CN115292390B - 负荷信息生成方法、装置、电子设备和计算机可读介质 - Google Patents
负荷信息生成方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115292390B CN115292390B CN202211219639.XA CN202211219639A CN115292390B CN 115292390 B CN115292390 B CN 115292390B CN 202211219639 A CN202211219639 A CN 202211219639A CN 115292390 B CN115292390 B CN 115292390B
- Authority
- CN
- China
- Prior art keywords
- information
- annual
- influence parameter
- electricity
- maximum load
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000005611 electricity Effects 0.000 claims abstract description 200
- 239000011159 matrix material Substances 0.000 claims description 88
- 239000013598 vector Substances 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 41
- 238000005457 optimization Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (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
本公开的实施例公开了负荷信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:获取用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合;生成第一灰色关联度集合;生成第二灰色关联度集合;生成第三灰色关联度集合;生成用电量信息;生成年最大负荷信息;生成年峰谷差率信息;对用电量信息、年最大负荷信息和年峰谷差率信息进行组合处理,以生成负荷信息。该实施方式提高了用电供应量的准确性,减少了用电供应量较高时电力资源的浪费,缓解了用电供应量较低时供电能力不足的压力。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及负荷信息生成方法、装置、电子设备和计算机可读介质。
背景技术
用电量和负荷特性的分析和预测是电力相关数据分析预测的重要工作,预测区域用电量和负荷特性的变化趋势是做好电力规划、保障电力系统优化决策科学性的重要手段,对提高电力系统运行的稳定性具有至关重要的意义。目前,在确定负荷信息时,通常采用的方式为:通过用电量数据、用电量影响参数数据和用电量预测模型,生成预测的用电量作为负荷信息。
然而,发明人发现,当采用上述方式确定负荷信息时,经常会存在如下技术问题:
第一,直接将用电量作为负荷信息,未考虑负荷信息的变化速度和数据维度的影响,生成的负荷信息的全面性较差,导致根据负荷信息所确定的用电供应量的准确性较低,从而导致用电供应量较高时,电力资源浪费,用电供应量较低时,供电能力不足。
第二,通过单一的用电量预测模型生成负荷信息的准确性较低,导致根据负荷信息所确定的用电供应量的准确性较低,从而导致用电供应量较高时,电力资源浪费,用电供应量较低时,供电能力不足。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了负荷信息生成方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种负荷信息生成方法,该方法包括:获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合;基于上述用电量数据信息集合和上述用电量影响参数信息集合,生成第一灰色关联度集合;基于上述年最大负荷数据信息集合和上述年最大负荷影响参数信息集合,生成第二灰色关联度集合;基于上述年峰谷差率数据信息集合和上述年峰谷差率影响参数信息集合,生成第三灰色关联度集合;基于上述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息,其中,上述用电量信息包括:上界用电量、中值用电量和下界用电量;基于上述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息,其中,上述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷;基于上述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息,其中,上述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率;对上述用电量信息、上述年最大负荷信息和上述年峰谷差率信息进行组合处理,以生成负荷信息。
第二方面,本公开的一些实施例提供了一种负荷信息生成装置,装置包括:获取单元,被配置获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合;第一生成单元,被配置基于上述用电量数据信息集合和上述用电量影响参数信息集合,生成第一灰色关联度集合;第二生成单元,被配置基于上述年最大负荷数据信息集合和上述年最大负荷影响参数信息集合,生成第二灰色关联度集合;第三生成单元,被配置基于上述年峰谷差率数据信息集合和上述年峰谷差率影响参数信息集合,生成第三灰色关联度集合;第四生成单元,被配置成基于上述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息,其中,上述用电量信息包括:上界用电量、中值用电量和下界用电量;第五生成单元,被配置成基于上述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息,其中,上述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷;第六生成单元,被配置成基于上述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息,其中,上述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率;组合单元,被配置成对上述用电量信息、上述年最大负荷信息和上述年峰谷差率信息进行组合处理,以生成负荷信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的负荷信息生成方法,提高了用电供应量的准确性,减少了用电供应量较高时电力资源的浪费,缓解了用电供应量较低时供电能力不足的压力。具体来说,导致用电供应量的准确性较低的原因在于:直接将用电量作为负荷信息,未考虑负荷信息的变化速度和数据维度的影响,生成的负荷信息的全面性较差,导致根据负荷信息所确定的用电供应量的准确性较低,从而导致用电供应量较高时,电力资源浪费,用电供应量较低时,供电能力不足。基于此,本公开的一些实施例的负荷信息生成方法,首先,获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合。由此,获得了用于生成上述第一灰色关联度集合、上述第二灰色关联度集合和上述第三灰色关联度集合的数据信息集合。其次,基于上述用电量数据信息集合和上述用电量影响参数信息集合,生成第一灰色关联度集合。