CN116415770A - 供电方案的确定方法、装置、计算机设备和存储介质 - Google Patents
供电方案的确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116415770A CN116415770A CN202211595810.7A CN202211595810A CN116415770A CN 116415770 A CN116415770 A CN 116415770A CN 202211595810 A CN202211595810 A CN 202211595810A CN 116415770 A CN116415770 A CN 116415770A
- Authority
- CN
- China
- Prior art keywords
- power supply
- target
- time
- power
- supply scheme
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000005611 electricity Effects 0.000 claims abstract description 219
- 230000002787 reinforcement Effects 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000000875 corresponding effect Effects 0.000 description 28
- 230000009471 action Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种供电方案的确定方法、装置、计算机设备和存储介质。所述方法包括:根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,获取目标用电区域第二时间段内的初始供电方案,第一时间段早于第二时间段,将初始供电方案下发至目标用电区域对应的终端,并获取目标用电区域基于初始供电方案在第二时间段内生成的实时用电数据,根据实时用电数据对初始供电方案进行优化,得到目标用电区域在第三时间段内的供电方案,第二时间段早于第三时间段。采用本方法能够提高制定的供电方案的准确度。
Description
技术领域
本申请涉及电网调控技术领域,特别是涉及一种供电方案的确定方法、装置、计算机设备和存储介质。
背景技术
随着用电量用户数量的增加,电网侧供电的用户侧数量越来越多,因此,对于电网侧来说制定合理的供电方案,确保能够向用户侧提供稳定的电力资源,以满足用户侧的用电需求,在电网领域中显得尤为重要。
传统技术中,电网侧主要是通过该获取用电区域中用户的历史用电数据,基于用户的历史用电数据,制定用电区域中用户的供电方案。然而,传统方法中存在制定的供电方案的准确度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高制定的供电方案准确度的供电方案的确定方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种供电方案的确定方法。所述方法包括:
根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,获取所述目标用电区域第二时间段内的初始供电方案;所述第一时间段早于所述第二时间段;
将所述初始供电方案下发至所述目标用电区域对应的终端,并获取所述目标用电区域基于所述初始供电方案在所述第二时间段内生成的实时用电数据;
根据所述实时用电数据对所述初始供电方案进行优化,得到所述目标用电区域在第三时间段内的供电方案;所述第二时间段早于所述第三时间段。
在其中一个实施例中,所述根据所述实时用电数据对所述初始供电方案进行优化,得到所述目标用电区域在第三时间段内的供电方案,包括:
根据所述实时用电数据,确定所述初始供电方案中的供电参数的调整值;其中,所述供电参数包括供电频率、供电峰度值和供电功率中的至少一种;
根据所述调整值对所述初始供电方案进行调整,得到所述目标用电区域在所述第三时间段内的供电方案。
在其中一个实施例中,所述根据所述实时用电数据,确定所述初始供电方案中的供电参数的调整值,包括:
基于所述实时用电数据,获取所述目标用电区域在所述第二时间段内的负荷基线;
根据所述负荷基线,确定所述调整值。
在其中一个实施例中,所述方法还包括:
根据所述目标用电区域的标识,从预设的数据库中获取所述第一时间段内的目标用电数据。
在其中一个实施例中,所述数据库的建立过程包括:
实时采集各用电区域的用电数据;
对各所述用电区域的用电数据进行套索回归处理和聚类处理,得到各所述用电区域的处理后的用电数据;
根据各所述用电区域的标识和各所述用电区域的处理后的用电数据之间的对应关系,建立所述数据库。
在其中一个实施例中,所述方法还包括:
从所述数据库中获取所述目标用电区域的历史用电数据;
采用强化学习算法和所述目标用电区域的历史用电数据,对预设的初始DDQN模型进行训练,得到所述DDQN模型。
第二方面,本申请还提供了一种供电方案的确定装置。所述装置包括:
第一获取模块,用于根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,获取所述目标用电区域第二时间段内的初始供电方案;所述第一时间段早于所述第二时间段;
第二获取模块,用于将所述初始供电方案下发至所述目标用电区域对应的终端,并获取所述目标用电区域基于所述初始供电方案在所述第二时间段内生成的实时用电数;
第三获取模块,用于根据所述实时用电数据对所述初始供电方案进行优化,确定所述目标用电区域在第三时间段内的供电方案;所述第二时间段早于所述第三时间段。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的方法。
上述供电方案的确定方法、装置、计算机设备和存储介质,根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,能够获取目标用电区域第二时间段内的初始供电方案,从而可以将初始供电方案下发至目标用电区域对应的终端,以使目标用电区域对应的终端可以对目标用电区域在第二时间段内的用电方案进行调整,进而可以获取到目标用电区域基于初始供电方案在第二时间段内生成的实时用电数据,从而可以根据目标用电区域在第二时间段内生成的实时用电数据对初始供电方案进行优化,得到目标用电区域在第三时间段内的供电方案,相比传统技术,由于该方法可以获取基于初始供电方案生成的实时用电数据,并根据获取的实时用电数据对目标用电区域的初始供电方案进行优化,从而得到优化后的供电方案,该过程中是不断地对供电方案进行的优化的,避免了根据历史用电数据确定的供电方案不符合实际的用电情况的问题,保证了确定的供电方案更接近目标用电区域的实际用电情况,提高了确定的供电方案的准确度;另外,由于本申请是根据输出结果准确度更高的DDQN模型确定的初始供电方案,从而能够提高确定的初始供电方案的准确度,进而提高了根据初始供电方案优化后的供电方案的准确度。
附图说明
图1为一个实施例中供电方案的确定方法的应用环境图;
图2为一个实施例中供电方案的确定方法的流程示意图;
图3为另一个实施例中供电方案的确定方法的流程示意图;
图4为另一个实施例中供电方案的确定方法的流程示意图;
图5为另一个实施例中供电方案的确定方法的流程示意图;
图6为另一个实施例中供电方案的确定方法的流程示意图;
图7为一个实施例中供电方案的确定装置的结构框图;
图8为另一个实施例中供电方案的确定装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的供电方案的确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。终端102为用户侧的终端设备,服务器104为电网侧的服务器设备,数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、平板电脑、物联网设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
需要说明的是,本申请中的服务器是应用于电力需求响应平台的,电力需求响应平台作为服务器的载体,可以在该电力需求响应平台上对服务器中存储的用电数据进行操控和管理,还可以接收用电侧发送的实时用电数据。
在一个实施例中,如图2所示,提供了一种供电方案的确定方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
S201,根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,获取目标用电区域第二时间段内的初始供电方案;第一时间段早于第二时间段。
其中,目标用电区域为需要根据该区域的用电数据确定该区域的供电方案的用电区域,例如,目标用电区域可以为某个小区,或者,也可以为某个园区等等。可选的,第一时间段可以为当前时间的前一天,也可以为当前时间的前三天,第二时间段可以为当前时间,也可以为当前时间的后一天,其中,第一时间段需要早于第二时间段,且与第二时间段相差时间较短,例如,若第一时间段为第0-24小时,则第二时间段可以为第25-48小时。目标目标用电数据指的是第一时间段内目标用电区域的用电数据,预设的双深度强化学习网络模型指的是将强化学习(Reinforcement Learning,RL)与深度神经网络(Deep NeuralNetworks,NN)进行结合得到的模型(Double Deep Q-Learning Network,DDQN)。
在本实施例中,电网侧的服务器可以通过与用户侧的终端进行通信,获取目标用电区域在第一时间段内的目标用电数据,将获取的目标用电数据输入预设的DDQN模型中,得到DDQN模型的输出结果,根据输出结果可以确定目标区域在第二时间段内的用电情况,从而根据确定的用电情况获取目标供电区域第二时间段内的初始供电方案。
S202,将初始供电方案下发至目标用电区域对应的终端,并获取目标用电区域基于初始供电方案在第二时间段内生成的实时用电数据。
其中,终端指的是用电侧用于接收电网侧发送的供电方案,并调整用电方案的设备;目标用电区域的实时用电数据指的是用电侧按照接收的供电方案调整用电方案之后,实际的用电情况所产生的电力数据。
