CN113592218A - 一种光伏用户基线负荷估计方法、装置和终端设备 - Google Patents
一种光伏用户基线负荷估计方法、装置和终端设备 Download PDFInfo
- Publication number
- CN113592218A CN113592218A CN202110649562.9A CN202110649562A CN113592218A CN 113592218 A CN113592218 A CN 113592218A CN 202110649562 A CN202110649562 A CN 202110649562A CN 113592218 A CN113592218 A CN 113592218A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- user
- net load
- load power
- power
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012417 linear regression Methods 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims description 71
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 239000004576 sand Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 16
- 150000001875 compounds Chemical class 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- UOCLXMDMGBRAIB-UHFFFAOYSA-N 1,1,1-trichloroethane Chemical compound CC(Cl)(Cl)Cl UOCLXMDMGBRAIB-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
本发明实施例涉及电力系统需求响应技术领域，公开了一种光伏用户基线负荷估计方法、装置和终端设备。上述光伏用户基线负荷估计方法包括：获取全体用户集群的净负荷功率和温度数据，以及部分光伏用户的全年可观测光伏出力数据；对可观测光伏出力数据进行聚类，得到每天的广义天气类型标签；根据天气类型标签将全体用户集群分为光伏用户集群和非光伏用户集群；根据多个光伏用户净负荷功率集确定光伏用户集群的第一基线负荷估计值；根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定非光伏用户集群的第二基线负荷估计值；根据第一基线负荷估计值和第二基线负荷估计值，确定全体用户集群的基线负荷估计值。
Description
技术领域
本发明涉及电力系统需求响应技术领域，具体涉及一种光伏用户基线负荷估计方法、装置和终端设备。
背景技术
需求响应利用价格和激励信号实现需求侧资源的海量聚合和快速响应，在提升系统供需平衡能力、削峰填谷、促进新能源消纳等方面发挥着重要作用。用户集群基线负荷是系统运营商和负荷聚合商之间需求响应效果认定的依据，对其估计值过高或者过低都会影响需求响应效果的认定，因此准确的用户集群基线负荷估计对于需求响应的实施十分重要。
近年来，分布式光伏产业发展迅猛，越来越多的居民用户开始安装分布式光伏发电系统。大多数小型分布式光伏系统(<10kWp)安装在表后，用户电表测得的是净负荷，即用户负荷减去光伏出力，而系统运营商和负荷聚合商无法观测到光伏出力。这种具有不可观测性的光伏出力大大增加了基线负荷估计的难度。光伏出力在不同天气类型下存在明显差异，这会导致在不同的天气类型下，安装了分布式光伏的光伏用户净负荷曲线形态在不同天气类型存在较大差异，而未安装分布式光伏的非光伏用户净负荷曲线形态较为相似，即光伏用户净负荷相较于非光伏用户更容易受天气因素影响，如何区分这两类用户，准确估计基线负荷成为了分布式电源并网时代的一大难题。随着人工智能、机器学习等理论技术的发展，智能算法被应用在基线负荷估计领域，为保障分布式光伏电网需求响应的实施提供了保障。
发明内容
有鉴于此，本发明实施例提供了一种光伏用户基线负荷估计方法，以解决现有技术中基线负荷估计准确率低的问题。
为达到上述目的，本发明采用如下技术方案：
第一方面，本发明实施例提供了一种光伏用户基线负荷估计方法，包括：获取全体用户集群的净负荷功率和温度数据，以及部分光伏用户的全年可观测光伏出力数据；对所述全年可观测光伏出力数据进行聚类，得到多个光伏输出功率集，设置所述多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签；根据所述广义天气类型标签将所述全体用户集群分为光伏用户集群和非光伏用户集群；按照所述广义天气类型标签将光伏用户集群的净负荷功率分为多个净负荷功率集，根据所述多个净负荷功率集分别建立支持向量机回归模型，确定第一基线负荷估计值；根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定第二基线负荷估计值；根据第一基线负荷估计值和第二基线负荷估计值，确定全体用户集群的基线负荷估计值。
