CN115796937A - 一种大数据复杂关联性的电力供需趋势分析方法和装置 - Google Patents

一种大数据复杂关联性的电力供需趋势分析方法和装置 Download PDF

Info

Publication number
CN115796937A
CN115796937A CN202310031202.1A CN202310031202A CN115796937A CN 115796937 A CN115796937 A CN 115796937A CN 202310031202 A CN202310031202 A CN 202310031202A CN 115796937 A CN115796937 A CN 115796937A
Authority
CN
China
Prior art keywords
power
data
factor sequence
trend
historical
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
CN202310031202.1A
Other languages
English (en)
Inventor
姜磊
梁立江
马苗
杜双育
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.)
Brilliant Data Analytics Inc
Original Assignee
Brilliant Data Analytics Inc
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 Brilliant Data Analytics Inc filed Critical Brilliant Data Analytics Inc
Priority to CN202310031202.1A priority Critical patent/CN115796937A/zh
Publication of CN115796937A publication Critical patent/CN115796937A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及电力供需分析技术，揭露了一种大数据复杂关联性的电力供需趋势分析方法，包括：从标准电力数据中提取出历史发电数据以及历史用电数据，从历史发电数据中提取出发电特征集，从历史用电数据中提取出用电特征集；根据发电特征集和用电特征集生成电力因素序列集，计算电力因素序列集中各个因素序列的趋势关联度和趋势相关度；根据趋势关联度和趋势相关度从电力因素序列集中选取出目标关联因素序列，利用目标关联因素序列分析出电力需求趋势；根据电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析。本发明还提出一种大数据复杂关联性的电力供需趋势分析装置。本发明可以提高电力供需趋势分析的精确度。

Description

一种大数据复杂关联性的电力供需趋势分析方法和装置
技术领域
本发明涉及电力供需分析技术领域，尤其涉及一种大数据复杂关联性的电力供需趋势分析方法和装置。
背景技术
当前电力市场中市场成员种类众多，市场交易行为呈现多样化特征，发电侧交易行为、需求侧交易行为可能会对供需趋势有所影响，为了推进电力市场的有序发展，需要对电力供需趋势进行分析。
现有的电力供需分析技术多为基于时序神经网络的分析技术，通过利用时序神经网络提取出电力供需的时序特征，进而根据时序特征对电力供需进行分析，实际应用中，电力供需随市场交易行为呈现多样化特征，单纯地基于时序神经网络的分析技术无法分析市场行为的影响，可能导致对电力供需趋势分析的精确度较低。
发明内容
本发明提供一种大数据复杂关联性的电力供需趋势分析方法和装置，其主要目的在于解决对电力供需趋势分析的精确度较低的问题。
为实现上述目的，本发明提供的一种大数据复杂关联性的电力供需趋势分析方法，包括：
获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据；
从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集；
根据所述发电特征集和所述用电特征集生成电力因素序列集，利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度，其中，所述根据所述发电特征集和所述用电特征集生成电力因素序列集，包括：
将所述发电特征集和所述用电特征集汇集成电力特征集；
逐个选取所述电力特征集中的电力特征作为目标电力特征，利用如下的标准化算法将所述目标电力特征规格化成电力因素序列，并将所有的所述电力因素汇集成电力因素序列集：
Figure 931325DEST_PATH_IMAGE001
其中，
Figure 617260DEST_PATH_IMAGE002
是指所述电力因素序列中的第
Figure 540216DEST_PATH_IMAGE003
个电力因素，
Figure 787658DEST_PATH_IMAGE003
是指第
Figure 858382DEST_PATH_IMAGE003
个，
Figure 583893DEST_PATH_IMAGE004
是指所述目标 电力特征中的第
Figure 143048DEST_PATH_IMAGE003
个特征，
Figure DEST_PATH_IMAGE005
是所述电力因素序列的序列长度，且所述电力因素序列的序列 长度等于所述目标电力特征的特征总数；
根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，利用所述目标关联因素序列分析出电力需求趋势；
根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析。
可选地，所述对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据，包括：
按照时间顺序对所述历史电力数据进行排序，得到时序历史电力数据；
从所述时序历史电力数据中筛除越位数据以及乱码数据，得到初级历史电力数据；