在本实施例中,电网侧的服务器可以将初始供电方案下发至目标用电区域对应的终端,终端在接收电网侧发送的初始供电方案之后,可以按照初始供电方案调整用电侧的用电方案,在用电方案被调整后通过电流传感器、电压传感器等采集设备采集第二时间段内用电侧的实时用电数据,并将采集到的实时用电数据发送至电网侧的服务器。示例性的,初始供电方案中可以包含电网侧能够提供的电流值、电压值、供电量、供电功率、线损等参数,终端可以根据接收的初始供电方案调整用电侧的各用电设备的电流值、电压值、用电功率等参数,并采集调整之后的实际用电数据,发送至电网侧的服务器。
S203,根据实时用电数据对初始供电方案进行优化,得到目标用电区域在第三时间段内的供电方案;第二时间段早于第三时间段。
其中,第三时间段指的是第二时间段之后的时间段。在本实施例中,电网侧的服务器可以将获取的实时的用电数据输入预设的DDQN模型中,根据模型的输出结果确定新的供电方案,并根据新的供电方案对初始供电方案进行优化,将优化后的供电方案作为第三时间段内的供电方案。示例性的,电网侧的服务器可以将获取的第0-24小时内的实时用电数据输入预设的DDQN模型中,将输出结果作为第25-48小时内的供电方案,并根据获取的第25-48小时内的用电数据确定第49-72小时内的供电方案,以保证各供电方案的实时性。
上述供电方案的确定方法,根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,能够获取目标用电区域第二时间段内的初始供电方案,从而可以将初始供电方案下发至目标用电区域对应的终端,以使目标用电区域对应的终端可以对目标用电区域在第二时间段内的用电方案进行调整,进而可以获取到目标用电区域基于初始供电方案在第二时间段内生成的实时用电数据,从而可以根据目标用电区域在第二时间段内生成的实时用电数据对初始供电方案进行优化,得到目标用电区域在第三时间段内的供电方案,相比传统技术,由于该方法可以获取基于初始供电方案生成的实时用电数据,并根据获取的实时用电数据对目标用电区域的初始供电方案进行优化,从而得到优化后的供电方案,该过程中是不断地对供电方案进行的优化的,避免了根据历史用电数据确定的供电方案不符合实际的用电情况的问题,保证了确定的供电方案更接近目标用电区域的实际用电情况,提高了确定的供电方案的准确度;另外,由于本申请是根据输出结果准确度更高的DDQN模型确定的初始供电方案,从而能够提高确定的初始供电方案的准确度,进而提高了根据初始供电方案优化后的供电方案的准确度。
在上述得到目标用电区域第三时间段内的供电方案的场景中,可以根据实时用电数据对初始供电方案进行优化,以得到第三时间段内的供电方案。在一个实施例中,如图3所示,上述S203,包括:
S301,根据实时用电数据,确定初始供电方案中的供电参数的调整值;其中,供电参数包括供电频率、供电峰度值和供电功率中的至少一种。
可选的,供电参数可以包括供电频率、供电峰度值、供电功率、供电量、线损、储能功率、变压容量、总负荷、各时段负荷等,供电参数的调整值指的是需要对上述供电参数增加或减小的值。
在本实施例中,电网侧的服务器可以根据实时用电数据计算电网侧需要提供的电力数据,将计算得到的电网侧需要提供的电力数据与初始供电方案中的电力数据进行比较,根据比较结果确定初始供电方案中需要进行调整的参数,以及调整的值的大小。例如,若计算的供电频率与初始供电方案中的供电频率不一致,则需要调整初始供电方案中的供电频率,或者,若计算的供电峰度值与初始供电方案中的供电峰度值不一致,则需要调整初始供电方案中的供电峰度值,又或者,若计算的供电功率与初始供电方案中的供电功率不一致,则需要调整初始供电方案中的供电功率。
在一个可选的实施例中,电网侧的服务器还可以将获取的实时用电数据与初始供电方案中的电力数据在电力需求响应平台中进行对比展示,从而快速直观地确定初始供电方案中需要调整的供电参数。
S302,根据调整值对初始供电方案进行调整,得到目标用电区域在第三时间段内的供电方案。
在本实施例中,可以根据确定的调整值对初始供电方案进行调整,将调整之后的供电方案作为目标用电区域在第三时间段内的供电方案,示例性的,初始供电方案中提供的电压的供电峰度值为620V,根据获取的实时用电数据确定调整值为-20V,说明可以减小电网侧提供的电压的供电峰度值,则根据调整值将提供的电压的供电峰度值调整为600V。
本实施例中,根据实时用电数据能够确定初始供电方案中的供电参数的调整值,从而根据调整值对初始供电方案进行调整,能够得到目标用电区域在第三时间段内的供电方案,由于是通过实时用电数据确定的供电参数的调整值,能够使得确定的供电参数的调整值与实际用电情况更接近,从而能够得到更准确的供电参数,进而提高了根据更准确的供电参数得到的第三时间段内的供电方案。
在上述确定供电参数的调整值的场景中,可以根据目标用电区域的负荷基线确定供电参数的调整值。在一个实施例中,如图4所示,上述S301,包括:
S401,基于实时用电数据,获取目标用电区域在第二时间段内的负荷基线。
其中,负荷基线指的是根据用户侧的历史负荷数据进行估算得到的一条负荷曲线,需要说明的是,通常选一天24小时中负荷最高的一个小时的平均负荷作为最高负荷,最高负荷就是电力系统中,在某一时刻所承担的各类用电设备所使用的电功率的总和。
