CN115630772B - 综合能源检测配电方法、系统、设备及存储介质 - Google Patents
综合能源检测配电方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115630772B CN115630772B CN202211629783.0A CN202211629783A CN115630772B CN 115630772 B CN115630772 B CN 115630772B CN 202211629783 A CN202211629783 A CN 202211629783A CN 115630772 B CN115630772 B CN 115630772B
- Authority
- CN
- China
- Prior art keywords
- electricity
- value
- power
- user
- representing
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 345
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 29
- 230000004913 activation Effects 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- ZRTQSJFIDWNVJW-WYMLVPIESA-N Lanoconazole Chemical compound ClC1=CC=CC=C1C(CS\1)SC/1=C(\C#N)N1C=NC=C1 ZRTQSJFIDWNVJW-WYMLVPIESA-N 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 239000002245 particle Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000009467 reduction Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005612 types of electricity Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
Abstract
本发明提供一种综合能源检测配电方法、系统、设备及存储介质,包括获取用户实际用电量,从所述用户实际用电量中提取多个用户用电特征;根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型;根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求;基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电。本发明的方法能够根据不同用电类型针对性地预测用电需求,并且结合综合能源电量和电价进行配电,满足用电需求的前提下,保证用电成本。
Description
技术领域
本发明涉及配电网技术领域,尤其涉及一种综合能源检测配电方法、系统、设备及存储介质。
背景技术
用电量是一种计量数据,对这种计量数据进行预测以及规律分析是建设、规划电网的基础,同时也是管理电力需求的有效方式。用电量预测是电力系统负荷的预测,其是电力系统规划、运行与控制的基础。用电量由于其社会属性,与社会、经济、政治、气象等因素有着复杂的关系。一方面,用电量按照一定的趋势有规律地发展变化;另一方面,用电量受到众多因素的影响,随时都可能发生波动。
现有的电力需求预测方法有基于多元线性回归进行用电量预测、基于时间序列进行用电量预测、基于灰色系统模型进行用电量预测等方法,但是现有的方法要么对数据时序规律性要求较高、泛化能力不强、受最初值影响较大等缺陷,容易导致最终预测结果不准。
此外,现有的电力需求预测往往只停留在电力需求预测方面,并不进一步展开研究,也即,无法针对所预测的电力需求,进行相应的配电。
发明内容
本发明实施例提供一种综合能源检测配电方法、系统、设备及存储介质,本发明的方法至少能够解决现有技术中的部分问题,即解决现有技术中最终预测结果不准的问题。
本发明实施例的第一方面,
提供一种综合能源检测配电方法,所述综合能源检测配电方法包括:
获取用户实际用电量,从所述用户实际用电量中提取多个用户用电特征;
根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型;
根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求;
基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电。
在一种可选的实施方式中,
所述根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型包括:
根据所述多个用户用电特征,将所述多个用户用电特征投影至预设空间,构建多条用电曲线;
