CN116451872A - 碳排放预测分布式模型训练方法、相关方法及装置 - Google Patents
碳排放预测分布式模型训练方法、相关方法及装置 Download PDFInfo
- Publication number
- CN116451872A CN116451872A CN202310675971.5A CN202310675971A CN116451872A CN 116451872 A CN116451872 A CN 116451872A CN 202310675971 A CN202310675971 A CN 202310675971A CN 116451872 A CN116451872 A CN 116451872A
- Authority
- CN
- China
- Prior art keywords
- user side
- training
- data
- carbon emission
- model
- 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.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 204
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 202
- 238000012549 training Methods 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000012937 correction Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 11
- 239000004973 liquid crystal related substance Substances 0.000 description 10
- 230000009471 action Effects 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004936 stimulating effect Effects 0.000 description 2
- 241001136792 Alle Species 0.000 description 1
- 101100378875 Escherichia coli (strain K12) allE gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/098—Distributed learning, e.g. federated 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种碳排放预测分布式模型训练方法、相关方法及装置,涉及碳排放预测技术领域,该模型训练方法包括:用户侧设备依次使用训练数据集中的各训练数据子集训练初始模型,直至已被使用的训练数据子集的个数达预设个数;使用一个训练数据子集训练模型过程为迭代过程,该迭代过程包括:用户侧设备将使用训练数据子集进行模型训练得到的初始模型参数数据发送给云端设备;云端设备依据接收到多个用户侧设备发送的初始模型参数数据,生成模型参数修正数据,并将该模型参数修正数据发送给各个用户侧设备;用户侧设备根据该模型参数修正数据进行模型参数修正。如此,以兼顾用户的园区碳排放预测用数据的安全性和园区碳排放预测分布式模型的准确性。
Description
技术领域
本发明涉及碳排放预测技术领域,具体涉及一种碳排放预测分布式模型训练方法、相关方法及装置。
背景技术
在全球环境问题日益凸显的背景下,节能减排已成为世界各国的共识。碳排放的主要来源是能源行业,而依托可再生能源发电、热电联产、储能等技术,构建的园区被认为是能源行业促进低碳可持续发展的重要支撑。而在激励园区减少碳排放量的过程中,对园区进行碳排放预测是必不可少的环节。
目前,园区的用户数量一般为多个,且用户的园区碳排放预测用数据(例如,园区设备功率数据等)为保密数据。若各用户分别使用自己维护的园区碳排放预测用数据训练园区碳排放预测分布式模型,能够避免园区碳排放预测用数据被泄露,但是由于单个用户的园区碳排放预测用数据的数据量有限,使得训练出的园区碳排放预测分布式模型的准确性低;若为了提高园区碳排放预测分布式模型的准确性,采用将多个用户的园区碳排放预测用数据加密上传至集中式框架,由该集中式框架进行模型训练,然而,该方法中,用户的园区碳排放预测用数据容易在传输过程中发生泄漏。
因此,现有技术存在难以兼顾用户的园区碳排放预测用数据的安全性和园区碳排放预测分布式模型的准确性的技术问题。
发明内容
为了解决上述技术问题,本发明提供了一种碳排放预测分布式模型训练方法、相关方法及装置。
本发明的具体技术方案如下:
本发明提供了一种碳排放预测分布式模型训练方法,应用于用户侧设备,该方法包括:
所述用户侧设备获取对应的训练数据集;所述训练数据集中包含多个训练数据子集;所述训练数据子集中包含多个训练样本;所述训练样本包括园区碳排放预测用数据;
所述用户侧设备依次使用各所述训练数据子集训练初始模型,直至已被使用的所述训练数据子集的个数达到预设个数;
所述用户侧设备使用一个所述训练数据子集训练所述初始模型的过程包括:
所述用户侧设备对于所述训练数据子集中的各个训练样本,执行以下步骤,直至所述训练数据子集中的各训练样本均被使用:
所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练,得到当前的初始模型参数数据;
所述用户侧设备将所述当前的初始模型参数数据发送给云端设备,以使所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,生成当前的模型参数修正数据,并将所述当前的模型参数修正数据发送给各个用户侧设备;
所述用户侧设备根据所述当前的模型参数修正数据,更新对应的初始模型参数,并将更新后的所述初始模型参数对应的模型作为所述当前的初始模型,以及,返回执行所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练的步骤。
本发明还提供了另一种碳排放预测分布式模型训练方法,应用于碳排放预测分布式模型训练系统,所述系统包括多个用户侧设备和一个云端设备;该方法包括:
所述用户侧设备获取对应的训练数据集;所述训练数据集中包含多个训练数据子集;所述训练数据子集中包含多个训练样本;所述训练样本包括园区碳排放预测用数据;
所述用户侧设备依次使用各所述训练数据子集训练初始模型,直至已被使用的所述训练数据子集的个数达到预设个数;
所述用户侧设备使用一个所述训练数据子集训练所述初始模型的过程包括:
所述用户侧设备对于所述训练数据子集中的各个训练样本,执行以下步骤,直至所述训练数据子集中的各训练样本均被使用:
所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练,得到当前的初始模型参数数据;
所述用户侧设备将所述当前的初始模型参数数据发送给所述云端设备;
所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,生成当前的模型参数修正数据,并将所述当前的模型参数修正数据发送给各个用户侧设备;
所述用户侧设备根据所述当前的模型参数修正数据,更新对应的初始模型参数,并将更新后的所述初始模型参数对应的模型作为所述当前的初始模型,以及,返回执行所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练的步骤。
本发明还提供了一种碳排放预测方法,应用于用户侧设备,所述碳排放预测方法包括:
获取园区碳排放预测用数据;
对所述园区碳排放预测用数据进行预处理;
将预处理后的园区碳排放预测用数据输入预设园区碳排放预测分布式模型,得到所述预设园区碳排放预测分布式模型输出的预测结果;所述预测结果中包含园区在待预测时间段的碳排放量预测值;所述预设园区碳排放预测分布式模型采用如上所述的碳排放预测分布式模型训练方法训练得到。
本发明还提供了一种碳排放预测装置,应用于用户侧设备,所述碳排放预测装置包括:
预测用数据获取模块,用于获取园区碳排放预测用数据;
数据预处理模块,用于对所述园区碳排放预测用数据进行预处理;
预测模块,用于将预处理后的园区碳排放预测用数据输入预设园区碳排放预测分布式模型,得到所述预设园区碳排放预测分布式模型输出的预测结果;所述预测结果中包含园区在待预测时间段的碳排放量预测值;所述预设园区碳排放预测分布式模型采用如上所述的碳排放预测分布式模型训练方法训练得到。
本发明采用上述技术方案,具备如下有益效果:
通过使各用户的用户侧设备使用本用户的园区碳排放预测用数据进行模型训练,避免用户将自己维护的园区碳排放预测用数据发送至外部设备,进而提高了用户的园区碳排放预测用数据安全性;以及,通过使各用户的用户侧设备将自己训练得到的模型参数数据发送给云端设备,以使云端设备根据各用户侧设备发送的模型参数数据生成模型参数修正数据,并反馈给各用户侧设备,然后,各用户侧设备使用该模型参数修正数据进行模型参数修正,使得各用户训练出的园区碳排放预测分布式模型考虑了其他用户的园区碳排放预测用数据,进而提高了园区碳排放预测分布式模型的准确性。如此,使得本说明书实施例能够兼顾用户的园区碳排放预测用数据的安全性和园区碳排放预测分布式模型的准确性。
附图说明
为了更清楚地说明本发明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发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1是本发明实施例提供的一种碳排放预测分布式模型训练方法的应用场景示意图;
图2是本发明实施例提供的一种碳排放预测分布式模型训练方法的流程示意图;
图3是本发明实施例提供的一种碳排放预测方法的流程示意图;
图4是本发明实施例提供的一种碳排放预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在全球环境问题日益凸显的背景下,节能减排已成为世界各国的共识。碳排放的主要来源是能源行业,而依托可再生能源发电、热电联产、储能等技术,构建的园区被认为是促进低碳可持续发展的重要支撑。而在激励园区减少碳排放量的过程中,对园区进行碳排放预测是必不可少的环节。
目前,园区的用户数量一般为多个,且用户的园区碳排放预测用数据(例如,园区设备功率数据等)为保密数据。若各用户分别使用自己维护的园区碳排放预测用数据训练园区碳排放预测分布式模型,能够避免园区碳排放预测用数据被泄露,但是由于单个用户的园区碳排放预测用数据的数据量有限,使得训练出的园区碳排放预测分布式模型的准确性低。
