CN116701888B - 清洁能源企业的辅助模型数据处理方法及系统 - Google Patents
清洁能源企业的辅助模型数据处理方法及系统 Download PDFInfo
- Publication number
- CN116701888B CN116701888B CN202310999616.3A CN202310999616A CN116701888B CN 116701888 B CN116701888 B CN 116701888B CN 202310999616 A CN202310999616 A CN 202310999616A CN 116701888 B CN116701888 B CN 116701888B
- Authority
- CN
- China
- Prior art keywords
- training
- verification
- model
- power generation
- data
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 294
- 238000012795 verification Methods 0.000 claims abstract description 202
- 238000010248 power generation Methods 0.000 claims abstract description 165
- 238000004364 calculation method Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000010276 construction Methods 0.000 claims abstract description 32
- 230000007613 environmental effect Effects 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000009960 carding Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种清洁能源企业的辅助模型数据处理方法及系统，包括：根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位；按照预设归类策略将发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组；基于验证多元组对第一训练模型进行验证得到验证结果；基于第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型；根据第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示。
Description
技术领域
本发明涉及数据处理技术，尤其涉及一种清洁能源企业的辅助模型数据处理方法及系统。
背景技术
近年来，随着大数据技术的快速发展及应用，电网企业不断探索企业电量预测业务，以期进一步提升在电网规划、负荷控制及需求侧管理等方面的科学决策水平。目前，清洁能源发电企业是电网中重要的一部分，其电量数据预测在业内受到了更多的关注。
目前，针对清洁能源发电企业的电量数据预测而言，往往需要抓取大量的历史数据进行预测，例如抓取过去全面的所有的发电数据参与预测，每次都需要对数据进行清洗、筛选等步骤。一般来说，在电量的预测场景下，很多分析数据都是复用的，如果每次预测都需要全面抓取大量的数据进行全面分析处理，其数据处理量较大，处理效率低下。
因此，如何对预测数据进行结构化梳理形成可以复用的多元组数据辅助模型进行预测，减少预测时的数据处理量，提高处理效率成为了急需解决的问题。
发明内容
本发明实施例提供一种清洁能源企业的辅助模型数据处理方法及系统，可以对预测数据进行结构化梳理，以形成可以复用的多元组数据辅助模型进行预测，减少预测时的数据处理量，提高处理效率。
本发明实施例的第一方面，提供一种清洁能源企业的辅助模型数据处理方法，包括：
根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位，所述属性至少包括光伏属性、水电属性以及光水组合属性；
基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组；
模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果；
模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型；
基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示。
可选地，在第一方面的一种可能实现方式中，所述根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位，包括：
若判断清洁能源企业为光伏属性，数据分类组件则生成与光伏属性所对应的多元组槽位，所述多元组槽位至少包括光电环境槽位、发电量槽位以及时间槽位；
若判断清洁能源企业为水电属性，数据分类组件则生成与水电属性所对应的多元组槽位，所述多元组槽位至少包括水电环境槽位、发电量槽位以及时间槽位；
若判断清洁能源企业为光水组合属性，数据分类组件则生成与光水组合属性所对应的多元组槽位，所述多元组槽位至少包括光电环境槽位、光电发电量槽位、时间槽位、水电环境槽位、水电发电量槽位；
数据分类组件根据当前时间对多元组槽位中的时间槽位进行自动填充，以使每个时间槽位具有相对应的时间信息。
可选地，在第一方面的一种可能实现方式中，所述基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组，包括：
数据分类组件获取内部数据库中与每个清洁能源企业所对应历史的发电信息，根据所述时间槽位的时间信息确定相对应的发电信息并依次填充至相对应的光电发电量槽位和/或水电发电量槽位；
数据分类组件获取外部数据库中与每个清洁能源企业所对应历史的环境信息，根据所述时间槽位的时间信息确定相对应的发电信息并依次填充至相对应的光电环境槽位和/或水电环境槽位；
在判断每个多元组内的光电发电量槽位和/或水电发电量槽位、光电环境槽位和/或水电环境槽位具有相对应的信息后，按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组。
可选地，在第一方面的一种可能实现方式中，所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
若判断相应多元组内的光电发电量槽位和/或水电发电量槽位不具有相应的信息，且光电发电量槽位和/或水电发电量槽位对应的光电环境槽位和/或水电环境槽位具有相应的第一信息，则根据所述第一信息确定所有多元组中相近的多个多元组内的第一发电量，根据所述第一发电量计算得到与第一信息所对应的补齐发电量填充至相对应的光电发电量槽位和/或水电发电量槽位。
