CN116245221B - 一种负荷实时预测方法、装置和电子设备 - Google Patents

一种负荷实时预测方法、装置和电子设备 Download PDF

Info

Publication number
CN116245221B
CN116245221B CN202310025519.4A CN202310025519A CN116245221B CN 116245221 B CN116245221 B CN 116245221B CN 202310025519 A CN202310025519 A CN 202310025519A CN 116245221 B CN116245221 B CN 116245221B
Authority
CN
China
Prior art keywords
historical
load
time
load data
corresponding relation
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
Application number
CN202310025519.4A
Other languages
English (en)
Other versions
CN116245221A (zh
Inventor
冯媛
魏琼
王得成
丁鹏
吴炜坤
任浩雯
严晓
赵恩海
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.)
Shanghai Meikesheng Energy Technology Co.,Ltd.
Original Assignee
Shanghai MS Energy Storage 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 Shanghai MS Energy Storage Technology Co Ltd filed Critical Shanghai MS Energy Storage Technology Co Ltd
Priority to CN202310025519.4A priority Critical patent/CN116245221B/zh
Publication of CN116245221A publication Critical patent/CN116245221A/zh
Application granted granted Critical
Publication of CN116245221B publication Critical patent/CN116245221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

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

Abstract

本申请提供了一种负荷实时预测方法、装置和电子设备，可以通过验证集得到周期误差均值，并利用得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，降低扰动对实时预测负荷数据的影响，从而利用误差反馈机制，实时修正负荷的预测值，提高了对未出现过的负荷数据的实时预测的精度。