为了提高园区碳排放预测分布式模型的准确性,采用使各用户将自己维护的园区碳排放预测用数据发送至集中式框架,集中式框架在接收到多个用户发送的园区碳排放预测用数据后,根据该多个用户的园区碳排放预测用数据进行模型训练,并训练完毕后,将训练好的园区碳排放预测分布式模型反馈给各用户的用户侧设备。然而,该方法中,由于需要用户将其维护的园区碳排放预测用数据发送至集中式框架,这使得用户的园区碳排放预测用数据容易在数据传输过程中发生泄漏。
基于此,为了既能使用多个用户的园区碳排放预测用数据训练园区碳排放预测分布式模型,以提高园区碳排放预测分布式模型的准确性,又能避免用户将自己维护的园区碳排放预测用数据发送至集中式框架,以提高用户的园区碳排放预测用数据的安全性,本发明提供了一种碳排放预测分布式模型训练方法、相关方法及装置。下面结合附图,详细说明本发明的技术方案。
图1是本发明实施例提供的一种碳排放预测分布式模型训练方法的应用场景示意图。参考图1,本说明书实施例的碳排放预测分布式模型训练方法,应用于碳排放预测分布式模型训练系统,所述系统包括多个用户侧设备12和一个云端设备11。
本说明书实施例中,使用联邦学习算法训练园区碳排放预测分布式模型,如此,使得本说明书实施例能够提高用户的园区碳排放预测用数据的安全性。
具体的,任意一个用户侧设备12均可以使用该用户侧设备12对应的用户维护的园区碳排放预测用数据训练初始模型(即图1中的本地模型,训练完成后,可以用于预测园区的碳排放量),得到对应的初始模型参数数据,并将该初始模型参数数据发送给云端设备11。
云端设备11可以根据各用户侧设备12发送的初始模型参数数据,生成模型参数修正数据,并将该模型参数修正数据反馈给各用户侧设备12,以使各用户侧设备12能够根据该模型参数修正数据修正对应的本地模型的参数。
如此,使得任意一个用户均可使用其他各用户维护的园区碳排放预测用数据进行模型训练,且每个用户均无需向外部设备(如云端设备11)发送其自身维护的园区碳排放预测用数据,而只需向云端设备11发送其得到的初始模型参数数据即可,这有利于防止用户的园区碳排放预测用数据被外泄,使得本申请能够提高用户的园区碳排放预测用数据的安全性。
本发明实施例中,用户侧设备12可以使用局端系统(global system,GS)进行模型训练。云端设备11可以使用信息融合平台(integrated energy information platform,IEIP)进行模型训练。
图2是本发明实施例提供的一种碳排放预测分布式模型训练方法的流程示意图。本碳排放预测分布式模型训练方法,应用于碳排放预测分布式模型训练系统,所述系统包括多个用户侧设备和一个云端设备。如图2所示,本碳排放预测分布式模型训练方法包括:
步骤201:所述用户侧设备获取对应的训练数据集;所述训练数据集中包含多个训练数据子集;所述训练数据子集中包含多个训练样本;所述训练样本包括园区碳排放预测用数据。
本发明实施例中,所述系统中的每个用户侧设备均可以获取对应用户维护的园区碳排放预测用数据。例如A用户的用户侧设备可以获取A用户维护的园区碳排放预测用数据。
本发明实施例中,园区碳排放预测用数据具体可以包括天气数据和园区的历史碳排放量数据。
本发明实施例中,所述用户侧设备可以基于强化学习算法,训练初始模型。使用强化学习算法训练初始模型,需要对智能体的状态空间、动作空间、奖励函数进行设计,其中,状态空间是所有环境状态的集合,本说明书实施例中,环境状态包括天气数据和园区的历史碳排放量数据;动作空间是智能体可执行状态的集合,本说明书实施例中,可执行状态包括智能体可执行的园区碳排放量预测值;奖励函数用于计算智能体在某环境状态下采取某可执行状态而获取的奖励。
具体的,所述训练数据集中的每个训练数据子集对应一组环境状态,即S=(W S 、W D 、E 1 、E 2 、...E N )。
其中,W S 表示待预测时间段的风速;W D 表示待预测时间段的风向;E 1 表示对应于所述待预测时间段的历史时间段中的第1个时间步下的园区碳排放量实际值;E 2 表示对应于所述待预测时间段的历史时间段中的第2个时间步下的园区碳排放量实际值;以此类推,E N 表示对应于所述待预测时间段的历史时间段中的第N个时间步下的园区碳排放量实际值。
其中,W S 和W D 为天气数据;E 1 、E 2 、...和E N 为园区的历史碳排放量数据。
为了更清楚地说明上述实施例,下面举例说明。
在一个具体的例子中,待预测时间段为2023年1月2号0点-2023年1月2号1点,对应的历史时间段可以是2023年1月1号0点-2023年1月1号24点,以及,时间步为1小时;N等于24。该情况下,E1表示2023年1月1号0点-2023年1月1号1点,该时间段的园区碳排放量实际值;E2表示2023年1月1号1点-2023年1月1号2点,该时间段的园区碳排放量实际值,以此类推,EN具体为E24,其表示2023年1月1号23点-2023年1月1号24点,该时间段的园区碳排放量实际值。
本说明书实施例中,动作空间可由0到n的离散数值组成,n可以由本领域技术人员根据园区的历史碳排放量确定。以及,奖励函数可以如下:
......(1)
其中,C t 表示所述待预测时间段的园区碳排放量实际值;a t 表示智能体在第t个时间步对应的环境状态下执行的动作(即园区碳排放量预测值)。
接上述示例,当t=1时,C 1 表示2023年1月2号0点-2023年1月2号1点,该时间段的园区碳排放量实际值;a 1表示智能体在2023年1月1号0点-2023年1月1号1点,该时间段对应的环境状态下执行的动作(即智能体预测出的2023年1月2号0点-2023年1月2号1点,该时间段的园区碳排放量)。
步骤202:所述用户侧设备初始化对应的初始模型。
本说明书实施例中,初始模型可以是现有技术的深度Q网络(deep Q network,DQN),对DQN进行初始化,具体可以包括:初始化DQN中的Q网络、目标Q网络、经验回放池和超参数。
步骤203:所述用户侧设备设定H=1;H表示当前迭代次数。
步骤204:所述用户侧设备从对应的训练数据集中的未被使用的所述训练数据子集中选取一个目标训练数据子集。
步骤205:所述用户侧设备设定t=1;t为时间步索引。
步骤206:所述用户侧设备基于强化学习算法,根据所述目标训练数据子集,获取经验样本;所述经验样本包括S t 、a t 、r t 、S t+1 ,并将该经验样本放入经验回放池。
其中,S t 表示智能体在第t个时间步下接收到的环境状态;a t 表示智能体在第t个时间步下执行的动作(即园区碳排放量预测值);r t 表示智能体在S t 下执行a t 获得的奖励;S t+1 表示智能体在第(t+1)个时间步下接收到的环境状态。
本说明书实施例中,智能体可以使用贪婪策略,选在在S t 下执行的动作a t 。
本说明书实施例中,每次执行步骤206,均会获取一个经验样本(S t 、a t 、r t 、S t+1 ),然后将本次获取的经验样本放入经验回放池。
步骤207:所述用户侧设备使用对应的经验回放池中的经验样本,对当前的初始模型进行模型训练,生成当前的初始模型参数数据。
本发明实施例中,所述用户侧设备可以从对应的经验回放池中,随机抽取部分经验样本,并根据抽取的经验样本,计算初始模型的损失函数,然后,根据该计算出的损失函数,对初始模型的参数进行调整,得到初始模型参数数据。
本发明实施例中,当前的初始模型参数数据具体为本次执行步骤207获取的初始模型参数数据。当前的初始模型具体为在初始模型的不断更新过程中,最新得到的初始模型。
步骤208:所述用户侧设备将当前的初始模型参数数据发送给云端设备。
步骤209:所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,生成当前的模型参数修正数据,并将所述当前的模型参数修正数据发送给各个用户侧设备。
本说明书实施例中,所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,生成当前的模型参数修正数据,具体包括:
所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,获取所述多个用户侧设备的初始模型参数;
所述云端设备计算所述多个用户侧设备的初始模型参数平均值,得到当前的模型参数修正数据,
本说明书实施例中,当前的模型参数修正数据,具体为本次执行步骤209,获取的模型参数修正数据。以及,模型参数修正数据具体可以是初始模型的损失函数的梯度修正数据,相应的,初始模型参数数据为初始模型的损失函数的梯度数据。
步骤210:所述用户侧设备根据所述当前的模型参数修正数据,更新对应的初始模型参数,并将更新后的所述初始模型参数对应的模型作为所述当前的初始模型。
本说明书实施例中,所述用户侧设备具体可以根据所述当前的模型参数修正数据,更新对应的Q网络参数,和目标Q网络参数。
步骤211:所述用户侧设备判断t是否等于T,得到第一判断结果;若所述第一判断结果为是,则执行步骤212,否则,执行步骤213;T为预设时间步的步数,其值等于所述目标训练数据子集中的园区碳排放量实际值的个数,接上述示例,T为24。
步骤212:所述用户侧设备判断H是否等于M,得到第二判断结果;若所述第二判断结果为是,则执行步骤215,否则,执行步骤214;M为预设迭代次数,由用户设定。
步骤213:所述用户侧设备令t=t+1,并执行步骤206。
步骤214:所述用户侧设备令H=H+1,并执行步骤204。
步骤215:所述用户侧设备结束模型训练过程。
本说明书实施例采用上述技术方案,通过使各用户的用户侧设备使用本用户的园区碳排放预测用数据进行模型训练,避免用户将自己维护的园区碳排放预测用数据发送至外部设备,进而提高了用户的园区碳排放预测用数据安全性;以及,通过使各用户的用户侧设备将自己训练得到的模型参数数据发送给云端设备,以使云端设备根据各用户侧设备发送的模型参数数据生成模型参数修正数据,并反馈给各用户侧设备,然后,各用户侧设备使用该模型参数修正数据进行模型参数修正,使得各用户训练出的园区碳排放预测分布式模型考虑了其他用户的园区碳排放预测用数据,进而提高了园区碳排放预测分布式模型的准确性。如此,使得本说明书实施例能够兼顾用户的园区碳排放预测用数据的安全性和园区碳排放预测分布式模型的准确性。
以及,本说明书实施例引入无模型的强化学习算法,使得本说明书实施例能够自适应学习新能源、电/热负荷的不确定变化特征,进而能够解决园区中新能源和负荷需求的不确定性问题。
本说明书实施例中,步骤201:所述用户侧设备获取对应的训练数据集,具体可以包括:
所述用户侧设备获取对应的初始训练数据集。
所述用户侧设备对所述初始训练数据集进行预处理,得到该用户侧设备对应的训练数据集。
本说明书实施例中,所述用户侧设备对所述初始训练数据集进行预处理,具体可以包括:
所述用户侧设备确定所述初始训练数据集中的异常值;所述异常值为数值超出预设数值范围的园区碳排放预测用数据。
所述用户侧设备获取所述异常值对应的标准值。
所述用户侧设备使用所述标准值替代对应的异常值。
所述用户侧设备对去除异常值的初始训练数据集进行归一化处理,得到所述训练数据集。
本说明书实施例中,如上所述,训练数据集中的园区碳排放预测用数据包括天气数据和园区的历史碳排放量数据。本说明书实施例中,针对历史碳排放量数据,确定出其中的异常值。
具体的,历史碳排放量数据具体可以包括园区在多个历史时间段的碳排放量,每个碳排放量均可以根据对应历史时间段下的园区设备功率计算出。而园区的各设备均对应有标准功率范围,这使得根据园区设备功率计算出碳排放量也对应有标准碳排放量范围。因此,本说明书实施例可以将历史碳排放量数据中的某碳排放量与对应的标准碳排放量范围进行对比,若该碳排放量超出该对应的标准碳排放量范围,则确定该碳排放量为异常值。
以及,在确定出历史碳排放量数据中的异常值后,可以使用各异常值对应的标准值来替代对应异常值。具体的,针对任意一个异常值,使用线性插值法,根据历史碳排放量数据中的非异常值,计算出该异常值对应的标准值,然后,使用该标准值,替代该异常值。
其中,使用线性插值法,根据历史碳排放量数据中的非异常值,计算出该异常值对应的标准值,为现有技术。
以及,在使用各异常值对应的标准值来替代对应异常值后,所述用户侧设备可以根据如下归一化计算公式,对去除异常值的初始训练数据集进行归一化处理:
......(2)
其中,X为样本值,X min 为样本中的最小值,X max 为样本中的最大值,X norm 即为归一化后的值。
基于相同的发明构思,本发明还提供了另一种碳排放预测分布式模型训练方法,应用于用户侧设备,本模型训练方法包括:
所述用户侧设备获取对应的训练数据集;所述训练数据集中包含多个训练数据子集;所述训练数据子集中包含多个训练样本;所述训练样本包括园区碳排放预测用数据;
所述用户侧设备依次使用各所述训练数据子集训练初始模型,直至已被使用的所述训练数据子集的个数达到预设个数;
所述用户侧设备使用一个所述训练数据子集训练所述初始模型的过程包括:
所述用户侧设备对于所述训练数据子集中的各个训练样本,执行以下步骤,直至所述训练数据子集中的各训练样本均被使用:
所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练,得到当前的初始模型参数数据;
所述用户侧设备将所述当前的初始模型参数数据发送给云端设备,以使所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,生成当前的模型参数修正数据,并将所述当前的模型参数修正数据发送给各个用户侧设备;
所述用户侧设备根据所述当前的模型参数修正数据,更新对应的初始模型参数,并将更新后的所述初始模型参数对应的模型作为所述当前的初始模型,以及,返回执行所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练的步骤。
本说明书实施例的模型训练方法与上述实施例的模型训练方法,执行过程相同或相应,具体执行过程,请参见上述实施例。
基于相同的发明构思,本发明还提供了一种碳排放预测方法。图3是本发明实施例提供的一种碳排放预测方法的流程示意图,本碳排放预测方法应用于用户侧设备。如图3所示,本碳排放预测方法包括:
步骤301:获取园区碳排放预测用数据。
步骤302:对所述园区碳排放预测用数据进行预处理。
步骤303:将预处理后的园区碳排放预测用数据输入预设园区碳排放预测分布式模型,得到所述预设园区碳排放预测分布式模型输出的预测结果;所述预测结果中包含园区在待预测时间段的碳排放量预测值;所述预设园区碳排放预测分布式模型采用上述任一实施例所述的碳排放预测分布式模型训练方法训练得到。
本说明书实施例中,园区碳排放预测用数据可以包括待预测时间段的天气数据和园区的历史碳排放量数据。
步骤302:对所述园区碳排放预测用数据进行预处理,具体可以包括:
确定所述园区碳排放预测用数据中的异常值;所述异常值为数值超出预设数值范围的园区碳排放预测用数据。
获取所述异常值对应的标准值。
使用所述标准值替代对应的异常值。
对去除异常值的园区碳排放预测用数据进行归一化处理。
需要说明的是,本说明书实施例中,对园区碳排放预测用数据进行预处理的方法,与上述实施例的对初始训练数据集进行预处理的方法相同,具体处理过程请参见上述实施例。
基于相同的发明构思,本发明还提供了一种碳排放预测装置。图4是本发明实施例提供的一种碳排放预测装置的结构示意图。本碳排放预测装置应用于用户侧设备。如图4所示,本碳排放预测装置,包括:
预测用数据获取模块41,用于获取园区碳排放预测用数据。
数据预处理模块42,用于对所述园区碳排放预测用数据进行预处理。
预测模块43,用于将预处理后的园区碳排放预测用数据输入预设园区碳排放预测分布式模型,得到所述预设园区碳排放预测分布式模型输出的预测结果;所述预测结果中包含园区在待预测时间段的碳排放量预测值;所述预设园区碳排放预测分布式模型采用上述任一实施例所述的碳排放预测分布式模型训练方法训练得到。
本说明书实施例中,预测用数据获取模块41,具体可以用于获取待预测时间段的天气数据和园区的历史碳排放量数据;所述园区碳排放预测用数据可以包括所述待预测时间段的天气数据和所述园区的历史碳排放量数据。
本说明书实施例中,数据预处理模块42,具体可以用于:
确定所述园区碳排放预测用数据中的异常值;所述异常值为数值超出预设数值范围的园区碳排放预测用数据。
获取所述异常值对应的标准值。
使用所述标准值替代对应的异常值。
对去除异常值的园区碳排放预测用数据进行归一化处理。
需要说明的是,本说明书实施例中,对园区碳排放预测用数据进行预处理的方法,与上述实施例的对初始训练数据集进行预处理的方法相同,具体处理过程请参见上述实施例。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,各实施例中记载的技术特征可以进行替换或者组合。