可选地，在第一方面的一种可能实现方式中，所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
若判断相应多元组内的光电环境槽位和/或水电环境槽位不具有相应的信息，且光电环境槽位和/或水电环境槽位对应的光电发电量槽位和/或水电发电量槽位具有相应的第二信息，根据所述第二信息确定所有多元组中相近的多个多元组内的第一天气，根据所述第一天气得到与第二信息所对应的补齐天气填充至相对应的光电环境槽位和/或水电环境槽位。
可选地，在第一方面的一种可能实现方式中，所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
所述预设归类策略包括多个训练时间段和验证时间段，根据当前时间点、验证时间段确定相对应的验证时间点，根据所述验证时间点、训练时间段确定相对应的训练时间点；
根据所述当前时间点、验证时间点得到验证归类时间区间，根据验证时间点、训练时间点得到训练归类时间区间；
若判断相应多元组内时间槽位的时间信息处于验证归类时间区间，则将相应的多元组归类为验证多元组，若判断相应多元组内时间槽位的时间信息处于训练归类时间区间，则将相应的多元组归类为训练多元组。
可选地，在第一方面的一种可能实现方式中，所述模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果，包括：
模型构建组件在接收到数据分类组件发送的验证多元组和训练多元组后，将训练多元的光电环境槽位和/或水电环境槽位内的信息作为自变量，光电发电量槽位和/或水电发电量槽位内的信息作为因变量训练，得到第一训练模型；
将验证多元组的光电环境槽位和/或水电环境槽位内的信息作为自变量输入至训练后的第一训练模型内，得到每个第一训练模型的所输出的电量输出信息；
将所述电量输出信息与验证多元组的光电发电量槽位和/或水电发电量槽位内的信息差值计算得到验证差值信息；
在每个验证多元组处生成与每个第一训练模型相对应的验证槽位，将每个第一训练模型在每个验证多元组的验证差值信息的绝对值填充至相应的验证槽位内；
在判断所有第一训练模型分别对应的验证槽位内具有验证差值信息后，生成与验证多元组所对应的验证结果显示表。
可选地，在第一方面的一种可能实现方式中，还包括：
模型构建组件将验证结果显示表内验证差值信息的绝对值大于边界差值信息的单元格突出显示；
模型构建组件若判断用户对验证结果显示表内单元格突出显示的验证差值信息进行调整且输入批量调整属性，则将大于边界差值信息的验证差值信息调整为与边界差值信息相同的数值。
可选地，在第一方面的一种可能实现方式中，所述模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型，包括：
模型构建组件统计每个第一训练模型所对应的验证差值信息的绝对值并进行均值计算得到相对应的均值差值信息，将所有第一训练模型按照相应的均值差值信息作比得到模型均值比；
确定模型均值比中最小的比值，对最小的比值归一化处理并确定归一比例，按照所述归一比例对其他非最小的比值进行比例换算，得到归一化处理后的模型均值比；
基于所述模型均值比的反比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型。
可选地，在第一方面的一种可能实现方式中，所述基于所述模型均值比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型，包括：
基于所述模型均值比按照预设筛选策略对第一训练模型筛选，得到待组装的第一训练模型；
将每个待组装的第一训练模型在模型均值比中的数值的反比作为相应的第一权重，根据所述第一权重对所有的第一训练模型加权后相加组装，得到第二训练模型。
可选地，在第一方面的一种可能实现方式中，所述基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示，包括：
获取预设的计算周期，根据当前时间和计算周期得到计算归类时间区间，根据所述计算归类时间区间依次遍历验证多元组、训练多元组内时间槽位的时间信息，得到计算多元组；
根据所述计算多元组再次对待组装的第一训练模型进行训练，并在训练后输入与预测时间所对应的环境信息，得到每个第一训练模型所输出的计算子结果；
根据第二训练模型对所有的计算子结果按照相应的第一权重加权后得到相对应的预测发电数据。
可选地，在第一方面的一种可能实现方式中，所述根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示，包括：
确定与预测发电数据所对应的关联处理数据，所述关联处理数据至少包括预先配置的总用电预测数据；
根据所述预测发电数据、总用电预测数据得到市电发电的用户指导数据并发送至客户端显示。
本发明实施例的第二方面，提供一种清洁能源企业的辅助模型数据处理系统，包括：
生成模块，用于根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位，所述属性至少包括光伏属性、水电属性以及光水组合属性；
确定模块，用于基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组；
构建模块，用于使模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果；
组装模块，用于使模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型；
更新模块，用于基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示。
本发明实施例的第三方面，提供一种电子设备，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行本发明第一方面及第一方面各种可能设计的所述方法。
本发明实施例的第四方面，提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法。
本方案设置有数据分类组件和模型构建组件，会结合企业的属性，利用数据分类组件对数据进行结构化梳理，得到对应的多元组槽位，再结合预设归类策略得到训练多元组和验证多元组；之后，本方案会结合模型构建组件对训练多元组进行训练，得到相对应的第一训练模型。同时，为了提高模型预测数据的准确性，本方案还会结合验证多元组对第一训练模型进行验证得到验证结果，结合验证结果得到每个第一训练模型的第一权重，然后利用第一权重对多个第一训练模型进行组装得到第二训练模型，最后再结合第二训练模型对计算多元组进行计算得到相对应的预测发电数据。通过上述方式，可以对预测数据进行结构化梳理，形成可以复用的多元组数据辅助模型进行预测，减少预测时的数据处理量，提高处理效率。同时，本方案结合训练多元组和验证多元组对模型进行训练和验证，可以提高预测发电数据的准确性。