确定所述多条用电曲线的曲线空间距离,根据所述曲线空间距离确定所述多个用户用电特征对应的用电规律相似度,按照所述用电规律相似度的排序结果,构建用电聚类树;
为所述用电聚类树中每个节点设置权重初值,并且为相邻节点设置连接权重值,根据所述权重初值和所述连接权重值,调整所述用电聚类树的半径值,直至符合预设条件,确定所述多个用户用电特征对应的多个用电类型。
在一种可选的实施方式中,
所述根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求包括:
根据所述多个用户用电特征,以及所述用电需求预测模型的随机初始化的状态特征值确定第一输出值,其中,所述第一输出值用于指示所述多个用户用电特征被记忆或者遗忘的程度;
将所述第一输出值与多个用户用电特征进行向量拼接,并通过所述用电需求预测模型对应的第一激活函数将向量拼接结果缩放至预设阈值范围;
基于所述向量拼接结果,以及所述用电需求预测模型各层的权重向量值,并通过所述用电需求预测模型对应的第二激活函数,确定与所述多个用电类型对应的用电需求。
在一种可选的实施方式中,
所述综合能源检测配电方法还包括优化所述用电需求预测模型各层的权重向量值,包括:
初始化所述权重向量值的当前位置,以及所述权重向量值对应的初始最优值;
根据多个所述权重向量值的当前位置、多个所述初始最优值,以及预设的惯性权重、与多个所述权重向量值对应的第一影响因子和第二影响因子,通过迭代更新算法更新所述权重向量值的位置信息和所述权重向量值对应的最优值,直至满足预设迭代更新条件,确定优化后所述用电需求预测模型各层的权重向量值。
在一种可选的实施方式中,
所述通过迭代更新算法更新所述权重向量值的位置信息和所述权重向量值对应的最优值包括:
按照如下公式更新所述权重向量值的位置信息和所述权重向量值对应的最优值:
,
其中,
B j
(t+1)表示迭代次数为
t+1时,第
j个权重向量值的最优值,表示第一影响因子,
T max 表示最大迭代次数,
t表示当前迭代次数,表示惯性权重的最大值,表示惯性权重的最小值,表示第二影响因子,
B j
(t)表示迭代次数为
t时,第
j个权重向量值的最优值,
B 0 表示初始最优值;
,
其中,
P i
(t)表示迭代次数为
t时,第
i个权重向量值的位置信息,
s j
(t+1)表示迭代次数为
t+1时,第
j个权重向量值对应的速度值。
在一种可选的实施方式中,
基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电的方法包括:
基于所述用电需求,判断所述用电需求是否超过所述配电网的综合能源电量,其中,所述综合能源电量包括多种分布式能源所提供的电量;
若是,则确定所述用电需求与所述配电网的综合能源电量的电量差值,基于历史配电数据和所述电价分别为所述电量差值配置第一配电参考值,为所述用电需求配置第二配电参考值;
根据所述第一配电参考值和所述第二配电参考值,以及所述电量差值、所述用电需求、所述用电需求对应的电价,确定配电综合参考值;
根据所述配电综合参考值的排序结果,从高到低进行配电。
在一种可选的实施方式中,
所述根据所述第一配电参考值和所述第二配电参考值,以及所述电量差值、所述用电需求、所述用电需求对应的电价,确定配电综合参考值的方法包括:
按照如下公式所示的方法确定所述配电综合参考值:
其中,
Z表示配电综合参考值,
l表示配电常数,、分别表示第一配电参考值和第二配电参考值,
M、N分别表示电量差值的数量、用电需求对应目标区域的数量,
D i 表示第
i个电量差值,
p j 表示第
j个目标区域对应的电价,
Y j 表示第
j个目标区域对应的用电需求。
本发明实施例的第二方面,
提供一种综合能源检测配电系统,所述系统包括:
第一单元,用于获取用户实际用电量,从所述用户实际用电量中提取多个用户用电特征;
第二单元,用于根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型;
第三单元,用于根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求;
第四单元,用于基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电。
本发明实施例的第三方面,
提供一种设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的综合能源检测配电方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的综合能源检测配电方法。
不同类型的用户的用电类型不同,对于不同类型的用电类型,采用与其对应的预测模型进行用电需求预测,针对不同类型的用电用户,可以更加准确地预测其用电需求,从而更加系统地调配电力资源;
针对预测模型,通过优化算法优化用电需求预测模型各层的权重向量值,并且结合对权重向量产生影响的影响因子,迭代更新用电需求预测模型各层的权重向量值,以使其权重向量值保持为最优值,从而有利于提高模型预测准确度;
