意图；
图3为另一个实施例中用电量预测方法的流程示意图；
图4为再一个实施例中用电量预测方法的流程示意图；
图5为又一个实施例中用电量预测方法的流程示意图；
图6为还一个实施例中用电量预测方法的流程示意图；
图7为又一个实施例中用电量预测方法的流程示意图；
图8为一个实施例中用电量预测方法的模型框架示意图；
图9为一个实施例中用电量预测装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
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。
本申请提供的用电量预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。服务器104获取由终端上传的用电量数据构成的用电量数据序列，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据，提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量，将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果，将用电量预测结果推送至终端102，其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种用电量预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤202至步骤208。
步骤202，获取用电量数据序列。
用电量数据序列是指按照时间顺序排列的用电量数据。其中，用电量数据可以是每个单位时间内的用电量，例如单日的用电量。再例如，每个小时的用电量。具体来说，用电量数据可以是某个地区的总用电量，也可以是某个地区中某个行业的总用电量，例如城镇居民用电、再例如商业用电、工业用电等。
用电量数据可以通过终端收集得到。终端收集的用电量数据其总体上表现为包含一定波动的周期性数据，不同来源的数据具有周期性的同时其统计特性又有所不同，如：城镇居民用电周期性不明显，而商业、制造业、文教娱乐类用电的波动性较小、周期性相对明显。从长期来看用电量数据是波动变化的，这种波动变化在一定程度上会呈现出周期性的，同时具有瞬时的波动性，并且不同行业的用电量呈现出不同的分布特性。
步骤204，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据。
多尺度小波分解是指通过多尺度对数据序列进行小波分析的过程。通过多尺度小波分析，将数据序列分解成低频和高频的数据，然后在将分解后的数据再次进行分解，依次类推，直到达到设定的尺度，由此分离数据序列中的高频变化部分，得到具有不同频率特性的分解数据。分解数据是指通过多尺度小波分解得到的结果，不同尺度下的小波分解具有不同的频率特性。
在一个实施例中，使用的尺度可以设置为3，对应的，得到的分解数据为三级小波分解结果。可以理解，在其他实施例中，使用的尺度也可以根据应用需要设置为其他数值。
步骤206，提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量。
特征数据是指用于表征分解数据的特性的数据。在实施例中，可以通过实值RBM模型提取分解数据对应的特征数据。
在实施例中，具有不同频率特性的特征数据通过不同的RBM模型进行处理得到。RBM模型不仅能够有效的预测到数据的周期性，还能捕捉数据的波动性。
在实施例中，基于具有不同频率特性的特征数据，分别建立实值RBM模型，将不同频率特性的数据分量映射到不同参数的高斯分布中，再由高斯分布采样得到相应的特征样本，通过控制高斯分布的协方差参数，每一次样本的生成既服从统一的概率分布，又有一定程度的微小变化，在提取特征的同时引入概率分布形式从而缓解过拟合数据的问题。
通过RBM模型提取到特征后，将提取的特征拼接为一个特征作为该用电量数据序列的特征向量。
步骤208，将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
对于得到的拼接特征，不同部分服从不同参数的高斯分布，为了有效的预测用电量数据，还需要考虑额外的信息。例如天气状况、季节、节假日信息等。附加预测特征是指根据天气状况、季节、节假日信息等会对用电数据造成影响的数据进行编码后得到的向量数据。
通过将特征向量与对应的附加预测特征进行向量拼接，能够得到包含全面的信息的向量，有助于得到准确的电量预测结果。
上述用电量预测方法，通过获取用电量数据序列，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据，以体现用电量数据序列的波动性和周期性，通过提取分解数据对应的特征数据来建模其周期性和波动性，然后对特征数据进行拼接，得到用电量数据序列的特征向量，缓解特征数据出现过拟合问题，将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果，利用小波分析的思想和改进的RBM模型方法、融合附加预测特征，达到在建模周期性信号的同时捕捉到数据的瞬时波动性变化的效果，从而提高电量预测结果的准确性。
在一个实施例中，如图3所示，获取用电量数据序列之后，还包括步骤302至步骤306。
步骤302，对用电量数据序列进行归一化处理，得到归一化数据。
步骤304，对归一化数据进行聚类分析，丢弃离群的异常点，得到过滤数据。
步骤306，对过滤数据进行平滑插值处理，得到处理后的用电量数据序列。
对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据包括步骤308。
