CN115018212A - 发电用水量预测分析方法、系统及云平台 - Google Patents
发电用水量预测分析方法、系统及云平台 Download PDFInfo
- Publication number
- CN115018212A CN115018212A CN202210944346.1A CN202210944346A CN115018212A CN 115018212 A CN115018212 A CN 115018212A CN 202210944346 A CN202210944346 A CN 202210944346A CN 115018212 A CN115018212 A CN 115018212A
- Authority
- CN
- China
- Prior art keywords
- network
- target
- water consumption
- power generation
- network member
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 249
- 238000010248 power generation Methods 0.000 title claims abstract description 127
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims description 91
- 238000000605 extraction Methods 0.000 claims description 61
- 230000007613 environmental effect Effects 0.000 claims description 32
- 238000013507 mapping Methods 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 10
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的发电用水量预测分析方法、系统及云平台，涉及数据处理技术领域。在本发明中，多次对目标环境空间进行信息采集，以输出目标环境空间对应的多条目标环境特征信息，每一条目标环境特征信息表征的至少一项内容中的每一项内容与目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系。对多条目标环境特征信息进行融合，以输出对应的目标用水量相关参数。采用更新完成的发电用水量预测网络，对目标用水量相关参数进行预测处理，以输出目标发电用水量。采用上述方法，可以提高发电用水量预测分析的可靠度。
Description
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种发电用水量预测分析方法、系统及云平台。
背景技术
基于数据处理技术的成熟，使得其在不同的场景下得以利用。例如，对于发电用水量的确定，就离不开数据处理技术。
其中，在现有技术中，一般是直接依据发电厂在相关时段的发电量进行相关映射，从而得到对应的发电用水量，如发电量越大，对应的发电用水量也越大，或者，也可以依据历史上对应时间段的发电用水量来确定当前的发电用水量，如历史发电用水量越大，当前的发电用水量也越大。如此，存在发电用水量预测分析的可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种发电用水量预测分析方法、系统及云平台，以提高发电用水量预测分析的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种发电用水量预测分析方法，应用于发电用水量预测分析云平台，所述发电用水量预测分析方法包括：
多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息，所述多条目标环境特征信息的数量与对所述目标环境空间进行信息采集的次数相同，且每一条所述目标环境特征信息表征的至少一项内容中的每一项内容与所述目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系；
对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数；
采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
在一些优选的实施例中，在上述发电用水量预测分析方法中，所述多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息的步骤，包括：
对当前的时间周期进行分割，以形成多个时间点，在所述多个时间点中，每相邻的两个所述时间点之间的时间间隔长度一致；
对于所述多个时间点中的每一个时间点，在该时间点下，将信息采集指令下发给目标环境空间对应的环境空间监控设备，使得所述环境空间监控设备在接收到该信息采集指令之后，对所述目标环境空间进行信息采集，以输出所述目标环境空间对应的目标环境特征信息；
对于所述多个时间点，采集形成对应的多条目标环境特征信息。
在一些优选的实施例中，在上述发电用水量预测分析方法中，所述对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数的步骤，包括：
对待所述多条目标环境特征信息中的每一条目标环境特征信息，按照预先配置的多个第一映射关系，分别对该目标环境特征信息表征的多项内容进行映射处理，以输出该目标环境特征信息对应的多个第一映射值，所述多项内容至少包括温度、湿度、光照强度、所属的用电时间段，每一个所述用电时间段按照历史的用电量进行划分得到；
对待所述多条目标环境特征信息中的每一条目标环境特征信息，按照预先配置的多个第一相关系数，对该目标环境特征信息对应的多个第一映射值进行融合处理，形成该目标环境特征信息对应的目标第一映射值，每一个所述第一相关系数用于反映对应的一项内容与用电量之间的相关度；
对所述多条目标环境特征信息中的每一条目标环境特征信息对应的目标第一映射值进行融合，以输出对应的目标用水量相关参数。
在一些优选的实施例中，在上述发电用水量预测分析方法中，所述采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量的步骤，包括：
依据提取到的用户量示例数据集合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络，所述用户量示例数据集合包括多条用户量示例数据，每一条所述用户量示例数据包括示例用水量相关参数和示例发电用水量；
采用所述更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
在一些优选的实施例中，在上述发电用水量预测分析方法中，所述依据提取到的用户量示例数据集合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络的步骤，包括：