本方案的数据分类组件在对多元组槽位进行数据填充时，会结合清洁能源企业的属性进行数据的定向填充，属性不同，对应的多元组槽位也不同，其包括环境维度数据、发电量维度数据和时间维度数据，后续的模型可以针对上述数据进行分析实现预测。在进行预测之前，本方案会结合预设归类策略将发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组。其中，本方案还会在多元组槽位内缺失信息时，执行信息补齐操作进行补齐。在进行归类时，本方案会确定验证时间点、训练时间点和当前时间点，然后得到相应的时间区间，对多元组进行分类得到训练多元组和验证多元组。在得到训练多元组和验证多元组之后，本方案会结合得到训练多元组得到第一训练模型，结合验证多元组得到验证结果，然后结合验证结果进行相应差值的计算，最后结合计算结果得到对应的第一权重，对所有的第一训练模型加权后相加组装，得到第二训练模型。通过上述方式，可以使得验证结果较佳的模型的输出结果所占的比例较大，提高预测结果的准确性。
附图说明
图1是本发明实施例提供的一种清洁能源企业的辅助模型数据处理方法的流程示意图；
图2是本发明实施例提供的一种清洁能源企业的辅助模型数据处理系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
参见图1，是本发明实施例提供的一种清洁能源企业的辅助模型数据处理方法的流程示意图，该清洁能源企业的辅助模型数据处理方法包括S1-S5：
S1，根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位，所述属性至少包括光伏属性、水电属性以及光水组合属性。
由于不同的清洁能源企业具有不同的企业属性，因此，本方案需要结合清洁能源企业的企业属性进行相应的分析。
本方案会根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件。其中，数据分类组件根据相应的属性生成多元组槽位，属性至少包括光伏属性、水电属性以及光水组合属性。具体生成多元组槽位的步骤参见下文。
在一些实施例中，S1（根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位）包括S11-S14：
S11，若判断清洁能源企业为光伏属性，数据分类组件则生成与光伏属性所对应的多元组槽位，所述多元组槽位至少包括光电环境槽位、发电量槽位以及时间槽位。
如果判断清洁能源企业为光伏属性，本方案会结合光伏属性来构建多元组槽位。利用数据分类组件则生成与光伏属性所对应的多元组槽位，多元组槽位至少包括光电环境槽位、发电量槽位以及时间槽位。其中，光电环境槽位用于填充与光电环境相关的环境信息，比如照度、温度等环境信息；发电量槽位用于填充发电量；时间槽位可以填写日期，比如可以是以天为单位进行填充。
S12，若判断清洁能源企业为水电属性，数据分类组件则生成与水电属性所对应的多元组槽位，所述多元组槽位至少包括水电环境槽位、发电量槽位以及时间槽位。
如果判断清洁能源企业为水电属性，本方案会结合水电属性来构建多元组槽位。然后利用数据分类组件生成与水电属性所对应的多元组槽位，多元组槽位至少包括水电环境槽位、发电量槽位以及时间槽位。其中，水电环境槽位用于填充与水电环境相关的环境信息，比如降水量等环境信息；发电量槽位用于填充发电量；时间槽位可以填写日期，比如可以是以天为单位进行填充。
S13，若判断清洁能源企业为光水组合属性，数据分类组件则生成与光水组合属性所对应的多元组槽位，所述多元组槽位至少包括光电环境槽位、光电发电量槽位、时间槽位、水电环境槽位、水电发电量槽位。
可以理解的是，一些能源企业为光水组合属性，此时数据分类组件则生成与光水组合属性所对应的多元组槽位。上述情况下多元组槽位至少包括光电环境槽位、光电发电量槽位、时间槽位、水电环境槽位、水电发电量槽位。
在一些实施例中，光电环境槽位和光电发电量槽位可以与时间槽位连接，同时，水电环境槽位、水电发电量槽位也可以与时间槽位连接。上述情况下，时间槽位可以只设置一个。
S14，数据分类组件根据当前时间对多元组槽位中的时间槽位进行自动填充，以使每个时间槽位具有相对应的时间信息。
本方案的数据分类组件会根据当前时间对多元组槽位中的时间槽位进行自动填充，以使每个时间槽位具有相对应的时间信息。时间信息可以是某年某月某日。
本方案通过上述方式，可以结合企业属性设置不同的多元组槽位，对数据进行梳理，后续在进行数据复用时直接抓取即可，无需重新梳理分析，可以减少数据处理量，提高数据处理效率。
S2，基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组。
本方案设置有数据分类组件，可以通过数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，也就是找到对应的历史数据。
在得到历史数据后，本方案会按照预设归类策略将发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组。
在一些实施例中，S2（基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组）包括S21-S23：
S21，数据分类组件获取内部数据库中与每个清洁能源企业所对应历史的发电信息，根据所述时间槽位的时间信息确定相对应的发电信息并依次填充至相对应的光电发电量槽位和/或水电发电量槽位。
首先，数据分类组件会获取内部数据库中与每个清洁能源企业所对应历史的发电信息。
然后，根据时间槽位的时间信息，确定相对应的发电信息并依次填充至相对应的光电发电量槽位和/或水电发电量槽位。
可以理解的是，本方案可以以时间信息为基准，向光电发电量槽位和/或水电发电量槽位内填充相应的数据。
S22，数据分类组件获取外部数据库中与每个清洁能源企业所对应历史的环境信息，根据所述时间槽位的时间信息确定相对应的发电信息并依次填充至相对应的光电环境槽位和/或水电环境槽位。
与S21同理，数据分类组件获取外部数据库中与每个清洁能源企业所对应历史的环境信息，根据时间槽位的时间信息确定相对应的发电信息并依次填充至相对应的光电环境槽位和/或水电环境槽位。
S23，在判断每个多元组内的光电发电量槽位和/或水电发电量槽位、光电环境槽位和/或水电环境槽位具有相对应的信息后，按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组。
在槽位数据填充完毕后，本方案会按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组。
在一些实施例中，所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
若判断相应多元组内的光电发电量槽位和/或水电发电量槽位不具有相应的信息，且光电发电量槽位和/或水电发电量槽位对应的光电环境槽位和/或水电环境槽位具有相应的第一信息。
可以理解的是，在一些情况下，相应的槽位中可能无法抓取到信息进行填充，此时，本方案会进行信息补齐处理。
