CN114580795A - 计及电力故障分流的电量预测方法及相关设备 - Google Patents
计及电力故障分流的电量预测方法及相关设备 Download PDFInfo
- Publication number
- CN114580795A CN114580795A CN202210484497.3A CN202210484497A CN114580795A CN 114580795 A CN114580795 A CN 114580795A CN 202210484497 A CN202210484497 A CN 202210484497A CN 114580795 A CN114580795 A CN 114580795A
- Authority
- CN
- China
- Prior art keywords
- matrix
- target
- power consumption
- power
- network
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
本发明提供一种计及电力故障分流的电量预测方法及相关设备,方法包括:获取目标用电区域中各个用电子区域的目标邻接矩阵,所述目标邻接矩阵包括各个所述用电子区域对应的矩阵单元,每个所述用电子区域在所述目标用电区域内为独立供电;获取各个所述用电子区域的历史实际用电量数据和历史预测用电量数据;根据所述历史实际用电量数据和所述历史预测用电量数据,计算各个所述用电子区域的历史用电量增量数据;根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测,得到所述目标用电区域的电量预测结果。本发明考虑了电力故障时段对于其他用电子区域造成的分流影响,提高电量预测的准确性。
Description
技术领域
本发明涉及电力数据处理领域,尤其涉及一种计及电力故障分流的电量预测方法及相关设备。
背景技术
在电力交易中,售电公司通过向电网进行购电,再面向用电终端进行售电,需要对用电终端的用电量进行估计预测,根据估计预测的结果向电网购电,准确的估计预测用电终端的用电量,可以降低购电与用电终端用电量的偏差,从而降低用电偏差带来的经济损失。目前大多数的用电量预测研究都集中在单一区域的预测问题上。这些预测方法仅仅只考各个区域用电量序列的时间相关性,即某一区域用电量与其历史用电量序列之间的相互关系。实际上,影响一个区域用电量的因素有很多,比如季节、温度、温度、节假日、电力故障等。而对于电力故障来说,其影响是具有范围性的,而现有的预测方法并没有考虑到这个范围性,仅以单个区域的电力故障来进行预测,使得电量预测的准确性不高。
发明内容
本发明提供一种计及电力故障分流的电量预测方法,通过各个用电子区域的目标邻接矩阵来表达目标用电区域中各个独立供电的用电子区域之间的空间关系,再根据各个用电子区域的历史实际用电量数据和历史预测用电量数据计算得到各个用电子区域的历史用电量增量数据,结合目标邻接矩阵和历史用电量增量数据,考虑了电力故障时段,对于其他用电子区域造成的分流影响,进而可以对目标区域的用电量从时空维度上进行预测,提高电量预测的准确性。
第一方面,本发明提供一种计及电力故障分流的电量预测方法,所述方法包括:
获取目标用电区域中各个用电子区域的目标邻接矩阵,所述目标邻接矩阵包括各个所述用电子区域对应的矩阵单元,每个所述用电子区域在所述目标用电区域内为独立供电;
获取各个所述用电子区域的历史实际用电量数据和历史预测用电量数据;
根据所述历史实际用电量数据和所述历史预测用电量数据,计算各个所述用电子区域的历史用电量增量数据;
根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测,得到所述目标用电区域的电量预测结果。
可选的,所述获取目标用电区域中各个用电子区域的目标邻接矩阵的步骤包括:
根据各个所述用电子区域的位置关系,确定各个所述用电子区域的第一邻接关系;
根据所述第一邻接关系,建立得到所述目标邻接矩阵。
可选的,所述根据所述第一邻接关系,建立得到所述目标邻接矩阵的步骤包括:
根据所述第一邻接关系,建立得到初始邻接矩阵;
根据各个所述用电子区域的住户信息、行业分布信息以及交通信息,确定各个所述用电子区域在不同时段的第二邻接关系;
根据所述第二邻接关系,确定所述初始邻接矩阵中各个初始矩阵单元的方向矢量,得到所述目标邻接矩阵。
可选的,所述根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测的步骤包括:
将所述用电子区域的历史用电量增量数据添加到所述目标邻接矩阵中对应的所述矩阵单元,得到第一待处理邻接矩阵;
将所述第一待处理邻接矩阵中的负值进行归零,得到第二待处理邻接矩阵;
基于预设的预测网络对所述第二待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果。
可选的,所述第二待处理邻接矩阵包括不同时段的矩阵切片,所述基于预设的预测网络对所述第二待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果的步骤包括:
对所述第二待处理邻接矩阵中的每个矩阵切片进行归一化,得到第三待处理邻接矩阵;
将所述第三待处理邻接矩阵中矩阵单元总和为零的矩阵切片进行压缩,得到第四待处理邻接矩阵;
基于预设的预测网络对所述第四待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果。
可选的,所述预测网络包括空间特征提取网络、时间特征提取网络和线性回归网络,基于预设的预测网络对所述第四待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果的步骤包括:
将所述第四待处理邻接矩阵输入到所述空间特征提取网络进行空间特征提取,通过所述空间特征提取网络,提取得到每个矩阵切片对应的空间特征图;
将所述每个矩阵切片对应的空间特征图进行一维展开,得到所述第四待处理邻接矩阵的空间特征向量;
将所述空间特征向量按时间段依次进行分段编码,得到空间特征子向量集,所述空间特征子向量集中包括依次排序的空间特征子向量;
将所述空间特征子向量集输入到所述时间特征提取网络进行时间特征提取,得到所述第四待处理邻接矩阵的时空特征;
将所述时空特征输入到所述线性回归网络进行线性回归,输出得到所述目标用电区域的电量预测结果。
