CN114266423A - 基于多模型的电力能源需求预测方法、装置及存储介质 - Google Patents
基于多模型的电力能源需求预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114266423A CN114266423A CN202210203991.8A CN202210203991A CN114266423A CN 114266423 A CN114266423 A CN 114266423A CN 202210203991 A CN202210203991 A CN 202210203991A CN 114266423 A CN114266423 A CN 114266423A
- Authority
- CN
- China
- Prior art keywords
- energy demand
- value
- energy
- predicted value
- model
- 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 68
- 238000012937 correction Methods 0.000 claims description 26
- 230000009467 reduction Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012821 model calculation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 description 10
- 238000007477 logistic regression Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 238000012886 linear function Methods 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多模型的电力能源需求预测方法、装置及存储介质,包括:获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率;选择第一模型集合中对应的第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值;选择预设时间段中与当前时刻最接近的时间点作为目标时间点,第一预测模型根据第一时间点的历史能源数据得到目标时间点的第二能源需求预测值;第二预测模型将所述第二能源需求预测值和能源需求实际值比对得到第一结果;基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值。
Description
技术领域
本发明涉及能源预测技术领域,尤其涉及一种基于多模型的电力能源需求预测方法、装置及存储介质。
背景技术
电力能源系统的复杂性主要体现是其拥有多个利益相关主体,能源的多寡和其利用效率是影响当今社会进步的重要原因,同时能源也是我们人类社会生活和进步的重要物质支撑,因此对电力能源需求总量的增减态势进行精准的预测是新能源规划与调度的重要保障。
近年来国家对能源的需求量剧增,其中,对汽油、煤油、煤气等二次能源的需求量也是保持着飞速增长的态势。对于电力能源需求量的精准预测,不仅可以有效指导国民经济的产业结构重塑,提升电力能源利用率,还可以协同多方面因素,定制合理的节能政策,以最终实现能源、环境与经济的全面协调可持续发展。
当前在进行能源预测时,都是通过能源预测模型根据历史的能源数进行下一个时间点能源预测得到能源预测数据,但是在进行预测过程中,并无法对得到的能源预测数据进行校验、修正,准确性较差。
发明内容
本发明实施例提供一种基于多模型的电力能源需求预测方法、装置及存储介质,能够根据适宜的预测模型进行预测得到能源预测数,并且对能源预测数进行校验、修正,提高了能源预测的准确性。
本发明实施例的第一方面,提供一种基于多模型的电力能源需求预测方法,包括:
获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率,将所述第一能源需求增长率与预设增长率区间比对确定目标区间;
选择第一模型集合中与所述目标区间对应的第一预测模型,所述第一模型集合中至少包括一个第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值;
选择预设时间段中与当前时刻最接近的时间点作为目标时间点,将预设时间段中除目标时间点以外的其他时间点作为第一时间点,第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值;
第二预测模型基于缩小系数对第二能源需求预测值和能源需求实际值进行处理,将处理后的第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据;
若所述第一结果满足预设要求,则将所述第一能源需求预测值作为下个时刻的预测值输出;
若所述第一结果不满足预设要求,则基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值,将所述第三能源需求预测值作为下个时刻的预测值输出。
可选地,在第一方面的一种可能实现方式中,所述第一预测模型为Richards模型;
所述第二预测模型为马尔科夫链模型。
可选地,在第一方面的一种可能实现方式中,获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率,将所述第一能源需求增长率与预设增长率区间比对确定目标区间包括:
通过以下公式得到预设时间段内的第一能源需求增长率,
其中,为预设时间段内的第一能源需求增长率,为预设时间段内第r个时间
点的历史能源数据,为预设时间段内第个时间点的历史能源数据,b为时间点
的上限值,R为预设时间段内的时间点的总数量,为转换值,为预设常数值;将第一能源
需求增长率与预设增长率区间比对,其中每个预设增长率区间包括第一区间值和第二区间
值;
