CN113284001A - 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
- CN113284001A CN113284001A CN202110380427.9A CN202110380427A CN113284001A CN 113284001 A CN113284001 A CN 113284001A CN 202110380427 A CN202110380427 A CN 202110380427A CN 113284001 A CN113284001 A CN 113284001A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- data
- frequency domain
- time
- sample
- 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 48
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims description 101
- 238000012549 training Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 101100445834 Drosophila melanogaster E(z) gene Proteins 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (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
本申请涉及一种用电量预测方法、装置、计算机设备和存储介质,包括:获取历史用电量数据对应的历史用电时序数据;采用训练好的频域编码器和时域解码器对历史用电时序数据进行特征提取,得到历史用电量数据对应的用电量特征;其中,频域编码器通过在频域上对历史用电时序数据编码后得到用电量特征,用电量特征被时域解码器在时域上解码后得到的预测时序数据与历史时序数据匹配;将用电量特征输入至训练好的用电量预测模型,以通过用电量预测模型基于用电量特征,对未来预设时间内的用电量进行预测,能够通过频域提取的用电量特征,同时反映用电量数据的周期性和波动性,基于该用电量特征进行用电量预测,有效提高预测准确性。
Description
技术领域
本申请涉及计算机技术领域,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
随着社会经济不断发展,电网规模不断扩张,用电需求不断扩大,为了对电力资源进行合理有效的调配,可以对用电量进行预测。
在现有技术中,可以通过不同的模型对用电量进行预测,传统的预测模型可以包括马尔可夫模型、支持向量回归、时间序列分析模型等,而随着人工智能算法的发展,机器学习模型如多生支持向量回归机和神经网络被应用于电量预测任务。
然而,通过上述模型进行电量预测时,难以同时表征用电数据的周期性和瞬时波动性,导致用电量预测的准确率大大降低,预测效率并不高。
发明内容
基于此,有必要针对上述技术问题,提供一种用电量预测方法、装置、计算机设备和存储介质。
一种用电量预测方法,所述方法包括:
获取历史用电量数据对应的历史用电时序数据;
采用训练好的频域编码器和时域解码器对所述历史用电时序数据进行特征提取,得到所述历史用电量数据对应的用电量特征;其中,所述频域编码器通过在频域上对所述历史用电时序数据编码后得到所述用电量特征,所述用电量特征被所述时域解码器在时域上解码后得到的预测时序数据与所述历史时序数据匹配;
将所述用电量特征输入至训练好的用电量预测模型,以通过所述用电量预测模型基于所述用电量特征,对未来预设时间内的用电量进行预测。
在其中一个实施例中,还包括:
获取样本用电量数据对应的样本用电时序数据;
采用待训练的频域编码器对所述样本用电时序数据进行编码,得到所述样本用电时序数据在频域中的频域特征,并采用待训练的时域解码器对所述频域特征进行解码,得到所述频域特征对应的预测时序数据;
根据所述样本用电时序数据和所述预测时序数据对应的损失函数,对所述频域编码器的编码器参数以及所述时域解码器的解码器参数进行调整,直到满足训练结束条件,得到训练好的频域编码器和时域解码器。
在其中一个实施例中,所述采用待训练的频域编码器对所述样本用电时序数据进行编码,包括:
获取预设的滤波器,以及,获取所述样本用电时序数据对应的样本频域数据;
采用所述滤波器,对所述样本频域数据进行噪声滤波,得到滤波频域数据;
对所述滤波频域数据进行时频变换,得到去噪后的时域数据,并采用待训练的频域编码器对去噪后的时域数据进行编码。
在其中一个实施例中,在所述对所述滤波频域数据进行时频变换,得到去噪后的时域数据的步骤之后,所述方法还包括:
根据玻尔兹曼分布,对去噪后的时域数据进行采样,获取对应的采样结果;
所述采用待训练的频域编码器对去噪后的时域数据进行编码,包括:
采用待训练的频域编码器对所述采样结果进行编码。
在其中一个实施例中,还包括:
采用训练好的频域编码器,获取所述样本用电量数据对应的样本用电量特征;
获取所述样本用电量数据对应的用电场合特征,并确定所述用电场合特征对应的特征向量;
拼接所述样本用电量特征和所述特征向量,并基于拼接结果,对神经网络模型进行训练,直到满足训练结束条件,得到训练好的用电量预测模型。
在其中一个实施例中,所述获取所述样本用电量数据对应的用电场合特征,包括:
获取所述样本用电量数据对应的用电场合天气、用电季节和用电时间对应的节假日信息,作为所述样本用电量数据对应的用电场合特征。
在其中一个实施例中,所述获取样本用电量数据对应的样本用电时序数据,包括:
获取预设时间范围内的样本用电量数据;所述样本用电量数据包括在所述预设时间范围内多个单位时间对应的用电量数据;
对所述样本用电量数据进行归一化处理,并剔除处理后的用电量数据中的异常数据,得到筛选后的用电量数据;
对筛选后的用电量数据进行插值,并根据插值后的用电量数据,获取样本用电时序数据。
一种用电量预测装置,所述装置包括:
第一时序数据获取模块,用于获取历史用电量数据对应的历史用电时序数据;
编码解码模块,用于采用训练好的频域编码器对所述历史用电时序数据进行特征提取,得到所述历史用电量数据对应的用电量特征;其中,所述频域编码器通过在频域上对所述历史用电时序数据编码后得到所述用电量特征,所述用电量特征通过训练好的时域解码器在时域上解码后得到的预测时序数据,与所述历史用电时序数据匹配;
用电量预测模块,用于将所述用电量特征输入至训练好的用电量预测模型,以通过所述用电量预测模型基于所述用电量特征,对未来预设时间内的用电量进行预测。
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,所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述方法的步骤。
上述一种用电量预测方法、装置、计算机设备和存储介质,通过获取历史用电量数据对应的历史用电时序数据,采用训练好的频域编码器对历史用电时序数据进行特征提取,得到历史用电量数据对应的用电量特征,其中,频域编码器通过在频域上对历史用电时序数据编码后得到用电量特征,该用电量特征通过训练好的时域解码器在时域上解码后得到的预测时序数据与历史用电时序数据匹配,进而可以将用电量特征输入至训练好的用电量预测模型,通过用电量预测模型基于用电量特征,对未来预设时间内的用电量进行预测,能够通过频域提取的用电量特征,同时反映用电量数据的周期性和波动性,基于该用电量特征进行用电量预测,有效提高预测准确性。
附图说明
图1为一个实施例中一种用电量预测方法的应用环境图;
图2为一个实施例中一种用电量预测方法的流程示意图;
图3为一个实施例中获取用电量预测模型的流程示意图;
图4为一个实施例中一种用电量预测装置的结构框图;
图5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。
为了便于对本申请实施例的理解,先对用电量预测进行介绍。
在实际应用中,针对连续的用电量数据,由于用电量数据对应的一种或多种属性服从多峰高斯分布,通过提取其统计特征,可以有效实现用电量预测。虽然这种连续的用电量数据满足近似的周期性,但同时也可以包含不同频率的瞬时波动,从傅立叶分析的角度看,这类信号可以看作是多个周期性信号的叠加,对这类连续的用电量数据进行时域分析存在一定的复杂度。
在传统的用电量预测方法中,可以包括回归分析、马尔可夫模型、支持向量回归、时间序列分析模型,而随着人工智能算法的发展,机器学习模型如多生支持向量回归机和神经网络等,被逐渐应用于用电量预测。
具体实现中,在使用人工智能算法预测用电量时,可以通过递归神经网络(Recurrent Neural Network,RNN)实现。RNN是一种具有递归反馈连接的序列神经网络,但这种网络结构带来了“梯度消失”和“梯度爆炸”问题。为了缓解这些问题,可以将长短时记忆神经网络(LSTM)应用于短期电力和负荷预测,以提高预测精度,例如通过神经网络模型来提取序列特征,在使用单灰色GM(1,1)预测模型和指数平滑预测模型的同时,利用马尔可夫链建立了两个模型的加权组合,又如,针对双向长短时记忆(Bi-LSTM)神经网络,它可以利用上下文信息实现更精确的预测。此外,还可以将传统方法与概率图理论相结合、使用随机森林(RF)方法估计变量的重要性来选择变量,并基于所选择的重要变量构建深度置信网(DBN)。在基于上述模型进行用电量预测时,虽然可以成功学习序列数据的周期性,但难以对包含的波动性进行建模。并且,在模型中,时序数据和波动数据往往被过拟合。
基于此,本申请提供的一种用电量预测方法,可以应用于如图1所示的应用环境中。其中,用电量数据采集终端102可以通过网络与服务器104进行通信,用电量数据采集终端102可以是电能表,或者其他可以采集用电量数据的终端设备,由或者可以是存有用户用电量数据的终端,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,可以包括以下步骤:
步骤201,获取历史用电量数据对应的历史用电时序数据。
在具体实现中,服务器通过与用电量数据采集终端通信,可以获取用户的历史用电量数据,并确定历史用电量数据对应的历史用电时序数据,在历史用电时序数据中,可以包括单位时间对应的用电量数据,例如,当单位时间为“天”时,历史用电时序数据可以包括预设时间范围内,每天对应的用电量。
步骤202,采用训练好的频域编码器对所述历史用电时序数据进行特征提取,得到所述历史用电量数据对应的用电量特征。
其中,频域编码器通过在频域上对历史用电时序数据编码后得到用电量特征,该用电量特征被训练好的时域解码器在时域上进行解码后,可以得到与历史用电时序数据匹配的预测时序数据,例如预测时序数据与历史用电时序数据相同,或者,预测时序数据与历史用电时序数据之间的误差,在预设的误差范围内。在一示例中,编码器或解码器可以通过对神经网络模型进行训练得到。
在实际应用中,在获取历史用电时序数据后,可以采用训练好频域编码器对历史用电时序数据进行特征提取,得到历史用电量数据对应的用电量特征。由于可以在历史用电时序数据对应的频域中进行特征提取,得到用电量特征,因此,该用电量特征可以反映历史用电量数据对应的频域特征;同时,由于用电量特征通过时域解码器在时域上进行解码后,得到的预测时序数据又与原始的历史时序数据匹配,因此,用电量特征能够同时反映用电量数据对应的时域特征。
具体实现中,历史用电时序数据可以具有不同程度的波动性、总体上又呈现出周期性,并且,具有波动性的时序数据与具有周期性的时序数据在变化率和频率上具有较大区别,由于用电量特征可以反映历史用电量数据对应的频域特征,相应地,该用电量特征可以同时反映历史用电时序数据对应的波动性和周期性。
步骤203,将所述用电量特征输入至训练好的用电量预测模型,以通过所述用电量预测模型基于所述用电量特征,对未来预设时间内的用电量进行预测。
作为一示例,用电量预测模型可以是训练好的神经网络模型。
在得到用电量特征后,可以将用电量特征输入到预先训练好的用电量预测模型,用电量预测模型可以根据历史用电量数据对应的用电量特征,对未来预设时间内的用电量进行预测。
在本实施例中,通过获取历史用电量数据对应的历史用电时序数据,采用训练好的频域编码器对历史用电时序数据进行特征提取,得到历史用电量数据对应的用电量特征,其中,频域编码器通过在频域上对历史用电时序数据编码后得到用电量特征,该用电量特征通过训练好的时域解码器在时域上解码后得到的预测时序数据与历史用电时序数据匹配,进而可以将用电量特征输入至训练好的用电量预测模型,通过用电量预测模型基于用电量特征,对未来预设时间内的用电量进行预测,能够通过频域提取的用电量特征,同时反映用电量数据的周期性和波动性,基于该用电量特征进行用电量预测,有效提高预测准确性。
并且,相较于直接将时序数据变换到频域,并从信号分量中提取频域特征来预测用电量数据,从而导致时序数据中的时序依赖性会丢失或减弱,难以保证在频域提取的特征对时序预测任务具有有效性的情况下,本实施例中通过同时对频域编码器和时域解码器进行训练,使得最终得到的用电量特征在时域上进行解码后,解码结果能够与原始的历史用电时序数据匹配,使得用电量特征可以准确表征历史用电量数据的时频特点。
在一个实施例中,所述方法还可以包括如下步骤:
步骤301,获取样本用电量数据对应的样本用电时序数据。
实际应用中,服务器通过与用电量数据采集终端通信,可以获取用户的用电量数据,并从中获取用于进行编码器和解码器训练的样本用电量数据。在确定样本用电量数据后,可以确定样本用电量数据对应的历史用电时序数据,在样本用电时序数据中,可以包括单位时间对应的用电量数据。
步骤302,采用待训练的频域编码器对所述样本用电时序数据进行编码,得到所述样本用电时序数据在频域中的频域特征,并采用待训练的时域解码器对所述频域特征进行解码,得到所述频域特征对应的预测时序数据。
在获取样本用电时序数据后,可以采用待训练的频域编码器对样本用电时序数据进行编码,得到样本用电书序数据在频域中的频域特征,并采用待训练的时域解码器对频域进行解码,得到频域特征对应的预测时序数据。
步骤303,根据所述样本用电时序数据和所述预测时序数据对应的损失函数,对所述频域编码器的编码器参数以及所述时域解码器的解码器参数进行调整,直到满足训练结束条件,得到训练好的频域编码器和时域解码器。
在得到预测时序数据后,可以获取样本用电时序数据和预测时序数据对应的损失函数,并根据损失函数,对频域编码器的编码参数以及时域解码器的解码参数进行调整,在调整完成后,可以返回到步骤202,重复对编码参数和解码参数进行调整,直到满足训练结束调节,可以将当前的频域编码器和时域解码器,确定为训练好的频域编码器和时域解码器。
在一示例中,在根据损失函数对频域编码器和时域解码器进行训练时,根据极大似然估计方法进行训练,从而得到基于时频特征的变分自编码器模型(TFDVAE)。
在本实施例中,通过获取样本用电量数据对应的样本用电时序数据,采用待训练的频域编码器对样本用电时序数据进行编码,得到样本用电时序数据在频域中的频域特征,并采用待训练的时域解码器对频域特征进行解码,得到频域特征对应的预测时序数据,根据样本用电时序数据和预测时序数据对应的损失函数,对频域编码器的编码器参数以及时域解码器的解码器参数进行调整,直到满足训练结束条件,得到训练好的频域编码器和时域解码器,实现了基于时频特征对变分自编码器模型进行训练,为后续获取同时反映频域特征和时域特征的用电量特征,提供数据基础。
在一个实施例中,所述获取样本用电量数据对应的样本用电时序数据,可以包括如下步骤:
获取预设时间范围内的样本用电量数据;对所述样本用电量数据进行归一化处理,并剔除处理后的用电量数据中的异常数据,得到筛选后的用电量数据;对筛选后的用电量数据进行插值,并根据插值后的用电量数据,获取样本用电时序数据。
作为一示例,样本用电量数据可以包括在预设时间范围内多个单位时间对应的用电量数据。具体而言,当样本用电量数据包括多个单位时间对应的用电量数据时,例如以天为单位的用电量数据,由于连续的用电量数据具有时序上的相关性,时序上的相关性可以被认为是一种时域的特性,因此,样本用电量数据可以是时域上的信号,可以具备一定的近似周期性,同时又叠加了突变信号。
在具体实现中,可以获取预设时间范围内的样本用电量数据,并对样本用电量数据进行归一化处理,例如可以将各个样本用电量数据的取值统一在区间[0,1]。
针对归一化处理后的用电量数据,可以剔除其中的异常数据,得到筛选后的用电量数据。具体的,在剔除异常数据时,可以采用基于谱方法的密度聚类算法进行数据处理,将筛选出离群点作为用电量数据中的异常点,并将异常点剔除。
在进行异常数据剔除后,由于被剔除的异常数据会导致数据不连续,基于此,可以进行数据插值,选取其他用电量数据对被剔除的异常数据进行插值,进而可以根据插值后的用电量数据,获取样本用电时序数据。
例如,可以使用前一时间周期相同时刻的用电量数据进行插值,或者,也可以取当前时刻前后预设时间范围内的用电量平均值,进行插值。在插值后,可以以天为单位进行累加并归一化,构建每天对应的样本用电时序数据。
在本实施例中,通过获取预设时间范围内的样本用电量数据,对样本用电量数据进行归一化处理,剔除处理后的用电量数据中的异常数据,得到筛选后的用电量数据,进而对筛选后的用电量数据进行插值,并根据插值后的用电量数据,获取样本用电时序数据,能够对样本用电量数据进行数据预处理,有效提高后续获取的用电量特征的可靠性和准确性。
在一个实施例中,所述采用待训练的频域编码器对所述样本用电时序数据进行编码,包括:
获取预设的滤波器,以及,获取所述样本用电时序数据对应的样本频域数据;采用所述滤波器,对所述样本频域数据进行噪声滤波,得到滤波频域数据;对所述滤波频域数据进行时频变换,得到去噪后的时域数据,并采用待训练的频域编码器对去噪后的时域数据进行编码。
在具体实现中,可以获取预设的滤波器和样本用电时序数据对应的样本频域数据,进而可以采用滤波器对样本频域数据进行滤波,得到滤除噪声的滤波频域数据。在获取到滤波频域数据后,可以对滤波频域数据进行时频转换,将频域数据转换为时域数据,从而可以得到去噪后的时域数据,并采用待训练的频域编码器对去噪后的时域数据进行编码,获取频域特征。
在一示例中,可以通过如下所示的方式获取去噪后的时域数据:
其中,z为去噪后的时域数据,具体可以为离散二值变量;x为样本用电时序数据;filters为定义在频域的滤波器;表示卷积运算;F-1表示傅里叶逆变换;f表示激活函数,在一示例中,f可以是sigmoid概率激活函数。由于时域上的卷积等价于频域上的乘积,因此,可以等价于x的频谱乘以滤波器,也即在频域上进行滤波,而通过傅里叶逆变换,最终得到的数据为时域上的数据。
在本实施例中,通过获取预设的滤波器以及获取样本用电时序数据对应的样本频域数据,采用滤波器对样本频域数据进行噪声滤波,得到滤波频域数据,对滤波频域数据进行时频变换,得到去噪后的时域数据,并采用待训练的频域编码器对去噪后的时域数据进行编码,实现了噪声滤除,能够在提取不同频率特征的同时保留有效的瞬时波动频率特征和周期性特征,并过滤日常用电中的波动噪声。
在一个实施例中,在所述对所述滤波频域数据进行时频变换,得到去噪后的时域数据的步骤之后,所述方法还可以包括如下步骤:
根据玻尔兹曼分布,对去噪后的时域数据进行采样,获取对应的采样结果;则所述采用待训练的频域编码器对去噪后的时域数据进行编码,可以包括:采用待训练的频域编码器对所述采样结果进行编码。
具体而言,在得到去噪后的时域数据后,可以根据玻尔兹曼(Boltzmann)分布,对去噪后的时域数据进行采样,并将采样得到的时域数据确定为采样结果。在一示例中,玻尔兹曼分布的参数化能量函数可以表示为:
E(z)=zTWz+cTz
其中,W表示z之间的权重,c表示偏置,根据能量函数E(z)可以采样离散二值变量z的先验概率p(z)。在实际应用中,针对带有波动性的用电量数据数据,其中存在对电量预测任务有价值的瞬时变化量,此种用电量数据的存在对用电量预测结果准确性有较大影响;同时,也可以存在正常范围内的波动性数据,其对预测结果准确性影响较小,可以认为是噪声,在本实施例中,可以根据玻尔兹曼引入离散的二值变量,能够筛选出有效的波动性特征。
在得到采样结果后,则可以采用待训练的频域编码器对采样结果进行编码,得到频域特征。在一示例中,在频域编码器可以将采样结果映射到实值的特征空间,将映射结果确定为频域特征,频域编码器获得的特征表达可以表示为:
其中,h表示实值特征,对应于本申请中的频域特征,g表示ReLU激活函数。
在本实施例中,通过根据玻尔兹曼分布,对去噪后的时域数据进行采样,获取对应的采样结果,并采用待训练的频域编码器对所述采样结果进行编码,能够筛选出有效的波动性特征,为用电量特征准确表征用电量数据的瞬时变化提供基础。
在一个实施例中,可以根据离散二值变量对应的先验概率,在时域上进行解码,时域解码器可以定义为:
在一个实施例中,所述方法还可以包括如下步骤:
采用训练好的频域编码器,获取所述样本用电量数据对应的样本用电量特征;获取所述样本用电量数据对应的用电场合特征,并确定所述用电场合特征对应的特征向量;拼接所述样本用电量特征和所述特征向量,并基于拼接结果,对神经网络模型进行训练,直到满足训练结束条件,得到训练好的用电量预测模型。
作为一示例,用电场合特征可以表征用电量数据对应的电力资源被使用时,对应的空间特征或时间特征;神经网络模型可以是长短时记忆神经网络。
在具体实现中,在对频域编码器和时域解码器进行联立训练,得到训练好的频域编码器和时域解码器后,可以采用训练好的频域编码器,获取样本用电量数据对应的用电量特征。
在获取样本用电量数据后,可以获取样本用电量数据对应的用电场合特征,并确定用电场合特征对应的特征向量,进而可以对特征向量和用电量特征进行拼接,获取拼接结果,该拼接结果也可以称为样本特征。
在得到拼接结果后,可以根据拼接结果和样本用电量数据对应的标签,对神经网络模型进行训练。具体而言,可以将拼接结果输入到神经网络模型中,神经网络模型可以根据输入的拼接结果进行用电量数据预测,得到预测结果,进而可以根据预测结果和标签对神经网络模型的模型参数进行调整,训练模型,重复调整模型参数的步骤,直到满足训练结束条件时,可以将当前的神经网络模型确定为训练好的用电量预测模型,
在具体实现中,为了从服从高斯分布的用电量特征建模时序特性,本申请可以使用两个不同尺度的LSTM模型分别提取样本特征的时序特征,其中,尺度是指LSTM模型的连接跨度,通过多尺度的LSTM模型进行特征提取,可以有效提高用电量预测模型的预测精度。
例如,两个不同的尺度可以取1和3,本领域技术人员也可以根据实际情况选取模型对应的尺度。当尺度为1时,可以表示模型中的各单元之间正常连接,尺度为3时,则表示在LSTM模型的单元之间,每三个单元有一个连接,通过使用不同的尺度可以实现跳跃连接,跳跃连接的优点在于模型可以提取不连续的时间片之间的关联关系,同时可以捕捉到冗余的样本特征,有助于提高预测精度。针对两个不同尺度的LSTM模型,可以在两个LSTM之间引入注意力机制,最后组合两个LSTM得到的特征传递到全连接层,获取用电量数据的预测结果。
在本实施例中,采用训练好的频域编码器,获取样本用电量数据对应的样本用电量特征,获取样本用电量数据对应的用电场合特征,并确定用电场合特征对应的特征向量,拼接样本用电量特征和特征向量,并基于拼接结果,对神经网络模型进行训练,直到满足训练结束条件,得到训练好的用电量预测模型,能够结合用电量数据对应的用电场合,对未来进行用电量预测,有效提高预测结果准确性。
在一个实施例中,所述获取所述样本用电量数据对应的用电场合特征,包括:
获取所述样本用电量数据对应的用电场合天气、用电季节和用电时间对应的节假日信息,作为所述样本用电量数据对应的用电场合特征。
作为一示例,用电场合天气可以是用户在使用电力资源时,所在位置对应的天气情况;用电季节可以是用电时对应的季节;节假日信息可以表征用电时间是否处于节假日中,或者用电时间对应的具体节假日类型。
在实际应用中,不同天气、不同季节或用电日期是否处于节假日,都可以影响用电量数据的波动。例如,工作日用电量相对稳定,以工商业用电量为主;而在周末或节假日,由于部分工商业用电量明显下降,用电量呈下降趋势;又如,夏季的用电量往往高于冬季用电量。基于此,在本实施例中,可以获取样本用电量数据对应的用电场合天气、用电季节和用电时间对应的节假日信息,作为样本用电量数据对应的用电场合特征。
在本实施例中,通过获取样本用电量数据对应的用电场合天气、用电季节和用电时间对应的节假日信息,作为样本用电量数据对应的用电场合特征,能够集合样本用电量数据具体的使用时间和环境天气,进行用电量预测,有效提高预测结果准确性。
为了使本领域技术人员能够更好地理解上述步骤,以下通过一个例子对本申请实施例加以示例性说明,但应当理解的是,本申请实施例并不限于此。
如图3所示,可以获取时间上存在关联的多组用电量数据,并输入到编码器中,编码器可以在时域上对用电量数据进行卷积,由于时域上的卷积相当于频域上的乘积,因此,在进行卷积后,可以进行傅里叶逆变换,得到时域上的信号,并通过编码器的神经网络,继续对该信号进行处理,提取时域-频域特征(对应于本申请中的用电量特征),该用电量特征在通过解码器进行反卷积操作后,得到重组数据(对应于本申请中的预测时序数据),进而可以根据重组数据与用电量数据之间损失和反向传播算法,对编码器参数和解码器参数进行调整,在满足训练结束条件时,可以将当前提取的时域-频域特征,输入到双尺度的LSTM模型中,通过对LSTM模型进行训练后,可以由LSTM模型输入用电量预测结果。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2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4所示,提供了一种用电量预测装置,可以包括:
第一时序数据获取模块401,用于获取历史用电量数据对应的历史用电时序数据;
编码解码模块402,用于采用训练好的频域编码器对所述历史用电时序数据进行特征提取,得到所述历史用电量数据对应的用电量特征;其中,所述频域编码器通过在频域上对所述历史用电时序数据编码后得到所述用电量特征,所述用电量特征通过训练好的时域解码器在时域上解码后得到的预测时序数据,与所述历史用电时序数据匹配;
用电量预测模块403,用于将所述用电量特征输入至训练好的用电量预测模型,以通过所述用电量预测模型基于所述用电量特征,对未来预设时间内的用电量进行预测。
在一个实施例中,所述装置还可以包括:
第二时序数据获取模块,用于获取样本用电量数据对应的样本用电时序数据;
预测时序数据获取模块,用于采用待训练的频域编码器对所述样本用电时序数据进行编码,得到所述样本用电时序数据在频域中的频域特征,并采用待训练的时域解码器对所述频域特征进行解码,得到所述频域特征对应的预测时序数据;
编码解码训练模块,用于根据所述样本用电时序数据和所述预测时序数据对应的损失函数,对所述频域编码器的编码器参数以及所述时域解码器的解码器参数进行调整,直到满足训练结束条件,得到训练好的频域编码器和时域解码器。
在一个实施例中,所述预测时序数据获取模块,包括:
样本频域数据获取子模块,用于获取预设的滤波器,以及,获取所述样本用电时序数据对应的样本频域数据;
噪声滤波子模块,用于采用所述滤波器,对所述样本频域数据进行噪声滤波,得到滤波频域数据;
编码子模块,用于对所述滤波频域数据进行时频变换,得到去噪后的时域数据,并采用待训练的频域编码器对去噪后的时域数据进行编码。
在一个实施例中,所述编码子模块还包括:
采样模块,根据玻尔兹曼分布,对去噪后的时域数据进行采样,获取对应的采样结果;
所述编码子模块具体用于,采用待训练的频域编码器对所述采样结果进行编码。
在一个实施例中,所述装置还可以包括:
样本用电量特征获取模块,用于采用训练好的频域编码器,获取所述样本用电量数据对应的样本用电量特征;
特征向量获取模块,用于获取所述样本用电量数据对应的用电场合特征,并确定所述用电场合特征对应的特征向量;
拼接模块,用于拼接所述样本用电量特征和所述特征向量,并基于拼接结果,对神经网络模型进行训练,直到满足训练结束条件,得到训练好的用电量预测模型。
在一个实施例中,所述特征向量获取模块,包括:
场合特征获取子模块,用于获取所述样本用电量数据对应的用电场合天气、用电季节和用电时间对应的节假日信息,作为所述样本用电量数据对应的用电场合特征。
在一个实施例中,所述第二时序数据获取模块,,包括:
样本用电量数据获取子模块,用于获取预设时间范围内的样本用电量数据;所述样本用电量数据包括在所述预设时间范围内多个单位时间对应的用电量数据;
筛选子模块,用于对所述样本用电量数据进行归一化处理,并剔除处理后的用电量数据中的异常数据,得到筛选后的用电量数据;
插值子模块,用于对筛选后的用电量数据进行插值,并根据插值后的用电量数据,获取样本用电时序数据。
关于一种用电量预测装置的具体限定可以参见上文中对于一种用电量预测方法的限定,在此不再赘述。上述一种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5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。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5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:
获取历史用电量数据对应的历史用电时序数据;
采用训练好的频域编码器和时域解码器对所述历史用电时序数据进行特征提取,得到所述历史用电量数据对应的用电量特征;其中,所述频域编码器通过在频域上对所述历史用电时序数据编码后得到所述用电量特征,所述用电量特征被所述时域解码器在时域上解码后得到的预测时序数据与所述历史时序数据匹配;
将所述用电量特征输入至训练好的用电量预测模型,以通过所述用电量预测模型基于所述用电量特征,对未来预设时间内的用电量进行预测。
在一个实施例中,处理器执行计算机程序时还实现上述其他实施例中的步骤。
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:
获取历史用电量数据对应的历史用电时序数据;
采用训练好的频域编码器和时域解码器对所述历史用电时序数据进行特征提取,得到所述历史用电量数据对应的用电量特征;其中,所述频域编码器通过在频域上对所述历史用电时序数据编码后得到所述用电量特征,所述用电量特征被所述时域解码器在时域上解码后得到的预测时序数据与所述历史时序数据匹配;
将所述用电量特征输入至训练好的用电量预测模型,以通过所述用电量预测模型基于所述用电量特征,对未来预设时间内的用电量进行预测。
在一个实施例中,计算机程序被处理器执行时还实现上述其他实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和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-Only Memory,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。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用电量预测方法,其特征在于,所述方法包括:
获取历史用电量数据对应的历史用电时序数据;
采用训练好的频域编码器和时域解码器对所述历史用电时序数据进行特征提取,得到所述历史用电量数据对应的用电量特征;其中,所述频域编码器通过在频域上对所述历史用电时序数据编码后得到所述用电量特征,所述用电量特征被所述时域解码器在时域上解码后得到的预测时序数据与所述历史时序数据匹配;
将所述用电量特征输入至训练好的用电量预测模型,以通过所述用电量预测模型基于所述用电量特征,对未来预设时间内的用电量进行预测。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取样本用电量数据对应的样本用电时序数据;
采用待训练的频域编码器对所述样本用电时序数据进行编码,得到所述样本用电时序数据在频域中的频域特征,并采用待训练的时域解码器对所述频域特征进行解码,得到所述频域特征对应的预测时序数据;
根据所述样本用电时序数据和所述预测时序数据对应的损失函数,对所述频域编码器的编码器参数以及所述时域解码器的解码器参数进行调整,直到满足训练结束条件,得到训练好的频域编码器和时域解码器。
3.根据权利要求2所述的方法,其特征在于,所述采用待训练的频域编码器对所述样本用电时序数据进行编码,包括:
获取预设的滤波器,以及,获取所述样本用电时序数据对应的样本频域数据;
采用所述滤波器,对所述样本频域数据进行噪声滤波,得到滤波频域数据;
对所述滤波频域数据进行时频变换,得到去噪后的时域数据,并采用待训练的频域编码器对去噪后的时域数据进行编码。
4.根据权利要求3所述的方法,其特征在于,在所述对所述滤波频域数据进行时频变换,得到去噪后的时域数据的步骤之后,所述方法还包括:
根据玻尔兹曼分布,对去噪后的时域数据进行采样,获取对应的采样结果;
所述采用待训练的频域编码器对去噪后的时域数据进行编码,包括:
采用待训练的频域编码器对所述采样结果进行编码。
5.根据权利要求2至4任意一项所述的方法,其特征在于,还包括:
采用训练好的频域编码器,获取所述样本用电量数据对应的样本用电量特征;
获取所述样本用电量数据对应的用电场合特征,并确定所述用电场合特征对应的特征向量;
拼接所述样本用电量特征和所述特征向量,并基于拼接结果,对神经网络模型进行训练,直到满足训练结束条件,得到训练好的用电量预测模型。
6.根据权利要求5所述的方法,其特征在于,所述获取所述样本用电量数据对应的用电场合特征,包括:
获取所述样本用电量数据对应的用电场合天气、用电季节和用电时间对应的节假日信息,作为所述样本用电量数据对应的用电场合特征。
7.根据权利要求2至4任意一项所述的方法,其特征在于,所述获取样本用电量数据对应的样本用电时序数据,包括:
获取预设时间范围内的样本用电量数据;所述样本用电量数据包括在所述预设时间范围内多个单位时间对应的用电量数据;
对所述样本用电量数据进行归一化处理,并剔除处理后的用电量数据中的异常数据,得到筛选后的用电量数据;
对筛选后的用电量数据进行插值,并根据插值后的用电量数据,获取样本用电时序数据。
8.一种用电量预测装置,其特征在于,所述装置包括:
第一时序数据获取模块,用于获取历史用电量数据对应的历史用电时序数据;
编码解码模块,用于采用训练好的频域编码器对所述历史用电时序数据进行特征提取,得到所述历史用电量数据对应的用电量特征;其中,所述频域编码器通过在频域上对所述历史用电时序数据编码后得到所述用电量特征,所述用电量特征通过训练好的时域解码器在时域上解码后得到的预测时序数据,与所述历史用电时序数据匹配;
用电量预测模块,用于将所述用电量特征输入至训练好的用电量预测模型,以通过所述用电量预测模型基于所述用电量特征,对未来预设时间内的用电量进行预测。
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中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110380427.9A CN113284001B (zh) | 2021-04-08 | 2021-04-08 | 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 |
---|---|---|---|
CN202110380427.9A CN113284001B (zh) | 2021-04-08 | 2021-04-08 | 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 |
---|---|
CN113284001A true CN113284001A (zh) | 2021-08-20 |
CN113284001B CN113284001B (zh) | 2023-01-20 |
Family
ID=77276467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110380427.9A Active CN113284001B (zh) | 2021-04-08 | 2021-04-08 | 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) | CN113284001B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048901A (zh) * | 2021-11-10 | 2022-02-15 | 国网江苏省电力有限公司苏州供电分公司 | 一种用于用电分析的讯息标签自动标识系统 |
CN114511159A (zh) * | 2022-04-20 | 2022-05-17 | 广东电网有限责任公司佛山供电局 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
CN115130788A (zh) * | 2022-08-29 | 2022-09-30 | 江苏濠玥电子科技有限公司 | 基于大数据分析的用电预测系统 |
CN117293916A (zh) * | 2023-08-22 | 2023-12-26 | 国网安徽省电力有限公司天长市供电公司 | 一种面向用户的电网调度方法及装置、计算设备 |
CN118395384A (zh) * | 2024-06-21 | 2024-07-26 | 湖南慧明谦数字能源技术有限公司 | 一种多维分解与智能融合的电力负荷预测方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN112215398A (zh) * | 2020-04-27 | 2021-01-12 | 深圳华工能源技术有限公司 | 电力用户负荷预测模型建立方法、装置、设备及存储介质 |
CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 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 |
-
2021
- 2021-04-08 CN CN202110380427.9A patent/CN113284001B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266002A (zh) * | 2019-06-20 | 2019-09-20 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法和装置 |
CN112215398A (zh) * | 2020-04-27 | 2021-01-12 | 深圳华工能源技术有限公司 | 电力用户负荷预测模型建立方法、装置、设备及存储介质 |
CN112036668A (zh) * | 2020-09-30 | 2020-12-04 | 北京百度网讯科技有限公司 | 用水量预测方法、装置、电子设备以及计算机可读介质 |
CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 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 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048901A (zh) * | 2021-11-10 | 2022-02-15 | 国网江苏省电力有限公司苏州供电分公司 | 一种用于用电分析的讯息标签自动标识系统 |
CN114511159A (zh) * | 2022-04-20 | 2022-05-17 | 广东电网有限责任公司佛山供电局 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
CN114511159B (zh) * | 2022-04-20 | 2022-07-12 | 广东电网有限责任公司佛山供电局 | 基于条件变分自编码器的电力负荷概率预测方法和系统 |
CN115130788A (zh) * | 2022-08-29 | 2022-09-30 | 江苏濠玥电子科技有限公司 | 基于大数据分析的用电预测系统 |
CN117293916A (zh) * | 2023-08-22 | 2023-12-26 | 国网安徽省电力有限公司天长市供电公司 | 一种面向用户的电网调度方法及装置、计算设备 |
CN117293916B (zh) * | 2023-08-22 | 2024-04-23 | 国网安徽省电力有限公司天长市供电公司 | 一种面向用户的电网调度方法及装置、计算设备 |
CN118395384A (zh) * | 2024-06-21 | 2024-07-26 | 湖南慧明谦数字能源技术有限公司 | 一种多维分解与智能融合的电力负荷预测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113284001B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113284001B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
CN110610280A (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
CN112215442B (zh) | 电力系统短期负荷预测方法、系统、设备及介质 | |
CN112149797B (zh) | 神经网络结构优化方法和装置、电子设备 | |
CN112330078B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
He et al. | A cooperative ensemble method for multistep wind speed probabilistic forecasting | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN114862010A (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
CN117290818A (zh) | 一种多维时间序列预测方法、电子设备及存储介质 | |
CN113033894B (zh) | 日用电量预测方法、装置、计算机设备和存储介质 | |
Gu et al. | Improved similarity-based residual life prediction method based on grey Markov model | |
CN112862159A (zh) | 电离层的总电子含量预测方法、装置、设备及存储介质 | |
WO2022156743A1 (zh) | 特征构建方法和装置、模型训练方法和装置、设备、介质 | |
CN114528768A (zh) | 近海单点海温智能预报方法、装置及计算机可读存储介质 | |
CN118196929A (zh) | 一种车辆续航预测模型、训练方法、预测方法及设备 | |
CN117216571A (zh) | 模型训练方法、指标预测方法、装置、设备及存储介质 | |
CN118100178A (zh) | 时间序列的处理方法和电力系统负荷的处理方法 | |
CN117353293A (zh) | 负荷异常增长率估计方法、装置、存储介质及计算机设备 | |
CN118630747A (zh) | 电力负荷预测方法、装置、设备及介质 | |
CN116432834A (zh) | 时间序列预测方法和装置 | |
CN116192663A (zh) | 一种流量预测方法、装置、计算设备和存储介质 | |
CN117833243A (zh) | 一种电力短期需求预测方法、系统、设备及介质 | |
CN117371493A (zh) | 基于多尺度tcn的数据预测方法、系统、终端及存储介质 |
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 |