Description

一种负荷实时预测方法、装置和电子设备
技术领域
本申请涉及负荷预测技术领域，具体而言，涉及一种负荷实时预测方法、装置和电子设备。
背景技术
目前，在能源的管理、计划、调度时，对于负荷的预测准确度的提高是保证制定更高效和经济最优的削峰填谷、需量控制方案的关键所在。由于负荷数据是具有一定规律性和周期性的，这意味着可以通过统计学方法找出负荷预测中的规律，从而实现更精准的预测。
然而，对负荷的实时预测只能基于过去发生的负荷数据进行一整天负荷的大概走势预测，对于从未出现过的负荷数据或者受到扰动影响的负荷数据的预测效果并不理想。
发明内容
为解决上述问题，本申请实施例的目的在于提供一种负荷实时预测方法、装置和电子设备。
第一方面，本申请实施例提供了一种负荷实时预测方法，包括：
获取需要预测负荷数据的时间点、历史负荷数据集合和周期误差数量，其中，所述历史负荷数据集合包括：多个历史负荷数据和负荷采集时间的对应关系；所述时间点包括：日期和时刻；所述负荷采集时间，包括：历史日期和历史时刻；
将所述历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集；其中，所述验证集具有所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系；所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系中的历史时刻与所述测试集中记载的负荷采集时间中的最小时间点的时间相同；
从所述历史负荷数据集合中获取到所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；
利用获取到的所述第二历史负荷数据对所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测；
根据所述验证集中的所述对应关系中的负荷采集时间的所述第一历史负荷预测值和所述第一历史负荷数据，得到负荷误差值，并根据得到的负荷误差值，计算得到周期误差均值；
根据计算得到的周期误差均值，对需要预测负荷数据的时间点的负荷进行实时预测。
第二方面，本申请实施例还提供了一种负荷实时预测装置，包括：
第一获取模块，用于获取需要预测负荷数据的时间点、历史负荷数据集合和周期误差数量，其中，所述历史负荷数据集合包括：多个历史负荷数据和负荷采集时间的对应关系；所述时间点包括：日期和时刻；所述负荷采集时间，包括：历史日期和历史时刻；
划分模块，用于将所述历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集；其中，所述验证集具有所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系；所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系中的历史时刻与所述测试集中记载的负荷采集时间中的最小时间点的时间相同；
第二获取模块，用于从所述历史负荷数据集合中获取到所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；
第一预测模块，用于利用获取到的所述第二历史负荷数据对所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测；
计算模块，用于根据所述验证集中的所述对应关系中的负荷采集时间的所述第一历史负荷预测值和所述第一历史负荷数据，得到负荷误差值，并根据得到的负荷误差值，计算得到周期误差均值；
第二预测模块，用于根据计算得到的周期误差均值，对需要预测负荷数据的时间点的负荷进行实时预测。
第三方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述第一方面所述的方法的步骤。
第四方面，本申请实施例还提供了一种所述电子设备，包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行上述第一方面所述的方法的步骤。
本申请实施例上述第一方面至第四方面提供的方案中，将获取到的历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集，从历史负荷数据集合中获取到验证集中的对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；利用获取到的第二历史负荷数据对验证集中的对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测，并根据预测得到的第一历史负荷预测值计算得到周期误差均值，然后根据计算得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，与相关技术中无法精准的对从未出现过的负荷数据或者受到扰动影响的负荷数据进行实时预测的方式相比，可以通过验证集得到周期误差均值，并利用得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，降低扰动对实时预测负荷数据的影响，从而利用误差反馈机制，实时修正负荷的预测值，提高了对未出现过的负荷数据的实时预测的精度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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示出了本申请实施例1所提供的一种负荷实时预测方法的流程图；
图2示出了本申请实施例2所提供的一种负荷实时预测装置的结构示意图；
图3示出了本申请实施例3所提供的一种电子设备的结构示意图。
具体实施方式