本发明实施例中，提出了一种仅依靠光伏出力而不依靠外部天气状态的天气类型分类方法，通过该方法可以将全年天气按照广义天气类型分类，进而得到全年中每天的广义天气类型标签。通过得到的广义天气类型标签，在估计光伏用户集群的基线负荷时可以按照不同的广义天气类型分别建模，相较于直接估计基线负荷，本发明能够合理考虑天气因素对光伏出力以及净负荷的影响，分类建模的估计结果更具准确性。
基于第一方面，在一些实施例中，所述对所述全年可观测光伏出力数据进行聚类，得到多个光伏输出功率集，设置所述多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签，包括：提取所述部分光伏用户的全年可观测光伏出力数据，得到全年光伏出力曲线集；将所述全年光伏出力曲线集进行聚类，得到多个光伏输出功率集，计算所述多个光伏输出功率集的光伏出力平均值；每个光伏输出功率集中包含多条光伏出力曲线；以所述多个光伏输出功率集中典型光伏发电时刻的光伏出力平均值排序，并根据排序结果设置所述多个光伏输出功率集的天气标签，得到全年中每天的广义天气类型标签。
基于第一方面，在一些实施例中，所述根据所述广义天气类型标签将所述全体用户集群分为光伏用户集群和非光伏用户集群，包括：提取所述全体用户集群中各个用户在不同所述广义天气类型标签下的平均净负荷功率；对所述全体用户集群，提取第一特征F1和第二特征F2，将第一特征F1和第二特征F2组成特征向量Fn＝[F1,F2]T；根据所述特征向量Fn，将所述全体用户集群分为所述光伏用户集群和所述非光伏用户集群。
基于第一方面，在一些实施例中，所述第一特征F1表达式如下：
其中，
表示第D类天气下用户n在采样点t的平均净负荷功率,
表示第A类天气下用户n在采样点t的平均净负荷功率。
基于第一方面，在一些实施例中，确定所述第二特征F2的过程为：根据预设时间窗口α＝[ts,te]，存在连接起始点ts和结束点te的直线，所述直线上各个时段的采样点y(t)为：
式中，ts和te是确定的时间窗口α中的采样点，
表示第A类天气下用户n在采样点t的平均净负荷功率，直线上各个时间段的采样点y(t)构成集合S，S＝{y(t)|t∈[ts,te]}。位于所述直线下方的采样点所构成的集合S表示为：
由此得到第二特征F2的计算公式为：F2＝card(S)/card(S)式中，card(·)表示集合中元素的个数。
基于第一方面，在一些实施例中，所述根据所述多个净负荷功率集建立支持向量机回归模型，并根据支持向量机回归模型确定光伏用户集群的第一基线负荷估计值，包括：将所述光伏用户集群中每个光伏用户的净负荷功率累加，得到所述光伏用户集群的净负荷功率；根据所述广义天气类型标签，将所述光伏用户集群的净负荷功率按标签分类，得到与每个所述广义天气类型标签对应的多个净负荷功率集；对于所述多个净负荷功率分别建立支持向量机回归模型，根据所述支持向量机回归模型确定所述光伏用户集群的第一负荷估计值。
基于第一方面，在一些实施例中，所述根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定第二基线负荷估计值，包括：将所述非光伏用户集群中每个非光伏用户的第一净负荷功率累加，得到所述非光伏用户集群的第二净负荷功率；第一净负荷功率为非光伏用户在采样点的净负荷功率，第二净负荷功率为非光伏用户集群在采样点的净负荷功率；所述采样点为预先划分的时间节点；根据所述第二净负荷功率，确定所述非光伏用户集群在预设时间段内的净负荷功率；对预设时间段内多个采样点的室外温度数据样本进行分段，得到分段室外温度样本数据；根据所述预设时间段和所述分段室外温度样本数据，建立与所述预设时间段对应的分段线性回归模型；获取各个采样点采集到的第一室外温度，第一室外温度为各个时间采样点在目标时间段采集到的室外温度；将所述第一室外温度分段，获取第二室外温度，将第二室外温度输入与所述目标时间段对应的所述分段线性回归模型，得到所述第二基线负荷估计值。
第二方面，本发明实施例提供了一种光伏用户基线负荷估计装置，包括：信息获取模块，用于获取所述全体用户集群的净负荷功率和温度数据，以及部分光伏用户的全年可观测光伏出力数据；
分类模块，对所述全年光伏出力数据进行聚类，得到多个光伏输出功率集，设置所述多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签；根据所述广义天气类型标签将所述全体用户集群分为光伏用户集群和非光伏用户集群；第一负荷估计模块，用于按照所述广义天气类型标签将光伏用户集群的净负荷功率分为多个净负荷功率集，根据多个净负荷功率集分别建立支持向量机回归模型，确定第一基线负荷估计值；第二负荷估计模块，用于根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定第二基线负荷估计值；基线负荷确定模块，用于根据第一基线负荷估计值和第二基线负荷估计值，确定全体用户集群的基线负荷估计值。
第三方面，本发明实施例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如上述第一方面中任一项所述光伏用户基线负荷估计方法的步骤。
