CN115577851A - 能源消耗预测方法、装置、设备及存储介质 - Google Patents

能源消耗预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115577851A
CN115577851A CN202211338454.0A CN202211338454A CN115577851A CN 115577851 A CN115577851 A CN 115577851A CN 202211338454 A CN202211338454 A CN 202211338454A CN 115577851 A CN115577851 A CN 115577851A
Authority
CN
China
Prior art keywords
prediction
sequence
prediction model
model
energy consumption
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
Application number
CN202211338454.0A
Other languages
English (en)
Inventor
孙梦梦
鲁晓琳
陈冲
文朝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bangdao Technology Co ltd
Original Assignee
Bangdao Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bangdao Technology Co ltd filed Critical Bangdao Technology Co ltd
Priority to CN202211338454.0A priority Critical patent/CN115577851A/zh
Publication of CN115577851A publication Critical patent/CN115577851A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种能源消耗预测方法、装置、设备及存储介质，该方法包括：获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；获取所述第二预测模型基于所述第一预测序列的第二预测序列；根据所述第一预测序列和所述第二预测序列确定目标预测序列。本发明提供的能源消耗预测方法，通过模型组合预测的方式，可以融合不同模型的预测结果，相比于单一模型的预测方式，可以使预测结果考虑到更多影响能源消耗量的因素，从而提高预测结果的准确性。

Description

能源消耗预测方法、装置、设备及存储介质
技术领域
本发明涉及能源技术领域，尤其涉及一种能源消耗预测方法、装置、设备及存储介质。
背景技术
能源消耗监控一直是能源领域的重要工作之一，对用户的水、电、燃、油等能源的消耗进行分析预测，能够为能源提供方判断用户能源消耗是否存在异常提供判断依据。能源提供方可以参照能源消耗的预测趋势，及时调整供能决策方案或供能计划，提高供能服务的高效性和可靠性。
现有的能源消耗量预测方法，大多是基于时间序列，采用神经网络或线性回归的单一模型预测方式，但是用户能源消耗量受到用户的用能行为、节假日以及季节性变化等诸多因素的综合影响，从而导致时间序列出现不平稳的趋势变化，而常用单一的预测模型无法对能源消耗数据进行细致分解，从而无法在预测能源消耗量时综合考虑多种因素的影响，导致预测结果欠佳。
发明内容
本发明提供一种能源消耗预测方法、装置、设备及存储介质，用以解决现有技术中采用单一模型的预测方式，预测结果欠佳的缺陷。
本发明提供一种能源消耗预测方法，包括：
获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；
获取所述第二预测模型基于所述第一预测序列的第二预测序列；
根据所述第一预测序列和所述第二预测序列确定目标预测序列。
根据本发明提供的一种能源消耗预测方法，所述获取所述第二预测模型基于所述第一预测序列的第二预测序列的步骤，包括：
计算所述历史时间序列与所述第一预测序列的残差序列；
对所述残差序列进行切分，并将切分后的残差序列输入至所述第二预测模型中，得到所述第二预测模型输出的第二预测序列。
根据本发明提供的一种能源消耗预测方法，所述将所述历史时间序列输入至所述第一预测模型中，得到所述历史时间序列对应的第一预测序列的步骤，包括：
将所述历史时间序列输入至所述第一预测模型中，利用所述第一预测模型提取所述历史时间序列的特征集合；
根据所述特征集合中的各时序特征，确定所述第一预测模型对所述历史时间序列的预测结果，得到所述第一预测模型输出的第一预测序列；
其中，所述特征集合中的时序特征包括周期趋势特征、季节趋势特征、节假日趋势特征、未来回归项、滞后回归项和自回归特征中的至少一种。
根据本发明提供的一种能源消耗预测方法，所述获取能源消耗量的历史时间序列的步骤，包括：
获取第一预设时长的历史时间段的能源消耗量的第一历史数据集；
对所述第一历史数据集中的异常数据进行预处理，基于预处理后的第一历史数据集构建所述能源消耗量的历史时间序列；所述异常数据包括负值、空值、零值和异常值。
根据本发明提供的一种能源消耗预测方法，所述获取目标组合预测模型的步骤，包括：