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
随着新能源产业的持续发展，综合能源的生产和消费模式也在随之发生着重大转变，这对能源管理能力也提出了更高的要求。在能源的管理、计划、调度时，对于负荷的预测准确度的提高是保证制定更高效和经济最优的削峰填谷、需量控制方案的关键所在。由于负荷数据是具有一定规律性和周期性的，这就意味着可以通过统计学方法找出其中的规律，从而实现更精准的预测。
然而，目前预测只能基于过去发生的负荷数据进行一整天负荷的大概走势预测，对于从未出现过的负荷数据或者受到短期扰动影响的负荷数据的预测效果并不理想，这样的情况下，对负荷的实时预测就是帮助我们进行实时调控的重要参考指标，一般方法是对用于模型训练的历史数据进行实时更新，每更新一次训练数据就训练一组新的模型参数，然后再对下一时间点的负荷进行预测，这样做虽然考虑了历史出现的所有数据的特征，但是在进行滚动预测时，实时模型的精度也应当作为一个参考项(即模型的误差项)加入到对下一时间点负荷的预测中对模型进行修正，从而将预测曲线及时拉回到真实负荷曲线附近。
基于此，本申请提出的负荷实时预测方法、装置和电子设备，引入了一种考虑负荷预测的短期误差和周期误差(周期误差，在以下各实施例中被称作周期误差均值)，并将短期误差和周期误差加入到下一时刻预测算法的实时修正模型中，从而实现负荷实时预测精度的提升。
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和实施例对本申请做进一步详细的说明。
实施例1
本实施例提出一种负荷实时预测方法，执行主体是服务器。
所述服务器与电站连接，能够获取电站的实时负荷数据。
参见图1所示的一种负荷实时预测方法的流程图，本实施例提出的负荷实时预测方法，包括以下具体步骤：
步骤100、获取需要预测负荷数据的时间点、历史负荷数据集合和周期误差数量，其中，所述历史负荷数据集合包括：多个历史负荷数据和负荷采集时间的对应关系；所述时间点包括：日期和时刻；所述负荷采集时间，包括：历史日期和历史时刻。
在上述步骤100中，需要预测负荷数据的时间点，是负荷的采样时间点。
在一个实施方式中，可以将每一天中的0时0分作为第一个采样时间点，然后将每一天中采样间隔在15分钟的时刻确定为是采样时间点。
即每一天的0时0分、0时15分、0时30分……23时30分、23时45分，就是每一天的采样时间点。
在一个实施方式中，在时间点包括日期和时刻的情况下，需要预测负荷数据的时间点可以如下表示：2022-10-02 01：15，这表示需要预测负荷数据的时间点可以是2022年10月2日1时15分。
需要预测负荷数据的时间点可以是2022年10月2日1时15分的情况下，负荷采集时间，可以表示为2022-9-27 00：15：00。其中，2022-9-27是历史日期，00：15：00是历史时间。
进一步地，历史负荷数据和负荷采集时间的对应关系，预先缓存在服务器中，可以如表1所示：
表1
步骤102、将所述历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集；其中，所述验证集具有所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系；所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系中的历史时刻与所述测试集中记载的负荷采集时间中的最小历史时刻的时间相同。
在上述步骤102中，周期误差数量，是预先存储在服务器中的。
周期误差数量，可以设置为是3至10的任意数量，这里不再一一赘述。
示例地，设定需要预测负荷数据的时间点是“2022-10-2 01:15:00”设定历史负荷数据集合是从负荷采集时间“2021-05-27 00:00:00”到负荷采集时间“2022-10-2 01:00:00”分别对应的历史负荷数据的集合。
在一个实施方式中，将历史负荷数据集合中、需要预测负荷数据的时间点的“2022-10-2 01:15:00”之前的四个采样时间点“2022-10-2 01:00:00”、“2022-10-2 00:45:00”、“2022-10-2 00:30:00”和“2022-10-2 00:15:00”与历史负荷数据的对应关系划分为测试集。
通过以上内容可知，测试集中记载的负荷采集时间中的最小历史时刻为2022-10-2 00:15:00。而且，在测试集中，“2022-10-2 00:45:00”是历史时刻“2022-10-2 01:00:00”的前一时刻；“2022-10-2 01:00:00”是历史时刻“2022-10-2 00:45:00”的后一时刻。
将历史负荷数据集合中，周期误差数量的、具有测试集中记载的负荷采集时间中的最小历史时刻的、在需要预测负荷数据的时间点的日期之前且与需要预测负荷数据的时间点的日期相邻的多个负荷采集时间与历史负荷数据的对应关系，确定为验证集。
在一个实施方式中，在测试集中记载的负荷采集时间中的最小历史时刻为2022-10-2 00:15:00的情况下，验证集中的第一历史负荷数据和负荷采集时间的对应关系可以如下表2所示：
表2
在得到测试集和验证集后，将历史负荷数据集合中除测试集所包括的历史负荷数据和负荷采集时间的对应关系和验证集中所包括的第一历史负荷数据和负荷采集时间的对应关系之外的历史负荷数据和负荷采集时间的对应关系确定为训练集。
步骤104、从所述历史负荷数据集合中获取到所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据。
在上述步骤104中，在验证集中的第一历史负荷数据和负荷采集时间的对应关系可以如表2所示的情况下，第二历史负荷数据和所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的前一时刻的对应关系如下表3所示：