步骤308，对处理后的用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据。
其中，归一化处理是指将用电量数据序列中的各个数据统一为取值区间为[0, 1]的数据的处理过程。聚类分析是指将具有相似特定的数据归类到一个类簇的规程。离群的异常点是指未被归类至任何一个类簇的数据。在实施例中，可以通过K-means聚类方法对归一化处理后的归一化数据进行处理，筛选出离群点作为数据的异常点，通过丢弃异常点得到过滤数据。
平滑插值是指对过滤数据进行平滑处理的一种数据处理方式，通过对过滤数据进行平滑插值，能够有效剔除过滤数据中的噪声数据，以提高数据的有效性。
在一个实施例中，对用电量数据序列中的用电量数据进行归一化，将用电量数据的取值范围统一至区间[0, 1]，以便后续模型的处理，然后使用K-means聚类组合密度聚类分析的方法对数据进行处理，筛选出离群点作为数据的异常点，并去除异常点，将余下数据进行平滑插值后作为有效的归一化用电量数据，然后通过多尺度小波分解对归一化用电量数据进行处理，得到具有不同频率特性的分解数据。
上述实施例中，通过在多尺度小波分解处理之前，对用电量数据序列中用电量数据进行过滤筛选，能够提高数据的有效性，从而能够减小噪声干扰得到更为精确的预测结果。
在一个实施例中，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据包括：以Coiflets母小波为小波函数，对用电量数据序列进行三级小波分解，得到三级小波分解结果。
小波函数是进行小波分解的依据，Coiflets母小波是一种离散小波，Coiflet小波的调整函式及小波函式能同时拥有高消失动量，且其波形接近对称。三级小波分解是指小波分解的尺度为3，通过三级小波分解，能够分离出具有不同频率特性的高频细节。具体来说，可以先基于以Coiflets母小波，将用电量数据序列分解成高频部分和低频数据，实现第一级小波分解，然后将一级小波分解的结果分解成高频部分和低频部分，实现第二级小波分解，以及类推，直至完成第三级小波分解，得到三级小波分解结果。通过对用电量数据序列进行多尺度的小波分解，使用尺度为3，小波函数使用Coiflets母小波，由此分离用电量数据序列的时序信号中的高频变化部分，以便使用模型提取不同分布特性的信号分量的分布特征。
在一个实施例中，如图4所示，提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量包括步骤402至步骤404。
步骤402，根据分解数据所在的尺度，基于与尺度对应的实值RBM模型，提取分解数据对应的特征数据。
步骤404，对特征数据进行拼接，得到用电量数据序列的特征向量。
实值RBM模型是具有特殊结构的玻尔兹曼机，实值RBM模型的单元取值为实值。
在实施例中，实值RBM模型，模型的能量函数表达如下：
其中，x表示输入数据，h表示希望得到的特征表达，α是可见层单元之间的对角权值矩阵，β是隐藏层单元之间的对角权值矩阵，s是引入的平衡变量
是平衡变量s的偏置，W是可见层到隐藏层的权值，*表示元素积。由此可以得到如下激活概率：
在实施例中，为了缓解由于直接使用神经网络带来的过拟合问题，对三级小波分解结果分别建立实值RBM模型，将不同频率特性的数据分量映射到不同参数的高斯分布中，再由高斯分布采样得到相应的特征样本，通过控制高斯分布的协方差参数，每一次样本的生成即服从统一的概率分布又有一定程度的微小变化，在提取特征的同时引入概率分布形式从而缓解过拟合数据的问题。
在一个实施例中，如图5所示，将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果包括步骤502至步骤508。
步骤502，根据用电量数据序列中各用电数据对应的日期，获取日期对应天气信息、季节信息以及节假日信息。
步骤504，对天气信息、季节信息以及节假日信息进行编码，得到与用电数据序列对应的附加预测特征。
步骤506，将特征向量与对应的附加预测特征进行向量拼接，得到拼接向量。
步骤508，基于拼接向量进行电量预测，得到用电量预测结果。
天气信息、季节信息以及节假日信息是影响用电量数据发生波动的波动因素，例如温度极低以及温度极高的天气，使用供暖设备、供冷设备这类大功率电器的数量会增加，从而导致用电量增加。再例如冬季和夏季的用电量会大于春季和秋季的用电量，节假日的居民用电大于工作日的居民用电，工作日的工业用电大于节假日的工业用电等。
对于日用电量的预测的场景，基于用电数据对应的日期，获取日期对应天气信息、季节信息以及节假日信息，通过编码的方式将天气信息、季节信息以及节假日信息进行数值化，从而得到与用电数据序列对应的附加预测特征，该附加预测特征可以是向量。
通过将用电量数据序列对应的特征向量与附加预测特征对应的向量进行向量拼接，可以得到拼接向量，实现用电数据与环境信息的数据融合。
在其中一个实施例中，如图6所示，基于拼接得到的向量进行电量预测，得到用电量预测结果包括步骤602至步骤604。
步骤602，基于不同尺度的LSTM模型分别提取拼接向量的时序特征，其中，不同尺度的LSTM模型之间引入有注意力机制。
步骤604，将不同尺度的LSTM得到的时序特征传递到全连接层，得到用电量预测结果。
对于得到的拼接特征，不同部分服从不同参数的高斯分布，为了有效的预测用电量数据，还需要考虑额外的信息，将天气状况、季节、节假日信息编码为向量形式拼接到特征向量中。为了从不同分布的特征数据建模时序特性，使用不同尺度的LSTM模型分别提取特征数据的时序特征，并且在LSTM模型之间引入注意力机制，联系不同尺度下的特征，将提取的周期特征和附加预测特征进行融合，最后将各个LSTM模型得到的特征传递到全连接层，得到用电量预测结果。