按照所述用户量示例数据集合包括的每一条用户量示例数据包括示例用水量相关参数和示例发电用水量，组建形成初始的参数用水量相关关系网络，在所述初始的参数用水量相关关系网络中，第一网络成员的数量等于所述示例用水量相关参数的数量，在所述初始的参数用水量相关关系网络中，第二网络成员的数量等于所述示例发电用水量的数量，同一条所述用户量示例数据包括的示例用水量相关参数对应的第一网络成员和示例发电用水量对应的第二网络成员之间具有连接关系；
对所述初始的参数用水量相关关系网络进行更新，以将所述初始的参数用水量相关关系网络中对应的示例用水量相关参数相同的第一网络成员合并、对应的示例发电用水量相同的第二网络成员合并，以形成参数用水量相关关系网络，所述参数用水量相关关系网络包括网络成员和相关属性，所述网络成员分为所述示例用水量相关参数对应的第一网络成员和所述示例发电用水量对应的第二网络成员，所述相关属性用于反映所述示例用水量相关参数与所述示例发电用水量之间相关程度；
从所述参数用水量相关关系网络中，按照所述相关属性和目标长度，多次从首端网络成员开始进行任意遍历，形成多条网络成员遍历链路，所述多条网络成员遍历链路的数量等于进行任意遍历的次数，所述首端网络成员为所述参数用水量相关关系网络中的一个网络成员，此中，对于任意一个所述第一网络成员，对该第一网络成员在所述参数用水量相关关系网络中连接的第二网络成员的数量进行统计，以输出该第一网络成员对应的第一连接成员数量，再依据所述第一连接成员数量确定是否将该第一网络成员标记为首端网络成员，对于任意一个所述第二网络成员，对该第二网络成员在所述参数用水量相关关系网络中连接的第一网络成员的数量进行统计，以输出该第二网络成员对应的第二连接成员数量，再依据所述第二连接成员数量确定是否将该第二网络成员标记为首端网络成员；
按照目标数量，对所述网络成员遍历链路进行滑窗，再将属于一个滑窗链路区间的随机的两个网络成员，标记为第一示例数据组合，所述目标数量不小于二，所述目标数量不大于所述目标长度；
按照所述第一示例数据组合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络。
在一些优选的实施例中，在上述发电用水量预测分析方法中，所述按照所述第一示例数据组合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络的步骤，包括：
利用预设第一特征提取单元，对所述第一示例数据组合包括的参考网络成员进行处理，输出参考网络成员特征分布；
利用预设第二特征提取单元，对所述第一示例数据组合包括的对比网络成员进行处理，输出对比网络成员特征分布，所述对比网络成员属于所述第一示例数据组合中的任意一个网络成员，所述参考网络成员属于所述第一示例数据组合中所述对比网络成员以外的另一个网络成员；
按照所述第一示例数据组合包括的网络成员对应的网络成员特征分布，确定第二示例数据组合包括的网络成员的网络成员特征分布，所述第二示例数据组合包括不同的第一示例数据组合中的两个网络成员；
按照所述第一示例数据组合中两个网络成员对应的网络成员特征分布之间的匹配关系最疏远的更新趋势，以及，按照所述第二示例数据组合中两个网络成员对应的网络成员特征分布之间的匹配关系最紧密的更新趋势，对所述预设第一特征提取单元和所述预设第二特征提取单元进行更新，形成所述预设第一特征提取单元对应的目标第一特征提取单元和所述预设第二特征提取单元对应的目标第二特征提取单元；
按照所述目标第一特征提取单元和所述目标第二特征提取单元，形成更新完成的发电用水量预测网络。
在一些优选的实施例中，在上述发电用水量预测分析方法中，所述利用预设第一特征提取单元，对所述第一示例数据组合包括的参考网络成员进行处理，输出参考网络成员特征分布的步骤，包括：
按照所述第一示例数据组合包括的参考网络成员、所述参考网络成员的连接网络成员、所述参考网络成员和所述参考网络成员的连接网络成员之间的相关属性，利用预设第一特征提取单元进行特征挖掘，形成参考网络成员特征分布，所述参考网络成员的连接网络成员为按照所述相关属性匹配的具有连接关系的网络成员；
所述利用预设第二特征提取单元，对所述第一示例数据组合包括的对比网络成员进行处理，输出对比网络成员特征分布的步骤，包括：
按照所述第一示例数据组合包括的对比网络成员、所述对比网络成员的连接网络成员、所述对比网络成员和所述对比网络成员的连接网络成员之间的相关属性，利用预设第二特征提取单元进行特征挖掘，形成对比网络成员特征分布，所述对比网络成员的连接网络成员为按照所述相关属性匹配的具有连接关系的网络成员。
在一些优选的实施例中，在上述发电用水量预测分析方法中，所述按照所述第一示例数据组合包括的网络成员对应的网络成员特征分布，确定第二示例数据组合包括的网络成员的网络成员特征分布的步骤，包括：
对待目标网络成员，提取到数量为指定数值的目标第一示例数据组合包括的网络成员对应的网络成员特征分布中，每一个所述目标第一示例数据组合包括所述目标网络成员和非目标网络成员；
对随机的两个非目标网络成员对应的网络成员特征分布进行标记，形成第二示例数据组合包括网络成员对应的网络成员特征分布。
本发明实施例还提供一种发电用水量预测分析系统，应用于发电用水量预测分析云平台，所述发电用水量预测分析系统包括：
环境信息采集模块，用于多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息，所述多条目标环境特征信息的数量与对所述目标环境空间进行信息采集的次数相同，且每一条所述目标环境特征信息表征的至少一项内容中的每一项内容与所述目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系；
特征信息融合模块，用于对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数；
用水量预测模块，用于采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
本发明实施例还提供一种发电用水量预测分析云平台，所述发电用水量预测分析云平台用于执行上述述的发电用水量预测分析方法。
本发明实施例提供的一种发电用水量预测分析方法、系统及云平台，可以多次对目标环境空间进行信息采集，以输出目标环境空间对应的多条目标环境特征信息，每一条目标环境特征信息表征的至少一项内容中的每一项内容与目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系。对多条目标环境特征信息进行融合，以输出对应的目标用水量相关参数。采用更新完成的发电用水量预测网络，对目标用水量相关参数进行预测处理，以输出目标发电用水量。通过前述的内容，可以利用神经网络的高可靠性，实现对发电用水量的高可靠度预测，从而在一定程度上提高发电用水量预测分析的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的发电用水量预测分析云平台的结构框图。
图2为本发明实施例提供的发电用水量预测分析方法包括的各步骤的流程示意图。
图3为本发明实施例提供的发电用水量预测分析系统包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