第四方面，本发明实施例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如上述第一方面中任一项所述光伏用户基线负荷估计方法的步骤。
本发明实施例中，直接利用全体用户的净功率负荷进行分类和估计，解决了不可观测性光伏出力下用户集群基线负荷估计精度低的问题，有助于保障电力系统需求响应的顺利实施。由于光伏用户和非光伏用户受天气因素的影响程度不同，分类考虑可以针对各自的特点建模分析，有助于提高用户集群的基线负荷估计精度，从而准确计算用户集群在需求响应执行期间的负荷削减量，能有效提升激励型需求响应参与双方的公平性，有助于需求响应的实施与推广。
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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的光伏用户基线负荷估计方法的流程示意图；
图2是本发明实施例提供的步骤102的流程示意图；
图3是本发明实施例提供的步骤103的流程示意图；
图4是本发明实施例提供的步骤104的流程示意图；
图5是本发明实施例提供的光伏用户基线负荷估计装置结构示意图；
图6是本发明实施例提供的终端设备的示意图。
具体实施方式
下面结合具体实施例对本发明进行更清楚地说明。以下实施例将有助于本领域的技术人员进一步理解本发明的作用，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
本发明实施例提供的一种光伏用户基线负荷估计方法，如图1所示，该光伏用户基线负荷估计方法可以包括步骤101至步骤105。
步骤101：获取全体用户的净负荷功率和温度数据，以及部分光伏用户的全年可观测光伏出力数据。
光伏出力指的是光伏发电设备的有功输出功率，全年光伏出力即为用户全年的光伏输出功率。系统运营商可以获取部分用户的可观测光伏出力数据，根据部分用户的光伏输出功率来分析全年的天气类型。但是大部分用户的光伏出力数据对于系统运营商而言是未知的，这主要是由于分布式光伏发电区域用户自发自用的机制，因此本发明选择通过用户的净负荷功率来估计用户集群的基线负荷。净负荷功率是用户电表测得的数据，大多数光伏系统安装在电表后，用户电表测得数据为用户负荷减去光伏出力。同时由于分布式光伏发电出力和天气之间的较强关联性，还需要获取该地区的全年温度数据。
步骤102：对部分光伏用户的全年可观测光伏出力数据进行聚类，得到多个光伏输出功率集，设置多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签，根据广义天气类型标签将全体用户集群分为光伏用户集群和非光伏用户集群。
在一具体实施方式中，步骤102可以包含步骤1021至步骤1022。
光伏出力与天气类型息息相关，不同天气类型下光伏出力差异较显著，本发明不依靠外部天气状态，仅依靠对光伏出力曲线进行分析，首先确定全年中每天的广义天气类型标签，再根据天气类型标签对用户集群进行分类，识别用户集群中的光伏用户和非光伏用户。
步骤1021：对全体光伏用户集群的光伏出力进行聚类，得到多个光伏输出功率集，设定多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签。
在一具体实施方式中，步骤1021可以包含步骤10211至步骤10213。
步骤10211：提取部分光伏用户的全年可观测光伏出力数据，得到全年光伏出力曲线集。
提取M个光伏用户全年X天的光伏出力数据，计算一天中各个采样点的平均光伏出力值，M个光伏用户在第x日采样点t的平均光伏出力的表达式为：
其中px,m(t)表示用户m(m＝1,2,…,M)在第x(x＝1,2,…,X)日采样点t的光伏出力，
表示第x日采样点t的平均光伏出力，本发明中所有采样点t取值相同时均对应同一时刻，t＝1,...,δ，δ为一天中负荷采样点的个数，例如每一小时采样一次负荷数据则δ＝24。
根据第x日在各采样点t的平均光伏出力值
将一天中各个采样点的平均光伏出力值进行集合，得到该天的平均光伏出力曲线
进而得到全年的平均光伏出力曲线集合
步骤10212：将全年光伏出力曲线集进行聚类，得到多个光伏输出功率集，计算多个光伏输出功率集的光伏出力平均值，每个光伏输出功率集中包含多条光伏出力曲线。
利用K-means算法对全年平均光伏出力曲线集合P进行聚类，得到多个子集合，计算子集合在各个采样点t的光伏出力平均值。
例如，设置聚类数为4，得到子集合{C1,...,C4}。以子集合C1为例，假设聚类之后C1中含有L天的平均光伏出力曲线，子集合C1所有曲线在采样点t的光伏出力平均值可通过以下表达式求得：
式中，
表示子集合C1中第l(l＝1,2,…,L)条曲线在采样点t的平均光伏出力数值，
表示子集合C1中所有曲线在采样点t的光伏出力平均值，所有采样点的光伏出力平均值组成子集合C1的平均光伏出力曲线。以此类推，子集合C2、C3、C4中所有曲线的光伏出力平均结果也可以得到。
步骤10213：以多个光伏输出功率集中典型光伏发电时刻的光伏出力平均值排序，并根据排序结果设置多个光伏输出功率集的天气标签，得到全年中每天的广义天气类型标签。