由此,所生成的第一灰色关联度集合中的每个第一灰色关联度可以表征用电量数据信息和所对应的用电量影响参数信息之间关联性的大小。然后,基于上述年最大负荷数据信息集合和上述年最大负荷影响参数信息集合,生成第二灰色关联度集合。由此,所生成的第二灰色关联度集合中的每个第二灰色关联度可以表征年最大负荷数据信息和所对应的年最大负荷影响参数信息之间关联性的大小。之后,基于上述年峰谷差率数据信息集合和上述年峰谷差率影响参数信息集合,生成第三灰色关联度集合。由此,所生成的第三灰色关联度集合中的每个第三灰色关联度可以表征年峰谷差率数据信息和所对应的年峰谷差率影响参数信息之间关联性的大小。接着,基于上述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息。其中,上述用电量信息包括:上界用电量、中值用电量和下界用电量。由此,基于上述第一灰色关联度集合和预训练的第一混合预测模型,生成了用电量需求变化速度较快、变化速度一般和变化速度较慢三种情况下的用电量信息。然后,基于上述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息。其中,上述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷。由此,基于上述第二灰色关联度集合和预训练的第二混合预测模型,生成了年最大负荷需求变化速度较快、变化速度一般和变化速度较慢三种情况下的年最大负荷信息。之后,基于上述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息。其中,上述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率。由此,基于上述第三灰色关联度集合和预训练的第三混合预测模型,生成了年峰谷差率变化速度较快、变化速度一般和变化速度较慢三种情况下的年峰谷差率信息。最后,对上述用电量信息、上述年最大负荷信息和上述年峰谷差率信息进行组合处理,以生成负荷信息。由此,对三种情况下的三种预测结果信息进行组合处理,生成了准确性较高的负荷信息。也因为基于所生成的第一灰色关联度集合和预训练的第一混合预测模型,可以生成三种变化速度下的用电量信息。基于所生成的第二灰色关联度集合和预训练的第二混合预测模型,可以生成三种变化速度下的年最大负荷信息。基于所生成的第三灰色关联度集合和预训练的第三混合预测模型,可以生成三种变化速度下的年峰谷差率信息。还因为将三种变化速度下的用电量信息、年最大负荷信息和年峰谷差率信息三种数据维度的结果进行组合,可以得到有变化速度和数据维度影响的负荷信息。从而,提高了用电供应量的准确性,减少了用电供应量较高时电力资源的浪费,缓解了用电供应量较低时供电能力不足的压力。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的负荷信息生成方法的一些实施例的流程图;
图2是根据本公开的负荷信息生成装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的负荷信息生成方法的一些实施例的流程100。该负荷信息生成方法,包括以下步骤:
步骤101,获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合。
在一些实施例中,负荷信息生成方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式从信息数据库获取用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合。其中,上述信息数据库可以是目标地区的信息数据库。上述目标地区可以是任意地区。上述用电量数据信息集合可以为目标地区在历史时间段内的各个用电量数据信息。上述用电量数据信息集合中的每个用电量数据信息可以对应上述历史时间段内的一个历史子时间段。用电量数据信息可以表征历史子时间段内的总用电量。作为示例,上述历史时间段可以为“2019年-2021年”。则上述用电量数据信息集合对应的各个历史子时间段可以为“2019年”、“2020年”和“2021年”。上述用电量影响参数信息集合可以为目标地区在历史时间段内的各个用电量影响参数信息。上述用电量影响参数信息集合中的每个用电量影响参数信息可以对应上述历史时间段内的一个历史子时间段。用电量影响参数信息可以表征历史子时间段内的用电量影响参数。上述用电量影响参数可以为影响目标地区的用电量的参数。上述用电量影响参数可以包括但不限于:年末人口总量、国内生产总值和能源消耗总量。上述年最大负荷数据信息集合可以为目标地区在历史时间段内的各个年最大负荷数据信息。上述年最大负荷数据信息集合中的每个年最大负荷数据信息可以对应上述历史时间段内的一个历史子时间段。年最大负荷数据信息可以表征历史子时间段内的年最大负荷。上述年最大负荷影响参数信息集合可以为目标地区在历史时间段内的各个年最大负荷影响参数信息。上述年最大负荷影响参数信息集合中的每个年最大负荷影响参数信息可以对应上述历史时间段内的一个历史子时间段。年最大负荷影响参数信息可以表征历史子时间段内的年最大负荷影响参数。上述年最大负荷影响参数可以为影响目标地区的年最大负荷的参数。例如,上述年最大负荷影响参数可以包括但不限于:用电量、国内生产总值、最高气温和城镇化率。上述年峰谷差率数据信息集合可以为目标地区在历史时间段内的各个年峰谷差率数据信息。上述年峰谷差率数据信息集合中的每个年峰谷差率数据信息可以对应上述历史时间段内的一个历史子时间段。年峰谷差率数据信息可以表征历史子时间段内的年峰谷差率。上述年峰谷差率影响参数信息集合可以为目标地区在历史时间段内的各个年峰谷差率影响参数信息。上述年峰谷差率影响参数信息集合中的每个年峰谷差率影响参数信息可以对应上述历史时间段内的一个历史子时间段。年峰谷差率影响参数信息可以表征历史子时间段内的年峰谷差率影响参数。上述年峰谷差率影响参数可以为影响目标地区的年峰谷差率的参数。例如,上述年峰谷差率影响参数可以包括但不限于:用电量、生产价值指数(例如生产价格指数)、国内生产总值和平均气温。上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102,基于用电量数据信息集合和用电量影响参数信息集合,生成第一灰色关联度集合。
在一些实施例中,基于上述用电量数据信息集合和上述用电量影响参数信息集合,上述执行主体可以生成第一灰色关联度集合。
在一些实施列的一些可选的实现方式中,上述执行主体可以通过以下步骤生成第一灰色关联度集合:
第一步,对上述用电量影响参数信息集合中的每个用电量影响参数信息进行量化处理,以生成量化用电量影响参数信息,得到量化用电量影响参数信息集合。实践中,上述执行主体可以通过二进制编码方式对上述用电量影响参数信息集合中的每个用电量影响参数信息进行量化处理,以生成量化用电量影响参数信息,得到量化用电量影响参数信息集合。
第二步,对上述量化用电量影响参数信息集合和上述用电量数据信息集合进行列向量化处理,以生成第一用电矩阵。
实践中,上述执行主体可以通过以下步骤生成第一用电矩阵:
第一子步骤,对上述量化用电量影响参数信息集合中的各个量化用电量影响参数信息进行序列化,以生成用电量影响参数信息序列,得到用电量影响参数信息序列集合。
第二子步骤,对上述用电量数据信息集合进行序列化,得到用电量数据信息序列。
第三子步骤,对上述用电量数据信息序列和上述用电量影响参数信息序列集合进行组合处理,得到第一用电序列集合。其中,上述组合可以为拼接。例如,上述用电量数据信息序列可以为一个序列,上述用电量影响参数信息序列集合可以为4个序列,上述执行主体进行拼接处理后的序列可以为5个序列。上述用电量数据信息序列可以为上述第一用电序列集合中的第一个第一用电序列。