参照图1所示，本发明实施例提供了一种发电用水量预测分析云平台。其中，所述发电用水量预测分析云平台可以包括存储器和处理器。
应当理解的是，在一种示例性的实现方式中，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的发电用水量预测分析方法。
应当理解的是，在一种示例性的实现方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上系统(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（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。
应当理解的是，在一种示例性的实现方式中，图1所示的结构仅为示意，所述发电用水量预测分析云平台还可包括比图1中所示更多或者更少的组件，或具有与图1所示不同的配置，例如，可以包括用于与其它设备（如用于进行信息采集的传感设备等）进行信息交互的通信单元。
应当理解的是，在一种示例性的实现方式中，所述发电用水量预测分析云平台可以是由一台或多台具备数据处理能力的服务器组成。
参照图2的内容，本发明实施例还提供一种发电用水量预测分析方法，可应用于上述发电用水量预测分析云平台。其中，所述发电用水量预测分析方法有关的流程所定义的方法步骤，可以由所述发电用水量预测分析云平台实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息。
在本发明实施例中，所述发电用水量预测分析云平台可以多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息。所述多条目标环境特征信息的数量与对所述目标环境空间进行信息采集的次数相同，且每一条所述目标环境特征信息表征的至少一项内容中的每一项内容与所述目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系。
步骤S120，对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数。
在本发明实施例中，所述发电用水量预测分析云平台可以对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数。
步骤S130，采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
在本发明实施例中，所述发电用水量预测分析云平台可以采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
如此，可以多次对目标环境空间进行信息采集，以输出目标环境空间对应的多条目标环境特征信息。对多条目标环境特征信息进行融合，以输出对应的目标用水量相关参数。采用更新完成的发电用水量预测网络，对目标用水量相关参数进行预测处理，以输出目标发电用水量。通过前述的内容，可以利用神经网络的高可靠性，实现对发电用水量的高可靠度预测，从而在一定程度上提高发电用水量预测分析的可靠度。
应当理解的是，在一种示例性的实现方式中，上文中描述的步骤S110，可以进一步包括以下具体内容：
对当前的时间周期（如一个月、一周等）进行分割，以形成多个时间点，在所述多个时间点中，每相邻的两个所述时间点之间的时间间隔长度（如一天、半天、两天等）一致；
对于所述多个时间点中的每一个时间点，在该时间点下，将信息采集指令下发给目标环境空间对应的环境空间监控设备（可以是各种传感器），使得所述环境空间监控设备在接收到该信息采集指令之后，对所述目标环境空间进行信息采集，以输出所述目标环境空间对应的目标环境特征信息；
对于所述多个时间点，采集形成对应的多条目标环境特征信息。
应当理解的是，在一种示例性的实现方式中，上文中描述的步骤S120，可以进一步包括以下具体内容：
对待所述多条目标环境特征信息中的每一条目标环境特征信息，按照预先配置的多个第一映射关系（可以预先根据经验进行相应的配置，或根据相应的数据进行关系的拟合），分别对该目标环境特征信息表征的多项内容进行映射处理，以输出该目标环境特征信息对应的多个第一映射值，所述多项内容至少包括温度、湿度、光照强度、所属的用电时间段、降水量，每一个所述用电时间段按照历史的用电量进行划分得到；
对待所述多条目标环境特征信息中的每一条目标环境特征信息，按照预先配置的多个第一相关系数，对该目标环境特征信息对应的多个第一映射值进行融合处理（例如，依据所述第一相关系数对所述第一映射值进行加权求和计算），形成该目标环境特征信息对应的目标第一映射值，每一个所述第一相关系数用于反映对应的一项内容与用电量之间的相关度；
对所述多条目标环境特征信息中的每一条目标环境特征信息对应的目标第一映射值进行融合（均值计算），以输出对应的目标用水量相关参数。
应当理解的是，在一种示例性的实现方式中，上文中描述的步骤S130，可以进一步包括以下具体内容：
依据提取到的用户量示例数据集合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络，所述用户量示例数据集合包括多条用户量示例数据，每一条所述用户量示例数据包括示例用水量相关参数和示例发电用水量；
采用所述更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述依据提取到的用户量示例数据集合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络的步骤，可以进一步包括以下具体内容：
按照所述用户量示例数据集合包括的每一条用户量示例数据包括示例用水量相关参数和示例发电用水量，组建形成初始的参数用水量相关关系网络，在所述初始的参数用水量相关关系网络中，第一网络成员的数量等于所述示例用水量相关参数的数量，在所述初始的参数用水量相关关系网络中，第二网络成员的数量等于所述示例发电用水量的数量，同一条所述用户量示例数据包括的示例用水量相关参数对应的第一网络成员和示例发电用水量对应的第二网络成员之间具有连接关系；
对所述初始的参数用水量相关关系网络进行更新，以将所述初始的参数用水量相关关系网络中对应的示例用水量相关参数相同的第一网络成员合并、对应的示例发电用水量相同的第二网络成员合并（即将对应的示例发电用水量相同的多个第二网络成员合并成一个第二网络成员），以形成参数用水量相关关系网络，所述参数用水量相关关系网络包括网络成员和相关属性，所述网络成员分为所述示例用水量相关参数对应的第一网络成员和所述示例发电用水量对应的第二网络成员，所述相关属性用于反映所述示例用水量相关参数与所述示例发电用水量之间相关程度；
