CN116231665A - 电力负荷调控方法、装置、非易失性存储介质及电子设备 - Google Patents

电力负荷调控方法、装置、非易失性存储介质及电子设备 Download PDF

Info

Publication number
CN116231665A
CN116231665A CN202211718782.3A CN202211718782A CN116231665A CN 116231665 A CN116231665 A CN 116231665A CN 202211718782 A CN202211718782 A CN 202211718782A CN 116231665 A CN116231665 A CN 116231665A
Authority
CN
China
Prior art keywords
periods
electricity consumption
charging stations
load
neural network
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
CN202211718782.3A
Other languages
English (en)
Inventor
刘祥璐
李香龙
陈振
孙舟
袁小溪
肖万芳
周文斌
李卓群
王琼
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.)
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Beijing Electric Power 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 State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211718782.3A priority Critical patent/CN116231665A/zh
Publication of CN116231665A publication Critical patent/CN116231665A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • 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
    • 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
    • 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
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电力负荷调控方法、装置、非易失性存储介质及电子设备。其中，该方法包括：获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；将多个充电站在多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到多个充电站在多个用电时段分别对应的负荷预测结果；基于多个充电站在多个用电时段分别对应的负荷预测结果，确定多个充电站在多个用电时段分别对应的电力负荷计划。本发明解决了相关技术中电力负荷调控方法存在的各充电站在各充电时段的电力分配不均匀，负荷计划准确性低、充电设施利用率低的技术问题。

Description

电力负荷调控方法、装置、非易失性存储介质及电子设备
技术领域
本发明涉及电力负荷调控技术领域，具体而言，涉及一种电力负荷调控方法、装置、非易失性存储介质及电子设备。
背景技术
随着电动汽车规模化发展，大量电动汽车接入电网时，增加了电网削峰填谷、调频调压的难度，为保障电网安全稳定运行，须电网向充电站运营商下达电力总负荷计划，要求运营商按下达的负荷计划调控所属充电站按负荷计划运行，这就需要运营商向所属充电站下达较为科学合理的计划，否则会出现有充电站和充电时间段不均衡，导致计划执行率偏低，或充电设施有效率用率低下等问题。目前调控方法主要是由运营商进行预测，然后分解下达计划。在预测中，通用的方法无论指数平滑法，还是ANN人工智能网络算法均存数据量较大时模型训练速度偏慢，且预测值与充电站实际需求偏差较大等问题，严重影响到电力负荷计划的科学分解。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电力负荷调控方法、装置、非易失性存储介质及电子设备，以至少解决相关技术中电力负荷调控方法存在的各充电站在各充电时段的电力分配不均匀，负荷计划准确性低、充电设施利用率低的技术问题。
根据本发明实施例的一个方面，提供了一种电力负荷调控方法，包括：获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果；基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划。
根据本发明实施例的另一方面，还提供了一种电力负荷调控装置，包括：第一获取模块，用于获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；第二获取模块，用于将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果；确定模块，用于基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的电力负荷调控方法。
根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，上述存储器用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现任意一项上述的电力负荷调控方法。