若判断第一能源需求增长率处于一个预设增长率区间的第一区间值和第二区间值之间时,将与所述第一能源需求增长率相应的预设增长率区间作为目标区间。
可选地,在第一方面的一种可能实现方式中,还包括:
将所述目标区间输出;
接收管理员输入的变更数据,所述变更数据为将所输出的目标区间修改为当前时刻输入的目标区间;
获取所输出的目标区间与当前时刻输入的目标区间的差值得到第一调整系数;
若所述第一调整系数大于第一预设值,则选取第一调整策略对所述转换值进行增值调整;
若所述第一调整系数小于第一预设值,则选取第二调整策略对所述转换值进行减值调整。
可选地,在第一方面的一种可能实现方式中,选择第一模型集合中与所述目标区间对应的第一预测模型,所述第一模型集合中至少包括一个第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值包括:
将预设时间段中与当前时刻最接近的时间点所对应的历史能源数作为基础能源数据;
第一预测模型根据其对应的第一预设函数对所述基础能源数据、第一能源需求增长率进行计算得到第一能源需求预测值。
可选地,在第一方面的一种可能实现方式中,选择预设时间段中与当前时刻最接近的时间点作为目标时间点,将预设时间段中除目标时间点以外的其他时间点作为第一时间点,第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值包括:
第一预测模型根据目标时间点最接近的第一时间点所对应的历史能源数据得到第二能源需求预测值。
可选地,在第一方面的一种可能实现方式中,第二预测模型基于缩小系数对第二能源需求预测值和能源需求实际值进行处理,将处理后的第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据包括:
第二预测模型获取预设时间点的总数量,基于所述预设时间点的总数量确定缩小系数;
根据所述缩小系数对所述第二能源需求预测值和能源需求实际值分别做缩小处理,得到缩小后的第二能源需求预测值和能源需求实际值;
将缩小后的第二能源需求预测值与能源需求实际值之间的差值的绝对值作为第一结果。
可选地,在第一方面的一种可能实现方式中,若所述第一结果不满足预设要求,则基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值,将所述第三能源需求预测值作为下个时刻的预测值包括:
若所述第一结果大于标准结果,则所述第一结果不满足预设要求,根据第二能源需求预测值和能源需求实际值之间差值的绝对值得到第一差值,将所述第一差值与预设差值权重相乘得到残差值;
根据第一经济指数值和第二经济指数值得到经济差值;
若判断所述能源需求实际值大于所述第二能源需求预测值,则选定第一修正系数,基于第一修正系数、经济差值对第一能源需求预测值进行正向修正得到第三能源需求预测值;
若判断所述能源需求实际值小于所述第二能源需求预测值,则选定第二修正系数,基于所述第二修正系数、经济差值对第一能源需求预测值进行反向修正得到第三能源需求预测值。
本发明实施例的第二方面,提供一种基于多模型的电力能源需求预测装置,包括:
增长率确定模块,用于获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率,将所述第一能源需求增长率与预设增长率区间比对确定目标区间;
第一模型确定模块,用于选择第一模型集合中与所述目标区间对应的第一预测模型,所述第一模型集合中至少包括一个第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值;
第一模型计算模块,用于选择预设时间段中与当前时刻最接近的时间点作为目标时间点,将预设时间段中除目标时间点以外的其他时间点作为第一时间点,第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值;
第二模型计算模块,用于使第二预测模型基于缩小系数对第二能源需求预测值和能源需求实际值进行处理,将处理后的第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据;
第一输出模块,用于在所述第一结果满足预设要求时,将所述第一能源需求预测值作为下个时刻的预测值输出;
第二输出模块,用于在所述第一结果不满足预设要求时,则基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值,将所述第三能源需求预测值作为下个时刻的预测值输出。
本发明实施例的第三方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本发明提供的基于多模型的电力能源需求预测方法、装置及存储介质,能够通过多个模型对下个时间点的电力能源需求进行预测。本发明在进行预测时,会考虑预设时间段内多个时间点的历史能源数据的增长情况,得到相对应的第一能源需求增长率,此时会根据第一能源需求增长率得到相应的第一能源需求预测值。该第一能源需求预测值可以认为是初步的预测值,本发明此时会根据第一预测模型对当前时刻的上一个时间点的能源数据进行预测得到第二能源需求预测值,第二预测模型根据第一能源需求预测值和第二能源需求预测值得到第一结果,进而根据第一结果判断第一能源需求预测值的正确性。如果第一能源需求预测值存在错误,则此时需要根据残差值对第一能源需求预测值进行修正得到修正后的第三能源需求预测值。残差值能够反映出第一能源需求预测值和第二能源需求预测值之前的差值、距离,根据残差值对第一能源需求预测值修正使得修正后的第三能源需求预测值更加的准确,保障了电力能源需求预测的准确性。
本发明提供的技术方案,在计算第一能源需求增长率时,会根据多个时间点的历史能源数据进行计算,通过多个时间点的历史能源数据能够反映出该地区的能源使用趋势,在得到第一能源需求增长率后,本发明对第一能源需求增长率进行显示,此时用户可以根据实际情况输入变更数据,变更数据为调大或调小第一能源需求增长率,本发明会根据用户输入的变更数据对转换值进行调整,使得本发明在计算第一能源需求增长率时更加的准确,进而使本发明更适宜当前的场景,所选择的第一预测模型更加的准确。
