CN114897210A - 一种基于能源损耗预测的能源互联方法及系统 - Google Patents
一种基于能源损耗预测的能源互联方法及系统 Download PDFInfo
- Publication number
- CN114897210A CN114897210A CN202210322280.2A CN202210322280A CN114897210A CN 114897210 A CN114897210 A CN 114897210A CN 202210322280 A CN202210322280 A CN 202210322280A CN 114897210 A CN114897210 A CN 114897210A
- Authority
- CN
- China
- Prior art keywords
- energy
- data set
- information
- user
- prediction
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于能源损耗预测的能源互联方法及系统,其中,所述方法包括:获得第一用户历史耗能数据集,对所述第一用户历史耗能数据集进行特征选择,获得特征选择数据子集,并将特征选择数据子集划分为训练数据集和测试数据集;训练梯度提升树模型,获得能源损耗预测模型;通过能源损耗预测模型进行能源预测,获得第一预测结果;获得第一能源调配方案;基于能源互联网调度平台,获得可调配能源信息;根据第一能源调配方案和可调配能源信息,进行能源调配。解决了现有技术中存在由于对能源供需预测能力不足,导致能源调配过程中部分能源损失的技术问题。
Description
技术领域
本发明涉及人工智能领域,具体涉及一种基于能源损耗预测的能 源互联方法及系统。
背景技术
目前,已有省份开始大规模的开发利用清洁能源,大力推动风电、 光伏发展。因此,开展电力供需预测工作是能源发展规划的应有之义。
但现有技术至少存在如下问题:
存在由于对能源供需预测能力不足,导致能源调配过程中部分能 源损失的技术问题。
发明内容
本申请通过提供了一种基于能源损耗预测的能源互联方法及系 统,解决了现有技术中存在由于对能源供需预测能力不足,导致能源 调配过程中部分能源损失的技术问题。达到了通过优选特征子集进行 能源损耗分析,提高能源损耗分析的准确度,并且通过能源损耗分析 结果,通过可调用能源的匹配进行能源调配,从而减少能源调配损耗 的技术效果。
鉴于上述问题,本申请提供了一种基于能源损耗预测的能源互联 方法及系统。
第一方面,本申请提供了一种基于能源损耗预测的能源互联方 法,其中,所述方法包括:通过对接所述能源互联网调度平台,获得 第一用户历史耗能数据集,其中,所述第一用户历史耗能数据集包括 多个特征属性;对所述第一用户历史耗能数据集进行特征选择,获得 特征选择数据子集,并将所述特征选择数据子集划分为训练数据集和 测试数据集;使用所述训练数据集训练梯度提升树模型,获得能源损 耗预测模型;根据所述测试数据集通过所述能源损耗预测模型进行能 源预测,获得第一预测结果;根据所述第一预测结果,获得第一能源 调配方案;基于所述能源互联网调度平台,获得可调配能源信息;基 于所述第一能源调配方案和所述可调配能源信息,进行能源调配。
另一方面,本申请提供了一种基于能源损耗预测的能源互联系 统,其中,所述系统包括:第一获得单元,所述第一获得单元用于通 过对接能源互联网调度平台,获得第一用户历史耗能数据集,其中, 所述第一用户历史耗能数据集包括多个特征属性;第一执行单元,所 述第一执行单元用于对所述第一用户历史耗能数据集进行特征选择, 获得特征选择数据子集,并将所述特征选择数据子集划分为训练数据 集和测试数据集;第二获得单元,所述第二获得单元用于使用所述训 练数据集训练梯度提升树模型,获得能源损耗预测模型;第三获得单 元,所述第三获得单元用于根据所述测试数据集通过所述能源损耗预测模型进行能源预测,获得第一预测结果;第四获得单元,所述第四 获得单元用于根据所述第一预测结果,获得第一能源调配方案;第五 获得单元,所述第五获得单元用于基于所述能源互联网调度平台,获 得可调配能源信息;第二执行单元,所述第二执行单元用于基于所述 第一能源调配方案和所述可调配能源信息,进行能源调配。第三方面, 本申请提供了一种基于能源损耗预测的能源互联系统,包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算机程序,其中, 所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或 优点:
由于采用了获得第一用户历史耗能数据集,对所述第一用户历史 耗能数据集进行特征选择,获得特征选择数据子集,并将特征选择数 据子集划分为训练数据集和测试数据集;训练梯度提升树模型,获得 能源损耗预测模型;通过能源损耗预测模型进行能源预测,获得第一 预测结果;获得第一能源调配方案;基于能源互联网调度平台,获得 可调配能源信息;根据第一能源调配方案和可调配能源信息,进行能 源调配的技术方案,本申请通过提供了一种基于能源损耗预测的能源 互联方法及系统,达到了通过优选特征子集进行能源损耗分析,提高 能源损耗分析的准确度,并且通过能源损耗分析结果,通过可调用能 源的匹配进行能源调配,从而减少能源调配损耗的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申 请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请 的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的 具体实施方式。
附图说明
图1为本申请实施例一种基于能源损耗预测的能源互联方法的 流程示意图;
图2为本申请实施例一种基于能源损耗预测的能源互联方法的 对第一能源调配方案进行调整的流程示意图;
图3为本申请实施例一种基于能源损耗预测的能源互联方法的 根据第一分类结果得到第一能源调配方案的流程示意图;
图4为本申请实施例一种基于能源损耗预测的能源互联系统的 结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一执行单元12,第二获得 单元13,第三获得单元14,第四获得单元15,第五获得单元16,第 二执行单元17,电子设备300,存储器301,处理器302,通信接口 303,总线架构304。
具体实施方式
本申请通过提供了一种基于能源损耗预测的能源互联方法及系 统,解决了现有技术中存在由于对能源供需预测能力不足,导致能源 调配过程中部分能源损失的技术问题。达到了通过优选特征子集进行 能源损耗分析,提高能源损耗分析的准确度,并且通过能源损耗分析 结果,通过可调用能源的匹配进行能源调配,从而减少能源调配损耗 的技术效果。