根据所预测的用电需求,在满足用电需求的情况下,综合考虑用电需求对应的电价以及综合能源电量,在保证正常用电和配电的情况下,综合考虑用电成本。
附图说明
图1为本发明实施例综合能源检测配电方法的流程示意图;
图2为本发明实施例用电曲线的示意图;
图3为本发明实施例综合能源检测配电系统的结构示意图。
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,所描述的实施例仅仅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做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例综合能源检测配电方法的流程示意图,如图1所示,所述方法包括:
S101、获取用户实际用电量,从所述用户实际用电量中提取多个用户用电特征;
示例性地,可以通过安装于用户侧的智能电表获取用户实际用电量。其中,按照用电类型划分,可以将用电分为居民用电、商业用电以及工业用电,与此对应的,用电类型可以包括用于指示居民用电的第一用电类型、用于指示商业用电的第二用电类型、用于指示工业用电的第三用电类型中至少一种。
其中,多个用户用电特征可以包括用电量最大值、最小值、均值、偏度、峰度中至少一种,用于反映用户实际用电量的情况,通过用户用电特征,能够作为区分不同用电类型的重要参考值。
S102、根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型;
示例性地,根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类之前,还可以包括对多个用户用电特征进行数据预处理,其中,数据预处理的方法可以包括:
S1021、将所述多个用户用电特征进行降维处理,确定降维用户用电特征矩阵;
确定多个用户用电特征对应的协方差矩阵,并对协方差矩阵进行对角化处理,确定协方差矩阵中非零特征值的个数,构建特征向量矩阵,将特征向量矩阵进行空间映射,将其由原来的维度降维至预设维度,从而降低后续计算量;
S1022、识别降维用户用电特征矩阵中的异常数据,并清除异常数据,对用户用电特征进行归一化处理;
确定降维用户用电特征矩阵中每一行和每一列数据的平均值,得到行平均值和列平均值,分别计算降维用户用电特征矩阵中各个值与行平均值和列平均值的空间距离,进一步确定多个空间距离的平均值,将所有空间距离中与平均值相差预设阈值的降维用户用电特征矩阵的元素作为异常数据,并将其进行清除,其中,清除方法可以包括删除,此外,还可以对异常值进行修改,以使其满足于空间距离的平均值的预设差值。
示例性地,根据用户用电特征可以构建对应的用电曲线,而根据用电曲线,能够更为直观地确定不同用户用电特征是否属于同一类型。示例性地,图2为本发明实施例用电曲线的示意图,如图2所示,横坐标可以表示用电天数,纵坐标可以表示用电量。
在一种可选的实施方式中,
所述根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型的方法包括:
根据所述多个用户用电特征,将所述多个用户用电特征投影至预设空间,构建多条用电曲线;
确定所述多条用电曲线的曲线空间距离,根据所述曲线空间距离确定所述多个用户用电特征对应的用电规律相似度,按照所述用电规律相似度的排序结果,构建用电聚类树;
为所述用电聚类树中每个节点设置权重初值,并且为相邻节点设置连接权重值,根据所述权重初值和所述连接权重值,调整所述用电聚类树的半径值,直至符合预设条件,确定所述多个用户用电特征对应的多个用电类型。
示例性地,通过构建多条用电曲线,能够使得多个用户用电特征具备更加明显的空间相似性,以便更好地了解数据特征,从而确定更加准确的分类结果。本申请通过空间距离确定用电规律相似度,并且按照用电规律相似度的排序结果,构建用电聚类树,相比于传统的欧式距离,能够通过局部拉伸或者压缩用电曲线,对齐用点曲线中每个点的距离,从而解决传统的欧式距离无法处理对应数据沿时间轴方向伸缩、弯曲和线性漂移的问题。
可选地,通过曲线空间距离,能够确定用电曲线的弯曲路径,也即能够确定两条用电曲线的相似性,从而确定多个用户用电特征对应的用电规律相似度,并且基于此构建用电聚类树。
为了进一步提高分类的准确性,可以为所述用电聚类树中每个节点设置权重初值,并且为相邻节点设置连接权重值,通过设置两种权重值,使得用电聚类树对相邻节点实施权重调整,使其无限接近权重初值,有利于减少迭代次数和降低学习重复率。通过调整用电聚类树的半径值,使得用电聚类树满足聚类收敛条件,提高分类的准确性。
S103、根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求;
示例性地,本发明实施例中,所述用电需求预测模型包括与所述第一用电类型对应的第一预测模型、与所述第二用电类型对应的第二预测模型、与所述第三用电类型对应的第三预测模型中至少一种。需要说明的是,第一预测模型、第二预测模型以及第三预测模型可以是采用相同框架的模型,但是根据输入其的用户用电特征,预测模型的模型参数会适应性调整,以使其能够输出与用户用电特征对应的用户需求;第一预测模型、第二预测模型以及第三预测模型也可以是采用不同框架的模型,其中,第一预测模型、第二预测模型以及第三预测模型可以包括人工神经网络模型、随机森林模型、深度学习等神经网络模型中任意一种。
其中,用电需求可以包括当前所需电量、以及预设时间周期内所需电量、用电峰值和谷值等等信息。
在一种可选的实施方式中,
所述根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求的方法包括:
根据所述多个用户用电特征,以及所述用电需求预测模型的随机初始化的状态特征值确定第一输出值,其中,所述第一输出值用于指示所述多个用户用电特征被记忆或者遗忘的程度;
将所述第一输出值与多个用户用电特征进行向量拼接,并通过所述用电需求预测模型对应的第一激活函数将向量拼接结果缩放至预设阈值范围;
基于所述向量拼接结果,以及所述用电需求预测模型各层的权重向量值,并通过所述用电需求预测模型对应的第二激活函数,确定与所述多个用电类型对应的用电需求。
示例性地,本发明实施例以用电需求预测模型为门控循环神经网络模型为例,需要说明的是,本发明实施例对用电需求预测模型的具体类型并不进行限定,此处只是示例性说明。
根据所述多个用户用电特征,以及所述用电需求预测模型的随机初始化的状态特征值确定第一输出值的方法可以如下公式所示:
其中,第一输出值
M r,z 可以表示门控状态值,表示sigmoid激活函数,
W r,z 表示与第一输出值对应的权重值,
r,z分别表示控制重置状态和控制更新状态,
h 0 表示随机初始化的状态特征值,
x t 表示第t个用户用电特征。
示例性地,预设阈值范围可以包括[0,1],其中,向量拼接结果越接近1,表示记忆留下来的数据越多,向量拼接结果越接近0,表示遗忘的数据越多。
通过用电需求预测模型对应的第二激活函数、向量拼接结果,以及所述用电需求预测模型各层的权重向量值,能够确定多个用电类型对应的用电需求,其方法可以如下公式所示:
其中,
F表示用电需求,
L表示权重向量值的个数,
I表示第二激活函数,也即示性函数,
x k 表示第k个向量拼接结果,
Q i 表示第i个权重向量值。
在一种可选的实施方式中,
所述方法还包括优化所述用电需求预测模型各层的权重向量值,所述优化方法包括:
初始化所述权重向量值的当前位置,以及所述权重向量值对应的初始最优值;
根据多个所述权重向量值的当前位置、多个所述初始最优值,以及预设的惯性权重、与多个所述权重向量值对应的第一影响因子和第二影响因子,通过迭代更新算法更新所述权重向量值的位置信息和所述权重向量值对应的最优值,直至满足预设迭代更新条件,确定优化后所述用电需求预测模型各层的权重向量值。
示例性地,本发明实施例中优化用电需求预测模型各层的权重向量值的方法可以包括粒子优化算法,但是粒子优化算法只是示例性地说明,本发明实施例对优化算法并不进行限定。
在一种可选的实施方式中,
所述通过迭代更新算法更新所述权重向量值的位置信息和所述权重向量值对应的最优值的方法包括:
按照如下公式更新所述权重向量值的位置信息和所述权重向量值对应的最优值:
,
其中,
B j
(t+1)表示迭代次数为
t+1时,第
j个权重向量值的最优值,表示第一影响因子,
T max 表示最大迭代次数,
t表示当前迭代次数,表示惯性权重的最大值,表示惯性权重的最小值,表示第二影响因子,
B j
(t)表示迭代次数为
t时,第
j个权重向量值的最优值,
B 0 表示初始最优值;
,
其中,
P i
(t)表示迭代次数为
t时,第
i个权重向量值的位置信息,
s j
(t+1)表示迭代次数为
t+1时,第
j个权重向量值对应的速度值。
示例性地,第一影响因子和第二影响因子分别指示影响权重向量值的影响因子,其可以包括权重向量值的位置信息和权重向量值对应的最优值的适应度。
可选地,可以在多维搜索空间中,组成含有多个可能解的种群,并记录各个粒子所在的位置,粒子的速度,其中,权重向量值的位置信息和所述权重向量值的最优解可以分别对应粒子群算法对应的求解目标。在开始阶段,可以通过随机产生一组粒子群的初始位置作为起始种群,将起始种群的位置代入到设定的目标函数中计算其对应的结果,并根据计算得到的相应结果对种群进行评价。
示例性地,本发明实施例的惯性权重用于指示粒子的经验速度对当前粒子速度的影响,其取值大小可以影响粒子群的局部和全局搜寻能力,通过对惯性权重的调整,可以兼顾算法的全局和局部搜寻能力,随着种群迭代次数的增加,权重的取值会线性减小,种群局部搜寻精度会有所增强。
S104、基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电。
示例性地,可以根据用电需求与综合能源电量的差值,判断当前用电需求是否能够被满足,其中,综合能源电量包括多种分布式能源所提供的电量,示例性地,综合能源电量可以包括风能、太阳能等清洁能源所提供的电量。若用电需求超过配电网的综合能源电量,则说明当前配电网的综合能源电量难以满足用电需求,需要对配电网的综合能源电量进行合理的分配,从而保证用电需求的情况下,还能保证用电成本较低。
在一种可选的实施方式中,
基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电的方法包括:
基于所述用电需求,判断所述用电需求是否超过所述配电网的综合能源电量,其中,所述综合能源电量包括多种分布式能源所提供的电量;
若是,则确定所述用电需求与所述配电网的综合能源电量的电量差值,基于历史配电数据和所述电价分别为所述电量差值配置第一配电参考值,为所述用电需求配置第二配电参考值;
根据所述第一配电参考值和所述第二配电参考值,以及所述电量差值、所述用电需求、所述用电需求对应的电价,确定配电综合参考值;
根据所述配电综合参考值的排序结果,从高到低进行配电。
示例性地,可以确定用电需求与所述配电网的综合能源电量的电量差值,基于电量差值,参考历史配电数据,为其分配对应的第一配电参考值,通过历史配电数据,能够提供较好的参考,了解当前用电需求所持续时间、后续用电需求,以及所需调配的电量预估值,保证配电网整体运行平稳,不至于过度调配资源,导致“拆东墙补西墙”的安全隐患。
可选地,电价对于部分用户而言,利于商业用户和工业用户较为敏感,除了满足配电需求,还需要考虑电价所带来的经济影响,通过电价为用电需求配置第二配电参考值,从而确定配电综合参考值。
在一种可选的实施方式中,
所述根据所述第一配电参考值和所述第二配电参考值,以及所述电量差值、所述用电需求、所述用电需求对应的电价,确定配电综合参考值的方法包括:
按照如下公式所示的方法确定所述配电综合参考值:
其中,
Z表示配电综合参考值,
l表示配电常数,、分别表示第一配电参考值和第二配电参考值,
M、N分别表示电量差值的数量、用电需求对应目标区域的数量,
D i 表示第
i个电量差值,
p j 表示第
j个目标区域对应的电价,
Y j 表示第
j个目标区域对应的用电需求。
本发明提供一种综合能源检测配电方法,所述方法包括:
获取用户实际用电量,从所述用户实际用电量中提取多个用户用电特征;
根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型;
根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求;
基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电。
不同类型的用户的用电类型不同,对于不同类型的用电类型,采用与其对应的预测模型进行用电需求预测,针对不同类型的用电用户,可以更加准确地预测其用电需求,从而更加系统地调配电力资源;
针对预测模型,通过优化算法优化用电需求预测模型各层的权重向量值,并且结合对权重向量产生影响的影响因子,迭代更新用电需求预测模型各层的权重向量值,以使其权重向量值保持为最优值,从而有利于提高模型预测准确度;
根据所预测的用电需求,在满足用电需求的情况下,综合考虑用电需求对应的电价以及综合能源电量,在保证正常用电和配电的情况下,综合考虑用电成本。
本发明实施例的第二方面,
提供一种综合能源检测配电系统,图3为本发明实施例综合能源检测配电系统的结构示意图,如图3所示,所述系统包括:
第一单元31,用于获取用户实际用电量,从所述用户实际用电量中提取多个用户用电特征;
第二单元32,用于根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型;
第三单元33,用于根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求;
第四单元34,用于基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电。
本发明实施例的第三方面,
提供一种设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所发明的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (9)
1.一种综合能源检测配电方法,其特征在于,所述综合能源检测配电方法包括:
获取用户实际用电量,从所述用户实际用电量中提取多个用户用电特征;
根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型;
根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求;
所述根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求包括:
根据所述多个用户用电特征,以及所述用电需求预测模型的随机初始化的状态特征值确定第一输出值,其中,所述第一输出值用于指示所述多个用户用电特征被记忆或者遗忘的程度;
根据所述多个用户用电特征,以及所述用电需求预测模型的随机初始化的状态特征值确定第一输出值的方法如下公式所示:
其中,第一输出值M r,z 表示门控状态值,表示sigmoid激活函数,W r,z 表示与第一输出值对应的权重值,r,z分别表示控制重置状态和控制更新状态,h 0 表示随机初始化的状态特征值,x t 表示第t个用户用电特征;
将所述第一输出值与所述多个用户用电特征进行向量拼接,并通过所述用电需求预测模型对应的第一激活函数将向量拼接结果缩放至预设阈值范围;
基于所述向量拼接结果,以及所述用电需求预测模型各层的权重向量值,并通过所述用电需求预测模型对应的第二激活函数,确定与所述多个用电类型对应的用电需求;
通过用电需求预测模型对应的第二激活函数、向量拼接结果,以及所述用电需求预测模型各层的权重向量值,能够确定多个用电类型对应的用电需求,其方法如下公式所示:
其中,F表示用电需求,L表示权重向量值的个数,I表示第二激活函数,也即示性函数,x k 表示第k个向量拼接结果,Q i 表示第i个权重向量值;
基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电。
2.根据权利要求1所述的综合能源检测配电方法,其特征在于,所述根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型包括:
根据所述多个用户用电特征,将所述多个用户用电特征投影至预设空间,构建多条用电曲线;
确定所述多条用电曲线的曲线空间距离,根据所述曲线空间距离确定所述多个用户用电特征对应的用电规律相似度,按照所述用电规律相似度的排序结果,构建用电聚类树;
为所述用电聚类树中每个节点设置权重初值,并且为相邻节点设置连接权重值,根据所述权重初值和所述连接权重值,调整所述用电聚类树的半径值,直至符合预设条件,确定所述多个用户用电特征对应的多个用电类型。
3.根据权利要求1所述的综合能源检测配电方法,其特征在于,所述综合能源检测配电方法还包括:优化所述用电需求预测模型各层的权重向量值,包括:
初始化所述权重向量值的当前位置,以及所述权重向量值对应的初始最优值;
根据多个所述权重向量值的当前位置、多个所述初始最优值,以及预设的惯性权重、与多个所述权重向量值对应的第一影响因子和第二影响因子,通过迭代更新算法更新所述权重向量值的位置信息和所述权重向量值对应的最优值,直至满足预设迭代更新条件,确定优化后所述用电需求预测模型各层的权重向量值。
4.根据权利要求3所述的综合能源检测配电方法,其特征在于,所述通过迭代更新算法更新所述权重向量值的位置信息和所述权重向量值对应的最优值包括:
按照如下公式更新所述权重向量值的位置信息和所述权重向量值对应的最优值:
,
其中,B j (t+1)表示迭代次数为t+1时,第j个权重向量值的最优值,表示第一影响因子,T max 表示最大迭代次数,t表示当前迭代次数,表示惯性权重的最大值,表示惯性权重的最小值,表示第二影响因子,B j (t)表示迭代次数为t时,第j个权重向量值的最优值,B 0 表示初始最优值;
,
其中, P i (t)表示迭代次数为t时,第i个权重向量值的位置信息,s j (t+1)表示迭代次数为t+1时,第j个权重向量值对应的速度值,P i (t+1)表示迭代次数为t+1时,第i个权重向量值的位置信息。
5.根据权利要求1所述的综合能源检测配电方法,其特征在于,所述基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电包括:
基于所述用电需求,判断所述用电需求是否超过所述配电网的综合能源电量,其中,所述综合能源电量包括多种分布式能源所提供的电量;
若是,则确定所述用电需求与所述配电网的综合能源电量的电量差值,基于历史配电数据和所述电价分别为所述电量差值配置第一配电参考值,为所述用电需求配置第二配电参考值;
根据所述第一配电参考值和所述第二配电参考值,以及所述电量差值、所述用电需求、所述用电需求对应的电价,确定配电综合参考值;
根据所述配电综合参考值的排序结果,从高到低进行配电。
6.根据权利要求5所述的综合能源检测配电方法,其特征在于,所述根据所述第一配电参考值和所述第二配电参考值,以及所述电量差值、所述用电需求、所述用电需求对应的电价,确定配电综合参考值包括:
按照如下公式确定所述配电综合参考值:
其中,Z表示配电综合参考值,l表示配电常数,、分别表示第一配电参考值和第二配电参考值,M、N分别表示电量差值的数量、用电需求对应目标区域的数量,D i 表示第i个电量差值,p j 表示第j个目标区域对应的电价,Y j 表示第j个目标区域对应的用电需求。
7.一种综合能源检测配电系统,其特征在于,所述综合能源检测配电系统包括:
第一单元,用于获取用户实际用电量,从所述用户实际用电量中提取多个用户用电特征;
第二单元,用于根据所述多个用户用电特征,按照预设的聚类算法对所述用户用电特征进行聚类,确定所述多个用户用电特征对应的多个用电类型;
第三单元,用于根据所述多个用户用电特征,通过与所述多个用电类型对应的用电需求预测模型进行用电需求预测,确定与所述多个用电类型对应的用电需求;
所述第三单元还用于:
根据所述多个用户用电特征,以及所述用电需求预测模型的随机初始化的状态特征值确定第一输出值,其中,所述第一输出值用于指示所述多个用户用电特征被记忆或者遗忘的程度;
所述确定第一输出值如下公式所示:
其中,第一输出值M r,z 表示门控状态值,表示sigmoid激活函数,W r,z 表示与第一输出值对应的权重值,r,z分别表示控制重置状态和控制更新状态,h 0 表示随机初始化的状态特征值,x t 表示第t个用户用电特征;
将所述第一输出值与所述多个用户用电特征进行向量拼接,并通过所述用电需求预测模型对应的第一激活函数将向量拼接结果缩放至预设阈值范围;
基于所述向量拼接结果,以及所述用电需求预测模型各层的权重向量值,并通过所述用电需求预测模型对应的第二激活函数,确定与所述多个用电类型对应的用电需求;
通过用电需求预测模型对应的第二激活函数、向量拼接结果,以及所述用电需求预测模型各层的权重向量值,确定多个用电类型对应的用电需求如下公式所示:
其中,F表示用电需求,L表示权重向量值的个数,I表示第二激活函数,也即示性函数,x k 表示第k个向量拼接结果,Q i 表示第i个权重向量值;
第四单元,用于基于所述用电需求,根据配电网的综合能源电量,以及与所述用电需求对应的电价进行配电。
8.一种设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至6中任意一项所述的综合能源检测配电方法。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的综合能源检测配电方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211629783.0A CN115630772B (zh) | 2022-12-19 | 2022-12-19 | 综合能源检测配电方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211629783.0A CN115630772B (zh) | 2022-12-19 | 2022-12-19 | 综合能源检测配电方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630772A CN115630772A (zh) | 2023-01-20 |
CN115630772B true CN115630772B (zh) | 2023-05-09 |
Family
ID=84909681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211629783.0A Active CN115630772B (zh) | 2022-12-19 | 2022-12-19 | 综合能源检测配电方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630772B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
CN115360717A (zh) * | 2022-10-18 | 2022-11-18 | 国网浙江省电力有限公司宁波供电公司 | 用于综合能源的配电网调度方法、系统、设备及介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8396686B2 (en) * | 2011-04-13 | 2013-03-12 | Fujitsu Limited | Measure energy consumption and determine energy-consumption patterns for electricity-consuming devices |
CN104200275B (zh) * | 2014-06-24 | 2015-05-27 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
CN105868791A (zh) * | 2016-04-15 | 2016-08-17 | 上海交通大学 | 基于模糊聚类的多分辨率社区发现方法 |
JP6742813B2 (ja) * | 2016-05-20 | 2020-08-19 | 株式会社日立製作所 | 需要予測システム及び需要予測方法 |
CN107910863B (zh) * | 2017-05-25 | 2021-02-02 | 南京邮电大学 | 综合考虑光伏出力和负荷需求预测区间的配电网调度方法 |
US20190268283A1 (en) * | 2018-02-23 | 2019-08-29 | International Business Machines Corporation | Resource Demand Prediction for Distributed Service Network |
JP6476338B1 (ja) * | 2018-08-28 | 2019-02-27 | 新日鉄住金エンジニアリング株式会社 | 電力需要予測システム、電力需要予測モデルの構築方法、プログラム、及び営業支援システム |
WO2021046774A1 (zh) * | 2019-09-11 | 2021-03-18 | 阿里巴巴集团控股有限公司 | 资源调度与信息预测方法、设备、系统及存储介质 |
CN114462670A (zh) * | 2021-12-24 | 2022-05-10 | 南方电网海南数字电网研究院有限公司 | 一种基于lstm模型的用电量预测方法 |
-
2022
- 2022-12-19 CN CN202211629783.0A patent/CN115630772B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
CN115360717A (zh) * | 2022-10-18 | 2022-11-18 | 国网浙江省电力有限公司宁波供电公司 | 用于综合能源的配电网调度方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115630772A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khafaga et al. | Forecasting energy consumption using a novel hybrid dipper throated optimization and stochastic fractal search algorithm | |
US20150317589A1 (en) | Forecasting system using machine learning and ensemble methods | |
CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
Li et al. | Dynamic structure embedded online multiple-output regression for streaming data | |
CN111091247A (zh) | 基于深度神经网络模型融合的电力负荷预测方法、装置 | |
CN114265979A (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
US11687804B2 (en) | Latent feature dimensionality bounds for robust machine learning on high dimensional datasets | |
CN108805174A (zh) | 聚类方法及装置 | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
Rabie et al. | A fog based load forecasting strategy based on multi-ensemble classification for smart grids | |
WO2023207411A1 (zh) | 一种基于时空数据的流量确定方法、装置、设备和介质 | |
CN117117833A (zh) | 光伏输出功率预测方法、装置、电子设备及存储介质 | |
CN113642727B (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
Lian et al. | Training algorithm for radial basis function neural network based on quantum-behaved particle swarm optimization | |
Sina et al. | An accurate hybrid approach for electric short-term load forecasting | |
CN114692978A (zh) | 一种基于大数据的社交媒体用户行为预测方法及系统 | |
CN114037182A (zh) | 建筑物负荷预测模型训练方法、装置及非易失性存储介质 | |
CN115630772B (zh) | 综合能源检测配电方法、系统、设备及存储介质 | |
Alam | Recurrent neural networks in electricity load forecasting | |
CN116544931A (zh) | 基于集成片段变换和时间卷积网络的电力负荷分布预测方法 | |
Almomani et al. | Selecting a good stochastic system for the large number of alternatives | |
CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
CN115545168A (zh) | 基于注意力机制和循环神经网络的动态QoS预测方法及系统 |
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 |