第四子步骤,将上述第一用电序列集合进行向量化处理,以生成第一用电矩阵。其中,向量化可以为列向量化。实践中,首先,上述执行主体可以对上述第一用电序列集合中的各个第一用电序列进行列向量化处理,得到列向量集合。然后,对上述列向量集合中的各个列向量进行拼接处理,得到第一用电矩阵。
第三步,对上述第一用电矩阵中的各个列向量进行无量纲化处理,得到无量纲化处理后的第一用电矩阵作为第二用电矩阵。其中,上述无量纲化处理可以包括但不限于:均值化处理和初值化处理。这里,无量纲化处理可以为均值化处理。
第四步,将上述第二用电矩阵中与上述用电量数据信息集合对应的列向量确定为第一列向量。例如,上述第二用电矩阵中与上述用电量数据信息集合对应的列向量可以为上述第二用电矩阵的第一个列向量。
第五步,将上述第二用电矩阵中除上述第一列向量之外的各个列向量确定为第二列向量,得到第二列向量集合。例如,上述第二用电矩阵可以包括五个列向量。上述第二用电矩阵中第一个列向量可以为第一列向量。上述第二用电矩阵包括的第二个列向量、第三个列向量、第四个列向量和第五个列向量可以为第二列向量集合。
第六步,对上述第一列向量与上述第二列向量集合中的每个第二列向量进行差值绝对值化处理,以生成差值绝对值列向量,得到差值绝对值列向量集合。
第七步,将上述差值绝对值列向量集合组合为第三用电矩阵。实践中,上述执行主体可以将上述差值绝对值列向量集合中的各个差值绝对值列向量进行组合,得到上述第三用电矩阵。这里,组合可以为拼接。
第八步,确定上述第三用电矩阵中的最大元素值和最小元素值。实践中,上述执行主体可以通过冒泡排序的方式确定上述第三用电矩阵中的最大元素值和最小元素值。
第九步,基于上述最大元素值、上述最小元素值和上述第三用电矩阵,生成用电关联系数矩阵。实践中,上述执行主体可以通过以下步骤生成用电关联系数矩阵:
第一子步骤,将预设分辨系数与上述最大元素值的乘积确定为第一数值。其中,上述预设分辨系数可以为0.5。
第二子步骤,将上述最小元素值与上述第一数值的和确定为第二数值。
第三子步骤,将上述第三用电矩阵中各个元素值和上述第一数值相加,得到第一数值矩阵。
第四子步骤,将上述第二数值与上述第一数值矩阵中的各个元素值进行比值处理,得到比值处理后的上述第一数值矩阵作为用电关联系数矩阵。
第十步,将上述第一用电矩阵中与上述用电量影响参数信息集合对应的各个列向量所组成的矩阵确定为第四用电矩阵。
第十一步,对上述第四用电矩阵进行列归一化处理,得到列归一化处理后的第四用电矩阵作为第五用电矩阵。实践中,上述执行主体可以将上述第四用电矩阵中每一列向量的每个元素值除以目标值,得到第五用电矩阵。上述目标值可以为上述列向量各个元素值平方和的二分之一次方。
第十二步,确定上述第五用电矩阵中每个列向量包括的最大列元素值,得到最大列元素值集合。实践中,上述执行主体可以通过冒泡排序的方式确定上述第五用电矩阵中每个列向量包括的最大列元素值,得到最大列元素值集合。
第十三步,确定上述第五用电矩阵中每个列向量包括的最小列元素值,得到最小列元素值集合。实践中,上述执行主体可以通过冒泡排序的方式确定上述第五用电矩阵中每个列向量包括的最小列元素值,得到最小列元素值集合。
第十四步,基于上述最大列元素值集合和上述第五用电矩阵,生成元素最大距离集合。
实践中,上述执行主体可以通过以下步骤生成元素最大距离集合:
第一子步骤,将上述第五用电矩阵的每个行向量中的每个元素值与目标最大列元素值的差确定为第一用电差值,得到各个第一用电差值集合。其中,上述目标最大列元素值可以为上述最大列元素值集合中对应上述元素值的最大列元素值。例如,与上述行向量中的第一个元素值对应的最大列元素值可以为上述最大列元素值集合中的第一个最大列元素值。
第二子步骤,将得到的每个第一用电差值集合中各个第一用电差值的平方的和确定为第一用电差值平方和,得到第一用电差值平方和集合。
第三子步骤,将上述第一用电差值平方和集合中每个第一用电差值平方和的二分之一次方确定为元素最大距离,得到元素最大距离集合。
第十五步,基于上述最小列元素值集合和上述第五用电矩阵,生成元素最小距离集合。
实践中,上述执行主体可以通过以下步骤生成元素最小距离集合:
第一子步骤,将上述第五用电矩阵的每个行向量中的每个元素值与目标最小列元素值的差确定为第二用电差值,得到各个第二用电差值集合。其中,上述目标最小列元素值可以为上述最小列元素值集合中对应上述元素值的最小列元素值。例如,与上述行向量中的第一个元素值对应的最小列元素值可以为上述最小列元素值集合中的第一个最小列元素值。
第二子步骤,将得到的每个第二用电差值集合中各个第二用电差值的平方的和确定为第二用电差值平方和,得到第二用电差值平方和集合。
第三子步骤,将上述第二用电差值平方和集合中每个第二用电差值平方和的二分之一次方确定为元素最小距离,得到元素最小距离集合。
第十六步,根据上述元素最大距离集合和上述元素最小距离集合,生成用电权重系数集合。实践中,上述执行主体可以通过以下步骤生成用电权重系数集合:
第一子步骤,将上述元素最小距离集合中的每个元素最小距离与上述目标最大列元素值的和确定为用电元素距离,得到用电元素距离集合。例如,上述元素最小距离集合可以为[1,2,3]。上述元素最大距离集合可以为[4,8,17]。上述元素最小距离集合中的元素最小距离1对应上述元素最大距离集合中的元素最大距离4。上述用电元素距离集合可以为[5,10,20]。
第二子步骤,将上述元素最小距离集合中的每个元素最小距离与目标用电元素距离的比值确定为相对距离,得到相对距离集合。其中,上述目标用电元素距离可以为上述用电元素距离集合中对应上述元素最小距离的用电元素距离。例如,上述元素最小距离集合可以为[1,2,3]。上述用电元素距离集合可以为[5,10,20]。上述元素最小距离集合中的元素最小距离1对应上述用电元素距离集合中的用电元素距离5。上述相对距离集合可以为[1/5,2/10,3/20]。
第三子步骤,将上述相对距离集合中每个相对距离与目标距离和的比值确定为用电权重系数,得到用电权重系数集合。其中,上述目标距离和可以为上述相对距离集合中各个相对距离的和。例如,上述相对距离集合可以为[1/5,2/10,3/20]。上述目标距离和可以为11/20。上述权重系数集合可以为[4/11,4/11,3/11]。
第十七步,基于上述用电关联系数矩阵和上述用电权重系数集合,生成用电灰色关联度集合作为第一灰色关联度集合。
实践中,上述执行主体可以通过以下步骤生成用电灰色关联度集合:
第一子步骤,将上述用电权重系数集合组合为用电权重系数向量。实践中,首先,上述执行主体可以将上述用电权重系数集合中的各个用电权重系数依次组合为行向量。然后,可以将所组合的行向量确定为用电权重系数向量。
第二子步骤,根据上述用电权重系数向量与上述用电关联系数矩阵,生成第一用电灰色关联度集合。实践中,首先,上述执行主体可以将上述用电权重系数向量与上述用电关联系数矩阵的乘积确定为第一用电灰色关联度向量。然后,可以将上述第一用电灰色关联度向量中的各个第一用电灰色关联度确定为第一用电灰色关联度集合。
第三子步骤,将上述第一用电灰色关联度集合中的每个第一用电灰色关联度与第一数值的比值确定为第一灰色关联度,得到第一灰色关联度集合作为用电灰色关联度集合。其中,上述第一数值可以为上述用电关联系数矩阵的行数。
步骤103,基于年最大负荷数据信息集合和年最大负荷影响参数信息集合,生成第二灰色关联度集合。
在一些实施例中,基于上述年最大负荷数据信息集合和上述年最大负荷影响参数信息集合,上述执行主体可以生成第二灰色关联度集合。
实践中,上述执行主体生成第二灰色关联度集合的方式可以参考生成第一灰色关联度集合的方式,在此不再赘述。
步骤104,基于年峰谷差率数据信息集合和年峰谷差率影响参数信息集合,生成第三灰色关联度集合。
在一些实施例中,基于上述年峰谷差率数据信息集合和上述年峰谷差率影响参数信息集合,上述执行主体可以生成第三灰色关联度集合。
实践中,上述执行主体生成第三灰色关联度集合的方式可以参考生成第一灰色关联度集合的方式,在此不再赘述。