可选的,所述方法还包括对待训练预测网络进行训练,所述待训练预测网络中的空间特征提取网络包括第一随机掩码网络,所述待训练预测网络中的时间特征提取网络包括第二随机掩码网络,所述对待训练预测网络进行训练的步骤包括:
构建数据集,所述数据集包括样本邻接矩阵以及标签矩阵,所述样本邻接矩阵与所述第四待处理邻接矩阵通过相同的处理方法得到;
在训练过程中,通过第一随机掩码网络对所述样本邻接矩阵中的矩阵单元进行随机掩码,以及通过第二随机掩码网络对所述样本邻接矩阵对应的空间特征子向量集中的空间特征子向量进行随机掩码;
通过以最小化样本邻接矩阵的预测结果与标签矩阵的误差为目标函数,对所述待训练预测网络进行参数调整,当所述待训练预测网络收敛或训练迭代到预设次数时,停止所述待训练预测网络的训练,得到训练好的预测网络,将所述第一随机掩码网络与所述第二随机掩码网络进行删除,得到所述预测网络。
第二方面,本发明提供一种计及电力故障分流的电量预测装置,所述装置包括:
第一获取模块,用于获取目标用电区域中各个用电子区域的目标邻接矩阵,所述目标邻接矩阵包括各个所述用电子区域对应的矩阵单元,每个所述用电子区域在所述目标用电区域内为独立供电;
第二获取模块,用于获取各个所述用电子区域的历史实际用电量数据和历史预测用电量数据;
计算模块,用于根据所述历史实际用电量数据和所述历史预测用电量数据,计算各个所述用电子区域的历史用电量增量数据;
预测模块,用于根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测,得到所述目标用电区域的电量预测结果。
第三方面,本发明提供一种电子设备,包括:存储器、处理器及存储在所述存储器上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本发明提供的计及电力故障分流的电量预测方法中的步骤。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现本发明提供的计及电力故障分流的电量预测方法中的步骤。
本发明中,获取目标用电区域中各个用电子区域的目标邻接矩阵,所述目标邻接矩阵包括各个所述用电子区域对应的矩阵单元,每个所述用电子区域在所述目标用电区域内为独立供电;获取各个所述用电子区域的历史实际用电量数据和历史预测用电量数据;根据所述历史实际用电量数据和所述历史预测用电量数据,计算各个所述用电子区域的历史用电量增量数据;根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测,得到所述目标用电区域的电量预测结果。通过各个用电子区域的目标邻接矩阵来表达目标用电区域中各个独立供电的用电子区域之间的空间关系,再根据各个用电子区域在电力故障时段的历史实际用电量数据和历史预测用电量数据计算得到各个用电子区域的历史用电量增量数据,结合目标邻接矩阵和历史用电量增量数据,考虑了电力故障时段,对于其他用电子区域造成的分流影响,进而可以对目标区域的用电量从时空维度上进行预测,提高电量预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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他的附图。
图1是本发明实施例提供的一种计及电力故障分流的电量预测方法的流程图;
图2是本发明实施例提供的一种目标邻接矩阵的建立过程示意图;
图3是本发明实施例提供的一种目标邻接矩阵的示意图;
图4是本发明实施例提供的一种计及电力故障分流的电量预测装置的结构示意图;
图5是本发明实施例提供的一种电子设备的结构示意图;
在图4中:401-第一获取模块,402-第二获取模块,403-计算模块,404-预测模块;
在图5中:501-处理器,502-存储器。
具体实施方式
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作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。
请参见图1,图1是本发明实施例提供的一种计及电力故障分流的电量预测方法的流程图,如图1所示,该计及电力故障分流的电量预测方法包括以下步骤:
S101、获取目标用电区域中各个用电子区域的目标邻接矩阵。
在本发明实施例中,目标用电区域可以是某个片区或某个城市,用户子区域可以是某个片区下的小区,或某个城市内的片区。
一个目标用电区域对应一个目标邻接矩阵,目标邻接矩阵包括各个用电子区域对应的矩阵单元,一个用电子区域对应一个矩阵单元,每个用电子区域在目标用电区域内均为独立供电,可以理解为,一个用电子区域出现故障,不会影起目标用电区域内其他用电子区域故障。
目标邻接矩阵的大小可以为S×T,表示目标邻接矩阵中包含S×T个矩阵单元,目标用电区域中包括M个用电子区域,M小于或等于S×T,当M小于S×T时,则目标邻接矩阵中存在空白的矩阵单元,空白的矩阵单元不对应M个用电子区域中的任何一个,表示目标用电区域中该位置不存在用电子区域,其作用为填充目标邻接矩阵的形状,空白的矩阵单元可以赋值为空或赋值为0。
S102、获取各个用电子区域的历史实际用电量数据和历史预测用电量数据。
在本发明实施例中,用电子区域的历史实际用电量数据为一个序列数据,包括用电时间和实际用电量,比如为2月12日14点30分至2月12日15点00分的实际用电量,2月12日15点00分至2月12日15点30分的实际用电量等。其中实际用电量是在2月12日15点00分之后统计得到的,实际用电量是在2月12日15点30分之后统计得到的。
用电子区域的历史预测用电量数据为一个序列数据,包括用电时间和预测用电量,比如为2月12日14点30分至2月12日15点00分的预测用电量,2月12日15点00分至2月12日15点30分的预测用电量等。其中,预测用电量是在2月12日14点30分之前预测得到的,预测用电量是在2月12日15点00分之前预测得到的。
历史实际用电量数据与历史预测用电量数据为同一时间段,相同时间粒度的历史数据。
S103、根据历史实际用电量数据和历史预测用电量数据,计算各个用电子区域的历史用电量增量数据。
在一种可能的实施例中,历史用电量增量数据中出现电力故障的时段进行标记,从而得到各个用电子区域的电力故障的时空分布。具体的,可以在历史实际用电量数据中对出现电力故障的时段进行标记,从而根据历史实际用电量数据中出现电力故障的时段,在历史用电量增量数据中对出现电力故障的时段进行标记。