在本发明实施例中，通过获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果；基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划，达到了准确获取各充电站在不同的用电时段的电力负荷计划的目的，从而实现了提升充电站电力负荷计划准确性，电力负荷计划执行率以及充电设施利用率的技术效果，进而解决了相关技术中电力负荷调控方法存在的各充电站在各充电时段的电力分配不均匀，负荷计划准确性低、充电设施利用率低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种电力负荷调控方法的示意图；
图2是根据本发明实施例的一种可选的电力负荷调控方法的示意图；
图3是根据本发明实施例的一种另可选的电力负荷调控方法的示意图；
图4是根据本发明实施例的一种电力负荷调控装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，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”等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。此外，术语“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。
根据本发明实施例，提供了一种电力负荷调控的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的电力负荷调控方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段。
需要说明的是，上述多个充电站为同一电力运营商所属的充电站，由于充电站在一天当中的不同时段的电力负荷强度不同，因此将一天划分为多个用电时段，分别采集各充电站在用电高峰时段、用电平峰时段、用电低谷时段的第一负荷数据，用于后续按照用电时段对各充电站的电力负荷进行预测。多个充电站在多个用电时段分别对应的第一负荷数据可以但不限于为多个充电站在前一天的用电高峰时段、用电平峰时段、用电低谷时段分别对应的负荷数据。
步骤S104，将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果。
在一种可选的实施例中，上述将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果，包括：将上述多个充电站在上述用电高峰时段对应的第一高峰负荷数据分别输入至高峰负荷预测模型，得到上述多个充电站在上述用电高峰时段分别对应的高峰负荷预测结果；将上述多个充电站在上述用电平峰时段对应的第一平峰负荷数据分别输入至平峰负荷预测模型，得到上述多个充电站在上述用电平峰时段分别对应的平峰负荷预测结果；将上述多个充电站在上述用电低谷时段对应的第一低谷负荷数据分别输入至低谷负荷预测模型，得到上述多个充电站在上述用电低谷时段分别对应的低谷负荷预测结果。
可选的，多个用电时段分别对应的第一负荷数据至少包括：用电高峰时段对应的第一高峰负荷数据、用电平峰时段对应的第一平峰负荷数据、用电低谷时段对应的第一低谷负荷数据。多个用电时段分别对应的负荷预测模型至少包括：用电高峰时段对应的高峰负荷预测模型、用电平峰时段对应的平峰负荷预测模型、用电低谷时段对应的低谷负荷预测模型。
需要说明的是，由于各充电站在多个用电时段之间的电力负荷差距较大，采用同一负荷预测模型进行各用电时段电力负荷的预测，可能存在一定的偏差。基于此，本发明实施例针对用电高峰时段、用电平峰时段、用电低谷时段分别构建了对应的负荷预测模型，并将各充电站在各充电时段的第一负荷数据分别输入至对应的负荷预测模型，进行各充电站在多个充电时段的电力负荷预测，由此提升多个充电桩负荷预测的准确性。
在一种可选的实施例中，在上述将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果之前，上述方法还包括：获取上述多个充电站在上述多个用电时段分别对应的第二负荷数据，其中，上述多个充电站在上述多个用电时段分别对应的第二负荷数据包括训练负荷数据和测试负荷数据；将上述多个充电站在上述多个用电时段分别对应的训练负荷数据输入至对应的门卷积神经网络模型进行训练，得到上述多个用电时段分别对应的训练后的门卷积神经网络模型；将上述多个充电站在上述多个用电时段分别对应的测试负荷数据输入至对应的训练后的门卷积神经网络模型进行测试，在获取到的上述多个用电时段分别对应的测试结果满足预设损失条件的情况下，将上述多个用电时段分别对应的训练后的门卷积神经网络模型，作为上述多个用电时段分别对应的负荷预测模型。
通过以上方式，在对多个充电站进行多个用电时段的负荷预测之前，需要构建多个用电时段分别对应的负荷预测模型。分别以多个充电桩在多个用电时段的历史负荷数据(即第二负荷数据，可以是近一个月内多个充电站分别对应的负荷数据)作为模型训练和测试的数据集(即训练负荷数据和测试负荷数据)，进行多个用电时段分别对应的门卷积神经网络模型的训练和测试，进而得到多个用电时段分别对应的负荷预测模型。将上述多个充电站在上述多个用电时段分别对应的第二负荷数据划分为训练负荷数据和测试负荷数据，例如，将上述多个充电站在上述多个用电时段分别对应的第二负荷数据中前75％的数据作为训练负荷数据进行模型训练，后25％的数据作为测试复合数据用于模型测试。在模型测试阶段记录损失函数变化情况，经100次迭代计算后，如损失函数接近收敛，视为模型效果最优，否则，进行调参。
可选的，上述多个用电时段分别对应的负荷预测模型至少包括：用电高峰时段对应的第一门卷积神经网络模型，用电平峰时段对应的第二门卷积神经网络模型，以及用电低谷时段对应的第三门卷积神经网络模型。