步骤105,基于第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息。
在一些实施例中,基于上述第一灰色关联度集合和预训练的第一混合预测模型,上述执行主体可以生成用电量信息。其中,上述用电量信息包括:上界用电量、中值用电量和下界用电量。上述上界用电量可以为目标地区的用电量变化速度较快情况下的用电量。上述中值用电量可以为目标地区的用电量变化速度一般情况下的用电量。上述下界用电量可以为目标地区的用电量变化速度较慢情况下的用电量。
实践中,上述执行主体可以通过以下步骤生成用电量信息:
第一步,对上述第一灰色关联度集合中的各个第一灰色关联度进行排序处理,得到第一灰色关联度序列。实践中,上述执行主体可以对上述第一灰色关联度集合中的各个第一灰色关联度进行从大到小排序,得到第一灰色关联度序列。
第二步,基于上述第一灰色关联度序列,确定关键用电量影响参数信息集合。
实践中,首先,上述执行主体可以将上述第一灰色关联度序列中满足第一预设条件的各个第一灰色关联度确定为关键第一灰色关联度序列集合。然后,将上述关键第一灰色关联度序列集合对应的各个用电量影响参数信息确定为关键用电量影响参数信息集合。其中,上述第一预设条件可以为第一灰色关联度大于等于第一预设阈值。上述第一预设阈值可以为0.05。
第三步,将上述关键用电量影响参数信息集合中的各个关键用电量影响参数信息输入至上述第一混合预测模型,得到用电量信息。其中,上述第一混合预测模型可以为以关键用电量影响参数信息集合为输入,以关键用电量影响参数信息集合对应的用电量信息为输出的混合神经网络模型。例如,上述混合神经网络模型可以是粒子群算法优化的BP神经网络模型(PSO-BP)和差分进化算法优化的支持向量机模型(DE-SVM)的混合神经网络模型。上述用电量信息可以是对应关键用电量影响参数信息集合的预测结果。上述关键用电量影响参数信息集合可以为目标地区在历史时间段内的各个关键用电量影响参数信息。上述关键用电量影响参数信息集合中的每个关键用电量影响参数信息可以对应上述历史时间段内的一个历史子时间段。关键用电量影响参数信息可以表征历史子时间段内的关键用电量影响参数。上述关键用电量影响参数可以为影响目标地区的用电量的参数。上述关键用电量影响参数可以包括但不限于:年末人口总量、国内生产总值和能源消耗总量。上述用电量信息可以是:上界用电量2854.34亿千瓦时、中值用电量2594.86亿千瓦时、下界用电量2508.37亿千瓦时。
在一些实施例的一些可选的实现方式中,上述第一混合预测模型是可以通过以下步骤确定的:
第一步骤,获取样本集合。其中,上述样本集合中的样本包括样本用电量信息,以及与样本用电量信息对应的样本关键用电量影响参数信息集合。需要说明的是,训练上述第一混合预测模型的执行主体可以是上述执行主体,也可以是其他计算设备。
第二步骤,基于样本集合执行以下训练步骤:
第一训练步骤,将样本集合中的至少一个样本的样本关键用电量影响参数信息集合分别输入至初始第一混合预测模型中,得到上述至少一个样本中的每个样本对应的用电量信息。其中,上述初始第一混合预测模型是包括至少两个单一预测模型的模型。上述初始第一混合预测模型是能够根据关键用电量影响参数信息集合得到用电量信息的初始混合神经网络。上述初始混合神经网络可以为待训练的混合神经网络。
第二训练步骤,将上述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息进行比较。这里,比较可以是上述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息大小的比较。
第三训练步骤,根据比较结果确定初始第一混合预测模型是否达到预设的优化目标。这里,上述优化目标可以是指上述待训练的初始第一混合预测模型的损失函数值小于预设阈值。上述损失函数可以是均方误差损失函数。上述预设阈值可以是0.1。
第四训练步骤,响应于确定初始第一混合预测模型达到上述优化目标,将初始第一混合预测模型确定为训练完成的第一混合预测模型。
可选地,训练得到上述第一混合预测模型的步骤还可以包括:
第三步骤,响应于确定初始第一混合预测模型未达到所述优化目标,调整初始第一混合预测模型的权重参数,以及使用未用过的样本组成样本集合,使用调整后的初始第一混合预测模型作为初始第一混合预测模型,再次执行所述训练步骤。作为示例,可以采用误差倒数法对上述初始第一混合预测模型的权重参数进行调整。上述误差倒数法可以是根据上述第一混合预测模型对应的各个预测模型的预测误差生成对应权重系数的方法。具体的,上述第一混合预测模型可以包括两个单一预测模型。两个单一预测模型可以为第一预测模型和第二预测模型。上述第一预测模型的预测误差可以为S1。上述第二预测模型的预测误差可以为S2。上述第一预测模型的预测误差与上述第二预测模型的预测误差的和可以为S3。上述第一预测模型对应的权重参数可以为S2与S3的比值。上述第二预测模型对应的权重参数可以为S1与S3的比值。
上述第一步骤至第三步骤及其相关内容作为本公开的实施例的一个发明点,解决了背景技术提及的技术问题二“通过单一的用电量预测模型生成负荷信息的准确性较低,导致根据负荷信息所确定的用电供应量的准确性较低,从而导致用电供应量较高时,电力资源浪费,用电供应量较低时,供电能力不足”。导致根据负荷信息所确定的用电供应量的准确性比较低的因素往往如下:通过单一的用电量预测模型生成负荷信息的准确性较低,导致根据负荷信息所确定的用电供应量的准确性较低,从而导致用电供应量较高时,电力资源浪费,用电供应量较低时,供电能力不足。如果解决了上述因素,就能达到提高根据负荷信息所确定的用电供应量的准确性的效果。为了达到这一效果,首先,获取样本集合。其中,上述样本集合中的样本包括样本用电量信息,以及与样本用电量信息对应的样本关键用电量影响参数信息集合。由此,获取了可以用于初始第一混合预测模型进行训练的数据。其次,基于样本集合执行以下训练步骤:将样本集合中的至少一个样本的样本关键用电量影响参数信息集合分别输入至初始第一混合预测模型中,得到上述至少一个样本中的每个样本对应的用电量信息。其中,上述初始第一混合预测模型是包括至少两个单一预测模型的模型。将上述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息进行比较。根据比较结果确定初始第一混合预测模型是否达到预设的优化目标。响应于确定初始第一混合预测模型达到上述优化目标,将初始第一混合预测模型确定为训练完成的第一混合预测模型。由此,基于样本集合,完成了模型的训练,根据比较结果确定初始第一混合预测模型是否达到预设的优化目标,以及将达到上述优化目标的初始第一混合预测模型确定为第一混合预测模型,为负荷信息的预测提供了模型支持。最后,响应于确定初始第一混合预测模型未达到上述优化目标,调整初始第一混合预测模型的权重参数,以及使用未用过的样本组成样本集合,使用调整后的初始第一混合预测模型作为初始第一混合预测模型,再次执行上述训练步骤。由此,基于初始第一混合预测模型未达到上述优化目标,对初始第一混合预测模型的权重参数不断的进行调优,不断的使用未用过的样本组成样本集合进行模型的训练,为负荷信息的预测提供了更优的模型支持。也因为基于样本集合,可以对初始第一混合预测模型不断的进行训练,对初始第一混合预测模型的权重参数不断的调优。从而得到了使第一混合预测模型预测准确较高条件下的权重参数。进而,提高了根据负荷信息所确定的用电供应量的准确性,更进一步,减少了用电供应量较高时电力资源的浪费,缓解了用电供应量较低时供电能力不足的压力。
步骤106,基于第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息。