S104、根据目标邻接矩阵与用电子区域的历史用电量增量数据,对目标用电区域进行电量预测,得到目标用电区域的电量预测结果。
在本发明实施例中,将目标邻接矩阵S×T中M个矩阵单元通过对应的用电子区域的历史用电量增量数据进行填充,其中,目标邻接矩阵表示各个用电子区域的空间关系,历史用电量增量数据表示对应用电子区域的用电量时间关系。
目标用电区域的电量预测结果包括目标用电区域的总用电量预测结果和各个用电子区域的用电量预测结果。对目标用电区域进行电量预测的过程,可以是对各个用电子区域进行电量预测,得到各个用电子区域的用电量预测结果,将各个用电子区域的用电量预测结果进行相加,得到目标用电区域的总用电量预测结果。
在得到目标用电区域的电量预测结果后,可以根据目标用电区域的总用电量预测结果制定购电计划,根据各个用电子区域的用电量预测结果制定电力分配计划。
在本发明实施例中,获取目标用电区域中各个用电子区域的目标邻接矩阵,目标邻接矩阵包括各个用电子区域对应的矩阵单元,每个用电子区域在目标用电区域内为独立供电;获取各个用电子区域的历史实际用电量数据和历史预测用电量数据;根据历史实际用电量数据和历史预测用电量数据,计算各个用电子区域的历史用电量增量数据;根据目标邻接矩阵与用电子区域的历史用电量增量数据,对目标用电区域进行电量预测,得到目标用电区域的电量预测结果。通过各个用电子区域的目标邻接矩阵来表达目标用电区域中各个独立供电的用电子区域之间的空间关系,再根据各个用电子区域在电力故障时段的历史实际用电量数据和历史预测用电量数据计算得到各个用电子区域的历史用电量增量数据,结合目标邻接矩阵和历史用电量增量数据,考虑了电力故障时段,对于其他用电子区域造成的分流影响,进而可以对目标区域的用电量从时空维度上进行预测,提高电量预测的准确性。
可选的,在获取目标用电区域中各个用电子区域的目标邻接矩阵的步骤中,可以根据各个用电子区域的位置关系,确定各个用电子区域的第一邻接关系;根据第一邻接关系,建立得到目标邻接矩阵。
在本发明实施例中,各个用电子区域的位置关系可以根据各个用电子区域在地图中的位置进行确定,比如,地图中包括用电子区域A、用电子区域B、用电子区域C、用电子区域C、用电子区域D、用电子区域E、用电子区域F、用电子区域G、用电子区域H,用电子区域A在用电子区域B的左边邻接,则用电子区域A对应的矩阵单元A在用电子区域B对应的矩阵单元B的左侧邻接;用电子区域C在用电子区域B的右边邻接,则用电子区域C对应的矩阵单元C在用电子区域B对应的矩阵单元B的右侧邻接;用电子区域D在用电子区域B的下边邻接,则用电子区域D对应的矩阵单元D在用电子区域B对应的矩阵单元B的下侧邻接;用电子区域E在用电子区域C的下边邻接,同时,用电子区域E在用电子区域D的右边邻接,则用电子区域E对应的矩阵单元E在用电子区域C的下侧邻接,同时在用电子区域D对应的矩阵单元D的右侧邻接;用电子区域F在用电子区域G的左边邻接,用电子区域F对应的矩阵单元F在用电子区域G对应的矩阵单元G的左侧邻接;用于子区域G在用电子区域D的下边邻接,则用电子区域G对应的矩阵单元G在用电子区域D对应的矩阵单元D的下侧邻接;用电子区域H在用电子区域G的右边邻接,用电子区域H对应的矩阵单元H在用电子区域G对应的矩阵单元G的右侧邻接;用电子区域A与用电子区域F之间没有邻接关系,则用电子区域A对应的矩阵单元A与用电子区域F对应的矩阵单元F之间的矩阵单元为0。
具体的,请参考图2,图2是本发明实施例提供的一种目标邻接矩阵的建立过程示意图,如图2所示,将各个用电子区域的位置关系作为第一邻接关系,并根据第一邻接关系,建立得到目标邻接矩阵。
在一种可能的实施例中,可以在地图中,确定目标用电区域中的各个用电子区域的中心点,将中心点所在的用电子区域作为中心用电子区域,根据中心用电子区域与周围其他用电子区域的直接相邻关系和间接相邻关系作为第一邻接关系,进而建立得到目标邻接矩阵。
通过各个用电子区域的位置关系确定第一邻接关系,根据第一邻接关系建立得到目标邻接矩阵,使得目标邻接矩阵中与用电子区域对应的矩阵单元之间具有现实中的空间分布,为目标邻接矩阵添加了空间属性。
可选的,在根据第一邻接关系,建立得到目标邻接矩阵的步骤中,可以根据第一邻接关系,建立得到初始邻接矩阵;根据各个用电子区域的住户信息、行业分布信息以及交通信息,确定各个用电子区域在不同时段的第二邻接关系;根据第二邻接关系,确定初始邻接矩阵中各个初始矩阵单元的方向矢量,得到目标邻接矩阵。
在本发明实施例中,第一邻接关系可以根据各个用电子区域的位置关系进行确定,通过第一邻接关系建立得到初始邻接矩阵,为初始邻接矩阵添加了空间属性。
住户信息可以包括住房位置、住户人员基本信息、住户人员与其他用电子区域中住户人员之间的人员关系。住户信息中隐含了住户在本用电子区域发生电力故障时流入到其他用电子区域的概率信息,比如,当本用电子区域发生电力故障时,住户人员可能会流入到最近的用电子区域中,从而增加该用电子区域的用电量,也可能会流入到其他亲戚朋友家所在的用电子区域,从而增加该用电子区域的用电量。
行业分布信息可以包括用电子区域中各行业的占比,行业分布信息中隐含了住户人员在本用电子区域发生电力故障时流入到其他用电子区域的概率信息,比如,当本用电子区域发生电力故障时,若是在上班时间段,则住户人员流入到图书馆、咖啡店、水吧、书吧等行业占比较大的用电子区域的概率大,从而增加该用电子区域的用电量,若是在下班时间段,则住户人员流入到饮食、娱乐等行业占比较大的用电区域的概率大,从而增加该用电子区域的用电量。
交通信息可以包括各个用电子区域之间的交通道路数量、交通道路长度、交通道路拥堵情况等。交通信息中隐含了住户在本用电子区域发生电力故障时流入到其他用电子区域的难易程度,难易程度与流入的概率大小正相关。比如,当本用电子区域发生电力故障时,住户人员可能会流入到开车或乘坐交通工具最容易到达的用电子区域中,从而增加该用电子区域的用电量。
具体的,可以将各个用电子区域的住户信息、行业分布信息以及交通信息作为积分项,通过积分模型进行处理,得到两个用电子区域之间的概率积分作为两个用电子区域之间的第二邻接关系,进而得到各个用电子区域之间的第二邻接关系。
进一步的,积分模型包括各个积分项的权重,在正常时间段,一个用电子区域中住户人员突发性流入其他用电子区域的概率是极低的,因此,积分模型中可以对正常时间段的积分项设置一个很低的权重,比如0.01,对电力故障时间段的积分项设置一个较高的权重,比如0.99。