可以理解，上述多个用电时段分别对应的负荷预测模型(即高峰负荷预测模型、平峰负荷预测模型以及低谷负荷预测模型)均是基于门卷积神经网络模型(Gated RecurrentUnit，GRU)构建的，该模型通过减少及合并门复杂的内部结构，从而在保障预测准确率的前提下提高了模型的训练速度。门卷积神经网络模型的构建主要包括：输入层的确定、神经元个数的选择、激活函数选择、优化器选择以及损失函数的选择。
可选的，可以但不限于采用GRU神经元隐藏层和全连接神经网络层二维神经网络层作为门卷积神经网络模型的输入层。通过层(layers)的线性堆栈进行多个网络层的堆叠，利用特征信息的关联性和时序信息依赖性提升负荷预测的准确率，使各时刻的原始输入充电站信息都结合前一时刻GRU网络隐藏的相关状态信息，经分析得到各输入特征的影响力权重，加权得到优化的输入数据。
可选的，神经元是人工神经网络中的个体单元。神经元接收一个或多个输入并通过人工智能算法计算处理产生输出。通过本次实验数据集运行发现：GRU隐藏层神经元数量P<5时，该模型预测结果发生欠拟合的情况；而隐藏层神经元数量P>10时，模型预测结果出现过拟合；当5<P<10时，模型预测结果比较理想。因此，可以但不限于采用模型神经元数量P＝7作为门卷积神经网络模型的神经元个数。
可选的，激活函数是人工智能神经网络中每一个神经元线性加权计算结果的非线性处理，体现神经网络非线性映射能力。不同种类的激活函数有着不同的功能，可以但不限于采用Sigmoid激活函数作为门卷积神经网络模型的激活函数。该函数是神经网络模型中应用最广泛的激活函数，具有指数函数形状特征，与生物神经元比较相近。该函数表达式如下：
Figure BDA0004028123390000051
Sigmoid函数取值范围为(0，1)。该函数能够将输入的连续值变换为0至1之间的输出。如果输入值x是无限小的负数，那么函数值接近于0；如果输入值x是无穷大的正数，那么函数值接近于1。
可选的，深度学习的目标就是通过不断改变网络参数，使得参数能够对输入做各种非线性变换拟合输出。为了优化随机梯度下降的传统算法，用于更新训练数据迭代神经网络权重。可以但不限于采用Adam优化器作为门卷积神经网络模型的优化器。
可选的，以均方误差(Mean Squared Error，MSE)作为损失函数进行模型效果的评估，以负荷预测结果yi与真实值yi ′之差的平方和的均数表示，MSE越小，模型预测效果越精准，计算公式如下：
Figure BDA0004028123390000061
其中，σMSE表示均方误差(即损失函数值)，n表示测试负荷数据的输入组数。
在一种可选的实施例中，上述将上述多个充电站在上述多个用电时段分别对应的训练负荷数据输入至对应的门卷积神经网络模型进行训练，得到上述多个用电时段分别对应的训练后的门卷积神经网络模型，包括：将上述多个充电站在上述用电高峰时段分别对应的第一训练负荷数据输入至第一门卷积神经网络模型进行训练，得到上述用电高峰时段对应的训练后的第一门卷积神经网络模型；将上述多个充电站在上述用电平峰时段分别对应的第二训练负荷数据输入至第二门卷积神经网络模型进行训练，得到上述用电平峰时段对应的训练后的第二门卷积神经网络模型；将上述多个充电站在上述用电低谷时段分别对应的第三训练负荷数据输入至第三门卷积神经网络模型进行训练，得到上述用电低谷时段对应的训练后的第三门卷积神经网络模型。
需要说明的是，对于多个采样时段分别对应的门卷积神经网络模型(即上述第一门卷积神经网络模型、第二门卷积神经网络模型以及第三门卷积神经网络模型)可以相同，也可以不同，即上述第一门卷积神经网络模型、第二门卷积神经网络模型以及第三门卷积神经网络模型可以具有相同或者不同的输入层、神经元个数、激活函数、优化器以及损失函数的设置。
可以理解，构建多个用电时段分别对应的负荷预测模型，需要采集各充电站在多个用电时段分别对应的负荷数据，并输入至对应的初始模型(即门卷积神经网络模型)进行训练，进而得到多个电时段分别对应的训练后的门卷积神经网络模型(即用电高峰时段对应的训练后的第一门卷积神经网络模型、用电平峰时段对应的训练后的第二门卷积神经网络模型以及用电低谷时段对应的训练后的第三门卷积神经网络模型)。
在一种可选的实施例中，上述将上述多个充电站在上述多个用电时段分别对应的测试负荷数据输入至对应的训练后的门卷积神经网络模型进行测试，在获取到的上述多个用电时段分别对应的测试结果满足预设损失条件的情况下，将上述多个用电时段分别对应的训练后的门卷积神经网络模型，作为上述多个用电时段分别对应的负荷预测模型，包括：将上述多个充电站在上述用电高峰时段分别对应的第一测试负荷数据输入至训练后的第一门卷积神经网络模型进行测试，在获取到的上述用电高峰时段对应的第一测试结果满足第一预设损失条件的情况下，将上述训练后的第一门卷积神经网络模型作为上述用电高峰时段对应的高峰负荷预测模型；将上述多个充电站在上述用电平峰时段分别对应的第二测试负荷数据输入至训练后的第二门卷积神经网络模型进行测试，在获取到的上述用电平峰时段对应的第二测试结果满足第二预设损失条件的情况下，将上述训练后的第二门卷积神经网络模型作为上述用电平峰时段对应的平峰负荷预测模型；将上述多个充电站在上述用电低谷时段分别对应的第三测试负荷数据输入至训练后的第三门卷积神经网络模型进行测试，在获取到的上述用电低谷时段对应的第三测试结果满足第三预设损失条件的情况下，将上述训练后的第三门卷积神经网络模型作为上述用电低谷时段对应的低谷负荷预测模型。
可以理解，在获取到多个电时段分别对应的训练后的门卷积神经网络模型(即用电高峰时段对应的训练后的第一门卷积神经网络模型、用电平峰时段对应的训练后的第二门卷积神经网络模型以及用电低谷时段对应的训练后的第三门卷积神经网络模型)之后，需要进一步对获取到的多个电时段分别对应的训练后的门卷积神经网络模型进行测试，将多个用电时段分别对应的测试负荷数据分别输入至对应的训练后的门卷积神经网络模型，得到多个用电时段分别对应的测试负荷数据分别对应的测试结果，在测试结果满足对应的预设损失条件(即用电高峰时段对应的第一测试结果满足第一预设损失条件，用电平峰时段对应的第二测试结果满足第二预设损失条件，用电低谷时段对应的第三测试结果满足第三预设损失条件)的情况下，将训练后的门卷积神经网络模作为对应的负荷预测模型，用于后续对多个充电桩在各个用电时段的用电负荷进行预测。