从所述参数用水量相关关系网络中，按照所述相关属性和目标长度，多次从首端网络成员开始进行任意遍历（其中，通过多次遍历，可以降低仅通过一次任意遍历得到的网络成员遍历链路产生的偏差，还可以增大数据量，使得可以降低更新完成的发电用水量预测网络过拟合的概率），形成多条网络成员遍历链路（所述网络成员遍历链路中任意相邻的两个网络成员属于不同的网络成员，即分别属于第一网络成员和第二网络成员），所述多条网络成员遍历链路的数量等于进行任意遍历的次数，所述首端网络成员为所述参数用水量相关关系网络中的一个网络成员，此中，对于任意一个所述第一网络成员，对该第一网络成员在所述参数用水量相关关系网络中连接的第二网络成员的数量进行统计，以输出该第一网络成员对应的第一连接成员数量，再依据所述第一连接成员数量确定是否将该第一网络成员标记为首端网络成员（例如，在所述第一连接成员数量大于第一阈值时，可以标记为首端网络成员，或者说，确定出具有成为首端网络成员的资格，也就是说，可以在具有资格的各第一网络成员中选择出一个第一网络成员作为首端网络成员），对于任意一个所述第二网络成员，对该第二网络成员在所述参数用水量相关关系网络中连接的第一网络成员的数量进行统计，以输出该第二网络成员对应的第二连接成员数量，再依据所述第二连接成员数量确定是否将该第二网络成员标记为首端网络成员（例如，在所述第二连接成员数量大于第一阈值时，可以标记为首端网络成员，如此，未超过第一阈值的网络成员可以称为低影响力成员，若将其作为首端网络成员，通过多次任意遍历会产生较多与低影响力成员有关的第一示例数据组合，容易导致更新完成的发电用水量预测网络过拟合。但是，低影响力成员在参数用水量相关关系网络中可能占比较大，如果直接将低影响力成员从参数用水量相关关系网络中筛除，可能会造成参数用水量相关关系网络的规模和网络成员特征分布的有有效率降低。因此，通过限制低影响力成员不作为任意遍历的首端网络成员，但是，可以在任意遍历的过程中被选择作为网络成员遍历链路中的中间链路成员，使得更新完成的发电用水量预测网络会学习到低影响力成员的特征，更新完成的发电用水量预测网络输出的网络成员特征分布具有一定的代表性，从而提高更新完成的发电用水量预测网络进行估计的准确性）；
按照目标数量，对所述网络成员遍历链路进行滑窗，再将属于一个滑窗链路区间的随机的两个网络成员（也就是说，一个滑窗链路区间包括的网络成员的数量等于所述目标数量），标记为第一示例数据组合（由于处于同一个滑窗链路区间内的网络成员一般具有相关性，如两个第一网络成员都与一个第二网络成员具有相关属性，使得两个第一网络成员间具有一定的相关性；又如两个第二网络成员都与一个第一网络成员具有相关属性，使得两个第二网络成员间具有一定的相关性。因此，通过将不具有相关属性但却处于一个滑窗链路区间内的两个网络成员组合为一个第一示例数据组合，相比于只将有相关属性的两个网络成员作为第一示例数据组合，可以丰富数据，即使在数据较少的场景，通过增加数据的数量，按照较多的数据更新得到的更新完成的发电用水量预测网络，可以降低该更新完成的发电用水量预测网络出现过拟合的概率），所述目标数量不小于二，所述目标数量不大于所述目标长度；
按照所述第一示例数据组合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述按照所述第一示例数据组合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络的步骤，进一步包括以下具体内容：
利用预设第一特征提取单元，对所述第一示例数据组合包括的参考网络成员进行处理，输出参考网络成员特征分布；
利用预设第二特征提取单元，对所述第一示例数据组合包括的对比网络成员进行处理，输出对比网络成员特征分布，所述对比网络成员属于所述第一示例数据组合中的任意一个网络成员，所述参考网络成员属于所述第一示例数据组合中所述对比网络成员以外的另一个网络成员；
按照所述第一示例数据组合包括的网络成员对应的网络成员特征分布，确定第二示例数据组合包括的网络成员的网络成员特征分布，所述第二示例数据组合包括不同的第一示例数据组合中的两个网络成员；
按照所述第一示例数据组合中两个网络成员对应的网络成员特征分布之间的匹配关系最疏远的更新趋势（即使得网络成员特征分布之间的分布相似性更小），以及，按照所述第二示例数据组合中两个网络成员对应的网络成员特征分布之间的匹配关系最紧密的更新趋势（即使得网络成员特征分布之间的分布相似性更大），对所述预设第一特征提取单元和所述预设第二特征提取单元进行更新，形成所述预设第一特征提取单元对应的目标第一特征提取单元和所述预设第二特征提取单元对应的目标第二特征提取单元（为了保证确定的网络成员特征分布的统一性，所述目标第一特征提取单元和所述目标第二特征提取单元的网络参数是共享的，并且，所述特征提取单元可以是一种编码网络）；
按照所述目标第一特征提取单元和所述目标第二特征提取单元，形成更新完成的发电用水量预测网络。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述利用预设第一特征提取单元，对所述第一示例数据组合包括的参考网络成员进行处理，输出参考网络成员特征分布的步骤，进一步包括以下具体内容：
按照所述第一示例数据组合包括的参考网络成员、所述参考网络成员的连接网络成员、所述参考网络成员和所述参考网络成员的连接网络成员之间的相关属性，利用预设第一特征提取单元进行特征挖掘，形成参考网络成员特征分布，所述参考网络成员的连接网络成员为按照所述相关属性匹配的具有连接关系的网络成员。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述利用预设第二特征提取单元，对所述第一示例数据组合包括的对比网络成员进行处理，输出对比网络成员特征分布的步骤，进一步包括以下具体内容：
按照所述第一示例数据组合包括的对比网络成员、所述对比网络成员的连接网络成员、所述对比网络成员和所述对比网络成员的连接网络成员之间的相关属性，利用预设第二特征提取单元进行特征挖掘，形成对比网络成员特征分布，所述对比网络成员的连接网络成员为按照所述相关属性匹配的具有连接关系的网络成员。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述按照所述第一示例数据组合包括的参考网络成员、所述参考网络成员的连接网络成员、所述参考网络成员和所述参考网络成员的连接网络成员之间的相关属性，利用预设第一特征提取单元进行特征挖掘，形成参考网络成员特征分布的步骤，可以进一步包括以下具体内容：
采用特征投射处理，输出所述第一示例数据组合包括的参考网络成员的特征分布，再采用特征投射处理，输出所述参考网络成员的连接网络成员的特征分布，再采用特征投射处理，输出所述参考网络成员和所述参考网络成员的连接网络成员之间的相关属性的特征分布；
按照所述参考网络成员的特征分布、所述参考网络成员的连接网络成员的特征分布、所述参考网络成员和所述参考网络成员的连接网络成员之间的相关属性的特征分布，采用所述预设第一特征提取单元的第一个特征提取模块进行处理，输出针对所述参考网络成员的初始特征分布；
按照所述参考网络成员的初始特征分布和所述参考网络成员的连接网络成员的特征分布，采用所述预设第一特征提取单元的第二个特征提取模块进行处理，输出所述对比网络成员的中间特征分布；