进一步的,初始矩阵包括初始矩阵单元,第二邻接关系为各个用电子区域之间的概率积分,一个用电子区域对应一个初始矩阵单元,通过第二邻接关系确定各个初始矩阵单元之间的方向矢量,进而得到目标邻接矩阵,方向矢量表示一个初始矩阵单元到另一个初始矩阵单元之间的流入概率,方向矢量的方向是一个初始矩阵单元指向其他初始矩阵单元,方向矢量的值为一个初始矩阵单元与其他初始矩阵单元之间的概率积分。请参考图3,图3是本发明实施例提供的一种目标邻接矩阵的示意图。
通过各个用电子区域的住户信息、行业分布信息以及交通信息等多维信息来确定第二邻接关系,再根据第二邻接关系得到目标邻接矩阵,使得目标邻接矩阵中隐含了各个用电子区域之间的流入概率,进而提高各个用电子区域用电量预测的准确性。
可选的,在根据目标邻接矩阵与用电子区域的历史用电量增量数据,对目标用电区域进行电量预测的步骤中,可以将用电子区域的历史用电量增量数据添加到目标邻接矩阵中对应的矩阵单元,得到第一待处理邻接矩阵;将第一待处理邻接矩阵中的负值进行归零,得到第二待处理邻接矩阵;基于预设的预测网络对第二待处理邻接矩阵进行预测处理,得到目标用电区域的电量预测结果。
在本发明实施例中,目标邻接矩阵包括S×T个矩阵单元,目标用电区域中包括M个用电子区域,M是小于或等于S×T,一个用电子区域对应一个矩阵单元,可以将用电子区域的历史用电量增量数据添加到目标邻接矩阵中对应的矩阵单元,而没有用电子区域对应的矩阵单元为空白的矩阵单元,空白的矩阵单元可以为空值或填充0,从而得到第一待处理邻接矩阵S×T×N,N为用电子区域的历史用电量增量数据的时间段数量。
在得到第一待处理邻接矩阵后,将第一待处理邻接矩阵中的负值进行归零,具体的,由于历史用电量增量数据添为历史实际用电量数据减去历史预测用电量数据得到,会存在一定的负值,也就是说存在预测用电量小于实际用电量的时间段,为用电量供不应求的情况,而在故障时间段,历史实际用电量为零,在进行预测时,其预测用电量应当以用电量增量最小为目标进行预测,即是故障时间段的预测用电量也为零,对应的用电量增量为0,在发生故障时,用电量增量为负是不可实现的。
可选的,第二待处理邻接矩阵包括不同时段的矩阵切片,在基于预设的预测网络对所述第二待处理邻接矩阵进行预测处理,得到目标用电区域的电量预测结果的步骤中,可以对第二待处理邻接矩阵中的每个矩阵切片进行归一化,得到第三待处理邻接矩阵;将第三待处理邻接矩阵中矩阵单元总和为零的矩阵切片进行压缩,得到第四待处理邻接矩阵;基于预设的预测网络对所述第四待处理邻接矩阵进行预测处理,得到目标用电区域的电量预测结果。
在本发明实施例中,第二待处理邻接矩阵中的矩阵切片对应不同时间段的用电量增量数据,用电子区域的历史用电量增量数据中包括N个时间段的用电量增量数据,因此,第二待处理邻接矩阵的结构为S×T×N,第二待处理邻接矩阵中包括N个矩阵切片,每个矩阵切片与用电子区域的历史用电量增量数据中的一个时间段对应。
通过归一化将第二待处理邻接矩阵S×T×N的矩阵切片中矩阵单元的值变换成[0,1]范围的数值,可以采用线性变换进行归一化,从而得到第三待处理邻接矩阵S×T×N。具体的,可以获取历史用电量增量数据中的最大值X_max和最小值X_min,通过最大值和最小值对矩阵切片进行归一化,归一化公式为x' = (x - X_min) / (X_max - X_min),x'为归一化后的值,x为矩阵切片中矩阵单元的值。
检测第三待处理邻接矩阵中是否存在矩阵单元总和为零的矩阵切片,若存在,则说明该矩阵切片的值全为零,可以对该矩阵切片进行压缩,可以将该矩阵切片与上一矩阵单元总和非零的矩阵切片进行叠加,从而在减少矩阵切片数量,得到第四待处理邻接矩阵S×T×K,K为矩阵单元总和非零的矩阵切片数量,K小于或等于N。这样,在后续对第四待处理邻接矩阵进行计算时,可以跳过这些矩阵单元总和为零的矩阵切片,提高计算速度。
上述预测网络可以是基于卷积神经网络的预测网络,通过将第四待处理邻接矩阵输入到预测网络中,预测得到一个结果矩阵,该结果矩阵的结构为S×T×L,与第四待处理邻接矩阵的结构S×T×K不同的是,L小于K,L对应的时间段为未来的L个时间段,结果矩阵即是对各个用电子区域在未来L个时间段的用电量预测。
可选的,预测网络包括空间特征提取网络、时间特征提取网络和线性回归网络,在基于预设的预测网络对第四待处理邻接矩阵进行预测处理,得到目标用电区域的电量预测结果的步骤中,可以将第四待处理邻接矩阵输入到空间特征提取网络进行空间特征提取,通过空间特征提取网络,提取得到每个矩阵切片对应的空间特征图;将每个矩阵切片对应的空间特征图进行一维展开,得到第四待处理邻接矩阵的空间特征向量;将空间特征向量按时间段依次进行分段编码,得到空间特征子向量集,空间特征子向量集中包括依次排序的空间特征子向量;将空间特征子向量集输入到时间特征提取网络进行时间特征提取,得到第四待处理邻接矩阵的时空特征;将时空特征输入到线性回归网络进行线性回归,输出得到目标用电区域的电量预测结果。
在本发明实施例中,上述空间特征提取网络可以是基于卷积神经网络构建的特征提取网络,上述时间特征提取网络可以是基于深度神经网络构建的特征提取网络。上述空间特征提取网络可以包括卷积层与线性层。一般用于图像处理的卷积神经网络中会包括卷积层、池化层以及线性层,其中,卷积层用于执行卷积操作,池化层用于对卷积层输出的特征图进行下采样,得到尺寸更小的特征图,线性层用于整合特征图,本发明实施例中,删除池化层以保留空间信息的完整信。
将第四待处理邻接矩阵输入空间特征提取网络中,通过卷积层的滑动窗口实现第四待处理邻接矩阵与卷积核的卷积计算,提取得到的各个用电子区域的空间特征。卷积计算的输出为具有空间关联的特征图,具体来说,可以在卷积计算后,将空间特征传递给激活函数进行激活,得到对应的空间特征图。
在得到空间特征图后,对空间特征图进行一维展开,得到空间特征向量。将空间特征向量按时间段进行分段,并将分段后的空间特征向量进行编码,得到I个空间特征子向量,每个空间特征子向量被编码为预设维度的矢量,空间特征子向量集为按时间段排序的矢量序列ti,将矢量序列ti输入时间特征提取网络,通过时间特征提取网络中的J个神经元提取矢量序列ti的时间特征,从而得到第四待处理邻接矩阵的时空特征vj|i,处理过程的表达式为vj|i=wji•ti。其中,wji为权重参数,可以通过对时间特征提取网络进行训练得到。
线性回归网络包括线性层以及回归层,在得到时空特征后,通过线性层将上述时空特征还原为一维形式,再通过回归层将一维形式的时空特征回归为邻接矩阵的结构,输出结果矩阵S×T×L。