表3
步骤106、利用获取到的所述第二历史负荷数据对所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测。
在上述步骤106中，上述服务器中运行有预先训练好的ARIMA模型，通过该ARIMA模型对获取到的第二历史负荷数据分别进行处理，对验证集中的对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测。
通过该ARIMA模型对获取到的第二历史负荷数据分别进行处理，对验证集中的对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测的具体过程是现有技术，这里不再赘述。
步骤108、根据所述验证集中的所述对应关系中的负荷采集时间的所述第一历史负荷预测值和所述第一历史负荷数据，得到负荷误差值，并根据得到的负荷误差值，计算得到周期误差均值。
在上述步骤108中，将验证集中的上述对应关系中的周期误差数量的负荷采集时间的第一历史负荷预测值和第一历史负荷数据分别作差，就可以得到周期误差数量的负荷误差值；然后将得到的周期误差数量的负荷误差值累加，得到负荷误差值累加结果；最后将负荷误差值累加结果除以周期误差数量，就计算得到了周期误差均值。
步骤110、根据计算得到的周期误差均值，对需要预测负荷数据的时间点的负荷进行实时预测。
具体地，为了对需要预测负荷数据的时间点的负荷进行实时预测，上述步骤110可以执行以下步骤(1)至步骤(6)：
(1)从所述历史负荷数据集合中获取所述测试集的对应关系中记录的历史时刻的前一时刻所对应的第三历史负荷数据；
(2)利用所述第三历史负荷数据对所述测试集的对应关系中的所述历史时刻所对应的第二历史负荷预测值进行预测；
(3)计算所述测试集的对应关系中的所述历史时刻所对应的历史负荷数据与所述第二历史负荷预测值的差值，并将计算得到的所述差值确定为所述测试集的对应关系中的所述历史时刻的后一时刻的短期误差；
(4)将所述测试集中的历史时刻与历史负荷数据的对应关系和所述训练集输入到计算模型中，对所述计算模型进行训练，得到负荷预测模型；
(5)将所述测试集中的对应关系中的历史时刻的后一时刻输入到所述负荷预测模型中，得到所述测试集的对应关系中的所述历史时刻的后一时刻所对应的第三历史负荷预测值；
(6)对所述第三历史负荷预测值、所述周期误差均值和所述短期误差进行线性求和计算，得到求和结果，将计算得到的所述求和结果确定为是需要预测负荷数据的时间点的预测负荷数据，完成对需要预测负荷数据的时间点的负荷进行实时预测。
在上述步骤(2)中，第二历史负荷预测值的预测过程，与上述第一历史负荷预测值的预测过程类似，这里不再赘述。
在上述步骤(4)中，计算模型，可以是上述的ARIMA模型。
将所述测试集中的历史时刻与历史负荷数据的对应关系和所述训练集输入到计算模型中，对所述计算模型进行训练，得到负荷预测模型的具体过程是现有技术，这里不再赘述。
在上述步骤(6)中，对所述第三历史负荷预测值、所述周期误差均值和所述短期误差进行线性求和计算，得到求和结果的具体过程是现有技术，这里不再赘述。
通过以上步骤(1)至步骤(6)的描述可知，可以利用计算得到的短期误差来对历史负荷数据的短期波动对预测负荷数据造成的影响进行消除，利用周期误差均值对历史负荷数据的周期误差数量内的长期波动对预测负荷数据造成的影响进行消除，从而提高负荷实时预测时的准确性。
在执行完上述步骤110后，本实施例提出的负荷实时预测方法，还可以执行以下步骤(1)至步骤(3)，以对负荷数据进行实时滚动预测：
(1)当当前时间达到所述时间点时，获取当前的负荷数据；
(2)计算所述当前的负荷数据与所述预测负荷数据的差值，并将计算得到的所述当前的负荷数据与所述预测负荷数据的差值确定为所述时间点的下一时刻的短期误差；
(3)根据所述时间点的下一时刻的短期误差、所述周期误差均值和所述测试集中的所述第一历史负荷数据对应历史时刻的下一时刻与历史负荷数据的对应关系，对所述时间点的下一时刻的负荷进行实时预测。
在上述步骤(1)中，当前的负荷数据，就是服务器获取到的、与服务器连接的电站的实时负荷数据。
通过以上步骤(1)至步骤(3)的内容可知，可以实时的对电站的载荷数据进行预测。
本实施例提出的负荷实时预测方法，具有如下优点：
在进行负荷数据的实时滚动预测时，通过添加误差修正项及时调整负荷的预测值，提高了预测的精度。
调整后的误差更接近正态分布，误差时序波动范围更小，自相关阶数为0，这保证了模型预测能力的稳定性，以及在遇到短期扰动时及时调整的能力。
综上所述，本实施例提出的一种负荷实时预测方法，将获取到的历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集，从历史负荷数据集合中获取到验证集中的对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；利用获取到的第二历史负荷数据对验证集中的对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测，并根据预测得到的第一历史负荷预测值计算得到周期误差均值，然后根据计算得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，与相关技术中无法精准的对从未出现过的负荷数据或者受到扰动影响的负荷数据进行实时预测的方式相比，可以通过验证集得到周期误差均值，并利用得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，降低扰动对实时预测负荷数据的影响，从而利用误差反馈机制，实时修正负荷的预测值，提高了对未出现过的负荷数据的实时预测的精度。
