CN114912720A - 基于记忆网络电力负荷预测方法、装置、终端及存储介质 - Google Patents
基于记忆网络电力负荷预测方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN114912720A CN114912720A CN202210828776.7A CN202210828776A CN114912720A CN 114912720 A CN114912720 A CN 114912720A CN 202210828776 A CN202210828776 A CN 202210828776A CN 114912720 A CN114912720 A CN 114912720A
- Authority
- CN
- China
- Prior art keywords
- predicted
- day
- subset
- value
- samples
- 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 47
- 230000015654 memory Effects 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing 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
- 238000012163 sequencing technique Methods 0.000 description 3
- 108010080865 Factor XII Proteins 0.000 description 2
- 102000000429 Factor XII Human genes 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 108010076282 Factor IX Proteins 0.000 description 1
- 108010023321 Factor VII Proteins 0.000 description 1
- 108010054218 Factor VIII Proteins 0.000 description 1
- 102000001690 Factor VIII Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation 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
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 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
- G06Q10/04—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
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了基于记忆网络电力负荷预测方法、装置、终端及存储介质，该方法包括：获取影响目标区域用电负荷的多个影响因素；根据目标区域的历史数据获取多个样本，每个样本的输入参数为一个自然日中多个影响因素的值，输出参数为该自然日的用电负荷的值；根据多个样本的输入参数对多个样本进行聚类，得到多个子集；依次通过每个子集对LSTM网络进行训练，得到每个子集对应的预测模型；根据待预测日的多个影响因素的值，计算待预测日所属的子集，将待预测日所属的子集作为目标子集；根据目标子集的预测模型，获取待预测日的用电负荷预测值。本发明能够实现目标区域用电负荷的精准预测。
Description
技术领域
本发明涉及电力负荷预测技术领域，尤其涉及基于记忆网络电力负荷预测方法、装置、终端及存储介质。
背景技术
目前，随着智能电网建设的不断推进，电力系统中运行的采集终端数量大幅增长，面对采集到的海量用电数据，如何快速挖掘出具有价值的信息，指导企业发展并服务社会民生，显得尤为迫切。
电力负荷数据是电网数据中最重要的组成部分之一，包含了从线路、台区以至用户各种不同级别跨度与时间跨度的负荷变化，记录了配用电环节中各方面的信息。近年来，电网信息化程度高速增长，如何对海量的电力负荷数据进行分析，从而对电力负荷进行精准预测，以实现精准负荷控制的目的，是现有技术急需解决的技术问题。
发明内容
有鉴于此，本发明提供了基于记忆网络电力负荷预测方法、装置、终端及存储介质，能够解决现有技术对用电负荷预测精准度低的问题。
第一方面，本发明实施例提供了一种基于记忆网络电力负荷预测方法，包括：
获取影响目标区域用电负荷的多个影响因素；
根据目标区域的历史数据获取多个样本，每个样本的输入参数为一个自然日中所述多个影响因素的值，输出参数为该自然日的用电负荷的值；
根据所述多个样本的输入参数对所述多个样本进行聚类，得到多个子集；
依次通过每个子集对LSTM网络进行训练，得到每个子集对应的预测模型；
根据待预测日的所述多个影响因素的值，计算所述待预测日所属的子集，将所述待预测日所属的子集作为目标子集；
根据所述目标子集的预测模型，获取所述待预测日的用电负荷预测值。
在一种可能的实现方式中，在获取影响目标区域的用电负荷的多个影响因素之前，该方法还包括：
确定影响用电负荷的m个影响因素，m为正整数；
针对任一区域，根据该区域的历史数据，获取所述m个影响因素中每个影响因素与用电负荷的相关系数；
选取相关系数大于等于第一预设阈值的所有影响因素，作为该区域对应的多个影响因素，或者，按照降序对所述m个影响因素的相关系数进行排序，获取排序结果中前第一预设数量的影响因素，作为该区域对应的多个影响因素；
针对任一区域，在数据库中建立该区域的唯一标识与该区域对应的多个影响因素的唯一映射关系。
在一种可能的实现方式中，所述获取影响目标区域用电负荷的多个影响因素包括：
获取所述目标区域的唯一标识；
根据所述目标区域的唯一标识，在所述数据库中获取所述目标区域对应的多个影响因素。
在一种可能的实现方式中，所述根据所述目标子集的预测模型，获取所述待预测日的用电负荷预测值包括：
根据输入参数计算所述目标子集中每个样本与所述待预测日的灰色关联度；
根据所述目标子集中每个样本与所述待预测日的灰色关联度，判断所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量是否大于等于预设百分比；
若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量大于等于预设百分比，则将所述待预测日的多个影响因素的值输入所述目标子集的预测模型，得到第一预测值，将所述第一预测值作为所述待预测日的用电负荷预测值。
在一种可能的实现方式中，该方法还包括：
若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量小于预设百分比，则在所有样本中获取所有与所述待预测日的灰色关联度大于等于所述第二预设阈值的样本，对所述LSTM网络进行训练，得到第一修正预测模型；
将所述待预测日的多个影响因素的值输入所述第一修正预测模型，得到第二预测值；
根据所述第一预测值和所述第二预测值，得到所述待预测日的用电负荷预测值。
在一种可能的实现方式中，所述根据所述第一预测值和所述第二预测值，得到所述待预测日的用电负荷预测值包括：
根据预设公式计算所述待预测日的用电负荷预测值，所述预设公式为
式中，
为所述待预测日的用电负荷预测值，
为所述第一预测值，
为所述第二预测值，
为第一预设阈值，
为第二预设阈值，
。
在一种可能的实现方式中，该方法还包括：
若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量小于预设百分比，则在所述目标子集中获取所有与所述待预测日的灰色关联度大于等于所述第二预设阈值的样本，对所述LSTM网络进行训练，得到第二修正预测模型；
将所述待预测日的多个影响因素的值输入所述第二修正预测模型，得到第三预测值，将所述第三预测值作为所述待预测日的用电负荷预测值。
第二方面，本发明实施例提供了一种基于记忆网络电力负荷预测装置，包括：影响因素确定模块、样本获取模块、聚类模块、训练模块和预测模块；
所述影响因素确定模块，用于获取影响目标区域用电负荷的多个影响因素；
所述样本获取模块，用于根据目标区域的历史数据获取多个样本，每个样本的输入参数为一个自然日中所述多个影响因素的值，输出参数为该自然日的用电负荷的值；
所述聚类模块，用于根据所述多个样本的输入参数对所述多个样本进行聚类，得到多个子集；
所述训练模块，用于依次通过每个子集对LSTM网络进行训练，得到每个子集对应的预测模型；
所述聚类模块，还用于根据待预测日的所述多个影响因素的值，计算所述待预测日所属的子集，将所述待预测日所属的子集作为目标子集；
所述预测模块，用于根据所述目标子集的预测模型，获取所述待预测日的用电负荷预测值。
第三方面，本发明实施例提供了一种终端，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第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
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第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例通过确定影响目标区域用电负荷的多个影响因素，根据影响因素对样本进行聚类，得到多个子集，实现了对样本数据的分类，通过每个子集对LSTM网络模型进行训练，得到每个子集的对应的一个预测模型，当确定待预测日的影响因素的值后，计算待预测日与每个子集的聚类中心的距离，与聚类中心距离最小的子集即为待预测日所属的子集，作为目标子集，由于目标子集中的样本与待预测日的样本为同一类样本，因此通过目标子集对待预测日的用电负荷值进行预测，提高了预测精度。
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一种基于记忆网络电力负荷预测方法的实现流程图；
图2是本发明实施例提供的一种基于记忆网络电力负荷预测装置的结构示意图；
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
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。
参见图1，其示出了本发明实施例提供的一种基于记忆网络电力负荷预测方法的实现流程图，详述如下：
在S101中、获取影响目标区域用电负荷的多个影响因素。
影响一个区域用电负荷的影响因素有很多，例如日最高温度、日最低温度、日平均温度、日降雨量、是否为阴雨天气、空气湿度、是否为休息日、是否为工作日、该区域内常驻人口数量、前日用电负荷最大值、前日用电负荷最小值等。
但是，两个不同的区域对应的影响因素可能不完全相同，例如，全年日均温差比较大的地区，日最高温度、日最低温度对用电负荷的影响比较大，全年日均温差比较小的地区，日平均温度对用电负荷的影响比较大。或者，阴雨天比较多的地区，日降雨量、空气湿度等影响因素对用电负荷的影响比较大。
因此，在本发明实施例中，可以通过如下方式确定目标区域的用电负荷的多个影响因素：
确定影响用电负荷的m个影响因素，m为正整数；针对任一区域，根据该区域的历史数据，获取m个影响因素中每个影响因素与用电负荷的相关系数；选取相关系数大于等于第一预设阈值的所有影响因素，作为该区域对应的多个影响因素，或者，按照降序对m个影响因素的相关系数进行排序，获取排序结果中前第一预设数量的影响因素，作为该区域对应的多个影响因素；针对任一区域，在数据库中建立该区域的唯一标识与该区域对应的多个影响因素的唯一映射关系。
例如，可以将所有可能影响用电负荷的因素作为上述m个影响因素，例如，通过分析，有可能影响用电负荷的影响因素有m=20个，分别为因素1、因素2……因素20。
对于一个区域，如区域1，获取该区域的历史数据，如上一年度所有用电数据，依次分析上述20个影响因素与用电负荷的相关系数。
相关关系是一种非确定性的关系，相关系数是研究变量之间线性相关程度的量。在一种可能的实现方式中，可以通过Pearson相关系数分析法进行分析。
相关系数为正数且相关系数越大，说明该影响因素与用电负荷的相关性越高，基于该思想，选取相关系数大于等于第一预设阈值的所有影响因素，作为该区域对应的多个影响因素，或者，按照降序对m个影响因素的相关系数进行排序，获取排序结果中前第一预设数量的影响因素，作为该区域对应的多个影响因素。
例如，第一预设阈值为0.4，将上述20个影响因素中所有相关系数大于等于0.4的影响因素作为该区域对应的影响因素。
通过这种方法，依次确定每个区域对应的影响因素，并在数据库中建立该区域的唯一标识与该区域对应的多个影响因素的唯一映射关系。
举例来说，区域1的唯一标识为标识1，通过上述方法确定该区域对应的影响因素为因素1、因素2、因素3、因素4、因素5；
区域2的唯一标识为标识2，通过上述方式确定该区域对应的影响因素为因素3、因素4、因素7、因素12、因素15、因素17；
区域3的唯一标识为标识3，通过上述方式确定该区域对应的影响因素为因素3、因素4、因素8、因素9、因素12、因素20。
则确定目标区域后，获取目标区域的唯一标识；根据目标区域的唯一标识，在数据库中获取目标区域对应的多个影响因素。
例如，目标区域的唯一标识为标识1，则可以确定目标区域对应的影响因素为因素1、因素2、因素3、因素4、因素5。
在S102中、根据目标区域的历史数据获取多个样本，每个样本的输入参数为一个自然日中多个影响因素的值，输出参数为该自然日的用电负荷的值。
在本发明实施例中，在一种可能的实现方式中，可以将上一年度的历史数据进行预处理，包括但不限于异常值处理、归一化处理等，得到多个样本。
每个样本对应一个自然日，目标区域为区域1，目标区域对应的影响因素为因素1、因素2、因素3、因素4、因素5，则每个样本的输入参数为因素1、因素2、因素3、因素4、因素5预处理后的值，输出参数为当个自然日的用电负荷的值。
在S103中、根据多个样本的输入参数对多个样本进行聚类，得到多个子集。
本发明实施例不对聚类的具体方法进行限定。
通过聚类，将多个样本划分为多个子集。每个子集中的样本可以认为是同一类型的样本。
举例来说，通过历史数据获取300个样本，通过聚类，得到5个子集，分别为子集1、子集2……子集5。
在S104中、依次通过每个子集对LSTM网络进行训练，得到每个子集对应的预测模型。
在本发明实施例中，依次通过每个子集对LSTM（Long Short-Term Memory，长短期记忆网络）进行训练，得到每个子集对应的预测模型。
例如，通过子集1中的样本对LSTM模型进行训练，得到预测模型1；通过子集2中的样本对LSTM模型进行训练，得到预测模型2……通过子集5中的样本对LSTM模型进行训练，得到预测模型5。
由于每个子集内的样本属于同一类的样本，通过该子集得到的预测模型，对于预测同样属于该子集样本类型的待预测日的预测精度较高。
LSTM是一种在循环神经网络的基础上进行改进的神经网络，可以学习长时间序列中隐藏的信息，充分利用历史数据中的有用信息，具有更强的适应性。
在S105中、根据待预测日的多个影响因素的值，计算待预测日所属的子集，将待预测日所属的子集作为目标子集。
在本发明实施例中，获取待预测日对应的样本的输入参数，依次计算待预测日与多个子集中每个子集的聚类中心的欧氏距离，将距离最小的一个子集作为目标子集，即为待预测日所属的子集。
例如，待预测日与子集1的聚类中心的欧式距离最短，则待预测日所属的子集为子集1，即目标子集为子集1。待预测日所对应的样本与子集1中的样本属于同一类样本。
在S106中、根据目标子集的预测模型，获取待预测日的用电负荷预测值。
在本发明实施例中，一种可能的实现方式，可以将待预测日的输入参数输入目标子集的预测模型，将其输出作为待预测日的用电负荷预测值。
由于待预测日对应的样本与目标子集的样本是同一类样本，而目标子集的预测模型是通过目标子集中的样本训练得来的，从而提高了对用待预测日用电负荷预测的精度。
在另一种可能的实现方式中，本发明实施例还提供了如下方法对待预测日的用电负荷值进行预测，包括根据输入参数计算目标子集中每个样本与待预测日的灰色关联度；根据目标子集中每个样本与待预测日的灰色关联度，判断目标子集中与待预测日的灰色关联度大于等于第二预设阈值的样本数量是否大于等于预设百分比；若目标子集中与待预测日的灰色关联度大于等于第二预设阈值的样本数量大于等于预设百分比，则将待预测日的多个影响因素的值输入目标子集的预测模型，得到第一预测值，将第一预测值作为待预测日的用电负荷预测值。
由于聚类过程中确定子集样本中，可能存在部分样本与待预测日的相似程度较低的问题，从而有可能降低待预测日目标子集对应的预测模型对待预测日的用电负荷的预测精度。为进一步提高预测精度，可以通过灰色关联度分析方法计算目标子集中每个样本与待预测日的灰色关联度。
对于两个系统之间的因素，其随时间或不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势具有一致性，即同步变化程度较高，即可谓二者关联程度较高；反之，则较低。因此，灰色关联分析方法，是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。通过灰色关联度可以确定每个样本与待预测日的关联程度，确定待预测日的相似日。通过待预测日的相似日对LSTM模型进行训练，得到预测模型对待预测日的用电负荷进行预测，可以提高预测精度。
例如，将第二预设阈值设置为0.7，将预设百分比设置为80%，若目标子集中与待预测日的灰色关联度大于等于0.7的样本数量占目标子集中总样本数量的80%及以上，则说明目标子集中的样本整体与待预测日的关联程度，也可以称为相似程度较高，则通过目标子集对应的预测模型对待预测日的用电负荷进行预测的精度较高。
若目标子集中与待预测日的灰色关联度大于等于0.7的样本数量占目标子集中总样本数量的80%以下，则说明目标子集中与待预测日相似程度较低的样本数量比较多，有可能会降低预测精度。
基于此，本发明实施例还提供了一种预测方法，包括：若目标子集中与待预测日的灰色关联度大于等于第二预设阈值的样本数量小于预设百分比，则在所有样本中获取所有与待预测日的灰色关联度大于等于第二预设阈值的样本，对LSTM网络进行训练，得到第一修正预测模型；将待预测日的多个影响因素的值输入第一修正预测模型，得到第二预测值；根据第一预测值和第二预测值，得到待预测日的用电负荷预测值。
通过在所有样本，如上述例子中的300份样本中，确定与待预测日灰色关联度大于等于第二预设阈值的所有样本，对LSTM模型进行训练，得到第一修正预测模型；将待预测日的多个影响因素的值输入第一修正预测模型，得到第二预测值；根据第一预测值和第二预测值，得到待预测日的用电负荷预测值。
根据预设公式计算待预测日的用电负荷预测值，预设公式为
式中，
为待预测日的用电负荷预测值，
为第一预测值，
为第二预测值，
为第一预设阈值，
为第二预设阈值，
。
上述方法综合考虑聚类和灰色关联度分析两种算法，提高了对待预测日用电负荷的预测精度。
在一种可能的实现方式中，若所有样本中与待预测日灰色关联度大于等于第二预设阈值的样本数量较高，为进一步提高预测精度，可以通过第三预设阈值确定样本，第三预设阈值大于第二预设阈值。如第二预设阈值确定为0.7，第三预设阈值设置为0.8，300份样本中与待预测日灰色关联度的值大于等于0.7的样本有200份，则为进一步提高预测精度，可以在300份样本中确定与待预测日灰色关联度大于等于第三预设阈值，即0.8的样本，如得到50份，来训练LSTM模型。
在一种可能的实现方式中，本发明实施例还可以通过如下方式提高预测精度：
若目标子集中与待预测日的灰色关联度大于等于第二预设阈值的样本数量小于预设百分比，则在目标子集中获取所有与待预测日的灰色关联度大于等于第二预设阈值的样本，对LSTM网络进行训练，得到第二修正预测模型；将待预测日的多个影响因素的值输入第二修正预测模型，得到第三预测值，将第三预测值作为待预测日的用电负荷预测值。
本发明实施例通过确定影响目标区域用电负荷的多个影响因素，根据影响因素对样本进行聚类，得到多个子集，实现了对样本数据的分类，通过每个子集对LSTM网络模型进行训练，得到每个子集的对应的一个预测模型，当确定待预测日的影响因素的值后，计算待预测日与每个子集的聚类中心的距离，与聚类中心距离最小的子集即为待预测日所属的子集，作为目标子集，由于目标子集中的样本与待预测日的样本为同一类样本，因此通过目标子集对待预测日的用电负荷值进行预测，提高了预测精度。
应理解，上述实施例中各步骤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。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的一种基于记忆网络电力负荷预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图2所示，一种基于记忆网络电力负荷预测装置2包括：影响因素确定模块21、样本获取模块22、聚类模块23、训练模块24和预测模块25；
影响因素确定模块21，用于获取影响目标区域用电负荷的多个影响因素；
样本获取模块22，用于根据目标区域的历史数据获取多个样本，每个样本的输入参数为一个自然日中多个影响因素的值，输出参数为该自然日的用电负荷的值；
聚类模块23，用于根据多个样本的输入参数对多个样本进行聚类，得到多个子集；
训练模块24，用于依次通过每个子集对LSTM网络进行训练，得到每个子集对应的预测模型；
聚类模块23，还用于根据待预测日的多个影响因素的值，计算待预测日所属的子集，将待预测日所属的子集作为目标子集；
预测模块25，用于根据目标子集的预测模型，获取待预测日的用电负荷预测值。
本发明实施例通过确定影响目标区域用电负荷的多个影响因素，根据影响因素对样本进行聚类，得到多个子集，实现了对样本数据的分类，通过每个子集对LSTM网络模型进行训练，得到每个子集的对应的一个预测模型，当确定待预测日的影响因素的值后，计算待预测日与每个子集的聚类中心的距离，与聚类中心距离最小的子集即为待预测日所属的子集，作为目标子集，由于目标子集中的样本与待预测日的样本为同一类样本，因此通过目标子集对待预测日的用电负荷值进行预测，提高了预测精度。
在一种可能的实现方式中，影响因素确定模块21用于：
确定影响用电负荷的m个影响因素，m为正整数；
针对任一区域，根据该区域的历史数据，获取m个影响因素中每个影响因素与用电负荷的相关系数；
选取相关系数大于等于第一预设阈值的所有影响因素，作为该区域对应的多个影响因素，或者，按照降序对m个影响因素的相关系数进行排序，获取排序结果中前第一预设数量的影响因素，作为该区域对应的多个影响因素；
针对任一区域，在数据库中建立该区域的唯一标识与该区域对应的多个影响因素的唯一映射关系。
在一种可能的实现方式中，影响因素确定模块21用于：
获取目标区域的唯一标识；
根据目标区域的唯一标识，在数据库中获取目标区域对应的多个影响因素。
在一种可能的实现方式中，预测模块25，用于：
根据输入参数计算目标子集中每个样本与待预测日的灰色关联度；
根据目标子集中每个样本与待预测日的灰色关联度，判断目标子集中与待预测日的灰色关联度大于等于第二预设阈值的样本数量是否大于等于预设百分比；
若目标子集中与待预测日的灰色关联度大于等于第二预设阈值的样本数量大于等于预设百分比，则将待预测日的多个影响因素的值输入目标子集的预测模型，得到第一预测值，将第一预测值作为待预测日的用电负荷预测值。
在一种可能的实现方式中，预测模块25用于：
若目标子集中与待预测日的灰色关联度大于等于第二预设阈值的样本数量小于预设百分比，则在所有样本中获取所有与待预测日的灰色关联度大于等于第二预设阈值的样本，对LSTM网络进行训练，得到第一修正预测模型；
将待预测日的多个影响因素的值输入第一修正预测模型，得到第二预测值；
根据第一预测值和第二预测值，得到待预测日的用电负荷预测值。
在一种可能的实现方式中，预测模块25，用于：
根据预设公式计算待预测日的用电负荷预测值，预设公式为
式中，
为待预测日的用电负荷预测值，
为第一预测值，
为第二预测值，
为第一预设阈值，
为第二预设阈值，
。
在一种可能的实现方式中，预测模块25，用于：
若目标子集中与待预测日的灰色关联度大于等于第二预设阈值的样本数量小于预设百分比，则在目标子集中获取所有与待预测日的灰色关联度大于等于第二预设阈值的样本，对LSTM网络进行训练，得到第二修正预测模型；
将待预测日的多个影响因素的值输入第二修正预测模型，得到第三预测值，将第三预测值作为待预测日的用电负荷预测值。
本实施例提供的一种基于记忆网络电力负荷预测装置，可用于执行上述一种基于记忆网络电力负荷预测方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图3是本发明一实施例提供的终端的示意图。如图3所示，该实施例的终端3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个基于记忆网络电力负荷预测方法实施例中的步骤，例如图1所示的S101至S106。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至25的功能。
示例性的，所述计算机程序32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31中，并由所述处理器30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32在所述终端3中的执行过程。
所述终端3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3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端3的示例，并不构成对终端3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，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所述处理器30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)、现场可编程门阵列 (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31可以是所述终端3的内部存储单元，例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备，例如所述终端3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31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序32以及所述终端3所需的其他程序和数据。所述存储器31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，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，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。
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32来指令相关的硬件来完成，所述的计算机程序32可存储于一计算机可读存储介质中，该计算机程序32在被处理器30执行时，可实现上述各个基于记忆网络电力负荷预测方法实施例的步骤。其中，所述计算机程序32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。
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)
1.一种基于记忆网络电力负荷预测方法，其特征在于，包括：
获取影响目标区域用电负荷的多个影响因素；
根据目标区域的历史数据获取多个样本，每个样本的输入参数为一个自然日中所述多个影响因素的值，输出参数为该自然日的用电负荷的值；
根据所述多个样本的输入参数对所述多个样本进行聚类，得到多个子集；
依次通过每个子集对LSTM网络进行训练，得到每个子集对应的预测模型；
根据待预测日的所述多个影响因素的值，计算所述待预测日所属的子集，将所述待预测日所属的子集作为目标子集；
根据所述目标子集的预测模型，获取所述待预测日的用电负荷预测值。
2.根据权利要求1所述的基于记忆网络电力负荷预测方法，其特征在于，在获取影响目标区域的用电负荷的多个影响因素之前，该方法还包括：
确定影响用电负荷的m个影响因素，m为正整数；
针对任一区域，根据该区域的历史数据，获取所述m个影响因素中每个影响因素与用电负荷的相关系数；
选取相关系数大于等于第一预设阈值的所有影响因素，作为该区域对应的多个影响因素，或者，按照降序对所述m个影响因素的相关系数进行排序，获取排序结果中前第一预设数量的影响因素，作为该区域对应的多个影响因素；
针对任一区域，在数据库中建立该区域的唯一标识与该区域对应的多个影响因素的唯一映射关系。
3.根据权利要求2所述的基于记忆网络电力负荷预测方法，其特征在于，所述获取影响目标区域用电负荷的多个影响因素包括：
获取所述目标区域的唯一标识；
根据所述目标区域的唯一标识，在所述数据库中获取所述目标区域对应的多个影响因素。
4.根据权利要求1至3任一项所述的基于记忆网络电力负荷预测方法，其特征在于，所述根据所述目标子集的预测模型，获取所述待预测日的用电负荷预测值包括：
根据输入参数计算所述目标子集中每个样本与所述待预测日的灰色关联度；
根据所述目标子集中每个样本与所述待预测日的灰色关联度，判断所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量是否大于等于预设百分比；
若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量大于等于预设百分比，则将所述待预测日的多个影响因素的值输入所述目标子集的预测模型，得到第一预测值，将所述第一预测值作为所述待预测日的用电负荷预测值。
5.根据权利要求4所述的基于记忆网络电力负荷预测方法，其特征在于，该方法还包括：
若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量小于预设百分比，则在所有样本中获取所有与所述待预测日的灰色关联度大于等于所述第二预设阈值的样本，对所述LSTM网络进行训练，得到第一修正预测模型；
将所述待预测日的多个影响因素的值输入所述第一修正预测模型，得到第二预测值；
根据所述第一预测值和所述第二预测值，得到所述待预测日的用电负荷预测值。
6.根据权利要求5所述的基于记忆网络电力负荷预测方法，其特征在于，所述根据所述第一预测值和所述第二预测值，得到所述待预测日的用电负荷预测值包括：
根据预设公式计算所述待预测日的用电负荷预测值，所述预设公式为
式中，
为所述待预测日的用电负荷预测值，
为所述第一预测值，
为所述第二预测值，
为第一预设阈值，
为第二预设阈值，
。
7.根据权利要求4所述的基于记忆网络电力负荷预测方法，其特征在于，该方法还包括：
若所述目标子集中与所述待预测日的灰色关联度大于等于第二预设阈值的样本数量小于预设百分比，则在所述目标子集中获取所有与所述待预测日的灰色关联度大于等于所述第二预设阈值的样本，对所述LSTM网络进行训练，得到第二修正预测模型；
将所述待预测日的多个影响因素的值输入所述第二修正预测模型，得到第三预测值，将所述第三预测值作为所述待预测日的用电负荷预测值。
8.一种基于记忆网络电力负荷预测装置，其特征在于，包括影响因素确定模块、样本获取模块、聚类模块、训练模块和预测模块；
所述影响因素确定模块，用于获取影响目标区域用电负荷的多个影响因素；
所述样本获取模块，用于根据目标区域的历史数据获取多个样本，每个样本的输入参数为一个自然日中所述多个影响因素的值，输出参数为该自然日的用电负荷的值；
所述聚类模块，用于根据所述多个样本的输入参数对所述多个样本进行聚类，得到多个子集；
所述训练模块，用于依次通过每个子集对LSTM网络进行训练，得到每个子集对应的预测模型；
所述聚类模块，还用于根据待预测日的所述多个影响因素的值，计算所述待预测日所属的子集，将所述待预测日所属的子集作为目标子集；
所述预测模块，用于根据所述目标子集的预测模型，获取所述待预测日的用电负荷预测值。
9.一种终端，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上的权利要求1至7中任一项所述基于记忆网络电力负荷预测方法的步骤。
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上的权利要求1至7中任一项所述基于记忆网络电力负荷预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210828776.7A CN114912720A (zh) | 2022-07-15 | 2022-07-15 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210828776.7A CN114912720A (zh) | 2022-07-15 | 2022-07-15 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114912720A true CN114912720A (zh) | 2022-08-16 |
Family
ID=82771914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210828776.7A Pending CN114912720A (zh) | 2022-07-15 | 2022-07-15 | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912720A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660225A (zh) * | 2022-12-13 | 2023-01-31 | 浙江万胜智能科技股份有限公司 | 一种基于电表通信模块的用电负荷预测管理方法及系统 |
| CN116608551A (zh) * | 2023-05-19 | 2023-08-18 | 华润数字科技有限公司 | 冷负荷预测方法和装置、电子设备及存储介质 |
| CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
| CN105678406A (zh) * | 2015-12-31 | 2016-06-15 | 国网湖北省电力公司 | 一种基于云模型的短期负荷预测方法 |
| CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
| CN112508278A (zh) * | 2020-12-07 | 2021-03-16 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于证据回归多模型的多联供系统负荷预测方法 |
| CN114595873A (zh) * | 2022-02-23 | 2022-06-07 | 安徽理工大学 | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 |
-
2022
- 2022-07-15 CN CN202210828776.7A patent/CN114912720A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
| CN105678406A (zh) * | 2015-12-31 | 2016-06-15 | 国网湖北省电力公司 | 一种基于云模型的短期负荷预测方法 |
| CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
| CN112508278A (zh) * | 2020-12-07 | 2021-03-16 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于证据回归多模型的多联供系统负荷预测方法 |
| CN114595873A (zh) * | 2022-02-23 | 2022-06-07 | 安徽理工大学 | 一种基于灰色关联的da-lstm的短期电力负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王兴鹏: "《医院全质量管理》", 31 October 2016 * |
| 黄炎焱 等: "《应急管理中的建模仿真及决策分析技术》", 31 December 2015 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660225A (zh) * | 2022-12-13 | 2023-01-31 | 浙江万胜智能科技股份有限公司 | 一种基于电表通信模块的用电负荷预测管理方法及系统 |
| CN116608551A (zh) * | 2023-05-19 | 2023-08-18 | 华润数字科技有限公司 | 冷负荷预测方法和装置、电子设备及存储介质 |
| CN116608551B (zh) * | 2023-05-19 | 2024-08-13 | 华润数字科技有限公司 | 冷负荷预测方法和装置、电子设备及存储介质 |
| CN116663863A (zh) * | 2023-07-28 | 2023-08-29 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
| CN116663863B (zh) * | 2023-07-28 | 2023-10-20 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| EP3428854A1 (en) | Model analysis method and device and computer readable storage medium | |
| CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
| CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
| CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
| CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
| CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
| CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
| CN112766535B (zh) | 一种考虑负荷曲线特征的建筑负荷预测方法及系统 | |
| CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
| CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
| CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
| CN118228069A (zh) | 用电负荷预测方法、装置、设备、介质和程序产品 | |
| CN116701887B (zh) | 用电量预测方法、装置、电子设备及存储介质 | |
| CN117763475A (zh) | 基于预测跟踪控制的电量波动异常识别方法及系统 | |
| CN112085926A (zh) | 一种河道水污染预警方法及系统 | |
| CN116894593A (zh) | 光伏发电功率预测方法、装置、电子设备及存储介质 | |
| CN116595895A (zh) | 短时电量预测模型的训练方法及短时电量预测方法 | |
| CN116307250A (zh) | 一种基于典型日特征选择的短期负荷预测方法及系统 | |
| CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
| CN115935212A (zh) | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 | |
| CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 | |
| CN113592218A (zh) | 一种光伏用户基线负荷估计方法、装置和终端设备 | |
| CN113139673A (zh) | 一种预测空气质量的方法、装置、终端及存储介质 | |
| CN112949908A (zh) | 一种电价概率预测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220816 |