获取第二预设时长的历史时间段的能源消耗量的第二历史数据集；
基于所述第二历史数据构建样本数据集；
获取预设的初始组合预测模型，利用所述样本数据集对所述初始组合预测模型进行迭代训练，得到目标组合预测模型。
根据本发明提供的一种能源消耗预测方法，所述样本数据集包括训练数据集和测试数据集；所述利用所述样本数据集对所述初始组合预测模型进行迭代训练的步骤，包括：
将所述样本数据集中的训练数据集输入至预设的初始组合预测模型中，利用所述训练数据集对所述初始组合预测模型进行迭代训练，得到第一组合预测模型；
将所述样本数据集中的测试数据集输入至所述第一组合预测模型中，得到所述第一组合预测模型输出的对所述测试数据集的预测值；
基于所述测试数据集中的原始值与所述预测值，计算所述第一组合预测模型的损失值；
若所述损失值大于预设阈值，将所述第一组合预测模型作为初始组合预测模型，根据所述损失值返回并执行所述利用所述训练样本集对所述初始组合预测模型进行迭代训练，得到第一组合预测模型的步骤，直到所述损失值小于或等于所述预设阈值为止。
根据本发明提供的一种能源消耗预测方法，所述根据所述第一预测序列和所述第二预测序列确定目标预测序列之后，还包括：
根据所述目标预测序列确定所述能源消耗量是否存在异常；
若所述能源消耗量存在异常，根据所述能源消耗量对应的能源类型生成异常提示信息；所述能源类型包括水能源、电能源、燃气能源和燃油能源。
本发明还提供一种能源消耗预测装置，包括：
模型构建模块，用于获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
第一预测模块，用于将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；
第二预测模块，用于获取所述第二预测模型基于所述第一预测序列的第二预测序列；
组合预测模块，用于根据所述第一预测序列和所述第二预测序列确定目标预测序列。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述能源消耗预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述能源消耗预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述能源消耗预测方法。
本发明提供的能源消耗预测方法、装置、设备及存储介质，通过获取能源消耗量的历史时间序列，并获取包括第一预测模型和第二预测模型的目标组合预测模型；将历史时间序列输入至第一预测模型中，得到第一预测序列；获取第二预测模型基于第一预测序列的第二预测序列；根据第一预测序列和第二预测序列确定目标预测序列，从而得到最终的预测结果，采用组合模型进行组合预测的预测方式，可以融合不同模型的预测结果，相比于单一模型的预测方式，可以使预测结果考虑到更多影响能源消耗量的因素，从而提高预测结果的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的能源消耗预测方法的流程示意图之一；
图2是本发明提供的能源消耗预测方法的流程示意图之二；
图3是本发明提供的能源消耗预测装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
下面结合图1-图2描述本发明的能源消耗预测方法。
参照图1，图1为本发明实施例提供的能源消耗预测方法的流程示意图，基于图1，本发明实施例提供的能源消耗预测方法，包括：
步骤100，获取能源消耗量的历史时间序列，并获取经过预训练的目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
本发明实施例提供的能源消耗预测方法，可用于对水、电、燃气、石油等不同类型的能源的消耗量进行预测，在对能源消耗量进行预测时，首先获取能源消耗量的历史时间序列，以及经过预训练的目标组合预测模型。其中，历史时间序列是基于能源消耗量的历史数据构建的，能源消耗量的历史数据是一预设时长的历史时间段内的能源消耗量，在预设时长的历史时间段内，按照第一时间粒度获取能源消耗量，得到能源消耗量的历史数据。对获取的历史数据按照第二时间粒度进行划分，构建历史时间序列。其中，能源消耗量的历史数据可以按照不同的时间粒度进行划分，从而构建不同时间粒度的时间序列，时间粒度包括小时、分钟、天、周、月、季度、年等。以分钟粒度作为获取能源消耗量的历史数据的第一时间粒度，以天粒度作为构建历史时间序列的第二时间粒度为例，能源消耗量的历史数据按照分钟粒度获取，即每隔一分钟或任意分钟粒度的固定时长，获取一次能源消耗量，形成历史数据；对获取的分钟粒度的历史数据，按照天粒度进行汇总划分，对同一天的历史数据进行汇总，得到天粒度的能源消耗量，从而构建出一个天粒度的历史时间序列，该历史时间序列中，每一个序列值对应一天的能源消耗量。历史数据和历史时间序列的时间粒度，可以根据能源消耗量预测的实际时间粒度以及历史数据的数据量进行自定义设置，在此不做具体限定。
对于目标组合预测模型，其包括第一预测模型和第二预测模型，第一预测模型和第二预测模型可以分别提取历史时间序列不同维度的时序特征，在进行预测时，可以互为补充，避免特征丢失。具体地，第一预测模型从历史时间序列中提取第一时序特征，第二预测模型从历史时间序列中提取第二时序特征，第一时序特征与第二时序特征的维度不同。