实施例2
本实施例提出的负荷实时预测装置用于执行上述实施例1提出的负荷实时预测方法。
参见图2所示的负荷实时预测装置的结构示意图，本实施例提出一种负荷实时预测装置，包括：
第一获取模块200，用于获取需要预测负荷数据的时间点、历史负荷数据集合和周期误差数量，其中，所述历史负荷数据集合包括：多个历史负荷数据和负荷采集时间的对应关系；所述时间点包括：日期和时刻；所述负荷采集时间，包括：历史日期和历史时刻；
划分模块202，用于将所述历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集；其中，所述验证集具有所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系；所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系中的历史时刻与所述测试集中记载的负荷采集时间中的最小时间点的时间相同；
第二获取模块204，用于从所述历史负荷数据集合中获取到所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；
第一预测模块206，用于利用获取到的所述第二历史负荷数据对所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测；
计算模块208，用于根据所述验证集中的所述对应关系中的负荷采集时间的所述第一历史负荷预测值和所述第一历史负荷数据，得到负荷误差值，并根据得到的负荷误差值，计算得到周期误差均值；
第二预测模块210，用于根据计算得到的周期误差均值，对需要预测负荷数据的时间点的负荷进行实时预测。
具体地，所述第二预测模块，具体用于：
从所述历史负荷数据集合中获取所述测试集的对应关系中记录的历史时刻的前一时刻所对应的第三历史负荷数据；
利用所述第三历史负荷数据对所述测试集的对应关系中的所述历史时刻所对应的第二历史负荷预测值进行预测；
计算所述测试集的对应关系中的所述历史时刻所对应的历史负荷数据与所述第二历史负荷预测值的差值，并将计算得到的所述差值确定为所述测试集的对应关系中的所述历史时刻的后一时刻的短期误差；
将所述测试集中的历史时刻与历史负荷数据的对应关系和所述训练集输入到计算模型中，对所述计算模型进行训练，得到负荷预测模型；
将所述测试集中的对应关系中的历史时刻的后一时刻输入到所述负荷预测模型中，得到所述测试集的对应关系中的所述历史时刻的后一时刻所对应的第三历史负荷预测值；
对所述第三历史负荷预测值、所述周期误差均值和所述短期误差进行线性求和计算，得到求和结果，将计算得到的所述求和结果确定为是需要预测负荷数据的时间点的预测负荷数据，完成对需要预测负荷数据的时间点的负荷进行实时预测。
进一步地，本实施例提出的负荷实时预测装置，还包括：
获取单元，用于当当前时间达到所述时间点时，获取当前的负荷数据；
计算单元，用于计算所述当前的负荷数据与所述预测负荷数据的差值，并将计算得到的所述当前的负荷数据与所述预测负荷数据的差值确定为所述时间点的下一时刻的短期误差；
预测单元，用于根据所述时间点的下一时刻的短期误差、所述周期误差均值和所述测试集中的所述第一历史负荷数据对应历史时刻的下一时刻与历史负荷数据的对应关系，对所述时间点的下一时刻的负荷进行实时预测。
综上所述，本实施例提出的一种负荷实时预测装置，将获取到的历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集，从历史负荷数据集合中获取到验证集中的对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；利用获取到的第二历史负荷数据对验证集中的对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测，并根据预测得到的第一历史负荷预测值计算得到周期误差均值，然后根据计算得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，与相关技术中无法精准的对从未出现过的负荷数据或者受到扰动影响的负荷数据进行实时预测的方式相比，可以通过验证集得到周期误差均值，并利用得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，降低扰动对实时预测负荷数据的影响，从而利用误差反馈机制，实时修正负荷的预测值，提高了对未出现过的负荷数据的实时预测的精度。
实施例3
本实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述实施例1描述的负荷实时预测方法的步骤。具体实现可参见方法实施例1，在此不再赘述。
此外，参见图3所示的一种电子设备的结构示意图，本实施例还提出一种电子设备，上述电子设备包括总线51、处理器52、收发机53、总线接口54、存储器55和用户接口56。上述电子设备包括有存储器55。
本实施例中，上述电子设备还包括：存储在存储器55上并可在处理器52上运行的一个或者一个以上的程序，经配置以由上述处理器执行上述一个或者一个以上程序用于进行以下步骤(1)至步骤(6)：
(1)获取需要预测负荷数据的时间点、历史负荷数据集合和周期误差数量，其中，所述历史负荷数据集合包括：多个历史负荷数据和负荷采集时间的对应关系；所述时间点包括：日期和时刻；所述负荷采集时间，包括：历史日期和历史时刻；
(2)将所述历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集；其中，所述验证集具有所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系；所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系中的历史时刻与所述测试集中记载的负荷采集时间中的最小时间点的时间相同；
