CN113435923A - 用电量的预测方法、装置及电子设备 - Google Patents
用电量的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113435923A CN113435923A CN202110662885.1A CN202110662885A CN113435923A CN 113435923 A CN113435923 A CN 113435923A CN 202110662885 A CN202110662885 A CN 202110662885A CN 113435923 A CN113435923 A CN 113435923A
- Authority
- CN
- China
- Prior art keywords
- electricity utilization
- target
- data
- historical
- electricity
- 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
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请提出了一种用电量的预测方法及装置,涉及数据处理领域,尤其涉及电力调度领域及深度学习等人工智能领域,可应用于智慧城市场景下,包括:获取目标区域的历史用电数据;根据所述历史用电数据,确定所述目标区域的目标用电类型;调用与所述目标用电类型匹配的目标预测模型;由所述目标预测模型基于所述历史用电数据进行预测,获取下一用电时间段的预测母线负荷量。本申请中,通过对历史用电数据进行数据分析确定目标区域的目标用电类型,实现了对于历史用电数据的有效利用,对不同的目标用电类型分别进行单独的预测,提高了模型预测的效率以及准确率,增加了用电量预测方法的适用性和实用性,有效减少了资源浪费。
Description
技术领域
本申请涉及数据处理领域,尤其涉及电力调度领域及深度学习等人工智能领域,可应用于智慧城市场景下。
背景技术
随着社会的发展,电能成为了人们生活中不可或缺的能源,由于目前的发电技术中,对于电力的存储较为困难,因此,需要通过电力调度减少资源的浪费,维护电网的稳定运行。
由于不同的用电类型的用电需求的不同,以及新能源发电方式的出现,使得目前的电力调度相关技术,无法实现对于新能源发电方式的规律性的准确预测,进而导致,当供电的电能中包括新能源发电时,电力调度的相关技术无法实现对于未来一段时间母线负荷的情况的稳定预测,进而导致电力调度的准确性和稳定性受到一定的影响。
因此,在传统发电方式与新能源发电方式相结合的场景下,如何实现对于未来一段时间的母线负荷情况的稳定预测,是目前需要解决的问题。
发明内容
本申请提出了一种斑马线生成方法、装置、电子设备、存储介质及计算机程序产品。
根据本申请的第一方面,提出了一种用电量的预测方法,包括:获取目标区域的历史用电数据;根据所述历史用电数据,确定所述目标区域的目标用电类型;调用与所述目标用电类型匹配的目标预测模型;由所述目标预测模型基于所述历史用电数据进行预测,获取下一用电时间段的预测母线负荷量。
根据本申请的第二方面,提出了一种用电量的预测装置,包括:获取模块,用于获取目标区域的历史用电数据;确定模块,用于根据所述历史用电数据,确定所述目标区域的目标用电类型;调用模块,用于调用与所述目标用电类型匹配的目标预测模型;预测模块,用于由所述目标预测模型基于所述历史用电数据进行预测,获取下一用电时间段的预测母线负荷量。
根据本申请的第三方面,提出了一种电子设备,包括:包括处理器和存储器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如上述第一方面中任一项所述的用电量的预测方法。
根据本申请的第四方面,提出了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一方面中任一项所述的用电量的预测方法。
根据本申请的第五方面,提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时实现如上述第一方面中任一项所述的用电量的预测方法。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请一实施例的用电量的预测方法的流程示意图;
图2为本申请另一实施例的用电量的预测方法的流程示意图;
图3为本申请另一实施例的用电量的预测方法的流程示意图;
图4为本申请另一实施例的用电量的预测方法的流程示意图;
图5为本申请另一实施例的用电量的预测方法的流程示意图;
图6为本申请另一实施例的用电量的预测方法的流程示意图;
图7为本申请另一实施例的用电量的预测方法的流程示意图;
图8为本申请另一实施例的用电量的预测方法的流程示意图;
图9为本申请一实施例的用电量的预测装置的结构示意图;
图10为本申请另一实施例的用电量的预测装置的结构示意图;
图11为本申请一实施例的电子设备的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
电力调度(Power Dispatching),电力调度是为了保证电网安全稳定运行、对外可靠供电、各类电力生产工作有序进行而采用的一种有效的管理手段。电力调度的具体工作内容是依据各类信息采集设备反馈回来的数据信息,或监控人员提供的信息,结合电网实际运行参数,如电压、电流、频率、负荷等,综合考虑各项生产工作开展情况,对电网安全、经济运行状态进行判断,通过电话或自动系统发布操作指令,指挥现场操作人员或自动控制系统进行调整,如调整发电机出力、调整负荷分布、投切电容器、电抗器等,从而确保电网持续安全稳定运行。
数据(Data)是对事实、概念或指令的一种表达形式,可由人工或自动化装置进行处理。数据经过解释并赋予一定的意义之后,便成为信息。数据处理(data processing)是对数据的采集、存储、检索、加工、变换和传输。数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。
深度学习(Deep Learning,简称DL),是机器学习(Machine Learning,简称ML)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能。深度学习是学习样本数据的内在律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。
人工智能(Artificial Intelligence,简称AI),是研究使计算机来模拟人生的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术,也有软件层面的技术。人工智能硬件技术一般包括计算机视觉技术、语音识别技术、自然语言处理技术以及及其学习/深度学习、大数据处理技术、知识图谱技术等几大方面。
智慧城市(Smart City),是指利用各种信息技术或创新概念,将城市的系统和服务打通、集成,以提升资源运用的效率,优化城市管理和服务,以及改善市民生活质量,把新一代信息技术充分运用在城市中各行各业基于知识社会下一代创新的城市信息化高级形态,实现信息化、工业化与城镇化深度融合,有助于缓解“大城市病”,提高城镇化质量,实现精细化和动态管理,并提升城市管理成效和改善市民生活质量。
图1为本申请一实施例的用电量的预测方法的流程示意图,如图1所示,该方法包括:
S101,获取目标区域的历史用电数据。
随着社会的发展,电力能源已经成为人们生活、生产等各个领域不可或缺的资源。由于目前的发电技术对于电力的存储较为困难,比如传统的火力发电产生的电能无法存储,需要即发即用。再比如,利用新能源发电产生的电能,虽然可以存储但是成本高昂。
因此,在实际的发电供电过程中,针对某一个区域,需要对某一设定时间范围内的发电量进行准确的预测,并基于预测的结果对供给该区域的实际发电量进行合理的计划,使得该时间范围内的发电量可以在满足该区域的实际所需的同时,不会进行过多的电能的生产,避免造成资源浪费。
进一步地,为了实现对于某一区域某一设定时间范围内的用电量的准确预测,可以通过对该区域的历史用电数据进行数据分析,基于数据分析的结果获取该区域的用电规律,并基于获取到的用电规律实现对于未来的某一设定时间范围内的用电量的预测。
通过对于历史用电数据的分析,可以获取到准确的用电规律,因此,基于此规律对未来时间段进行的预测,可以提高预测结果的准确性。
一般情况下,目标区域内设置有不同的电力设备,比如对目标区域进行电能供给的发电厂设置有发电设备,为了实现对于目标区域的电能供给,需要在发电厂与目标区域之间设置电力传输设备等等。实现中,电能的产生、供给以及使用等相关数据,均会存储于电力设备中的设定的数据存储空间,因此,可以通过电力设备的数据存储空间获取到目标区域的历史用电数据。
其中,历史用电数据可以包括目标区域的母线负荷量、火电等传统供电设施的计划发电量、新能源供电模式的发电量、天气情况、设备检修情况、主变压器容量、联络线有功功率、换流站计划、电力设施之间的接线图、潮汐图等多种数据,还可以包括目标区域在不同的历史时间范围内的历史用电量、目标区域内不同地理位置的历史用电量等等相关数据。
S102,根据历史用电数据,确定目标区域的目标用电类型。
获取到目标区域的历史用电数据后,需要对其进行数据分析,获取其中包含的目标区域的用电规律。实现中,不同的设施设备的用电量的规律特征各不相同,因此,可以基于不同的设施设备的电力使用情况,划分出多种用电类型。比如居民用电、工业用电等等。
为了更加准确的获取目标区域的用电规律,可以将历史用电数据基于不同的用电类型进行归类,并分别获取不同的用电类型对应的历史用电数据的用电规律。
可选地,可以预先对目标区域内可能存在的不同的用电类型的用电规律进行获取,进一步地,将基于历史用电数据提取到的用电规律特征与预先获取到的不同的用电类型对应的用电的规律特征进行匹配,基于匹配的结果确定目标区域对应的目标用电类型,并将历史用电数据基于不同的目标用电类型进行归类。
比如,若目标区域的覆盖范围包括城市,则该目标区域的用电类型中包含有居民用电。一般情况下,居民用电的用电规律呈现周期性的波动趋势,其中,可以包括晚间的用电量较大白天用电量较小、节假日用电量较大工作日用电量较小、冬夏用电量较大春秋用电量较小等等相关特征。
则将获取到的历史用电数据拆分处理后,若基于历史用电数据提取出的特征与上述居民用电的用电特征相匹配,则将居民用电确定为目标用电类型。进一步地,将具有上述规律特征的历史用电数据归类于居民用电类型。
再比如,若目标区域的覆盖范围包括工业园区,则该目标区域的用地啊你乐行中包含有工业用电。一般情况下,工业用电的用电规律呈现突变型的波动趋势,其中,可以包括白天用电量较大晚上用电量较小、工作日用电量较大节假日用电量较小、生产旺季的用电量较大淡季较小等等相关特征。
则将获取到的历史用电数据拆分处理后,若基于历史用电数据提取出的特征与上述工业用电的用电特征相匹配,则将工业用电确定为目标用电类型。进一步地,将具有上述用电规律特征的历史用电数据归类于工业用电类型。
S103,调用与目标用电类型匹配的目标预测模型。
为了实现对于目标区域在下一用电时间段的用电量的准确预测,可以基于获取到的目标区域中的不同的目标用电类型对应的用电规律,分别进行下一用电时间段的用电量的预测,进而获取目标区域中不同的目标用电类型对应的用电量的预测结果。
进一步地,为了实现对于不同的目标用电类型的用电规律特征的充分利用,针对不同的目标用电类型,需要配置不同的目标预测模型。
再进一步,针对不同的目标用电类型进行下一用电时间段的用电量预测时,可以基于目标用电类型,调取其匹配的目标预测模型,并将不同的母用电类型对应的历史用电数据输入至不同的相匹配的目标预测模型中,进而实现对于不同的目标用电类型的下一用电时间段的用电量的预测。
比如,设定目标用电类型为居民用电类型,则可以将历史用电数据中属于居民用电类型的数据输入至居民用电匹配的预测模型中,基于居民用电的规律进行下一用电时间段的用电量的预测。一般情况下,居民用电的用电类型的规律具有周期性的波动趋势,且对于用电量的预测是基于居民用电类型的历史用电数据,预测其自身的在下一用电时间段的用电量,因此,可以将居民用电匹配的预测模型设置为,可以对周期性波动的数据进行数据分析,同时可以实现自相关预测的预测模型,比如自回归预测模型等等。
S104,由目标预测模型基于历史用电数据进行预测,获取下一用电时间段的预测母线负荷量。
其中,目标预测模型可以对输入其中的历史用电数据进行用电量的规律特征的提取,基于提取到的用电量的特征,对下一用电时间段的用电量进行预测。
实现中,目标区域内的发电厂与目标区域内的用电设施之间存在一条或多条母线,通过母线可以实现电能的传输。一般情况下,目标区域内的供电设施所产生的电能会供给至为其匹配的固定的一条或多条母线
进一步地,针对某一种目标用电类型,该目标用电类型在下一用电时间段的预测用电量,即为下一用电时间段内供电设施需要对该种目标用电类型进行电能供给的发电量。因此,对于目标区域在下一时间段的用电量的预测结果可以通过预测的母线负荷量体现。
获取到不同的目标用电类型在下一用电时间段对应的预测母线负荷量后,可以将获取到的一个或多个预测母线负荷量进行整合,并将获取到的预测母线负荷量的整合结果确定为目标区域在下一用电时间段的预测母线负荷量。
本申请提出的用电量的预测方法,通过对获取到的目标区域的历史用电数据进行数据分析,获取其中包含的目标区域的目标用电类型。调用目标用电类型匹配的目标预测模型,将目标用电类型对应的历史用电数据输入匹配的目标预测模型,分别进行不同的目标用电类型在下一用电时间段内的用电量的预测,获取不同的目标用电类型在下一用电时间段的预测母线负荷量,进一步地,将获取到的预测母线负荷量进行整合,生成目标区域在下一用电时间段内的预测母线负荷量。本申请中,通过对历史用电数据进行数据分析确定目标区域的目标用电类型,实现了对于历史用电数据的有效利用,对不同的目标用电类型分别进行单独的预测,提高了模型预测的效率以及准确率,增加了用电量预测方法的适用性和实用性,有效减少了资源浪费。
上述实施例中,关于目标用电类型的确定,可以结合图2进一步理解,图2为本申请另一实施例的用电量的预测方法的流程示意图,如图2所示,该方法包括:
S201,响应于历史用电数据中包括新能源供电数据,则确定目标用电类型为新能源用电类型。
一般情况下,获取到历史用电数据中,可以包括火电等传统供电模式下的供电以及用电的相关数据,比如发电厂的发电计划等等,还可以包括新能源供电模式下的供电以及用电的相关数据,比如新能源发电量、天气数据、潮汐图等等,还可以包括与火电等传统供电模式与新能源供电模式均相关的供电及用电数据,比如母线负荷量、设备检修情况、主变压器容量、联络线有功功率、换流站计划、电力设施之间的接线图等多种数据。
其中,新能源供电模式下产生的电能可以包括风电、光电、水电、生物电等等。
实现中,基于火电等传统供电模式的历史用电数据与新能源供电模式的历史用电数据之间存在不重叠部分,因此,可以基于该部分不重叠的数据实现二者的分类。
进一步地,对获取到的历史用电数据进行拆分归类后,若历史用电数据中包含有属于新能源供电模式的相关数据,则可以将目标用电类型确定为新能源用电类型。
S202,响应于历史用电数据中未包括新能源供电数据,则根据历史用电数据,绘制目标区域的用电波动图。
由于新能源供电模式的不可控性和复杂性,因此,在对历史用电数据进行用电规律的归类时,需要对其中与新能源供电模式相关的数据进行过滤,以获取到可以分析的不包含新能源供电模式相关数据的历史用电数据。基于不包含新能源供电模式相关数据的历史用电数据,可以实现目标区域的用电波动图的绘制,以获取目标区域内的用电的波动趋势。
可选地,由于历史用电数据为时序数据,因此,可以对不包含新能源供电模式相关数据的历史用电数据,进行时间序列的划分。获取时间序列中包含的不同的时间点对应的历史用电量,并基于获取到的时间点以及与其对应的历史用电量进行波形图的绘制,进而生成目标区域的用电波动图。
进一步地,对历史用电数据进行时间段划分,并根据属于同一时间段的历史用电数据,绘制同一时间段对应的用电波动图片段。
其中,可以基于设定的时间间隔对历史用电数据进行的时间段的划分,所设定的时间间隔可以基于用电量的高峰时间范围确定,可以将用电量较大的时间段与用电量较小的时间段划分为不同的时间段,基于每个时间段内不同的时间点对应的历史用电数据,生成每个时间段对应的用电波动图的片段,使得每个时间段对应的用电波动图可以更好的体现该时间段内的用电趋势。
再进一步,基于所有时间段的用电波动图片段,生成用电波动图。
获取到全部的时间段对应的用电波动图的片段后,将其进行整合,可选地,可以将全部的用电波动图的片段基于时间的顺序首尾相接,进而生成所有时间段对应的完整的目标区域的用电波动图。
比如,设定获取到的历史用电数据是目标区域近30个自然日的历史用电数据,可以将该历史用电数据基于设定的时间间隔进行时序的划分,获取到其中一个从八点至十一点的用电时间段,基于该时间段对应的30个自然日的历史用电数据,可以实现该时间段对应的用电波动图的片段的绘制。进一步地,绘制完成全部的时间段对应的用电波动图的片段的绘制后,即可生成目标区域对应的完整的用电波动图。
S203,获取波动图的波动规律信息,并基于波动规律信息确定目标用电类型。
基于绘制完成的目标区域的用电波动图,可以获取其中包含的波动规律信息,比如不同日期相同时间段的用电规律信息,或者相同日期不同时间段的用电规律信息等等。
可选地,可以预先获取目标区域中不同的用电类型对应的用电的规律信息,在获取到用电波动图中提取到的目标区域的用电规律特征后,可以将二者进行匹配,基于匹配的结果确定目标区域对应的目标用电类型。
比如,居民用电类型所呈现出的用电的规律信息,可以包括工作日晚间用电量大于白天,节假日的用电量大于工作日的用电量等等,获取目标区域的用电波动图后,当提取用电的波动规律信息与居民用电类型的用电规律信息相匹配时,则可以将居民用电类型确定为目标用电类型。
本申请提出的用电量的预测方法,当历史用电数据中包含有新能源用电类型的相关数据时,则将新能源用电类型确定为目标用电类型。进一步地,对历史用电数据中除新能源用电类型相关数据之外的其他数据,进行时间段的拆分,并生成不同时间段对应的用电波动图片段,将全部的用电波动图片段整合后,生成目标区域的用电波动图。基于用电波动图获取历史用电数据中目标区域的用电规律特征,进而确定目标区域的目标用电类型。本申请中,通过对于历史用电数据的分析,获取到准确的目标用电类型,实现了对于历史用电数据的有效利用,提高了获取到的目标用电类型的准确率,以及后续基于目标用电类型进行预测的预测结果的准确率。
为了实现更加精准的用电量的预测,本申请实施例中,对于不同的目标用电类型匹配的不同的目标预测模型,基于不同的目标预测模型实现不同的目标用电类型的单独预测,以获取到不同的目标用电类型在下一用电时间段的预测母线负荷量。进一步地,将获取到的不同的目标用电类型对应的预测母线负荷量进行整合,以实现目标区域在下一用电时间段的母线负荷量的预测。
其中,当对目标区域的进行供给的电能中,包含新能源供电模式产生的电能时,为了优化预测结果的准确率,对新能源供电模式与火电等传统供电模式需要分别进行单独的预测。如图3所示,图3为本申请另一实施例的用电量的预测方法的流程示意图,该方法包括:
S301,响应于目标用电类型为新能源用电类型,调用新能源用电类型对应的第一目标预测模型,其中,第一目标预测模型包括新能源供电模式对应的第一目标预测子模型和火电供电模式对应的第二目标预测子模型。
目前,新能源供电模式中存在较多的不可控因素,包括天气情况、径流情况等等相关因素,因此,对于新能源供电模式,可以基于相关数据实现下一用电时间段可能实现的发电量的预测,而无法对下一用电时间段的发电量进行计划调控。
比如,基于水能产生的水电,其发电量受河流天然径流丰枯变化的影响,对无水库和/或水库调节能力较差的水电站,仅可以基于近期的径流情况以及下一用电时间段的预测径流情况进行发电量的预测,而无法进行人为的计划调控。
再比如,风电以及光电等基于天气因素的能源产生的电能,其发电量受天气变化的影响,同样地,可以基于预测的天气情况实现下一用电时间段的发电量的预测,但是其发电量无法实现人为的计划调控。
因此,对于新能源用电类型的用电量进行的预测,可以理解为,是对下一用电时间段内新能源供电模式可以实现的发电量的预测。
一般情况下,由于新能源供电模式的不可控性,在新能源供电模式进行电能供给的同时,会配置火电等传统供电模式进行电能的供给,以强化对目标区域的供电的稳定性。
因此,对于包含有新能源供电模式的目标区域,对其进行母线负荷量的预测时,需要将新能源供电模式与火电等传统供电模式分开,并进行单独的预测。
进一步地,可以为上述新能源供电模式与火电等传统供电模式相结合的供电模式,匹配相应的预测模型,并标记为第一目标预测模型,第一目标预测模型可以分为两个目标预测子模型。
其中,通过第一目标预测子模型实现对于新能源供电模式在下一用电时间段内可能实现的发电量的预测。通过第二目标预测子模型可以实现目标区域在下一用电时间段内的所需用电量的预测,火电等传统供电模式可以结合第一目标预测子模型与第二目标预测子模型的输出结果,实现其在下一用电时间段的计划发电量的调整。
S302,从历史用电数据中提取新能源供电模式相关的第一历史用电数据。
对历史用电数据进行归类后,可以将其中与新能源供电模式相关的历史用电数据确定为第一历史用电数据。
其中,第一历史用电数据可以包括目标区域中新能源供电设施的历史发电量、目标区域的历史天气情况,以及目标区域内不同的天气情况对应的发电量等等相关数据。
通过第一历史用电数据,可以获取目标区域内新能源供电系统的历史发电量的规律信息。
S303,将第一历史用电数据输入第一目标预测子模型中,输出新能源供电模式对应的下一用电时间段的第一预测母线负荷量。
进一步地,将第一历史用电数据输入至第一目标预测子模型,通过第一预测子模型对第一历史用电数据中包含的目标区域的新能源供电模式的历史发电量的规律特征进行提取,以获取到新能源供电模式下,发电量与其他因素之间的规律关系,比如光电的发电量与天气之间的规律关系,或者水电的发电量与径流丰枯之间的规律关系等等。
进一步地,第一目标预测子模型提取到的目标区域内新能源的历史发电规律信息后,结合下一用电时间段内可以对新能源发电产生影响的相关因素的预测情况,即可获取新能源供电模式在下一用电时间段可以实现的电能的产值。
比如,风电与天气数据相关,风力等级越高则风力发电量越大,将与风电相关的第一历史用电数据输入至第一目标预测子模型中后,第一目标预测子模型提取到风电的历史发电规律中包含的不同等级的风力所对应的风电的产值,则基于下一用电时间段内的天气数据中对于风力的等级预测数据后,即可以实现下一用电时间段的风电的发电量的预测。
一般情况下,目标区域内的供电设施会配置有固定的供电母线,供电设施产生的电能会通过母线进行传输,可以理解为,供电设施在某一个时间段内所产生的发电量即为其对应的母线在该时间段内的负荷量,因此,可以用预测母线负荷量体现下一用电时间段新能源供电模式的预测发电量。
进一步地,获取到新能源供电模式在下一用电时间段的预测发电量后,将该发电量确定为下一用电时间段内,新能源供电模式对应的供电母线的第一预测母线负荷量。
S304,将历史用电数据中剩余的第二历史用电数据输入第二目标预测子模型中,输出火电供电模式对应的下一用电时间段的第二预测母线负荷量。
本申请实施例中,全部的历史用电数据中,除第一历史用电数据之外的其他的历史用电数据可以标记为第二历史用电数据。
其中,第二历史用电数据中存在不同的目标用电类型对应的历史用电数据。基于不同用电类型的历史用电数据,获取到目标区域的不同的目标用电类型对应的历史用电数据中携带的目标区域的用电的规律特征后,分别对不同的目标用电类型在下一用电时间段的母线负荷量进行预测,进一步地,将预测获取到不同的目标用电类型对应的预测母线负荷量进行整合,以获取下一用电时间段内目标区域的预测母线负荷量。
由于对目标区域所供给的电能包含新能源供电模式下产生的电能,因此,获取到目标区域在下一用电时间段的预测母线负荷量后,为了实现对于发电量的计划和调控,需要结合已经确定的新能源在下一用电时间段内可以产生的发电量,进而确定火电等传统发电模式在下一用电时间段内需要实现的母线负荷量。
进一步地,将获取到的目标区域在下一用电时间段内的预测母线负荷量与新能源模式下预测获取的发电量做差,获取到的差值即为新能源供电模式在下一用电时间段内的预测母线负荷量缺口,该预测母线负荷量缺口即为下一用电时间段内火电等传统发电模式需要实现的预测母线负荷量,将其确定为下一用电时间段的第二预测母线负荷量。
本申请提出的用电量的预测方法,对新能源供电模式与火电等传统供电模式进行单独的用电量的预测,通过第一目标预测模型分别为二者实现单独的母线负荷量的单独预测,充分考虑了新能源供电模式的复杂性,有效提高了新能源供电模式在下一用电时间段的预测母线负荷量的准确率,进而提高了最终的对目标区域的预测母线负荷量的准确率。
进一步地,为了更精准的实现下一用电时间段的目标区域的用电量的预测,可以为居民用电类型单独匹配相应的预测模型,如图4所示,图4为本申请另一实施例的用电量的预测方法的流程示意图,该方法包括:
S401,响应于目标用电类型为居民用电类型,调用居民用电类型对应的第二目标预测模型。
当获取到的目标区域对应的目标用电类型中包含居民用电类型时,可以对居民用电类型进行单独的下一用电时间段的母线负荷量预测。
进一步地,可以为居民用电类型匹配相应的目标预测模型,并标记为第二目标预测模型。
其中,第二目标预测模型可以实现对于输入其中的数据进行时序特征提取,并可以基于提取到的特征实现下一个时间的预测。
可选地,第二目标预测模型可以是自回归预测模型,通过对于输入其中的居民用电类型对应的历史用电数据进行时间序列的处理,并提取历史居民用电类型的用电的规律特征,基于提取到的特征实现下一用电时间段内居民用电类型的用电量的预测。
S402,将历史用电数据输入第二目标预测模型中,输出下一用电时间段的第三预测母线负荷量。
一般情况下,城市对于居民的居住生活的地理位置的规划、以及居民的数量相对比较固定,因此,从宏观角度上,针对某一个目标区域,其区域内的居民用电类型对应的用电量的规律较为稳定。基于人们生活的规律特征,居民用电类型的用电规律特征会呈现周期性波动的趋势。
相应地,目标区域内的居民用电类型的用电量的规律特征较为稳定,因此,在对目标区域内的居民用电类型的历史用电数据进行少量的数据采样的场景下,依然可以获取目标区域内的居民用电类型的用电规律特征。
因此,第二目标预测模型需要具备可以实现基于少量的样本数据进行特征提取,并基于提取到的特征实现自相关预测的能力。
其中,第二目标预测模型可以为基于自回归预测模型构建的预测模型,或其他可以具备上述能力的预测模型,在此不做限定。
将居民用电类型对应的历史用电数据输入至第二目标预测模型中,第二目标预测模型可以提取到历史用电数据中的居民用电类型的规律特征,比如不同的时间点对应的用电量、用电量的峰值和谷值等等。进一步地,将提取到的用电量的规律特征与下一用电时间段中的时间点进行对应,进而获取到下一用电时间段目标区域的居民用电类型的预测母线负荷量。
进一步地,供电设施可以基于预测的母线负荷量对其下一用电时间段内对于居民用电类型的供电量进行计划,因此,该预测母线负荷量即为目标区域在下一用电时间段的居民用电类型对应的第三预测母线负荷量。
本申请提出的用电量的预测方法,通过对居民用电类型匹配相应的预测模型,对于居民用电类型进行单独预测,充分的利用了居民用电类型的用电的规律特征,提高了预测效率以及预测结果的准确率。
一般情况下,目标区域对应的目标用电类型中,除居民用电类型之外,往往还包括工业用电类型。同样的,为了优化预测结果的准确性,需要为工业用电类型匹配其对应的预测模型,如图5所示,图5为本申请另一实施例的用电量的预测方法的流程示意图,该方法包括:
S501,响应于目标用电类型为工业用电类型,调用工业用电类型对应的第三目标预测模型。
对获取到的目标区域的历史用电数据进行分析,获取其对应的目标用电类型。当目标用电类型中包含有工业用电的用电类型时,可以对工业用电进行单独的下一用电时间段的母线负荷量的预测。
进一步地,可以为工业用电类型匹配相应的目标预测模型,并标记为第三目标预测模型。
其中,第三目标预测模型可以实现对于输入其中的数据进行时序特征提取,获取工业用电类型的用电规律特征,并基于该特征实现下一用电时间段的工业用电类型的母线负荷量的预测。
S502,将历史用电数据输入第三目标预测模型中,输出下一用电时间段的第四预测母线负荷量。
实现中,目标区域内的工业设施,在进行作业时的用电量呈现的规律特征,与在休息时的用电量呈现的规律特征之间相关性较弱。且工厂的工作日与休息日的设定受其业务淡旺季的影响,因此,工业用电类型存在较为复杂的用电规律信息。进一步地,为了更加准确的实现工业用电类型在下一用电时间段的母线负荷量的预测,需要对工业用电类型的历史用电数据进行进一步地的拆分。
比如,可以拆分获取工作日的历史用电数据,或者拆分获取休息日的历史用电数据,再或者,分别获取淡旺季的工作日和休息日的历史用电数据等等,以获取到工业用电类型中包含的不同的时间类型的用电规律特征。
因此,第三目标预测模型需要具备可以对输入其中的数据中的多个规律特征分别提取,并基于提取到的不同的特征分别实现自相关预测的能力。
其中,第三目标预测模型可以为基于树模型构建的预测模型,也可以为基于深度模型构建的预测模型,或其他可以具备上述能力的预测模型,在此不做限定。
将工业用电类型对应的历史用电数据输入至第三目标预测模型中,第三目标预测模型对其进行多特征的提取,并基于提取到的不同的时间类型对应的用电规律特征,实现下一用电时间段的工业用电类型的母线负荷量的预测。
其中,由于工业用电类型的用电规律的复杂性,在对其相应的历史用电数据进行特征分析时,往往会出现不同程度的噪声影响,为了提高模型预测的准确度,可以对输入第三目标预测模型的历史用电数据进行噪声清洗。
可选地,在对历史用电数据进行用电波动图的绘制时,在初步生成的用电波动图中往往会出现小波动的高频噪声干扰,对于该种类型的噪声干扰,可以采用小波分解的方式,对获取到的用电波动图进行一次清洗,以提高用电波动图的准确度,进而提高了最终的预测结果的准确性,同时可以有效提高模型的预测效率。
确定工业用电类型在下一用电时间段的预测母线负荷量后,供电设施可以基于预测母线负荷量对其下一用电时间段内对于工业用电类型的供电量进行计划,进一步地,将该预测母线负荷量确定为目标区域在下一用电时间段的第四预测母线负荷量。
本申请提出的用电量的预测方法,通过对工业用电类型单独匹配相应的预测模型,对于工业类型用电量进行单独预测,充分的利用了工业用电类型的用电的规律特征,对于可能存在的噪声进行清洗,降低噪声干扰,提高了模型的预测效率,提高了预测结果的准确率。
上述实施例中,基于目标预测模型实现的下一用电时间段的用电量的预测,可以结合图6进一步理解,图6为本申请另一实施例的用电量的预测方法的流程示意图,如图6所示,该方法包括:
S601,基于目标预测模型中的特征提取层,对历史用电数据每个类数据进行特征提取。
本申请实施例中,目标预测模型需要对输入其中的历史用电数据进行特征提取,以实现后续的母线负荷量的预测,因此,目标预测模型中需配置有特征提取层。
通过特征提取层,对输入其中的历史用电数据中所包含的每个目标用电类型对应的不同的用电规律特征进行准确提取。
S602,根据目标预测模型中的注意力层,从提取的特征中获取关联数据项之间的相关性特征。
进一步地,提取到不同的用电类型对应的用电规律特征后,为了实现对于后续的母线负荷量的预测,需要对提取到的特征与历史用电数据之间的关系进行进一步的增强,使得后续的母线负荷量的预测可以有效调用不同的特征对应的历史用电数据。
因此,目标预测模型中,在特征提取层后需要配置用于特征与数据之间的关系进行增强的注意力层。通过注意力层,将提取到的特征与具有该特征的历史用电数据进行进一步的关联,进而获取二者之间的相关性特征。
S603,将提取的特性和相关性特征输入目标预测模型中的输出层,以输出下一用电时间段的预测母线负荷量。
实现中,目标预测模型可以基于获取到的前叙的特征提取层和注意力层的输出结果,进行下一用电时间段的母线负荷量的预测。
基于特征提取层提取出的不同的目标用电类型的用电特征,获取不同的目标用电类型的用电规律,基于注意力层增强了特征与历史用电数据之间的相关性,进而获取不同的目标用电特征的用电规律所对应的不同时间点的用电量。
进一步地,针对不同的目标用电类型,获取不同的目标用电类型的历史用电数据中的不同的时间点对应的用电量,并将其映射至下一用电时间段中的时间点,进而完成不同的目标用电类型在下一用电时间段的母线负荷量的预测。
再进一步地,将获取到的不同的用电类型在下一用电时间段的预测母线负荷量进行整合,进而实现对于下一用电时间段的全部的母线负荷量的预测。
本申请提出的用电量的预测方法,基于目标预测模型中的特征提取层,实现不同的目标用电类型的特征提取,基于注意力层实现了特征与其对应的数据之间的相关性的增强,进而使得目标预测模型可以实现准确的对下一用电时间段的用电量的预测。
进一步地,获取到下一用电时间段的母线负荷量的预测结果后,基于预测结果可以实现对于下一用电时间段内的发电计划的调整。如图7所示,图7为本申请另一实施例的用电量的预测方法的流程示意图,该方法包括:
S701,获取下一用电时间段的火电供电模式的发电计划量。
本申请提出的用电量的预测方法,是为了基于预测获取到的母线预测负荷量实现更加精准的电力调度,因此在获取到下一用电时间段内的母线预测负荷量后,需要基于该预测负荷量对下一用电时间段的发电量进行相应的调整,以免过量的发电导致的资源浪费。
可选地,可以从对目标区域进行电能供给的火电等传统供电模式的发电厂获取其下一用电时间段的发电计划量。
S702,根据预测母线负荷量和发电计划量的差异量,对发电计划量进行调整。
为了实现精准的电力调度,需要基于预测到的母线预测负荷量对计划发电量进行调整。
可选地,在对目标区域进行电能供给的供电模式中,不存在新能源供电模式的场景中,由于火电等传统供电模式所产生的电能无法存储,需要即发即用,因此,可以根据预测的母线负荷量直接对火电等传统供电模式在下一用电时间段的计划发电量进行调整,在获取到火电等传统供电模式的基础发电计划后,将其与预测获取到的母线预测负荷量进行对比,当二者存在差异时,以母线预测负荷量为基准对火电等传统供电模式在下一用电时间段的计划发电量进行调整。
可选地,在对目标区域进行电能供给的供电模式中,包含新能源供电模式的场景中,由于新能源供电模式在下一用电时间段的发电量的不可控性,因此,在该场景中对目标区域对应的下一用电时间段进行的母线负荷量的预测是基于新能源供电模式与火电等传统供电模式分开实现的。在获取到火电等传统供电模式在下一用电时间段的计划发电量后,将其与基于火电等传统供电模式进行预测获取到的母线预测负荷量进行对比,当二者不同时,基于火电等传统供电模式对应的母线预测负荷量对下一用电时间段的火电的计划发电量进行调整。
进一步地,完成目标区域内的电力调度。
本申请提出的用电量的预测方法,将获取到的母线预测负荷量与火电等传统供电模式在下一用电时间段的计划发电量进行比较,基于比较的结果实现目标区域内的电力调度,提高了电力调度的稳定性以及准确性。
为更好地理解上述实施例,可结合图8,图8为本申请另一实施例的用电量的预测方法的流程示意图,如图8所示,该方法包括:
S801,获取目标区域的历史用电数据。
S802,对目标区域的历史用电数据进行数据分析。
S803,对历史用电数据进行归类,确定目标用电类型。
S804,基于不同的目标用电类型调用不同的目标用电类型匹配的目标预测模型。
S805,获取不同的目标用电类型在下一用电时间段的预测母线负荷量,进而生成目标区域的下一用电时间段的预测母线负荷量。
S806,基于目标区域的下一用电时间段的预测母线负荷量实现目标区域的电力调度。
获取目标区域的历史用电数据后,对其进行数据分析,进而确定目标区域对应的目标用电类型。调取不同的目标用电类型匹配的目标预测模型,对不同的目标用电类型分别进行单独的用电量的预测,获取不同的目标用电类型在下一用电时间段的预测母线负荷量,进而生成目标区域的预测母线负荷量。本申请中,通过对历史用电数据进行数据分析确定目标区域的目标用电类型,实现了对于历史用电数据的有效利用,对不同的目标用电类型分别进行单独的预测,提高了模型预测的效率以及准确率,增加了用电量预测方法的适用性和实用性,有效减少了资源浪费。
与上述几种实施例提出的用电量的预测方法相对应,本申请的一个实施例还提出了一种用电量的预测装置,由于本申请实施例提出的用电量的预测装置与上述几种实施例提出的用电量的预测方法相对应,因此上述用电量的预测方法的实施方式也适用于本申请实施例提出的用电量的预测装置,在下述实施例中不再详细描述。
图9为本申请一实施例的用电量的预测装置的结构示意图,如图9所示,用电量的预测装置900,包括获取模块91、确定模块92、调用模块93、预测模块94,其中:
获取模块91,用于获取目标区域的历史用电数据;
确定模块92,用于根据所述历史用电数据,确定所述目标区域的目标用电类型;
调用模块93,用于调用与所述目标用电类型匹配的目标预测模型;
预测模块94,用于由所述目标预测模型基于所述历史用电数据进行预测,获取下一用电时间段的预测母线负荷量。
图10为本申请一实施例的用电量的预测装置的结构示意图,如图10所示,用电量的预测装置1000,包括获取模块11、确定模块12、调用模块13、预测模块14、调度模块15,其中:
需要说明的是,获取模块11、确定模块12、调用模块13、预测模块14与获取模块91、确定模块92、调用模块93、预测模块94,具有相同的结构和功能。
本申请实施例中,所述确定模块12,还用于:响应于所述历史用电数据中包括新能源供电数据,则确定所述目标用电类型为新能源用电类型;响应于所述历史用电数据中未包括新能源供电数据,则根据所述历史用电数据,绘制所述目标区域的用电波动图;获取所述波动图的波动规律信息,并基于所述波动规律信息确定所述目标用电类型。
本申请实施例中,所述确定模块12,还用于:对所述历史用电数据进行时间段划分,并根据属于同一时间段的所述历史用电数据,绘制所述同一时间段对应的用电波动图片段;基于所有时间段的所述用电波动图片段,生成所述用电波动图。
本申请实施例中,所述预测模块14,还用于:响应于所述目标用电类型为所述新能源用电类型,调用所述新能源用电类型对应的第一目标预测模型,其中,所述第一目标预测模型包括新能源供电模式对应的第一目标预测子模型和火电供电模式对应的第二目标预测子模型;从所述历史用电数据中提取所述新能源供电模式相关的第一历史用电数据;将所述第一历史用电数据输入所述第一目标预测子模型中,输出所述新能源供电模式对应的所述下一用电时间段的第一预测母线用电量;将所述历史用电数据中剩余的第二历史用电数据输入所述第二目标预测子模型中,输出所述火电供电模式对应的所述下一用电时间段的第二预测母线负荷量。
本申请实施例中,所述预测模块14,还用于:响应于所述目标用电类型为居民用电类型,调用所述居民用电类型对应的第二目标预测模型;将所述历史用电数据输入第二目标预测模型中,输出所述下一用电时间段的第三预测母线负荷量。
本申请实施例中,其中所述预测模块14,还用于:响应于所述目标用电类型为所述工业用电类型,调用所述工业用电类型对应的第三目标预测模型;将所述历史用电数据输入所述第三目标预测模型中,输出所述下一用电时间段的第四预测母线负荷量。
本申请实施例中,所述预测模块14,还用于:基于所述目标预测模型中的特征提取层,对所述历史用电数据每个类数据进行特征提取;根据所述目标预测模型中的注意力层,从所述提取的特征中获取关联数据项之间的相关性特征;将所述提取的特性和相关性特征输入所述目标预测模型中的输出层,以输出所述下一用电时间段的预测母线负荷量。
本申请实施例中,用电量的预测装置1000,还包括:
所述获取模块11,还用于获取所述下一用电时间段的火电供电模式的发电计划量;
调度模块15,用于根据所述预测母线负荷量和所述发电计划量的差异量,对所述发电计划量进行调整。
本申请提出的用电量的预测装置,获取目标区域的历史用电数据后,对其进行数据分析,进而确定目标区域对应的目标用电类型。调取不同的目标用电类型匹配的目标预测模型,对不同的目标用电类型分别进行单独的用电量的预测,获取不同的目标用电类型在下一用电时间段的预测母线负荷量,进而生成目标区域的预测母线负荷量。本申请中,通过对历史用电数据进行数据分析确定目标区域的目标用电类型,实现了对于历史用电数据的有效利用,对不同的目标用电类型分别进行单独的预测,提高了模型预测的效率以及准确率,增加了用电量预测方法的适用性和实用性,有效减少了资源浪费。
图11示出了可以用来实施本申请的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,设备1100包括计算单元1101,其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序,来执行各种适当的动作和处理。在RAM 1103中,还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM1102以及RAM1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105,包括:输入单元1106,比如键盘、鼠标等;输出单元1107,比如各种类型的显示器、扬声器等;存储单元1108,比如磁盘、光盘等;以及通信单元1109,比如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理,比如用电量的预测方法。比如,在一些实施例中,用电量的预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,比如存储单元1108。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM1103并由计算单元1101执行时,可以执行上文描述的用电量的预测方法一个或多个步骤。备选地,在其他实施例中,计算单元1101可以通过其他任何适当的方式(比如,借助于固件)而被配置为执行用电量的预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与使用者的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向使用者显示信息的显示装置(比如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(比如,鼠标或者轨迹球),使用者可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与使用者的交互;比如,提供给使用者的反馈可以是任何形式的传感反馈(比如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自使用者的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(比如,作为数据服务器)、或者包括中间件部件的计算系统(比如,应用服务器)、或者包括前端部件的计算系统(比如,具有图形使用者界面或者网络浏览器的使用者计算机,使用者可以通过该图形使用者界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(比如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务端可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。比如,本申请公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (19)
1.一种用电量的预测方法,包括:
获取目标区域的历史用电数据;
根据所述历史用电数据,确定所述目标区域的目标用电类型;
调用与所述目标用电类型匹配的目标预测模型;
由所述目标预测模型基于所述历史用电数据进行预测,获取下一用电时间段的预测母线负荷量。
2.根据权利要求1所述的方法,其中,所述根据所述历史用电数据,确定所述目标区域的目标用电类型,包括:
响应于所述历史用电数据中包括新能源供电数据,则确定所述目标用电类型为新能源用电类型;
响应于所述历史用电数据中未包括新能源供电数据,则根据所述历史用电数据,绘制所述目标区域的用电波动图;
获取所述波动图的波动规律信息,并基于所述波动规律信息确定所述目标用电类型。
3.根据权利要求2所述的方法,其中,所述根据所述历史用电数据,绘制所述目标区域的用电波动图,包括:
对所述历史用电数据进行时间段划分,并根据属于同一时间段的所述历史用电数据,绘制所述同一时间段对应的用电波动图片段;
基于所有时间段的所述用电波动图片段,生成所述用电波动图。
4.根据权利要求2或3所述的方法,其中,所述调用与所述目标用电类型匹配的目标预测模型,包括:
响应于所述目标用电类型为所述新能源用电类型,调用所述新能源用电类型对应的第一目标预测模型,其中,所述第一目标预测模型包括新能源供电模式对应的第一目标预测子模型和火电供电模式对应的第二目标预测子模型;
从所述历史用电数据中提取所述新能源供电模式相关的第一历史用电数据;
将所述第一历史用电数据输入所述第一目标预测子模型中,输出所述新能源供电模式对应的所述下一用电时间段的第一预测母线用电量;
将所述历史用电数据中剩余的第二历史用电数据输入所述第二目标预测子模型中,输出所述火电供电模式对应的所述下一用电时间段的第二预测母线负荷量。
5.根据权利要求3所述的方法,其中,所述调用与所述目标用电类型匹配的目标预测模型,包括:
响应于所述目标用电类型为居民用电类型,调用所述居民用电类型对应的第二目标预测模型;
将所述历史用电数据输入第二目标预测模型中,输出所述下一用电时间段的第三预测母线负荷量。
6.根据权利要求3所述的方法,其中,所述调用与所述目标用电类型匹配的目标预测模型,包括:
响应于所述目标用电类型为所述工业用电类型,调用所述工业用电类型对应的第三目标预测模型;
将所述历史用电数据输入所述第三目标预测模型中,输出所述下一用电时间段的第四预测母线负荷量。
7.根据权利要求1所述的方法,其中,所述由所述目标预测模型基于所述历史用电数据进行预测,获取下一用电时间段的预测母线负荷量,包括:
基于所述目标预测模型中的特征提取层,对所述历史用电数据每个类数据进行特征提取;
根据所述目标预测模型中的注意力层,从所述提取的特征中获取关联数据项之间的相关性特征;
将所述提取的特性和相关性特征输入所述目标预测模型中的输出层,以输出所述下一用电时间段的预测母线负荷量。
8.根据权利要求1-3或5或6所述的方法,其中,所述获取所述下一用电时间段的预测母线负荷量之后,还包括:
获取所述下一用电时间段的火电供电模式的发电计划量;
根据所述预测母线负荷量和所述发电计划量的差异量,对所述发电计划量进行调整。
9.一种用电量的预测装置,包括:
获取模块,用于获取目标区域的历史用电数据;
确定模块,用于根据所述历史用电数据,确定所述目标区域的目标用电类型;
调用模块,用于调用与所述目标用电类型匹配的目标预测模型;
预测模块,用于由所述目标预测模型基于所述历史用电数据进行预测,获取下一用电时间段的预测母线负荷量。
10.根据权利要求9所述的装置,其中,所述确定模块,还用于:
响应于所述历史用电数据中包括新能源供电数据,则确定所述目标用电类型为新能源用电类型;
响应于所述历史用电数据中未包括新能源供电数据,则根据所述历史用电数据,绘制所述目标区域的用电波动图;
获取所述波动图的波动规律信息,并基于所述波动规律信息确定所述目标用电类型。
11.根据权利要求10所述的装置,其中,所述确定模块,还用于:
对所述历史用电数据进行时间段划分,并根据属于同一时间段的所述历史用电数据,绘制所述同一时间段对应的用电波动图片段;
基于所有时间段的所述用电波动图片段,生成所述用电波动图。
12.根据权利要求10或11所述的装置,其中,所述预测模块,还用于:
响应于所述目标用电类型为所述新能源用电类型,调用所述新能源用电类型对应的第一目标预测模型,其中,所述第一目标预测模型包括新能源供电模式对应的第一目标预测子模型和火电供电模式对应的第二目标预测子模型;
从所述历史用电数据中提取所述新能源供电模式相关的第一历史用电数据;
将所述第一历史用电数据输入所述第一目标预测子模型中,输出所述新能源供电模式对应的所述下一用电时间段的第一预测母线用电量;
将所述历史用电数据中剩余的第二历史用电数据输入所述第二目标预测子模型中,输出所述火电供电模式对应的所述下一用电时间段的第二预测母线负荷量。
13.根据权利要求11所述的装置,其中,所述预测模块,还用于:
响应于所述目标用电类型为居民用电类型,调用所述居民用电类型对应的第二目标预测模型;
将所述历史用电数据输入第二目标预测模型中,输出所述下一用电时间段的第三预测母线负荷量。
14.根据权利要求11所述的装置,其中所述预测模块,还用于:
响应于所述目标用电类型为所述工业用电类型,调用所述工业用电类型对应的第三目标预测模型;
将所述历史用电数据输入所述第三目标预测模型中,输出所述下一用电时间段的第四预测母线负荷量。
15.根据权利要求9所述的装置,其中,所述预测模块,还用于:
基于所述目标预测模型中的特征提取层,对所述历史用电数据每个类数据进行特征提取;
根据所述目标预测模型中的注意力层,从所述提取的特征中获取关联数据项之间的相关性特征;
将所述提取的特性和相关性特征输入所述目标预测模型中的输出层,以输出所述下一用电时间段的预测母线负荷量。
16.根据权利要求9-11或13或14所述的装置,其中,还包括:
所述获取模块,还用于获取所述下一用电时间段的火电供电模式的发电计划量;
调度模块,用于根据所述预测母线负荷量和所述发电计划量的差异量,对所述发电计划量进行调整。
17.一种电子设备,其特征在于,包括处理器和存储器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-8中任一所述的方法。
18.一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,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
19.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662885.1A CN113435923B (zh) | 2021-06-15 | 2021-06-15 | 用电量的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110662885.1A CN113435923B (zh) | 2021-06-15 | 2021-06-15 | 用电量的预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435923A true CN113435923A (zh) | 2021-09-24 |
CN113435923B CN113435923B (zh) | 2022-09-27 |
Family
ID=77756035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110662885.1A Active CN113435923B (zh) | 2021-06-15 | 2021-06-15 | 用电量的预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435923B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580795A (zh) * | 2022-05-06 | 2022-06-03 | 四川瑞康智慧能源有限公司 | 计及电力故障分流的电量预测方法及相关设备 |
CN114676940A (zh) * | 2022-05-27 | 2022-06-28 | 四川瑞康智慧能源有限公司 | 商业旅游区购电量预测方法、装置、电子设备及存储介质 |
CN115051416A (zh) * | 2022-08-16 | 2022-09-13 | 阿里巴巴(中国)有限公司 | 数据处理方法、发电方法、装置和云设备 |
CN115471017A (zh) * | 2022-11-15 | 2022-12-13 | 浙江大学 | 一种基于电能互济的区域微电网互联优化方法及系统 |
CN116187825A (zh) * | 2023-01-03 | 2023-05-30 | 北京智芯微电子科技有限公司 | 安全用电检测方法及系统 |
CN117293824A (zh) * | 2023-11-23 | 2023-12-26 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809525A (zh) * | 2015-05-08 | 2015-07-29 | 广东电网有限责任公司阳江供电局 | 一种用电负荷的预测方法和装置 |
CN107292420A (zh) * | 2017-05-24 | 2017-10-24 | 国网北京市电力公司 | 数据处理方法和装置 |
JP2017199102A (ja) * | 2016-04-26 | 2017-11-02 | 富士電機株式会社 | 電力需要予測装置 |
CN109193802A (zh) * | 2018-09-25 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种考虑新能源预测误差的需求侧资源调度方法和系统 |
CN109726875A (zh) * | 2019-03-08 | 2019-05-07 | 华北电力大学 | 一种基于三公调度和经济调度的电力调度预测方法 |
CN109934396A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于两阶段还原的地区网供负荷精细化预测方法 |
CN110580538A (zh) * | 2018-06-11 | 2019-12-17 | 华北电力大学 | 一种电力系统备用需求的预测方法及装置 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN110942195A (zh) * | 2019-11-27 | 2020-03-31 | 广西电网有限责任公司 | 一种用电负荷预测方法及装置 |
CN110991700A (zh) * | 2019-11-08 | 2020-04-10 | 北京博望华科科技有限公司 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
CN111553536A (zh) * | 2020-05-06 | 2020-08-18 | 国网安徽省电力有限公司滁州供电公司 | 一种基于多种能源结构下的电网负荷预测方法 |
CN112365097A (zh) * | 2020-12-03 | 2021-02-12 | 江汉大学 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
CN112508306A (zh) * | 2020-12-28 | 2021-03-16 | 深圳供电局有限公司 | 一种电力生产配置的自适应方法及系统 |
CN112541679A (zh) * | 2020-12-14 | 2021-03-23 | 国网辽宁省电力有限公司经济技术研究院 | 一种负荷重分配攻击下电网的防护方法 |
CN112598155A (zh) * | 2020-11-23 | 2021-04-02 | 国网浙江海宁市供电有限公司 | 一种变电站的负荷增减预估方法及系统 |
CN112801374A (zh) * | 2021-01-29 | 2021-05-14 | 广东晨兴智能科技有限公司 | 模型训练方法、用电负荷预测方法、装置及设备 |
-
2021
- 2021-06-15 CN CN202110662885.1A patent/CN113435923B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809525A (zh) * | 2015-05-08 | 2015-07-29 | 广东电网有限责任公司阳江供电局 | 一种用电负荷的预测方法和装置 |
JP2017199102A (ja) * | 2016-04-26 | 2017-11-02 | 富士電機株式会社 | 電力需要予測装置 |
CN107292420A (zh) * | 2017-05-24 | 2017-10-24 | 国网北京市电力公司 | 数据处理方法和装置 |
CN110580538A (zh) * | 2018-06-11 | 2019-12-17 | 华北电力大学 | 一种电力系统备用需求的预测方法及装置 |
CN109193802A (zh) * | 2018-09-25 | 2019-01-11 | 中国电力科学研究院有限公司 | 一种考虑新能源预测误差的需求侧资源调度方法和系统 |
CN109934396A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于两阶段还原的地区网供负荷精细化预测方法 |
CN109726875A (zh) * | 2019-03-08 | 2019-05-07 | 华北电力大学 | 一种基于三公调度和经济调度的电力调度预测方法 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN110991700A (zh) * | 2019-11-08 | 2020-04-10 | 北京博望华科科技有限公司 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
CN110942195A (zh) * | 2019-11-27 | 2020-03-31 | 广西电网有限责任公司 | 一种用电负荷预测方法及装置 |
CN111553536A (zh) * | 2020-05-06 | 2020-08-18 | 国网安徽省电力有限公司滁州供电公司 | 一种基于多种能源结构下的电网负荷预测方法 |
CN112598155A (zh) * | 2020-11-23 | 2021-04-02 | 国网浙江海宁市供电有限公司 | 一种变电站的负荷增减预估方法及系统 |
CN112365097A (zh) * | 2020-12-03 | 2021-02-12 | 江汉大学 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
CN112541679A (zh) * | 2020-12-14 | 2021-03-23 | 国网辽宁省电力有限公司经济技术研究院 | 一种负荷重分配攻击下电网的防护方法 |
CN112508306A (zh) * | 2020-12-28 | 2021-03-16 | 深圳供电局有限公司 | 一种电力生产配置的自适应方法及系统 |
CN112801374A (zh) * | 2021-01-29 | 2021-05-14 | 广东晨兴智能科技有限公司 | 模型训练方法、用电负荷预测方法、装置及设备 |
Non-Patent Citations (7)
Title |
---|
JIAWEI HAO等: ""Short-Term Power Load Forecasting for Larger Consumer Based on TensorFlow Deep Learning Framework and Clustering-Regression Model"", 《2018 2ND IEEE CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
KE ZHOU等: ""A Circular Recursion Algorithm Power Load Forecasting Model and Application"", 《2019 IEEE 3RD CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
张健等: ""考虑新能源空间相关性的母线负荷预测方法"", 《电气自动化》 * |
张学文: ""提升茂名电网母线负荷预测准确度的技术及管理措施分析"", 《机电信息》 * |
王栋: ""电力系统负荷预测综述"", 《电器开关》 * |
赵海波: ""电力行业大数据研究综述"", 《电工电能新技术》 * |
马伟哲等: ""基于多因素影响的母线负荷预测系统设计及应用"", 《电工技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580795A (zh) * | 2022-05-06 | 2022-06-03 | 四川瑞康智慧能源有限公司 | 计及电力故障分流的电量预测方法及相关设备 |
CN114676940A (zh) * | 2022-05-27 | 2022-06-28 | 四川瑞康智慧能源有限公司 | 商业旅游区购电量预测方法、装置、电子设备及存储介质 |
CN114676940B (zh) * | 2022-05-27 | 2022-08-26 | 四川瑞康智慧能源有限公司 | 商业旅游区购电量预测方法、装置、电子设备及存储介质 |
CN115051416A (zh) * | 2022-08-16 | 2022-09-13 | 阿里巴巴(中国)有限公司 | 数据处理方法、发电方法、装置和云设备 |
CN115471017A (zh) * | 2022-11-15 | 2022-12-13 | 浙江大学 | 一种基于电能互济的区域微电网互联优化方法及系统 |
CN116187825A (zh) * | 2023-01-03 | 2023-05-30 | 北京智芯微电子科技有限公司 | 安全用电检测方法及系统 |
CN116187825B (zh) * | 2023-01-03 | 2024-03-29 | 北京智芯微电子科技有限公司 | 安全用电检测方法及系统 |
CN117293824A (zh) * | 2023-11-23 | 2023-12-26 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
CN117293824B (zh) * | 2023-11-23 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 电力需求预测的方法、装置和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113435923B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435923B (zh) | 用电量的预测方法、装置及电子设备 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
Wang et al. | Research and application of a hybrid forecasting framework based on multi-objective optimization for electrical power system | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
US9887544B2 (en) | System and method for mathematical predictive analytics and computational energy modeling | |
Abderrezak et al. | Very short-term electricity demand forecasting using adaptive exponential smoothing methods | |
CN112668773A (zh) | 一种入库流量的预测方法、装置及电子设备 | |
CN112612819A (zh) | 一种抽水蓄能电站大数据分析挖掘方法及系统 | |
CN105303292A (zh) | 配电数据存储方法和装置 | |
CN111105096A (zh) | 一种新能源并网布局规划方法与系统 | |
CN108346009A (zh) | 一种基于用户模型自学习的电力生产配置方法和装置 | |
CN107134790B (zh) | 一种基于大数据的配电网无功优化控制序列确定方法 | |
Mobayo et al. | Artificial intelligence: Awareness and adoption for effective facilities management in the energy sector | |
CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
Bonventi et al. | Fuzzy logic for renewable energy recommendation and regional consumption forecast using SARIMA and LSTM | |
Subramanian et al. | Optimal power and reserve capacity procurement policies with deferrable loads | |
Khan et al. | DSPM: Dual sequence prediction model for efficient energy management in micro-grid | |
Ku et al. | Self-learning mechanism for prediction of energy consumption and generation | |
CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
Yanhui et al. | Forecasting hourly electricity demand with nonparametric functional data analysis | |
Mobayo et al. | The Awareness and Adoption of Artificial Intelligence for Effective Facilities Management in the Energy Sector | |
CN117494906B (zh) | 一种基于多元时间序列的天然气日负荷预测方法 | |
CN115313377B (zh) | 一种电力负荷预测方法及系统 | |
CN114997549B (zh) | 黑盒模型的解释方法、装置及设备 | |
Gu et al. | Analysis of Power User Behavior Based on Big Data Technology: A Review |
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 |