对所述初级历史电力数据进行时序聚类，得到多个历史聚类数据组；
根据所述历史聚类数据组对所述初级历史电力数据中的缺失数据进行填充，得到标准电力数据。
可选地，所述对所述初级历史电力数据进行时序聚类，得到多个历史聚类数据组，包括：
将所述初级历史电力数据拆分为若干个电力数据组，随机选取各电力数据组的中心数据，并计算所述初级历史电力数据中各数据与各电力数据组的所述中心数据之间的第一数据差值；
根据所述第一数据差值以及就近原则对所述初级历史电力数据中的各数据进行分组，得到多个标准数据组；
计算出各标准数据组对应的均值数据，并计算各标准数据组中各数据与对应的所述均值数据之间的第二数据差值；
根据所述第二数据差值以及就近原则重新对所述初级历史电力数据中的各数据进行分组以重复迭代计算每组数据的均值数据，得到所述初级历史电力数据对应的多个历史聚类数据组。
可选地，所述从所述历史发电数据中提取出发电特征集，包括：
从所述历史发电数据中分别提取出总竞价机组数、下限机组数、上限机组数、近限机组数、可发电量以及申报电量；
根据所述总竞价机组数以及所述下限机组数计算出报低价比率；
根据所述总竞价机组数以及所述上限机组数计算出报价达限率；
根据所述总竞价机组数以及所述近限机组数计算出报高价比率；
根据所述可发电量以及所述申报电量计算出供给持留比率；
将所述报低价比率、所述报价达限率、所述报高价比率以及所述供给持留比率汇集成发电特征集。
可选地，所述利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，包括：
逐个选取所述电力因素序列集中的因素序列作为目标因素序列；
利用预设的关联度模型计算出所述目标因素序列对应的初值像，根据所述初值像计算出所述目标因素序列对应的差序列；
从所述差序列中提取出两级最大差与两级最小差；
根据所述两级最大差和所述两级最小差计算出关联系数；
根据所述关联系数计算出所述目标因素序列对应的趋势关联度。
可选地，所述根据所述两级最大差和所述两级最小差计算出关联系数，包括：
利用如下的关联系数公式根据所述两级最大差和所述两级最小差计算出关联系数：
Figure 561391DEST_PATH_IMAGE006
其中，
Figure 525936DEST_PATH_IMAGE007
是所述目标因素序列中第
Figure 586296DEST_PATH_IMAGE008
个元素的关联系数，
Figure DEST_PATH_IMAGE009
是指所述两级最小 差，
Figure 654484DEST_PATH_IMAGE010
是预设的分辨率，
Figure 306045DEST_PATH_IMAGE011
是指所述两级最大差，
Figure 289045DEST_PATH_IMAGE012
是指所述差序列中的第
Figure 356358DEST_PATH_IMAGE008
个元素。
可选地，所述利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度，包括：
逐个选取所述电力因素序列集中的因素序列作为目标因素序列，利用预设的相关度模型分析出所述目标因素序列对应的趋势序列；
利用如下的相关度公式根据所述趋势序列计算出所述目标因素序列的趋势相关度：
Figure 606948DEST_PATH_IMAGE013
其中，
Figure 694990DEST_PATH_IMAGE014
是指所述目标因素序列的趋势相关度，
Figure 634127DEST_PATH_IMAGE015
是指第
Figure 505131DEST_PATH_IMAGE015
个，
Figure 377272DEST_PATH_IMAGE016
是指所述目标因素序 列的序列长度，且所述目标因素序列的序列长度等于所述趋势序列的序列长度，
Figure 806854DEST_PATH_IMAGE017
是指所 述目标因素序列的第
Figure 295605DEST_PATH_IMAGE015
个电力因素的值，
Figure DEST_PATH_IMAGE018
是指所述趋势序列的第
Figure 501458DEST_PATH_IMAGE015
个电力因素的值，
Figure 696947DEST_PATH_IMAGE019
是所 述目标因素序列的电力因素的平均值。
可选地，所述利用所述目标关联因素序列分析出电力需求趋势，包括：
根据预设的心理学模型分别计算出电价差值对应的死区、线性区以及饱和区；
根据所述死区、所述线性区以及所述饱和区生成用户响应度曲线；
根据所述用户响应度曲线以及用电成本最小原则计算不同电价下的需求侧负荷曲线，并将所有的所述需求侧负荷曲线汇集成电力需求趋势。
可选地，所述根据所述电力需求趋势生成对应的电力供应模型，包括：
从所述电力需求趋势中提取出负荷转移率临界值、收益变化率期望值以及电网稳定性目标值；
根据所述负荷转移率临界值、所述收益变化率期望值以及所述电网稳定性目标值计算出供电侧电价；
根据所述供电侧电价计算出最新负荷曲线以及供电收益；
根据所述最新负荷曲线以及所述供电收益生成电力供应模型。
为了解决上述问题，本发明还提供一种大数据复杂关联性的电力供需趋势分析装置，所述装置包括：
数据处理模块，用于获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据；
特征提取模块，用于从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集；
趋势计算模块，用于根据所述发电特征集和所述用电特征集生成电力因素序列集，利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度，其中，所述根据所述发电特征集和所述用电特征集生成电力因素序列集，包括：将所述发电特征集和所述用电特征集汇集成电力特征集；逐个选取所述电力特征集中的电力特征作为目标电力特征，利用如下的标准化算法将所述目标电力特征规格化成电力因素序列，并将所有的所述电力因素汇集成电力因素序列集：
Figure 798895DEST_PATH_IMAGE001
其中，
Figure 748178DEST_PATH_IMAGE002
是指所述电力因素序列中的第