(3)从所述历史负荷数据集合中获取到所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；
(4)利用获取到的所述第二历史负荷数据对所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测；
(5)根据所述验证集中的所述对应关系中的负荷采集时间的所述第一历史负荷预测值和所述第一历史负荷数据，得到负荷误差值，并根据得到的负荷误差值，计算得到周期误差均值；
(6)根据计算得到的周期误差均值，对需要预测负荷数据的时间点的负荷进行实时预测。
收发机53，用于在处理器52的控制下接收和发送数据。
其中，总线架构(用总线51来代表)，总线51可以包括任意数量的互联的总线和桥，总线51将包括由处理器52代表的一个或多个处理器和存储器55代表的存储器的各种电路链接在一起。总线51还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本实施例不再对其进行进一步描述。总线接口54在总线51和收发机53之间提供接口。收发机53可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。例如：收发机53从其他设备接收外部数据。收发机53用于将处理器52处理后的数据发送给其他设备。取决于计算系统的性质，还可以提供用户接口56，例如小键盘、显示器、扬声器、麦克风、操纵杆。
处理器52负责管理总线51和通常的处理，如前述上述运行通用操作系统551。而存储器55可以被用于存储处理器52在执行操作时所使用的数据。
可选的，处理器52可以是但不限于：中央处理器、单片机、微处理器或者可编程逻辑器件。
可以理解，本申请实施例中的存储器55可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本实施例描述的系统和方法的存储器55旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器55存储了如下的元素，可执行模块或者数据结构，或者它们的子集，或者它们的扩展集：操作系统551和应用程序552。
其中，操作系统551，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序552，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本申请实施例方法的程序可以包含在应用程序552中。
综上所述，本实施例提出的一种计算机可读存储介质和电子设备，将获取到的历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集，从历史负荷数据集合中获取到验证集中的对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；利用获取到的第二历史负荷数据对验证集中的对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测，并根据预测得到的第一历史负荷预测值计算得到周期误差均值，然后根据计算得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，与相关技术中无法精准的对从未出现过的负荷数据或者受到扰动影响的负荷数据进行实时预测的方式相比，可以通过验证集得到周期误差均值，并利用得到的周期误差均值对需要预测负荷数据的时间点的负荷进行实时预测，降低扰动对实时预测负荷数据的影响，从而利用误差反馈机制，实时修正负荷的预测值，提高了对未出现过的负荷数据的实时预测的精度。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种负荷实时预测方法，其特征在于，包括：
获取需要预测负荷数据的时间点、历史负荷数据集合和周期误差数量，其中，所述历史负荷数据集合包括：多个历史负荷数据和负荷采集时间的对应关系；所述时间点包括：日期和时刻；所述负荷采集时间，包括：历史日期和历史时刻；
将所述历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集；其中，所述验证集具有所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系；所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系中的历史时刻与所述测试集中记载的负荷采集时间中的最小时间点的时间相同；
从所述历史负荷数据集合中获取到所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；
利用获取到的所述第二历史负荷数据对所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测；
根据所述验证集中的所述对应关系中的负荷采集时间的所述第一历史负荷预测值和所述第一历史负荷数据，得到负荷误差值，并根据得到的负荷误差值，计算得到周期误差均值；
根据计算得到的周期误差均值，对需要预测负荷数据的时间点的负荷进行实时预测；
其中，所述根据计算得到的周期误差均值，对需要预测负荷数据的时间点的负荷进行实时预测，包括：
从所述历史负荷数据集合中获取所述测试集的对应关系中记录的历史时刻的前一时刻所对应的第三历史负荷数据；
利用所述第三历史负荷数据对所述测试集的对应关系中的所述历史时刻所对应的第二历史负荷预测值进行预测；