可选的，上述预设损失条件为损失函数值条件，将上述多个充电站在上述多个用电时段分别对应的第二负荷数据中前75％的数据作为训练负荷数据进行模型训练，后25％的数据作为测试复合数据用于模型测试。在模型测试阶段记录损失函数变化情况，经100次迭代计算后，如损失函数接近收敛，视为模型效果最优，此时认为测试结果达到预设损失条件，对应的训练后的门卷积神经网络模型可以作为负荷预测模型。
在一种可选的实施例中，上述获取上述多个充电站在上述多个用电时段分别对应的第二负荷数据，包括：获取上述多个充电站在上述多个用电时段分别对应的历史负荷数据；对上述多个充电站在上述多个用电时段分别对应的历史负荷数据进行异常数据修正处理，得到上述多个充电站在上述多个用电时段分别对应的处理后的历史负荷数据；对上述多个充电站在上述多个用电时段分别对应的处理后的历史负荷数据进行归一化处理，得到上述多个充电站在上述多个用电时段分别对应的第二负荷数据。
需要说明的是，上述多个用电时段分别对应的第二负荷数据是基于多个充电站的历史负荷数据得到的。通常情况下，采集到的多个充电站的历史负荷数据无法直接用于模型训练，首先需要将获取到的多个充电站的历史负荷数据按照充电时段(即用电高峰时段、用电平峰时段、用电低谷时段)进行划分，接着对多个充电站在多个用电时段分别对应的历史负荷数据进行预处理，检查数据采集过程中因设备检修或其他干扰因素导致的异常数据并进行修正，得到多个充电站在上述多个用电时段分别对应的处理后的历史负荷数据；然后，对多个充电站在上述多个用电时段分别对应的处理后的历史负荷数据进行归一化处理，电力负荷数据值变成(0，1)之间的小数值，即为多个充电站在上述多个用电时段分别对应的第二负荷数据，归一化后的数据时间序列与负荷数据时间序列一致。
步骤S106，基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划。
在一种可选的实施例中，上述基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划，包括：基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在上述多个用电时段分别对应的负荷权重值；获取上述多个用电时段分别对应的总电力负荷计划；基于上述多个充电站在上述多个用电时段分别对应的负荷权重值，以及上述总电力负荷计划，确定上述多个充电站在多个用电时段分别对应的电力负荷计划。可选的，基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在上述多个用电时段分别对应的负荷权重值，包括：基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定多个用电时段分别对应的总负荷预测结果；基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，以及上述多个充电站在上述多个用电时段分别对应的负荷预测结果，得到上述多个充电站在上述多个用电时段分别对应的负荷权重值。
可选的，基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，通过如下方式确定多个用电时段分别对应的总负荷预测结果：
Figure BDA0004028123390000091
其中，q表示运营商所属多个充电站的数量；yf表示多个充电站在用电高峰时段对应的总负荷预测结果；yj,f表示多个充电站在用电高峰时段分别对应的负荷预测结果；yp表示多个充电站在用电平峰时段对应的总负荷预测结果；yj,p表示多个充电站在用电平峰时段分别对应的负荷预测结果；yg表示多个充电站在用电低谷时段对应的总负荷预测结果；yj,g表示多个充电站在用电低谷时段分别对应的负荷预测结果。
可选的，基于上述多个充电站在上述多个用电时段分别对应的负荷权重值，以及上述总电力负荷计划，通过如下方式确定上述多个充电站在多个用电时段分别对应的电力负荷计划：
Figure BDA0004028123390000092
其中，yj ′ ,f表示下达给多个充电站中第j充电站用电高峰时段的电力负荷计划；yZ,f表示下达给运营商用电高峰时段的总电力负荷计划；
Figure BDA0004028123390000093
表示第j充电站在用电高峰时段的负荷权重值；yj ′ ,p表示下达给多个充电站中第j充电站用电平峰时段的电力负荷计划；yz,p表示下达给运营商用电平峰时段的总电力负荷计划；/>
Figure BDA0004028123390000094
表示第j充电站在用电平峰时段的负荷权重值；yj ′ ,g表示下达给多个充电站中第j充电站用电低谷时段的电力负荷计划；yz,g表示下达给运营商用电低谷时段的总电力负荷计划/>
Figure BDA0004028123390000095
表示第j充电站在用电低谷时段的负荷权重值。
通过上述步骤S102至步骤S106，可以达到准确获取各充电站在不同的用电时段的电力负荷计划的目的，从而实现提升充电站电力负荷计划准确性，电力负荷计划执行率以及充电设施利用率的技术效果，进而解决相关技术中电力负荷调控方法存在的各充电站在各充电时段的电力分配不均匀，负荷计划准确性低、充电设施利用率低的技术问题。
基于上述实施例和可选实施例，本发明提出一种可选实施方式，图2是根据本发明实施例的一种可选的电力负荷调控方法的流程图，图3是根据本发明实施例的一种可选的电力负荷调控方法的流程图，如图2和图3所示，该方法包括：
步骤S1，历史数据采集。由于不同充电站、不同时段的电力负荷规律互不相同，采集历史数据时，以日为单位，按各充电站用电高峰时段、用电平峰时段、用电低谷时段分别进行归类，得到多个充电站在用电高峰时段、用电平峰时段、用电低谷时段分别对应的历史负荷数据。