可选的,计及电力故障分流的电量预测方法还包括对待训练预测网络进行训练,待训练预测网络中的空间特征提取网络包括第一随机掩码网络,待训练预测网络中的时间特征提取网络包括第二随机掩码网络,在对待训练预测网络进行训练的步骤中,可以构建数据集,数据集包括样本邻接矩阵以及标签矩阵,样本邻接矩阵与第四待处理邻接矩阵通过相同的处理方法得到;在训练过程中,通过第一随机掩码网络对样本邻接矩阵中的矩阵单元进行随机掩码,以及通过第二随机掩码网络对样本邻接矩阵对应的空间特征子向量集中的空间特征子向量进行随机掩码;通过以最小化样本邻接矩阵的预测结果与标签矩阵的误差为目标函数,对待训练预测网络进行参数调整,当待训练预测网络收敛或训练迭代到预设次数时,停止待训练预测网络的训练,得到训练好的预测网络,将第一随机掩码网络与第二随机掩码网络进行删除,得到预测网络。
在本发明实施例中,在训练过程中,作为预测网络的输入,样本邻接矩阵与第四待处理邻接矩阵通过相同的处理方法得到,标签矩阵的结构为S×T×L,标签矩阵中的矩阵单元的值为实际用电量。
待训练预测网络包括待训练的空间特征提取网络、待训练的时间特征提取网络以及待识别的线性回归网络,在训练过程中,可以在空间特征提取网络中添加第一随机掩码网络,通过第一随机掩码网络对样本邻接矩阵中的矩阵单元进行随机掩码,从而提高时间特征提取网络的鲁棒性;在时间特征提取网络中添加第二随机掩码网络,通过第二随机掩码网络对样本邻接矩阵对应的空间特征子向量集中的空间特征子向量进行随机掩码,从而提高时间特征提取网络的鲁棒性。
在训练好的预测网络中,第一随机掩码网络与第二随机掩码网络为多余结构,辅助训练得到鲁棒性更强的预测网络,因此,在训练完成后可以进行删除第一随机掩码网络与第二随机掩码网络,从而降低预测网络的结构量,得到预测网络进行部署。
需要说明的是,本发明实施例提供的计及电力故障分流的电量预测方法可以应用于可以进行电量预测的智能手机、电脑、服务器等设备。
可选的,请参见图4,图4是本发明实施例提供的一种计及电力故障分流的电量预测装置的结构示意图,如图4所示,所述装置包括:
第一获取模块401,用于获取目标用电区域中各个用电子区域的目标邻接矩阵,所述目标邻接矩阵包括各个所述用电子区域对应的矩阵单元,每个所述用电子区域在所述目标用电区域内为独立供电;
第二获取模块402,用于获取各个所述用电子区域的历史实际用电量数据和历史预测用电量数据;
计算模块403,用于根据所述历史实际用电量数据和所述历史预测用电量数据,计算各个所述用电子区域的历史用电量增量数据;
预测模块404,用于根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测,得到所述目标用电区域的电量预测结果。
可选的,所述第一获取模块401还用于根据各个所述用电子区域的位置关系,确定各个所述用电子区域的第一邻接关系;根据所述第一邻接关系,建立得到所述目标邻接矩阵。
可选的,所述第一获取模块401还用于根据所述第一邻接关系,建立得到初始邻接矩阵;根据各个所述用电子区域的住户信息、行业分布信息以及交通信息,确定各个所述用电子区域在不同时段的第二邻接关系;根据所述第二邻接关系,确定所述初始邻接矩阵中各个初始矩阵单元的方向矢量,得到所述目标邻接矩阵。
可选的,所述预测模块404还用于将所述用电子区域的历史用电量增量数据添加到所述目标邻接矩阵中对应的所述矩阵单元,得到第一待处理邻接矩阵;将所述第一待处理邻接矩阵中的负值进行归零,得到第二待处理邻接矩阵;基于预设的预测网络对所述第二待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果。
可选的,所述第二待处理邻接矩阵包括不同时段的矩阵切片,所述预测模块404还用于对所述第二待处理邻接矩阵中的每个矩阵切片进行归一化,得到第三待处理邻接矩阵;将所述第三待处理邻接矩阵中矩阵单元总和为零的矩阵切片进行压缩,得到第四待处理邻接矩阵;基于预设的预测网络对所述第四待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果。
可选的,所述预测网络包括空间特征提取网络、时间特征提取网络和线性回归网络,所述预测模块404还用于将所述第四待处理邻接矩阵输入到所述空间特征提取网络进行空间特征提取,通过所述空间特征提取网络,提取得到每个矩阵切片对应的空间特征图;将所述每个矩阵切片对应的空间特征图进行一维展开,得到所述第四待处理邻接矩阵的空间特征向量;将所述空间特征向量按时间段依次进行分段编码,得到空间特征子向量集,所述空间特征子向量集中包括依次排序的空间特征子向量;将所述空间特征子向量集输入到所述时间特征提取网络进行时间特征提取,得到所述第四待处理邻接矩阵的时空特征;将所述时空特征输入到所述线性回归网络进行线性回归,输出得到所述目标用电区域的电量预测结果。
可选的,所述装置还包括训练模块,所述训练模块用于对待训练预测网络进行训练,所述待训练预测网络中的空间特征提取网络包括第一随机掩码网络,所述待训练预测网络中的时间特征提取网络包括第二随机掩码网络,所述训练模块还用于构建数据集,所述数据集包括样本邻接矩阵以及标签矩阵,所述样本邻接矩阵与所述第四待处理邻接矩阵通过相同的处理方法得到;在训练过程中,通过第一随机掩码网络对所述样本邻接矩阵中的矩阵单元进行随机掩码,以及通过第二随机掩码网络对所述样本邻接矩阵对应的空间特征子向量集中的空间特征子向量进行随机掩码;通过以最小化样本邻接矩阵的预测结果与标签矩阵的误差为目标函数,对所述待训练预测网络进行参数调整,当所述待训练预测网络收敛或训练迭代到预设次数时,停止所述待训练预测网络的训练,得到训练好的预测网络,将所述第一随机掩码网络与所述第二随机掩码网络进行删除,得到所述预测网络。
需要说明的是,本发明实施例提供的计及电力故障分流的电量预测装置可以应用于可以进行电量预测的智能手机、电脑、服务器等设备。
本发明实施例提供的计及电力故障分流的电量预测装置能够实现上述方法实施例中计及电力故障分流的电量预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图5,图5是本发明实施例提供的一种电子设备的结构示意图,如图5所示,包括:存储器502、处理器501及存储在所述存储器502上并可在所述处理器501上运行的计及电力故障分流的电量预测方法的计算机程序,其中:
处理器501用于调用存储器502存储的计算机程序,执行如下步骤:
获取目标用电区域中各个用电子区域的目标邻接矩阵,所述目标邻接矩阵包括各个所述用电子区域对应的矩阵单元,每个所述用电子区域在所述目标用电区域内为独立供电;