目前,已有省份开始大规模的开发利用清洁能源,大力推动风电、 光伏发展。因此,开展电力供需预测工作是能源发展规划的应有之义。 目前,现有技术中存在由于对能源供需预测能力不足,导致能源调配 过程中部分能源损失的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种基于能源损耗预测的能源互联方法,其中,所 述方法包括:通过获得第一用户历史耗能数据集,对所述第一用户历 史耗能数据集进行特征选择,并将特征选择得到的数据子集划分为训 练数据集和测试数据集;训练梯度提升树模型得到能源损耗预测模 型;通过能源损耗预测模型进行能源预测,获得第一预测结果;通过 第一预测结果匹配第一能源调配方案;基于能源互联网调度平台调用 可调配能源信息;根据第一能源调配方案和可调配能源信息,进行能 源调配。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍 本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于能源损耗预测的能源 互联方法,其中,所述方法应用于一能源互联网调度平台,所述方法 包括:
S100:通过对接所述能源互联网调度平台,获得第一用户历史耗 能数据集,其中,所述第一用户历史耗能数据集包括多个特征属性;
具体而言,所述方法应用于一能源互联网调度平台,该平台以能 源大数据为依托,综合运用先进的电力电子技术,信息技术和智能管 理技术,将大量的能源节点互联起来,从而实现能量双向流动。根据 所述能源互联网调度平台,对所述第一用户的历史数据进行采集。其 中所述第一用户为需要进行能源调配的任一用户,可以是小区、学校、 医院等。在第一用户的历史耗能数据集,包括有第一用户使用能源的 多个特征属性数据子集,例如环境特征、居住特征、时间特征等,其 中上述特征由若干个指标构成,示例性的:环境特征包括:温度、湿 度、风力等。由于多个特征属性对于能源损耗的预测关联性不同,有 的关联性较低,将关联性低的特征进行去除后,会提高预测模型的准 确度。
S200:对所述第一用户历史耗能数据集进行特征选择,获得特征 选择数据子集,并将所述特征选择数据子集划分为训练数据集和测试 数据集;
进一步的,所述对所述第一用户历史耗能数据集进行特征选择, 获得特征选择数据子集,本申请实施例步骤S200还包括:
S210:对所述第一用户历史耗能数据集的多个特征属性进行特征 重要性度量,获得第一特征重要性排序结果;
S220:根据所述第一特征重要性排序结果,预设特征去除比例;
S230:基于所述特征去除比例进行特征去除后,多次迭代直至特 征数目满足预先设定数目停止迭代,构建所述特征选择数据子集。
具体而言,对所述第一用户历史耗能数据集进行特征选择,优选 的特征选择的方法可以为随机森林特征选择方法。随机森林特征选择 方法为通过度量特征重要性,通过选择重要性较高的特征进行特征选 择。
首先进行特征重要性度量,随机森林是由多个决策树构成,以度 量一个特征a重要性为例,进行特征重要性的讲解。在建立一个决策 树时,通过重复抽样训练决策树,直至决策树训练至投入使用时,还 有一部分数据没有被抽取使用,这部分数据可用于对决策树性能进行 评估,这部分数据称为袋外数据。对每一棵决策树,通过袋外数据输 入决策树,得到袋外数据的误差,即袋外数据真实值和决策树预测值 之间的误差,即为误差1。
在随机为袋外数据的特征a数据,添加噪声数据,也就睡随机改 变袋外数据特征a处的值,再通过决策树得到添加噪声数据的袋外数 据的误差2。假设随机森林中由N个决策树,那么特征a的重要性为 因为随机噪声数据仅添加在特征a处,若加入随机 噪声后,袋外数据的准确率大幅下降,也就是误差2大幅上升,说明 特征a对于样本的预测结果有很大影响,从而说明重要性高。
以上述方法得到每个特征的重要性后,按照降序进行排列。预设 一特征去除比例,此处比例可由本领域技术人员设定,也可每次去除 最后1个特征,得到新的特征集。用新的特征集继续迭代重复上述过 程,计算重要性、排序、去除特征,直到剩余m个特征停止,m为 本领域技术人员预先设定好的,即所述预先设定数目。迭代了若干次 后,得到每一次的特征集和特征集对应的袋外误差率,选择袋外误差 率最低的特征集,也就是准确率最高的特征集作为所述特征选择数据 子集。通过特征选择算法实现了高维问题的简化,得到的特征选择数 据子集按照一定比例划分为训练数据集和测试数据集,比例可设置为 9:1或8:2在此不作为限定。
S300:使用所述训练数据集训练梯度提升树模型,获得能源损耗 预测模型;
S400:根据所述测试数据集通过所述能源损耗预测模型进行能源 预测,获得第一预测结果;
具体而言,梯度提升树(Gradient Boosting Decison Tree,GBDT) 模型,以CART回归树为基学习器,既可以处理分类任务又可以处理 回归任务,属于集成学习领域。梯度提升树的原理为在决策树的基础 上,利用预测值与真实值的误差生成另外一颗决策树,不断迭代,直 到损失函数收敛,将所有子节点的预测值相加,就是最终的预测值。
能源损耗预测问题属于回归任务,通过训练数据集训练梯度提升 树模型,直至损失函数收敛,损失函数选择均方误差,均方误差损失 函数表达式为:
当损失函数收敛时,模型训练完成,得到能源损耗预测模型,将 所述测试数据集输入能源预测模型,经过能源预测模型,对第一用户 的能源使用数据进行预测,从而达到了通过对历史数据的分析和外 推,达到对能源耗损的预测,第一预测结果为模型的输出,第一预测 结果能够科学、准确的反应、预测第一用户的能源使用情况,从而针 对第一预测结果为第一用户指定能源调配方案。
S500:根据所述第一预测结果,获得第一能源调配方案;
S600:基于所述能源互联网调度平台,获得可调配能源信息;
具体而言,通过所述能源损耗预测模型的分析预测得到所述第一 预测结果,第一预测结果包括第一用户能源使用预测结果,示例性的: 通过第一用户电力能源使用历史数据集进行预测,能够得到第一用户 电力使用情况的预测结果,根据第一用户电力使用预测结果,与电力 调配部门的电力调配方案相结合后,可以为第一用户匹配到适宜的电 力供应方案。因此,根据所述第一用户能源使用预测结果,即所述第 一预测结果,根据第一用户当地相应能源供应部门的调配方案,匹配 到适宜的第一能源调配方案。优选的,可通过第一用户的第一预测结 果通过分析与第一预测结果最为近似的能源耗损群体,举不受限制的 一例,匹配的方法可以通过分析群体之间的欧式距离,进行群体的分 类,从而匹配对应的能源调配方法。
得到第一能源调配方案后,还需要根据实际可调配的能源信息进 行调整,故,从所述能源互联网调度平台处实时采集可调配的能源信 息,包括可调配的能源类型和可调用的量,能源类型例如:光电、风 电、热电、冷源、水资源等。通过实时采集可调用的能源类型和数量, 可以考虑使用清洁能源代替煤炭发电,为第一能源调配方案调整奠定 基础,也能够更好的降低碳排放。
S700:基于所述第一能源调配方案和所述可调配能源信息,进行 能源调配。
进一步的,如图2所示,本申请实施例S700还包括:
S710:基于所述第一能源调配方案,获得第一调配能源类别信息 和第一调配能源量信息;