如果判断相应多元组内的光电发电量槽位和/或水电发电量槽位不具有相应的信息，且光电发电量槽位和/或水电发电量槽位对应的光电环境槽位和/或水电环境槽位具有相应的第一信息，则根据所述第一信息确定所有多元组中相近的多个多元组内的第一发电量，根据所述第一发电量计算得到与第一信息所对应的补齐发电量填充至相对应的光电发电量槽位和/或水电发电量槽位。
本方案可以利用光电环境槽位和/或水电环境槽位相应的第一信息进行信息补齐操作。
在进行补齐时，本方案会以环境维度的第一信息为基准，找到所有多元组中相近的多个多元组内的发电量作为第一发电量。例如，第一信息为照度，那么本方案会从所有多元组中找到照度相近（照度差值在一定预设范围内）的多个多元组内的发电量作为第一发电量，可以理解的是，在同一企业中，环境信息相近的情况下，其发电量也会大致相同。因此，本方案会通过环境维度的比对找到多个第一发电量。
在得到第一发电量后，本方案可以对多个第一发电量进行均值计算，得到补齐发电量填充至相对应的光电发电量槽位和/或水电发电量槽位。
在另一些实施例中，所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
若判断相应多元组内的光电环境槽位和/或水电环境槽位不具有相应的信息，且光电环境槽位和/或水电环境槽位对应的光电发电量槽位和/或水电发电量槽位具有相应的第二信息，则根据所述第二信息确定所有多元组中相近的多个多元组内的第一天气，根据所述第一天气得到与第二信息所对应的补齐天气填充至相对应的光电环境槽位和/或水电环境槽位。与上述实施例同理，本方案可以以发电量维度为基准，进行数据补齐。
例如，本方案会找到发电量相近（发电量差值在一定预设范围内的）的多个多元组内的第一天气，比如是照度，再对找到的多个照度进行均值计算得到补齐天气填充至相对应的光电环境槽位和/或水电环境槽位。
在又一些实施例中，所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
所述预设归类策略包括多个训练时间段和验证时间段，根据当前时间点、验证时间段确定相对应的验证时间点，根据所述验证时间点、训练时间段确定相对应的训练时间点。
本方案的预设归类策略包括多个训练时间段和验证时间段，会结合当前时间点、验证时间段确定相对应的验证时间点，根据验证时间点、训练时间段确定相对应的训练时间点。
示例性的，训练时间段为30天，验证时间段为2天，当前时间点为月2月18号。那么结合当前时间点、验证时间段确定相对应的验证时间点为2月17号，结合验证时间点、训练时间段确定相对应的训练时间点为1月17号。
根据所述当前时间点、验证时间点得到验证归类时间区间，根据验证时间点、训练时间点得到训练归类时间区间。
示例性的，得到的验证归类时间区间为2月17号至2月18号，得到的训练归类时间区间为1月17号到2月17号。
若判断相应多元组内时间槽位的时间信息处于验证归类时间区间，则将相应的多元组归类为验证多元组，若判断相应多元组内时间槽位的时间信息处于训练归类时间区间，则将相应的多元组归类为训练多元组。
在得到时间区间后，可以利用时间区间来对数据进行处理，如果判断相应多元组内时间槽位的时间信息处于验证归类时间区间内，本方案会将相应的多元组归类为验证多元组，如果判断相应多元组内时间槽位的时间信息处于训练归类时间区间，则本方案会将相应的多元组归类为训练多元组。其中，训练多元组用于对模型进行训练，验证多元组用于对训练后的模型进行验证。
S3，模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果。
在上述实施例中得到数据后，本方案的模型构建组件可以按照多个预设学习算法的学习策略，结合训练多元组分别进行训练，得到相对应的第一训练模型，然后结合验证多元组对第一训练模型进行验证得到验证结果。
在一些实施例中，S3（模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果）包括S31-S35：
S31，模型构建组件在接收到数据分类组件发送的验证多元组和训练多元组后，将训练多元的光电环境槽位和/或水电环境槽位内的信息作为自变量，光电发电量槽位和/或水电发电量槽位内的信息作为因变量训练，得到第一训练模型。
在进行训练时，本方案会将训练多元的光电环境槽位和/或水电环境槽位内的信息作为自变量，光电发电量槽位和/或水电发电量槽位内的信息作为因变量训练，进行训练得到第一训练模型。该处的模型训练为现有技术，不再赘述。
S32，将验证多元组的光电环境槽位和/或水电环境槽位内的信息作为自变量输入至训练后的第一训练模型内，得到每个第一训练模型的所输出的电量输出信息。
在得到第一训练模型后，本方案会将验证多元组的光电环境槽位和/或水电环境槽位内的信息，作为自变量输入至训练后的第一训练模型内，然后得到每个第一训练模型的所输出的电量输出信息，结合电量输出信息进行验证。
S33，将所述电量输出信息与验证多元组的光电发电量槽位和/或水电发电量槽位内的信息差值计算得到验证差值信息。
本方案会将电量输出信息与验证多元组的光电发电量槽位和/或水电发电量槽位内的信息进行差值计算得到验证差值信息。
可以理解的是，验证差值信息越大，说明偏离越大。
S34，在每个验证多元组处生成与每个第一训练模型相对应的验证槽位，将每个第一训练模型在每个验证多元组的验证差值信息的绝对值填充至相应的验证槽位内。
本方案通过多个训练多元组可以得到多个第一训练模型，然后在每个验证多元组处生成与每个第一训练模型相对应的验证槽位，将每个第一训练模型在每个验证多元组的验证差值信息的绝对值填充至相应的验证槽位内。
S35，在判断所有第一训练模型分别对应的验证槽位内具有验证差值信息后，生成与验证多元组所对应的验证结果显示表。
在所有的第一训练模型分别对应的验证槽位内具有验证差值信息（绝对值）后，本方案会生成与验证多元组所对应的验证结果显示表，输出给用户进行展示。
在上述实施例的基础上，还包括：
模型构建组件将验证结果显示表内验证差值信息的绝对值大于边界差值信息的单元格突出显示。
值得一提的是，在验证结果显示表内验证差值信息的绝对值大于边界差值信息时，本方案会将相应的单元格突出显示，以提醒用户。
模型构建组件若判断用户对验证结果显示表内单元格突出显示的验证差值信息进行调整且输入批量调整属性，则将大于边界差值信息的验证差值信息调整为与边界差值信息相同的数值。
如果用户对验证结果显示表内单元格突出显示的验证差值信息进行调整，同时输入批量调整属性，则本方案会将大于边界差值信息的验证差值信息调整为与边界差值信息相同的数值。通过上述方式，可以结合用户的交互信息进行批量调整。
S4，模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型。
本方案的模型构建组件可以将验证结果比对得到与每个第一训练模型所对应的第一权重，然后结合第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型。
在一些实施例中，S4（模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型）包括S41-S43：