获取各个所述用电子区域的历史实际用电量数据和历史预测用电量数据;
根据所述历史实际用电量数据和所述历史预测用电量数据,计算各个所述用电子区域的历史用电量增量数据;
根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测,得到所述目标用电区域的电量预测结果。
可选的,处理器501执行的所述获取目标用电区域中各个用电子区域的目标邻接矩阵的步骤包括:
根据各个所述用电子区域的位置关系,确定各个所述用电子区域的第一邻接关系;
根据所述第一邻接关系,建立得到所述目标邻接矩阵。
可选的,处理器501执行的所述根据所述第一邻接关系,建立得到所述目标邻接矩阵的步骤包括:
根据所述第一邻接关系,建立得到初始邻接矩阵;
根据各个所述用电子区域的住户信息、行业分布信息以及交通信息,确定各个所述用电子区域在不同时段的第二邻接关系;
根据所述第二邻接关系,确定所述初始邻接矩阵中各个初始矩阵单元的方向矢量,得到所述目标邻接矩阵。
可选的,处理器501执行的所述根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测的步骤包括:
将所述用电子区域的历史用电量增量数据添加到所述目标邻接矩阵中对应的所述矩阵单元,得到第一待处理邻接矩阵;
将所述第一待处理邻接矩阵中的负值进行归零,得到第二待处理邻接矩阵;
基于预设的预测网络对所述第二待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果。
可选的,所述第二待处理邻接矩阵包括不同时段的矩阵切片,处理器501执行的所述基于预设的预测网络对所述第二待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果的步骤包括:
对所述第二待处理邻接矩阵中的每个矩阵切片进行归一化,得到第三待处理邻接矩阵;
将所述第三待处理邻接矩阵中矩阵单元总和为零的矩阵切片进行压缩,得到第四待处理邻接矩阵;
基于预设的预测网络对所述第四待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果。
可选的,所述预测网络包括空间特征提取网络、时间特征提取网络和线性回归网络,处理器501执行的所述基于预设的预测网络对所述第四待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果的步骤包括:
将所述第四待处理邻接矩阵输入到所述空间特征提取网络进行空间特征提取,通过所述空间特征提取网络,提取得到每个矩阵切片对应的空间特征图;
将所述每个矩阵切片对应的空间特征图进行一维展开,得到所述第四待处理邻接矩阵的空间特征向量;
将所述空间特征向量按时间段依次进行分段编码,得到空间特征子向量集,所述空间特征子向量集中包括依次排序的空间特征子向量;
将所述空间特征子向量集输入到所述时间特征提取网络进行时间特征提取,得到所述第四待处理邻接矩阵的时空特征;
将所述时空特征输入到所述线性回归网络进行线性回归,输出得到所述目标用电区域的电量预测结果。
可选的,处理器501执行的所述方法还包括对待训练预测网络进行训练,所述待训练预测网络中的空间特征提取网络包括第一随机掩码网络,所述待训练预测网络中的时间特征提取网络包括第二随机掩码网络,处理器501执行的所述对待训练预测网络进行训练的步骤包括:
构建数据集,所述数据集包括样本邻接矩阵以及标签矩阵,所述样本邻接矩阵与所述第四待处理邻接矩阵通过相同的处理方法得到;
在训练过程中,通过第一随机掩码网络对所述样本邻接矩阵中的矩阵单元进行随机掩码,以及通过第二随机掩码网络对所述样本邻接矩阵对应的空间特征子向量集中的空间特征子向量进行随机掩码;
通过以最小化样本邻接矩阵的预测结果与标签矩阵的误差为目标函数,对所述待训练预测网络进行参数调整,当所述待训练预测网络收敛或训练迭代到预设次数时,停止所述待训练预测网络的训练,得到训练好的预测网络,将所述第一随机掩码网络与所述第二随机掩码网络进行删除,得到所述预测网络。
本发明实施例提供的电子设备能够实现上述方法实施例中计及电力故障分流的电量预测方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现本发明实施例提供的计及电力故障分流的电量预测方法或应用端计及电力故障分流的电量预测方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种计及电力故障分流的电量预测方法,其特征在于,包括以下步骤:
获取目标用电区域中各个用电子区域的目标邻接矩阵,所述目标邻接矩阵包括各个所述用电子区域对应的矩阵单元,每个所述用电子区域在所述目标用电区域内为独立供电;
获取各个所述用电子区域的历史实际用电量数据和历史预测用电量数据;
根据所述历史实际用电量数据和所述历史预测用电量数据,计算各个所述用电子区域的历史用电量增量数据;
根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测,得到所述目标用电区域的电量预测结果。
2.如权利要求1所述的计及电力故障分流的电量预测方法,其特征在于,所述获取目标用电区域中各个用电子区域的目标邻接矩阵的步骤包括:
根据各个所述用电子区域的位置关系,确定各个所述用电子区域的第一邻接关系;
根据所述第一邻接关系,建立得到所述目标邻接矩阵。
3.如权利要求2所述的计及电力故障分流的电量预测方法,其特征在于,所述根据所述第一邻接关系,建立得到所述目标邻接矩阵的步骤包括:
根据所述第一邻接关系,建立得到初始邻接矩阵;
根据各个所述用电子区域的住户信息、行业分布信息以及交通信息,确定各个所述用电子区域在不同时段的第二邻接关系;
根据所述第二邻接关系,确定所述初始邻接矩阵中各个初始矩阵单元的方向矢量,得到所述目标邻接矩阵。
4.如权利要求3所述的计及电力故障分流的电量预测方法,其特征在于,所述根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测的步骤包括:
将所述用电子区域的历史用电量增量数据添加到所述目标邻接矩阵中对应的所述矩阵单元,得到第一待处理邻接矩阵;
将所述第一待处理邻接矩阵中的负值进行归零,得到第二待处理邻接矩阵;
基于预设的预测网络对所述第二待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果。
5.如权利要求4所述的计及电力故障分流的电量预测方法,其特征在于,所述第二待处理邻接矩阵包括不同时段的矩阵切片,所述基于预设的预测网络对所述第二待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果的步骤包括:
对所述第二待处理邻接矩阵中的每个矩阵切片进行归一化,得到第三待处理邻接矩阵;
将所述第三待处理邻接矩阵中矩阵单元总和为零的矩阵切片进行压缩,得到第四待处理邻接矩阵;
基于预设的预测网络对所述第四待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果。
6.如权利要求5所述的计及电力故障分流的电量预测方法,其特征在于,所述预测网络包括空间特征提取网络、时间特征提取网络和线性回归网络,所述基于预设的预测网络对所述第四待处理邻接矩阵进行预测处理,得到所述目标用电区域的电量预测结果的步骤包括:
将所述第四待处理邻接矩阵输入到所述空间特征提取网络进行空间特征提取,通过所述空间特征提取网络,提取得到每个矩阵切片对应的空间特征图;
将所述每个矩阵切片对应的空间特征图进行一维展开,得到所述第四待处理邻接矩阵的空间特征向量;
将所述空间特征向量按时间段依次进行分段编码,得到空间特征子向量集,所述空间特征子向量集中包括依次排序的空间特征子向量;
将所述空间特征子向量集输入到所述时间特征提取网络进行时间特征提取,得到所述第四待处理邻接矩阵的时空特征;
将所述时空特征输入到所述线性回归网络进行线性回归,输出得到所述目标用电区域的电量预测结果。
7.如权利要求6所述的计及电力故障分流的电量预测方法,其特征在于,所述方法还包括对待训练预测网络进行训练,所述待训练预测网络中的空间特征提取网络包括第一随机掩码网络,所述待训练预测网络中的时间特征提取网络包括第二随机掩码网络,所述对待训练预测网络进行训练的步骤包括:
构建数据集,所述数据集包括样本邻接矩阵以及标签矩阵,所述样本邻接矩阵与所述第四待处理邻接矩阵通过相同的处理方法得到;
在训练过程中,通过第一随机掩码网络对所述样本邻接矩阵中的矩阵单元进行随机掩码,以及通过第二随机掩码网络对所述样本邻接矩阵对应的空间特征子向量集中的空间特征子向量进行随机掩码;
通过以最小化样本邻接矩阵的预测结果与标签矩阵的误差为目标函数,对所述待训练预测网络进行参数调整,当所述待训练预测网络收敛或训练迭代到预设次数时,停止所述待训练预测网络的训练,得到训练好的预测网络,将所述第一随机掩码网络与所述第二随机掩码网络进行删除,得到所述预测网络。
8.一种计及电力故障分流的电量预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标用电区域中各个用电子区域的目标邻接矩阵,所述目标邻接矩阵包括各个所述用电子区域对应的矩阵单元,每个所述用电子区域在所述目标用电区域内为独立供电;
第二获取模块,用于获取各个所述用电子区域的历史实际用电量数据和历史预测用电量数据;
计算模块,用于根据所述历史实际用电量数据和所述历史预测用电量数据,计算各个所述用电子区域的历史用电量增量数据;
预测模块,用于根据所述目标邻接矩阵与所述用电子区域的历史用电量增量数据,对所述目标用电区域进行电量预测,得到所述目标用电区域的电量预测结果。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上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权利要求1至7中任一项所述的计及电力故障分流的电量预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的计及电力故障分流的电量预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210484497.3A CN114580795B (zh) | 2022-05-06 | 2022-05-06 | 计及电力故障分流的电量预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210484497.3A CN114580795B (zh) | 2022-05-06 | 2022-05-06 | 计及电力故障分流的电量预测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114580795A true CN114580795A (zh) | 2022-06-03 |
CN114580795B CN114580795B (zh) | 2022-08-16 |
Family
ID=81768914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210484497.3A Active CN114580795B (zh) | 2022-05-06 | 2022-05-06 | 计及电力故障分流的电量预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580795B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018212A (zh) * | 2022-08-08 | 2022-09-06 | 水利部珠江水利委员会珠江水利综合技术中心 | 发电用水量预测分析方法、系统及云平台 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150032276A1 (en) * | 2012-02-23 | 2015-01-29 | Korea Electric Power Corporation | Device and method for scheduling power storage devices |
CN104732295A (zh) * | 2015-03-31 | 2015-06-24 | 国家电网公司 | 一种基于大数据技术的电力负荷预测模型 |
CN110705750A (zh) * | 2019-09-03 | 2020-01-17 | 中国电力科学研究院有限公司 | 一种区域内支柱性电力用户的电量预测方法和系统 |