本发明各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本发明所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的终端实施例仅仅是示意性的,例如,模块或子模块的划分,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,例如多个子模块或模块可以结合或者可以集成到另一个模块,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,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的,作为模块或子模块的部件可以是或者也可以不是物理模块或子模块,即可以位于一个地方,或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子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或子模块可以集成在一个处理模块中,也可以是各个模块或子模块单独物理存在,也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子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或子模块的形式实现。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元,或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种碳排放预测分布式模型训练方法,应用于用户侧设备,其特征在于,所述方法包括:
所述用户侧设备获取对应的训练数据集;所述训练数据集中包含多个训练数据子集;所述训练数据子集中包含多个训练样本;所述训练样本包括园区碳排放预测用数据;
所述用户侧设备依次使用各所述训练数据子集训练初始模型,直至已被使用的所述训练数据子集的个数达到预设个数;
所述用户侧设备使用一个所述训练数据子集训练所述初始模型的过程包括:
所述用户侧设备对于所述训练数据子集中的各个训练样本,执行以下步骤,直至所述训练数据子集中的各训练样本均被使用:
所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练,得到当前的初始模型参数数据;
所述用户侧设备将所述当前的初始模型参数数据发送给云端设备,以使所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,生成当前的模型参数修正数据,并将所述当前的模型参数修正数据发送给各个用户侧设备;
所述用户侧设备根据所述当前的模型参数修正数据,更新对应的初始模型参数,并将更新后的所述初始模型参数对应的模型作为所述当前的初始模型,以及,返回执行所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练的步骤。
2.根据权利要求1所述的方法,其特征在于,所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练,得到当前的初始模型参数数据,具体包括:
所述用户侧设备基于强化学习算法,从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练,得到当前的初始模型参数数据。
3.根据权利要求2所述的方法,其特征在于,所述初始模型为深度Q网络。
4.根据权利要求1所述的方法,其特征在于,所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,生成当前的模型参数修正数据,具体包括:
所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,获取所述多个用户侧设备的初始模型参数;
所述云端设备计算所述多个用户侧设备的初始模型参数平均值,得到当前的模型参数修正数据。
5.根据权利要求1所述的方法,其特征在于,所述用户侧设备获取对应的训练数据集,具体包括:
所述用户侧设备获取对应的初始训练数据集;
所述用户侧设备对所述初始训练数据集进行预处理,得到该用户侧设备对应的训练数据集。
6.根据权利要求5所述的方法,其特征在于,所述用户侧设备对所述初始训练数据集进行预处理,具体包括:
所述用户侧设备确定所述初始训练数据集中的异常值;所述异常值为数值超出预设数值范围的园区碳排放预测用数据;
所述用户侧设备获取所述异常值对应的标准值;
所述用户侧设备使用所述标准值替代对应的异常值;
所述用户侧设备对去除异常值的初始训练数据集进行归一化处理,得到所述训练数据集。
7.根据权利要求6所述的方法,其特征在于,所述用户侧设备获取所述异常值对应的标准值,具体包括:
所述用户侧设备基于线性插值法,获取所述异常值对应的标准值。
8.一种碳排放预测分布式模型训练方法,应用于碳排放预测分布式模型训练系统,所述系统包括多个用户侧设备和一个云端设备;其特征在于,所述方法包括:
所述用户侧设备获取对应的训练数据集;所述训练数据集中包含多个训练数据子集;所述训练数据子集中包含多个训练样本;所述训练样本包括园区碳排放预测用数据;
所述用户侧设备依次使用各所述训练数据子集训练初始模型,直至已被使用的所述训练数据子集的个数达到预设个数;
所述用户侧设备使用一个所述训练数据子集训练所述初始模型的过程包括:
所述用户侧设备对于所述训练数据子集中的各个训练样本,执行以下步骤,直至所述训练数据子集中的各训练样本均被使用:
所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练,得到当前的初始模型参数数据;
所述用户侧设备将所述当前的初始模型参数数据发送给所述云端设备;
所述云端设备依据接收到多个用户侧设备发送的所述当前的初始模型参数数据,生成当前的模型参数修正数据,并将所述当前的模型参数修正数据发送给各个用户侧设备;
所述用户侧设备根据所述当前的模型参数修正数据,更新对应的初始模型参数,并将更新后的所述初始模型参数对应的模型作为所述当前的初始模型,以及,返回执行所述用户侧设备从所述训练数据子集中选取一个训练样本,对当前的初始模型进行模型训练的步骤。
9.一种碳排放预测方法,应用于用户侧设备,其特征在于,所述方法包括:
获取园区碳排放预测用数据;
对所述园区碳排放预测用数据进行预处理;
将预处理后的园区碳排放预测用数据输入预设园区碳排放预测分布式模型,得到所述预设园区碳排放预测分布式模型输出的预测结果;所述预测结果中包含园区在待预测时间段的碳排放量预测值;所述预设园区碳排放预测分布式模型采用如权利要求1-8中任一项权利要求所述的方法训练得到。
10.一种碳排放预测装置,应用于用户侧设备,其特征在于,所述装置包括:
预测用数据获取模块,用于获取园区碳排放预测用数据;
数据预处理模块,用于对所述园区碳排放预测用数据进行预处理;
预测模块,用于将预处理后的园区碳排放预测用数据输入预设园区碳排放预测分布式模型,得到所述预设园区碳排放预测分布式模型输出的预测结果;所述预测结果中包含园区在待预测时间段的碳排放量预测值;所述预设园区碳排放预测分布式模型采用如权利要求1-8中任一项权利要求所述的方法训练得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675971.5A CN116451872B (zh) | 2023-06-08 | 2023-06-08 | 碳排放预测分布式模型训练方法、相关方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310675971.5A CN116451872B (zh) | 2023-06-08 | 2023-06-08 | 碳排放预测分布式模型训练方法、相关方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116451872A true CN116451872A (zh) | 2023-07-18 |
CN116451872B CN116451872B (zh) | 2023-09-01 |
Family
ID=87132319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310675971.5A Active CN116451872B (zh) | 2023-06-08 | 2023-06-08 | 碳排放预测分布式模型训练方法、相关方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116451872B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116632839A (zh) * | 2023-07-21 | 2023-08-22 | 国网浙江省电力有限公司宁波供电公司 | 一种基于能碳监测的园区电力管理调节方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709533A (zh) * | 2020-08-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 机器学习模型的分布式训练方法、装置以及计算机设备 |
WO2021120888A1 (zh) * | 2019-12-20 | 2021-06-24 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私数据进行模型训练的方法及系统 |
WO2022110640A1 (zh) * | 2020-11-27 | 2022-06-02 | 平安科技(深圳)有限公司 | 一种模型优化方法、装置、计算机设备及存储介质 |
CN114722887A (zh) * | 2021-01-05 | 2022-07-08 | 阿里巴巴集团控股有限公司 | 网络模型训练方法、样本关系类别获取方法、电子设备 |
CN115840965A (zh) * | 2022-12-27 | 2023-03-24 | 光谷技术有限公司 | 一种信息安全保障模型训练方法和系统 |
CN116050475A (zh) * | 2022-12-30 | 2023-05-02 | 中国环境科学研究院 | 关键污染物浓度预测模型的训练方法、装置和计算机设备 |
-
2023
- 2023-06-08 CN CN202310675971.5A patent/CN116451872B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021120888A1 (zh) * | 2019-12-20 | 2021-06-24 | 支付宝(杭州)信息技术有限公司 | 一种基于隐私数据进行模型训练的方法及系统 |
CN111709533A (zh) * | 2020-08-19 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 机器学习模型的分布式训练方法、装置以及计算机设备 |
WO2022110640A1 (zh) * | 2020-11-27 | 2022-06-02 | 平安科技(深圳)有限公司 | 一种模型优化方法、装置、计算机设备及存储介质 |
CN114722887A (zh) * | 2021-01-05 | 2022-07-08 | 阿里巴巴集团控股有限公司 | 网络模型训练方法、样本关系类别获取方法、电子设备 |
CN115840965A (zh) * | 2022-12-27 | 2023-03-24 | 光谷技术有限公司 | 一种信息安全保障模型训练方法和系统 |
CN116050475A (zh) * | 2022-12-30 | 2023-05-02 | 中国环境科学研究院 | 关键污染物浓度预测模型的训练方法、装置和计算机设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116632839A (zh) * | 2023-07-21 | 2023-08-22 | 国网浙江省电力有限公司宁波供电公司 | 一种基于能碳监测的园区电力管理调节方法及装置 |
CN116632839B (zh) * | 2023-07-21 | 2023-11-07 | 国网浙江省电力有限公司宁波供电公司 | 一种基于能碳监测的园区电力管理调节方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116451872B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shuai et al. | Stochastic optimization of economic dispatch for microgrid based on approximate dynamic programming | |
EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
Helseth et al. | Detailed long‐term hydro‐thermal scheduling for expansion planning in the Nordic power system | |
CN116451872B (zh) | 碳排放预测分布式模型训练方法、相关方法及装置 | |
CN109478045A (zh) | 使用预测来控制目标系统 | |
CN111722540A (zh) | 一种能源互联网数字孪生仿真系统及方法 | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
JP2012034444A (ja) | 電力需給計画装置及びその方法 | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN113469325A (zh) | 一种边缘聚合间隔自适应控制的分层联邦学习方法、计算机设备、存储介质 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN113887797A (zh) | 一种楼宇电采暖负荷预测模型的建立方法、装置和设备 | |
CN108846488A (zh) | 风电场的检修调度方法和装置 | |
CN116345578A (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
CN112602247A (zh) | 用于在平衡条件下控制能量子系统之间的能量交换的方法;控制中心;能量系统;计算机程序和存储介质 | |
Prakash et al. | Modified interval‐based generator scheduling for PFR adequacy under uncertain PV generation | |
CN116204325A (zh) | 一种基于aigc的算法训练平台 | |
US11687689B2 (en) | Capacity forecasting | |
US20220083903A1 (en) | Load forecasting | |
JP3955259B2 (ja) | 充電装置、充電システム及び発電量表示プログラム | |
Gong et al. | Dynamic spectrum allocation for power load prediction via wireless metering in smart grid | |
JP2013158100A (ja) | 充電案内装置、利用者端末、充電案内システムおよびプログラム | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN117910717A (zh) | 基于深度强化学习的社区微电网能源管理方法及装置 | |
Liu et al. | Smart home cybersecurity considering the integration of renewable energy |
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 |