在一些实施例中,基于上述第二灰色关联度集合和预训练的第二混合预测模型,上述执行主体可以生成年最大负荷信息。其中,上述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷。上述上界年最大负荷可以为目标地区的年最大负荷变化速度较快情况下的年最大负荷。上述中值年最大负荷可以为目标地区的年最大负荷变化速度一般情况下的年最大负荷。上述下界年最大负荷可以为目标地区的年最大负荷变化速度较慢情况下的年最大负荷。
实践中,上述执行主体可以通过以下步骤生成年最大负荷信息:
第一步,对上述第二灰色关联度集合中的各个第二灰色关联度进行排序处理,得到第二灰色关联度序列。实践中,上述执行主体可以对上述第二灰色关联度集合中的各个第二灰色关联度进行从大到小排序,得到第二灰色关联度序列。
第二步,基于上述第二灰色关联度序列,确定关键年最大负荷影响参数信息集合。实践中,首先,上述执行主体可以将上述第二灰色关联度序列中满足第二预设条件的各个第二灰色关联度确定为关键第二灰色关联度序列集合。然后,将上述关键第二灰色关联度序列集合对应的各个年最大负荷影响参数信息确定为关键年最大负荷影响参数信息集合。其中,上述第二预设条件可以为第二灰色关联度大于等于第二预设阈值。上述第二预设阈值可以为0.1。
第三步,将上述关键年最大负荷影响参数信息集合中的各个年最大负荷影响参数信息输入至上述第二混合预测模型,得到年最大负荷信息。其中,上述第二混合预测模型可以为以关键年最大负荷影响参数信息集合为输入,以关键年最大负荷影响参数信息集合对应的年最大负荷信息为输出的混合神经网络模型。例如,上述混合神经网络模型可以是粒子群算法优化的BP神经网络模型(PSO-BP)和差分进化算法优化的支持向量机模型(DE-SVM)的混合神经网络模型。上述年最大负荷信息可以是对应关键年最大负荷影响参数信息集合的预测结果。上述关键年最大负荷影响参数信息集合可以为目标地区在历史时间段内的各个关键年最大负荷影响参数信息。上述关键年最大负荷影响参数信息集合中的每个关键年最大负荷影响参数信息可以对应上述历史时间段内的一个历史子时间段。关键年最大负荷影响参数信息可以表征历史子时间段内的关键年最大负荷影响参数。上述关键年最大负荷影响参数可以为影响目标地区的年最大负荷的参数。例如,上述关键年最大负荷影响参数可以包括但不限于:用电量、国内生产总值、最高气温和城镇化率。上述年最大负荷信息可以是:上界年最大负荷2435.78万千瓦、中值年最大负荷2238.78万千瓦、下界年最大负荷2176.9万千瓦。
实践中,上述执行主体确定上述第二混合预测模型的方式可以参考确定上述第一混合预测模型的方式,在此不再赘述。
步骤107,基于第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息。
在一些实施例中,基于上述第三灰色关联度集合和预训练的第三混合预测模型,上述执行主体可以生成年峰谷差率信息。其中,上述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率。其中,上述上界年峰谷差率可以为目标地区的年峰谷差率变化速度较快情况下的年峰谷差率。上述中值年峰谷差率可以为目标地区的年峰谷差率变化速度一般情况下的年峰谷差率。上述下界年峰谷差率可以为目标地区的年峰谷差率变化速度较慢情况下的年峰谷差率。
实践中,上述执行主体可以通过以下步骤生成年峰谷差率信息:
第一步,对上述第三灰色关联度集合中的各个第三灰色关联度进行排序处理,得到第三灰色关联度序列集合。实践中,上述执行主体可以对上述第三灰色关联度集合中的各个第三灰色关联度进行从大到小排序,得到第三灰色关联度序列集合。
第二步,基于上述第三灰色关联度序列集合,确定关键年峰谷差率影响参数信息集合。
实践中,首先,上述执行主体可以将上述第三灰色关联度序列集合中满足第三预设条件的各个第三灰色关联度确定为关键第三灰色关联度序列集合。然后,将上述关键第三灰色关联度序列集合对应的各个年峰谷差率影响参数信息确定为关键年峰谷差率影响参数信息集合。其中,上述第三预设条件可以为第三灰色关联度大于等于第三预设阈值。上述第三预设阈值可以为0.1。
第三步,将上述关键年峰谷差率影响参数信息集合中的各个关键年峰谷差率影响参数信息输入至上述第三混合预测模型,得到年峰谷差率信息。其中,上述第三混合预测模型可以为以关键年峰谷差率影响参数信息集合为输入,以关键年峰谷差率影响参数信息集合对应的年峰谷差率信息为输出的混合神经网络模型。例如,上述混合神经网络模型可以是粒子群算法优化的BP神经网络模型(PSO-BP)和差分进化算法优化的支持向量机模型(DE-SVM)的混合神经网络模型。上述年峰谷差率信息可以是对应关键年峰谷差率影响参数信息集合的预测结果。上述关键年峰谷差率影响参数信息集合可以为目标地区在历史时间段内的各个关键年峰谷差率影响参数信息。上述关键年峰谷差率影响参数信息集合中的每个关键年峰谷差率影响参数信息可以对应上述历史时间段内的一个历史子时间段。关键年峰谷差率影响参数信息可以表征历史子时间段内的总关键年峰谷差率影响参数。上述关键年峰谷差率影响参数可以为影响目标地区的年峰谷差率的参数。例如,上述关键年峰谷差率影响参数可以包括但不限于:用电量、生产价值指数(例如生产价格指数)、国内生产总值和平均气温。上述年峰谷差率信息可以是:上界年峰谷差率35.73%、中值年峰谷差率32.48%、下界年峰谷差率31.78%。
实践中,上述执行主体确定上述第三混合预测模型的方式可以参考确定上述第一混合预测模型的方式,在此不再赘述。
步骤108,对用电量信息、年最大负荷信息和年峰谷差率信息进行组合处理,以生成负荷信息。
在一些实施例中,上述执行主体可以对上述用电量信息、上述年最大负荷信息和上述年峰谷差率信息进行组合处理,以生成负荷信息。
在一些实施列的一些可选的实现方式中,上述执行主体可以通过以下步骤生成负荷信息:
第一步,对上述上界用电量、上述上界年最大负荷和上述上界年峰谷差率进行组合处理,以生成上界负荷信息。其中,上述组合可以为横向拼接。实践中,上述执行主体可以对上述上界用电量、上述上界年最大负荷和上述上界年峰谷差率进行横向拼接处理,以生成上界负荷信息。
第二步,对上述中值用电量、上述中值年最大负荷和上述中值年峰谷差率进行组合处理,以生成中值负荷信息。实践中,上述执行主体可以对上述中值用电量、上述中值年最大负荷和上述中值年峰谷差率进行横向拼接处理,以生成中值负荷信息。
第三步,对上述下界用电量、上述下界年最大负荷和上述下界年峰谷差率进行组合处理,以生成下界负荷信息。实践中,上述执行主体可以对上述下界用电量、上述下界年最大负荷和上述下界年峰谷差率进行横向拼接处理,以生成下界负荷信息。
第四步,对上述上界负荷信息、上述中值负荷信息和上述下界负荷信息进行组合处理,以生成负荷信息。其中,上述组合可以为纵向拼接。实践中,上述执行主体可以对上述上界负荷信息、上述中值负荷信息和上述下界负荷信息进行纵向拼接处理,以生成负荷信息。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述负荷信息发送至智能供配电系统,以控制上述目标地区的用电供应量。其中,上述智能供配电系统可以为目标地区的智能供配电系统。
实践中,上述执行主体可以通过以下步骤控制上述目标地区的用电供应量:
第一步,将上述负荷信息发送至智能供配电系统。
第二步,接收上述智能供配电系统发送的对应上述负荷信息的分析结果。其中,上述分析结果可以包括:用电量的分析结果、年最大负荷的分析结果和年峰谷差率的分析结果。上述用电量的分析结果可以包括:第三产业和居民用电为主的地区的分析结果和第二产业为主的地区的分析结果。上述第三产业和居民用电为主的地区可以为目标地区内以第三产业和居民用电为主的地区。上述第二产业为主的地区可以为目标地区内以第二产业为主的地区。上述第三产业和居民用电为主的地区的分析结果可以包括:用电量增长速度较快,年最大负荷波动较大,年峰谷差率较大。第二产业为主的地区的分析结果可以包括:用电量增长速度一般,年最大负荷较为平稳,年峰谷差率较低。