以子集合中光伏发电时刻的光伏出力平均值排序，并根据排序结果设置各个子集合的天气标签。例如，12点时阳光强烈，光伏出力多，可作为典型光伏发电时刻，取采样点t为12点时四个子集合的光伏出力平均值，由高到低进行排序，并按ABCD的顺序设置天气类型标签，将平均值最高的子集合中的天气类型设置为标签A，平均值最低的子集合中的天气类型设置为标签D，得到全年中每天的广义天气类型标签。
步骤1022：根据广义天气类型标签将全体用户集群分为光伏用户集群和非光伏用户集群。
步骤1021中聚类得到全年每天的广义天气类型标签，利用该天气类型标签定义两种特征来分析用户集群中所有用户的净负荷功率特征，提取特征向量进行分类，将用户集群分为光伏用户集群和非光伏用户集群两个子集群。
在一具体实施方式中，步骤1022可以包含步骤10221至步骤10223。
步骤10221：提取全体用户集群中各个用户在不同广义天气类型下的平均净负荷功率。
对于含有N个用户的用户集群而言，提取用户n(n＝1,…,N)在不同广义天气类型下采样点t的平均净负荷功率，例如，第j,j∈{A,B,C,D}类天气下用户n在采样点t的平均净负荷功率表达式可以为：
式中，
表示用户n在第l(l＝1,2,…,Lj)天采样点t的净负荷功率，net上标代表净负荷功率；
表示第j,j∈{A,B,C,D}类天气下用户n在采样点t的平均净负荷功率；Lj表示第j类天气包含的天数。
步骤10222：对全体用户集群提取第一特征F1和第二特征F2，将第一特征F1和第二特征F2组成特征向量Fn＝[F1,F2]T。
第一特征F1和第二特征F2用于表征光伏用户集群和非光伏用户集群的净负荷功率差异。首先选择光伏出力不为0的一个时间窗口α＝[ts,te]，ts表示起始时刻，te表示结束时刻，基于该时间窗内的不同时间点采样用户的净负荷功率。
(1)将D类和A类天气下用户n的净负荷绝对值之比作为第一个特征，记为F1。
F1表达式如下：
其中，
表示第D类天气下用户n在采样点t的平均净负荷功率,
表示第A类天气下用户n在采样点t的平均净负荷功率。二者之比F1可以反映天气和不同用户净负荷功率的相关性，对于光伏用户来说，这个特征的值应该大于1；对于非光伏用户来说，这个特征的值应该接近于1。本发明中若定义的F1数值大于1.2，则该用户为光伏用户；若F1的数值在区间[0.95,1.05]内，则为非光伏用户。
(2)基于A类广义天气类型下的平均净负荷曲线，提取第二个特征，称为“凹凸特性”，记为F2。
根据确定的时间窗口α＝[ts,te]，存在一条连接起始点ts和结束点te的直线，该直线的表达式如下：
式中，y(t)表示直线上各个时段的采样点，ts和te是确定的时间窗口α中的采样点，
表示第A类天气下用户n在采样点t的平均净负荷功率；所有采样点构成一个集合，记为S，S＝{y(t)|t∈[ts,te]}。
则位于直线下方的采样点所构成的集合S可表示为：
其中，
由此得到第二个特征F2的计算公式为：
F2＝card(S)/card(S) (7)
式中，card(·)表示集合中元素的个数。特征F2可以用来反映平均净负荷曲线在时间窗δ内的凹凸特性。在第A类天气下，光伏用户的净负荷曲线会有明显的下凹，以一天中的11点到14点为例，在平均净负荷曲线上将这两点对应的数值连成一条直线，会出现曲线在直线下方的情况；而对于非光伏用户而言，则会出现净负荷曲线和所连直线交替上下的情况，甚至是净负荷曲线完全在所连直线上方。F2特征描述了这条线下采样点的比例，若F2的数值在区间[0.5,1]之间，则代表该用户为光伏用户；若F2的数值在区间[0,0.5)之间，则代表该用户为非光伏用户。
对全体用户集群，提取特征F1和特征F2，用户n的特征可构成一个特征向量Fn＝[F1,F2]T。
步骤10223：根据特征向量Fn进行分类，将全体用户集群分为光伏用户集群和非光伏用户集群。
将归一化后的N个用户特征向量集合F＝{F1,...,FN}作为输入量，采用K-means算法将所有用户聚成2类，聚类中心特征值较大的那类对应光伏用户，剩下的即为非光伏用户。由此得到了含有N1个用户的光伏用户集群和含有N2个用户的非光伏用户集群，且有N1+N2＝N。
步骤103：按照广义天气类型标签将光伏用户集群的净负荷功率分为多个净负荷功率集，根据多个净负荷功率集分别建立支持向量机回归模型，确定第一基线负荷估计值。
在一具体实施方式中，步骤103可以包含步骤1031至步骤1034。
步骤1031：将光伏用户集群中每个光伏用户的净负荷功率累加，得到光伏用户集群的净负荷功率。
净负荷功率表达式如下：
式中，
表示第n(n＝1,...,N1，N1为集群中用户总数)个光伏用户在采样点t的净负荷功率，
表示光伏用户集群第d天在采样点t的净负荷功率。每个采样点的净负荷功率连接构成了每日的净负荷功率。
步骤1032：根据4种广义天气类型标签{A,B,C,D}，将光伏用户集群的全年每日净负荷功率按标签分成四类。
步骤1033：对于各类天气类型标签用户集群的净负荷功率分别建立支持向量机回归模型。