以时间序列预测模型Neural prophet作为第一预测模型、以长短期记忆网络(Long Short-Term Memory，LSTM)作为第二预测模型为例进行具体说明，能源消耗量数据既具有趋势性和周期性，又存在随机波动的特性，Neural prophet模型能够很好地提取出能源消耗量的时间序列中的周期趋势变化、节假日效应以及季节性趋势，将时间序列分解为趋势项，如季节、周期、离散时间事件和外部回归项等，从而可以加快LSTM模型的收敛速度，提高模型对非线性部分的预测能力以及降低出现局部收敛的可能性。同时，LSTM模型在波动的时间序列中具有快速适应趋势中急剧变化的固有能力，并且，可以检测时间序列中哪些是需要保存的重要数据，哪些是可以遗忘的非重要数据。Neural prophet模型与LSTM模型进行组合预测，不仅可以提高预测模型的精确度，还可以在模型训练阶段，提高模型的收敛速度。
进一步地，步骤100中，获取能源消耗量的历史时间序列，具体包括：
步骤101，获取第一预设时长的历史时间段的能源消耗量的第一历史数据集；
步骤102，对所述第一历史数据集中的异常数据进行预处理，基于预处理后的第一历史数据集构建所述能源消耗量的历史时间序列；所述异常数据包括负值、空值、零值和异常值。
获取第一预设时长的历史时间段的能源消耗量的第一历史数据集，对该第一历史数据集中的异常数据进行预处理，其中，异常数据包括历史数据中的负值、空值、零值和异常值，采用3倍西格玛等方式进行异常数据判定，并通过修正、均值插补等方式进行异常数据预处理。基于预处理后的第一历史数据集构建历史时间序列。
步骤200，将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列
步骤300，获取所述第二预测模型基于所述第一预测序列的第二预测序列；
在基于历史时间序列进行预测时，首先将历史时间序列输入至第一预测模型中，得到第一预测模型输出的第一预测序列，然后基于第一预测模型的预测结果，利用第二预测模型进行预测，获取第二预测模型基于第一预测序列的第二预测序列。
其中，获取第二预测模型基于第一预测序列的第二预测序列时，可以是将第一预测序列输入至第二预测模型中，利用第二预测模型在第一预测序列的预测结果上进行预测，得到第二预测模型输出的第二预测序列，实现预测结果的融合；还可以是将历史时间序列和第一预测序列同时输入至第二预测模型中，结合第一预测模型的预测结果，利用第二预测模型对历史时间序列进行预测，得到第二预测模型的预测结果，即第二预测序列。
与单一模型的预测方式不同，在单一模型的预测方式下，模型的稳定性不高，且相关的时间序列模型大多采用线性回归的方式，通过建立数学模型拟合历史时间趋势曲线，只能捕捉时间序列的线性关系，而无法捕捉非线性关系，且有滞后性，节假日和事件影响无法体现在模型中，影响预测结果的精度和准确性，导致预测结果欠佳。本发明实施例提供的能源消耗预测方法，采用组合模型的方式进行组合预测，可以利用不同的预测模型分别提取不同维度的时序特征，提高预测结果的准确性。
步骤400，根据所述第一预测序列和所述第二预测序列确定目标预测序列。
利用目标组合预测模型进行组合预测，根据第一预测模型的预测结果和第二预测模型的预测结果，确定最终的预测结果，即目标预测序列，实现对组合预测模型的预测结果的融合，从而可以使预测结果综合考虑到多种因素的影响，提高预测准确性。用于表征第一预测模型的预测结果的第一预测序列、表征第二模型的预测结果的第二预测序列、表征能源消耗量的最终预测结果的目标预测序列，均是与历史时间序列的时间粒度相同的时间序列，目标预测序列还用于表示未来一段时间段内的能源消耗量。其中，第一预测序列和第二预测序列的融合方式，包括对第一预测序列和第二预测序列进行加权求和或加权平均等，具体的融合方式可以根据组合预测模型中实际使用的预测模型，以及预测模型提取的时序特征进行设置，在此同样不做具体限定。
需要说明的是，以Neural prophet模型作为第一预测模型、LSTM模型作为第二预测模型时，第二预测序列中的数据具有正负特性，因此，第一预测序列和第二预测序列融合时，是将第一预测序列与第二预测序列进行求和计算。基于第二预测序列的正负特性，实际求和时是将第一预测序列与第二预测序列对应序列值相加或相减，具体根据第二预测序列的序列值的符号确定，而第一预测序列和第二预测序列的求和计算，是在第一预测序列的基础上，利用第二预测序列对第一预测序列中的数据进行修正，从而对第一预测模型丢失的特征进行补充。
步骤400中，确定目标预测序列之后，还可以包括：
步骤501，根据所述目标预测序列确定所述能源消耗量是否存在异常；
步骤502，若所述能源消耗量存在异常，根据所述能源消耗量对应的能源类型生成异常提示信息；所述能源类型包括水能源、电能源、燃气能源和燃油能源。
根据目标预测序列中的各序列值，确定未来一段时间内的能源消耗量是否存在异常，若存在异常，则根据能源消耗量对应的能源类型，生成异常提示信息。其中，能源类型包括水能源、燃气能源、电能源和燃油能源，需要预测的能源的类型不同，则生成的提示信息不同，以提示相应的能源提供方，及时采取应对措施，确保供能的高效性和可靠性。
在本实施例中，通过获取能源消耗量的历史时间序列，并获取包括第一预测模型和第二预测模型的目标组合预测模型；将历史时间序列输入至第一预测模型中，得到第一预测序列；获取第二预测模型基于第一预测序列的第二预测序列；根据第一预测序列和第二预测序列确定目标预测序列，从而得到最终的预测结果，采用组合模型进行组合预测的预测方式，可以融合不同模型的预测结果，相比于单一模型的预测方式，可以使预测结果考虑到更多影响能源消耗量的因素，从而提高预测结果的准确性。