注意力机制主要有两个方面：决定需要关注输入的哪部分，分配有限的信息处理资源给重要的部分。通过在不同尺度的LSTM模型之间引入注意力机制，能够在数据处理过程中捕捉用电数据的周期性变化。
在其中一个实施例中，不同尺度的LSTM模型包括尺度分别为1、2、4的三个LSTM模型。以实现不同尺度的特征提取，得到全面有效的数据。将多尺度LSTM模型被用于电量预测中，能够尽可能提取用电量数据中时序特征从而提高预测精度。
在一个应用实例中，以某地区的日用电量的预测为例对上述用电量预测方法进行说明。
从长期来看电量数据是波动变化的，这种波动变化在一定程度上会呈现出周期性的同时具有瞬时的波动性，并且不同行业的用电量呈现出不同的分布特性。从具体的行业来看，不同行业的用电数据呈现出不同的统计特性。
为了建模用电量数据的周期性和瞬时波动性，首先使用小波分解从多尺度变换的角度对用电量数据进行分解，对分解后的用电量数据使用基于实值高斯单元的RBM模型进行建模，以提取不同用电数据的分布特征，然后综合节假日、天气信息传递到双注意力机制的时序预测模型得到预测数据。
具体来说，如图7和图8所示，具体实现流程可以包括以下步骤：
S1，数据处理阶段
首先对数据进行归一化，统一数据的取值范围至区间[0, 1]，以便后续模型的处理，然后使用K-means聚类组合密度聚类分析的方法对数据进行处理，筛选出离群点作为数据的异常点，并去除异常点，将余下数据进行平滑插值后作为有效的归一化用电量数据。
S2，数据的多尺度小波分解
用电量时序数据由于具有不同程度的波动性，但总体上又表现出一定周期性，而波动性部分与周期性数据部分在变化率和频率上具有比较大的区别，为了在数据上体现出这种区别，对用电量数据进行了多尺度的小波分解，使用尺度为3，小波函数使用Coiflets母小波，由此分离用电时序信号中的高频变化部分，以便使用模型提取不同分布特性的信号分量的分布特征。
S3，利用实值RBM提取有效特征
针对基于多尺度变换得到的三级小波分解结果，为了缓解由于直接使用神经网络带来的过拟合问题，对三级小波分解结果分别建立实值RBM模型，将不同频率特性的数据分量映射到不同参数的高斯分布中，再由高斯分布采样得到相应的特征样本，通过控制高斯分布的协方差参数，每一次样本的生成即服从统一的概率分布又有一定程度的微小变化，在提取特征的同时引入概率分布形式从而缓解过拟合数据的问题，针对用电量数据设计一种实值RBM模型，模型的能量函数表达如下：
其中，x表示输入数据，h表示希望得到的特征表达，α是可见层单元之间的对角权值矩阵，β是隐藏层单元之间的对角权值矩阵，s是引入的平衡变量
是平衡变量s的偏置，W是可见层到隐藏层的权值，*表示元素积。由此可以得到如下激活概率：
在改进的RBM提取到特征后，将提取的三类特征拼接为一个特征作为该用电量数据的特征。
S4，利用特征信息进行用电量预测
对于得到的拼接特征，不同部分服从不同参数的高斯分布，为了有效的预测用电量数据，还需要考虑额外的信息，将天气状况、季节、节假日信息编码为向量形式拼接到第三步得到的特征中。为了从不同分布的特征数据建模时序特性，使用3个不同尺度的LSTM模型分别提取特征数据的时序特征，3个尺度分别是1，2，4，并且在3个LSTM之间引入注意力机制，最后组合3个LSTM得到的特征传递到全连接层，预测用电量。
通过上述处理过程，能在预测用电数据中隐含的周期性的同时捕捉由不同类型的用电数据的汇入而带来的波动性，提高用电预测的精度。具体来说：利用K-means聚类组合密度聚类方法对用电数据进行预筛选，去除数据中的离群点，将余下数据做平滑插值后作为用电量预测的有效数据；利用小波分解将用电数据进行尺度为3的分解，针对每一个尺度建立改进的实值RBM模型，将数据转换为服从高斯分布的随机变量，通过采样缓解过拟合问题；针对提取的不同高斯分布的特征，设计多尺度的LSTM模型，并在3个尺度之间引入注意力机制，联系不同尺度下的特征，将提取的周期特征和波动特征进行融合，将结果传递到一个全连接层进行分类，得到准确的预测结果。
应该理解的是，虽然上述实施例涉及的各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，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的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9所示，提供了一种用电量预测装置，包括：数据获取模块902、小波分解模块904、特征提取模块906和电量预测模块908，其中：
数据获取模块902，用于获取用电量数据序列。
小波分解模块904，用于对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据。
特征提取模块906，用于提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量。
电量预测模块908，用于将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
在其中一个实施例中，用电量预测装置还包括：数据处理模块，数据处理模块，用于对用电量数据序列进行归一化处理，得到归一化数据；对归一化数据进行聚类分析，丢弃离群的异常点，得到过滤数据；对过滤数据进行平滑插值处理，得到处理后的用电量数据序列；小波分解模块还用于对处理后的用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据。
在其中一个实施例中，小波分解模块还用于以Coiflets母小波为小波函数，对用电量数据序列进行三级小波分解，得到三级小波分解结果。
在其中一个实施例中，特征提取模块还用于根据分解数据所在的尺度，基于与尺度对应的实值RBM（玻尔兹曼机）模型，提取分解数据对应的特征数据；对特征数据进行拼接，得到用电量数据序列的特征向量。