对所述参考网络成员的特征分布、所述参考网络成员的初始特征分布和所述参考网络成员的中间特征分布进行聚合（该聚合可以是指拼接，即将所述特征分布表征的向量，所述初始特征分布表征的向量和所述中间特征分布表征的向量进行拼接，如此，实际上，所述特征投射处理可以是指进行特征的映射，以形成对应的特征向量），形成参考网络成员特征分布（基于此，在按照网络成员更新形成更新完成的发电用水量预测网络的过程中，还按照网络成员的连接网络成员、与连接网络成员的相关属性，对发电用水量预测网络进行更新，有效地增大了数据量，降低更新完成的发电用水量预测网络过拟合的概率，提高发电用水量估计的准确率）。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述按照所述第一示例数据组合包括的参考网络成员、所述参考网络成员的连接网络成员、所述参考网络成员和所述参考网络成员的连接网络成员之间的相关属性，利用预设第一特征提取单元进行特征挖掘，形成参考网络成员特征分布的步骤，也可以进一步包括以下具体内容：
按照所述第一示例数据组合包括的参考网络成员、所述参考网络成员的连接网络成员、所述参考网络成员和所述参考网络成员的连接网络成员之间的相关属性，利用预设第一特征提取单元包括的关系属性兴趣点分析模块（所述关系属性兴趣点分析模块可以是一种基于注意力机制的网络），对所述参考网络成员的连接网络成员进行感兴趣程度的分析确定处理；
按照所述参考网络成员、所述参考网络成员的连接网络成员、所述参考网络成员的每一个连接网络成员分别对应的感兴趣程度，利用所述预设第一特征提取单元包括的融合模块进行融合处理，形成参考网络成员特征分布（例如，将第一示例数据组合包括的参考网络成员Y1、参考网络成员Y1的连接网络成员X1、连接网络成员X2和连接网络成员X3（每一个所述参考网络成员的连接网络成员可以是多个，这里以3个为示例进行说明，不应被理解为局限于3个），以及，参考网络成员和参考网络成员的各连接网络成员之间的相关属性T1、相关属性T2和相关属性T3，加载至预设第一特征提取单元中的关系属性兴趣点分析模块，利用关系属性兴趣点分析模块进行处理，以输出每一个连接网络成员对应的感兴趣程度（所述感兴趣程度可以是基于注意力机制确定出的重要度），再将参考网络成员的连接网络成员X1、连接网络成员X2和连接网络成员X3，以及，对参考网络成员的各连接网络成员分别对应的感兴趣程度进行加权求和，再通过维度变换处理，以将处理结果和参考网络成员的特征分布进行融合并进行归一化处理。如此，经过多个特征提取模块的处理之后，再进行拼接处理，以形成参考网络成员对应的网络成员特征分布。基于此，由于是按照相关属性，即相关程度，为不同的连接网络成员配置不同的感兴趣程度，从而在融合连接网络成员时可以在一定程度上过滤噪声干扰）。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述按照所述第一示例数据组合包括的对比网络成员、所述对比网络成员的连接网络成员、所述对比网络成员和所述对比网络成员的连接网络成员之间的相关属性，利用预设第二特征提取单元进行特征挖掘，形成对比网络成员特征分布的步骤，可以进一步包括以下具体内容：
采用特征投射处理，输出所述第一示例数据组合包括的对比网络成员的特征分布，再采用特征投射处理，输出所述对比网络成员的连接网络成员的特征分布，再采用特征投射处理，输出所述对比网络成员和所述对比网络成员的连接网络成员间的相关属性的特征分布；
按照所述对比网络成员的特征分布、所述对比网络成员的连接网络成员的特征分布、所述对比网络成员和所述对比网络成员的连接网络成员之间的相关属性的特征分布，采用所述预设第二特征提取单元的第二个特征提取模块进行处理，输出所述对比网络成员的初始特征分布；
按照所述对比网络成员的初始特征分布和所述对比网络成员的连接网络成员的特征分布，采用所述预设第二特征提取单元的第二个特征提取模块进行处理，输出所述对比网络成员的中间特征分布；
对所述对比网络成员的特征分布、所述对比网络成员的初始特征分布和所述对比网络成员的中间特征分布进行融合，形成对比网络成员特征分布（可以参照上述的相关描述）。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述按照所述第一示例数据组合包括的对比网络成员、所述对比网络成员的连接网络成员、所述对比网络成员和所述对比网络成员的连接网络成员之间的相关属性，利用预设第二特征提取单元进行特征挖掘，形成对比网络成员特征分布的步骤，也可以进一步包括以下具体内容：
按照所述第一示例数据组合包括的对比网络成员、所述对比网络成员的连接网络成员、所述对比网络成员和所述对比网络成员的连接网络成员之间的相关属性，利用预设第二特征提取单元包括的关系属性兴趣点分析模块，对所述对比网络成员的连接网络成员进行感兴趣程度的分析确定处理（可以参照上述的相关描述）；
按照所述对比网络成员、所述对比网络成员的连接网络成员、所述对比网络成员的每一个连接网络成员分别对应的感兴趣程度，利用所述预设第二特征提取单元包括的融合模块行融合处理，形成对比网络成员特征分布（可以参照上述的相关描述）。
应当理解的是，在一种示例性的实现方式中，上文中描述的所述按照所述第一示例数据组合包括的网络成员对应的网络成员特征分布，确定第二示例数据组合包括的网络成员的网络成员特征分布，可以进一步包括以下具体内容：
对待目标网络成员，提取到数量为指定数值的目标第一示例数据组合包括的网络成员对应的网络成员特征分布中，每一个所述目标第一示例数据组合包括所述目标网络成员和非目标网络成员（基于此，在一些示例中，所述指定数值可以为6-10等数值，也可以是其它数值，即一个目标网络成员，可以具有对应的6-10个非目标网络成员）；
对随机的两个非目标网络成员对应的网络成员特征分布进行标记，形成第二示例数据组合包括网络成员对应的网络成员特征分布（基于此，由于没有按照与第一示例数据组合一样的方式形成第二示例数据组合，而是通过将第一示例数据组合的网络成员特征分布随机组合，可以降低了数据处理复杂度，使得可以提高数据处理速度）。
参照图3的内容，本发明实施例还提供一种发电用水量预测分析系统，可应用于上述发电用水量预测分析云平台。其中，所述发电用水量预测分析系统可以包括环境信息采集模块、特征信息融合模块和用水量预测模块。
应当理解的是，在一种示例性的实现方式中，所述环境信息采集模块，用于多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息，所述多条目标环境特征信息的数量与对所述目标环境空间进行信息采集的次数相同，且每一条所述目标环境特征信息表征的至少一项内容中的每一项内容与所述目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系。所述特征信息融合模块，用于对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数。所述用水量预测模块，用于采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