S720:基于所述可调配能源信息进行能源类别分析,获得可调配 能源类别信息和各类别能源可调配存量信息;
S730:根据所述第一调配能源类别信息、第一调配能源量信息和 所述可调配能源类别信息和各类别能源可调配存量信息,获得第一调 整信息;
S740:按照所述第一调整信息对所述第一能源调配方案进行调 整。
具体而言,根据所述第一能源调配方案,对准备调配的能源类型 和能源量信息进行采集,得到所述第一调配能源类别信息和第一调配 能源量信息。根据可调配能源的信息进行可调用能源适配调用需求的 能源类别分析,之后得到可调配能源类别信息和对应的调用量,根据 实际情况进行第一能源调配方案的调整。
优选的:通过尽可能多的使用清洁能源,减少污染,可结合清洁 能源在第一调配能源类别中的占比,对第一能源调配方案进行调整。 举不受限制一例:以电能为例,若是第一用户用电损耗较大,需要供 电,且第一调配能源类别信息中包括风能、热能,对应风能和热能(热 能为热力发电形式中的热能)的调用量的比例为a:b(假设风能准备 调用量为a,热能准备调用量为b)。此时获取可调配能源类别信息 包括风能、热能、光电,那么可以将光电也加入调配的类别中,并且 根据风能、光电、热能的调用量来调整a:b这个比例,举不受限制一 例如风能可调用a,光电可调用c,那么热能仅用调用b-c即可。
将可调用的能源类别和存量对原先的预调用能源类别和调用量 进行调整,得到第一调整信息,第一调整信息包括新修正的调整类别 和调用量。根据第一调整信息对所述第一能源调配方案进行适应性的 调整。能够在较为适配的能源预案的基础上进行清洁能源的加入和占 比调整,能够增加调配方案的灵活性和环保性。
进一步的,本申请实施例步骤S500还包括:
S510:基于所述能源互联网调度平台,获得用户耗能数据库;
S520:基于所述用户耗能数据库,获得各类别能源调配信息;
S530:基于所述各类别能源调配信息,获得能源损耗等级信息;
S540:以所述各类别能源调配信息为横坐标,以所述能源损耗等 级信息为纵坐标,构建能源调配方案坐标系;
S550:对所述能源调配方案坐标系进行区域标签化分类,获得第 一标签分类结果。
具体而言,为了应对能源耗损高峰季节,能源供应部门通常针对 不同情况会生成不同的预案,为了根据第一预测结果得到适配的第一 能源调配方案,需要构建能源调配方案坐标系,根据能源互联网调度 平台的大数据,将能源供应区域的所有用户的数据资料整合,构成用 户耗能数据库。根据目标用户们的实际耗能数据,进行能源调配类别 划分,得到各类别能源调配信息,各类别可以但不限于按照风能、光 电、热电、水能等进行分类。
根据各类别能源调配信息的调配量进行等级划分,能源的调配量 越多,能源损耗等级越高,因此得到所述能源损耗等级信息。以各类 别能源调配信息为横坐标,以能源损耗等级信息为纵坐标进行能源调 配方案坐标系的构建,并按照能源损耗等级信息和能源类别进行标签 分类,第一标签分类结果为按照能源损耗等级信息和能源类别信息进 行类别划分得到的。从而表现为在能源调配方案坐标系中,不同的区 域对应不同的标签分类结果,如不同区域对应能源不同的调配方案。
进一步的,如图3所示,所述获得第一标签分类结果之后,本申 请实施例步骤S550还包括:
S551:基于所述第一预测结果,获得第一耗损能源类别信息和第 一耗损能源预测结果;
S552:将所述第一耗损能源类别信息和第一耗损能源预测结果输 入所述能源调配方案坐标系,获得能源调配方案向量;
S553:对所述能源调配方案向量进行距离计算,获得欧氏距离数 据集;
S554:根据所述欧氏距离数据集,获得能源调配分类数据集,所 述能源调配分类数据集为所述欧氏距离数据集中最短k个距离;
S555:根据所述能源调配分类数据集和所述第一标签分类结果进 行映射匹配,获得第一分类结果;
S556:根据所述第一分类结果,获得所述第一能源调配方案。
具体而言,根据所述第一预测结果,所述第一预测结果包括耗损 严重需要补充的能源类别和能源量,即所述第一耗损能源类别信息和 第一耗损能源预测结果。将第一耗损能源类别信息和第一耗损能源预 测结果输入所述能源调配方案坐标系中,获得第一用户对应的能源调 配方案向量,根据能源调配方案向量在所述第一标签分类结果进行映 射匹配,获得相匹配的能源调配方案。
能源调配方案是通过计算欧氏距离数据集得到的,所述欧氏距离 数据集为欧几里得度量距离数据集合,即坐标系中两点之间的直线距 离,对所述能源调配方案向量进行欧氏距离计算,获得所述向量与其 他调配方案之间的欧氏距离数据集。在欧氏距离数据集中,找到距离 最短的k个距离,k值为所述欧氏距离数据集的一部分,可自行设定, 即为能源调配分类数据集。根据能源调配分类数据集和所述标签分类 结果进行映射匹配,获得所述向量对应的分类标签,并根据所述分类 结果,确定所述向量对应的能源调配方案。达到通过构建能源调配方 案坐标系进行向量映射的方法,使得方案分类结果更加准确,确保能源调配方案更为适当的技术效果。
进一步的,本申请实施例还包括:
S810:根据所述第一预测结果,进行平时段分析和峰时段分析, 获得平时段分析结果和峰时段分析结果;
S820:基于所述平时段分析结果、所述峰时段分析结果和所述第 一能源调配方案,对调配能源差值进行分析,获得第一调配能源差值;
S830:根据所述第一调配能源差值,对第一用户进行能源干预。
具体而言,所述第一预测结果为一段时间内的第一用户的能源损 耗预测结果,能源损耗较低时为平时段,因此,能源损耗较高,且达 到最高峰时,为高峰时段,能源消耗达到低谷的为低峰时段。平时段 的能源消耗值处于高峰时段和低峰数段之间,示例的:对第一预测结 果进行能源损耗趋势分析后,能够得到平时段分析结果和峰时段分析 结果,平时段分析结果和峰时段分析结果分别包括对应时段的能源损 耗量和能源类别信息。
在峰时段的高峰时段时,需要加大为第一用户输送能源的力度, 而在平时段和低峰时段可以将第一用户多余的能源进行反向输送,从 而减少能源的浪费。因此能源正向与反向输送能能源差值即为所述第 一调配能源差值。第一能源调配差值越大,说明第一用户能源耗损越 大,几乎没有反向输送能源或者反向输送能源较少,则需要对第一用 户进行能源限制,从而对第一用户进行能源干预。可根据第一用户当 地的节能减排规定进行高耗能对象的识别和干预,提高高能源消耗事 件的干预效率,示例性的:在2020年已有部分省份进行了电力管控, 为节能减排做出贡献。
进一步的,本申请实施例步骤还包括:
S910:获得第一用户的地理位置信息;
S920:基于所述地理位置信息获得第二用户,其中,所述第二用 户为与所述第一用户存在预设距离的用户;
S930:使用所述第二用户的历史耗能数据集对所述能源损耗预测 模型进行集成学习,获得集成能源损耗预测模型。
具体而言,第一用户为任一能源需求用户,可通过GPS定位系 统获得第一用户实际的地理位置信息,通过能源互联网调度平台根据 第一用户的地理位置信息,调用满足与第一用户存在预设距离的其他 用户的历史耗能数据,即第二用户的历史耗能数据,预设距离的设定 是用于限制第二用户与第一用户的地理位置关系的。一般而言,在一 定地理位置范围内的耗能用户,具有较为相似的环境特征、用户习惯 特征也较为相似,例如:工业园区中的邻近工厂,城市中居住区中的 邻近小区。可根据第一用户的地理位置进行距离预设,找到与之相关 的其他用户。