在本实施例中,电网侧的服务器可以根据实时用电数据,统计用电计量数据,得到用电侧在各时段的用电负荷数据和总负荷数据,从而根据得到的负荷数据获取目标用电区域在第二时间段内的负荷基线。示例性的,若第二时间段内19:00-20:00的负荷数据为第二时间段内最高的使用负荷,则可以将该时间段内的负荷数据作为目标区域在第二时间段内的负荷基线。
S402,根据负荷基线,确定调整值。
在本实施例中,可以根据获取的实时用电数据的负荷基线,与初始供电方案中的电力数据进行比较,从而根据比较结果确定初始供电方案中需要进行调整的供电参数的调整值。
本实施例中,通过基于实时用电数据能够获取目标用电区域在第二时间段内的负荷基线,从而根据负荷基线,能够确定调整值,使得调整值是在获取的实时用电数据的基础上确定的,保证了确定的调整值的准确度,从而提高了根据调整值确定的供电方案的准确度。
在上述确定初始供电方案的场景中,可以从预设的数据库中获取目标用电区域的目标用电数据。在一个实施例中,上述方法还包括:根据目标用电区域的标识,从预设的数据库中获取第一时间段内的目标用电数据。
其中,目标用电区域的标识可以为用电区域的名称,也可以为用电区域的编号。预设的数据库为根据采集的用电区域的当前时间之前的各时间段内用电数据建立的数据库,数据库中的数据结构可以包括各用电区域的名称、编号以及各用电数据。
在本实施例中,可以根据目标用电区域的标识,在预设的数据库中查询目标用电区域的标识对应的用电数据,并从查询的用电数据中获取第一时间段内的目标用电数据。
本实施例中,根据目标用电区域的标识,能够从预设的数据库中获取第一时间段内的目标用电数据,避免了获取到其他用电区域的用电数据,从而保证了获取的目标用电数据的准确性,进而保证了得到的初始供电方案的准确性。
在上述从预设的数据库中获取目标用电数据的场景中,可以通过实时采集的用电数据建立数据库。在一个实施例中,如图5所示,上述数据库的建立过程包括:
S501,实时采集各用电区域的用电数据。
可选的,在本实施例中,电网侧的服务器可以向用电侧的各用电区域的终端定期发送采集用电数据的指令,也可以由用电侧的各用电区域的终端主动向电网侧的服务器发送实时的用电数据,从而获取各用电区域的实时用电数据。
S502,对各用电区域的用电数据进行套索回归处理和聚类处理,得到各用电区域的处理后的用电数据。
其中,套索回归(Least Absolute Shrinkage and Selection Operator,LASSO)指的是一种压缩估计,通过构造一个惩罚函数得到一个较为精炼的模型,使得模型中可以压缩一些回归系数,即强制系数绝对值之和小于某个固定值;同时设定一些回归系数为零,是一种处理具有复共线性数据的有偏估计方法。聚类处理指的是将临近的类似分类区域聚类并合并的数据处理方法。
在本实施例中,可以对采集的各用电区域的用电数据进行标准化处理和统一化处理之后,进而利用LASSO回归处理和聚类处理对数据进行进一步处理,从而得到各用电区域的处理后的用电数据。示例性的,可以采用Min-max标准化方法对采集的各用电区域的用电数据进行标准化处理,其中,Min-max标准化方法的公式如下式所示:
x‘=(x-MinA)/(MaxA-MinA),x′∈[0,1]
式中,x′是标准化处理之后的用电数据,x是用电数据,MaxA是用电数据中的最大值,MinA是用电数据中的最小值。
S503,根据各用电区域的标识和各用电区域的处理后的用电数据之间的对应关系,建立数据库。
可选的,在本实施例中,可以对各用电区域进行编号,将编号作为各用电区域的标识,并且建立各用电区域的编号与处理后的用电数据之间的对应关系,并根据建立的对应关系建立数据库;或者,也可以将各用电区域的名称作为各用电区域的标识,并且建立各用电区域的名称与处理后的用电数据之间的对应关系,并根据建立的对应关系建立数据库。
本实施例中,通过实时采集各用电区域的用电数据,并对各用电区域的用电数据进行套索回归处理和聚类处理,得到各用电区域的处理后的用电数据,从而根据各用电区域的标识和各用电区域的处理后的用电数据之间的对应关系,建立数据库,从而能够将建立的数据库导入预设的DDQN模型中,进而能够根据预设的DDQN模型结合各用电区域的实时用电数据快速准确的得出各用电区域的供电方案,提高了确定的各用电区域的供电方案的准确度。
在上述根据预设的DDQN模型获取供电方案的场景中,可以通过对预设的初始DDQN模型进行训练,得到DDQN模型。在一个实施例中,如图6所示,上述方法还包括:
S601,从数据库中获取目标用电区域的历史用电数据。
其中,历史用电数据指的是早于第一时间段的时间段内用户侧生成的用电数据。在本实施例中,可以以时间和用电区域的标识为索引,在数据库中获取目标用电区域在历史时间段内的历史用电数据。
S602,采用强化学习算法和目标用电区域的历史用电数据,对预设的初始DDQN模型进行训练,得到DDQN模型。
其中,强化学习算法可以为基于值函数(value based)的方法,也可以为基于策略(policy based)的方法,也可以为演员-评论家(actor critic)方法。强化学习是与监督学习、非监督学习并列的第三种机器学习方法,其中,强化学习拥有以下几个要素:
第一个为环境的状态。
第二个为个体的动作。
第三个为环境的奖励,即个体在某个状态采取的动作对应的奖励。
第四个为个体的策略,代表个体采取某个动作的依据,即个体会依据策略选择动作,最常见的策略表达方式是一个条件概率分布,即在某个状态时采取某个动作的概率,也就是说,概率大的工作被个体选择的概率较高。
第五个为个体根据不同策略和状态采取行动后的对应价值,通常,用期望函数表示价值,例如,个体选择某个动作会有一个延时奖励,但是该动作当前的延时奖励高,并不代表到了之后某个时刻的后续的延时奖励也高,因此,价值因素需要综合考虑当前的延时奖励和后续的延时奖励。价值函数Qπ可以如下式表示:
Qπ(St,at)=E[(Rt+γRt+1+γ2Rt+2+γ3Rt+3+…)/St=st,At=at]
式中,St为当前状态,at为当前动作,π为策略函数。
第六个为奖励衰减因子,取值范围为[0,1]。如果取值为0,则为贪婪法,即价值只由当前的延时奖励决定;如果取值为1,则认为所有的后续状态的延时奖励与当前奖励均相同。通常,奖励衰减因子取0到1之间的某个值,即当前延时奖励的权重比后续状态的延时奖励的权重大。
第七个为环境的状态转化模型,可以以概率模型来表示,即在某个状态下采取某个动作,转到下一个状态的概率。
第八个为探索率,通常在强化学习的训练迭代过程中,在训练选择最优动作时,会有一定的概率不选择当前轮迭代价值最大的动作,而选择其他的动作。
DDQN模型与其他模型的区别在于,其他模型的目标Q值都是通过贪婪法得到的,虽然可以让Q值快速向优化目标靠拢,但是容易出现过度估计,即最终得到的模型偏差较大,因此,DDQN模型通过解耦目标Q值动作的选择和目标Q值,可以消除过度估计的问题。
因此,在本申请中,采用DDQN模型作为电网资源应用场景中用于预测用电侧的用电数据的预测模型,并根据历史的用电数据对初始的DDQN模型进行迭代优化,以得到训练好的DDQN模型。
在本实施例中,可以以目标用电区域的历史用电数据作为预设的初始DDQN模型的输入数据,从而根据模型的输出结果确定强化学习的Q值,进而根据Q值对初始的DDQN模型的参数进行调整,得到训练好的DDQN模型。
其中,DDQN模型的训练过程为:
S1,选取初始DDQN模型的参数,例如:迭代轮数T,状态特征维度n,动作集A,步长α,衰减因子γα,探索率ε,当前Q网络的Q,目标Q网络的Q',批量梯度下降的样本数,目标Q网络参数更新频率c。
S2,随机初始化所有的状态和动作对应的价值。
S3,选取迭代轮数,进行迭代,其中,迭代过程为:
S31,初始化当前状态序列的第一个状态,获取其特征向量。
S32,在Q网络中输入第一个历史时间段的用电数据,得到Q网络的所有动作对应的Q值。
S33,用贪婪法在当前输出的Q值中选择对应的动作,判断是否终止状态is end。
S34,在新状态执行当前动作,得到新状态对应的特征向量和奖励。
S35,将执行上述S34步骤之后的参数{φ(s),A,R,φ(s′),is end}放入经验回放集合。
S36,从经验回放集合中采样m个样本用于计算当前的目标Q值:
{φ(s),A,R,φ(s′),is end},j=1,2,…,m,计算当前目标Q值yj:
S38,如果不是终止状态,则更新目标Q网络参数,令ω‘=ω。
S39,如果是终止状态,则当前轮迭代完毕,否则转到执行上述S33。
本实施例中,通过从数据库中获取目标用电区域的历史用电数据,采用强化学习算法和目标用电区域的历史用电数据,对预设的初始DDQN模型进行训练,得到DDQN模型,由于通过目标用电区域的历史用电数据训练的初始DDQN模型,能够根据模型的输出结果更加快速准确的调整模型的参数,从而能够得到与目标用电区域的用电情况更接近的DDQN模型,进而使用训练好的DDQN模型确定目标供电区域的供电方案,能够进一步的提高目标供电区域的供电方案的准确度。
为了便于本领域技术人员的理解,下边对本申请提供的供电方案的确定方法进行详细介绍,该方法可以包括:
S1,实时采集各用电区域的用电数据,对各用电区域的用电数据进行LASSO处理和聚类处理,得到处理后的用电数据。
S2,根据处理后的用电数据建立数据库。
S3,从建立的数据中获取目标用电区域的历史用电数据。
S4,利用获取的历史用电数据对预设的初始DDQN模型进行训练,得到训练好的DDQN模型。
S5,根据目标用电区域的标识,从建立的数据库中获取目标用电区域第一时间段内的目标用电数据。
S6,根据获取的目标用电区域第一时间段内的目标用电数据和训练好的DDQN模型,获取目标用电区域第二时间段内的初始供电方案。
S7,将初始供电方案下发至目标用电区域对应的终端。
S7,获取目标用电区域基于初始供电方案在第二时间段内生成的实时用电数据。
S9,根据获取的实时用电数据,确定初始供电方案中的供电参数的调整值。
S10,根据调整值对初始供电方案进行调整,得到目标用电区域在第三时间段内的供电方案。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的供电方案的确定方法的供电方案的确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个供电方案的确定装置实施例中的具体限定可以参见上文中对于供电方案的确定方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种供电方案的确定装置,包括:第一获取模块10、第二获取模块11和第三获取模块12,其中:
第一获取模块10,用于根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络模型,获取目标用电区域第二时间段内的初始供电方案;第一时间段早于第二时间段;
第二获取模块11,用于将初始供电方案下发至目标用电区域对应的终端,并获取目标用电区域基于初始供电方案在第二时间段内生成的实时用电数;
第三获取模块12,用于根据实时用电数据对初始供电方案进行优化,得到目标用电区域在第三时间段内的供电方案;第二时间段早于第三时间段。
本实施例提供的供电方案的确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,如图8所示,上述第三获取模块12,包括:确定单元121和获取单元122,其中:
确定单元121,用于根据实时用电数据,确定初始供电方案中的供电参数的调整值;其中,供电参数包括供电频率、供电峰度值和供电功率中的至少一种。
获取单元122,用于根据调整值对初始供电方案进行调整,得到目标用电区域在第三时间段内的供电方案。
本实施例提供的供电方案的确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,请继续参照图8,上述确定单元121,具体用于:
基于实时用电数据,获取目标用电区域在第二时间段内的负荷基线;根据负荷基线,确定调整值。
本实施例提供的供电方案的确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,请继续参照图8,上述装置还包括:第四获取模块13,其中:
第四获取模块13,用于根据目标用电区域的标识,从预设的数据库中获取第一时间段内的目标用电数据。
本实施例提供的供电方案的确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,请继续参照图8,上述数据库的建立过程包括:采集模块14,第五获取模块15和建立模块16,其中:
采集模块14,用于实时采集各用电区域的用电数据。
第五获取模块15,用于对各用电区域的用电数据进行套索回归处理和聚类处理,得到各用电区域的处理后的用电数据。
建立模块16,用于根据各用电区域的标识和各用电区域的处理后的用电数据之间的对应关系,建立数据库。
本实施例提供的供电方案的确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,请继续参照图8,上述装置还包括:第六获取模块17和第七获取模块18,其中:
第六获取模块17,用于从数据库中获取目标用电区域的历史用电数据。
第七获取模块18,用于采用强化学习算法和目标用电区域的历史用电数据,对预设的初始DDQN模型进行训练,得到DDQN模型。
本实施例提供的供电方案的确定装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
上述供电方案的确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电力数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种供电方案的确定方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,获取目标用电区域第二时间段内的初始供电方案;第一时间段早于第二时间段;
将初始供电方案下发至目标用电区域对应的终端,并获取目标用电区域基于初始供电方案在第二时间段内生成的实时用电数据;
根据实时用电数据对初始供电方案进行优化,得到目标用电区域在第三时间段内的供电方案;第二时间段早于第三时间段。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据实时用电数据,确定初始供电方案中的供电参数的调整值;其中,供电参数包括供电频率、供电峰度值和供电功率中的至少一种;
根据调整值对初始供电方案进行调整,得到目标用电区域在第三时间段内的供电方案。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
基于实时用电数据,获取目标用电区域在第二时间段内的负荷基线;
根据负荷基线,确定调整值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据目标用电区域的标识,从预设的数据库中获取第一时间段内的目标用电数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
实时采集各用电区域的用电数据;
对各用电区域的用电数据进行套索回归处理和聚类处理,得到各用电区域的处理后的用电数据;
根据各用电区域的标识和各用电区域的处理后的用电数据之间的对应关系,建立数据库。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
从数据库中获取目标用电区域的历史用电数据;
采用强化学习算法和目标用电区域的历史用电数据,对预设的初始DDQN模型进行训练,得到DDQN模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,获取目标用电区域第二时间段内的初始供电方案;第一时间段早于第二时间段;
将初始供电方案下发至目标用电区域对应的终端,并获取目标用电区域基于初始供电方案在第二时间段内生成的实时用电数据;
根据实时用电数据对初始供电方案进行优化,得到目标用电区域在第三时间段内的供电方案;第二时间段早于第三时间段。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据实时用电数据,确定初始供电方案中的供电参数的调整值;其中,供电参数包括供电频率、供电峰度值和供电功率中的至少一种;
根据调整值对初始供电方案进行调整,得到目标用电区域在第三时间段内的供电方案。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于实时用电数据,获取目标用电区域在第二时间段内的负荷基线;
根据负荷基线,确定调整值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据目标用电区域的标识,从预设的数据库中获取第一时间段内的目标用电数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
实时采集各用电区域的用电数据;
对各用电区域的用电数据进行套索回归处理和聚类处理,得到各用电区域的处理后的用电数据;
根据各用电区域的标识和各用电区域的处理后的用电数据之间的对应关系,建立数据库。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从数据库中获取目标用电区域的历史用电数据;
采用强化学习算法和目标用电区域的历史用电数据,对预设的初始DDQN模型进行训练,得到DDQN模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络模型,获取目标用电区域第二时间段内的初始供电方案;第一时间段早于第二时间段;
将初始供电方案下发至目标用电区域对应的终端,并获取目标用电区域基于初始供电方案在第二时间段内生成的实时用电数据;
根据实时用电数据对初始供电方案进行优化,得到目标用电区域在第三时间段内的供电方案;第二时间段早于第三时间段。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据实时用电数据,确定初始供电方案中的供电参数的调整值;其中,供电参数包括供电频率、供电峰度值和供电功率中的至少一种;
根据调整值对初始供电方案进行调整,得到目标用电区域在第三时间段内的供电方案。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
基于实时用电数据,获取目标用电区域在第二时间段内的负荷基线;
根据负荷基线,确定调整值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据目标用电区域的标识,从预设的数据库中获取第一时间段内的目标用电数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
实时采集各用电区域的用电数据;
对各用电区域的用电数据进行套索回归处理和聚类处理,得到各用电区域的处理后的用电数据;
根据各用电区域的标识和各用电区域的处理后的用电数据之间的对应关系,建立数据库。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
从数据库中获取目标用电区域的历史用电数据;
采用强化学习算法和目标用电区域的历史用电数据,对预设的初始DDQN模型进行训练,得到DDQN模型。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种供电方案的确定方法,其特征在于,所述方法包括:
根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,获取所述目标用电区域第二时间段内的初始供电方案;所述第一时间段早于所述第二时间段;
将所述初始供电方案下发至所述目标用电区域对应的终端,并获取所述目标用电区域基于所述初始供电方案在所述第二时间段内生成的实时用电数据;
根据所述实时用电数据对所述初始供电方案进行优化,得到所述目标用电区域在第三时间段内的供电方案;所述第二时间段早于所述第三时间段。
2.根据权利要求1所述的方法,其特征在于,所述根据所述实时用电数据对所述初始供电方案进行优化,得到所述目标用电区域在第三时间段内的供电方案,包括:
根据所述实时用电数据,确定所述初始供电方案中的供电参数的调整值;其中,所述供电参数包括供电频率、供电峰度值和供电功率中的至少一种;
根据所述调整值对所述初始供电方案进行调整,得到所述目标用电区域在所述第三时间段内的供电方案。
3.根据权利要求2所述的方法,其特征在于,所述根据所述实时用电数据,确定所述初始供电方案中的供电参数的调整值,包括:
基于所述实时用电数据,获取所述目标用电区域在所述第二时间段内的负荷基线;
根据所述负荷基线,确定所述调整值。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述方法还包括:
根据所述目标用电区域的标识,从预设的数据库中获取所述第一时间段内的目标用电数据。
5.根据权利要求4所述的方法,其特征在于,所述数据库的建立过程包括:
实时采集各用电区域的用电数据;
对各所述用电区域的用电数据进行套索回归处理和聚类处理,得到各所述用电区域的处理后的用电数据;
根据各所述用电区域的标识和各所述用电区域的处理后的用电数据之间的对应关系,建立所述数据库。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
从所述数据库中获取所述目标用电区域的历史用电数据;
采用强化学习算法和所述目标用电区域的历史用电数据,对预设的初始DDQN模型进行训练,得到所述DDQN模型。
7.一种供电方案的确定装置,其特征在于,所述装置包括:
第一获取模块,用于根据目标用电区域第一时间段内的目标用电数据和预设的双深度强化学习网络DDQN模型,获取所述目标用电区域第二时间段内的初始供电方案;所述第一时间段早于所述第二时间段;
第二获取模块,用于将所述初始供电方案下发至所述目标用电区域对应的终端,并获取所述目标用电区域基于所述初始供电方案在所述第二时间段内生成的实时用电数;
第三获取模块,用于根据所述实时用电数据对所述初始供电方案进行优化,确定所述目标用电区域在第三时间段内的供电方案;所述第二时间段早于所述第三时间段。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595810.7A CN116415770A (zh) | 2022-12-13 | 2022-12-13 | 供电方案的确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211595810.7A CN116415770A (zh) | 2022-12-13 | 2022-12-13 | 供电方案的确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415770A true CN116415770A (zh) | 2023-07-11 |
Family
ID=87048620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211595810.7A Pending CN116415770A (zh) | 2022-12-13 | 2022-12-13 | 供电方案的确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415770A (zh) |
-
2022
- 2022-12-13 CN CN202211595810.7A patent/CN116415770A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116167289B (zh) | 电网运行场景生成方法、装置、计算机设备和存储介质 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
CN113901679B (zh) | 电力系统的可靠性分析方法、装置和计算机设备 | |
CN116415770A (zh) | 供电方案的确定方法、装置、计算机设备和存储介质 | |
CN116523001A (zh) | 电网薄弱线路识别模型构建方法、装置和计算机设备 | |
CN114638823B (zh) | 基于注意力机制序列模型的全切片图像分类方法及装置 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
CN112329995B (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 | |
CN114861995A (zh) | 电力物资的需求预测方法、装置和计算机设备 | |
CN115593264B (zh) | 基于边缘计算的充电优化控制方法、装置和计算机设备 | |
CN111027709A (zh) | 信息推荐方法、装置、服务器及存储介质 | |
CN117851736B (zh) | 一种基于模糊自适应寻优融合的气象要素插值方法 | |
CN112037850B (zh) | 基于动量加速的缺失蛋白质间相互作用预测装置和方法 | |
CN115593264A (zh) | 基于边缘计算的充电优化控制方法、装置和计算机设备 | |
CN115660365A (zh) | 基于深度强化学习的电力资源数值管理方法和装置 | |
CN117117879A (zh) | 调控潜力预测方法、装置、计算机设备、介质和产品 | |
CN118114491A (zh) | 倍率性能优化方法、装置、设备、存储介质和程序产品 | |
CN117590256A (zh) | 动力电池的状态预测方法、装置、计算机设备和存储介质 | |
CN117909714A (zh) | 充电功率预测模型训练方法、装置和计算机设备 | |
CN116700972A (zh) | 金融系统的资源调度模型训练方法、调度方法及装置 | |
CN116581782A (zh) | 一种基于转动惯量的电力系统安全控制方法和装置 | |
CN116579879A (zh) | 数据处理方法、装置、设备、存储介质和计算机产品 |
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 |