CN112633581A (zh) * | 2020-12-28 | 2021-04-09 | 南方电网海南数字电网研究院有限公司 | 基于用电数据的电力发展状况分析方法 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
-
2022
- 2022-05-06 CN CN202210484497.3A patent/CN114580795B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150032276A1 (en) * | 2012-02-23 | 2015-01-29 | Korea Electric Power Corporation | Device and method for scheduling power storage devices |
CN104732295A (zh) * | 2015-03-31 | 2015-06-24 | 国家电网公司 | 一种基于大数据技术的电力负荷预测模型 |
CN110705750A (zh) * | 2019-09-03 | 2020-01-17 | 中国电力科学研究院有限公司 | 一种区域内支柱性电力用户的电量预测方法和系统 |
CN112633581A (zh) * | 2020-12-28 | 2021-04-09 | 南方电网海南数字电网研究院有限公司 | 基于用电数据的电力发展状况分析方法 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
王森等: "考虑时空特性分布的电动汽车充电负荷预测", 《浙江电力》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018212A (zh) * | 2022-08-08 | 2022-09-06 | 水利部珠江水利委员会珠江水利综合技术中心 | 发电用水量预测分析方法、系统及云平台 |
Also Published As
Publication number | Publication date |
---|---|
CN114580795B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Areekul et al. | Notice of violation of ieee publication principles: A hybrid arima and neural network model for short-term price forecasting in deregulated market | |
CN111539769A (zh) | 基于差分隐私的异常检测模型的训练方法及装置 | |
Kebriaei et al. | Short-term load forecasting with a new nonsymmetric penalty function | |
CN107423859B (zh) | 一种组合模型建模方法及系统 | |
CN110135876A (zh) | 销量预测的方法及装置 | |
CN107798341A (zh) | 用户意图预测方法、电子设备及计算机可读存储介质 | |
CN111639687B (zh) | 一种模型训练以及异常账号识别方法及装置 | |
CN114580795B (zh) | 计及电力故障分流的电量预测方法及相关设备 | |
Voronin et al. | A hybrid electricity price forecasting model for the Nordic electricity spot market | |
Fan et al. | Predicting vacant parking space availability: a long short-term memory approach | |
CN106875225A (zh) | 用于客户服务的方法及装置 | |
CN107103453A (zh) | 公用薪酬计算方法和系统 | |
Darudi et al. | Electricity price forecasting using a new data fusion algorithm | |
CN111353094A (zh) | 一种信息推送方法及装置 | |
US20160321750A1 (en) | Commodity price forecasting | |
Dangar et al. | Notice of Violation of IEEE Publication Principles: Electricity theft detection techniques for metered power consumer in GUVNL, GUJARAT, INDIA | |
CN113256324A (zh) | 数据资产定价方法、装置、计算机设备和存储介质 | |
CN108154288A (zh) | 新用户补贴策略的计算方法、装置、电子设备及存储介质 | |
Qian et al. | Forecasting short-term taxi demand using boosting-GCRF | |
CN113592593A (zh) | 序列推荐模型的训练及应用方法、装置、设备及存储介质 | |
He et al. | A real-time electricity price forecasting based on the spike clustering analysis | |
Rahman et al. | Using spatio‐temporal deep learning for forecasting demand and supply‐demand gap in ride‐hailing system with anonymised spatial adjacency information | |
CN116308634A (zh) | 基于行为序列和权重共享的双塔模型推荐方法及装置 | |
Ventura et al. | Estimation of non-technical loss rates by regions | |
CN113420789A (zh) | 一种预测风险账号的方法、装置、存储介质和计算机设备 |
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 |