步骤S2，数据处理。首先，对多个充电站在用电高峰时段、用电平峰时段、用电低谷时段分别对应的历史负荷数据进行预处理，即检查数据采集过程中因设备检修或其他干扰因素导致的异常数据并进行修正，得到多个充电站在多个用电时段分别对应的处理后的历史负荷数据；然后，对多个充电站在多个用电时段分别对应的处理后的历史负荷数据进行归一化处理，电力负荷数据值变成(0，1)之间的小数值，即为多个充电站在多个用电时段分别对应的第二负荷数据，归一化后的数据时间序列与负荷数据时间序列一致。
步骤S3，构建用电高峰时段对应的第一门卷积神经网络模型，用电平峰时段对应的第二门卷积神经网络模型，以及用电低谷时段对应的第三门卷积神经网络模型，主要包括：输入层的确定、神经元个数的选择、激活函数选择、优化器选择以及损失函数的选择。本发明实施例中，第一门卷积神经网络模型、第二门卷积神经网络模型以及第三门卷积神经网络模型，具体包括如下子步骤：
步骤S31，输入层的确定。采用GRU神经元隐藏层和全连接神经网络层二维神经网络层作为门卷积神经网络模型的输入层。通过层(layers)的线性堆栈进行多个网络层的堆叠，利用特征信息的关联性和时序信息依赖性提升负荷预测的准确率，使各时刻的原始输入充电站信息都结合前一时刻GRU网络隐藏的相关状态信息，经分析得到各输入特征的影响力权重，加权得到优化的输入数据。
步骤S32，神经元个数的选择。神经元是人工神经网络中的个体单元。神经元接收一个或多个输入并通过人工智能算法计算处理产生输出。通过本次实验数据集运行发现：GRU隐藏层神经元数量P<5时，该模型预测结果发生欠拟合的情况；而隐藏层神经元数量P>10时，模型预测结果出现过拟合；当5<P<10时，模型预测结果比较理想。因此，可以但不限于采用模型神经元数量P＝7作为门卷积神经网络模型的神经元个数。
步骤S33，激活函数选择。激活函数是人工智能神经网络中每一个神经元线性加权计算结果的非线性处理，体现神经网络非线性映射能力。不同种类的激活函数有着不同的功能，可以但不限于采用Sigmoid激活函数作为门卷积神经网络模型的激活函数。该函数是神经网络模型中应用最广泛的激活函数，具有指数函数形状特征，与生物神经元比较相近。
步骤S34，优化器选择。深度学习的目标就是通过不断改变网络参数，使得参数能够对输入做各种非线性变换拟合输出。为了优化随机梯度下降的传统算法，用于更新训练数据迭代神经网络权重。采用Adam优化器作为门卷积神经网络模型的优化器。
步骤S35，损失函数的选择。以均方误差(Mean Squared Error，MSE)作为损失函数进行模型效果的评估，以负荷预测结果yi与真实值yi ′之差的平方和的均数表示，MSE越小，模型预测效果越精准。
步骤S4，模型训练与模型效果验证。多个充电站在多个用电时段分别对应的第二负荷数据中前75％的数据作为训练负荷数据进行模型训练，后25％的数据作为测试复合数据用于模型测试。在模型测试阶段记录损失函数变化情况，经100次迭代计算后，如损失函数接近收敛，视为模型效果最优，此时认为测试结果达到预设损失条件，对应的训练后的门卷积神经网络模型可以作为负荷预测模型。即得到用电高峰时段对应的高峰负荷预测模型、用电平峰时段对应的平峰负荷预测模型、用电低谷时段对应的低谷负荷预测模型。
步骤S5，多个充电站在多个用电时段分别对应的电力负荷的预测。采集各充电站在用电高峰时段、用电平峰时段、用电低谷时段的第一负荷数据；将多个充电站在用电高峰时段对应的第一高峰负荷数据分别输入至高峰负荷预测模型，得到多个充电站在用电高峰时段分别对应的高峰负荷预测结果；将多个充电站在用电平峰时段对应的第一平峰负荷数据分别输入至平峰负荷预测模型，得到多个充电站在用电平峰时段分别对应的平峰负荷预测结果；将多个充电站在用电低谷时段对应的第一低谷负荷数据分别输入至低谷负荷预测模型，得到多个充电站在用电低谷时段分别对应的低谷负荷预测结果。
步骤S6，建立各用电时段总电力需求模型。按运营商各充电站峰平谷段电力需求的GRU模型输出结果分别累加，得到需求预测总模型，具体如下：
Figure BDA0004028123390000121
式中：q表示运营商所属多个充电站的数量；yf表示多个充电站在用电高峰时段对应的总负荷预测结果；yj,f表示多个充电站在用电高峰时段分别对应的负荷预测结果；yp表示多个充电站在用电平峰时段对应的总负荷预测结果；yj,p表示多个充电站在用电平峰时段分别对应的负荷预测结果；yg表示多个充电站在用电低谷时段对应的总负荷预测结果；yj,g表示多个充电站在用电低谷时段分别对应的负荷预测结果。
步骤S7，建立分段分配负荷计划模型。将电网下达给运营商的计划负荷按峰平谷三部进行分解，分段分配负荷计划模型如下：
Figure BDA0004028123390000122
其中，yj ′ ,f表示下达给多个充电站中第j充电站用电高峰时段的电力负荷计划；yZ,f表示下达给运营商用电高峰时段的总电力负荷计划；
Figure BDA0004028123390000123
表示第j充电站在用电高峰时段的负荷权重值；yj ′ ,p表示下达给多个充电站中第j充电站用电平峰时段的电力负荷计划；yz,p表示下达给运营商用电平峰时段的总电力负荷计划；/>
Figure BDA0004028123390000124
表示第j充电站在用电平峰时段的负荷权重值；yj ′ ,g表示下达给多个充电站中第j充电站用电低谷时段的电力负荷计划；yz,g表示下达给运营商用电低谷时段的总电力负荷计划/>
Figure BDA0004028123390000125
表示第j充电站在用电低谷时段的负荷权重值。
需要说明的是，本发明实施例提出先按运营商预测电力负荷需求，再分解负荷计划的思路；针对各充电站、各时间段充电规律特点不同，提出按充电站、按平谷峰时段分别建立需求和负荷分配子模型的方法；在需求预测中，采用了基于们卷积神经网络的电力负荷预测模型，经试验验证，在保障预测准确率的前提下提高了模型的训练速度。通过该方法，首先分别预测各充电站峰平谷时段电力需求负荷，然后计算出运营商各时段电力需求总负荷，再等比例分解电网下达的负荷计划。使运营商的电力负荷分配更加科学合理，既提高了电力负荷计划执行率，又高效有序的利用了充电设施。