本发明提供的技术方案,在对第一能源需求预测值进行修正时,不仅会考虑第一能源需求预测值和第二能源需求预测值之间的差值,还会考虑不同时间点的经济指数,根据调高或调低第一能源需求预测值确定不同的修正系数,使得在对第一能源需求预测值进行调整时,会根据增大、减小的不同趋势选择不同的权重值,提高了第三能源需求预测值的准确性。
附图说明
图1为本发明提供的技术方案的适用场景;
图2为基于多模型的电力能源需求预测方法的第一种实施方式的流程图;
图3为基于多模型的电力能源需求预测方法的第二种实施方式的流程图;
图4为基于多模型的电力能源需求预测方法的第三种实施方式的流程图;
图5为残差对比图;
图6为基于多模型的电力能源需求预测装置的第一种实施方式的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
如图1所示,为本发明提供的技术方案的适用场景,包括服务器和数据库,数据库用于存储每个时间点的历史能源数据、每个时间点的经济数据等等。通过服务器采集数据库中每个时间点的历史能源数据、每个时间点的经济数据并进行处理,进行电力能源需求预测。
本发明提供一种基于多模型的电力能源需求预测方法,如图2所示,包括:
步骤S110、获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率,将所述第一能源需求增长率与预设增长率区间比对确定目标区间。
预设时间段可以包括多个时间点,例如说时间点按年度统计的,即每一年为一个时间点,预设时间段可以是2008年至2018年,如表1所示,每个时间点所对应的电力能源消费总量。
本发明根据多个历史能源数据得到预设时间段内的第一能源需求增长率,例如说本发明可以根据2008年至2018年所对应的预设时间段内,每个时间点的历史能源数据得到第一能源需求增长率。本发明会根据得到的第一能源需求增长率确定相应的预设增长率区间。一般来说,所预测的第一能源需求增长率都会存在误差,所以本发明会根据第一能源需求增长率确定相应的预设增长率区间,将变量的第一能源需求增长率转换为定量的预设增长率区间。
本发明提供的技术方案,步骤S110具体包括:
通过以下公式得到预设时间段内的第一能源需求增长率,
其中,为预设时间段内的第一能源需求增长率,为预设时间段内第r个时间
点的历史能源数据,为预设时间段内第个时间点的历史能源数据,b为时间点
的上限值,R为预设时间段内的时间点的总数量,为转换值,为预设常数值。
通过可以得到任意两个相邻的时间点的历史能源数据的差值,该差
值能够反映出任意两个相邻的时间点的能源消耗的速度,本发明在计算第一能源需求增长
率时,考虑的时间点越多,则第一能源需求增长率相对来说就更准确,本发明可以根据得到预设时间段内能源消耗的平均增长量值,进而通过转换值将自然数的平
均增长量值转换得到具有小数位置的第一能源需求增长率。转换值可以是根据当前的情况
预先设置的,例如说在沿海等发达地区,历史能源数据的基数较大,则此时转换值可以适
当的增大,在内陆等欠发达地区,历史能源数据的基数较小,则此时转换值可以适当的减
小。
将第一能源需求增长率与预设增长率区间比对,其中每个预设增长率区间包括第一区间值和第二区间值。本发明会设置多个预设增长率区间,例如说第一个预设增长率区间为[0,0.2),第二个预设增长率区间为[0.2,0.4),第三个预设增长率区间为[0.4,0.6),以此类推。第一个预设增长率区间的第一区间值即为0,第二区间值即为0.2,第一个预设增长率区间的即为大于等于0,小于0.2。
若判断第一能源需求增长率处于一个预设增长率区间的第一区间值和第二区间值之间时,将与所述第一能源需求增长率相应的预设增长率区间作为目标区间。当第一能源需求增长率为0.31时,0.31为大于0.2、小于0.4,则此时第一能源需求增长率处于第二个预设增长率区间内,此时目标区间即为第二个预设增长率区间。
通过以上的技术方案,本发明可以将动态变化的第一能源需求增长率统计为不同的区间,易于后续的处理、统计。
本发明提供的技术方案,在一个可能的实施方式中,如图3所示,还包括:
步骤S210、将所述目标区间输出。本发明在得到目标区间后,会将所得到的目标区间输出,例如说输出的目标区间为[0.2,0.4)。
输出目标区间后,可能会出现两种情况,第一种情况是管理员认为所输出的目标区间较为合理,不需要对目标区间进行调整,则此时将所输出的目标区间作为最终的目标区间。
第二种情况是管理员认为所输出的目标区间不合理,需要对目标区间进行调整,则此时管理员会根据实际情况输入变更数据。
步骤S220、接收管理员输入的变更数据,所述变更数据为将所输出的目标区间修改为当前时刻输入的目标区间。例如说输出的目标区间为[0.2,0.4),输入的目标区间可能是[0,0.2)或[0.4,0.6)。
步骤S230、获取所输出的目标区间与当前时刻输入的目标区间的差值得到第一调整系数。本发明会确定输出的目标区间与当前时刻输入的目标区间的差值,在及计算差值时,可以是以每个目标区间的第二区间值为基础进行计算,即将输入的目标区间的第二区间值减去输出的目标区间的第二区间值。
当输入的目标区间的第二区间值为0.6,输出的目标区间的第二区间值为0.4时,第一调整系数为0.2,当输入的目标区间的第二区间值为0.2,输出的目标区间的第二区间值为0.4时,第一调整系数为-0.2。
步骤S240、若所述第一调整系数大于第一预设值,则选取第一调整策略对所述转换值进行增值调整。第一预设值可以是0,当第一调整系数大于0时,则选取第一调整策略对所述转换值进行增值,增值可以是增加预设倍数,例如说对先前的转换值增加至其先前数值的1.2倍、1.3倍等等。
步骤S250、若所述第一调整系数小于第一预设值,则选取第二调整策略对所述转换值进行减值调整。第一预设值可以是0,当第一调整系数小于0时,则选取第二调整策略对所述转换值进行减值,减值可以是减少预设倍数,例如说对先前的转换值减少至其先前数值的0.8倍、0.9倍等等。
步骤S120、选择第一模型集合中与所述目标区间对应的第一预测模型,所述第一模型集合中至少包括一个第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值。本发明预先会设置多个第一预测模型。