通过第二用户的历史耗能数据对所述能源损耗预测模型进行集 成学习,集成学习包括了同构集成和异构集成,同构集成是由一种算 法对不同数据子集进行学习后集成;异构集成是不同算法对同一训练 集学习后集成。在此为同构集成,通过第二用户的历史耗能数据集进 行与第一用户一样的特征提取后,进行模型的训练,通过第二用户的 数据进行学习后,他们模型的参数进行集成学习,使用参数对梯度提 升树模型进行更新,示例性的:参数可以为模型训练过程中的权重信 息。从而得到集成能源损耗预测模型,通过集成学习后的模型具有更 高的泛化性能,对于用户的预测准确性更高,使用集成能源损耗预测模型对第一用户进行预测,能够得到更加准确的预测结果,提高能源 调配效率。
综上所述,本申请实施例所提供的一种基于能源损耗预测的能源 互联方法及系统具有如下技术效果:
1、由于采用了获得第一用户历史耗能数据集,对所述第一用户 历史耗能数据集进行特征选择,获得特征选择数据子集,并将特征选 择数据子集划分为训练数据集和测试数据集;训练梯度提升树模型, 获得能源损耗预测模型;通过能源损耗预测模型进行能源预测,获得 第一预测结果;获得第一能源调配方案;基于能源互联网调度平台, 获得可调配能源信息;根据第一能源调配方案和可调配能源信息,进 行能源调配的技术方案,本申请实施例通过提供了一种基于能源损耗 预测的能源互联方法及系统,达到了通过优选特征子集进行能源损耗 分析,提高能源损耗分析的准确度,并且通过能源损耗分析结果,通过可调用能源的匹配进行能源调配,从而减少能源调配损耗的技术效 果。
2、由于采用了采集第二用户的历史数据进行集成学习的方法, 达到了提高了能源预测模型的泛化能力,从而提高预测的准确性的技 术效果。
3、由于采用了对平时段和峰时段的能源损耗分析,得到平时段 和峰时段的能源调配差值,达到了对高耗能对象进行识别、干预,提 高高能源消耗事件的干预效率的技术效果。
实施例二
基于与前述实施例中一种基于能源损耗预测的能源互联方法相 同的发明构思,如图4所示,本申请实施例提供了一种基于能源损耗 预测的能源互联系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过对接能源互联 网调度平台,获得第一用户历史耗能数据集,其中,所述第一用户历 史耗能数据集包括多个特征属性;
第一执行单元12,所述第一执行单元12用于对所述第一用户历 史耗能数据集进行特征选择,获得特征选择数据子集,并将所述特征 选择数据子集划分为训练数据集和测试数据集;
第二获得单元13,所述第二获得单元13用于使用所述训练数据 集训练梯度提升树模型,获得能源损耗预测模型;
第三获得单元14,所述第三获得单元14用于根据所述测试数据 集通过所述能源损耗预测模型进行能源预测,获得第一预测结果;
第四获得单元15,所述第四获得单元15用于根据所述第一预测 结果,获得第一能源调配方案;
第五获得单元16,所述第五获得单元16用于基于所述能源互联 网调度平台,获得可调配能源信息;
第二执行单元17,所述第二执行单元17用于基于所述第一能源 调配方案和所述可调配能源信息,进行能源调配。
进一步的,所述系统包括:
第六获得单元,所述第六获得单元用于对所述第一用户历史耗能 数据集的多个特征属性进行特征重要性度量,获得第一特征重要性排 序结果;
第三执行单元,所述第三执行单元用于根据所述第一特征重要性 排序结果,预设特征去除比例;
第一构建单元,所述第一构建单元用于基于所述特征去除比例进 行特征去除后,多次迭代直至特征数目满足预先设定数目停止迭代, 构建所述特征选择数据子集。
进一步的,所述系统包括:
第七获得单元,所述第七获得单元用于基于所述能源互联网调度 平台,获得用户耗能数据库;
第八获得单元,所述第八获得单元用于基于所述用户耗能数据 库,获得各类别能源调配信息;
第九获得单元,所述第九获得单元用于基于所述各类别能源调配 信息,获得能源损耗等级信息;
第二构建单元,所述第二构建单元用于以所述各类别能源调配信 息为横坐标,以所述能源损耗等级信息为纵坐标,构建能源调配方案 坐标系;
第十获得单元,所述第十获得单元用于对所述能源调配方案坐标 系进行区域标签化分类,获得第一标签分类结果。
进一步的,所述系统包括:
第十一获得单元,所述第十一获得单元用于基于所述第一预测结 果,获得第一耗损能源类别信息和第一耗损能源预测结果;
第十二获得单元,所述第十二获得单元用于将所述第一耗损能源 类别信息和第一耗损能源预测结果输入所述能源调配方案坐标系,获 得能源调配方案向量;
第十三获得单元,所述第十三获得单元用于对所述能源调配方案 向量进行距离计算,获得欧氏距离数据集;
第十四获得单元,所述第十四获得单元用于根据所述欧氏距离数 据集,获得能源调配分类数据集,所述能源调配分类数据集为所述欧 氏距离数据集中最短k个距离;
第十五获得单元,所述第十五获得单元用于根据所述能源调配分 类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结 果;
第十六获得单元,所述第十六获得单元用于根据所述第一分类结 果,获得所述第一能源调配方案。
进一步的,所述系统包括:
第十七获得单元,所述第十七获得单元用于基于所述第一能源调 配方案,获得第一调配能源类别信息和第一调配能源量信息;
第十八获得单元,所述第十八获得单元用于基于所述可调配能源 信息进行能源类别分析,获得可调配能源类别信息和各类别能源可调 配存量信息;
第十九获得单元,所述第十九获得单元用于根据所述第一调配能 源类别信息、第一调配能源量信息和所述可调配能源类别信息和各类 别能源可调配存量信息,获得第一调整信息;
第四执行单元,所述第四执行单元用于按照所述第一调整信息对 所述第一能源调配方案进行调整。
进一步的,所述系统包括:
第二十获得单元,所述第二十获得单元用于根据所述第一预测结 果,进行平时段分析和峰时段分析,获得平时段分析结果和峰时段分 析结果;
第二十一获得单元,所述第二十一获得单元用于基于所述平时段 分析结果、所述峰时段分析结果和所述第一能源调配方案,对调配能 源差值进行分析,获得第一调配能源差值;
第五执行单元,所述第五执行单元用于根据所述第一调配能源差 值,对第一用户进行能源干预。
进一步的,所述系统包括:
第二十二获得单元,所述第二十二获得单元用于获得第一用户的 地理位置信息;
第二十三获得单元,所述第二十三获得单元用于基于所述地理位 置信息获得第二用户,其中,所述第二用户为与所述第一用户存在预 设距离的用户;