在本实施例中还提供了一种电力负荷调控装置，该装置用于实现实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例，还提供了一种用于实施上述电力负荷调控方法的装置实施例，图4是根据本发明实施例的一种电力负荷调控装置的结构示意图，如图4所示，上述电力负荷调控装置，包括：第一获取模块400、第二获取模块402、确定模块404，其中：
上述第一获取模块400，用于获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；
上述第二获取模块402，连接于上述第一获取模块400，用于将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果；
上述确定模块404，连接于上述第二获取模块402，用于基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划。
在本发明实施例中，通过上述第一获取模块400，用于获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；上述第二获取模块402，连接于上述第一获取模块400，用于将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果；上述确定模块404，连接于上述第二获取模块402，用于基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划，达到了准确获取各充电站在不同的用电时段的电力负荷计划的目的，从而实现了提升充电站电力负荷计划准确性，电力负荷计划执行率以及充电设施利用率的技术效果，进而解决了相关技术中电力负荷调控方法存在的各充电站在各充电时段的电力分配不均匀，负荷计划准确性低、充电设施利用率低的技术问题。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是，上述第一获取模块400、第二获取模块402、确定模块404对应于实施例中的步骤S102至步骤S106，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例中的相关描述，此处不再赘述。
上述的电力负荷调控装置还可以包括处理器和存储器，上述第一获取模块400、第二获取模块402、确定模块404等均作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序模块，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本申请实施例，还提供了一种非易失性存储介质的实施例。可选的，在本实施例中，上述非易失性存储介质包括存储的程序，其中，在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种电力负荷调控方法。
可选的，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述非易失性存储介质包括存储的程序。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果；基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划。
根据本申请实施例，还提供了一种处理器的实施例。可选的，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种电力负荷调控方法。
根据本申请实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种的电力负荷调控方法步骤的程序。
可选的，上述计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果；基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划。
本发明实施例提供了一种电子设备，该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，上述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；将上述多个充电站在上述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到上述多个充电站在上述多个用电时段分别对应的负荷预测结果；基于上述多个充电站在上述多个用电时段分别对应的负荷预测结果，确定上述多个充电站在多个用电时段分别对应的电力负荷计划。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块或模块的间接耦合或通信连接，可以是电性或其它的形式。
上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模块，即可以位于一个地方，或者也可以分布到多个模块上。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模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
上述集成的模块如果以软件功能模块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非易失性存储介质中。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全部或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非易失性存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的非易失性存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电力负荷调控方法，其特征在于，包括：
获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，所述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；
将所述多个充电站在所述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到所述多个充电站在所述多个用电时段分别对应的负荷预测结果；
基于所述多个充电站在所述多个用电时段分别对应的负荷预测结果，确定所述多个充电站在多个用电时段分别对应的电力负荷计划。
2.根据权利要求1所述的方法，其特征在于，所述将所述多个充电站在所述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到所述多个充电站在所述多个用电时段分别对应的负荷预测结果，包括：
将所述多个充电站在所述用电高峰时段对应的第一高峰负荷数据分别输入至高峰负荷预测模型，得到所述多个充电站在所述用电高峰时段分别对应的高峰负荷预测结果；
将所述多个充电站在所述用电平峰时段对应的第一平峰负荷数据分别输入至平峰负荷预测模型，得到所述多个充电站在所述用电平峰时段分别对应的平峰负荷预测结果；
将所述多个充电站在所述用电低谷时段对应的第一低谷负荷数据分别输入至低谷负荷预测模型，得到所述多个充电站在所述用电低谷时段分别对应的低谷负荷预测结果。
3.根据权利要求1所述的方法，其特征在于，在所述将所述多个充电站在所述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到所述多个充电站在所述多个用电时段分别对应的负荷预测结果之前，所述方法还包括：
获取所述多个充电站在所述多个用电时段分别对应的第二负荷数据，其中，第二负荷数据包括训练负荷数据和测试负荷数据；
将所述多个充电站在所述多个用电时段分别对应的训练负荷数据输入至对应的门卷积神经网络模型进行训练，得到所述多个用电时段分别对应的训练后的门卷积神经网络模型；
将所述多个充电站在所述多个用电时段分别对应的测试负荷数据输入至对应的训练后的门卷积神经网络模型进行测试，在获取到的所述多个用电时段分别对应的测试结果满足预设损失条件的情况下，将所述多个用电时段分别对应的训练后的门卷积神经网络模型，作为所述多个用电时段分别对应的负荷预测模型。
4.根据权利要求3所述的方法，其特征在于，所述将所述多个充电站在所述多个用电时段分别对应的训练负荷数据输入至对应的门卷积神经网络模型进行训练，得到所述多个用电时段分别对应的训练后的门卷积神经网络模型，包括：
将所述多个充电站在所述用电高峰时段分别对应的第一训练负荷数据输入至第一门卷积神经网络模型进行训练，得到所述用电高峰时段对应的训练后的第一门卷积神经网络模型；
将所述多个充电站在所述用电平峰时段分别对应的第二训练负荷数据输入至第二门卷积神经网络模型进行训练，得到所述用电平峰时段对应的训练后的第二门卷积神经网络模型；
将所述多个充电站在所述用电低谷时段分别对应的第三训练负荷数据输入至第三门卷积神经网络模型进行训练，得到所述用电低谷时段对应的训练后的第三门卷积神经网络模型。
5.根据权利要求3所述的方法，其特征在于，所述将所述多个充电站在所述多个用电时段分别对应的测试负荷数据输入至对应的训练后的门卷积神经网络模型进行测试，在获取到的所述多个用电时段分别对应的测试结果满足预设损失条件的情况下，将所述多个用电时段分别对应的训练后的门卷积神经网络模型，作为所述多个用电时段分别对应的负荷预测模型，包括：
将所述多个充电站在所述用电高峰时段分别对应的第一测试负荷数据输入至训练后的第一门卷积神经网络模型进行测试，在获取到的所述用电高峰时段对应的第一测试结果满足第一预设损失条件的情况下，将所述训练后的第一门卷积神经网络模型作为所述用电高峰时段对应的高峰负荷预测模型；
将所述多个充电站在所述用电平峰时段分别对应的第二测试负荷数据输入至训练后的第二门卷积神经网络模型进行测试，在获取到的所述用电平峰时段对应的第二测试结果满足第二预设损失条件的情况下，将所述训练后的第二门卷积神经网络模型作为所述用电平峰时段对应的平峰负荷预测模型；
将所述多个充电站在所述用电低谷时段分别对应的第三测试负荷数据输入至训练后的第三门卷积神经网络模型进行测试，在获取到的所述用电低谷时段对应的第三测试结果满足第三预设损失条件的情况下，将所述训练后的第三门卷积神经网络模型作为所述用电低谷时段对应的低谷负荷预测模型。
6.根据权利要求3所述的方法，其特征在于，所述获取所述多个充电站在所述多个用电时段分别对应的第二负荷数据，包括：
获取所述多个充电站在所述多个用电时段分别对应的历史负荷数据；
对所述多个充电站在所述多个用电时段分别对应的历史负荷数据进行异常数据修正处理，得到所述多个充电站在所述多个用电时段分别对应的处理后的历史负荷数据；
对所述多个充电站在所述多个用电时段分别对应的处理后的历史负荷数据进行归一化处理，得到所述多个充电站在所述多个用电时段分别对应的第二负荷数据。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，所述基于所述多个充电站在所述多个用电时段分别对应的负荷预测结果，确定所述多个充电站在多个用电时段分别对应的电力负荷计划，包括：
基于所述多个充电站在所述多个用电时段分别对应的负荷预测结果，确定所述多个充电站在所述多个用电时段分别对应的负荷权重值；
获取所述多个用电时段分别对应的总电力负荷计划；
基于所述多个充电站在所述多个用电时段分别对应的负荷权重值，以及所述总电力负荷计划，确定所述多个充电站在多个用电时段分别对应的电力负荷计划。
8.一种电力负荷调控装置，其特征在于，包括：
第一获取模块，用于获取多个充电站在多个用电时段分别对应的第一负荷数据，其中，所述多个用电时段至少包括：用电高峰时段、用电平峰时段、用电低谷时段；
第二获取模块，用于将所述多个充电站在所述多个用电时段分别对应的第一负荷数据分别输入至对应的负荷预测模型，得到所述多个充电站在所述多个用电时段分别对应的负荷预测结果；
确定模块，用于基于所述多个充电站在所述多个用电时段分别对应的负荷预测结果，确定所述多个充电站在多个用电时段分别对应的电力负荷计划。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至7中任意一项所述的电力负荷调控方法。
10.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的电力负荷调控方法。
CN202211718782.3A 2022-12-29 2022-12-29 电力负荷调控方法、装置、非易失性存储介质及电子设备 Pending CN116231665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211718782.3A CN116231665A (zh) 2022-12-29 2022-12-29 电力负荷调控方法、装置、非易失性存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211718782.3A CN116231665A (zh) 2022-12-29 2022-12-29 电力负荷调控方法、装置、非易失性存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN116231665A true CN116231665A (zh) 2023-06-06

Family

ID=86579644

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211718782.3A Pending CN116231665A (zh) 2022-12-29 2022-12-29 电力负荷调控方法、装置、非易失性存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116231665A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117638950A (zh) * 2023-10-19 2024-03-01 河北思极科技有限公司 用电策略推荐方法、装置、电子设备及存储介质
CN118707253A (zh) * 2024-08-28 2024-09-27 深圳市航天泰瑞捷电子有限公司 一种电弧检测方法、装置、电子设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117638950A (zh) * 2023-10-19 2024-03-01 河北思极科技有限公司 用电策略推荐方法、装置、电子设备及存储介质
CN117638950B (zh) * 2023-10-19 2024-05-31 河北思极科技有限公司 用电策略推荐方法、装置、电子设备及存储介质
CN118707253A (zh) * 2024-08-28 2024-09-27 深圳市航天泰瑞捷电子有限公司 一种电弧检测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
CN116231665A (zh) 电力负荷调控方法、装置、非易失性存储介质及电子设备
CN110135635B (zh) 一种区域电力饱和负荷预测方法及系统
CN107506868A (zh) 一种短时电力负荷预测的方法及装置
CN112834927A (zh) 锂电池剩余寿命预测方法、系统、设备及介质
CN112990587B (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN113807589B (zh) 基于模型预测的运营商储能的滚动优化方法及装置
CN112508734B (zh) 基于卷积神经网络的电力企业发电量的预测方法及装置
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN116703464A (zh) 电动汽车充电需求建模方法、装置、电子设备及存储介质
CN115759336A (zh) 一种面向短期电力负荷预测的预测方法及存储介质
CN117595231A (zh) 一种智能电网配网管理系统及其方法
Du et al. Applying deep convolutional neural network for fast security assessment with N-1 contingency
CN113406503A (zh) 基于深度神经网络的锂电池soh在线估算方法
CN115616333A (zh) 一种配电网线损预测方法及系统
CN116826710A (zh) 基于负荷预测的削峰策略推荐方法、装置及存储介质
CN117458481A (zh) 一种基于XGBoost的电力系统负荷预测方法及装置
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN112329995A (zh) 分布式储能集群的优化调度方法、装置和计算机设备
CN111799820A (zh) 一种电力系统双层智能混合零星云储能对抗调控方法
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN116639013A (zh) 一种电动汽车有序充电方法、装置、电子设备及存储介质
CN114759579A (zh) 一种基于数据驱动的电网有功优化控制系统、方法和介质
CN113762646A (zh) 一种光伏短期功率智能预测方法及系统

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