综上所述，本发明提供的一种发电用水量预测分析方法、系统及云平台，可以多次对目标环境空间进行信息采集，以输出目标环境空间对应的多条目标环境特征信息，每一条目标环境特征信息表征的至少一项内容中的每一项内容与目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系。对多条目标环境特征信息进行融合，以输出对应的目标用水量相关参数。采用更新完成的发电用水量预测网络，对目标用水量相关参数进行预测处理，以输出目标发电用水量。通过前述的内容，可以利用神经网络的高可靠性，实现对发电用水量的高可靠度预测，从而在一定程度上提高发电用水量预测分析的可靠度。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种发电用水量预测分析方法，其特征在于，应用于发电用水量预测分析云平台，所述发电用水量预测分析方法包括：
多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息，所述多条目标环境特征信息的数量与对所述目标环境空间进行信息采集的次数相同，且每一条所述目标环境特征信息表征的至少一项内容中的每一项内容与所述目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系；
对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数；
采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
2.如权利要求1所述的发电用水量预测分析方法，其特征在于，所述多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息的步骤，包括：
对当前的时间周期进行分割，以形成多个时间点，在所述多个时间点中，每相邻的两个所述时间点之间的时间间隔长度一致；
对于所述多个时间点中的每一个时间点，在该时间点下，将信息采集指令下发给目标环境空间对应的环境空间监控设备，使得所述环境空间监控设备在接收到该信息采集指令之后，对所述目标环境空间进行信息采集，以输出所述目标环境空间对应的目标环境特征信息；
对于所述多个时间点，采集形成对应的多条目标环境特征信息。
3.如权利要求1所述的发电用水量预测分析方法，其特征在于，所述对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数的步骤，包括：
对待所述多条目标环境特征信息中的每一条目标环境特征信息，按照预先配置的多个第一映射关系，分别对该目标环境特征信息表征的多项内容进行映射处理，以输出该目标环境特征信息对应的多个第一映射值，所述多项内容至少包括温度、湿度、光照强度、所属的用电时间段，每一个所述用电时间段按照历史的用电量进行划分得到；
对待所述多条目标环境特征信息中的每一条目标环境特征信息，按照预先配置的多个第一相关系数，对该目标环境特征信息对应的多个第一映射值进行融合处理，形成该目标环境特征信息对应的目标第一映射值，每一个所述第一相关系数用于反映对应的一项内容与用电量之间的相关度；
对所述多条目标环境特征信息中的每一条目标环境特征信息对应的目标第一映射值进行融合，以输出对应的目标用水量相关参数。
4.如权利要求1-3任意一项所述的发电用水量预测分析方法，其特征在于，所述采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量的步骤，包括：
依据提取到的用户量示例数据集合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络，所述用户量示例数据集合包括多条用户量示例数据，每一条所述用户量示例数据包括示例用水量相关参数和示例发电用水量；
采用所述更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
5.如权利要求4所述的发电用水量预测分析方法，其特征在于，所述依据提取到的用户量示例数据集合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络的步骤，包括：
按照所述用户量示例数据集合包括的每一条用户量示例数据包括示例用水量相关参数和示例发电用水量，组建形成初始的参数用水量相关关系网络，在所述初始的参数用水量相关关系网络中，第一网络成员的数量等于所述示例用水量相关参数的数量，在所述初始的参数用水量相关关系网络中，第二网络成员的数量等于所述示例发电用水量的数量，同一条所述用户量示例数据包括的示例用水量相关参数对应的第一网络成员和示例发电用水量对应的第二网络成员之间具有连接关系；
对所述初始的参数用水量相关关系网络进行更新，以将所述初始的参数用水量相关关系网络中对应的示例用水量相关参数相同的第一网络成员合并、对应的示例发电用水量相同的第二网络成员合并，以形成参数用水量相关关系网络，所述参数用水量相关关系网络包括网络成员和相关属性，所述网络成员分为所述示例用水量相关参数对应的第一网络成员和所述示例发电用水量对应的第二网络成员，所述相关属性用于反映所述示例用水量相关参数与所述示例发电用水量之间相关程度；
从所述参数用水量相关关系网络中，按照所述相关属性和目标长度，多次从首端网络成员开始进行任意遍历，形成多条网络成员遍历链路，所述多条网络成员遍历链路的数量等于进行任意遍历的次数，所述首端网络成员为所述参数用水量相关关系网络中的一个网络成员，此中，对于任意一个所述第一网络成员，对该第一网络成员在所述参数用水量相关关系网络中连接的第二网络成员的数量进行统计，以输出该第一网络成员对应的第一连接成员数量，再依据所述第一连接成员数量确定是否将该第一网络成员标记为首端网络成员，对于任意一个所述第二网络成员，对该第二网络成员在所述参数用水量相关关系网络中连接的第一网络成员的数量进行统计，以输出该第二网络成员对应的第二连接成员数量，再依据所述第二连接成员数量确定是否将该第二网络成员标记为首端网络成员；
按照目标数量，对所述网络成员遍历链路进行滑窗，再将属于一个滑窗链路区间的随机的两个网络成员，标记为第一示例数据组合，所述目标数量不小于二，所述目标数量不大于所述目标长度；
按照所述第一示例数据组合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络。
6.如权利要求5所述的发电用水量预测分析方法，其特征在于，所述按照所述第一示例数据组合，对初始的发电用水量预测网络进行更新处理，以形成更新完成的发电用水量预测网络的步骤，包括：
利用预设第一特征提取单元，对所述第一示例数据组合包括的参考网络成员进行处理，输出参考网络成员特征分布；
利用预设第二特征提取单元，对所述第一示例数据组合包括的对比网络成员进行处理，输出对比网络成员特征分布，所述对比网络成员属于所述第一示例数据组合中的任意一个网络成员，所述参考网络成员属于所述第一示例数据组合中所述对比网络成员以外的另一个网络成员；
按照所述第一示例数据组合包括的网络成员对应的网络成员特征分布，确定第二示例数据组合包括的网络成员的网络成员特征分布，所述第二示例数据组合包括不同的第一示例数据组合中的两个网络成员；
按照所述第一示例数据组合中两个网络成员对应的网络成员特征分布之间的匹配关系最疏远的更新趋势，以及，按照所述第二示例数据组合中两个网络成员对应的网络成员特征分布之间的匹配关系最紧密的更新趋势，对所述预设第一特征提取单元和所述预设第二特征提取单元进行更新，形成所述预设第一特征提取单元对应的目标第一特征提取单元和所述预设第二特征提取单元对应的目标第二特征提取单元；