在一个可能的实施方式中,例如说每个第一预测模型包括一个一元一次函数,第一模型集合中任意两个第一预测模型的一元一次函数中的斜率值和常数值可能存在不同,进而使第一预测模型中的每个一元一次函数都是不同的。
本发明会根据目标区间确定相对应的第一预测模型,当目标区间越大时,则证明此时的第一能源需求增长率越大,此时需要确定斜率更大的第一预测模型,使得第一预测模型与相应的第一能源需求增长率相适配。通过该种方式,可以选择与本申请当前的计算场景更适宜计算的第一预测模型。
本发明提供的技术方案,步骤S120具体包括:
将预设时间段中与当前时刻最接近的时间点所对应的历史能源数作为基础能源数据。本发明在会确定基础能源数据,基础源数据即为与当前时刻最接近的数据,例如说当前时刻为2019年,则当前时刻最接近的时间点即为2018年,2018年所对应的历史能源数即为基础能源数据。
第一预测模型根据其对应的第一预设函数对所述基础能源数据进行计算得到第一能源需求预测值。例如说此时选择了具有一个第一斜率、第一常数值的一元一次函数所对应的第一模型时,此时会将基础能源数据作为自变量输入至具有第一斜率、第一常数值的一元一次函数中得到因变量,此时的因变量即为第一能源需求预测值。
步骤S130、选择预设时间段中与当前时刻最接近的时间点作为目标时间点,将预设时间段中除目标时间点以外的其他时间点作为第一时间点,第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值。本发明会选择预设时间段中与当前时刻最接近的时间点作为目标时间点,当预设时间段为2008年至2018年、当前时刻为2019年时,与当前时刻最接近的时间点即为2018年,此时第一时间点即为2008年至2017年中的各个时间点。
本发明提供的技术方案,步骤S130具体包括:
第一预测模型根据目标时间点最接近的第一时间点所对应的历史能源数据得到第二能源需求预测值。本发明会根据第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值,第一时间点可以是与目标时间点最接近的时间点,此时即可以将2017年的历史数据输入至第一预测模型中得到第二能源需求预测值,第二能源需求预测值即为根据第一预测模型得到的预测值。
步骤S140、第二预测模型基于缩小系数对第二能源需求预测值和能源需求实际值进行处理,将处理后的第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据。本发明提供的技术方案,会将所得到的第二能源需求预测值和能源需求实际值比对得到第一结果,例如说目标时间点为2018年,第二能源需求预测值为95231.41,能源需求实际值为94821.00,此时会将第二能源需求预测值与能源需求实际值进行比对得到第一结果。第一结果可以是第二能源需求预测值与能源需求实际值的差值的绝对值,当第一结果越大时,则证明第一模型的相对误差可能就越大,所以通过第一结果可以反应出第一模型在进行预测时的相对误差。
本发明提供的技术方案,步骤S140具体包括:
第二预测模型将所述第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据包括:
第二预测模型获取预设时间点的总数量,基于所述预设时间点的总数量确定缩小系数。在计算第二能源需求预测值时,所得到的第一模型是按照计算当前时刻的场景适配的,即当前计算第二能源需求预测值的第一模型可能并不是最适宜目标时间点的模型,所以此时需要根据预设时间段的总数量确定缩小系数,例如所预设时间点的总数量为10,计算当前时刻所需要的第一模型是按照10个时间点进行计算的,但是对于目标时间点来说只是通过9个时间点进行计算得到的,即除去目标时间点之外的其他时间点,当预设时间点的总数量越多时,缩小系数就与越小。预设时间点的总数量为10时,缩小系数可以是10分之1,预设时间点的总数量为9时,缩小系数可以是9分之1。
根据所述缩小系数对所述第二能源需求预测值和能源需求实际值分别做缩小处理,得到缩小后的第二能源需求预测值和能源需求实际值。本发明会根据缩小系数对第二能源需求预测值和能源需求实际值分别做缩小处理,当缩小系数为10分之1时,此时可以是对第二能源需求预测值和能源需求实际值分别缩小10分之1,即此时第二能源需求预测值和能源需求实际值为缩小前的数值的10分之9。
将缩小后的第二能源需求预测值与能源需求实际值之间的差值的绝对值作为第一结果。本发明会将缩小后的第二能源需求预测值与能源需求实际值的差值作为第一结果,通过第一结果反映出第一模型适用于当前计算场景的误差情况,当第一结果越大时,则证明误差越大,当第一结果越小时,则证明误差越小。
步骤S150、若所述第一结果满足预设要求,则将所述第一能源需求预测值作为下个时刻的预测值输出。本发明可以预先设置标准结果,标准结果可以是一个预设值,例如说10,当第一结果小于标准结果时,则此时第一结果满足预设要求,此时认为所预测的第一能源需求相对准确,所以此时可以将所述第一能源需求预测值作为下个时刻的预测值输出。
步骤S160、若所述第一结果不满足预设要求,则基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值,将所述第三能源需求预测值作为下个时刻的预测值输出。当第一结果大于标准结果时,则此时可以认为第一结果不满足预设要求时。此时可以根据第二能源需求预测值和能源需求实际值得到残差值,通过残差值对第一能源需求预测值修正得到第三能源需求预测值,进而保障所输出的能源需求预测值的准确性。
本发明提供的技术方案,步骤S160具体包括:
若所述第一结果大于标准结果,则所述第一结果不满足预设要求,根据第二能源需求预测值和能源需求实际值之间差值的绝对值得到第一差值,将所述第一差值与预设差值权重相乘得到残差值。本发明在计算残差值时,会根据第一差值和预设差值权重得到,当残差值越大时,则证明需要对所计算的第一能源需求预测值修改的更多,当残差值越小时,则证明需要对所计算的第一能源需求预测值修改的更少。