例如，某一类集合中包含R天的净负荷功率数据，去掉其中执行需求响应(DemandResponse,DR)日，也即DR日的平均净负荷功率数据，利用剩下天非DR日的数据训练模型。DR表示需求响应的实施，其中DR日代表执行需求响应的某日，DR时段代表执行需求响应的某时段。
在训练支持向量机回归模型时，要确定模型的输入与输出。本步骤中设定模型的输入为第d日采样点t前11个采样点的负荷数据
与前5个采样点的温度数据
输出为第d日采样点t的负荷
训练好的模型记为model。
步骤1034：根据支持向量机回归模型估计光伏用户集群基线负荷，确定光伏用户集群的第一负荷估计值。
首先确定DR日的天气类型，而后调用训练好的针对该类天气类型集合的模型model，输入当天DR时段前的各采样点负荷与温度数据，即可得到DR日DR时段的光伏用户集群基线负荷，该光伏用户集群基线负荷值即为第一负荷估计值。
步骤104：根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定第二基线负荷估计值。
在一具体实施方式中，步骤104的过程可以包含步骤1041至步骤1045。
步骤1041：将非光伏用户集群中每个非光伏用户的第一净负荷功率累加，得到非光伏用户集群的第二净负荷功率。
净负荷功率表达式如下：
式中，
表示第n个非光伏用户第d天在采样点t的第一净负荷功率，
表示非光伏用户集群第d天在采样点t的第二净负荷功率。
步骤1042：根据第二净负荷功率，确定非光伏用户集群在预设时间段内的净负荷功率。
例如，以一周为单位进行建模分析，根据每一采样点的净负荷功率值确定从周一到周日的净负荷功率。定义
为非光伏用户集群一周中第i个采样点的净负荷功率，i＝1,2,...β，其中β＝7*δ，δ为一天中负荷采样点的个数。比如每一小时采样一次负荷数据，则一周中共有7*24＝168个采样点，采用24小时制，若第1个采样点为周一的0点，第25个采样点为周二的0点，第168个采样点为周日的晚间11点(23：00)。
步骤1043：对预设时间段内多个采样点的室外温度数据样本进行分段，得到分段室外温度样本数据。
例如，可以将每个采样点i的室外温度数据分成6段，在进行分段之前，先定义几个表达。T(i)表示一周内采样点i(i＝1,2,...β)的温度；Tj(i)表示将采样点i的温度分段之后第j段的温度，j＝1,2,...6。Bk(k＝1,2,...5)代表温度间隔的边界，分段温度计算方法如下：
如果T(i)≤B1，那么T1(i)＝T(i),Ta(i)＝0(a＝2,3,...6)；
如果T(i)>B1，那么T1(i)＝B1；
如果T(i)>Bb(b＝1,2,3,4)，那么Tb(i)＝Bb+1-Bb，否则Tb(i)＝T(i)-Bb-1且Tp(i)＝0(p＝b+1,...6)；
如果T(i)>B5，则T5(i)＝B5-B4且T6(i)＝T(i)-B5。
温度分段方法实例(假设温度间隔的边界从B1～B5分别为10,20,…,50)如表1所示。
表1温度分段计算实例
步骤1044：根据预设时间段和分段室外温度样本数据，建立与预设时间段对应的分段线性回归模型。
例如，可以建立含有一周时间变量和分段温度数据的分段线性回归模型，得到了一周中每个采样点i的分段温度数据，以该数据为模型的输入，把一周中每个采样点i的净负荷作为模型的输出，建立模型如下：
式中，αi是采样点i对应的回归参数，βj是采样点i第j段温度对应的回归参数，
是采样点i非光伏用户集群净负荷功率，αi和βj可以通过最小二乘法求得。由此便得到了一周中每个采样点的分段线性回归模型。
步骤1045：获取各个采样点采集到的第一室外温度，第一室外温度为各个时间采样点在目标时间段采集到的室外温度，将第一室外温度分段，获取第二室外温度，将第二室外温度输入与目标时间段对应的分段线性回归模型，得到第二基线负荷估计值。
例如，可以先获取待求时段中各个采样点采集到的第一室外温度，然后确定该时间段在一周中的时间位置，调用对应时段的分段线性回归模型，将该时段采样点的第一室外温度数据先分段再输入分段线性回归模型中，估计待求时段的基线负荷，得到非光伏用户的第二基线负荷值。
步骤105：将光伏用户的基线负荷估计值和非光伏用户的基线负荷估计值相加，得到全体用户集群的基线负荷估计值。
用户集群基线负荷估计值表达式如下：
式中，
表示光伏用户集群第d天在采样点t的净负荷功率估计值，
表示非光伏用户集群第d天在采样点t的净负荷功率估计值，
表示用户集群第d天在采样点t的净负荷功率估计值，d代表某个DR日，t代表DR日DR时段内的某个时刻。
参见图5，本发明实施例提供了一种光伏用户基线负荷估计装置30，包括：信息获取模块310、分类模块320、第一负荷估计模块330、第一负荷估计模块340和基线负荷估计模块350。
信息获取模块310，用于获取全体用户集群的净负荷功率和温度数据，以及部分光伏用户的全年可观测光伏出力数据。
分类模块320，对全年可观测光伏出力数据进行聚类，得到多个光伏输出功率集，设置多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签；根据广义天气类型标签将所述全体用户集群分为光伏用户集群和非光伏用户集群。
第一负荷估计模块330，用于按照广义天气类型标签将光伏用户集群的净负荷功率分为多个净负荷功率集，根据多个净负荷功率集分别建立支持向量机回归模型，确定第一基线负荷估计值。