在其中一个实施例中，特征提取模块还用于根据用电量数据序列中各用电数据对应的日期，获取日期对应天气信息、季节信息以及节假日信息；对天气信息、季节信息以及节假日信息进行编码，得到与用电数据序列对应的附加预测特征；将特征向量与对应的附加预测特征进行向量拼接，得到拼接向量。
在其中一个实施例中，电量预测模块还用于基于不同尺度的LSTM（Long Short-Term Memory，长短期记忆网络）模型分别提取拼接向量的时序特征，其中，不同尺度的LSTM模型之间引入有注意力机制；将不同尺度的LSTM得到的时序特征传递到全连接层，得到用电量预测结果。
在其中一个实施例中，不同尺度的LSTM模型包括尺度分别为1、2、4的三个LSTM模型。
上述用电量预测装置，通过获取用电量数据序列，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据，以体现用电量数据序列的波动性和周期性，通过提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量，缓解特征数据出现过拟合问题，将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果，利用小波分析的思想和改进的RBM模型方法、融合附加预测特征，达到在建模周期性信号的同时捕捉到数据的瞬时波动性变化的效果，从而提高电量预测结果的准确性。
关于用电量预测装置的具体限定可以参见上文中对于用电量预测方法的限定，在此不再赘述。上述用电量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。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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用电量数据序列。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用电量预测方法。
本领域技术人员可以理解，图10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：
获取用电量数据序列；对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量；将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对用电量数据序列进行归一化处理，得到归一化数据；对归一化数据进行聚类分析，丢弃离群的异常点，得到过滤数据；对过滤数据进行平滑插值处理，得到处理后的用电量数据序列；对处理后的用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
以Coiflets母小波为小波函数，对用电量数据序列进行三级小波分解，得到三级小波分解结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据分解数据所在的尺度，基于与尺度对应的实值RBM（玻尔兹曼机）模型，提取分解数据对应的特征数据；对特征数据进行拼接，得到用电量数据序列的特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
根据用电量数据序列中各用电数据对应的日期，获取日期对应天气信息、季节信息以及节假日信息；对天气信息、季节信息以及节假日信息进行编码，得到与用电数据序列对应的附加预测特征；将特征向量与对应的附加预测特征进行向量拼接，得到拼接向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于不同尺度的LSTM（Long Short-Term Memory，长短期记忆网络）模型分别提取拼接向量的时序特征，其中，不同尺度的LSTM模型之间引入有注意力机制；将不同尺度的LSTM得到的时序特征传递到全连接层，得到用电量预测结果。
在其中一个实施例中，不同尺度的LSTM模型包括尺度分别为1、2、4的三个LSTM模型。
上述用于实现用电量预测方法的计算机设备，通过获取用电量数据序列，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据，以体现用电量数据序列的波动性和周期性，通过提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量，缓解特征数据出现过拟合问题，将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果，利用小波分析的思想和改进的RBM模型方法、融合附加预测特征，达到在建模周期性信号的同时捕捉到数据的瞬时波动性变化的效果，从而提高电量预测结果的准确性。
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：
获取用电量数据序列；对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量；将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对用电量数据序列进行归一化处理，得到归一化数据；对归一化数据进行聚类分析，丢弃离群的异常点，得到过滤数据；对过滤数据进行平滑插值处理，得到处理后的用电量数据序列；对处理后的用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
以Coiflets母小波为小波函数，对用电量数据序列进行三级小波分解，得到三级小波分解结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据分解数据所在的尺度，基于与尺度对应的实值RBM（玻尔兹曼机）模型，提取分解数据对应的特征数据；对特征数据进行拼接，得到用电量数据序列的特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
根据用电量数据序列中各用电数据对应的日期，获取日期对应天气信息、季节信息以及节假日信息；对天气信息、季节信息以及节假日信息进行编码，得到与用电数据序列对应的附加预测特征；将特征向量与对应的附加预测特征进行向量拼接，得到拼接向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于不同尺度的LSTM（Long Short-Term Memory，长短期记忆网络）模型分别提取拼接向量的时序特征，其中，不同尺度的LSTM模型之间引入有注意力机制；将不同尺度的LSTM得到的时序特征传递到全连接层，得到用电量预测结果。
在其中一个实施例中，不同尺度的LSTM模型包括尺度分别为1、2、4的三个LSTM模型。
上述用于实现用电量预测方法的计算机可读存储介质，通过获取用电量数据序列，对用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据，以体现用电量数据序列的波动性和周期性，通过提取分解数据对应的特征数据，对特征数据进行拼接，得到用电量数据序列的特征向量，缓解特征数据出现过拟合问题，将特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果，利用小波分析的思想和改进的RBM模型方法、融合附加预测特征，达到在建模周期性信号的同时捕捉到数据的瞬时波动性变化的效果，从而提高电量预测结果的准确性。
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，该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易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）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 (10)
1.一种用电量预测方法，其特征在于，所述方法包括：
获取用电量数据序列；
对所述用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；
提取所述分解数据对应的特征数据，对所述特征数据进行拼接，得到所述用电量数据序列的特征向量；
将所述特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述获取用电量数据序列之后，还包括：
对所述用电量数据序列进行归一化处理，得到归一化数据；
对所述归一化数据进行聚类分析，丢弃离群的异常点，得到过滤数据；
对所述过滤数据进行平滑插值处理，得到处理后的用电量数据序列；
所述对所述用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据包括：
对所述处理后的用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据。
3.根据权利要求1所述的方法，其特征在于，所述对所述用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据包括：
以Coiflets母小波为小波函数，对所述用电量数据序列进行三级小波分解，得到三级小波分解结果。
4.根据权利要求1所述的方法，其特征在于，所述提取所述分解数据对应的特征数据，对所述特征数据进行拼接，得到所述用电量数据序列的特征向量包括：
根据所述分解数据所在的尺度，基于与所述尺度对应的实值RBM模型，提取所述分解数据对应的特征数据；
对所述特征数据进行拼接，得到所述用电量数据序列的特征向量。
5.根据权利要求1所述的方法，其特征在于，所述将所述特征向量与对应的附加预测特征进行向量拼接包括：
根据用电量数据序列中各用电数据对应的日期，获取所述日期对应天气信息、季节信息以及节假日信息；
对所述天气信息、季节信息以及节假日信息进行编码，得到与所述用电数据序列对应的附加预测特征；
将所述特征向量与对应的附加预测特征进行向量拼接，得到拼接向量。
6.根据权利要求5所述的方法，其特征在于，所述基于拼接得到的向量进行电量预测，得到用电量预测结果包括：
基于不同尺度的LSTM模型分别提取所述拼接向量的时序特征，其中，所述不同尺度的LSTM模型之间引入有注意力机制；
将不同尺度的LSTM得到的时序特征传递到全连接层，得到用电量预测结果。
7.根据权利要求6所述的方法，其特征在于，所述不同尺度的LSTM模型包括尺度分别为1、2、4的三个LSTM模型。
8.一种用电量预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取用电量数据序列；
小波分解模块，用于对所述用电量数据序列进行多尺度小波分解，得到具有不同频率特性的分解数据；
特征提取模块，用于提取所述分解数据对应的特征数据，对所述特征数据进行拼接，得到所述用电量数据序列的特征向量；
电量预测模块，用于将所述特征向量与对应的附加预测特征进行向量拼接，基于拼接得到的向量进行电量预测，得到用电量预测结果。
9.一种计算机设备，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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110006686.5A CN112330078B (zh) | 2021-01-04 | 2021-01-04 | 用电量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110006686.5A CN112330078B (zh) | 2021-01-04 | 2021-01-04 | 用电量预测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112330078A true CN112330078A (zh) | 2021-02-05 |
| CN112330078B CN112330078B (zh) | 2021-06-04 |
Family
ID=74302230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110006686.5A Active CN112330078B (zh) | 2021-01-04 | 2021-01-04 | 用电量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112330078B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033894A (zh) * | 2021-03-24 | 2021-06-25 | 南方电网数字电网研究院有限公司 | 日用电量预测方法、装置、计算机设备和存储介质 |
| CN113284001A (zh) * | 2021-04-08 | 2021-08-20 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
| CN113919600A (zh) * | 2021-12-08 | 2022-01-11 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
| CN116777452A (zh) * | 2023-06-20 | 2023-09-19 | 浙江恒业电子股份有限公司 | 智能电表的预付费系统及其方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和系统 |
| CN105823634A (zh) * | 2016-05-10 | 2016-08-03 | 东莞理工学院 | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 |
| CN107292462A (zh) * | 2017-08-25 | 2017-10-24 | 广东工业大学 | 一种短期负荷预测方法、装置及系统 |
| CN110070229A (zh) * | 2019-04-26 | 2019-07-30 | 中国计量大学 | 家庭电力负荷的短期预测方法 |
| CN110909928A (zh) * | 2019-11-19 | 2020-03-24 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
| CN111222689A (zh) * | 2019-12-06 | 2020-06-02 | 重庆三峡学院 | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 |
-
2021
- 2021-01-04 CN CN202110006686.5A patent/CN112330078B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和系统 |
| CN105823634A (zh) * | 2016-05-10 | 2016-08-03 | 东莞理工学院 | 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法 |
| CN107292462A (zh) * | 2017-08-25 | 2017-10-24 | 广东工业大学 | 一种短期负荷预测方法、装置及系统 |
| CN110070229A (zh) * | 2019-04-26 | 2019-07-30 | 中国计量大学 | 家庭电力负荷的短期预测方法 |
| CN110909928A (zh) * | 2019-11-19 | 2020-03-24 | 润联软件系统(深圳)有限公司 | 能源负荷短期预测方法、装置、计算机设备及存储介质 |
| CN111222689A (zh) * | 2019-12-06 | 2020-06-02 | 重庆三峡学院 | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 |
Non-Patent Citations (1)
| Title |
|---|
| 肖勇 等: ""基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测"", 《计算机应用》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033894A (zh) * | 2021-03-24 | 2021-06-25 | 南方电网数字电网研究院有限公司 | 日用电量预测方法、装置、计算机设备和存储介质 |
| CN113033894B (zh) * | 2021-03-24 | 2023-05-02 | 南方电网数字电网研究院有限公司 | 日用电量预测方法、装置、计算机设备和存储介质 |
| CN113284001A (zh) * | 2021-04-08 | 2021-08-20 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