根据第一经济指数值和第二经济指数值得到经济差值。第一经济指数值可以是目标时间点的实际经济值,第二经济指数可以是当前时间点的经济预测值,第一经济指数值和第二经济指数例如说国民生产总值等等。本发明在对第一能源需求预测值进行修正时,会充分考虑经济的情况。一般来说,经济都是会呈现正增长的,经济增长越多,则能源需求就越多,所以本发明会得到第一经济指数值和第二经济指数值得到经济差值,经济差值则需要对第一能源需求预测值修正的就越多。
若判断所述能源需求实际值大于所述第二能源需求预测值,则选定第一修正系数,基于第一修正系数、经济差值对第一能源需求预测值进行正向修正得到第三能源需求预测值。当能源需求实际值大于所述第二能源需求预测值,则此时需要将第一能源需求预测值调大,第一修正系数可以是预先设置的,当需要对第一能源需求预测值进行正向、增大调整时,即选择第一修正系数。修正后的第三能源需求预测值可以是第一修正系数、经济差值以及第一能源需求预测值的乘机。
若判断所述能源需求实际值小于所述第二能源需求预测值,则选定第二修正系数,基于所述第二修正系数、经济差值对第一能源需求预测值进行反向修正得到第三能源需求预测值。当能源需求实际值小于所述第二能源需求预测值,则此时需要将第一能源需求预测值调小,第二修正系数可以是预先设置的,当需要对第二能源需求预测值进行反向、降低调整时,即选择第二修正系数。修正后的第三能源需求预测值可以是第二修正系数、经济差值以及第一能源需求预测值的乘积。
通过以上的技术方案,使得本发明在对第一能源需求预测值进行修正时,不仅会考虑第一能源需求预测值和第二能源需求预测值之间的差值,还会考虑不同时间点的经济指数,根据调高或调低第一能源需求预测值确定不同的修正系数,使得在对第一能源需求预测值进行调整时,会根据增大、减小的不同趋势选择不同的权重值,提高了第三能源需求预测值的准确性。
在一个可能的实施方式中,所述第一预测模型为Richards模型,所述第二预测模型为马尔科夫链模型。
具有饱和增长特征的拟合曲线模型主要包括冈珀茨模型、逻辑回归模型以及Richards模型等。其中,逻辑回归模型本质上是一个用于分类的模型,该模型在科技生活中均被广泛使用。尽管现今深度学习远比传统模型要常用,但实际上,相比于深度学习来说,这些传统方法仍然有着独特的优势,由于这些独特优势,使得传统模型仍然被广泛应用于科技生活中的各领域之中。对于逻辑回归模型来说,有两个特点尤为突出,就是逻辑回归模型操作简单并且模型的可解释性非常强,而且逻辑回归模型的计算代价并不高。但是,逻辑回归模型也有缺点,那就是很容易发生欠拟合现象,分类精度也不够。冈珀茨模型预测方法则是利用已有的数据,对测试的结果进行定量分析,从而进行预测,对可不可以结束测试的任务提供判断的依据。但是,这种模型只适用于预测的曲线增长速度的改变随着电力资源的增大而降低的速率是常数的情况;Richards模型引入了形状参数,曲线的增长率的变化随着电力资源需求量增长而下降的速度相较于前两种模型要相对灵活,因此具有更广的适应性。当前还没有一种能源预测方法是基于Richards模型进行电力资源需求的预测。
在一个可能的实施方式中,如图4所示,本发明将基于Richards模型-马尔科夫链模型的能源需求预测方法应用于我国某电网区域的电力能源需求总量分析。算例的原始数据是2008年到2018年的整体电力能源需求总量,进而对电力能源需求变化的趋势进行精准预测。
针对逻辑回归模型、冈珀茨模型的缺点,本发明建立了Richards曲线模型-马尔科夫链模型预测电力资源需求量,使用马尔科夫链模型是用来提高预测的精度的。预测的原则是拟合值与实测的电力资源消耗值误差的平方和最小,求得最优参数解,最后使用马尔科夫模型对Richards模型所计算出的电力资源需求量的拟合残差进行修正,从而预测电力能源需求。发明融合Richards预测模型和马尔科夫链理论的优点,对于Richards曲线预测模型预测结果的残差进行处理,形成预测结果精度高,满足实际工程要求的Richards-马尔科夫链模型。
Richards模型多用于描述建筑物地基沉降变形的时间与沉降量之间的关系曲线,所以被广泛的使用在岩土力学及地基的沉降中。Richards方程可用下列微分方程描述,所述Richards模型通过以下公式表示,
根据通解公式可得,
其通解为,
上述的Richards模型含有四个参数,求解Richards预测模型参数有很多种方式,其中主要包括四点法、差分最小二乘、遗传算法等。本发明中是采用四点法对电力资源需求量进行参数估计。
本发明中利用马尔科夫链对Richards模型的预测值进行修正,而马尔科夫理论在描述动态随机过程方面有独特的优势。可以把实际的电力能源需求量看作随机过程,将来的电力资源需求量所处的状态则是通过计算电力能源需求的初始概率以及转移概率矩阵所得到的。根据马尔科夫模型可知,未来的电力资源需求量独立于从前的电力资源消耗量,且仅依赖于当前的状态。马尔科夫链的作用是修正由Richards模型预测的电力资源需求量的残差,这样做可以改善Richards模型预测精度不足的缺点,使预测精度满足要求,节约资源提高利用率。同时可以结合Richards预测和马尔科夫链的优点,二者优点互补。
所述第二预测模型为马尔科夫链。首先,根据实际的电力资源消耗量数据,利用
Richards预测模型计算出拟合值与实际电力资源消耗量值之间的残差。对计算得到的相对
误差按照一定规律合理划分区间,以此划定出马尔科夫链的状态区间。
通过以下公式得到相对误差,
通过以下公式得到马尔科夫链的状态概率矩阵P,
当前电力能源需求量预测值的状态向量可以设为,由矩阵P可知,如果状态向
量转变为,则 需要进行k步转移。然而,在工程实际中,在使用马尔科夫链模型预测
时,基本上使用一步转移就可以达到工程实际的要求。如果预测的电力资源需求量的状态
为,则只需要考虑从第k行到第k+1行的概率矩阵即可,如果,k状态转向i
状态时就可以被设为最大概率。即电力资源需求量出现在i状态。如果在转移矩阵中的某行
有大于等于两个电力资源需求量数据的概率相等或相近,状态转移方向会随之变化,那么
此时就应该使用2步以上转移为宜。随后依据上述的方法进行状态预测。最后,确定状态区
间,取均值,并使用下式的方程进行预测:
通过以下公式得到第三能源需求预测值,