S41，模型构建组件统计每个第一训练模型所对应的验证差值信息的绝对值并进行均值计算得到相对应的均值差值信息，将所有第一训练模型按照相应的均值差值信息作比得到模型均值比。
首先，模型构建组件会统计每个第一训练模型所对应的验证差值信息的绝对值，然后进行均值计算得到相对应的均值差值信息，之后将所有第一训练模型按照相应的均值差值信息作比得到模型均值比。也就是将第一训练模型的均值差值信息进行比对，得到模型均值比，例如2个第一训练模型，其对应的模型均值比为2:3。
S42，确定模型均值比中最小的比值，对最小的比值归一化处理并确定归一比例，按照所述归一比例对其他非最小的比值进行比例换算，得到归一化处理后的模型均值比。
示例性的，模型均值比为2:3，那么本方案会确定模型均值比中最小的比值2，然后对最小的比值2归一化处理，并确定归一比例0.5，按照归一比例对其他非最小的比值进行比例换算，得到归一化处理后的模型均值比，例如是1:1.5。
S43，基于归一化处理后的模型均值比的反比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型。
本方案会结合归一化处理后的模型均值比的反比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型。
其中，S43（基于归一化处理后的模型均值比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型）包括：
基于归一化处理后的模型均值比按照预设筛选策略对第一训练模型筛选，得到待组装的第一训练模型。
本方案会基于归一化处理后的模型均值比，按照预设筛选策略对第一训练模型进行筛选，得到待组装的第一训练模型。
可以理解的是，模型均值比越小，说明其预测误差越小，而第一训练模型可以有多个，本方案会找到模型均值比较小的几个，作为待组装的第一训练模型。
将每个待组装的第一训练模型在模型均值比中的数值的反比作为相应的第一权重，根据所述第一权重对所有的第一训练模型加权后相加组装，得到第二训练模型。
在进行组装时，本方案会将每个待组装的第一训练模型在模型均值比中的数值的反比作为相应的第一权重，可以理解的是，模型均值比越小，反比后得到的第一权重也就越大，其计算数据的占比也就越大。
在得到第一权重后，本方案会根据第一权重对所有的第一训练模型加权后相加组装，得到第二训练模型。
S5，基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示。
本方案会结合验证多元组对训练多元组进行更新得到计算多元组，然后根据第二训练模型对计算多元组进行计算得到相对应的预测发电数据，最后结合预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示。
在一些实施例中，S5（基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示）包括S51-S53：
S51，获取预设的计算周期，根据当前时间和计算周期得到计算归类时间区间，根据所述计算归类时间区间依次遍历验证多元组、训练多元组内时间槽位的时间信息，得到计算多元组。
示例性的，当前时间为1.17号，计算周期为15天，那么得到的计算归类时间区间为1.2号到1.17号。本方案会结合计算归类时间区间依次遍历验证多元组、训练多元组内时间槽位的时间信息，得到计算多元组。
S52，根据所述计算多元组再次对待组装的第一训练模型进行训练，并在训练后输入与预测时间所对应的环境信息，得到每个第一训练模型所输出的计算子结果。
在得到计算多元组后，本方案会对待组装的第一训练模型进行训练，并在训练后输入与预测时间所对应的环境信息，得到每个第一训练模型所输出的计算子结果。
例如，预测时间为1.18号，那么可以输入1.18号的环境信息，然后每个第一训练模型会结合输入的信息输出的计算子结果，即预测的发电量。
S53，根据第二训练模型对所有的计算子结果按照相应的第一权重加权后得到相对应的预测发电数据。
在得到预测的多个计算子结果后，本方案会将多个计算子结果按照第一权重加权，得到一个总结果，然后与多个第一权重的之和进行求比，得到相对应的预测发电数据。例如，第一权重分别为1.2和1.5，本方案会将计算子结果按照相应的第一权重加权后得到的总结果除以1.7后，得到预测发电数据。
其中，所述根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示，包括：
确定与预测发电数据所对应的关联处理数据，所述关联处理数据至少包括预先配置的总用电预测数据；
根据所述预测发电数据、总用电预测数据得到市电发电的用户指导数据并发送至客户端显示。
参见图2，是本发明实施例提供的一种清洁能源企业的辅助模型数据处理系统的结构示意图，该清洁能源企业的辅助模型数据处理系统包括：
生成模块，用于根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位，所述属性至少包括光伏属性、水电属性以及光水组合属性；
确定模块，用于基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组；
构建模块，用于使模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果；
组装模块，用于使模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型；
更新模块，用于基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示。
本发明实施例提供的一种电子设备，该电子设备包括：处理器、存储器和计算机程序；其中
存储器，用于存储所述计算机程序，该存储器还可以是闪存（flash）。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器，用于执行所述存储器存储的计算机程序，以实现上述方法中设备执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地，存储器既可以是独立的，也可以跟处理器集成在一起。
当所述存储器是独立于处理器之外的器件时，所述设备还可以包括：
总线，用于连接所述存储器和处理器。
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中，存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。存储介质可以是只读存储器（ROM）、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在存储介质中。设备的至少一个处理器可以从存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元（英文：Central Processing Unit，简称：CPU），还可以是其他通用处理器、数字信号处理器（英文：Digital Signal Processor，简称：DSP）、专用集成电路（英文：Application SpecificIntegrated Circuit，简称：ASIC）等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.清洁能源企业的辅助模型数据处理方法，其特征在于，包括：