第三步,根据上述分析结果,将第三产业和居民用电为主的地区的用电供应量设定为上界用电量,以及将第二产业为主的地区的用电供应量设定为中值用电量。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的负荷信息生成方法,提高了用电供应量的准确性,减少了用电供应量较高时电力资源的浪费,缓解了用电供应量较低时供电能力不足的压力。具体来说,导致用电供应量的准确性较低的原因在于:直接将用电量作为负荷信息,未考虑负荷信息的变化速度和数据维度的影响,生成的负荷信息的全面性较差,导致根据负荷信息所确定的用电供应量的准确性较低,从而导致用电供应量较高时,电力资源浪费,用电供应量较低时,供电能力不足。基于此,本公开的一些实施例的负荷信息生成方法,首先,获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合。由此,获得了用于生成上述第一灰色关联度集合、上述第二灰色关联度集合和上述第三灰色关联度集合的数据信息集合。其次,基于上述用电量数据信息集合和上述用电量影响参数信息集合,生成第一灰色关联度集合。由此,所生成的第一灰色关联度集合中的每个第一灰色关联度可以表征用电量数据信息和所对应的用电量影响参数信息之间关联性的大小。然后,基于上述年最大负荷数据信息集合和上述年最大负荷影响参数信息集合,生成第二灰色关联度集合。由此,所生成的第二灰色关联度集合中的每个第二灰色关联度可以表征年最大负荷数据信息和所对应的年最大负荷影响参数信息之间关联性的大小。之后,基于上述年峰谷差率数据信息集合和上述年峰谷差率影响参数信息集合,生成第三灰色关联度集合。由此,所生成的第三灰色关联度集合中的每个第三灰色关联度可以表征年峰谷差率数据信息和所对应的年峰谷差率影响参数信息之间关联性的大小。接着,基于上述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息。其中,上述用电量信息包括:上界用电量、中值用电量和下界用电量。由此,基于上述第一灰色关联度集合和预训练的第一混合预测模型,生成了用电量需求变化速度较快、变化速度一般和变化速度较慢三种情况下的用电量信息。然后,基于上述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息。其中,上述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷。由此,基于上述第二灰色关联度集合和预训练的第二混合预测模型,生成了年最大负荷需求变化速度较快、变化速度一般和变化速度较慢三种情况下的年最大负荷信息。之后,基于上述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息。其中,上述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率。由此,基于上述第三灰色关联度集合和预训练的第三混合预测模型,生成了年峰谷差率变化速度较快、变化速度一般和变化速度较慢三种情况下的年峰谷差率信息。最后,对上述用电量信息、上述年最大负荷信息和上述年峰谷差率信息进行组合处理,以生成负荷信息。由此,对三种情况下的三种预测结果信息进行组合处理,生成了准确性较高的负荷信息。也因为基于所生成的第一灰色关联度集合和预训练的第一混合预测模型,可以生成三种变化速度下的用电量信息。基于所生成的第二灰色关联度集合和预训练的第二混合预测模型,可以生成三种变化速度下的年最大负荷信息。基于所生成的第三灰色关联度集合和预训练的第三混合预测模型,可以生成三种变化速度下的年峰谷差率信息。还因为将三种变化速度下的用电量信息、年最大负荷信息和年峰谷差率信息三种数据维度的结果进行组合,可以得到有变化速度和数据维度影响的负荷信息。从而,提高了用电供应量的准确性,减少了用电供应量较高时电力资源的浪费,缓解了用电供应量较低时供电能力不足的压力。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种负荷信息生成装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的负荷信息生成装置200包括:获取单元201、第一生成单元202、第二生成单元203、第三生成单元204、第四生成单元205、第五生成单元206、第六生成单元207和组合单元208。其中,获取单元201被配置获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合;第一生成单元202被配置基于上述用电量数据信息集合和上述用电量影响参数信息集合,生成第一灰色关联度集合;第二生成单元203被配置基于上述年最大负荷数据信息集合和上述年最大负荷影响参数信息集合,生成第二灰色关联度集合;第三生成单元204被配置基于上述年峰谷差率数据信息集合和上述年峰谷差率影响参数信息集合,生成第三灰色关联度集合;第四生成单元205被配置成基于上述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息,其中,上述用电量信息包括:上界用电量、中值用电量和下界用电量;第五生成单元206被配置成基于上述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息,其中,上述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷;第六生成单元207被配置成基于上述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息,其中,上述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率;组合单元208被配置成对上述用电量信息、上述年最大负荷信息和上述年峰谷差率信息进行组合处理,以生成负荷信息。
可以理解的是,负荷信息生成装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于负荷信息生成装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301,其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合;基于上述用电量数据信息集合和上述用电量影响参数信息集合,生成第一灰色关联度集合;基于上述年最大负荷数据信息集合和上述年最大负荷影响参数信息集合,生成第二灰色关联度集合;基于上述年峰谷差率数据信息集合和上述年峰谷差率影响参数信息集合,生成第三灰色关联度集合;基于上述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息,其中,上述用电量信息包括:上界用电量、中值用电量和下界用电量;基于上述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息,其中,上述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷;基于上述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息,其中,上述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率;对上述用电量信息、上述年最大负荷信息和上述年峰谷差率信息进行组合处理,以生成负荷信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、第一生成单元、第二生成单元、第三生成单元、第四生成单元、第五生成单元、第六生成单元和组合单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种负荷信息生成方法,包括:
获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合;
基于所述用电量数据信息集合和所述用电量影响参数信息集合,生成第一灰色关联度集合,其中,所述基于所述用电量数据信息集合和所述用电量影响参数信息集合,生成第一灰色关联度集合,包括:
对所述用电量影响参数信息集合中的每个用电量影响参数信息进行量化处理,以生成量化用电量影响参数信息,得到量化用电量影响参数信息集合;
对所述量化用电量影响参数信息集合和所述用电量数据信息集合进行列向量化处理,以生成第一用电矩阵;
对所述第一用电矩阵中的各个列向量进行无量纲化处理,得到无量纲化处理后的第一用电矩阵作为第二用电矩阵;
将所述第二用电矩阵中与所述用电量数据信息集合对应的列向量确定为第一列向量;
将所述第二用电矩阵中除所述第一列向量之外的各个列向量确定为第二列向量,得到第二列向量集合;
对所述第一列向量与所述第二列向量集合中的每个第二列向量进行差值绝对值化处理,以生成差值绝对值列向量,得到差值绝对值列向量集合;
将所述差值绝对值列向量集合组合为第三用电矩阵;
确定所述第三用电矩阵中的最大元素值和最小元素值;
基于所述最大元素值、所述最小元素值和所述第三用电矩阵,生成用电关联系数矩阵;
将所述第一用电矩阵中与所述用电量影响参数信息集合对应的各个列向量所组成的矩阵确定为第四用电矩阵;
对所述第四用电矩阵进行列归一化处理,得到列归一化处理后的第四用电矩阵作为第五用电矩阵;
确定所述第五用电矩阵中每个列向量包括的最大列元素值,得到最大列元素值集合;
确定所述第五用电矩阵中每个列向量包括的最小列元素值,得到最小列元素值集合;
基于所述最大列元素值集合和所述第五用电矩阵,生成元素最大距离集合;
基于所述最小列元素值集合和所述第五用电矩阵,生成元素最小距离集合;
根据所述元素最大距离集合和所述元素最小距离集合,生成用电权重系数集合;
基于所述用电关联系数矩阵和所述用电权重系数集合,生成用电灰色关联度集合作为第一灰色关联度集合;
基于所述年最大负荷数据信息集合和所述年最大负荷影响参数信息集合,生成第二灰色关联度集合;
基于所述年峰谷差率数据信息集合和所述年峰谷差率影响参数信息集合,生成第三灰色关联度集合;
基于所述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息,其中,所述用电量信息包括:上界用电量、中值用电量和下界用电量;
基于所述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息,其中,所述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷;
基于所述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息,其中,所述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率;
对所述用电量信息、所述年最大负荷信息和所述年峰谷差率信息进行组合处理,以生成负荷信息。
2.根据权利要求1所述的方法,其中,所述基于所述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息,包括:
对所述第一灰色关联度集合中的各个第一灰色关联度进行排序处理,得到第一灰色关联度序列;
基于所述第一灰色关联度序列,确定关键用电量影响参数信息集合;
将所述关键用电量影响参数信息集合中的各个关键用电量影响参数信息输入至所述第一混合预测模型,得到用电量信息。
3.根据权利要求1所述的方法,其中,所述基于所述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息,包括:
对所述第二灰色关联度集合中的各个第二灰色关联度进行排序处理,得到第二灰色关联度序列;
基于所述第二灰色关联度序列,确定关键年最大负荷影响参数信息集合;
将所述关键年最大负荷影响参数信息集合中的各个年最大负荷影响参数信息输入至所述第二混合预测模型,得到年最大负荷信息。
4.根据权利要求1所述的方法,其中,所述基于所述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息,包括:
对所述第三灰色关联度集合中的各个第三灰色关联度进行排序处理,得到第三灰色关联度序列;
基于所述第三灰色关联度序列,确定关键年峰谷差率影响参数信息集合;
将所述关键年峰谷差率影响参数信息集合中的各个关键年峰谷差率影响参数信息输入至所述第三混合预测模型,得到年峰谷差率信息。
5.根据权利要求1所述的方法,其中,所述对所述用电量信息、所述年最大负荷信息和所述年峰谷差率信息进行组合处理,以生成负荷信息,包括:
对所述上界用电量、所述上界年最大负荷和所述上界年峰谷差率进行组合处理,以生成上界负荷信息;
对所述中值用电量、所述中值年最大负荷和所述中值年峰谷差率进行组合处理,以生成中值负荷信息;
对所述下界用电量、所述下界年最大负荷和所述下界年峰谷差率进行组合处理,以生成下界负荷信息;
对所述上界负荷信息、所述中值负荷信息和所述下界负荷信息进行组合处理,以生成负荷信息。
6.根据权利要求1所述的方法,其中,所述方法还包括:
将所述负荷信息发送至智能供配电系统,以控制所述目标地区的用电供应量。
7.一种负荷信息生成装置,包括:
获取单元,被配置获取目标地区的用电量数据信息集合、用电量影响参数信息集合、年最大负荷数据信息集合、年最大负荷影响参数信息集合、年峰谷差率数据信息集合和年峰谷差率影响参数信息集合;
第一生成单元,被配置基于所述用电量数据信息集合和所述用电量影响参数信息集合,生成第一灰色关联度集合,其中,所述基于所述用电量数据信息集合和所述用电量影响参数信息集合,生成第一灰色关联度集合,包括:
对所述用电量影响参数信息集合中的每个用电量影响参数信息进行量化处理,以生成量化用电量影响参数信息,得到量化用电量影响参数信息集合;
对所述量化用电量影响参数信息集合和所述用电量数据信息集合进行列向量化处理,以生成第一用电矩阵;
对所述第一用电矩阵中的各个列向量进行无量纲化处理,得到无量纲化处理后的第一用电矩阵作为第二用电矩阵;
将所述第二用电矩阵中与所述用电量数据信息集合对应的列向量确定为第一列向量;
将所述第二用电矩阵中除所述第一列向量之外的各个列向量确定为第二列向量,得到第二列向量集合;
对所述第一列向量与所述第二列向量集合中的每个第二列向量进行差值绝对值化处理,以生成差值绝对值列向量,得到差值绝对值列向量集合;
将所述差值绝对值列向量集合组合为第三用电矩阵;
确定所述第三用电矩阵中的最大元素值和最小元素值;
基于所述最大元素值、所述最小元素值和所述第三用电矩阵,生成用电关联系数矩阵;
将所述第一用电矩阵中与所述用电量影响参数信息集合对应的各个列向量所组成的矩阵确定为第四用电矩阵;
对所述第四用电矩阵进行列归一化处理,得到列归一化处理后的第四用电矩阵作为第五用电矩阵;
确定所述第五用电矩阵中每个列向量包括的最大列元素值,得到最大列元素值集合;
确定所述第五用电矩阵中每个列向量包括的最小列元素值,得到最小列元素值集合;
基于所述最大列元素值集合和所述第五用电矩阵,生成元素最大距离集合;
基于所述最小列元素值集合和所述第五用电矩阵,生成元素最小距离集合;
根据所述元素最大距离集合和所述元素最小距离集合,生成用电权重系数集合;
基于所述用电关联系数矩阵和所述用电权重系数集合,生成用电灰色关联度集合作为第一灰色关联度集合;
第二生成单元,被配置基于所述年最大负荷数据信息集合和所述年最大负荷影响参数信息集合,生成第二灰色关联度集合;
第三生成单元,被配置基于所述年峰谷差率数据信息集合和所述年峰谷差率影响参数信息集合,生成第三灰色关联度集合;
第四生成单元,被配置成基于所述第一灰色关联度集合和预训练的第一混合预测模型,生成用电量信息,其中,所述用电量信息包括:上界用电量、中值用电量和下界用电量;
第五生成单元,被配置成基于所述第二灰色关联度集合和预训练的第二混合预测模型,生成年最大负荷信息,其中,所述年最大负荷信息包括:上界年最大负荷、中值年最大负荷和下界年最大负荷;
第六生成单元,被配置成基于所述第三灰色关联度集合和预训练的第三混合预测模型,生成年峰谷差率信息,其中,所述年峰谷差率信息包括:上界年峰谷差率、中值年峰谷差率和下界年峰谷差率;
组合单元,被配置成对所述用电量信息、所述年最大负荷信息和所述年峰谷差率信息进行组合处理,以生成负荷信息。
8.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219639.XA CN115292390B (zh) | 2022-10-08 | 2022-10-08 | 负荷信息生成方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219639.XA CN115292390B (zh) | 2022-10-08 | 2022-10-08 | 负荷信息生成方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115292390A CN115292390A (zh) | 2022-11-04 |
CN115292390B true CN115292390B (zh) | 2022-12-23 |
Family
ID=83833978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219639.XA Active CN115292390B (zh) | 2022-10-08 | 2022-10-08 | 负荷信息生成方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117032906B (zh) * | 2023-10-09 | 2023-12-19 | 新立讯科技股份有限公司 | 农产品基础数据资源池管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN106980910A (zh) * | 2017-04-01 | 2017-07-25 | 国网宁夏电力公司经济技术研究院 | 中长期电力负荷测算系统及方法 |
WO2021208342A1 (zh) * | 2020-04-14 | 2021-10-21 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
CN113610296A (zh) * | 2021-08-05 | 2021-11-05 | 王莹 | 一种区域内用电负荷峰值预测方法及电网投资规划方法 |
CN114899830A (zh) * | 2022-03-23 | 2022-08-12 | 浙江电力交易中心有限公司 | 基于电网峰谷差率的负荷侧交易方法、系统及相关设备 |
CN115085196A (zh) * | 2022-08-19 | 2022-09-20 | 国网信息通信产业集团有限公司 | 电力负荷预测值确定方法、装置、设备和计算机可读介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514491B (zh) * | 2013-10-18 | 2016-09-07 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
-
2022
- 2022-10-08 CN CN202211219639.XA patent/CN115292390B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN106980910A (zh) * | 2017-04-01 | 2017-07-25 | 国网宁夏电力公司经济技术研究院 | 中长期电力负荷测算系统及方法 |
WO2021208342A1 (zh) * | 2020-04-14 | 2021-10-21 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电系统 |
CN113610296A (zh) * | 2021-08-05 | 2021-11-05 | 王莹 | 一种区域内用电负荷峰值预测方法及电网投资规划方法 |
CN114899830A (zh) * | 2022-03-23 | 2022-08-12 | 浙江电力交易中心有限公司 | 基于电网峰谷差率的负荷侧交易方法、系统及相关设备 |
CN115085196A (zh) * | 2022-08-19 | 2022-09-20 | 国网信息通信产业集团有限公司 | 电力负荷预测值确定方法、装置、设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115292390A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852438B (zh) | 模型生成方法和装置 | |
CN110852421B (zh) | 模型生成方法和装置 | |
CN111435463B (zh) | 数据处理方法及相关设备、系统 | |
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
JP2022033695A (ja) | モデルを生成するための方法、装置、電子機器、記憶媒体、及びコンピュータプログラム製品 | |
CN109961147B (zh) | 一种基于Q-Learning算法的自动化模型压缩方法 | |
CN115085196B (zh) | 电力负荷预测值确定方法、装置、设备和计算机可读介质 | |
CN114004425B (zh) | 物品流转信息预测模型生成方法、信息生成方法、装置 | |
CN115292390B (zh) | 负荷信息生成方法、装置、电子设备和计算机可读介质 | |
CN115292046A (zh) | 算力分配方法、装置、存储介质及电子设备 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN114511152A (zh) | 预测模型的训练方法和装置 | |
CN113642886A (zh) | 规划电网线路利用率分析方法、系统、介质及计算设备 | |
CN116542328B (zh) | Ctr预测模型的知识蒸馏方法及装置 | |
CN113392018A (zh) | 流量分发方法、装置、存储介质及电子设备 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
Dubhir et al. | Benchmarking of quantization libraries in popular frameworks | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
CN110110894A (zh) | 经济预测模型的构建方法、装置、介质、电子设备 | |
CN114745310B (zh) | 基于遗传算法的流量阈值的确定方法及装置 | |
CN117913779A (zh) | 用电负荷信息预测方法、装置、电子设备和可读介质 | |
CN111427935B (zh) | 量化交易指标的预测和显示方法、电子设备和介质 | |
CN114943274B (zh) | 模型训练方法、装置、存储介质、服务器、终端及系统 | |
CN117215746A (zh) | 算力调度方式确定方法及装置、存储介质及电子设备 |
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 |