| CN113919600A (zh) * | 2021-12-08 | 2022-01-11 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
| CN113919600B (zh) * | 2021-12-08 | 2022-04-01 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
| CN116777452A (zh) * | 2023-06-20 | 2023-09-19 | 浙江恒业电子股份有限公司 | 智能电表的预付费系统及其方法 |
| CN116777452B (zh) * | 2023-06-20 | 2024-01-23 | 浙江恒业电子股份有限公司 | 智能电表的预付费系统及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112330078B (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112330078B (zh) | 用电量预测方法、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 | |
| Culaba et al. | Machine learning‐based energy consumption clustering and forecasting for mixed‐use buildings | |
| Zeng et al. | A learning framework based on weighted knowledge transfer for holiday load forecasting | |
| CN110674636B (zh) | 一种用电行为分析方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN113807568B (zh) | 一种电力负荷预测方法、装置及终端设备 | |
| Wang | A stock price prediction method based on BiLSTM and improved transformer | |
| CN117557304B (zh) | 基于模态分解与神经网络的电量电价层级融合预测方法 | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| Ahmed et al. | Enhancing stock portfolios for enterprise management and investment in energy industry | |
| CN116596574A (zh) | 电网用户画像构建方法及系统 | |
| CN111783827A (zh) | 一种基于负荷数据的企业用户分类方法和装置 | |
| Kumar et al. | Stocks Analysis and Prediction of Indian Oil Trading Using Big Data Analytics | |
| CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| CN115908008A (zh) | 股票成交金额预测及模型训练方法、装置、设备及介质 | |
| Dong et al. | Image-based processing mechanism for peak load forecasting in smart grids | |
| Dong et al. | Image-based with peak load ensemble prediction system for demand response in smart grid | |
| Li et al. | Comparison and application potential analysis of autoencoder-based electricity pattern mining algorithms for large-scale demand response | |
| CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
| Cheng et al. | Chaotic load series forecasting based on MPMR | |
| CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 | |
| Hassan et al. | Deep Learning Applications with Python | |
| Zhipeng et al. | Financial time series forecasting based on characterized candlestick and the support vector classification with cooperative coevolution | |
| Khafaf et al. | Optimal Clustering of Energy Consumers based on Entropy of the Correlation Matrix between Clusters |
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 |