第二十四获得单元,所述第二十四获得单元用于使用所述第二用 户的历史耗能数据集对所述能源损耗预测模型进行集成学习,获得集 成能源损耗预测模型。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备。基于与前述实施 例中一种基于能源损耗预测的能源互联方法相同的发明构思,本申请 实施例还提供了一种基于能源损耗预测的能源互联系统,包括:处理 器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程 序被所述处理器执行时,使得系统以执行第一方面任一项所述的方 法。
该电子设备300包括:处理器302、通信接口303、存储器301。 可选的,电子设备300还可以包括总线架构304。其中,通信接口303、 处理器302以及存储器301可以通过总线架构304相互连接;总线架 构304可以是外设部件互连标(peripheral componentinterconnect,简 称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总 线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示, 但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个 用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的系统,用于与其他设备或 通信网络通信,如以太网,无线接入网(radio access network,RAN), 无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的 静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储 设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩 光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质 或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构 形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限 于此。存储器可以是独立存在,通过总线架构304与处理器相连接。 存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令, 并由处理器302来控制执行。处理器302用于执行存储器301中存储 的计算机执行指令,从而实现本申请上述实施例提供的一种基于能源 损耗预测的能源互联方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程 序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种基于能源损耗预测的能源互联方法,其 中,所述方法包括:获得第一用户历史耗能数据集,对所述第一用户 历史耗能数据集进行特征选择,获得特征选择数据子集,并将特征选 择数据子集划分为训练数据集和测试数据集;训练梯度提升树模型, 获得能源损耗预测模型;通过能源损耗预测模型进行能源预测,获得 第一预测结果;获得第一能源调配方案;基于能源互联网调度平台, 获得可调配能源信息;根据第一能源调配方案和可调配能源信息,进 行能源调配。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各 种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的 范围,也不表示先后顺序。“和/或”,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。“至少一个”是指一个或者多个。至少两个是指 两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些 项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b, 或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c, 其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者 其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机 程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指 令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产 生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算 机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指 令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介 质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从 一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另 一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可 读存储介质可以是计算机能够存取的任何可用介质或者是包括一个 或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用 介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如, DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通 过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程 门阵列(FPGA)或其它可编程逻辑系统,离散门或晶体管逻辑,离散 硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用 处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的 处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的 组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个 或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置 来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、 处理器执行的软件单元、或者这两者的结合。