按照所述目标第一特征提取单元和所述目标第二特征提取单元，形成更新完成的发电用水量预测网络。
7.如权利要求6所述的发电用水量预测分析方法，其特征在于，所述利用预设第一特征提取单元，对所述第一示例数据组合包括的参考网络成员进行处理，输出参考网络成员特征分布的步骤，包括：
按照所述第一示例数据组合包括的参考网络成员、所述参考网络成员的连接网络成员、所述参考网络成员和所述参考网络成员的连接网络成员之间的相关属性，利用预设第一特征提取单元进行特征挖掘，形成参考网络成员特征分布，所述参考网络成员的连接网络成员为按照所述相关属性匹配的具有连接关系的网络成员；
所述利用预设第二特征提取单元，对所述第一示例数据组合包括的对比网络成员进行处理，输出对比网络成员特征分布的步骤，包括：
按照所述第一示例数据组合包括的对比网络成员、所述对比网络成员的连接网络成员、所述对比网络成员和所述对比网络成员的连接网络成员之间的相关属性，利用预设第二特征提取单元进行特征挖掘，形成对比网络成员特征分布，所述对比网络成员的连接网络成员为按照所述相关属性匹配的具有连接关系的网络成员。
8.如权利要求6所述的发电用水量预测分析方法，其特征在于，所述按照所述第一示例数据组合包括的网络成员对应的网络成员特征分布，确定第二示例数据组合包括的网络成员的网络成员特征分布的步骤，包括：
对待目标网络成员，提取到数量为指定数值的目标第一示例数据组合包括的网络成员对应的网络成员特征分布中，每一个所述目标第一示例数据组合包括所述目标网络成员和非目标网络成员；
对随机的两个非目标网络成员对应的网络成员特征分布进行标记，形成第二示例数据组合包括网络成员对应的网络成员特征分布。
9.一种发电用水量预测分析系统，其特征在于，应用于发电用水量预测分析云平台，所述发电用水量预测分析系统包括：
环境信息采集模块，用于多次对目标环境空间进行信息采集，以输出所述目标环境空间对应的多条目标环境特征信息，所述多条目标环境特征信息的数量与对所述目标环境空间进行信息采集的次数相同，且每一条所述目标环境特征信息表征的至少一项内容中的每一项内容与所述目标环境空间内的用电量之间具有相关的对应关系，用电量与发电用水量之间具有相关的对应关系；
特征信息融合模块，用于对所述多条目标环境特征信息进行融合，以输出所述多条目标环境特征信息对应的目标用水量相关参数；
用水量预测模块，用于采用更新完成的发电用水量预测网络，对所述目标用水量相关参数进行预测处理，以输出目标发电用水量。
10.一种发电用水量预测分析云平台，其特征在于，用于执行权利要求1-8任意一项所述的发电用水量预测分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210944346.1A CN115018212B (zh) | 2022-08-08 | 2022-08-08 | 发电用水量预测分析方法、系统及云平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210944346.1A CN115018212B (zh) | 2022-08-08 | 2022-08-08 | 发电用水量预测分析方法、系统及云平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115018212A true CN115018212A (zh) | 2022-09-06 |
| CN115018212B CN115018212B (zh) | 2022-10-28 |
Family
ID=83065863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210944346.1A Active CN115018212B (zh) | 2022-08-08 | 2022-08-08 | 发电用水量预测分析方法、系统及云平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115018212B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687792A (zh) * | 2022-12-20 | 2023-02-03 | 邢台达喆网络科技有限公司 | 针对在线互联网服务的大数据采集方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201503042D0 (en) * | 2015-02-24 | 2015-04-08 | Energy Technologies Inst Llp | Method and system of monitoring appliance usage |
| CN109242196A (zh) * | 2018-09-25 | 2019-01-18 | 中国水利水电科学研究院 | 火电厂用水量预测方法及装置 |
| CN109299834A (zh) * | 2018-12-03 | 2019-02-01 | 中国水利水电科学研究院 | 一种净水厂的水处理量预测方法以及装置 |
| CN111652450A (zh) * | 2020-08-05 | 2020-09-11 | 浙江力嘉电子科技有限公司 | 排污行为的异常检测系统及方法、电子设备、存储介质 |
| CN112181006A (zh) * | 2020-10-07 | 2021-01-05 | 广州云智通讯科技有限公司 | 一种基于大数据的环境智能处理方法、系统及存储介质 |
| CN112884008A (zh) * | 2021-01-25 | 2021-06-01 | 国电南瑞科技股份有限公司 | 一种电力信息采集系统运行状态的预测评估方法及装置 |
| CN113807593A (zh) * | 2021-09-22 | 2021-12-17 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
| CN114580795A (zh) * | 2022-05-06 | 2022-06-03 | 四川瑞康智慧能源有限公司 | 计及电力故障分流的电量预测方法及相关设备 |
-
2022
- 2022-08-08 CN CN202210944346.1A patent/CN115018212B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201503042D0 (en) * | 2015-02-24 | 2015-04-08 | Energy Technologies Inst Llp | Method and system of monitoring appliance usage |
| CN109242196A (zh) * | 2018-09-25 | 2019-01-18 | 中国水利水电科学研究院 | 火电厂用水量预测方法及装置 |
| CN109299834A (zh) * | 2018-12-03 | 2019-02-01 | 中国水利水电科学研究院 | 一种净水厂的水处理量预测方法以及装置 |