计算所述测试集的对应关系中的所述历史时刻所对应的历史负荷数据与所述第二历史负荷预测值的差值，并将计算得到的所述差值确定为所述测试集的对应关系中的所述历史时刻的后一时刻的短期误差；
将所述测试集中的历史时刻与历史负荷数据的对应关系和所述训练集输入到计算模型中，对所述计算模型进行训练，得到负荷预测模型；
将所述测试集中的对应关系中的历史时刻的后一时刻输入到所述负荷预测模型中，得到所述测试集的对应关系中的所述历史时刻的后一时刻所对应的第三历史负荷预测值；
对所述第三历史负荷预测值、所述周期误差均值和所述短期误差进行线性求和计算，得到求和结果，将计算得到的所述求和结果确定为是需要预测负荷数据的时间点的预测负荷数据，完成对需要预测负荷数据的时间点的负荷进行实时预测。
2.根据权利要求1所述的方法，其特征在于，还包括：
当当前时间达到所述时间点时，获取当前的负荷数据；
计算所述当前的负荷数据与所述预测负荷数据的差值，并将计算得到的所述当前的负荷数据与所述预测负荷数据的差值确定为所述时间点的下一时刻的短期误差；
根据所述时间点的下一时刻的短期误差、所述周期误差均值和所述测试集中的所述第一历史负荷数据对应历史时刻的下一时刻与历史负荷数据的对应关系，对所述时间点的下一时刻的负荷进行实时预测。
3.一种负荷实时预测装置，其特征在于，包括：
第一获取模块，用于获取需要预测负荷数据的时间点、历史负荷数据集合和周期误差数量，其中，所述历史负荷数据集合包括：多个历史负荷数据和负荷采集时间的对应关系；所述时间点包括：日期和时刻；所述负荷采集时间，包括：历史日期和历史时刻；
划分模块，用于将所述历史负荷数据中的多个历史负荷数据和负荷采集时间的对应关系分别划分为训练集、验证集和测试集；其中，所述验证集具有所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系；所述周期误差数量的第一历史负荷数据和负荷采集时间的对应关系中的历史时刻与所述测试集中记载的负荷采集时间中的最小时间点的时间相同；
第二获取模块，用于从所述历史负荷数据集合中获取到所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的前一时刻对应的第二历史负荷数据；
第一预测模块，用于利用获取到的所述第二历史负荷数据对所述验证集中的所述对应关系中记录的负荷采集时间中的历史时刻的第一历史负荷预测值进行预测；
计算模块，用于根据所述验证集中的所述对应关系中的负荷采集时间的所述第一历史负荷预测值和所述第一历史负荷数据，得到负荷误差值，并根据得到的负荷误差值，计算得到周期误差均值；
第二预测模块，用于根据计算得到的周期误差均值，对需要预测负荷数据的时间点的负荷进行实时预测；
其中，所述第二预测模块，具体用于：
从所述历史负荷数据集合中获取所述测试集的对应关系中记录的历史时刻的前一时刻所对应的第三历史负荷数据；
利用所述第三历史负荷数据对所述测试集的对应关系中的所述历史时刻所对应的第二历史负荷预测值进行预测；
计算所述测试集的对应关系中的所述历史时刻所对应的历史负荷数据与所述第二历史负荷预测值的差值，并将计算得到的所述差值确定为所述测试集的对应关系中的所述历史时刻的后一时刻的短期误差；
将所述测试集中的历史时刻与历史负荷数据的对应关系和所述训练集输入到计算模型中，对所述计算模型进行训练，得到负荷预测模型；
将所述测试集中的对应关系中的历史时刻的后一时刻输入到所述负荷预测模型中，得到所述测试集的对应关系中的所述历史时刻的后一时刻所对应的第三历史负荷预测值；
对所述第三历史负荷预测值、所述周期误差均值和所述短期误差进行线性求和计算，得到求和结果，将计算得到的所述求和结果确定为是需要预测负荷数据的时间点的预测负荷数据，完成对需要预测负荷数据的时间点的负荷进行实时预测。
4.根据权利要求3所述的装置，其特征在于，还包括：
获取单元，用于当当前时间达到所述时间点时，获取当前的负荷数据；
计算单元，用于计算所述当前的负荷数据与所述预测负荷数据的差值，并将计算得到的所述当前的负荷数据与所述预测负荷数据的差值确定为所述时间点的下一时刻的短期误差；
预测单元，用于根据所述时间点的下一时刻的短期误差、所述周期误差均值和所述测试集中的所述第一历史负荷数据对应历史时刻的下一时刻与历史负荷数据的对应关系，对所述时间点的下一时刻的负荷进行实时预测。
5.一种计算机可读存储介质，所述计算机可读存储介质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运行时执行上述权利要求1或2所述的方法的步骤。
6.一种电子设备，其特征在于，包括有存储器，处理器以及一个或者一个以上的程序，其中所述一个或者一个以上程序存储于所述存储器中，且经配置以由所述处理器执行权利要求1或2所述的方法的步骤。
CN202310025519.4A 2023-01-09 2023-01-09 一种负荷实时预测方法、装置和电子设备 Active CN116245221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310025519.4A CN116245221B (zh) 2023-01-09 2023-01-09 一种负荷实时预测方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310025519.4A CN116245221B (zh) 2023-01-09 2023-01-09 一种负荷实时预测方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN116245221A CN116245221A (zh) 2023-06-09
CN116245221B true CN116245221B (zh) 2024-03-08