Figure 288880DEST_PATH_IMAGE003
个电力因素，
Figure 338876DEST_PATH_IMAGE003
是指第
Figure 939622DEST_PATH_IMAGE003
个，
Figure 340647DEST_PATH_IMAGE004
是指所述目标 电力特征中的第
Figure 622724DEST_PATH_IMAGE003
个特征，
Figure 120701DEST_PATH_IMAGE005
是所述电力因素序列的序列长度，且所述电力因素序列的序列 长度等于所述目标电力特征的特征总数；
需求趋势模块，用于根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，利用所述目标关联因素序列分析出电力需求趋势；
趋势分析模块，用于根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析。
本发明实施例通过获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据，可以减少训练集数据的数据噪点，按照时序特征填充缺失的数据，从而提高训练集数据的准确性，通过从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集，可以汇集出供电侧与用电侧的电力因素，方便后续找寻与电力供需趋势有关的电力因素，通过利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度可以就趋势关联度与趋势相关度两方面评价各个因素序列与供需趋势的相关性，从而方便选取出最能影响供需趋势的因素序列；
通过根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，可以确定出对供需趋势影响最大的因素序列，通过利用所述目标关联因素序列分析出电力需求趋势，可以提高电力需求趋势分析的准确性，通过根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析，可以促进需求侧用户完成负荷转移，使电力市场趋于供需平衡。因此本发明提出的大数据复杂关联性的电力供需趋势分析方法和装置，可以解决对电力供需趋势分析的精确度较低的问题。
附图说明
图1为本发明一实施例提供的大数据复杂关联性的电力供需趋势分析方法的流程示意图；
图2为本发明一实施例提供的计算趋势关联度的流程示意图；
图3为本发明一实施例提供的分析电力需求趋势的流程示意图；
图4为本发明一实施例提供的大数据复杂关联性的电力供需趋势分析装置的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种大数据复杂关联性的电力供需趋势分析方法。所述大数据复杂关联性的电力供需趋势分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述大数据复杂关联性的电力供需趋势分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的大数据复杂关联性的电力供需趋势分析方法的流程示意图。在本实施例中，所述大数据复杂关联性的电力供需趋势分析方法包括：
S1、获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据。
本发明实施例中，所述历史电力数据是指供电市场和用电市场的一些市场行为数据，可以反映电力需求关系以及供需趋势。
本发明实施例中，所述对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据，包括：
按照时间顺序对所述历史电力数据进行排序，得到时序历史电力数据；
从所述时序历史电力数据中筛除越位数据以及乱码数据，得到初级历史电力数据；
对所述初级历史电力数据进行时序聚类，得到多个历史聚类数据组；
根据所述历史聚类数据组对所述初级历史电力数据中的缺失数据进行填充，得到标准电力数据。
详细地，通过按照时间顺序对所述历史电力数据进行排序，得到时序历史电力数据可以方便地提取所述历史电力数据的时序特征，方便后续时序聚类，并进一步提高对缺失数据填充的准确性。
详细地，可以利用正则表达式或字符串检索算法从所述时序历史电力数据中筛除越位数据以及乱码数据，得到初级历史电力数据，其中，所述越位数据是指所述时序历史电力数据中远大于正常数据或远小于正常数据的超出数据值域的数据，所述乱码数据是指数据在录入过程中出现字符错误的数据，例如@或者#等数据。
详细地，所述对所述初级历史电力数据进行时序聚类，得到多个历史聚类数据组，包括：
将所述初级历史电力数据拆分为若干个电力数据组，随机选取各电力数据组的中心数据，并计算所述初级历史电力数据中各数据与各电力数据组的所述中心数据之间的第一数据差值；
根据所述第一数据差值以及就近原则对所述初级历史电力数据中的各数据进行分组，得到多个标准数据组；
计算出各标准数据组对应的均值数据，并计算各标准数据组中各数据与对应的所述均值数据之间的第二数据差值；
根据所述第二数据差值以及就近原则重新对所述初级历史电力数据中的各数据进行分组以重复迭代计算每组数据的均值数据，得到所述初级历史电力数据对应的多个历史聚类数据组。
详细地，所述随机选取各电力数据组的中心数据是指为每个电力数据组随机选取一个数据作为所述电力数据组对应的中心数据；所述第一数据差值是指所述初级历史电力数据中各数据与所述中心数据之间的数据差，所述第二数据差值是指所述初级历史物资数据中各数据与所述均值数据之间的数据差；可以利用平均值算法计算出各标准数据组对应的均值数据。
详细地，所述根据所述第二数据差值以及就近原则重新对所述初级历史电力数据中的各数据进行分组以重复迭代计算每组数据的均值数据，得到所述初级历史电力数据对应的多个聚类数据组是指重复迭代地根据均值数据与各数据的数据差对所述初级历史电力数据进行分组，并计算分组后的均值数据，直至迭代前后的均值数据之间的数据差值小于预设的迭代阈值时，将分组后的结果作为聚类数据组。
本发明实施例中，所述根据所述历史聚类数据组对所述初级历史电力数据中的缺失数据进行填充，得到标准电力数据，包括：
逐个选取所述初级历史电力数据中的缺失数据作为目标缺失数据，将所述目标缺失数据对应的历史聚类数据组作为目标历史聚类数据组；
利用所述目标历史聚类数据组对应的均值数据替换所述目标缺失数据，直至所述目标缺失数据为所述初级历史电力数据中的最后一个所述缺失数据时，将更新后的所述初级历史电力数据作为标准电力数据。
详细地，所述缺失数据是指所述初级历史电力数据中缺乏记载的数据或者是之前筛除所述越位数据以及所述乱码数据后空出的数据。
本发明实施例中，通过获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据，可以减少训练集数据的数据噪点，按照时序特征填充缺失的数据，从而提高训练集数据的准确性。
S2、从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集。
本发明实施例中，所述历史发电数据是指电力供给侧市场相关的数据，所述历史用电数据是指电力需求侧市场相关的数据。
本发明实施例中，所述从所述历史发电数据中提取出发电特征集，包括：
从所述历史发电数据中分别提取出总竞价机组数、下限机组数、上限机组数、近限机组数、可发电量以及申报电量；
根据所述总竞价机组数以及所述下限机组数计算出报低价比率；
根据所述总竞价机组数以及所述上限机组数计算出报价达限率；
根据所述总竞价机组数以及所述近限机组数计算出报高价比率；
根据所述可发电量以及所述申报电量计算出供给持留比率；
将所述报低价比率、所述报价达限率、所述报高价比率以及所述供给持留比率汇集成发电特征集。
详细地，所述总竞价机组数是指所有参与竞价的机组个数，所述下限机组数是指报价低于一定下限的竞价机组个数，所述上限机组数是指报价达到上限的竞价机组个数，所述近限机组数是指报价接近上限的竞价机组个数，所述报低价比率即为某一时段的申报电价低于一定下限的机组数目占所有机组数目的比例，所述报价达限率是指供给侧发电企业参与交易过程中，某一时段的申报电价达到上限的机组数目占所有竞价机组的比例，所述报高价比率是指一定时期内供给侧报价接近最高价的电量占全部申报电量的比例，报高价的比例越大，表明供给侧发电企业越愿意冒更大的风险获取更高的收益，所述供给持留比率是指发电企业操纵市场供需，左右市场价格的主要手段，持留比率越高，反映供应者对供应量的控制程度越高，可能造成市场供需趋于紧张。
详细地，可以将所述下限机组数除以所述总竞价机组数得到所述报低价比率，可以将所述上限机组数除以所述总竞价机组数得到所述报价达限率，可以将所述近限机组数除以所述总竞价机组数得到所述报高价比率，可以将一减去所述申报电量与所述可发电量的商得到所述供给持留比率。
详细地，所述从所述历史用电数据中提取出用电特征集，包括：
从所述历史用电数据中提取出需求响应行为以及需求持留比率，将所述需求响应行为和所述需求持留比例汇集成用电特征集。
详细地，所述需求响应行为是指智能电网在电源和负荷之间提供了电量和信息的双向通讯通道，加强了电网和用户之间的实时性关联互动，使调整需求侧用电量具备可行性，主要通过电价政策或者激励政策引导用户调节可控负荷资源，实现柔性负荷的互动响应调度，实现负荷的优化调整，进而改变需求侧用电曲线，影响市场供需情况，所述需求持留比率在需求侧有机会通过持留申报电量来降低价格，以获得较低电价，这种持留行为往往不易被发现，会严重损坏电力市场稳定运营。
本发明实施例中，通过从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集，可以汇集出供电侧与用电侧的电力因素，方便后续找寻与电力供需趋势有关的电力因素。
S3、根据所述发电特征集和所述用电特征集生成电力因素序列集，利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度。
本发明实施例中，所述根据所述发电特征集和所述用电特征集生成电力因素序列集，包括：
将所述发电特征集和所述用电特征集汇集成电力特征集；
逐个选取所述电力特征集中的电力特征作为目标电力特征，利用如下的标准化算法将所述目标电力特征规格化成电力因素序列，并将所有的所述电力因素汇集成电力因素序列集：
Figure 62987DEST_PATH_IMAGE001
其中，
Figure 482467DEST_PATH_IMAGE002
是指所述电力因素序列中的第
Figure 37076DEST_PATH_IMAGE003
个电力因素，
Figure 389560DEST_PATH_IMAGE003
是指第
Figure 4212DEST_PATH_IMAGE003
个，
Figure 878365DEST_PATH_IMAGE004
是指所述目标 电力特征中的第
Figure 564562DEST_PATH_IMAGE003
个特征，
Figure 709235DEST_PATH_IMAGE005
是所述电力因素序列的序列长度，且所述电力因素序列的序列 长度等于所述目标电力特征的特征总数。
本发明实施例中，通过利用所述标准化算法逐个将每个所述电力特征序列中的每个特征进行规格化成电力因素，可以将所述发电特征集和所述用电特征集中的各个特征规格化，方便后续的关联度和相关度计算。
详细地，参照图2所示，所述利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，包括：
S21、逐个选取所述电力因素序列集中的因素序列作为目标因素序列；
S22、利用预设的关联度模型计算出所述目标因素序列对应的初值像，根据所述初值像计算出所述目标因素序列对应的差序列；
S23、从所述差序列中提取出两级最大差与两级最小差；
S24、根据所述两级最大差和所述两级最小差计算出关联系数；
S25、根据所述关联系数计算出所述目标因素序列对应的趋势关联度。
详细地，所述初值像是指所述目标因素序列中每个电力因素乘以初值化算子得到的序列，所述根据所述初值像计算出所述目标因素序列对应的差序列是指计算出所述初值像中每个元素减去第一个元素得到的绝对值形成的序列，所述两级最大差是指找出所述差序列中的最大值，所述两级最小差是指所述差序列中的最小值。
详细地，所述根据所述两级最大差和所述两级最小差计算出关联系数，包括：
利用如下的关联系数公式根据所述两级最大差和所述两级最小差计算出关联系数：
Figure 822685DEST_PATH_IMAGE006
其中，
Figure 685598DEST_PATH_IMAGE007
是所述目标因素序列中第
Figure 847589DEST_PATH_IMAGE008
个元素的关联系数，
Figure 174666DEST_PATH_IMAGE009
是指所述两级最小 差，
Figure 832918DEST_PATH_IMAGE010
是预设的分辨率，
Figure 979865DEST_PATH_IMAGE011
是指所述两级最大差，
Figure 945547DEST_PATH_IMAGE012
是指所述差序列中的第
Figure 127130DEST_PATH_IMAGE008
个元素。
详细地，所述根据所述关联系数计算出所述目标因素序列对应的趋势关联度是指将所述目标因素序列所有元素的关联系数的平均值作为所述目标因素序列的的趋势关联度。
本发明实施例中，通过利用所述关联系数公式根据所述两级最大差和所述两级最小差计算出关联系数，可以确保所述关联系数的整体性与规范性，方便后续趋势关联度的计算。
具体地，所述利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度，包括：
逐个选取所述电力因素序列集中的因素序列作为目标因素序列，利用预设的相关度模型分析出所述目标因素序列对应的趋势序列；
利用如下的相关度公式根据所述趋势序列计算出所述目标因素序列的趋势相关度：
Figure 520065DEST_PATH_IMAGE013
其中，
Figure 850247DEST_PATH_IMAGE014
是指所述目标因素序列的趋势相关度，
Figure 416358DEST_PATH_IMAGE015
是指第
Figure 390130DEST_PATH_IMAGE015
个，
Figure 953966DEST_PATH_IMAGE016
是指所述目标因素序 列的序列长度，且所述目标因素序列的序列长度等于所述趋势序列的序列长度，
Figure 13189DEST_PATH_IMAGE017
是指所 述目标因素序列的第
Figure 819209DEST_PATH_IMAGE015
个电力因素的值，
Figure 975384DEST_PATH_IMAGE018
是指所述趋势序列的第
Figure 710122DEST_PATH_IMAGE015
个电力因素的值，
Figure 256640DEST_PATH_IMAGE019
是所 述目标因素序列的电力因素的平均值。
本发明实施例中，通过利用所述相关度公式根据所述趋势序列计算出所述目标因素序列的趋势相关度，可以计算出每个电力因素对供需趋势的相关度，从而便于后续确定目标关联因素序列。
本发明实施例中，通过利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度可以就趋势关联度与趋势相关度两方面评价各个因素序列与供需趋势的相关性，从而方便选取出最能影响供需趋势的因素序列。
S4、根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，利用所述目标关联因素序列分析出电力需求趋势。
本发明实施例中，所述根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列是指从所述电力因素序列集中选取出所述趋势关联度大于预设的关联度阈值且所述趋势相关度大于预设的相关度阈值的因素作为目标关联因素序列。
本发明实施例中，参照图3所示，所述利用所述目标关联因素序列分析出电力需求趋势，包括：
S31、根据预设的心理学模型分别计算出电价差值对应的死区、线性区以及饱和区；
S32、根据所述死区、所述线性区以及所述饱和区生成用户响应度曲线；
S33、根据所述用户响应度曲线以及用电成本最小原则计算不同电价下的需求侧负荷曲线，并将所有的所述需求侧负荷曲线汇集成电力需求趋势。
详细地，根据消费者心理学，用户对电价刺激做出的响应并不是一直逐渐增强的，存在一个饱和值，且用户对电价的响应可近似拟合成分段线性函数，在某一差别阈值内，用户基本上没有响应或者非常小，即死区；超过这一阈值范围，用户做出响应，且随刺激的增强而增强，即线性区；但是用户对刺激的响应也存在饱和状态，超过这一范围，用户就没有更进一步的响应了，即饱和区。
本发明实施例中，通过根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，可以确定出对供需趋势影响最大的因素序列，通过利用所述目标关联因素序列分析出电力需求趋势，可以提高电力需求趋势分析的准确性。
S5、根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析。
本发明实施例中，所述根据所述电力需求趋势生成对应的电力供应模型，包括：
从所述电力需求趋势中提取出负荷转移率临界值、收益变化率期望值以及电网稳定性目标值；
根据所述负荷转移率临界值、所述收益变化率期望值以及所述电网稳定性目标值计算出供电侧电价；
根据所述供电侧电价计算出最新负荷曲线以及供电收益；
根据所述最新负荷曲线以及所述供电收益生成电力供应模型。
本发明实施例中，用户最大负荷转移和死区阈值的数值根据用户行业的不同有所不同，即使同类用户因其用电特性、用电意愿存在差别，其最大负荷转移率和死区阈值的数值也会出现不同，最大负荷转移率和死区阈值的数值可以由用户调查或查阅相关行业用电资料获取。
本发明实施例中，通过根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析，可以促进需求侧用户完成负荷转移，使电力市场趋于供需平衡。
本发明实施例通过获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据，可以减少训练集数据的数据噪点，按照时序特征填充缺失的数据，从而提高训练集数据的准确性，通过从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集，可以汇集出供电侧与用电侧的电力因素，方便后续找寻与电力供需趋势有关的电力因素，通过利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度可以就趋势关联度与趋势相关度两方面评价各个因素序列与供需趋势的相关性，从而方便选取出最能影响供需趋势的因素序列；
通过根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，可以确定出对供需趋势影响最大的因素序列，通过利用所述目标关联因素序列分析出电力需求趋势，可以提高电力需求趋势分析的准确性，通过根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析，可以促进需求侧用户完成负荷转移，使电力市场趋于供需平衡。因此本发明提出的大数据复杂关联性的电力供需趋势分析方法，可以解决对电力供需趋势分析的精确度较低的问题。
如图4所示，是本发明一实施例提供的大数据复杂关联性的电力供需趋势分析装置的功能模块图。
本发明所述大数据复杂关联性的电力供需趋势分析装置100可以安装于电子设备中。根据实现的功能，所述大数据复杂关联性的电力供需趋势分析装置100可以包括数据处理模块101、特征提取模块102、趋势计算模块103、需求趋势模块104及趋势分析模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据处理模块101，用于获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据；
所述特征提取模块102，用于从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集；
所述趋势计算模块103，用于根据所述发电特征集和所述用电特征集生成电力因素序列集，利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度，其中，所述根据所述发电特征集和所述用电特征集生成电力因素序列集，包括：将所述发电特征集和所述用电特征集汇集成电力特征集；逐个选取所述电力特征集中的电力特征作为目标电力特征，利用如下的标准化算法将所述目标电力特征规格化成电力因素序列，并将所有的所述电力因素汇集成电力因素序列集：
Figure 164554DEST_PATH_IMAGE001
其中，
Figure 112918DEST_PATH_IMAGE002
是指所述电力因素序列中的第
Figure 517092DEST_PATH_IMAGE003
个电力因素，
Figure 613224DEST_PATH_IMAGE003
是指第
Figure 262511DEST_PATH_IMAGE003
个，
Figure 330962DEST_PATH_IMAGE004
是指所述目标 电力特征中的第
Figure 407502DEST_PATH_IMAGE003
个特征，
Figure 725351DEST_PATH_IMAGE005
是所述电力因素序列的序列长度，且所述电力因素序列的序列 长度等于所述目标电力特征的特征总数；
所述需求趋势模块104，用于根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，利用所述目标关联因素序列分析出电力需求趋势；
所述趋势分析模块105，用于根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析。
详细地，本发明实施例中所述大数据复杂关联性的电力供需趋势分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的大数据复杂关联性的电力供需趋势分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述方法包括：
S1：获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据；
S2：从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集；
S3：根据所述发电特征集和所述用电特征集生成电力因素序列集，利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度，其中，所述根据所述发电特征集和所述用电特征集生成电力因素序列集，包括：
S31：将所述发电特征集和所述用电特征集汇集成电力特征集；
S32：逐个选取所述电力特征集中的电力特征作为目标电力特征，利用如下的标准化算法将所述目标电力特征规格化成电力因素序列，并将所有的所述电力因素汇集成电力因素序列集：
Figure 204407DEST_PATH_IMAGE001
其中，
Figure 140834DEST_PATH_IMAGE002
是指所述电力因素序列中的第
Figure 170101DEST_PATH_IMAGE003
个电力因素，
Figure 862726DEST_PATH_IMAGE003
是指第
Figure 781921DEST_PATH_IMAGE003
个，
Figure 599836DEST_PATH_IMAGE004
是指所述目标电力 特征中的第
Figure 723256DEST_PATH_IMAGE003
个特征，
Figure 956922DEST_PATH_IMAGE005
是所述电力因素序列的序列长度，且所述电力因素序列的序列长度 等于所述目标电力特征的特征总数；
S4：根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，利用所述目标关联因素序列分析出电力需求趋势；
S5：根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析。
2.如权利要求1所述的大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据，包括：
按照时间顺序对所述历史电力数据进行排序，得到时序历史电力数据；
从所述时序历史电力数据中筛除越位数据以及乱码数据，得到初级历史电力数据；
对所述初级历史电力数据进行时序聚类，得到多个历史聚类数据组；
根据所述历史聚类数据组对所述初级历史电力数据中的缺失数据进行填充，得到标准电力数据。
3.如权利要求2所述的大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述对所述初级历史电力数据进行时序聚类，得到多个历史聚类数据组，包括：
将所述初级历史电力数据拆分为若干个电力数据组，随机选取各电力数据组的中心数据，并计算所述初级历史电力数据中各数据与各电力数据组的所述中心数据之间的第一数据差值；
根据所述第一数据差值以及就近原则对所述初级历史电力数据中的各数据进行分组，得到多个标准数据组；
计算出各标准数据组对应的均值数据，并计算各标准数据组中各数据与对应的所述均值数据之间的第二数据差值；
根据所述第二数据差值以及就近原则重新对所述初级历史电力数据中的各数据进行分组以重复迭代计算每组数据的均值数据，得到所述初级历史电力数据对应的多个历史聚类数据组。
4.如权利要求1所述的大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述从所述历史发电数据中提取出发电特征集，包括：
从所述历史发电数据中分别提取出总竞价机组数、下限机组数、上限机组数、近限机组数、可发电量以及申报电量；
根据所述总竞价机组数以及所述下限机组数计算出报低价比率；
根据所述总竞价机组数以及所述上限机组数计算出报价达限率；
根据所述总竞价机组数以及所述近限机组数计算出报高价比率；
根据所述可发电量以及所述申报电量计算出供给持留比率；
将所述报低价比率、所述报价达限率、所述报高价比率以及所述供给持留比率汇集成发电特征集。
5.如权利要求1所述的大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，包括：
逐个选取所述电力因素序列集中的因素序列作为目标因素序列；
利用预设的关联度模型计算出所述目标因素序列对应的初值像，根据所述初值像计算出所述目标因素序列对应的差序列；
从所述差序列中提取出两级最大差与两级最小差；
根据所述两级最大差和所述两级最小差计算出关联系数；
根据所述关联系数计算出所述目标因素序列对应的趋势关联度。
6.如权利要求5所述的大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述根据所述两级最大差和所述两级最小差计算出关联系数，包括：
利用如下的关联系数公式根据所述两级最大差和所述两级最小差计算出关联系数：
Figure 132556DEST_PATH_IMAGE006
其中，
Figure 855792DEST_PATH_IMAGE007
是所述目标因素序列中第
Figure 718706DEST_PATH_IMAGE008
个元素的关联系数，
Figure 379232DEST_PATH_IMAGE009
是指所述两级最小差，
Figure 643992DEST_PATH_IMAGE010
是预设的分辨率，
Figure 866026DEST_PATH_IMAGE011
是指所述两级最大差，
Figure 278552DEST_PATH_IMAGE012
是指所述差序列中的第
Figure 978655DEST_PATH_IMAGE008
个元素。
7.如权利要求1所述的大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度，包括：
逐个选取所述电力因素序列集中的因素序列作为目标因素序列，利用预设的相关度模型分析出所述目标因素序列对应的趋势序列；
利用如下的相关度公式根据所述趋势序列计算出所述目标因素序列的趋势相关度：
Figure 596456DEST_PATH_IMAGE013
其中，
Figure 51708DEST_PATH_IMAGE014
是指所述目标因素序列的趋势相关度，
Figure 889214DEST_PATH_IMAGE015
是指第
Figure 22036DEST_PATH_IMAGE015
个，
Figure 494343DEST_PATH_IMAGE016
是指所述目标因素序列的 序列长度，且所述目标因素序列的序列长度等于所述趋势序列的序列长度，
Figure 995863DEST_PATH_IMAGE017
是指所述目 标因素序列的第
Figure 688707DEST_PATH_IMAGE015
个电力因素的值，
Figure 730613DEST_PATH_IMAGE018
是指所述趋势序列的第
Figure 385323DEST_PATH_IMAGE015
个电力因素的值，
Figure 493962DEST_PATH_IMAGE019
是所述目 标因素序列的电力因素的平均值。
8.如权利要求1所述的大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述利用所述目标关联因素序列分析出电力需求趋势，包括：
根据预设的心理学模型分别计算出电价差值对应的死区、线性区以及饱和区；
根据所述死区、所述线性区以及所述饱和区生成用户响应度曲线；
根据所述用户响应度曲线以及用电成本最小原则计算不同电价下的需求侧负荷曲线，并将所有的所述需求侧负荷曲线汇集成电力需求趋势。
9.如权利要求1所述的大数据复杂关联性的电力供需趋势分析方法，其特征在于，所述根据所述电力需求趋势生成对应的电力供应模型，包括：
从所述电力需求趋势中提取出负荷转移率临界值、收益变化率期望值以及电网稳定性目标值；
根据所述负荷转移率临界值、所述收益变化率期望值以及所述电网稳定性目标值计算出供电侧电价；
根据所述供电侧电价计算出最新负荷曲线以及供电收益；
根据所述最新负荷曲线以及所述供电收益生成电力供应模型。
10.一种大数据复杂关联性的电力供需趋势分析装置，其特征在于，所述装置包括：
数据处理模块，用于获取历史电力数据，对所述历史电力数据进行数据清洗以及数据填充，得到标准电力数据；
特征提取模块，用于从所述标准电力数据中提取出历史发电数据以及历史用电数据，从所述历史发电数据中提取出发电特征集，从所述历史用电数据中提取出用电特征集；
趋势计算模块，用于根据所述发电特征集和所述用电特征集生成电力因素序列集，利用预设的关联度模型计算所述电力因素序列集中各个因素序列的趋势关联度，利用预设的相关度模型计算所述电力因素序列集中各个因素序列的趋势相关度，其中，所述根据所述发电特征集和所述用电特征集生成电力因素序列集，包括：将所述发电特征集和所述用电特征集汇集成电力特征集；逐个选取所述电力特征集中的电力特征作为目标电力特征，利用如下的标准化算法将所述目标电力特征规格化成电力因素序列，并将所有的所述电力因素汇集成电力因素序列集：
Figure 420241DEST_PATH_IMAGE001
其中，
Figure 843001DEST_PATH_IMAGE002
是指所述电力因素序列中的第
Figure 148956DEST_PATH_IMAGE003
个电力因素，
Figure 992278DEST_PATH_IMAGE003
是指第
Figure 417572DEST_PATH_IMAGE003
个，
Figure 801280DEST_PATH_IMAGE004
是指所述目标电力 特征中的第
Figure 509211DEST_PATH_IMAGE003
个特征，
Figure 569440DEST_PATH_IMAGE005
是所述电力因素序列的序列长度，且所述电力因素序列的序列长度 等于所述目标电力特征的特征总数；
需求趋势模块，用于根据所述趋势关联度和所述趋势相关度从所述电力因素序列集中选取出目标关联因素序列，利用所述目标关联因素序列分析出电力需求趋势；
趋势分析模块，用于根据所述电力需求趋势生成对应的电力供应模型，完成电力供需趋势分析。
CN202310031202.1A 2023-01-10 2023-01-10 一种大数据复杂关联性的电力供需趋势分析方法和装置 Pending CN115796937A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310031202.1A CN115796937A (zh) 2023-01-10 2023-01-10 一种大数据复杂关联性的电力供需趋势分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310031202.1A CN115796937A (zh) 2023-01-10 2023-01-10 一种大数据复杂关联性的电力供需趋势分析方法和装置

Publications (1)

Publication Number Publication Date
CN115796937A true CN115796937A (zh) 2023-03-14

Family

ID=85428913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310031202.1A Pending CN115796937A (zh) 2023-01-10 2023-01-10 一种大数据复杂关联性的电力供需趋势分析方法和装置

Country Status (1)

Country Link
CN (1) CN115796937A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808325A (zh) * 2024-02-29 2024-04-02 山东浪潮数据库技术有限公司 基于用户供需大数据的电力负荷预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117808325A (zh) * 2024-02-29 2024-04-02 山东浪潮数据库技术有限公司 基于用户供需大数据的电力负荷预测方法
CN117808325B (zh) * 2024-02-29 2024-05-14 山东浪潮数据库技术有限公司 基于用户供需大数据的电力负荷预测方法

Similar Documents

Publication Publication Date Title
CN109902849B (zh) 用户行为预测方法及装置、行为预测模型训练方法及装置
CN109033408B (zh) 信息推送方法及装置、计算机可读存储介质、电子设备
CN111723292B (zh) 基于图神经网络的推荐方法、系统、电子设备及存储介质
CN112508118B (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
CN109857935A (zh) 一种信息推荐方法及装置
CN112614011B (zh) 电力配网物资需求预测方法和装置、存储介质及电子设备
CN107590691B (zh) 一种信息发布方法及装置、存储介质、终端
CN108021651A (zh) 一种网络舆情风险评估方法及装置
CN107818491A (zh) 电子装置、基于用户上网数据的产品推荐方法及存储介质
CN112153426A (zh) 一种内容账号管理方法、装置、计算机设备及存储介质
CN112348592A (zh) 广告推荐方法、装置、电子设备及介质
CN111179016A (zh) 一种售电套餐推荐方法、设备及存储介质
CN110766438A (zh) 一种通过人工智能对电网用户的用户行为进行分析的方法
CN115221396A (zh) 基于人工智能的信息推荐方法、装置及电子设备
WO2023109025A1 (zh) 投放信息处理方法、资源预测模型训练方法及装置
CN103440199A (zh) 测试引导方法和装置
CN115796937A (zh) 一种大数据复杂关联性的电力供需趋势分析方法和装置
CN112116426A (zh) 一种推送物品信息的方法和装置
CN109492863A (zh) 金融单证的自动生成方法及装置
CN115131052A (zh) 一种数据处理方法、计算机设备和存储介质
CN112231299A (zh) 一种特征库动态调整的方法和装置
CN111667018A (zh) 一种对象聚类的方法、装置、计算机可读介质及电子设备
CN115860835A (zh) 基于人工智能的广告推荐方法、装置、设备及存储介质
CN111400608B (zh) 数据处理方法及装置、存储介质及电子设备
CN115185606A (zh) 业务配置参数的获得方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230314