进一步地，在构建历史时间序列时，对获取的历史数据进行预处理，可以避免异常值对预测结果的影响，进一步确保了预测结果的准确性；同时，在得到最终的预测结果后，可以根据最终的预测结果检测能源消耗异常，并输出相应的异常提示信息，为能源提供方提供决策依据。
在一个实施例中，根据第一预测序列和第二预测序列确定目标预测序列，具体是将第一预测序列与第二预测序列直接相加，得到目标预测序列，其中，第一预测序列基于第一预测模型从历史时间序列中提取的时序特征得到，具体地，步骤200，将历史时间序列输入至第一预测模型中，得到第一预测模型输出的第一预测序列，包括：
步骤201，将所述历史时间序列输入至所述第一预测模型中，利用所述第一预测模型提取所述历史时间序列的特征集合；
步骤202，根据所述特征集合中的各时序特征，确定所述第一预测模型对所述历史时间序列的预测结果，得到所述第一预测模型输出的第一预测序列；
其中，所述特征集合中的时序特征包括周期趋势特征、季节趋势特征、节假日趋势特征、未来回归项、滞后回归项和自回归特征中的至少一种。
将历史时间序列输入至第一预测模型中，利用第一预测模型提取历史时间序列的特征集合，该特征集合中的时序特征包括周期趋势特征、季节趋势特征、节假日趋势特征、未来回归项、滞后回归项和自回归特征中的至少一种，具体需要提取的特征，可以通过配置特征项进行配置。其中，周期趋势特征为历史时间序列的周期性变化趋势；季节趋势特征为历史时间序列的季节性变化趋势，用于表征季节性影响；节假日趋势特征为历史时间序列中由节假日和特殊事件引起变化趋势，用于表征事件和假日效应；未来回归项是未来预测时刻已知外生变量的回归效应；滞后回归项是外生变量滞后观测的回归效应；自回归特征是就过去观察的自回归效应。趋势项是分段线性的，容易导致过拟合，周期项，对于指定的频率(周期)可以调整傅里叶级数，提高精度。
以上述Neural prophet模型作为第一预测模型为例，Neural Prophet采用Relu非线性化，模型不再局限于线性回归，利用Neural prophet模型可以将历史时间序列Y(t)分解为下列公式1所示的几个部分，从而提取历史时间序列的特征集合：
Y(t)＝T(t)+S(t)+E(t)+F(t)+A(t)+L(t) (1)
在公式1中，t为未来预测时刻：
T(t)为时间t的趋势，用来处理预测值中的非周期性变化；
S(t)为时间t的季节性影响，用来处理时序数据中的周期性变化；
E(t)为时间t的事件和假日效应，表示假期节日和特殊事件对时序数据的影响；
F(t)为未来已知外生变量在时间t的回归效应；
A(t)是基于过去观察的时间t的自回归效应；
L(t)是t时刻外生变量滞后观测的回归效应。
以上各部分均可以作为模型组件，所有模型组件都可以单独配置和组合以组成模型，如果所有组件都关闭，则可以仅安装一个静态偏移参数作为趋势分量。
根据提取的特征集合中的时序特征，确定第一预测模型的预测结果并输出，从而得到第一预测模型输出的第一预测序列。
进一步地，步骤300中，获取第二预测模型基于第一预测序列输出的第二预测序列，具体包括：
步骤301，计算所述历史时间序列与所述第一预测序列的残差序列；
步骤302，对所述残差序列进行切分，并将切分后的残差序列输入至所述第二预测模型中，得到所述第二预测模型输出的第二预测序列。
基于第一预测模型输出的第一预测序列，计算历史时间序列与第一预测序列的残差序列。对残差序列进行切分，以将残差序列整理为符合第二预测模型的数据格式，将切分后的残差序列作为第二预测模型的输入，获取第二预测模型基于残差序列的预测结果，得到第二预测模型输出的基于第一预测序列的第二预测序列。在本实施例中，第二预测模型基于第一预测模型的预测结果的残差进行预测，有利于对第一预测模型丢失的特征进行补充，从而实现第一预测模型与第二预测模型的组合预测，并对预测结果进行融合，从而提高预测精确度。
进一步地，在目标组合预测模型中，第一预测模型和第二预测模型均是经过预训练的模型，在获取目标组合预测模型时，需要对初始模型进行训练，步骤100中，获取目标组合预测模型，具体包括：
步骤103，获取第二预设时长的历史时间段的能源消耗量的第二历史数据集；
步骤104，基于所述第二历史数据构建样本数据集；
步骤105，获取预设的初始组合预测模型，利用所述样本数据集对所述初始组合预测模型进行迭代训练，得到目标组合预测模型。
在进行模型训练时，首先获取第二预设时长的历史时间段的能源消耗量的第二历史数据集，其中，该第二预设时长与第一预设时长可以相同也可以不同；第二预设时长对应的历史时间段，与第一预设时长对应的历史时间段，可以相同或部分相同，也可以不同；相应地，获取的第二历史数据集与第一历史数据集，可以相同也可以不同。基于获取的第二历史数据集，构建用于模型训练的样本数据集，该样本数据集中包括与用于预测的历史时间序列的维度、时间粒度等均相同的多个时间序列，各时间序列基于第二历史数据集中的能源消耗量的历史数据构建而成，具体构建方式可以与用于预测的历史时间序列相同，在此不再赘述。获取预设的初始组合预测模型，该初始组合预测模型中，包括第一预测模型的基础待训练模型，以及第二预测模型的基础待训练模型，利用构建的样本数据集对初始组合预测模型进行迭代训练，得到目标组合预测模型。
进一步地，构建的样本数据集包括训练数据集和测试数据集，步骤105中，利用构建的样本数据集对初始组合预测模型进行迭代训练，具体包括：
步骤1051，将所述样本数据集中的训练数据集输入至预设的初始组合预测模型中，利用所述训练数据集对所述初始组合预测模型进行迭代训练，得到第一组合预测模型；