第二负荷估计模块340，用于根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定第二基线负荷估计值。
基线负荷确定模块350，用于根据第一基线负荷估计值和第二基线负荷估计值，确定全体用户集群的基线负荷估计值。
图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如基线负荷估计程序。所述处理器40执行所述计算机程序42时实现上述光伏用户基线负荷估计方法实施例中的步骤，例如图1所示的步骤101至步骤105。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块310至350的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/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，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成信息获取模块、分类模块、第一负荷估计模块、第一负荷估计模块和基线负荷估计模块。
所述终端设备4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。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图6仅仅是终端设备4的示例，并不构成对终端设备4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，例如所述终端设备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40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4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，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41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，即将所述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。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，并不用于限制本发明的保护范围。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，所述模块或单元的划分，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。
所述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。
所述集成的模块/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，所述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，所述计算机程序包括计算机程序代码，所述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。所述计算机可读介质可以包括：能够携带所述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，所述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。
以上所述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)
1.一种光伏用户基线负荷估计方法，其特征在于，包括：获取全体用户的净负荷功率和温度数据，以及部分光伏用户的全年可观测光伏出力数据；对所述可观测光伏出力数据进行聚类，得到多个光伏输出功率集，设置所述多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签；根据所述广义天气类型标签将所述全体用户集群分为光伏用户集群和非光伏用户集群；按照所述广义天气类型标签将光伏用户集群的净负荷功率分为多个净负荷功率集，根据所述多个净负荷功率集分别建立支持向量机回归模型，确定第一基线负荷估计值；根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定第二基线负荷估计值；根据第一基线负荷估计值和第二基线负荷估计值，确定全体用户集群的基线负荷估计值。
2.如权利要求1所述的光伏用户基线负荷估计方法，其特征在于，所述对所述可观测光伏出力数据进行聚类，得到多个光伏输出功率集，设置所述多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签，包括：
提取所述部分光伏用户的全年可观测光伏出力数据，得到全年光伏出力曲线集；
