CN112700043B - 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 PDF

Info

Publication number
CN112700043B
CN112700043B CN202011623779.4A CN202011623779A CN112700043B CN 112700043 B CN112700043 B CN 112700043B CN 202011623779 A CN202011623779 A CN 202011623779A CN 112700043 B CN112700043 B CN 112700043B
Authority
CN
China
Prior art keywords
sample
prediction
day
load prediction
load
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
Application number
CN202011623779.4A
Other languages
English (en)
Other versions
CN112700043A (zh
Inventor
杜雅慧
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.)
Xinao Shuneng Technology Co Ltd
Original Assignee
Xinao Shuneng Technology 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 Xinao Shuneng Technology Co Ltd filed Critical Xinao Shuneng Technology Co Ltd
Priority to CN202011623779.4A priority Critical patent/CN112700043B/zh
Publication of CN112700043A publication Critical patent/CN112700043A/zh
Application granted granted Critical
Publication of CN112700043B publication Critical patent/CN112700043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

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

Abstract

本发明公开了负荷预测方法、装置、计算机可读存储介质及电子设备，方法包括：获取预测日对应的至少一个样本预测日以及至少一个样本历史数据集，至少一个样本历史数据集和至少一个样本预测日一一对应；根据负荷预测方法，对至少一个样本历史数据集分别进行负荷预测，确定负荷预测方法对应的至少一个负荷预测数据集；根据至少一个样本历史数据集和负荷预测方法对应的至少一个负荷预测数据集，确定负荷预测方法对应的评价数据；根据各个负荷预测方法各自对应的评价数据，确定预测日对应的目标负荷预测方法，目标负荷预测方法用于对预测日进行负荷预测。通过本发明的技术方案，可对不同负荷预测方法进行评价，得到负荷预测效果较好的负荷预测方法。

Description

负荷预测方法、装置、计算机可读存储介质及电子设备
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
电力负荷预测是以电力负荷为对象进行的一系列预测工作，是电力系统规划中的重要组成部分，同时也是电力系统经济运行的基础。目前，现货电力市场已经达到了时点粒度，山西四川等地区要求达到15min，对负荷预测的精度提出了更高的要求。
目前，主要通过智能算法进行负荷预测，比如利用神经网络/深度学习等监督/非监督算法自动对样本数据进行分析，探索发现其内在规律，从而对未来进行预测。
但是，智能算法的负荷预测准确性对数据量依赖性较强，从而导致负荷预测的准确性相对较低。
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，基于样本预测日对应的样本历史数据集，对不同的负荷预测方法进行评价，从而得到负荷预测效果较好的目标负荷预测方法，根据目标负荷预测方法实现对预测日的负荷预测，确保负荷预测效果。同时，样本预测日是基于预测日确定的，可确保负荷预测的准确性，对数据量的依赖相对较小。
第一方面，本发明提供了一种负荷预测方法，包括：
获取预测日对应的至少一个样本预测日以及至少一个样本历史数据集，所述至少一个样本历史数据集和所述至少一个样本预测日一一对应；
根据负荷预测方法，对所述至少一个样本历史数据集分别进行负荷预测，确定所述负荷预测方法对应的至少一个负荷预测数据集；
根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的评价数据；
根据各个所述负荷预测方法各自对应的评价数据，确定所述预测日对应的目标负荷预测方法，所述目标负荷预测方法用于对所述预测日进行负荷预测。
第二方面，本发明提供了一种负荷预测装置，包括：
获取模块，用于获取预测日对应的至少一个样本预测日以及至少一个样本历史数据集，所述至少一个样本历史数据集和所述至少一个样本预测日一一对应；
第一预测模块，用于根据负荷预测方法，对所述至少一个样本历史数据集分别进行负荷预测，确定所述负荷预测方法对应的至少一个负荷预测数据集；
评价模块，用于根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的评价数据；
第二预测模块，用于根据各个所述负荷预测方法各自对应的评价数据，确定所述预测日对应的目标负荷预测方法，所述目标负荷预测方法用于对所述预测日进行负荷预测。
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对应的若干个样本预测日以及若干个样本预测日各自对应的样本历史数据集，样本历史数据集用于预测样本预测日的负荷，然后，根据负荷预测方法，对若干个样本历史数据集分别进行负荷预测，确定负荷预测方法对应的若干个负荷预测数据集，然后，根据若干个样本历史数据集和负荷预测方法对应的若干个负荷预测数据集，确定负荷预测方法对应的评价数据，之后，根据各个负荷预测方法各自对应的评价数据，确定预测日对应的目标负荷预测方法，目标负荷预测方法用于对预测日进行负荷预测。综上所述，通过本发明的技术方案，基于样本预测日对应的样本历史数据集，对不同的负荷预测方法进行评价，从而得到负荷预测效果较好的目标负荷预测方法，根据目标负荷预测方法实现对预测日的负荷预测，确保负荷预测效果。同时，样本预测日是基于预测日确定的，可确保负荷预测的准确性，对数据量的依赖相对较小。
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一种负荷预测装置的结构示意图；
图3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所示，为本发明实施例提供的一种负荷预测方法。本发明实施例所提供的方法可应用在电子设备上，具体可以应用于服务器或一般计算机上。本实施例以电子设备为执行主体进行描述。本实施例中，所述方法具体包括以下步骤：
步骤101、获取预测日对应的至少一个样本预测日以及至少一个样本历史数据集，所述至少一个样本历史数据集和所述至少一个样本预测日一一对应。
样本预测日可以理解为能够替换预测日的历史日，具体地，预测日的负荷特征数据和样本预测日的负荷特征数据满足预设条件，预设条件可以是预测日和样本预测日的负荷主要影响因素相同，示例地，负荷主要影响因素可以是日期类型，当然，具体需要结合实际情况确定负荷主要影响因素。其中，日期类型指示了日期的属性，可以包括“工作日”“普通休息日”“普通节假日”“重要长假”四类。需要说明的是，若干个样本预测日按照时间顺序进行排序，从而确定样本预测日的顺序号，举例来说，假设有N个样本预测日，按照时间由大到小，即按与预测日的时间间隔从近到远，对N个样本预测日进行排序，得到N个样本预测日的样本预测日序列，从1到N对样本预测日序列进行编号，从而得到每个样本预测日的顺序号，得到第1个、第2个、…、第n个、…、第N个样本预测日。
样本预测日对应的样本历史数据集包括对样本预测日的负荷进行预测的真实数据，具体地，样本历史数据集包括历史负荷数据以及历史负荷数据对应的负荷特征数据。其中，历史负荷数据通常包括样本预测日内的分钟级负荷数据，分钟级负荷数据指的是一天内每15分钟的负荷，对应的，历史负荷数据对应的负荷特征数据包括每15分钟的负荷各自对应的特征向量。其中，负荷特征数据包括影响负荷的特征对应的特征值，通常是一个多维特征向量，记为X＝[x1，x2，…，xi，…，xn]，其中，xi表征第i个特征对应的特征值，示例的，特征可以是日期类型、制冷热系数，降水系数等影响负荷的因素，具体需要结合实际情况确定。需要说明的是，上述日期类型、制冷热系数，降水系数仅仅作为示例，在实际应用中，影响负荷的特征可以是多种多样的。对应的，样本历史数据集可以是采用矩阵表示，记为S＝[X1、X2、…、Xi、…、X96]，其中，Xi表征第i个15分钟对应的向量，该向量包括若干个特征对应的特征值以及第i个15分钟对应的负荷。
在一些可行的实施例中，步骤101，包括：
获取所述预测日对应的参考历史数据集以及预测日负荷特征数据，所述参考历史数据集用于预测所述预测日的负荷；
根据所述预测日负荷特征数据，从所述参考历史数据集所对应的多个历史日中确定至少一个样本预测日；
确定所述参考历史数据集和所述预测日之间的目标时间间隔；
针对所述至少一个样本预测日中的每个样本预测日，根据所述目标时间间隔、所述样本预测日和所述参考历史数据集，确定所述样本预测日对应的样本历史数据集。
可以理解的，预测日负荷特征数据包括每15分钟的负荷各自对应的特征向量，具体地，特征向量对应的若干个特征可以包括日期类型、预测的制冷系数，预测的降水系数等；参考历史数据集包括多个历史日各自的历史负荷数据以及多个历史负荷数据各自对应的负荷特征数据，优选地，多个历史日连续，在知道了预测日负荷特征数据后，从参考历史数据集找到与预测日负荷特征数据相似的若干个样本预测日，比如，从参考历史数据集找到与预测日的日期类型相同的若干个样本预测日，然后，确定预测日和参考历史数据集之间的目标时间间隔，可选地，目标时间间隔为预测日和参考历史数据集中的结束日之间的间隔天数，然后，针对每个样本预测日，基于目标时间间隔、样本预测日以及参考历史数据集，确定样本预测日对应的样本历史数据集，从用于对预测日进行负荷预测的历史数据中，选择出预测日的多个替换日，实现了对预测日的替换，从而便于后续的负荷预测方法分析，并确保分析结果的参考价值。
在一些可行的实现方式中，所述根据所述目标时间间隔、所述样本预测日和所述参考历史数据集，确定所述样本预测日对应的样本历史数据集，包括：
根据所述目标时间间隔和所述样本预测日，确定所述样本预测日对应的结束日；
根据所述参考历史数据集对应的开始日和所述样本预测日对应的结束日，确定所述样本预测日对应的参考历史数据时段；
根据所述参考历史数据时段对应在所述参考历史数据集中的参考历史数据，确定所述样本预测日对应的样本历史数据集。
本实施例中，通过样本预测日以及目标时间间隔，确定样本预测日对应的结束日，结束日指示了用于对样本预测日进行负荷预测的数据的节点，之后，基于参考历史数据集的开始点和样本预测日对应的结束日，对参考历史数据集进行选取，确定出样本预测日的样本历史数据集，基于参考历史数据集和预测日之间的时间关系，确定用于对样本预测日进行负荷预测的样本历史数据集，通过若干个样本预测日各自对应的样本历史数据集，对预测日的负荷进行全方位的分析，确保后续对负荷预测方法评价的准确性。
举例来说，假设目标时间间隔为gap，第n个样本预测日为参考历史数据集对应的开始日为/>参考历史数据集对应的结束日为/>预测日为Dforcast，目标时间间隔/>样本预测日对应的结束日为然后，从参考历史数据集中确定/>到/>时段对应的数据集，并将其确定为样本预测日对应的样本历史数据集。
步骤102、根据负荷预测方法，对所述至少一个样本历史数据集分别进行负荷预测，确定所述负荷预测方法对应的至少一个负荷预测数据集。
本实施例中，针对每种负荷预测方法，根据负荷预测方法，对若干个样本预测日对应的样本历史数据集进行负荷预测，确定负荷预测方法对应的若干个负荷预测数据集。具体地，负荷预测方法包括但不限于最近同类日期预测法，最近N同类日均值预测以及历史同情况中位数预测。其中，最近同类日期预测法指的是将与预测日最接近的样本预测日的负荷作为负荷预测结果；最近N同类日均值预测指的是将与预测日最接近的N个样本预测日的负荷的均值，作为负荷预测结果；历史同情况中位数预测指的是找到与预测日负荷特征数据最接近的样本预测日的负荷，作为负荷预测结果，作为一种可行的实现方式，针对每个样本预测日，确定样本预测日对应的样本历史数据集和预测日负荷特征数据中的特征误差；将特征误差最小的样本预测日的负荷作为负荷预测结果，具体地，特征误差指的是各个特征的特征值差值绝对值之和，特征值差值绝对值指的是特征对应在样本预测日和对应在预测日的特征值之间的差值绝对值。举例来说，特征包括日期类型、制冷热系数，降水系数，则特征误差可以表示为其中，/>表示第n个样本预测日的制冷热系数，/>表示第n个样本预测日的降水系数，cold(Dforcast)表征预测出的预测日的制冷热系数，rain(Dforcast)表征预测出的预测日的降水系数。
需要说明的是，考虑到现货市场的实时性，负荷预测的时间粒度通常是15分钟，一天由96个15分钟组成，因此，负荷预测数据集包括96个15分钟各自对应的负荷，可以理解为负荷向量，负荷向量是一个96维的向量，包括96个15分钟各自对应的负荷，对于第n个样本预测日第k个负荷预测方法的负荷向量记为reskn＝[reskn1，reskn2，…，resknj，…，reskn96]，其中，resknj表征第k个负荷预测方法预测的第n个样本预测日/>内第j个15分钟对应的负荷，应该理解的，负荷向量中的元素是按照时间顺序排序的。
步骤103、根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的评价数据。
本实施例中，通过考虑所有样本历史数据集及其对应的负荷预测数据集，确定出负荷预测方法对应的评价数据，评价数据用于评价负荷预测方法的负荷预测效果，评价数据综合考虑了负荷预存方法对每个样本历史数据集的负荷预测数据集，从而具有相对较高的准确性。
在一些可行的实施例中，步骤103包括：
根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的至少一个样本预测日误差；
根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差；
根据所述负荷预测方法对应的预测日误差，确定所述负荷预测方法对应的评价数据。
本实施例中，确定负荷预测方法对应的若干个样本预测日误差，若干个样本预测日和若干个样本预测日误差一一对应，然后，基于负荷预测方法对应的若干个样本预测日误差，确定负荷预测方法的预测日误差，之后，根据负荷预测方法对应的预测日误差，确定负荷预测方法对应的评价数据，得到的评价数据综合考虑了样本预测日误差，从而具有相对较高的准确性。
具体地，可通过如下第一公式计算负荷预测方法对应在样本预测日的样本预测日误差；其中，第一公式包括：
其中，ekn表征第k种负荷预测方法对应的第n个样本预测日误差；resknj表征第k种负荷预测方法对应的第n个负荷预测数据集中第j个15分钟的负荷；表征第n个样本预测日对应的样本历史数据集中第j个15分钟的历史负荷；第n个负荷预测数据集和第n个样本预测日对应。
在一些可行的实现方式中，所述根据所述负荷预测方法对应在各个所述样本预测日各自的样本预测日误差，确定所述负荷预测方法对应的预测日误差，包括：
根据距离衰减函数，确定各个所述样本预测日各自对应的样本权重；
根据各个所述样本预测日各自对应的样本权重和所述负荷预测方法对应在各个所述样本预测日各自的样本预测日误差，确定所述负荷预测方法对应的预测日误差。
可以理解的，由于越接近预测日的样本预测日越具有参考意义，在综合评估负荷预测方法的误差时，引入一个距离衰减函数，根据负荷预测方法对应在各个样本预测日各自的样本预测日误差以及距离衰减函数，确定负荷预测方法对应的预测日误差。具体可通过如下第二公式计算样本预测日对应的样本权重；其中，第二公式包括：
cn＝ln(N-n+1)
其中，cn表征第n个样本预测日对应的样本权重；N表征所有样本预测日的样本天数；n表示按照距预测日由近到远的顺序对样本预测日进行排序后的顺序号。这里，样本天数指示了所有样本预测日的天数，比如，有10个样本预测日，则样本天数为10天。
具体可通过如下第三公式计算负荷预测方法对应的预测日误差；其中，第三公式包括：
其中，ek表征第k种负荷预测方法对应的预测日误差；N表征所有样本预测日的样本天数；ekn表征第k种负荷预测方法对应的第n个样本预测日误差；cn表征第n个样本预测日对应的样本权重。
进一步的，还包括：
根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差置信度；
所述根据所述负荷预测方法对应的预测日误差，确定所述负荷预测方法对应的评价数据，包括：
将所述负荷预测方法对应的预测日误差和对应的预测日误差置信度，确定为所述负荷预测方法对应的评价数据。
本实施例中，根据负荷预测方法对应的若干个样本预测日误差，确定负荷预测方法对应的预测日误差置信度，将负荷预测方法对应的预测日误差和预测日误差置信度作为负荷预测方法对应的评价数据，从而了解到负荷预测方法的负荷预测效果。其中，预测日误差置信度指的是预测日误差的可信度。
在一些可行的实现方式中，所述根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差置信度，包括：
根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的误差变异系数；
根据所述负荷预测方法对应的误差变异系数，确定所述负荷预测方法对应的误差稳定性得分；
根据所述至少一个样本预测日的样本天数，确定样本天数得分；
根据所述样本天数得分和所述负荷预测方法对应的误差稳定性得分，确定所述负荷预测方法对应的预测日误差置信度。
具体可通过如下第四公式计算误差变异系数；其中，第四公式包括：
其中，cosk表征第k种负荷预测方法对应的误差变异系数；ekn表征第k种负荷预测方法对应的第n个样本预测日误差；表征第k种负荷预测方法对应的N个样本预测日误差的平均值。
具体可通过如下第五公式计算误差稳定性得分；其中，第五公式包括：
essk＝14.43*ln(2-cosk)
其中，essk表征第k种负荷预测方法对应的误差稳定性得分。误差稳定性得分的上限为10。误差变异系数cosk的上限为1，即当误差变异系数大于100％时，误差稳定性得分为0。
具体可通过如下第六公式计算样本天数得分；其中，第六公式包括：
sssk＝2.7*ln(N)
其中，sssk表征第k种负荷预测方法对应的样本天数得分；N表征若干个样本预测日的样本天数。样本数得分为正相关，样本天数得分的上限为10，换言之，30个样本预测日以上的样本数得分10。
具体地，预测日误差置信度为误差稳定性得分和样本天数的乘积，即essk*sssk。在实际应用中，具体可通过如下第七公式计算预测日误差置信度；其中，第七公式包括：
其中，cofk表征第k种负荷预测方法对应的预测日误差置信度；N表征所有样本预测日的样本天数；ekn表征第k种负荷预测方法在第n个样本预测日的样本预测日误差；表征第k种负荷预测方法在N个样本预测日的样本预测日误差的平均值。
步骤104、根据各个所述负荷预测方法各自对应的评价数据，确定所述预测日对应的目标负荷预测方法，所述目标负荷预测方法用于对所述预测日进行负荷预测。
本实施例中，基于各个负荷预测方法各自对应的评价数据，确定各个负荷预测方法各自对应的负荷预测效果，将满足预设条件的负荷预测效果对应的负荷预测方法确定为目标负荷预测方法，基于目标负荷预测方法实现对预测日的负荷预测。其中，预设条件可以是负荷预测效果最好，具体需要结合实际情况确定。
在实际应用中，负荷预测方法对应的评价数据包括预测日误差和预测日误差置信度。具体地，可以以预测日误差和预测日误差置信度为变量，确定若干个参考负荷预测效果各自对应的坐标区间，坐标区间指示了预测日误差的范围以及预测日误差置信度的范围，然后，针对每个负荷预测方法，确定负荷预测方法对应的评价数据所属的坐标区间，并将其所属的坐标区间对应的参考负荷预测效果，确定为负荷预测方法对应的负荷预测效果。其中，若干个参考负荷预测效果各自对应的坐标区间，基于对预测日误差的最大值和预测日误差置信度的最大值所形成的坐标区间进行划分得到，优选均分，具体可以根据实际应用场景确定若干个参考负荷预测效果的个数。示例地，假设预测日误差的最大值为P，预测日误差置信度的最大值为Q，对P和Q分别进行A等分，得到A2个坐标区间，每个坐标区间对应一个参考负荷预测效果。示例地，若干个参考负荷预测效果包括但不限于风险点、争议点、较好、较差、最优，这里，“最优”“较好”和“争议”，基本都属于可推荐类，处于“风险点”位置的负荷预测方法可使用但存在较大风险，而“较差”和“最差”方法为不推荐的。应当理解的，预测日误差是判断负荷预测方法的预测效果的主要关注点，预测日误差置信度作为辅助。
通过以上技术方案可知，本实施例存在的有益效果是：
通过预测日对应的若干个样本预测日以及若干个样本预测日各自对应的样本历史数据集，对不同的负荷预测方法进行评价，得到不同的负荷预测方法的评价数据，基于不同的负荷预测方法的评价数据，从而得到负荷预测效果较好的目标负荷预测方法，根据目标负荷预测方法实现对预测日的负荷预测，确保负荷预测效果。
基于与本发明方法实施例相同的构思，请参考图2，本发明实施例还提供了一种负荷预测装置，包括：
获取模块201，用于获取预测日对应的至少一个样本预测日以及至少一个样本历史数据集，所述至少一个样本历史数据集和所述至少一个样本预测日一一对应；
第一预测模块202，用于根据负荷预测方法，对所述至少一个样本历史数据集分别进行负荷预测，确定所述负荷预测方法对应的至少一个负荷预测数据集；
评价模块203，用于根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的评价数据；
第二预测模块204，用于根据各个所述负荷预测方法各自对应的评价数据，确定所述预测日对应的目标负荷预测方法，所述目标负荷预测方法用于对所述预测日进行负荷预测。
本发明一个实施例中，所述评价模块203，包括：第一误差确定单元、第二误差确定单元及评价单元；其中，
所述第一误差确定单元，用于根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的至少一个样本预测日误差；
所述第二误差确定单元，用于根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差；
所述评价单元，用于根据所述负荷预测方法对应的预测日误差，确定所述负荷预测方法对应的评价数据。
本发明一个实施例中，所述第二误差确定单元，包括：权重确定子单元以及误差确定子单元；其中，
所述权重确定子单元，用于根据距离衰减函数，确定所述至少一个样本预测日各自对应的样本权重；
所述误差确定子单元，用于根据所述至少一个样本预测日各自对应的样本权重和所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差。
本发明一个实施例中，还包括：置信度确定模块；其中，
所述置信度确定模块，用于根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差置信度；
所述评价单元，包括：评价子单元；其中，
所述评价子单元，用于将所述负荷预测方法对应的预测日误差和对应的预测日误差置信度，确定为所述负荷预测方法对应的评价数据。
本发明一个实施例中，所述置信度确定模块，包括：系数确定单元、第一得分确定单元、第二得分确定单元以及置信度确定单元；其中，
所述系数确定单元，用于根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的误差变异系数；
所述第一得分确定单元，用于根据所述负荷预测方法对应的误差变异系数，确定所述负荷预测方法对应的误差稳定性得分；
所述第二得分确定单元，用于根据所述至少一个样本预测日的样本天数，确定样本天数得分；
所述置信度确定单元，用于根据所述样本天数得分和所述负荷预测方法对应的误差稳定性得分，确定所述负荷预测方法对应的预测日误差置信度。
本发明一个实施例中，所述样本预测日误差通过如下第一公式计算得到；其中，所述第一公式如下：
其中，ekn表征第k种负荷预测方法对应的第n个样本预测日误差；resknj表征第k种负荷预测方法对应的第n个负荷预测数据集中第j个15分钟的负荷；表征第n个样本预测日对应的样本历史数据集中第j个15分钟的历史负荷；所述第n个负荷预测数据集和所述第n个样本预测日对应；
所述样本权重通过如下第二公式计算得到；其中，所述第二公式如下：
cn＝ln(N-n+1)
其中，cn表征第n个样本预测日对应的样本权重；N表征所述至少一个样本预测日的样本天数；n表示按照距所述预测日由近到远的顺序对所述至少一个样本预测日进行排序后的顺序号；
所述预测日误差通过如下第三公式计算得到；其中，所述第三公式如下：
其中，ek表征第k种负荷预测方法对应的预测日误差；
所述误差变异系数通过如下第四公式计算得到；其中，所述第四公式如下：
其中，cosk表征第k种负荷预测方法对应的误差变异系数；表征第k种负荷预测方法对应的N个样本预测日误差的平均值；
所述误差稳定性得分通过如下第五公式计算得到；其中，所述第五公式如下：
essk＝14.43*ln(2-cosk)
其中，essk表征第k种负荷预测方法对应的误差稳定性得分；
所述样本天数得分通过如下第六公式计算得到；其中，所述第六公式如下：
sssk＝2.7*ln(N)
其中，sssk表征第k种负荷预测方法对应的样本天数得分。
本发明一个实施例中，所述获取模块201，包括：第一获取单元、选择单元、间隔确定单元以及第二获取单元；其中，
所述第一获取单元，用于获取所述预测日对应的参考历史数据集以及预测日负荷特征数据，所述参考历史数据集用于预测所述预测日的负荷；
所述选择单元，用于根据所述预测日负荷特征数据，从所述参考历史数据集所对应的多个历史日中确定至少一个样本预测日；
所述间隔确定单元，用于确定所述参考历史数据集和所述预测日之间的目标时间间隔；
所述第二获取单元，用于针对所述至少一个样本预测日中的每个样本预测日，根据所述目标时间间隔、所述样本预测日和所述参考历史数据集，确定所述样本预测日对应的样本历史数据集。
本发明一个实施例中，所述第二获取单元，包括：结束日确定子单元、时段确定子单元以及获取子单元；其中，
所述结束日确定子单元，用于根据所述目标时间间隔和所述样本预测日，确定所述样本预测日对应的结束日；
所述时段确定子单元，用于根据所述参考历史数据集对应的开始日和所述样本预测日对应的结束日，确定所述样本预测日对应的参考历史数据时段；
所述获取子单元，用于根据所述参考历史数据时段对应在所述参考历史数据集中的参考历史数据，确定所述样本预测日对应的样本历史数据集。
图3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301以及存储有执行指令的存储器302，可选地还包括内部总线303及网络接口304。其中，存储器302可能包含内存3021，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3022(non-volatile memory)，例如至少1个磁盘存储器等；处理器301、网络接口304和存储器302可以通过内部总线303相互连接，该内部总线303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303可以分为地址总线、数据总线、控制总线等，为便于表示，图3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301执行存储器302存储的执行指令时，处理器301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3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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。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、商品或者设备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 (8)

1.一种负荷预测方法，其特征在于，包括：
获取预测日对应的至少一个样本预测日以及至少一个样本历史数据集，所述至少一个样本历史数据集和所述至少一个样本预测日一一对应；
根据负荷预测方法，对所述至少一个样本历史数据集分别进行负荷预测，确定所述负荷预测方法对应的至少一个负荷预测数据集；
根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的评价数据；
根据各个所述负荷预测方法各自对应的评价数据，确定所述预测日对应的目标负荷预测方法，所述目标负荷预测方法用于对所述预测日进行负荷预测；
其中，根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的评价数据，包括：
根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的至少一个样本预测日误差；
根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差；
根据所述负荷预测方法对应的预测日误差，确定所述负荷预测方法对应的评价数据；
所述方法还包括：
根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差置信度，具体包括：
根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的误差变异系数；
根据所述负荷预测方法对应的误差变异系数，确定所述负荷预测方法对应的误差稳定性得分；
根据所述至少一个样本预测日的样本天数，确定样本天数得分；
根据所述样本天数得分和所述负荷预测方法对应的误差稳定性得分，确定所述负荷预测方法对应的预测日误差置信度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差，包括：
根据距离衰减函数，确定所述至少一个样本预测日各自对应的样本权重；
根据所述至少一个样本预测日各自对应的样本权重和所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差。
3.根据权利要求1所述的方法，其特征在于，还包括：
所述根据所述负荷预测方法对应的预测日误差，确定所述负荷预测方法对应的评价数据，包括：
将所述负荷预测方法对应的预测日误差和对应的预测日误差置信度，确定为所述负荷预测方法对应的评价数据。
4.根据权利要求1所述的方法，其特征在于，所述样本预测日误差通过如下第一公式计算得到；其中，所述第一公式如下：
其中，ekn表征第k种负荷预测方法对应的第n个样本预测日误差；resknj表征第k种负荷预测方法对应的第n个负荷预测数据集中第j个15分钟的负荷；表征第n个样本预测日对应的样本历史数据集中第j个15分钟的历史负荷；所述第n个负荷预测数据集和所述第n个样本预测日对应；
所述样本权重通过如下第二公式计算得到；其中，所述第二公式如下：
cn＝ln(N-n+1)
其中，cn表征第n个样本预测日对应的样本权重；N表征所述至少一个样本预测日的样本天数；n表示按照距所述预测日由近到远的顺序对所述至少一个样本预测日进行排序后的顺序号；
所述预测日误差通过如下第三公式计算得到；其中，所述第三公式如下：
其中，ek表征第k种负荷预测方法对应的预测日误差；
所述误差变异系数通过如下第四公式计算得到；其中，所述第四公式如下：
其中，cosk表征第k种负荷预测方法对应的误差变异系数；表征第k种负荷预测方法对应的N个样本预测日误差的平均值；
所述误差稳定性得分通过如下第五公式计算得到；其中，所述第五公式如下：
essk＝14.43*ln(2-cosk)
其中，essk表征第k种负荷预测方法对应的误差稳定性得分；
所述样本天数得分通过如下第六公式计算得到；其中，所述第六公式如下：
sssk＝2.7*ln(N)
其中，sssk表征第k种负荷预测方法对应的样本天数得分。
5.根据权利要求1所述的方法，其特征在于，所述获取预测日对应的至少一个样本预测日以及至少一个样本历史数据集，包括：
获取所述预测日对应的参考历史数据集以及预测日负荷特征数据，所述参考历史数据集用于预测所述预测日的负荷；
根据所述预测日负荷特征数据，从所述参考历史数据集所对应的多个历史日中确定至少一个样本预测日；
确定所述参考历史数据集和所述预测日之间的目标时间间隔；
针对所述至少一个样本预测日中的每个样本预测日，根据所述目标时间间隔、所述样本预测日和所述参考历史数据集，确定所述样本预测日对应的样本历史数据集。
6.根据权利要求5所述的方法，其特征在于，所述根据所述目标时间间隔、所述样本预测日和所述参考历史数据集，确定所述样本预测日对应的样本历史数据集，包括：
根据所述目标时间间隔和所述样本预测日，确定所述样本预测日对应的结束日；
根据所述参考历史数据集对应的开始日和所述样本预测日对应的结束日，确定所述样本预测日对应的参考历史数据时段；
根据所述参考历史数据时段对应在所述参考历史数据集中的参考历史数据，确定所述样本预测日对应的样本历史数据集。
7.一种负荷预测装置，其特征在于，包括：
获取模块，用于获取预测日对应的至少一个样本预测日以及至少一个样本历史数据集，所述至少一个样本历史数据集和所述至少一个样本预测日一一对应；
第一预测模块，用于根据负荷预测方法，对所述至少一个样本历史数据集分别进行负荷预测，确定所述负荷预测方法对应的至少一个负荷预测数据集；
评价模块，用于根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的评价数据；
第二预测模块，用于根据各个所述负荷预测方法各自对应的评价数据，确定所述预测日对应的目标负荷预测方法，所述目标负荷预测方法用于对所述预测日进行负荷预测；
所述评价模块包括：第一误差确定单元、第二误差确定单元及评价单元；其中，
所述第一误差确定单元，用于根据所述至少一个样本历史数据集和所述负荷预测方法对应的至少一个负荷预测数据集，确定所述负荷预测方法对应的至少一个样本预测日误差；
所述第二误差确定单元，用于根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差；
所述评价单元用于，根据所述负荷预测方法对应的预测日误差，确定所述负荷预测方法对应的评价数据；
所述装置还包括：置信度确定模块，用于根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的预测日误差置信度；
所述置信度确定模块，包括：系数确定单元、第一得分确定单元、第二得分确定单元以及置信度确定单元；其中，
所述系数确定单元，用于根据所述负荷预测方法对应的至少一个样本预测日误差，确定所述负荷预测方法对应的误差变异系数；
所述第一得分确定单元，用于根据所述负荷预测方法对应的误差变异系数，确定所述负荷预测方法对应的误差稳定性得分；
所述第二得分确定单元，用于根据所述至少一个样本预测日的样本天数，确定样本天数得分；
所述置信度确定单元，用于根据所述样本天数得分和所述负荷预测方法对应的误差稳定性得分，确定所述负荷预测方法对应的预测日误差置信度。
8.一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，所述处理器执行如权利要求1至6中任一所述的方法。
CN202011623779.4A 2020-12-31 2020-12-31 负荷预测方法、装置、计算机可读存储介质及电子设备 Active CN112700043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011623779.4A CN112700043B (zh) 2020-12-31 2020-12-31 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
CN202011623779.4A CN112700043B (zh) 2020-12-31 2020-12-31 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
CN112700043A CN112700043A (zh) 2021-04-23
CN112700043B true CN112700043B (zh) 2024-03-08

Family

ID=75513148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011623779.4A Active CN112700043B (zh) 2020-12-31 2020-12-31 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) CN112700043B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819391B (zh) * 2022-05-19 2022-12-06 中山大学 基于历史数据集时间跨度优化的光伏发电功率预测方法及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731446A (zh) * 2005-09-09 2006-02-08 清华大学 基于最小信息损失的综合负荷预测方法
CN102270309A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种基于集成学习的短期电力负荷预测方法
JP2012244897A (ja) * 2011-05-13 2012-12-10 Fujitsu Ltd 短期電力負荷を予測する方法及び装置
CN103268279A (zh) * 2013-02-27 2013-08-28 中国信息安全测评中心 基于复合泊松过程的软件可靠性预测方法
CN104102832A (zh) * 2014-07-09 2014-10-15 东北电力大学 一种基于混沌时间序列的风电功率超短期预测方法
CN107506843A (zh) * 2017-07-03 2017-12-22 国网上海市电力公司 一种短期负荷预测方法及装置
CN109389238A (zh) * 2017-08-14 2019-02-26 中国电力科学研究院 一种基于岭回归的短期负荷预测方法及装置
CN109636010A (zh) * 2018-11-23 2019-04-16 国网湖北省电力有限公司 基于相关因素矩阵的省级电网短期负荷预测方法及系统
CN110163429A (zh) * 2019-05-10 2019-08-23 湖南大学 一种基于相似日优化筛选的短期负荷预测方法
CN110222871A (zh) * 2019-05-09 2019-09-10 新奥数能科技有限公司 用于电力负荷预测的相似日的选择方法及装置
CN110991815A (zh) * 2019-11-12 2020-04-10 国网电动汽车服务有限公司 一种台区电力能量调度方法及系统
CN111008351A (zh) * 2019-11-05 2020-04-14 新奥数能科技有限公司 一种冷热电短期负荷预测方法及系统
CN111160625A (zh) * 2019-12-10 2020-05-15 中铁电气化局集团有限公司 电力负荷预测方法、装置、计算机设备及存储介质
CN111553529A (zh) * 2020-04-27 2020-08-18 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
CN111861569A (zh) * 2020-07-23 2020-10-30 中国工商银行股份有限公司 产品信息推荐方法及装置

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1731446A (zh) * 2005-09-09 2006-02-08 清华大学 基于最小信息损失的综合负荷预测方法
JP2012244897A (ja) * 2011-05-13 2012-12-10 Fujitsu Ltd 短期電力負荷を予測する方法及び装置
CN102270309A (zh) * 2011-07-27 2011-12-07 华北电力大学 一种基于集成学习的短期电力负荷预测方法
CN103268279A (zh) * 2013-02-27 2013-08-28 中国信息安全测评中心 基于复合泊松过程的软件可靠性预测方法
CN104102832A (zh) * 2014-07-09 2014-10-15 东北电力大学 一种基于混沌时间序列的风电功率超短期预测方法
CN107506843A (zh) * 2017-07-03 2017-12-22 国网上海市电力公司 一种短期负荷预测方法及装置
CN109389238A (zh) * 2017-08-14 2019-02-26 中国电力科学研究院 一种基于岭回归的短期负荷预测方法及装置
CN109636010A (zh) * 2018-11-23 2019-04-16 国网湖北省电力有限公司 基于相关因素矩阵的省级电网短期负荷预测方法及系统
CN110222871A (zh) * 2019-05-09 2019-09-10 新奥数能科技有限公司 用于电力负荷预测的相似日的选择方法及装置
CN110163429A (zh) * 2019-05-10 2019-08-23 湖南大学 一种基于相似日优化筛选的短期负荷预测方法
CN111008351A (zh) * 2019-11-05 2020-04-14 新奥数能科技有限公司 一种冷热电短期负荷预测方法及系统
CN110991815A (zh) * 2019-11-12 2020-04-10 国网电动汽车服务有限公司 一种台区电力能量调度方法及系统
CN111160625A (zh) * 2019-12-10 2020-05-15 中铁电气化局集团有限公司 电力负荷预测方法、装置、计算机设备及存储介质
CN111553529A (zh) * 2020-04-27 2020-08-18 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
CN111861569A (zh) * 2020-07-23 2020-10-30 中国工商银行股份有限公司 产品信息推荐方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
半监督学习的用电客户价值评价建模;刘刚;高迪;付薇薇;刘霞;刘欣;;情报工程(第03期);全文 *
基于相似日的超短期母线负荷概率性区间预测;赵冬梅;魏娟;张旭;王舶仲;;电气应用(第11期);全文 *
赵先超 ; 袁超 ; 张茜茜 ; 彭竞霄 ; .基于GWR模型的长株潭地区县级乡村重构时空格局及城镇驱动力研究.农业现代化研究.2019,(第03期),全文. *

Also Published As

Publication number Publication date
CN112700043A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN110287332B (zh) 云环境下仿真模型选择方法与装置
KR102097953B1 (ko) 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법
CN109739904B (zh) 一种时间序列的标记方法、装置、设备和存储介质
CN109992866B (zh) 负荷预测模型的训练方法、装置、可读介质及电子设备
CN109978261A (zh) 确定负荷预测模型的方法、装置、可读介质及电子设备
CN110188862B (zh) 用于数据处理的模型超参数的搜索方法、装置、系统
CN110929867A (zh) 神经网络结构的评估、确定方法、装置和存储介质
CN113868953B (zh) 工业系统中多机组运行优化方法、装置、系统及存储介质
CN110991762A (zh) 预测方法、装置、计算机可读存储介质及电子设备
CN112700043B (zh) 负荷预测方法、装置、计算机可读存储介质及电子设备
CN110222871A (zh) 用于电力负荷预测的相似日的选择方法及装置
CN114168318A (zh) 存储释放模型的训练方法、存储释放方法及设备
CN112926570A (zh) 一种自适应比特网络量化方法、系统及图像处理方法
CN112330063A (zh) 设备故障预测方法、装置以及计算机可读存储介质
CN113642652A (zh) 生成融合模型的方法、装置和设备
CN110688620A (zh) 一种短期负荷预测方法及装置
CN109754135B (zh) 信用行为数据处理方法、装置、存储介质和计算机设备
CN113988676B (zh) 一种水处理设备的安全管理方法及系统
CN114912702A (zh) 基于大数据的道路性能预测方法、装置、设备及存储介质
CN111008351A (zh) 一种冷热电短期负荷预测方法及系统
CN112883267A (zh) 基于深度学习的数据热度统计方法及装置
JP2012182196A (ja) 品質推定装置、品質推定方法及び品質推定方法をコンピュータに実行させるためのプログラム
CN109471852B (zh) 医疗数据库建立方法、装置、计算机设备和存储介质
US20210326755A1 (en) Learning model creation device, material property prediction device, and learning model creation method and program
CN114861800B (zh) 模型训练方法、概率确定方法、装置、设备、介质及产品

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