步骤1052，将所述样本数据集中的测试数据集输入至所述第一组合预测模型中，得到所述第一组合预测模型输出的对所述测试数据集的预测值；
步骤1053，基于所述测试数据集中的原始值与所述预测值，计算所述第一组合预测模型的损失值；
步骤1054，若所述损失值大于预设阈值，将所述第一组合预测模型作为初始组合预测模型，根据所述损失值返回并执行所述利用所述训练样本集对所述初始组合预测模型进行迭代训练，得到第一组合预测模型的步骤，直到所述损失值小于或等于所述预设阈值为止。
在利用样本数据集对初始组合预测模型进行迭代训练时，首先将训练数据集输入至初始组合预测模型中，对初始组合预测模型进行迭代训练，得到第一组合预测模型。然后利用测试数据集对第一组合预测模型进行测试，具体地，将测试数据集输入至经过训练得到的第一组合预测模型中，得到第一组合预测模型输出的对测试数据集的预测值，将测试数据集中的原始值与预测值进行比较，计算原始值与测试值的损失值，若该损失值大于预设阈值，则模型精度不满足要求，将经过训练得到的第一组合预测模型作为初始组合预测模型，基于计算出的损失值重新进行模型训练，直到经过训练得到的第一组合预测模型的损失值小于或等于预设阈值为止。当损失值小于或等于预设阈值时，经过训练得到的第一组合预测模型即目标组合预测模型。
其中，利用训练数据集对初始组合预测模型进行训练时，训练过程与预测过程基本相同，即先将训练数据集输入至第一预测模型中，对第一预测模型进行训练，得到第一预测模型输出的预测序列，然后计算该预测序列与训练数据集的残差序列，将该残差序列输入至第二预测模型中对第二预测模型进行训练，得到第二预测模型输出的预测序列，将第一预测模型和第二预测模型输出的预测序列相加，得到预测值，该预测值是与目标预测序列相同的时间序列。
利用测试数据集对经过训练的组合预测模型进行测试，测试过程与训练过程基本相同，不同之处在于，将模型输出的预测值与测试数据集中的真实数据的原始值与预测值进行比较，计算模型的损失值。基于该损失值确定模型精度是否满足要求，即损失值是否小于或等于预设阈值，若不满足要求，则基于损失值重新进行模型训练，直到模型精度满足要求为止。
在本实施例中，利用第一预测模型提取历史时间序列多维度的时序特征，并且，将第一预测模型的预测结果的残差序列作为第二预测模型的输入，得到第二预测模型基于第一预测模型的残差的预测结果，从而确定最终的预测结果，可以实现对第一预测模型和第二预测模型的预测结果的融合。第一预测模型和第二预测模型的预测结果可以互为补充，以综合考虑多种因素对能源消耗量的影响，从而保证预测结果的精确性。
参照图2所示的本发明实施例提供的能源消耗预测方法的另一流程示意图，在一个实施例中，用于预测的历史时间序列和用于模型训练的样本数据集，可以基于相同的历史数据构建，在利用构建的样本数据集对初始组合预测模型进行训练后，基于获取的历史数据的全部或部分，构建作为预测的历史时间序列进行预测。即基于构建的时间序列进行模型训练后，将样本数据集中的部分或全部作为预测数据，利用训练后的模型基于全部或部分样本数据集进行预测。以下以Neural prophet模型作为第一预测模型、以LSTM模型作为第二预测模型为例，对本发明实施例提供的能源消耗预测方法的一实施方式进行详细说明。
具体地，基于图2，首先获取历史一段时间内的能源消耗量的历史数据，对获取的历史数据中的异常数据进行预处理，并构建相应的时间序列。其中，对异常数据的预处理，包括异常数据检测和处理，在本实施例中，以某企业近两年的用电量历史数据作为能源消耗量的历史数据，采用采用3倍西格玛进行异常值判定，并通过修正、均值插补等方式对包括但不限于负值、空值、零值、异常值等异常数据的预处理。基于预处理后的历史数据，通过切分汇总等，构建时间序列Y(t)。其中，历史数据的时间粒度小于构建的时间序列的时间粒度，例如，构建的时间序列的时间粒度为天粒度，则历史数据可以是小时或分钟粒度的能源消耗量。
基于构建的时间序列Y(t)，对Neural prophet模型进行训练，并利用Neuralprophet模型中的预测函数对模型进行预测，得到能源消耗量时间序列Y(t)的拟合预测序列yhat(t)；将能源消耗量时间序列Y(t)减去Neural prophet模型的拟合预测序列yhat(t)，得到Neural prophet模型预测结果的残差序列R(t)；对残差序列R(t)进行切分，并利用LSTM模型对残差序列R(t)进行残差预测，得到预测序列rhat(t)；计算yhat(t)和rhat(t)的和，即得到最终预测序列Yhat(t)。
需要说明的是，进行模型训练时，是以近两年的能源消耗量的历史数据构建的样本数据集，在进行能源消耗量预测时，若是预测未来一年内每天的能源消耗量，则可以将全部样本数据集作为预测数据；若是预测未来一个月内每天的能源消耗量，则可以将样本数据集中，距离当前最近的一段时间内的历史数据，即最新的历史数据作为预测数据。为保证样本充分性，作为预测数据的历史数据对应的历史时间段时长，一般要大于需要预测的未来时长，例如，当需要预测未来一个月的能源消耗量时，可以选取近两年的历史数据构建样本数据集，并从中选取近一年或半年的可以是一年的历史数据作为预测数据。选取样本数据集的全部还是部分作为预测数据，可以由用户根据实际需要进行配置，在此不做具体限定。
在得到最终的预测序列后，判断模型的误差或预测精度是否满足要求，具体判断方式为：基于测试数据集的验证结果，确定模型预测的损失值，将该损失值与预设阈值进行比较；若大于预设阈值，则模型的误差不满足要求，此时，需要基于当前的损失值重新进行模型训练，直到误差小于或等于预设阈值时，则得到误差满足要求的模型；此时，利用误差满足要求的模型得到的最终预测序列Yhat(t)，即为目标预测序列。
进一步地，在模型训练阶段，利用测试数据集对训练后的模型进行验证时，根据模型输出的预测值计算模型损失值，该损失值包括测试数据集中的原始值与预测值的均方误差MSE和平均绝对误差MAE。对某企业近2年的用电量的历史数据进行切分、训练之后得到预测模型，将预测模型应用于测试数据集，得到对测试数据集的预测结果，计算测试数据集中的原始值与预测值的MSE、MAE，得到模型损失值。MSE、MAE计算公式如下：
Figure BDA0003915450030000161
Figure BDA0003915450030000162
在公式2和3中，yi表示测试数据集中在时间序列第i个时间点的原始值，
Figure BDA0003915450030000171
表示在时间序列第i个时间点的预测值，m表示时间序列中的序列值的数量。
单一模型的预测方法对于时间序列的复合特征的捕捉能力较差，为优化模型的预测效果，本发明实施例提供的能源消耗预测方法，采用Neural prophet模型与LSTM模型进行组合的组合预测方式，对能源消耗数据进行预测分析，可以提高预测模型的精确度。
在本实施例中，采用组合模型的预测方式，相比于传统的时间序列预测方法，即通过建立数学模型拟合历史时间趋势曲线，不仅可以对历史数据的时间曲线进行拟合，还可以适应历史数据中的周期趋势变化、节假日效应以及季节性趋势变化。同时，基于第二预测模型的残差预测，还可以对异常值和缺失值的鲁棒性起有效的作用，从而确保预测结果的精确性。
需要说明的是，上述各实施例中所涉及的预测模型、历史数据等，仅用于示例性说明，并不构成限定，在实际应用时，组合预测模型中所使用的预测模型可以根据能源消耗量的数据类型、具体的预测需求等进行适应性调整。
下面对本发明提供的能源消耗预测装置进行描述，下文描述的能源消耗预测装置与上文描述的能源消耗预测方法可相互对应参照。
参照图3，本发明实施例提供的能源消耗预测装置，包括：
模型构建模块10，用于获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
第一预测模块20，用于将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；
第二预测模块30，用于获取所述第二预测模型基于所述第一预测序列的第二预测序列；
组合预测模块40，用于根据所述第一预测序列和所述第二预测序列确定目标预测序列。
在一个实施例中，所述第二预测模块30，还用于：
计算所述历史时间序列与所述第一预测序列的残差序列；
对所述残差序列进行切分，并将切分后的残差序列输入至所述第二预测模型中，得到所述第二预测模型输出的第二预测序列。
在一个实施例中，所述第一预测模块20，还用于：
将所述历史时间序列输入至所述第一预测模型中，利用所述第一预测模型提取所述历史时间序列的特征集合；
根据所述特征集合中的各时序特征，确定所述第一预测模型对所述历史时间序列的预测结果，得到所述第一预测模型输出的第一预测序列；
其中，所述特征集合中的时序特征包括周期趋势特征、季节趋势特征、节假日趋势特征、未来回归项、滞后回归项和自回归特征中的至少一种。
在一个实施例中，所述模型构建模块10，还用于：
获取第一预设时长的历史时间段的能源消耗量的第一历史数据集；
对所述第一历史数据集中的异常数据进行预处理，基于预处理后的第一历史数据集构建所述能源消耗量的历史时间序列；所述异常数据包括负值、空值、零值和异常值。
在一个实施例中，所述模型构建模块10，还用于：
获取第二预设时长的历史时间段的能源消耗量的第二历史数据集；
基于所述第二历史数据构建样本数据集；
获取预设的初始组合预测模型，利用所述样本数据集对所述初始组合预测模型进行迭代训练，得到目标组合预测模型。
在一个实施例中，所述样本数据集包括训练数据集和测试数据集；所述模型构建模块10，还用于：
将所述样本数据集中的训练数据集输入至预设的初始组合预测模型中，利用所述训练数据集对所述初始组合预测模型进行迭代训练，得到第一组合预测模型；
将所述样本数据集中的测试数据集输入至所述第一组合预测模型中，得到所述第一组合预测模型输出的对所述测试数据集的预测值；
基于所述测试数据集中的原始值与所述预测值，计算所述第一组合预测模型的损失值；
若所述损失值大于预设阈值，将所述第一组合预测模型作为初始组合预测模型，根据所述损失值返回并执行所述利用所述训练样本集对所述初始组合预测模型进行迭代训练，得到第一组合预测模型的步骤，直到所述损失值小于或等于所述预设阈值为止。
在一个实施例中，所述能源消耗预测装置还包括异常预警模块，用于：
根据所述目标预测序列确定所述能源消耗量是否存在异常；
若所述能源消耗量存在异常，根据所述能源消耗量对应的能源类型生成异常提示信息；所述能源类型包括水能源、电能源、燃气能源和燃油能源。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行能源消耗预测方法，该方法包括：
获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；
获取所述第二预测模型基于所述第一预测序列的第二预测序列；
根据所述第一预测序列和所述第二预测序列确定目标预测序列。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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)执行本发明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。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的能源消耗预测方法，该方法包括：
获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；
获取所述第二预测模型基于所述第一预测序列的第二预测序列；
根据所述第一预测序列和所述第二预测序列确定目标预测序列。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的能源消耗预测方法，该方法包括：
获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；
获取所述第二预测模型基于所述第一预测序列的第二预测序列；
根据所述第一预测序列和所述第二预测序列确定目标预测序列。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种能源消耗预测方法，其特征在于，包括：
获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；
获取所述第二预测模型基于所述第一预测序列的第二预测序列；
根据所述第一预测序列和所述第二预测序列确定目标预测序列。
2.根据权利要求1所述的能源消耗预测方法，其特征在于，所述获取所述第二预测模型基于所述第一预测序列的第二预测序列的步骤，包括：
计算所述历史时间序列与所述第一预测序列的残差序列；
对所述残差序列进行切分，并将切分后的残差序列输入至所述第二预测模型中，得到所述第二预测模型输出的第二预测序列。
3.根据权利要求1所述的能源消耗预测方法，其特征在于，所述将所述历史时间序列输入至所述第一预测模型中，得到所述历史时间序列对应的第一预测序列的步骤，包括：
将所述历史时间序列输入至所述第一预测模型中，利用所述第一预测模型提取所述历史时间序列的特征集合；
根据所述特征集合中的各时序特征，确定所述第一预测模型对所述历史时间序列的预测结果，得到所述第一预测模型输出的第一预测序列；
其中，所述特征集合中的时序特征包括周期趋势特征、季节趋势特征、节假日趋势特征、未来回归项、滞后回归项和自回归特征中的至少一种。
4.根据权利要求1所述的能源消耗预测方法，其特征在于，所述获取能源消耗量的历史时间序列的步骤，包括：
获取第一预设时长的历史时间段的能源消耗量的第一历史数据集；
对所述第一历史数据集中的异常数据进行预处理，基于预处理后的第一历史数据集构建所述能源消耗量的历史时间序列；所述异常数据包括负值、空值、零值和异常值。
5.根据权利要求1所述的能源消耗预测方法，其特征在于，所述获取目标组合预测模型的步骤，包括：
获取第二预设时长的历史时间段的能源消耗量的第二历史数据集；
基于所述第二历史数据构建样本数据集；
获取预设的初始组合预测模型，利用所述样本数据集对所述初始组合预测模型进行迭代训练，得到目标组合预测模型。
6.根据权利要求5所述的能源消耗预测方法，其特征在于，所述样本数据集包括训练数据集和测试数据集；所述利用所述样本数据集对所述初始组合预测模型进行迭代训练的步骤，包括：
将所述样本数据集中的训练数据集输入至预设的初始组合预测模型中，利用所述训练数据集对所述初始组合预测模型进行迭代训练，得到第一组合预测模型；
将所述样本数据集中的测试数据集输入至所述第一组合预测模型中，得到所述第一组合预测模型输出的对所述测试数据集的预测值；
基于所述测试数据集中的原始值与所述预测值，计算所述第一组合预测模型的损失值；
若所述损失值大于预设阈值，将所述第一组合预测模型作为初始组合预测模型，根据所述损失值返回并执行所述利用所述训练样本集对所述初始组合预测模型进行迭代训练，得到第一组合预测模型的步骤，直到所述损失值小于或等于所述预设阈值为止。
7.根据权利要求1所述的能源消耗预测方法，其特征在于，所述根据所述第一预测序列和所述第二预测序列确定目标预测序列之后，还包括：
根据所述目标预测序列确定所述能源消耗量是否存在异常；
若所述能源消耗量存在异常，根据所述能源消耗量对应的能源类型生成异常提示信息；所述能源类型包括水能源、电能源、燃气能源和燃油能源。
8.一种能源消耗预测装置，其特征在于，包括：
模型构建模块，用于获取能源消耗量的历史时间序列，并获取目标组合预测模型；所述目标组合预测模型包括第一预测模型和第二预测模型；
第一预测模块，用于将所述历史时间序列输入至所述第一预测模型中，得到所述第一预测模型输出的第一预测序列；
第二预测模块，用于获取所述第二预测模型基于所述第一预测序列的第二预测序列；
组合预测模块，用于根据所述第一预测序列和所述第二预测序列确定目标预测序列。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述能源消耗预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述能源消耗预测方法。
CN202211338454.0A 2022-10-28 2022-10-28 能源消耗预测方法、装置、设备及存储介质 Pending CN115577851A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211338454.0A CN115577851A (zh) 2022-10-28 2022-10-28 能源消耗预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211338454.0A CN115577851A (zh) 2022-10-28 2022-10-28 能源消耗预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115577851A true CN115577851A (zh) 2023-01-06

Family

ID=84587338

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211338454.0A Pending CN115577851A (zh) 2022-10-28 2022-10-28 能源消耗预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115577851A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128674A (zh) * 2023-04-14 2023-05-16 广州云硕科技发展有限公司 一种基于智能交通的能源数据处理方法及装置
CN116862077A (zh) * 2023-08-31 2023-10-10 吉林电力交易中心有限公司 基于多模态组合模型的电采暖运行成本预测方法和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128674A (zh) * 2023-04-14 2023-05-16 广州云硕科技发展有限公司 一种基于智能交通的能源数据处理方法及装置
CN116862077A (zh) * 2023-08-31 2023-10-10 吉林电力交易中心有限公司 基于多模态组合模型的电采暖运行成本预测方法和介质

Similar Documents

Publication Publication Date Title
CN115577851A (zh) 能源消耗预测方法、装置、设备及存储介质
CN106951695B (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
CN111679952B (zh) 告警阈值生成方法及装置
CN111582542B (zh) 一种基于异常修复的电力负荷预测方法及系统
CN111198799A (zh) 一种基于lstm的机房功耗预警方法、系统、终端及存储介质
CN114978956A (zh) 智慧城市网络设备性能异常突变点检测方法及装置
US11907865B2 (en) Determination of security-constrained optimal power flow
CN110766236A (zh) 基于统计分析和深度学习的电力设备状态趋势预测方法
CN111340287A (zh) 配电柜运行状态预测方法及装置
CN112949201B (zh) 一种风速预测方法、装置、电子设备及存储介质
CN114528190A (zh) 单指标异常的检测方法、装置、电子设备及可读存储介质
CN111080472A (zh) 一种电力系统负荷预测和分析方法
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN116882756A (zh) 基于区块链的电力安全管控方法
CN111061708A (zh) 一种基于lstm神经网络的电能量预测与修复方法
Friederich et al. A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems
Chen et al. A data fusion-based methodology of constructing health indicators for anomaly detection and prognostics
Bardoscia et al. A dynamical approach to operational risk measurement
Uzoma et al. Application of Markov-switching regression model on Economic Variables
CN114169648A (zh) 基于narnn模型的电力负荷预测方法、系统及设备
CN113151842A (zh) 风光互补电解水制氢的转化效率的确定方法和确定装置
CN115858606A (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN113379279A (zh) 基于不完整数据的深度强化学习短期电压稳定性评估方法
CN113743532B (zh) 异常检测方法、装置、设备及计算机存储介质
Pourahmadi et al. Approximate dynamic programming for profit estimation of connected hydro reservoirs

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