Family

ID=86625429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310025519.4A Active CN116245221B (zh) 2023-01-09 2023-01-09 一种负荷实时预测方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN116245221B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012244897A (ja) * 2011-05-13 2012-12-10 Fujitsu Ltd 短期電力負荷を予測する方法及び装置
CN110705763A (zh) * 2019-09-23 2020-01-17 山东大学 一种包含误差修正的超短期负荷预测方法及系统
WO2021213192A1 (zh) * 2020-04-22 2021-10-28 国网江苏省电力有限公司苏州供电分公司 一种基于通用分布的负荷预测方法及负荷预测系统
CN113657668A (zh) * 2021-08-17 2021-11-16 西南科技大学 基于lstm网络的电力负荷预测方法及系统
CN114529049A (zh) * 2022-01-14 2022-05-24 浙江工业大学 一种基于vmd-cnn-lstm短期电力负荷预测方法
CN114970345A (zh) * 2022-05-25 2022-08-30 武汉大学 短期负荷预测模型构建方法、装置、设备及可读存储介质
CN115186916A (zh) * 2022-07-21 2022-10-14 阳光新能源开发股份有限公司 负荷预测方法、装置、设备及计算机可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012244897A (ja) * 2011-05-13 2012-12-10 Fujitsu Ltd 短期電力負荷を予測する方法及び装置
CN110705763A (zh) * 2019-09-23 2020-01-17 山东大学 一种包含误差修正的超短期负荷预测方法及系统
WO2021213192A1 (zh) * 2020-04-22 2021-10-28 国网江苏省电力有限公司苏州供电分公司 一种基于通用分布的负荷预测方法及负荷预测系统
CN113657668A (zh) * 2021-08-17 2021-11-16 西南科技大学 基于lstm网络的电力负荷预测方法及系统
CN114529049A (zh) * 2022-01-14 2022-05-24 浙江工业大学 一种基于vmd-cnn-lstm短期电力负荷预测方法
CN114970345A (zh) * 2022-05-25 2022-08-30 武汉大学 短期负荷预测模型构建方法、装置、设备及可读存储介质
CN115186916A (zh) * 2022-07-21 2022-10-14 阳光新能源开发股份有限公司 负荷预测方法、装置、设备及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于时间序列法超短期负荷预测改进方法的研究;张超;任国臣;牛艺桥;蒋蕾;贾书文;;辽宁工业大学学报(自然科学版)(第05期);全文 *

Also Published As

Publication number Publication date
CN116245221A (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
US20230028574A1 (en) Traffic prediction method, device, and storage medium
US8886477B2 (en) Reserve capacity calculating apparatus and method therefor, and computer readable medium
CN114529086A (zh) 药品数据处理方法、装置及设备
CN107491870B (zh) 配电网的电力规划方法、装置、设备以及计算机可读存储介质
US20210021482A1 (en) Network traffic prediction method, apparatus, and electronic device
CN107015900A (zh) 一种视频网站的服务性能预测方法
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
CN111310105A (zh) 一种确定用工方案的方法及装置
CN116404631A (zh) 一种电网负荷预测方法、装置和电子设备
CN116245221B (zh) 一种负荷实时预测方法、装置和电子设备
CN108764553B (zh) 用户规模预测方法、装置及计算机设备
CN104462270B (zh) 一种信息推荐的方法及装置
CN110009161A (zh) 供水预测方法及装置
EP3627349B1 (en) Re-computing pre-computed search results
US20200301769A1 (en) Method and system for determining an error threshold value for machine failure prediction
US20150339416A1 (en) Forecast-model-aware data storage for time series data
CN114660468A (zh) 一种退役电池荷电状态预测方法、装置及电子设备
Kugler et al. A monthly leading indicator of Swiss GDP growth based on Okun’s law
CN114091755B (zh) 一种日活跃用户的预测方法、装置、电子设备和介质
US8688488B2 (en) Method and apparatus for the prediction of order turnaround time in an information verification system
CN115993538B (zh) 一种电池容量增量综合曲线的拟合方法、装置和电子设备
CN112990669B (zh) 产品数据分析方法、装置、计算机设备及存储介质
CN109559165A (zh) 配电价格的确定方法、装置、计算机设备和存储介质
CN117113886B (zh) 一种压力预测方法及装置
CN113032445B (zh) 一种数据转化排序方法、装置和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: Room 1101, No. 2, Lane 288, Qianfan Road, Xinqiao Town, Songjiang District, Shanghai 201612

Patentee after: Shanghai Meikesheng Energy Technology Co.,Ltd.

Country or region after: China

Address before: Room 1101, No. 2, Lane 288, Qianfan Road, Xinqiao Town, Songjiang District, Shanghai

Patentee before: Shanghai Meike Energy Storage Technology Co.,Ltd.

Country or region before: China