根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位，所述属性至少包括光伏属性、水电属性以及光水组合属性；
基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组；
模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果；
模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型；
基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示；
所述模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型，包括：
模型构建组件统计每个第一训练模型所对应的验证差值信息的绝对值并进行均值计算得到相对应的均值差值信息，将所有第一训练模型按照相应的均值差值信息作比得到模型均值比；
确定模型均值比中最小的比值，对最小的比值归一化处理并确定归一比例，按照所述归一比例对其他非最小的比值进行比例换算，得到归一化处理后的模型均值比；
基于所述模型均值比的反比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型；
所述基于所述模型均值比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型，包括：
基于所述模型均值比按照预设筛选策略对第一训练模型筛选，得到待组装的第一训练模型；
将每个待组装的第一训练模型在模型均值比中的数值的反比作为相应的第一权重，根据所述第一权重对所有的第一训练模型加权后相加组装，得到第二训练模型；
所述基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示，包括：
获取预设的计算周期，根据当前时间和计算周期得到计算归类时间区间，根据所述计算归类时间区间依次遍历验证多元组、训练多元组内时间槽位的时间信息，得到计算多元组；
根据所述计算多元组再次对待组装的第一训练模型进行训练，并在训练后输入与预测时间所对应的环境信息，得到每个第一训练模型所输出的计算子结果；
根据第二训练模型对所有的计算子结果按照相应的第一权重加权后得到相对应的预测发电数据。
2.根据权利要求1所述的清洁能源企业的辅助模型数据处理方法，其特征在于，
所述根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位，包括：
若判断清洁能源企业为光伏属性，数据分类组件则生成与光伏属性所对应的多元组槽位，所述多元组槽位至少包括光电环境槽位、发电量槽位以及时间槽位；
若判断清洁能源企业为水电属性，数据分类组件则生成与水电属性所对应的多元组槽位，所述多元组槽位至少包括水电环境槽位、发电量槽位以及时间槽位；
若判断清洁能源企业为光水组合属性，数据分类组件则生成与光水组合属性所对应的多元组槽位，所述多元组槽位至少包括光电环境槽位、光电发电量槽位、时间槽位、水电环境槽位、水电发电量槽位；
数据分类组件根据当前时间对多元组槽位中的时间槽位进行自动填充，以使每个时间槽位具有相对应的时间信息。
3.根据权利要求2所述的清洁能源企业的辅助模型数据处理方法，其特征在于，
所述基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组，包括：
数据分类组件获取内部数据库中与每个清洁能源企业所对应历史的发电信息，根据所述时间槽位的时间信息确定相对应的发电信息并依次填充至相对应的光电发电量槽位和/或水电发电量槽位；
数据分类组件获取外部数据库中与每个清洁能源企业所对应历史的环境信息，根据所述时间槽位的时间信息确定相对应的发电信息并依次填充至相对应的光电环境槽位和/或水电环境槽位；
在判断每个多元组内的光电发电量槽位和/或水电发电量槽位、光电环境槽位和/或水电环境槽位具有相对应的信息后，按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组。
4.根据权利要求3所述的清洁能源企业的辅助模型数据处理方法，其特征在于，
所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
若判断相应多元组内的光电发电量槽位和/或水电发电量槽位不具有相应的信息，且光电发电量槽位和/或水电发电量槽位对应的光电环境槽位和/或水电环境槽位具有相应的第一信息，根据所述第一信息确定所有多元组中相近的多个多元组内的第一发电量，根据所述第一发电量计算得到与第一信息所对应的补齐发电量填充至相对应的光电发电量槽位和/或水电发电量槽位。
5.根据权利要求4所述的清洁能源企业的辅助模型数据处理方法，其特征在于，
所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
若判断相应多元组内的光电环境槽位和/或水电环境槽位不具有相应的信息，且光电环境槽位和/或水电环境槽位对应的光电发电量槽位和/或水电发电量槽位具有相应的第二信息，根据所述第二信息确定所有多元组中相近的多个多元组内的第一天气，根据所述第一天气得到与第二信息所对应的补齐天气填充至相对应的光电环境槽位和/或水电环境槽位。
6.根据权利要求5所述的清洁能源企业的辅助模型数据处理方法，其特征在于，
所述按照预设归类策略对所述的多元组补齐和/或归类得到训练多元组和验证多元组，包括：
所述预设归类策略包括多个训练时间段和验证时间段，根据当前时间点、验证时间段确定相对应的验证时间点，根据所述验证时间点、训练时间段确定相对应的训练时间点；
根据所述当前时间点、验证时间点得到验证归类时间区间，根据验证时间点、训练时间点得到训练归类时间区间；
若判断相应多元组内时间槽位的时间信息处于验证归类时间区间，则将相应的多元组归类为验证多元组，若判断相应多元组内时间槽位的时间信息处于训练归类时间区间，则将相应的多元组归类为训练多元组。
7.根据权利要求6所述的清洁能源企业的辅助模型数据处理方法，其特征在于，
所述模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果，包括：
模型构建组件在接收到数据分类组件发送的验证多元组和训练多元组后，将训练多元的光电环境槽位和/或水电环境槽位内的信息作为自变量，光电发电量槽位和/或水电发电量槽位内的信息作为因变量训练，得到第一训练模型；
将验证多元组的光电环境槽位和/或水电环境槽位内的信息作为自变量输入至训练后的第一训练模型内，得到每个第一训练模型的所输出的电量输出信息；
将所述电量输出信息与验证多元组的光电发电量槽位和/或水电发电量槽位内的信息差值计算得到验证差值信息；
在每个验证多元组处生成与每个第一训练模型相对应的验证槽位，将每个第一训练模型在每个验证多元组的验证差值信息的绝对值填充至相应的验证槽位内；
在判断所有第一训练模型分别对应的验证槽位内具有验证差值信息后，生成与验证多元组所对应的验证结果显示表。
8.根据权利要求7所述的清洁能源企业的辅助模型数据处理方法，其特征在于，还包括：
模型构建组件将验证结果显示表内验证差值信息的绝对值大于边界差值信息的单元格突出显示；
模型构建组件若判断用户对验证结果显示表内单元格突出显示的验证差值信息进行调整且输入批量调整属性，则将大于边界差值信息的验证差值信息调整为与边界差值信息相同的数值。
9.根据权利要求1所述的清洁能源企业的辅助模型数据处理方法，其特征在于，
所述根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示，包括：
确定与预测发电数据所对应的关联处理数据，所述关联处理数据至少包括预先配置的总用电预测数据；
根据所述预测发电数据、总用电预测数据得到市电发电的用户指导数据并发送至客户端显示。
10.清洁能源企业的辅助模型数据处理系统，其特征在于，包括：
生成模块，用于根据清洁能源企业的属性生成与相应清洁能源企业对应的数据分类组件和模型构建组件，数据分类组件根据相应的属性生成多元组槽位，所述属性至少包括光伏属性、水电属性以及光水组合属性；
确定模块，用于基于所述数据分类组件确定与清洁能源企业所对应历史的发电信息和/或环境信息，按照预设归类策略将所述发电信息和/或环境信息填充至多元组槽位得到训练多元组和验证多元组；
构建模块，用于使模型构建组件按照多个预设学习算法的学习策略基于所述训练多元组分别进行训练，得到相对应的第一训练模型，基于所述验证多元组对所述第一训练模型进行验证得到验证结果；
组装模块，用于使模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型；
更新模块，用于基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示；
所述模型构建组件将所述验证结果比对得到与每个第一训练模型所对应的第一权重，基于所述第一权重和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型，包括：
模型构建组件统计每个第一训练模型所对应的验证差值信息的绝对值并进行均值计算得到相对应的均值差值信息，将所有第一训练模型按照相应的均值差值信息作比得到模型均值比；
确定模型均值比中最小的比值，对最小的比值归一化处理并确定归一比例，按照所述归一比例对其他非最小的比值进行比例换算，得到归一化处理后的模型均值比；
基于所述模型均值比的反比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型；
所述基于所述模型均值比和清洁能源企业的属性将第一训练模型组装得到组装后的第二训练模型，包括：
基于所述模型均值比按照预设筛选策略对第一训练模型筛选，得到待组装的第一训练模型；
将每个待组装的第一训练模型在模型均值比中的数值的反比作为相应的第一权重，根据所述第一权重对所有的第一训练模型加权后相加组装，得到第二训练模型；
所述基于所述验证多元组对训练多元组更新得到计算多元组，根据所述第二训练模型对计算多元组进行计算得到相对应的预测发电数据，根据所述预测发电数据、关联处理数据生成相对应的用户指导数据并发送至客户端显示，包括：
获取预设的计算周期，根据当前时间和计算周期得到计算归类时间区间，根据所述计算归类时间区间依次遍历验证多元组、训练多元组内时间槽位的时间信息，得到计算多元组；
根据所述计算多元组再次对待组装的第一训练模型进行训练，并在训练后输入与预测时间所对应的环境信息，得到每个第一训练模型所输出的计算子结果；
根据第二训练模型对所有的计算子结果按照相应的第一权重加权后得到相对应的预测发电数据。
11.一种电子设备，其特征在于，包括：存储器、处理器以及计算机程序，所述计算机程序存储在所述存储器中，所述处理器运行所述计算机程序执行权利要求1至9任一所述的方法。
12.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现权利要求1至9任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310999616.3A CN116701888B (zh) | 2023-08-09 | 2023-08-09 | 清洁能源企业的辅助模型数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310999616.3A CN116701888B (zh) | 2023-08-09 | 2023-08-09 | 清洁能源企业的辅助模型数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116701888A CN116701888A (zh) | 2023-09-05 |
| CN116701888B true CN116701888B (zh) | 2023-10-17 |
Family
ID=87829816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310999616.3A Active CN116701888B (zh) | 2023-08-09 | 2023-08-09 | 清洁能源企业的辅助模型数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116701888B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108733636A (zh) * | 2017-04-25 | 2018-11-02 | 北京庖丁科技有限公司 | 文字中提取多元组的方法和装置 |
| CN111226235A (zh) * | 2018-01-17 | 2020-06-02 | 华为技术有限公司 | 生成训练神经网络的训练数据的方法、训练神经网络的方法和利用神经网络进行自主操作的方法 |
| CN111695736A (zh) * | 2020-06-15 | 2020-09-22 | 河北锐景能源科技有限公司 | 一种基于多模型融合的光伏发电短期功率预测方法 |
| CN112529301A (zh) * | 2020-12-14 | 2021-03-19 | 南京中兴力维软件有限公司 | 用电量预测方法、设备及存储介质 |
| KR102385383B1 (ko) * | 2021-03-25 | 2022-04-15 | 한국수자원공사 | 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법 |
| CN115081538A (zh) * | 2022-07-19 | 2022-09-20 | 平安银行股份有限公司 | 基于机器学习的客户关系识别方法、装置、设备及介质 |
| CN115146822A (zh) * | 2022-05-23 | 2022-10-04 | 国网河北省电力有限公司经济技术研究院 | 光伏发电预测方法、装置及终端设备 |
| CN116433277A (zh) * | 2023-06-13 | 2023-07-14 | 国网浙江省电力有限公司 | 基于新型电力系统的电价传导处理方法及系统 |
-
2023
- 2023-08-09 CN CN202310999616.3A patent/CN116701888B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108733636A (zh) * | 2017-04-25 | 2018-11-02 | 北京庖丁科技有限公司 | 文字中提取多元组的方法和装置 |
| CN111226235A (zh) * | 2018-01-17 | 2020-06-02 | 华为技术有限公司 | 生成训练神经网络的训练数据的方法、训练神经网络的方法和利用神经网络进行自主操作的方法 |
| CN111695736A (zh) * | 2020-06-15 | 2020-09-22 | 河北锐景能源科技有限公司 | 一种基于多模型融合的光伏发电短期功率预测方法 |
| CN112529301A (zh) * | 2020-12-14 | 2021-03-19 | 南京中兴力维软件有限公司 | 用电量预测方法、设备及存储介质 |
| KR102385383B1 (ko) * | 2021-03-25 | 2022-04-15 | 한국수자원공사 | 인공지능 모델을 이용하여 태양광 발전 장치의 발전량을 예측하는 전자 장치 및 제어 방법 |
| CN115146822A (zh) * | 2022-05-23 | 2022-10-04 | 国网河北省电力有限公司经济技术研究院 | 光伏发电预测方法、装置及终端设备 |
| CN115081538A (zh) * | 2022-07-19 | 2022-09-20 | 平安银行股份有限公司 | 基于机器学习的客户关系识别方法、装置、设备及介质 |
| CN116433277A (zh) * | 2023-06-13 | 2023-07-14 | 国网浙江省电力有限公司 | 基于新型电力系统的电价传导处理方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Electric vehicle charging scheduling control strategy for the large-scale scenario with non-cooperative game-based multi-agent reinforcement learning;Liyue Fu等;《International Journal of Electrical Power & Energy Systems》;全文 * |
| 基于商业智能的电网负荷预测模型的构建研究;赵钊林;;福建工程学院学报(第01期);全文 * |
| 柯钟鸣.基于强化学习的微电网能源调度算法研究.2020,第2020年卷(第7期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116701888A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11876374B2 (en) | System and method for optimal control of energy storage system | |
| Yuan et al. | A minimum adjustment consensus framework with compromise limits for social network group decision making under incomplete information | |
| CN109193748B (zh) | 一种光伏消纳能力的评价方法及计算设备 | |
| CN108491982A (zh) | 一种基于回声状态网络的短期负荷预测方法及系统 | |
| CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
| CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
| CN113256033A (zh) | 基于模态互补的发电站选址定容方法、装置、系统及介质 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN116388293A (zh) | 一种新能源配建储能电站的联合优化调度方法及系统 | |
| KR102628551B1 (ko) | 하이브리드 타입 단기 전력수요 예측 장치 및 방법 | |
| CN116701888B (zh) | 清洁能源企业的辅助模型数据处理方法及系统 | |
| CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
| CN114780860B (zh) | 基于多维大数据融合汇聚的自主决策方法 | |
| CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
| CN116128315A (zh) | 长短期储能规划方法、系统、介质及设备 | |
| CN113852069B (zh) | 一种含源荷不确定性的地区电网经济调度优化方法及系统 | |
| CN113449933B (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
| CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
| CN113689033B (zh) | 容量发电价核定方法、装置、计算机设备和存储介质 | |
| CN114781685B (zh) | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 | |
| CN117196084A (zh) | 虚拟电厂运行调度方法及装置、终端、存储介质 | |
| CN116307285B (zh) | 新能源发展预测装置及方法 | |
| CN118017466A (zh) | 虚拟电厂低代码平台运行方法及架构 | |
| CN117522162A (zh) | 一种电源侧储能运行模式的确定方法和系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |