CN113450141A - 一种基于电力大客户群体售电量特征的智能预测方法及装置 - Google Patents

Abstract

本发明适用于电力数据预测技术领域，提供了一种基于电力大客户群体售电量特征的智能预测方法及装置，方法包括：获取历史客户售电量数据，并筛选得到电力大客户群体数据；对电力大客户群体数据进行预处理和特征融合；将处理后数据输入训练好的GRU神经网络，即得到为电力大客户群体的售电预测结果；输出电力大客户群体的售电预测结果。本发明实施例能够通过对收集到的电力公司的客户售电量信息数据库中获取近一段时间客户售电量信息，筛选出用电特征，对筛选后的大客户群体售电量数据进行分析预测得到大客户群体售电量变化，并且根据得到的预测结果，方便及时调整大客户群体的供电计划，保障大客户能够正常生产同时也可以避免能源浪费。

Description

一种基于电力大客户群体售电量特征的智能预测方法及装置

技术领域

本发明属于电力数据预测技术领域，具体涉及一种基于电力大客户群体售电量特征的智能预测方法及装置。

背景技术

随着电力企业的不断改革创新，经济性已经成为判断电力企业是否合理运营的关键指标。在我国目前实行电价管制的情况下，对售电量的准确预测有利于电网公司制定合理的购售电方案。

精确的售电量预测对于电力公司合理安排供电计划、科学优化电力资源配置、提高用电管理效率、节约能源降低消耗等方面具有积极作用，电力公司也一直致力于研究售电量、售电收入的变化规律。随着预测技术的不断发展，关于售电量预测的理论以及方法已有很多，但传统预测模型的精度较低，并且预测结果也不稳定。

因此，找到一种能智能、全面预测电力大客户群体售电量的方法是本领域需要迫切解决的技术问题。

发明内容

有鉴于此，本发明实施例提供了一种基于电力大客户群体售电量特征的智能预测方法及装置，对历史大客户群体用电量、售电、最大负荷等指标进行预测，能得出较为合理的预测结果，可作为电力公司电力发展科学决策的依据。

本发明实施例的第一方面提供了一种基于电力大客户群体售电量特征的智能预测方法，包括：

获取历史客户售电量数据，并筛选得到电力大客户群体数据；

对所述电力大客户群体数据进行预处理和特征融合，得到处理后数据；

将所述处理后数据输入训练好的GRU神经网络，得到输出结果，所述输出结果即为电力大客户群体的售电预测结果；

输出所述电力大客户群体的售电预测结果。

本发明实施例的第二方面提供了一种基于电力大客户群体售电量特征的智能预测装置，包括：

筛选模块，用于获取历史客户售电量数据，并筛选得到电力大客户群体数据；

数据处理模块，用于对所述电力大客户群体数据进行预处理和特征融合，得到处理后数据；

数据输入模块，用于将所述处理后数据输入训练好的GRU神经网络，得到输出结果，所述输出结果即为电力大客户群体的售电预测结果；

预测输出模块，用于输出所述电力大客户群体的售电预测结果。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明实施例与现有技术相比存在的有益效果至少在于：

本发明实施例能够通过对收集到的电力公司的客户售电量信息数据库中获取近一段时间客户售电量信息，筛选出保留的客户用电量、用电增长率、售电量、售电增长率、售电收入、售电收入增长率等特征；对筛选后的大客户群体售电量数据进行分析预测得到大客户群体售电量变化；并且根据得到的预测结果，方便及时调整大客户群体的供电计划，保障大客户能够正常生产同时也可以避免能源浪费。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种基于电力大客户群体售电量特征的智能预测方法的流程示意图；

图2是本发明实施例提供的一种基于电力大客户群体售电量特征的智能预测装置的示意图；

图3是本发明实施例提供的终端设备的示意图。

具体实施方式

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

本发明实施例采用了如下技术方案：

实施例一：

参见图1，本实施例提供了一种基于电力大客户群体售电量特征的智能预测方法，包括：

步骤S100：获取历史客户售电量数据，并筛选得到电力大客户群体数据；

步骤S200：对电力大客户群体数据进行预处理和特征融合，得到处理后数据；

步骤S300：将处理后数据输入训练好的GRU神经网络，得到输出结果，输出结果即为电力大客户群体的售电预测结果；

步骤S400：输出电力大客户群体的售电预测结果。

本实施例可以通过对收集到的电力公司的客户售电量信息数据库中获取近段时间客户售电量信息(历史数据)，筛选出保留的客户用电量、用电增长率、售电量、售电增长率、售电收入、售电收入增长率等特征；对筛选后的大客户群体售电量数据进行预处理剔除掉数据的异常值，将处理后的数据送入到训练后的门控循环单元神经网络中进行分析预测得到大客户群体售电量变化；使电力公司可以根据得到的预测结果，及时调整大客户群体的供电计划，保障大客户能够正常生产同时也可以避免能源浪费。

具体实施时，步骤S100可以包括：

步骤S110：从电力公司的客户售电数据库中获取历史时间的售电数据信息，本实施例优选的历史时间为一年，其他实施例可以按照具体情况进行选取不同的时间长度；

获取的电力公司的客户售电数据库中的原始数据可以包括：行业分类、电压等级、电价类别、总电价、峰电价、谷电价、单位性质、客户基本信息、客户用电量、设备信息、售电量、电量增长率、售电收入、售电收入增长率、线路信息、变压器信息、信用等级等。

售电数据信息可以是客户每日售电量的变化情况。

步骤S120：根据大客户标准的周期时间售电量X，从售电数据信息中筛选出电力大客户群体，本实施例的周期时间优选为季度，其他实施例可以按照具体情况进行选取不同的筛选周期；

根据电网公司实际分析需求，筛选出符合要求的客户，具体做法为，将客户每季度的售电量与满足大客户标准的季度售电量X进行比较筛选出电力大客户群体；这是由于在进行电力市场分析时，当分析维度细化到用户级别后，随之而来的一个问题就是，电力公司的客户信息少则几千个，多则几百万个，而实际上，真正对电网公司有重要价值的用户一般不会太多，因此需要从繁多的用户信息中挑选出有价值的大客户来调整供电计划。

步骤S130：对电力大客户群体的售电数据信息进行特征筛选；

筛选采用随机森林模型，随机森林(Radom Forest，RF)是一种基于Bagging的集成分类器，由多棵完全生长的决策树组成。

RF中每棵决策树的训练集由自助重采样(Boot-strap rcsampling)产生，即从数量为Ⅳ的原始训练集中有放回地重复随机抽取Ⅳ个样本。有的样本在自助重采样下可能会多次被抽取,而有的样本则可能不会被抽取。据统计，每棵决策树的训练集大约会含有原始训练集的2/3样本，而其余没被抽到的1/3样本构成袋外数据(out of bag data，OOBdata)，用于计算特征的重要性。随机森林在构建决策树时，随机地从d个属性中抽取

个属性，再根据Gini增益最大化原理选择分类能力最好的属性作为分裂属性，并将节点的数据划分到新子节点中。Gini值常用于度量数据D的纯度，其计算公式为：

其中，p_k表示第k个类标在数据中所占比例。|y|表示类标取值种类数。Gini(D)反映了从数据集D中抽取两个样本，其类别不样的概率。所以，Gini(D)越小，数据集D的纯度越高。数据集D根据属性α分裂得到的Gini增益可由下式计算得到：

其中，v表示α的取值种类数，D^v则表示第v种取值对应的样本数。Gini增益最大化原理就是计算节点所有属性的Gini增益，并选择Gini增益最大的属性作为分裂属性。根据该原理得到的分裂属性可以使子节点数据集纯度最高，说明该属性的分类性能最好。分类性能越好的属性在特征集中越重要，因此特征的重要性可以根据决策树节点的划分体现。然而，由于随机森林的双重随机机制，仅使用属性在随机森林决策树中的出现频率来体现特征重要性不可取，因此为了更准确地反映出特征的重要性，本实施例选择基于OOB data分类正确率的方法度量特征的重要性。

步骤S131：搭建随机森林模型；

初始时令k＝1，采用自助重采样生成训练集和袋外数据集OOB，在训练集上构建决策树T_k；

在决策树T_k上采用袋外数据集OOB进行预测分类，统计分类正确的样本数R_k；

对袋外数据集OOB中特征α的值进行扰动，得到新的OOB样本集；

在决策树T_k上采用新的OOB样本集进行预测分类，统计分类正确的样本数R_k ^’；

令k＝2，3，……，K，重复以上步骤，直到得到随机森林模型；

随机森林模型的特征α的重要性计算包括：

IMP(α)值越大时，特征α的分类性能越好，则对应保留分类性能好的特征。

对特征α的值进行扰动，如果扰动前和扰动后分类正确率没有多大变化，说明特征α在分类时起到的作用不大，分类性能低。此时R_k-R′_k的值将会很小，所以IMP(α)值越大，说明特征α的分类性能越好。

步骤S132：将电力大客户群体的售电数据信息输入随机森林模型，筛选得到特征：大客户用电量、用电量增长率、售电量、售电量增长率、售电收入、售电收入增长率。

步骤S140：将筛选后的电力大客户群体的单位时间售电量进行离散化处理：

其中，h_i为第i个离散化售电量，i∈[1，a]，a为单位时间的离散数，x为单位时间售电量；

本实施例中的单位时间设置为每天，而离散化处理是计算每天各小时的售电量总和，即a优选为24，经过离散化后，电力大客户群体的每日的数据量为24条。

特征筛选及离散化处理后的数据即为电力大客户群体数据。

步骤S210：对电力大客户群体数据进行异常值清空和缺失值填充，完成预处理；

预处理方法包括对电力大客户群体数据中的异常值进行清空以及对缺失值采用该特征的均值进行填充，数据中的异常值可以是不在给定的电力客户数据标准范围内的数据值，求解数据特征均值的方法可以是：

其中，N为该特征数据量的总数，y_i为该特征中的第i个数据。

由于电力大客户群体的售电数据包含特征较多，使得神经网络训练缓慢，因此需要对售电数据进行降维处理；

步骤S220：对预处理后的电力大客户群体数据Z∈R^n×m×c中单个电力大客户数据Z′∈R^n×m进行降维处理，得到处理后数据；

其中，n为样本的个数，m为特征的个数，c为电力大客户的个数。

步骤S221：计算单个电力大客户数据Z′中每个特征对应的均值：

其中，z′_i，k为Z′中第k个特征上的第i条数据值；

步骤S222：对单个电力大客户数据Z′中每列数据进行零均值化处理，零均值化处理为将Z′中每列的数据值减去该列的均值，：

步骤S223：计算协方差矩阵：

步骤S224：计算协方差矩阵C的特征矩阵E＝(e₁，e₂，...，e_n)，特征矩阵E对应的特征值矩阵为：

其中，λ_i为第i个特征向量e_i的特征值，i∈[1，n]；

步骤S225：将特征向量e_i按照对应特征值的大小从上到下按行排列为矩阵，并取其中前k行得到矩阵P；

计算降维数据：

Y＝PZ′

降维数据Y即为处理后数据。

处理后数据需要输入GRU神经网络，在此之前，需要先对神经网络进行训练：

搭建GRU神经网络，GRU网络中含有更新门和重置门两种门结构，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的候选集上，重置门越小，前一状态的信息被写入的越少GRU神经网络的前向传播公式包括：

r_t＝σ(W_r·[h_t-1，x_t])

z_t＝σ(W_z·[h_t-1，x_t])

y_t＝σ(W_o·h_t)

其中，z_t为更新门，r_t为重置门，W_r、W_z、W_h、W_o均为学习参数，x_t、y_t分别为t时刻的输入和输出，h_t为t时刻的状态信息，

为当前候选集，口为sigmoid激活函数。

GRU神经网络的训练使用近一年时间内的数据，其数据处理方式仍按照上述步骤S100-S200的内容执行，在训练过程中，GRU网络中的记忆存储单元可以对历史的数据进行存储，并应用与对售电数据的预测上，提高预测结果的准确度；将所述特征降维后的电力大客户群体售电数据输入到训练后的GRU网络中进行预测，所述的售电数据是时间相关的；所述的GRU网络可以对具有时间相关性的数据进行预测，记忆存储单元中的数据可以提高预测的精度，所述GRU网络预测时利用历史数据和当天的售电数据输出第二天电力大客户群体的售电量数据；

本实施例根据2013年电力公司大客户全年的售电量以及2014年4月2日的售电量数据来训练网络模型，预测2014年4月3日的售电量，预测出结果售电量为102.22(亿千瓦时)，实际用电需求量为103.798(亿千瓦时)，预测误差为-1.52％。

电力公司人员可以根据大客户群体预测的售电量变化并做出相应的处理，及时调整供电计划保障客户有效生产，保障大客户群体正常生产，以及避免资源浪费。

实施例二：

参见图2，本实施例提供了一种基于电力大客户群体售电量特征的智能预测装置，包括：筛选模块51、数据处理模块52、数据输入模块53和预测输出模块54；

其中，筛选模块51用于获取历史客户售电量数据，并筛选得到电力大客户群体数据；

数据处理模块52用于对电力大客户群体数据进行预处理和特征融合，得到处理后数据；

数据输入模块53用于将处理后数据输入训练好的GRU神经网络，得到输出结果，输出结果即为电力大客户群体的售电预测结果；

预测输出模块54用于输出电力大客户群体的售电预测结果。

图3是本发明一实施例提供的终端设备6的示意图。如图3所示，该实施例的终端设备6包括处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62，例如基于电力大客户群体售电量特征的智能预测程序。处理器60执行计算机程序62时实现上述各个方法实施例中的步骤，例如图1所示的步骤S100至S400。或者，处理器60执行计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块51至54的功能。

示例性的，计算机程序62可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器61中，并由处理器60执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序62在终端设备6中的执行过程。

终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备6可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图3仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备6还可以包括输入输出设备、网络接入设备、总线等。

所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、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)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

存储器61可以是终端设备6的内部存储单元，例如终端设备6的硬盘或内存。存储器61也可以是终端设备6的外部存储设备，例如终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器61还可以既包括终端设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端设备6所需的其它程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。当然，上述各单元、模块也可以用包含有计算机程序的处理器来替代，以纯软件的形式完成各部分的工作。

实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于电力大客户群体售电量特征的智能预测方法，其特征在于，包括：

获取历史客户售电量数据，并筛选得到电力大客户群体数据；

对所述电力大客户群体数据进行预处理和特征融合，得到处理后数据；

将所述处理后数据输入训练好的GRU神经网络，得到输出结果，所述输出结果即为电力大客户群体的售电预测结果；

输出所述电力大客户群体的售电预测结果。

2.根据权利要求1所述的方法，其特征在于，所述获取历史客户售电量数据，并筛选得到电力大客户群体数据的步骤包括：

从电力公司的客户售电数据库中获取历史时间的售电数据信息；

根据大客户标准的周期时间售电量X，从所述售电数据信息中筛选出电力大客户群体；

对所述电力大客户群体的售电数据信息进行特征筛选；

将筛选后的电力大客户群体的单位时间售电量进行离散化处理：

其中，h_i为第i个离散化售电量，i∈[1，a]，a为单位时间的离散数，x为单位时间售电量；

特征筛选及离散化处理后的数据即为所述电力大客户群体数据。

3.根据权利要求2所述的方法，其特征在于，所述对所述电力大客户群体的售电数据信息进行特征筛选的步骤包括：

搭建随机森林模型；

将所述电力大客户群体的售电数据信息输入所述随机森林模型，筛选得到特征：大客户用电量、用电量增长率、售电量、售电量增长率、售电收入、售电收入增长率。

4.根据权利要求2所述的方法，其特征在于，所述搭建随机森林模型的步骤包括：

初始时令k＝1，采用自助重采样生成训练集和袋外数据集OOB，在所述训练集上构建决策树T_k；

在所述决策树T_k上采用所述袋外数据集OOB进行预测分类，统计分类正确的样本数R_k；

对所述袋外数据集OOB中特征α的值进行扰动，得到新的OOB样本集；

在所述决策树T_k上采用新的OOB样本集进行预测分类，统计分类正确的样本数R_k’；

令k＝2，3，……，K，重复以上步骤，直到得到随机森林模型；

所述随机森林模型的特征α的重要性计算包括：

IMP(α)值越大时，特征α的分类性能越好，则对应保留分类性能好的特征。

5.根据权利要求1所述的方法，其特征在于，所述对所述电力大客户群体数据进行预处理和特征融合，得到处理后数据的步骤包括：

对所述电力大客户群体数据进行异常值清空和缺失值填充，完成预处理；

对预处理后的电力大客户群体数据Z∈R^n×m×c中单个电力大客户数据Z′∈R^n×m进行降维处理，得到处理后数据；

其中，n为样本的个数，m为特征的个数，c为电力大客户的个数。

6.根据权利要求5所述的方法，其特征在于，所述对预处理后的电力大客户群体数据Z∈R^n×m×c中单个电力大客户数据Z′∈R^n×m进行降维处理的步骤包括：

计算单个电力大客户数据Z′中每个特征对应的均值：

其中，z′_i,k为Z′中第k个特征上的第i条数据值；

对单个电力大客户数据Z′中每列数据进行零均值化处理：

计算协方差矩阵：

计算所述协方差矩阵C的特征矩阵E＝(e₁,e₂,...,e_n)，所述特征矩阵E对应的特征值矩阵为：

其中，λ_i为第i个特征向量e_i的特征值，i∈[1，n]；

将特征向量e_i按照对应特征值的大小从上到下按行排列为矩阵，并取其中前k行得到矩阵P；

计算降维数据：

Y＝PZ′

所述降维数据Y即为处理后数据。

7.根据权利要求1所述的方法，其特征在于，所述GRU神经网络的前向传播公式包括：

r_t＝σ(W_r·[h_t-1,x_t])

z_t＝σ(W_z·[h_t-1,x_t])

y_t＝σ(W_o·h_t)

其中，z_t为更新门，r_t为重置门，W_r、W_z、W_h、W_o均为学习参数，x_t、y_t分别为t时刻的输入和输出，h_t为t时刻的状态信息，

为当前候选集，σ为sigmoid激活函数。

8.一种基于电力大客户群体售电量特征的智能预测装置，其特征在于，包括：

筛选模块，用于获取历史客户售电量数据，并筛选得到电力大客户群体数据；

数据处理模块，用于对所述电力大客户群体数据进行预处理和特征融合，得到处理后数据；

数据输入模块，用于将所述处理后数据输入训练好的GRU神经网络，得到输出结果，所述输出结果即为电力大客户群体的售电预测结果；

预测输出模块，用于输出所述电力大客户群体的售电预测结果。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images