结合电力能源需求总量历史样本数据特征,提出一种基于Richards预测模型-马尔科夫链模型的电力能源需求预测新方法。首先,以年为单位,利用2008年~2018年这十年内某区域的电力能源需求总量为原始数据,使用Richards预测模型剖析电力能源需求时间序列中的变化特性,对2019~2020两年的电力能源需求的变化趋势进行预测; 由于Richards预测模型对于电力能源总需求的预测精度不足,因此引入马尔科夫链理论,构建Richards预测模型残差的状态转移概率矩阵,实现对Richards预测模型结果残差的修正,使预测的精度满足要求,解决电力能源需求预测中的局部波动变化问题。
由表1中电力资源消耗量的数据能够创建Richards预测模型,在进行Richards模型预测后利用马尔科夫链理论进行Richards模型预测的残差修正,从而形成Richards模型-马尔科夫链模型方法,以此方法对2019年到2020年的某电力区域整体的电力资源需求总量准确预测分析。
首先以2008年到2018年的实测电力资源消耗量数据作为拟合序列,利用fminsearch函数,计算公式如下式:
以预测的拟合值与实测的电力资源消耗量值的误差平方和最小为原则,以年份为自变量,以累计的电力资源消耗量为因变量,给定初值后,求出Richards模型进行运算所求解出的最优解以及误差的平方和,从而得到Richards模型方程。Richards模型残差与相对误差如表2。
由表2可知,2008年到2016年电力能源需求总量残差的绝对值是在0~5490范围内变化,总体的相对误差平均值是2.6%,此精度是属于一级精度,但是对于各年份的电力能源需求量的预测值仍有一些不足,这些不足体现在相对残差比较高,因此本发明利用马尔科夫链理论方程Richards模型预测的残差进行修正,用以提高Richards模型的预测精度。经过Richards模型-马尔科夫链模型预测的结果与Richards模型预测的结果对比效果如图5。
综合图5中两个对比可知,对比传统Richards预测模型,结合马尔科夫链理论的改进预测模型对电力能源需求总量进行预测时,与实际值拟合效果更好,相对残差更小,因而Richards模型-马尔科夫链模型可以极好得剖析电力能源需求的整体趋势,而且预测精度也能够满足实际要求,能够很大程度的节约资源,同时也可以为研究经济新常态下的电力能源需求发展规律提供一种有效的新方法。
本发明提供的技术方案,还提供一种基于多模型的电力能源需求预测装置,如图6所示,包括:
增长率确定模块,用于获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率,将所述第一能源需求增长率与预设增长率区间比对确定目标区间;
第一模型确定模块,用于选择第一模型集合中与所述目标区间对应的第一预测模型,所述第一模型集合中至少包括一个第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值;
第一模型计算模块,用于选择预设时间段中与当前时刻最接近的时间点作为目标时间点,将预设时间段中除目标时间点以外的其他时间点作为第一时间点,第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值;
第二模型计算模块,用于使第二预测模型基于缩小系数对第二能源需求预测值和能源需求实际值进行处理,将处理后的第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据;
第一输出模块,用于若所述第一结果满足预设要求,则将所述第一能源需求预测值作为下个时刻的预测值输出;
第二输出模块,用于若所述第一结果不满足预设要求,则基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值,将所述第三能源需求预测值作为下个时刻的预测值输出。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)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。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.基于多模型的电力能源需求预测方法,其特征在于,包括:
获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率,将所述第一能源需求增长率与预设增长率区间比对确定目标区间;
选择第一模型集合中与所述目标区间对应的第一预测模型,所述第一模型集合中至少包括一个第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值;
选择预设时间段中与当前时刻最接近的时间点作为目标时间点,将预设时间段中除目标时间点以外的其他时间点作为第一时间点,第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值;
第二预测模型基于缩小系数对第二能源需求预测值和能源需求实际值进行处理,将处理后的第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据;
若所述第一结果满足预设要求,则将所述第一能源需求预测值作为下个时刻的预测值输出;
若所述第一结果不满足预设要求,则基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值,将所述第三能源需求预测值作为下个时刻的预测值输出。
2.根据权利要求1所述的基于多模型的电力能源需求预测方法,其特征在于,
所述第一预测模型为Richards模型;
所述第二预测模型为马尔科夫链模型。
3.根据权利要求1所述的基于多模型的电力能源需求预测方法,其特征在于,
获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率,将所述第一能源需求增长率与预设增长率区间比对确定目标区间包括:
通过以下公式得到预设时间段内的第一能源需求增长率,
其中,为预设时间段内的第一能源需求增长率,为预设时间段内第r个时间点的历史能源数据,为预设时间段内第个时间点的历史能源数据,b为时间点的上限值,为预设时间段内的时间点的总数量,为转换值,为预设常数值;将第一能源需求增长率与预设增长率区间比对,其中每个预设增长率区间包括第一区间值和第二区间值;
若判断第一能源需求增长率处于一个预设增长率区间的第一区间值和第二区间值之间时,将与所述第一能源需求增长率相应的预设增长率区间作为目标区间。
4.根据权利要求3所述的基于多模型的电力能源需求预测方法,其特征在于,还包括:
将所述目标区间输出;
接收管理员输入的变更数据,所述变更数据为将所输出的目标区间修改为当前时刻输入的目标区间;
获取所输出的目标区间与当前时刻输入的目标区间的差值得到第一调整系数;
若所述第一调整系数大于第一预设值,则选取第一调整策略对所述转换值进行增值调整;
若所述第一调整系数小于第一预设值,则选取第二调整策略对所述转换值进行减值调整。
5.根据权利要求1所述的基于多模型的电力能源需求预测方法,其特征在于,
选择第一模型集合中与所述目标区间对应的第一预测模型,所述第一模型集合中至少包括一个第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值包括:
将预设时间段中与当前时刻最接近的时间点所对应的历史能源数作为基础能源数据;
第一预测模型根据其对应的第一预设函数对所述基础能源数据、第一能源需求增长率进行计算得到第一能源需求预测值。
6.根据权利要求1所述的基于多模型的电力能源需求预测方法,其特征在于,
选择预设时间段中与当前时刻最接近的时间点作为目标时间点,将预设时间段中除目标时间点以外的其他时间点作为第一时间点,第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值包括:
第一预测模型根据目标时间点最接近的第一时间点所对应的历史能源数据得到第二能源需求预测值。
7.根据权利要求1所述的基于多模型的电力能源需求预测方法,其特征在于,
第二预测模型基于缩小系数对第二能源需求预测值和能源需求实际值进行处理,将处理后的第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据包括:
第二预测模型获取预设时间点的总数量,基于所述预设时间点的总数量确定缩小系数;
根据所述缩小系数对所述第二能源需求预测值和能源需求实际值分别做缩小处理,得到缩小后的第二能源需求预测值和能源需求实际值;
将缩小后的第二能源需求预测值与能源需求实际值之间的差值的绝对值作为第一结果。
8.根据权利要求7所述的基于多模型的电力能源需求预测方法,其特征在于,
若所述第一结果不满足预设要求,则基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值,将所述第三能源需求预测值作为下个时刻的预测值包括:
若所述第一结果大于标准结果,则所述第一结果不满足预设要求,根据第二能源需求预测值和能源需求实际值之间差值的绝对值得到第一差值,将所述第一差值与预设差值权重相乘得到残差值;
根据第一经济指数值和第二经济指数值得到经济差值;
若判断所述能源需求实际值大于所述第二能源需求预测值,则选定第一修正系数,基于第一修正系数、经济差值对第一能源需求预测值进行正向修正得到第三能源需求预测值;
若判断所述能源需求实际值小于所述第二能源需求预测值,则选定第二修正系数,基于所述第二修正系数、经济差值对第一能源需求预测值进行反向修正得到第三能源需求预测值。
9.基于多模型的电力能源需求预测装置,其特征在于,包括:
增长率确定模块,用于获取预设时间段内多个时间点的历史能源数据,根据多个历史能源数据得到预设时间段内的第一能源需求增长率,将所述第一能源需求增长率与预设增长率区间比对确定目标区间;
第一模型确定模块,用于选择第一模型集合中与所述目标区间对应的第一预测模型,所述第一模型集合中至少包括一个第一预测模型,第一预测模型根据所述历史能源数据得到第一能源需求预测值;
第一模型计算模块,用于选择预设时间段中与当前时刻最接近的时间点作为目标时间点,将预设时间段中除目标时间点以外的其他时间点作为第一时间点,第一预测模型根据所述第一时间点的历史能源数据得到目标时间点的第二能源需求预测值;
第二模型计算模块,用于使第二预测模型基于缩小系数对第二能源需求预测值和能源需求实际值进行处理,将处理后的第二能源需求预测值和能源需求实际值比对得到第一结果,所述能源需求实际值为目标时间点的实际历史能源数据;
第一输出模块,用于在所述第一结果满足预设要求时,将所述第一能源需求预测值作为下个时刻的预测值输出;
第二输出模块,用于在所述第一结果不满足预设要求时,则基于所述第二能源需求预测值和能源需求实际值得到残差值,基于所述残差值对所述第一能源需求预测值修正得到第三能源需求预测值,将所述第三能源需求预测值作为下个时刻的预测值输出。
10.存储介质,其特征在于,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现权利要求1至8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203991.8A CN114266423B (zh) | 2022-03-03 | 2022-03-03 | 基于多模型的电力能源需求预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210203991.8A CN114266423B (zh) | 2022-03-03 | 2022-03-03 | 基于多模型的电力能源需求预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266423A true CN114266423A (zh) | 2022-04-01 |
CN114266423B CN114266423B (zh) | 2022-07-29 |
Family
ID=80834019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210203991.8A Active CN114266423B (zh) | 2022-03-03 | 2022-03-03 | 基于多模型的电力能源需求预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266423B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318053A (zh) * | 2023-11-28 | 2023-12-29 | 广州宝云信息科技有限公司 | 用于储能电站的能源需求预测方法及系统 |
CN118246705A (zh) * | 2024-05-28 | 2024-06-25 | 国网浙江省电力有限公司杭州供电公司 | 一种能源需求预测方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015203649A1 (en) * | 2009-02-02 | 2015-07-23 | Planetary Emissions Management | System of systems for monitoring greenhouse gas fluxes |
CN108009667A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 一种能源需求总量及结构预测系统 |
CN113705936A (zh) * | 2021-10-26 | 2021-11-26 | 国网浙江省电力有限公司 | 基于碳循环的能源配置方法、装置及存储介质 |
-
2022
- 2022-03-03 CN CN202210203991.8A patent/CN114266423B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015203649A1 (en) * | 2009-02-02 | 2015-07-23 | Planetary Emissions Management | System of systems for monitoring greenhouse gas fluxes |
CN108009667A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 一种能源需求总量及结构预测系统 |
CN113705936A (zh) * | 2021-10-26 | 2021-11-26 | 国网浙江省电力有限公司 | 基于碳循环的能源配置方法、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
AMRUTA BAJIRAO PATIL等: "Artificial Perception of the Beverages: An In-Depth Review of the Tea Sample", 《IEEE ACCESS》 * |
张栋梁 等: "基于马尔可夫链筛选组合预测模型的中长期负荷预测方法", 《电力系统保护与控制》 * |
李辉: "用马尔可夫法改进残差GM(1,1)模型中长期负荷预测", 《陕西电力》 * |
樊雷等: "区间直觉模糊统计判决与决策", 《系统工程理论与实践》 * |
赵亚红 等: "马尔科夫链优化Richards曲线的沉降模型", 《测绘通报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117318053A (zh) * | 2023-11-28 | 2023-12-29 | 广州宝云信息科技有限公司 | 用于储能电站的能源需求预测方法及系统 |
CN117318053B (zh) * | 2023-11-28 | 2024-03-19 | 广州宝云信息科技有限公司 | 用于储能电站的能源需求预测方法及系统 |
CN118246705A (zh) * | 2024-05-28 | 2024-06-25 | 国网浙江省电力有限公司杭州供电公司 | 一种能源需求预测方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114266423B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114266423B (zh) | 基于多模型的电力能源需求预测方法、装置及存储介质 | |
CN111444241B (zh) | 一种基于数据挖掘的台区线损异常关联用户精准定位方法 | |
Shang et al. | Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN111539844B (zh) | 一种基于k-l信息量和arima误差修正的月度电量预测方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN117494888A (zh) | 基于优化级联的分布式光伏功率预测方法及系统 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
CN109376937B (zh) | 基于集合经验模态分解的自适应调度期末水位预测方法 | |
CN111191113A (zh) | 一种基于边缘计算环境的数据资源需求预测和调整方法 | |
CN117808325A (zh) | 基于用户供需大数据的电力负荷预测方法 | |
CN117290673A (zh) | 一种基于多模型融合的船舶能耗高精度预测系统 | |
CN116865255A (zh) | 基于改进熵权法和seceemd的短期风电功率预测方法 | |
CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
CN114970711B (zh) | 一种基于Seq2Seq的电力负荷预测模型的构建方法及应用 | |
CN115967092A (zh) | 一种数据驱动的新能源电力系统非参数概率最优潮流预测-分析一体化方法 | |
WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 |
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 |