将所述全年光伏出力曲线集进行聚类，得到多个光伏输出功率集，计算所述多个光伏输出功率集的光伏出力平均值；每个光伏输出功率集中包含多条光伏出力曲线；
以所述多个光伏输出功率集中典型光伏发电时刻的光伏出力平均值排序，并根据排序结果设置所述多个光伏输出功率集的天气标签，得到全年中每天的广义天气类型标签。
3.如权利要求1所述的光伏用户基线负荷估计方法，其特征在于，所述根据所述广义天气类型标签将所述全体用户集群分为光伏用户集群和非光伏用户集群，包括：
提取所述全体用户集群中各个用户在不同所述广义天气类型标签下的平均净负荷功率；
对所述全体用户集群，提取第一特征F1和第二特征F2，将第一特征F1和第二特征F2组成特征向量Fn＝[F1,F2]T；
根据所述特征向量Fn，将所述全体用户集群分为所述光伏用户集群和所述非光伏用户集群。
4.如权利要求3所述的光伏用户基线负荷估计方法，其特征在于，所述第一特征F1的表达式为：
其中，ts和te是时间采样点，ts是起始时间点，te是结束时间点，
表示第D类天气下用户n在采样点t的平均净负荷功率，
表示第A类天气下用户n在采样点t的平均净负荷功率。
5.如权利要求3所述的光伏用户基线负荷估计方法，其特征在于，确定所述第二特征F2的过程为：
根据预设时间窗口α＝[ts,te]，存在连接起始点ts和结束点te的直线，所述直线上各个时段的采样点y(t)可表达为：
式中，ts和te是确定的时间窗口α中的采样点，
表示第A类天气下用户n在采样点t的平均净负荷功率，直线上各个时间段的采样点y(t)构成集合S，S＝{y(t)|t∈[ts,te]}。
位于所述直线下方的采样点所构成的集合S表示为：
由此得到第二特征F2的计算公式为：
F2＝card(S)/card(S)
式中，card(·)表示集合中元素的个数。
6.如权利要求1所述的光伏用户基线负荷估计方法，其特征在于，所述根据所述多个净负荷功率集建立支持向量机回归模型，并根据支持向量机回归模型确定光伏用户集群的第一基线负荷估计值，包括：
将所述光伏用户集群中每个光伏用户的净负荷功率累加，得到所述光伏用户集群的净负荷功率；
根据所述广义天气类型标签，将所述光伏用户集群的净负荷功率按标签分类，得到与所述广义天气类型标签对应的多个净负荷功率集；
对于所述多个净负荷功率分别建立支持向量机回归模型，根据所述支持向量机回归模型确定所述光伏用户集群的第一负荷估计值。
7.如权利要求1所述的光伏用户基线负荷估计方法，其特征在于，所述根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定第二基线负荷估计值，包括：
将所述非光伏用户集群中每个非光伏用户的第一净负荷功率累加，得到所述非光伏用户集群的第二净负荷功率；第一净负荷功率为非光伏用户在采样点的净负荷功率，第二净负荷功率为非光伏用户集群在采样点的净负荷功率，所述采样点为预先划分的时间节点；
根据所述第二净负荷功率，确定所述非光伏用户集群在预设时间段内的净负荷功率；
对预设时间段内多个采样点的室外温度数据样本进行分段，得到分段室外温度样本数据；
根据所述预设时间段和所述分段室外温度样本数据，建立与所述预设时间段对应的分段线性回归模型；
获取各个采样点采集到的第一室外温度，第一室外温度为各个时间采样点在目标时间段采集到的室外温度；
将所述第一室外温度分段，获取第二室外温度，将第二室外温度输入与所述目标时间段对应的所述分段线性回归模型，得到所述第二基线负荷估计值。
8.一种光伏用户基线负荷估计装置，其特征在于，包括：
信息获取模块，用于获取所述全体用户集群净负荷功率和温度数据，以及部分光伏用户的全年可观测光伏出力数据；
分类模块，对所述全年光伏出力数据进行聚类，得到多个光伏输出功率集，设置所述多个光伏输出功率集的广义天气类型标签，得到全年每天的广义天气类型标签；根据所述广义天气类型标签将所述全体用户集群分为光伏用户集群和非光伏用户集群；
第一负荷估计模块，用于按照所述广义天气类型标签将光伏用户集群的净负荷功率分为多个净负荷功率集，根据多个净负荷功率集分别建立支持向量机回归模型，确定第一基线负荷估计值；
第二负荷估计模块，用于根据非光伏用户集群的净负荷功率和温度数据建立分段线性回归模型，并根据分段线性回归模型确定第二基线负荷估计值；
基线负荷确定模块，用于根据第一基线负荷估计值和第二基线负荷估计值，确定全体用户集群的基线负荷估计值。
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中任一项所述光伏用户基线负荷估计方法的步骤。
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中任一项所述光伏用户基线负荷估计方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110649562.9A CN113592218A (zh) | 2021-06-10 | 2021-06-10 | 一种光伏用户基线负荷估计方法、装置和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110649562.9A CN113592218A (zh) | 2021-06-10 | 2021-06-10 | 一种光伏用户基线负荷估计方法、装置和终端设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113592218A true CN113592218A (zh) | 2021-11-02 |
Family
ID=78243646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110649562.9A Pending CN113592218A (zh) | 2021-06-10 | 2021-06-10 | 一种光伏用户基线负荷估计方法、装置和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592218A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630753A (zh) * | 2022-12-19 | 2023-01-20 | 西南交通大学 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
-
2021
- 2021-06-10 CN CN202110649562.9A patent/CN113592218A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630753A (zh) * | 2022-12-19 | 2023-01-20 | 西南交通大学 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
| CN115630753B (zh) * | 2022-12-19 | 2023-03-03 | 西南交通大学 | 基于新能源多时空场景下电解制氢的负荷基线预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fiot et al. | Electricity demand forecasting by multi-task learning | |
| CN111144468A (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
| Melzi et al. | A dedicated mixture model for clustering smart meter data: identification and analysis of electricity consumption behaviors | |
| CN110381126A (zh) | 基于边缘计算的用电设备识别方法、系统、设备及介质 | |
| CN111832861A (zh) | 基于大数据平台的居民负荷变尺度画像方法和系统 | |
| CN111914159B (zh) | 一种信息推荐方法及终端 | |
| CN110413703B (zh) | 基于人工智能的监控指标数据的分类方法及相关设备 | |
| CN106452934B (zh) | 一种网络性能指标变化趋势的分析方法和装置 | |
| CN113591899A (zh) | 电力客户画像识别方法、装置及终端设备 | |
| CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
| CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
| CN105653670B (zh) | 一种基于流形学习聚类算法的智能用电数据挖掘方法 | |
| CN111539910B (zh) | 锈蚀区域检测方法及终端设备 | |
| CN113592218A (zh) | 一种光伏用户基线负荷估计方法、装置和终端设备 | |
| CN114119068A (zh) | 一种药店企业微信客户群的智能分析方法及管理平台 | |
| CN111898249A (zh) | 滑坡位移非参数概率密度预测方法、设备及存储介质 | |
| CN113505943B (zh) | 一种电网短期负荷的预测方法、系统、设备和介质 | |
| CN112085926B (zh) | 一种河道水污染预警方法及系统 | |
| CN115017969A (zh) | 一种数值型标签的数据质量监测方法、装置及电子设备 | |
| CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
| CN115062495B (zh) | 材料绝缘性能分析方法、装置、电子设备及存储介质 | |
| CN117520994B (zh) | 基于用户画像和聚类技术识别机票异常搜索用户方法及系统 | |
| CN111143776B (zh) | 一种电量负荷预测方法及装置 | |
| CN112434750B (zh) | 基于卷积神经网络的大坝监测数据发展模式识别方法 |
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 |