| CN111652450A (zh) * | 2020-08-05 | 2020-09-11 | 浙江力嘉电子科技有限公司 | 排污行为的异常检测系统及方法、电子设备、存储介质 |
| CN112181006A (zh) * | 2020-10-07 | 2021-01-05 | 广州云智通讯科技有限公司 | 一种基于大数据的环境智能处理方法、系统及存储介质 |
| CN112884008A (zh) * | 2021-01-25 | 2021-06-01 | 国电南瑞科技股份有限公司 | 一种电力信息采集系统运行状态的预测评估方法及装置 |
| CN113807593A (zh) * | 2021-09-22 | 2021-12-17 | 广东电网有限责任公司 | 基于电力调度的数据数量和数据质量预测方法及系统 |
| CN114580795A (zh) * | 2022-05-06 | 2022-06-03 | 四川瑞康智慧能源有限公司 | 计及电力故障分流的电量预测方法及相关设备 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115687792A (zh) * | 2022-12-20 | 2023-02-03 | 邢台达喆网络科技有限公司 | 针对在线互联网服务的大数据采集方法及系统 |
| CN115687792B (zh) * | 2022-12-20 | 2023-06-16 | 成都坐联智城科技有限公司 | 针对在线互联网服务的大数据采集方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115018212B (zh) | 2022-10-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bassamzadeh et al. | Multiscale stochastic prediction of electricity demand in smart grids using Bayesian networks | |
| Rendon-Sanchez et al. | Structural combination of seasonal exponential smoothing forecasts applied to load forecasting | |
| Corizzo et al. | Anomaly detection and repair for accurate predictions in geo-distributed big data | |
| Heinermann et al. | Machine learning ensembles for wind power prediction | |
| Yu et al. | Short term wind power prediction for regional wind farms based on spatial-temporal characteristic distribution | |
| Faria et al. | Spatial-temporal estimation for nontechnical losses | |
| Liu et al. | Multivariate time-series forecasting with temporal polynomial graph neural networks | |
| CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
| Blecic et al. | How much past to see the future: a computational study in calibrating urban cellular automata | |
| CN111027672A (zh) | 一种基于交互式多尺度循环神经网络的时间序列预测方法 | |
| Sørensen et al. | Recent developments in multivariate wind and solar power forecasting | |
| Su et al. | Nonlinear compensation algorithm for multidimensional temporal data: A missing value imputation for the power grid applications | |
| CN115018212B (zh) | 发电用水量预测分析方法、系统及云平台 | |
| CN114925938B (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
| CN111144451A (zh) | 一种图像分类模型的训练方法、装置及设备 | |
| CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
| KR20200068056A (ko) | 패턴 태깅 기술 기반 전력 데이터 예측 방법 및 시스템 | |
| CN115759413A (zh) | 一种气象预测方法、装置、存储介质及电子设备 | |
| Thanh et al. | Short-term three-phase load prediction with advanced metering infrastructure data in smart solar microgrid based convolution neural network bidirectional gated recurrent unit | |
| Deng et al. | ASA-Net: Adaptive sparse attention network for robust electric load forecasting | |
| Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
| CN115049397A (zh) | 识别社交网络中的风险账户的方法及装置 | |
| Wei et al. | An instance based multi-source transfer learning strategy for building’s short-term electricity loads prediction under sparse data scenarios | |
| Zi-hao et al. | A thermal energy usage prediction method for electric thermal storage heaters based on deep learning | |
| CN115130788B (zh) | 基于大数据分析的用电预测系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |