CN115018119A - 用电负荷预测方法及系统 - Google Patents
用电负荷预测方法及系统 Download PDFInfo
- Publication number
- CN115018119A CN115018119A CN202210450049.1A CN202210450049A CN115018119A CN 115018119 A CN115018119 A CN 115018119A CN 202210450049 A CN202210450049 A CN 202210450049A CN 115018119 A CN115018119 A CN 115018119A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity
- prediction
- power
- influence factor
- 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 64
- 230000005611 electricity Effects 0.000 claims abstract description 113
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 230000002547 anomalous effect Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 description 44
- 230000008569 process Effects 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000003190 augmentative effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000003287 optical effect Effects 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
- 239000011521 glass Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
本申请提供的一种用电负荷预测方法及系统，涉及计算机技术领域，该方法包括：获取用户的用电数据，以及所述用电数据的影响因素数据；其中，所述用电数据为所述用户在至少一个时段内对应的用电负荷，所述影响因素数据为对所述用电数据产生影响的数据；对所述用电数据和所述影响因素数据进行预处理，得到第一输入数据；根据所述第一输入数据训练初始用电负荷预测模型，得到用电负荷预测模型；将第一用电数据以及所述第一用电数据对应的第一影响因素数据作为输入，基于所述用电负荷预测模型输出对应的目标用电数据；其中，所述目标用电数据与所述第一用电数据对应的时段不同。本申请实施例能够对用电负荷进行准确、高效的预测。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种用电负荷预测方法及系统。
背景技术
随着我国经济的增长，现提出了绿色发展、高效发展的概念。为应对温室效应所带来的全球气候变暖问题，现在正进一步聚焦于清洁能源，尤其是能源转换效率高、能源运输便捷、使用无污染的电能。
然而，不可避免的是，近年来用电呈现负荷需求日益增加且具有不确定性的趋势，尤其是受气候变化影响而造成的季节性电器使用与新能源汽车等新技术的出现，导致对用户的电能使用不确定，使得现有技术通常无法准确、高效地预测用电负荷。
因此，着实有必要提出一种实现对用电负荷进行准确、高效预测的用电负荷预测方法及系统。
发明内容
本发明实施例的目的在于提供一种用电负荷预测方法及系统，本申请实施例能够准确、高效地进行用电负荷预测。具体技术方案如下：
在本发明实施例的第一方面，提供一种用电负荷预测方法，包括：获取用户的用电数据，以及所述用电数据的影响因素数据；其中，所述用电数据为所述用户在至少一个时段内对应的用电负荷，所述影响因素数据为对所述用电数据产生影响的数据；
对所述用电数据和所述影响因素数据进行预处理，得到第一输入数据；
根据所述第一输入数据训练初始用电负荷预测模型，得到用电负荷预测模型；
将第一用电数据以及所述第一用电数据对应的第一影响因素数据作为输入，基于所述用电负荷预测模型输出对应的目标用电数据；其中，所述目标用电数据与所述第一用电数据对应的时段不同。
可选地，所述根据所述第一输入数据训练初始用电负荷预测模型，包括：
建立所述用电负荷预测模型的灰色预测子模型和RBF预测子模型；
根据所述灰色预测子模型和所述RBF预测子模型分别对所述第一输入数据的预测结果，调整所述灰色预测子模型和所述RBF预测子模型的参数，直至所述参数满足预设要求。
可选地，所述调整所述灰色预测子模型和所述RBF预测子模型的参数，包括：
响应于所述灰色预测子模型对所述第一输入数据的第一预测结果未达到设定等级精度，对所述灰色预测子模型进行残差修正，得到训练好的灰色预测子模型；
获取所述训练好的灰色预测子模型和所述RBF预测子模型对所述第一输入数据进行预测的误差和方差；
根据所述误差和所述方差，计算所述训练好的灰色预测子模型和所述RBF预测子模型对应的第一权重和第二权重；
对所述第一权重和所述第二权重进行调整，直至所述参数满足预设要求。
可选地，所述影响因素数据至少包括所述用户的用电习惯、所述用电数据的时段对应的人体舒适度指数、以及所述用电数据的时段是否为节假日，所述将第一用电数据以及所述第一用电数据对应的第一影响因素数据作为输入，基于所述用电负荷预测模型输出对应的目标用电数据，包括：
将所述第一用电数据输入至所述训练好的灰色预测子模型，得到第一预测值；
将所述第一预测值和所述第一影响因素数据输入至所述RBF预测子模型，得到第二预测值；
将所述第一预测值对应所述第一权重、所述第二预测值对应所述第二权重后，进行加权求和操作，得到所述目标用电数据。
可选地，所述对所述用电数据和所述影响因素数据进行预处理，包括：
识别所述用电数据中是否存在异常数据，所述异常数据包括损坏数据和空数据；
若存在所述异常数据，对所述异常数据进行补全或修正，以得到完整的用电数据。
可选地，所述识别所述用电数据中是否存在异常数据，包括：
对所述用电数据进行横向识别和纵向识别，得到识别结果；
响应于所述识别结果满足第一预设条件或第二预设条件中的至少一个，则确定所述用电数据为所述异常数据。
可选地，所述方法还包括：对完整的用电数据和所述影响因素数据进行归一化处理，得到所述第一输入数据。
在本发明实施例的又一方面，提供一种用电负荷预测装置，包括至少一个存储介质以及至少一个处理器；
所述至少一个存储介质用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令，以实现如上所述的方法。
在本发明实施例的又一方面，提供一种计算机可读存储介质，所述存储介质存储有计算机指令，当所述计算机指令被至少一个处理器执行时，实现如上所述的方法。
由上可知，本申请实施例通过构建由灰色预测子模型和RBF预测子模型的目标用电负荷预测模型，基于灰色预测和RBF神经网络预测相结合的方式，并在用电负荷预测过程中，考虑对用电数据产生影响的影响因素数据作为其中一个变量，以实现对用电负荷的高效、准确预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，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是本申请实施例提供的用电负荷预测系统的应用场景示意图；
图2是本申请实施例提供的用电负荷预测方法的流程示意图；
图3是本申请实施例提供的用电负荷预测方法的执行过程示意图；
图4是本申请实施例提供的用电负荷预测方法的另一执行过程示意图；
图5是本申请实施例提供的各子模型和模型预测的相对误差折线图；
图6是本申请实施例提供的用电负荷预测系统的结构图；
图7是本申请实施例提供的计算机设备的内部结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是本申请实施例提供的用电负荷预测系统的应用场景示意图。如图1所示，用电负荷预测系统100可以包括服务器110、网络120、用户终端130和存储器140。
在一些实施例中，服务器110可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，服务器110可以是分布式的系统)。在一些实施例中，服务器110可以是本地的，也可以是远程的。例如，服务器110可以经由网络120访问存储于用户终端130或存储器140中的信息和/或数据。又例如，服务器110可以直接连接到用户终端130和/或存储器140以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在图7中所示的有一个或以上组件的计算机设备上实现。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理信息和/或数据以执行本申请中描述的一个或以上的功能。例如，处理引擎112可以使用训练好的目标用电负荷预测模型确定用户在目标未来时刻、时段的用电负荷。所述处理引擎112可包括一个或者以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器或类似物、或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，用电负荷预测系统100的一个或以上组件(例如，服务器110、用户终端130或存储器140)可以经由网络120将信息和/或数据发送到用电负荷预测系统100的其他组件。例如，服务器110可以经由网络120从存储器140获取同义用户或不同用户的至少两个历史时段的用电数据。服务器110可以使用该用电数据来训练初始用电负荷预测模型。在一些实施例中，网络120可以是有线网络或无线网络等或其任意组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、电信网络，内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)，公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或以上网络接入点。例如，网络120可以包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2、……，通过该网络交换点，用电负荷预测系统100的一个或以上部件可以连接到网络120以交换数据和/或信息。
在一些实施例中，用户终端130可以与用电负荷预测系统100的用户(例如，司机、乘客、送餐员、快递员)相关联。用户终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车载设备130-4等或其任意组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，该可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM或GearVRTM等。在一些实施例中，车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中，用户终端130可以是具有定位技术的设备，用于定位用户终端130的用户(例如，司机)位置。
存储器140可以存储数据和/或指令。在一些实施例中，存储器140可以存储从用户终端130获取的数据。在一些实施例中，存储器140可以储存服务器110用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，存储器140可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，存储器140可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。
在一些实施例中，存储器140可以连接到网络120以与用电负荷预测系统100的一个或以上组件(例如，服务器110、用户终端130)通信。用电负荷预测系统100的一个或以上组件可以经由网络120访问存储在存储器140中的数据和/或指令。在一些实施例中，存储器140可以直接连接到用电负荷预测系统100的一个或以上组件(例如，服务器110、用户终端130)或与之通信。在一些实施例中，存储器140可以是服务器110的一部分。
图2示出了本申请实施例提供的一种用电负荷预测方法的流程示意图，图3是本申请实施例提供的用电负荷预测方法的执行过程示意图，图4是本申请实施例提供的用电负荷预测方法的另一执行过程示意图。如图2所示，一种用电负荷预测方法包括如下步骤：
步骤201、获取用户的用电数据，以及所述用电数据的影响因素数据；
其中，所述用电数据可以为所述用户在至少一个时段内对应的用电负荷，所述影响因素数据可以为对所述用电数据产生影响的数据。
可以理解，本申请实施例中的时段是指用电时段，即产生用电负荷的时段，例如时段可以为某一个小时、一天、一个月等。例如用电数据可以为某小区的一个或多个用户在1月份的用电数据为500kW。
在一些实施例中，可以从存储有用户用电数据的服务器或存储器中获取用户的用电数据和影响因素数据。可以理解的是，在本申请的具体实施方式中，涉及到用户信息、用户用电数据、用电习惯等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
步骤202、对所述用电数据和所述影响因素数据进行预处理，得到第一输入数据。
可选地，步骤202还可以包括：
识别所述用电数据中是否存在异常数据，所述异常数据包括损坏数据和空数据；
若存在所述异常数据，对所述异常数据进行补全或修正，以得到完整的用电数据。
可选地，步骤“识别所述用电数据中是否存在异常数据”，可以包括：
对所述用电数据进行横向识别和纵向识别，得到识别结果；
响应于所述识别结果满足第一预设条件或第二预设条件中的至少一个，则确定所述用电数据为所述异常数据。
可选地，本申请实施例的方法还可以包括：对完整的用电数据和所述影响因素数据进行归一化处理，得到所述第一输入数据。
可以理解，由于在用电数据采集的过程中存在信号干扰、软件故障、设备性能等情况的影响，可能会使得用电数据无法被完全采集，存在坏数据或者空数据，如果不进行相应的处理，就会造成错误聚类结果。
其中，横向识别的具体方式为：先假设在短时间内用电数据横向相似，即样本日某一时段的用电数据与附近同类日用电数据近似，例如时段为一个月，再结合统计学原理，利用样本统计指标与设定阈值判断是否有非正常数据。具体可以表示为如下公式。
其中，公式(1)中的x为某一个样本日的用电数据，即用户的用电负荷。N为用电数据的统计总时段，例如一个月、一天。i为时段N中的最小单位，例如i为一个月中的某一天、一天中的某个时刻等。
为时段N下用电数据的平均值。
在一些实施例中，对时段N中每一天的用电数据求取方差具体可以表示为如下公式。
其中，公式(2)中的
为方差，xn,i为某一天的用电数据。
具体地，第一预设条件可以表示为：
其中，σi为标准差，这里用到3σ判断原理来识别用电数据中是否存在异常数据，ε为预设的阈值，通常取1～1.5。因此，识别结果中某个用电数据xn,i与该时段下用电平均值的差值，即标准差满足公式(3)，则识别出xn,i为异常数据，可以通过如下公式进行修正。
其中，α1、β1、γ1为预设参数，满足α1+β1+γ1＝1。
为第n天第i时刻的修正用电数据，xn,i附带两个横向用电负荷，
为距离xn,i最近的两个相似日用电负荷。
其中，横向识别的具体方式为：假设在短时间内数据纵向相似，即相隔采样时间的连续3个数据相对稳定，则不会发生突变，结合统计学原理，利用样本统计指标与设定阈值判断是否存在异常数据，具体表示如下。
其中，公式(5)中的x′n,i为某负荷点附近连续5个数据平均化，形成平滑后负荷序列。
具体地，用电数据的标准差可以表示为：
σn,i＝|xn,i-x′n,i| (6)
具体地，第二预设条件可以表示为：
σn,i>δx′n,i (7)
其中，公式(7)中的δ为预设阈值，通常取0.08～0.15。
在一些实施例中，可以判断识别结果是否满足公式(7)，若满足则表示该时刻的用电数据为异常数据，可以用如下公式(8)进行修正。
其中，xn,-1和xn,0分别为第n-1和第n+1天的最后和最前的两个用电负荷，且满足α2+β2＝1。
在一些实施例中，可以对用电数据进行如下归一化处理操作。
设n天N点的日用电负荷曲线数据矩阵X为：
对矩阵X进行极差归一化变换后的矩阵为：
其中，
其中，
为变量xi的观测值的最小值，
为变量xi的观测值的极差，经过极差归一化变换后，矩阵XR的每个元素的取值均在0～1之间，从而实现归一化取值。
步骤203、根据所述第一输入数据训练初始用电负荷预测模型，得到用电负荷预测模型。
可选地，步骤203还可以包括以下步骤：
建立所述用电负荷预测模型的灰色预测子模型和RBF预测子模型；
根据所述灰色预测子模型和所述RBF预测子模型分别对所述第一输入数据的预测结果，调整所述灰色预测子模型和所述RBF预测子模型的参数，直至所述参数满足预设要求。
可选地，步骤“调整所述灰色预测子模型和所述RBF预测子模型的参数”可以包括：
响应于所述灰色预测子模型对所述第一输入数据的第一预测结果未达到设定等级精度，对所述灰色预测子模型进行残差修正，得到训练好的灰色预测子模型；
获取所述训练好的灰色预测子模型和所述RBF预测子模型对所述第一输入数据进行预测的误差和方差；
根据所述误差和所述方差，计算所述训练好的灰色预测子模型和所述RBF预测子模型对应的第一权重和第二权重；
对所述第一权重和所述第二权重进行调整，直至所述参数满足预设要求。
可以理解，初始用电负荷预测模型可以是包括灰色预测子模型和RBF预测子模型的神经网络模型。其中，灰色预测子模型可以是一阶灰色预测模型,灰色系统理论认为原始数列x(0)(k)(k＝1，2，...，N)经过一次累加生成后的得到的数列x(1)(k)呈现指数增长规律，从而可以用一个连续的函数或微分方程拟合离散的数据。从理论上说，所用到的一些离散数据类似是从某个函数或微分方程中抽取出来的离散点，而不是一些互相独立的散乱的数据。
灰色系统建模中最基本最常用的是GM(1，1)，其灰色微分方程为：
其中，公式(11)中的a和μ为待定系数，对微分方程(11)求解可以得到其离散响应函数：
然后，对灰色微分方程(11)的参数进行白化：首先将方程(11)的离散响应函数(12)映射到一个神经网络中，然后对这个神经网络进行训练，当网络收敛时，从训练后的神经网络中提取出相应的方程系数，从而得到一个白化的微分方程，进而可利用此白化的微分方程，对系统进行深层次的研究，或对此微分方程求解。
为了判断所建立的灰色模型的优劣，需要进行模型的精度检验。精度检验一般有残差检验、关联度检验和后验差检验等三种方式。若通过检验，则可以利用所建立的模型进行预测，否则需要进行残差修正。本发明利用神经网络技术进行残差修正。
当灰色预测模型的预测精度达不到预计要求的时候，记残差序列为e(0)＝(e(0)(1),e(0)(2),…,e(0)(n))，其中，
为根据RBF预测子模型的方法建模步骤对残差序列进行建模，预测结果为
其中，加入神经网络修正残差的灰色预测子模型的预测输出表达式可以为：
由此，可以将RBF神经网络预测技术应用于灰色预测子模型的残差修正中，例如将RBF预测子模型的输入作为灰色预测子模型的监督信号，使得结合RBF神经网络处理非线性问题的特性，将会对灰色预测子模型的精度提高有一定的改善作用。
由于在实践中，不同的预测方法提供不同的有用信息，精度也有所不同。为了符合本模型的参数要求，本申请实施例选择灰色系统理论和RBF神经网络知识相结合的组合预测方法，也即目标用电负荷预测模型实际上是一种灰色-RBF预测模型。
在此模型中，设f1是灰色预测子模型的灰色预测值，即第一预测值；f2是RBF预测子模型的预测值，即第二预测值；fc是优选组合预测值，即目标用电负荷预测模型的目标预测值；预测误差分别为e1，e2和ec；取第一权重w1和第二圈中w2分别为相应的权系数，且w1+w2＝1，则目标预测值为第一预测值与第二预测值的加权求和值：
fc＝w1f1+w2f2 (14)
使用方差-协方差优选组合预测方法，则误差及方差分别为：
ec＝w1e1+w2e2
关于w1对var(ec)求极小值，可得：
由于灰色预测子模型的建模思想是灰色系统理论，然而RBF预测子模型的建模依据是人工神经网络的模拟，两者依据的建模思想及方法都截然不同，所以，两者可以看作是相对独立的两个预测模型，将两者进行组合预测是相当有比较的，可以针对组合预测分类中第二点思想进行应用。则目的是cov(e1,e2)＝0，记var(e1)＝δ11，var(e2)＝δ22，并可以依据上述条件求得组合预测权系数第一权重和第二权重分别为：
如果在有新数据加入、并期望在此基础上进一步的提高预测精度的时候，应该考虑重新计算权值，或是采用变权进行组合预测的方法，例如调整第一权重和第二权重中的至少一者。
步骤204、将第一用电数据以及所述第一用电数据对应的第一影响因素数据作为输入，基于所述用电负荷预测模型输出对应的目标用电数据。其中，所述目标用电数据与所述第一用电数据对应的时段不同。
其中，影响因素数据至少可以包括所述用户的用电习惯、用电数据的时段对应的人体舒适度指数、以及用电数据的时段是否为节假日。例如用电习惯可以是该用户在某个时段用电量高，人体舒适度指数也同样可以影响用户的用电习惯，例如在人体舒适度指数高的情况下，用户可能会关闭空调使得该时段的用电负荷小，而节假日由于居家时间长，相关电器的使用就会变得频繁，从而节假日的用电负荷大。在掌握以上影响因素数据，可以更精准、高效地实现用电负荷预测，当然，影响因素数据不局限于以上几种数据，本实施例对此不作限制。
可选地，步骤204还可以包括：
将所述第一用电数据输入至所述训练好的灰色预测子模型，得到第一预测值；
将所述第一预测值和所述第一影响因素数据输入至所述RBF预测子模型，得到第二预测值；
将所述第一预测值对应所述第一权重、所述第二预测值对应所述第二权重后，进行加权求和操作，得到所述目标用电数据。
如前所述，第一权重为w1，第二权重为w2，可以得到目标用电数据fc＝w1f1+w2f2。
需要说明的是，目标用电数据与第一用电数据对应的时段不同，例如第一用电数据为用户在当年一月份的用电负荷，而目标用电数据是表征用户在当年二月份的用电负荷，以实现预测效果。并且结合图6以及如下表1可以看出，本申请实施例的目标用电负荷预测模型对用电数据的预测效果最好。
表1：对某时段下某小区三种模型预测的平均相对误差对比表由上可知，本申请实施例通过构建由灰色预测子模型和RBF预测子模型的目标用电负荷预测模型，基于灰色预测和RBF神经网络预测相结合的方式，并在用电负荷预测过程中，考虑对用电数据产生影响的影响因素数据作为其中一个变量，以实现对用电负荷的高效、准确预测。
为实现上述方法类实施例，本申请实施例还提供一种用电负荷预测系统，图6示出了本申请实施例提供的一种用电负荷预测系统的结构示意图，所述系统包括：
用电数据获取模块301，用于获取用户的用电数据，以及所述用电数据的影响因素数据；其中，所述用电数据为所述用户在至少一个时段内对应的用电负荷，所述影响因素数据为对所述用电数据产生影响的数据；
第一输入数据获取模块302，用于对所述用电数据和所述影响因素数据进行预处理，得到第一输入数据；
用电负荷预测模型生成模块303，用于根据所述第一输入数据训练初始用电负荷预测模型，得到用电负荷预测模型；
用电负荷预测模块304，用于将第一用电数据数据以及所述第一用电数据的影响因素数据作为输入，基于所述用电负荷预测模型输出对应的目标用电数据；其中，所述目标用电数据与所述第一用电数据对应的时段不同。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储图像采集设备的相关数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用电负荷预测方法及系统。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现用电负荷预测方法及系统。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
综上所述，本申请提供的一种用电负荷预测方法，包括：
获取第一图像采集设备组和第二图像采集设备组的信息；其中，所述第一图像采集设备组和所述第二图像采集设备组均至少包括多个图像采集设备；
响应于所述第一图像采集设备组获取到目标的初始图像，对所述初始图像数据进行分析，得到分析结果；
响应于所述第一图像采集设备组将所述分析结果发送至所述第二图像采集设备组，控制所述第二图像采集设备组基于所述分析结果的成像控制策略对拍摄参数进行调整；其中，所述拍摄参数包括拍摄位置、拍摄亮度、拍摄时刻中的至少一种；
基于所述调整后的第二图像采集设备组对所述目标进行拍摄，获取目标图像。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种用电负荷预测方法，其特征在于，包括：
获取用户的用电数据，以及所述用电数据的影响因素数据；其中，所述用电数据为所述用户在至少一个时段内对应的用电负荷，所述影响因素数据为对所述用电数据产生影响的数据；
对所述用电数据和所述影响因素数据进行预处理，得到第一输入数据；
根据所述第一输入数据训练初始用电负荷预测模型，得到用电负荷预测模型；
将第一用电数据以及所述第一用电数据对应的第一影响因素数据作为输入，基于所述用电负荷预测模型输出对应的目标用电数据；其中，所述目标用电数据与所述第一用电数据对应的时段不同。
2.如权利要求1所述的方法，其特征在于，所述根据所述第一输入数据训练初始用电负荷预测模型，包括：
建立所述用电负荷预测模型的灰色预测子模型和RBF预测子模型；
根据所述灰色预测子模型和所述RBF预测子模型分别对所述第一输入数据的预测结果，调整所述灰色预测子模型和所述RBF预测子模型的参数，直至所述参数满足预设要求。
3.如权利要求2所述的方法，其特征在于，所述调整所述灰色预测子模型和所述RBF预测子模型的参数，包括：
响应于所述灰色预测子模型对所述第一输入数据的第一预测结果未达到设定等级精度，对所述灰色预测子模型进行残差修正，得到训练好的灰色预测子模型；
获取所述训练好的灰色预测子模型和所述RBF预测子模型对所述第一输入数据进行预测的误差和方差；
根据所述误差和所述方差，计算所述训练好的灰色预测子模型和所述RBF预测子模型对应的第一权重和第二权重；
对所述第一权重和所述第二权重进行调整，直至所述参数满足预设要求。
4.如权利要求3所述的方法，其特征在于，所述影响因素数据至少包括所述用户的用电习惯、所述用电数据的时段对应的人体舒适度指数、以及所述用电数据的时段是否为节假日，所述将第一用电数据以及所述第一用电数据对应的第一影响因素数据作为输入，基于所述用电负荷预测模型输出对应的目标用电数据，包括：
将所述第一用电数据输入至所述训练好的灰色预测子模型，得到第一预测值；
将所述第一预测值和所述第一影响因素数据输入至所述RBF预测子模型，得到第二预测值；
将所述第一预测值对应所述第一权重、所述第二预测值对应所述第二权重后，进行加权求和操作，得到所述目标用电数据。
5.如权利要求1所述的方法，其特征在于，所述对所述用电数据和所述影响因素数据进行预处理，包括：
识别所述用电数据中是否存在异常数据，所述异常数据包括损坏数据和空数据；
若存在所述异常数据，对所述异常数据进行补全或修正，以得到完整的用电数据。
6.如权利要求5所述的方法，其特征在于，所述识别所述用电数据中是否存在异常数据，包括：
对所述用电数据进行横向识别和纵向识别，得到识别结果；
响应于所述识别结果满足第一预设条件或第二预设条件中的至少一个，则确定所述用电数据为所述异常数据。
7.如权利要求5所述的方法，其特征在于，所述方法还包括：对完整的用电数据和所述影响因素数据进行归一化处理，得到所述第一输入数据。
8.一种用电负荷预测系统，其特征在于，包括：
用电数据获取模块，用于获取用户的用电数据，以及所述用电数据的影响因素数据；其中，所述用电数据为所述用户在至少一个时段内对应的用电负荷，所述影响因素数据为对所述用电数据产生影响的数据；
第一输入数据获取模块，用于对所述用电数据和所述影响因素数据进行预处理，得到第一输入数据；
用电负荷预测模型生成模块，用于根据所述第一输入数据训练初始用电负荷预测模型，得到用电负荷预测模型；
用电负荷预测模块，用于将第一用电数据数据以及所述第一用电数据的影响因素数据作为输入，基于所述用电负荷预测模型输出对应的目标用电数据；其中，所述目标用电数据与所述第一用电数据对应的时段不同。
9.一种用电负荷预测装置，其特征在于，包括至少一个存储介质以及至少一个处理器；
所述至少一个存储介质用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令，以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机指令，当所述计算机指令被至少一个处理器执行时，实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210450049.1A CN115018119A (zh) | 2022-04-26 | 2022-04-26 | 用电负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210450049.1A CN115018119A (zh) | 2022-04-26 | 2022-04-26 | 用电负荷预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115018119A true CN115018119A (zh) | 2022-09-06 |
Family
ID=83067531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210450049.1A Pending CN115018119A (zh) | 2022-04-26 | 2022-04-26 | 用电负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018119A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860273A (zh) * | 2023-02-22 | 2023-03-28 | 南方电网数字电网研究院有限公司 | 用电负荷预测方法、装置、计算机设备和存储介质 |
| CN117353300A (zh) * | 2023-12-04 | 2024-01-05 | 拓锐科技有限公司 | 一种基于大数据的农村用电需求量分析方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126499A (zh) * | 2019-12-25 | 2020-05-08 | 国网河北省电力有限公司 | 一种基于二次聚类的用电行为模式分类方法 |
| WO2020252784A1 (zh) * | 2019-06-21 | 2020-12-24 | 西门子股份公司 | 电力负荷数据的预测方法、装置及存储介质 |
| CN112686449A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司经济技术研究院 | 基于人体气象舒适度指数的居民用电预测方法 |
| CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
| CN113469434A (zh) * | 2021-06-30 | 2021-10-01 | 国网综合能源服务集团有限公司 | 多能负荷预测方法、装置、预测设备及存储介质 |
| CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
-
2022
- 2022-04-26 CN CN202210450049.1A patent/CN115018119A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020252784A1 (zh) * | 2019-06-21 | 2020-12-24 | 西门子股份公司 | 电力负荷数据的预测方法、装置及存储介质 |
| CN111126499A (zh) * | 2019-12-25 | 2020-05-08 | 国网河北省电力有限公司 | 一种基于二次聚类的用电行为模式分类方法 |
| CN112686449A (zh) * | 2020-12-31 | 2021-04-20 | 国网河南省电力公司经济技术研究院 | 基于人体气象舒适度指数的居民用电预测方法 |
| CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
| CN113469434A (zh) * | 2021-06-30 | 2021-10-01 | 国网综合能源服务集团有限公司 | 多能负荷预测方法、装置、预测设备及存储介质 |
| CN113962364A (zh) * | 2021-10-22 | 2022-01-21 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860273A (zh) * | 2023-02-22 | 2023-03-28 | 南方电网数字电网研究院有限公司 | 用电负荷预测方法、装置、计算机设备和存储介质 |
| CN117353300A (zh) * | 2023-12-04 | 2024-01-05 | 拓锐科技有限公司 | 一种基于大数据的农村用电需求量分析方法 |
| CN117353300B (zh) * | 2023-12-04 | 2024-02-23 | 拓锐科技有限公司 | 一种基于大数据的农村用电需求量分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Richman et al. | A neural network extension of the Lee–Carter model to multiple populations | |
| CN110363387B (zh) | 基于大数据的画像分析方法、装置、计算机设备及存储介质 | |
| CN115018119A (zh) | 用电负荷预测方法及系统 | |
| CN111144468A (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
| CN110751326B (zh) | 一种光伏日前功率预测方法、装置以及存储介质 | |
| CN110610382B (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
| CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
| WO2019019958A1 (en) | SYSTEMS AND METHODS FOR DETERMINING AN OPTIMAL STRATEGY | |
| CN106485585A (zh) | 用于等级评定的方法及系统 | |
| CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| CN112598215A (zh) | 发电权交易方案评估方法、装置及系统 | |
| CN116757378A (zh) | 需求响应评估模型训练方法、应用评估方法及相关设备 | |
| CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
| CN115794369A (zh) | 内存占用数值的预测方法及装置、存储介质、终端 | |
| CN112907064A (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
| CN116720742A (zh) | 一种碳排放预测方法及预测系统 | |
| CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
| CN115859765A (zh) | 城市扩张的预测方法、装置、设备及存储介质 | |
| CN113222767A (zh) | 指数化证券组合的数据处理方法及装置 | |
| Diunugala et al. | Modeling and predicting foreign tourist arrivals to Sri Lanka: A comparison of three different methods | |
| CN113095963A (zh) | 房地产成本数据处理方法、装置、计算机设备和存储介质 | |
| CN113469635A (zh) | 基于考勤数据的人员管理方法、装置、设备及存储介质 | |
| CN111275232A (zh) | 生成未来价值预测模型的方法和系统 |
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 |
Application publication date: 20220906 |
|
| RJ01 | Rejection of invention patent application after publication |