软件单元可以存储于 RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储 器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形 式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处 理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选 地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于 ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可 以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计 算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备 上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其 他可编程设备上执行的指令提供用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见 的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和 组合。相应地,本说明书和附图仅仅是本申请所界定的本申请的示例 性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合 或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变 型而不脱离本申请的范围。这样,倘若这些修改和变型属于本申请及 其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种基于能源损耗预测的能源互联方法,其特征在于,所述方法应用于一能源互联网调度平台,所述方法包括:
通过对接所述能源互联网调度平台,获得第一用户历史耗能数据集,其中,所述第一用户历史耗能数据集包括多个特征属性;
对所述第一用户历史耗能数据集进行特征选择,获得特征选择数据子集,并将所述特征选择数据子集划分为训练数据集和测试数据集;
使用所述训练数据集训练梯度提升树模型,获得能源损耗预测模型;
根据所述测试数据集通过所述能源损耗预测模型进行能源预测,获得第一预测结果;
根据所述第一预测结果,获得第一能源调配方案;
基于所述能源互联网调度平台,获得可调配能源信息;
基于所述第一能源调配方案和所述可调配能源信息,进行能源调配。
2.如权利要求1所述的方法,其特征在于,所述对所述第一用户历史耗能数据集进行特征选择,获得特征选择数据子集,包括:
对所述第一用户历史耗能数据集的多个特征属性进行特征重要性度量,获得第一特征重要性排序结果;
根据所述第一特征重要性排序结果,预设特征去除比例;
基于所述特征去除比例进行特征去除后,多次迭代直至特征数目满足预先设定数目停止迭代,构建所述特征选择数据子集。
3.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述能源互联网调度平台,获得用户耗能数据库;
基于所述用户耗能数据库,获得各类别能源调配信息;
基于所述各类别能源调配信息,获得能源损耗等级信息;
以所述各类别能源调配信息为横坐标,以所述能源损耗等级信息为纵坐标,构建能源调配方案坐标系;
对所述能源调配方案坐标系进行区域标签化分类,获得第一标签分类结果。
4.如权利要求3所述的方法,其特征在于,所述获得第一标签分类结果之后,所述方法还包括:
基于所述第一预测结果,获得第一耗损能源类别信息和第一耗损能源预测结果;
将所述第一耗损能源类别信息和第一耗损能源预测结果输入所述能源调配方案坐标系,获得能源调配方案向量;
对所述能源调配方案向量进行距离计算,获得欧氏距离数据集;
根据所述欧氏距离数据集,获得能源调配分类数据集,所述能源调配分类数据集为所述欧氏距离数据集中最短k个距离;
根据所述能源调配分类数据集和所述第一标签分类结果进行映射匹配,获得第一分类结果;
根据所述第一分类结果,获得所述第一能源调配方案。
5.如权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述第一能源调配方案,获得第一调配能源类别信息和第一调配能源量信息;
基于所述可调配能源信息进行能源类别分析,获得可调配能源类别信息和各类别能源可调配存量信息;
根据所述第一调配能源类别信息、第一调配能源量信息和所述可调配能源类别信息和各类别能源可调配存量信息,获得第一调整信息;
按照所述第一调整信息对所述第一能源调配方案进行调整。
6.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述第一预测结果,进行平时段分析和峰时段分析,获得平时段分析结果和峰时段分析结果;
基于所述平时段分析结果、所述峰时段分析结果和所述第一能源调配方案,对调配能源差值进行分析,获得第一调配能源差值;
根据所述第一调配能源差值,对第一用户进行能源干预。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
获得第一用户的地理位置信息;
基于所述地理位置信息获得第二用户,其中,所述第二用户为与所述第一用户存在预设距离的用户;
使用所述第二用户的历史耗能数据集对所述能源损耗预测模型进行集成学习,获得集成能源损耗预测模型。
8.一种基于能源损耗预测的能源互联系统,其特征在于,所述系统包括:
第一获得单元,所述第一获得单元用于通过对接能源互联网调度平台,获得第一用户历史耗能数据集,其中,所述第一用户历史耗能数据集包括多个特征属性;
第一执行单元,所述第一执行单元用于对所述第一用户历史耗能数据集进行特征选择,获得特征选择数据子集,并将所述特征选择数据子集划分为训练数据集和测试数据集;
第二获得单元,所述第二获得单元用于使用所述训练数据集训练梯度提升树模型,获得能源损耗预测模型;
第三获得单元,所述第三获得单元用于根据所述测试数据集通过所述能源损耗预测模型进行能源预测,获得第一预测结果;
第四获得单元,所述第四获得单元用于根据所述第一预测结果,获得第一能源调配方案;
第五获得单元,所述第五获得单元用于基于所述能源互联网调度平台,获得可调配能源信息;
第二执行单元,所述第二执行单元用于基于所述第一能源调配方案和所述可调配能源信息,进行能源调配。
9.一种基于能源损耗预测的能源互联系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,其特征在于,使系统以执行如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322280.2A CN114897210B (zh) | 2022-03-30 | 2022-03-30 | 一种基于能源损耗预测的能源互联方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210322280.2A CN114897210B (zh) | 2022-03-30 | 2022-03-30 | 一种基于能源损耗预测的能源互联方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897210A true CN114897210A (zh) | 2022-08-12 |
CN114897210B CN114897210B (zh) | 2023-09-12 |
Family
ID=82715084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210322280.2A Active CN114897210B (zh) | 2022-03-30 | 2022-03-30 | 一种基于能源损耗预测的能源互联方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897210B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617487A (zh) * | 2013-11-22 | 2014-03-05 | 冶金自动化研究设计院 | 一种基于设备工况组合的能源调度系统和方法 |
US20180060777A1 (en) * | 2010-07-02 | 2018-03-01 | General Electric Technology Gmbh | Multi-interval dispatch system tools for enabling dispatchers in power grid control centers to manage changes |
CN108490284A (zh) * | 2018-02-12 | 2018-09-04 | 国网山东省电力公司电力科学研究院 | 面向多应用场景的新能源数据采集装置、系统及方法 |
CN110516837A (zh) * | 2019-07-10 | 2019-11-29 | 马欣 | 一种基于ai的智能化诊断方法、系统及装置 |
CN110739684A (zh) * | 2019-10-15 | 2020-01-31 | 上海电力大学 | 基于多时间尺度的多交直流混合微电网优化调度方法 |
CN110829502A (zh) * | 2019-10-17 | 2020-02-21 | 广西电网有限责任公司电力科学研究院 | 一种考虑新能源的多目标区间发电调度方法 |
US20200090289A1 (en) * | 2017-05-25 | 2020-03-19 | Johnson Controls Technology Company | Model predictive maintenance system with integrated measurement and verification functionality |
CN111144616A (zh) * | 2019-11-29 | 2020-05-12 | 中国船舶重工集团公司第七一六研究所 | 面向企业能源消费的预测方法、系统、计算机设备和存储介质 |
CN112836957A (zh) * | 2021-01-29 | 2021-05-25 | 西安理工大学 | 一种考虑供电可靠性的区域综合能源系统规划方法 |
CN113988878A (zh) * | 2021-12-27 | 2022-01-28 | 智器云南京信息科技有限公司 | 一种基于图数据库技术的反欺诈方法及系统 |
CN113988418A (zh) * | 2021-10-28 | 2022-01-28 | 上海师范大学 | 一种能源负荷预测的可视化方法 |
CN114240133A (zh) * | 2021-12-14 | 2022-03-25 | 昆明学院 | 可再生能源与电网协调规划方法、设备、系统及存储系统 |
-
2022
- 2022-03-30 CN CN202210322280.2A patent/CN114897210B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180060777A1 (en) * | 2010-07-02 | 2018-03-01 | General Electric Technology Gmbh | Multi-interval dispatch system tools for enabling dispatchers in power grid control centers to manage changes |
CN103617487A (zh) * | 2013-11-22 | 2014-03-05 | 冶金自动化研究设计院 | 一种基于设备工况组合的能源调度系统和方法 |
US20200090289A1 (en) * | 2017-05-25 | 2020-03-19 | Johnson Controls Technology Company | Model predictive maintenance system with integrated measurement and verification functionality |
CN108490284A (zh) * | 2018-02-12 | 2018-09-04 | 国网山东省电力公司电力科学研究院 | 面向多应用场景的新能源数据采集装置、系统及方法 |
CN110516837A (zh) * | 2019-07-10 | 2019-11-29 | 马欣 | 一种基于ai的智能化诊断方法、系统及装置 |
CN110739684A (zh) * | 2019-10-15 | 2020-01-31 | 上海电力大学 | 基于多时间尺度的多交直流混合微电网优化调度方法 |
CN110829502A (zh) * | 2019-10-17 | 2020-02-21 | 广西电网有限责任公司电力科学研究院 | 一种考虑新能源的多目标区间发电调度方法 |
CN111144616A (zh) * | 2019-11-29 | 2020-05-12 | 中国船舶重工集团公司第七一六研究所 | 面向企业能源消费的预测方法、系统、计算机设备和存储介质 |
CN112836957A (zh) * | 2021-01-29 | 2021-05-25 | 西安理工大学 | 一种考虑供电可靠性的区域综合能源系统规划方法 |
CN113988418A (zh) * | 2021-10-28 | 2022-01-28 | 上海师范大学 | 一种能源负荷预测的可视化方法 |
CN114240133A (zh) * | 2021-12-14 | 2022-03-25 | 昆明学院 | 可再生能源与电网协调规划方法、设备、系统及存储系统 |
CN113988878A (zh) * | 2021-12-27 | 2022-01-28 | 智器云南京信息科技有限公司 | 一种基于图数据库技术的反欺诈方法及系统 |
Non-Patent Citations (5)
Title |
---|
FABRIZIO SOSSAN 等: "Achieving the Dispatchability of Distribution Feeders Through Prosumers Data Driven Forecasting and Model Predictive Control of Electrochemical Storage", 《IEEE TRANSACTIONS ON SUSTAINABLE ENERGY》, vol. 7, no. 4, pages 1762 - 1777, XP011623258, DOI: 10.1109/TSTE.2016.2600103 * |
ZHENGMAO LI 等: "Optimal Stochastic Deployment of Heterogeneous Energy Storage in a Residential Multienergy Microgrid With Demand-Side Management", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 17, no. 2, pages 991 - 1004, XP011821297, DOI: 10.1109/TII.2020.2971227 * |
张凯 等: "基于组合预测模型对我国能源消耗的研究分析", 《金融理论与教学》, no. 2, pages 90 - 97 * |
张彦: "基于模型预测控制的能源互联网智能能量优化调度研究", 《中国博士学位论文全文数据库 经济与管理科学辑》, no. 1, pages 150 - 43 * |
柴炜: "区域电网高比例可再生能源的分层消纳与互动控制关键技术", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, pages 039 - 15 * |
Also Published As
Publication number | Publication date |
---|---|
CN114897210B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Parallel and reliable probabilistic load forecasting via quantile regression forest and quantile determination | |
Su et al. | A systematic data-driven Demand Side Management method for smart natural gas supply systems | |
Rajabi et al. | A pattern recognition methodology for analyzing residential customers load data and targeting demand response applications | |
CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 | |
Csikós et al. | Traffic speed prediction method for urban networks—An ANN approach | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN112734135B (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
Jurado et al. | Short-term electric load forecasting using computational intelligence methods | |
Kim et al. | Short-term electric load forecasting using data mining technique | |
Mishra et al. | Performance evaluation of prophet and STL-ETS methods for load forecasting | |
Somu et al. | Evaluation of building energy demand forecast models using multi-attribute decision making approach | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN117422274A (zh) | 综合能源系统运行优化系统及方法 | |
Zhang et al. | Building energy consumption prediction based on temporal-aware attention and energy consumption states | |
CN117057487A (zh) | 一种配电网碳排放强度预测方法、系统、设备及存储介质 | |
Wang et al. | Multi‐objective expansion planning of park‐level integrated energy system considering the volatility trend of CETP | |
CN114897210B (zh) | 一种基于能源损耗预测的能源互联方法及系统 | |
CN114169763A (zh) | 一种计量器具需求预测方法、系统、计算装置及存储介质 | |
CN113191540A (zh) | 一种产业链路制造资源的构建方法及装置 | |
Elahe et al. | An adaptive and parallel forecasting strategy for short-term power load based on second learning of error trend | |
Zhan et al. | A hybrid GA-TS algorithm for optimizing networked manufacturing resources configuration | |
CN113837782A (zh) | 时间序列模型的周期项参数优化方法、装置、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 |