CN116739649A - 一种用户响应潜力评估方法和装置 - Google Patents
一种用户响应潜力评估方法和装置 Download PDFInfo
- Publication number
- CN116739649A CN116739649A CN202310258723.0A CN202310258723A CN116739649A CN 116739649 A CN116739649 A CN 116739649A CN 202310258723 A CN202310258723 A CN 202310258723A CN 116739649 A CN116739649 A CN 116739649A
- Authority
- CN
- China
- Prior art keywords
- user
- predicted
- graph
- users
- target
- 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
- 230000004044 response Effects 0.000 title claims abstract description 76
- 238000011156 evaluation Methods 0.000 title abstract description 35
- 230000009467 reduction Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 47
- 239000000203 mixture Substances 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种用户响应潜力评估方法和装置,方法包括:获取目标用户的第一需求响应量数据,根据第一需求响应量数据和第一分类指标,对目标用户进行分类,获得第一分类结果;根据第一分类结果和聚类轮廓系数,对目标用户的日负荷曲线进行聚类,获得第二分类结果;根据第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图;将待预测用户的节点输入预测网络,生成待预测用户在第一时段的预测降负荷率,根据预测降负荷率生成可调容量值作为待预测用户的响应潜力,以实现对各时段的用户的可调容量进行预测,并且在降低数据需求量的同时提高预测结果的精准性。
Description
技术领域
本发明涉及电力用户响应潜力评估技术领域,尤其涉及一种用户响应潜力评估方法、装置及存储介质。
背景技术
电力用户响应潜力评估的本质是构建用户用电特征信息到用户响应能力之间的映射关系,现有研究主要可以分为基于用户整体用电信息的可调潜力评估方法和基于用户内部可调资源分析的可调潜力评估方法。基于用户整体用电信息的可调潜力评估方法是通过提取用户电气入口处的总负荷曲线,分析用户负荷特性并构建响应潜力评估指标,以此作为用户响应潜力的评判依据。现有技术基于用户整体用电信息的可调潜力评估方法具有数据需求量小,计算相对简单的优点,但从用户总负荷曲线的角度进行评估,则评估结果往往多为定性分析,现有定量分析结果也导致了可调潜力评估结果准确性不高、评价指标模糊、评估时间尺度长,分辨率不高的问题。基于用户内部可调资源分析的可调潜力评估方法则是通过对用户内部可调资源的用电信息进行监测,构建各用电资源的物理模型,并结合环境因素和用户对各用电资源的使用意愿自下而上的实现用户的可调潜力预测。现有技术基于用户内部可调资源分析的可调潜力评估方法具有评估结果准确性高、可实现较短时间尺度的潜力评估的优点,但也存在需要大量用户内部负荷运行数据、对不同用户的不同可调资源需要进行重新建模的问题,不同设备间的模型通用性较低,在实际情况中具有成本高、监测环境要求高和评估过程复杂的问题。
现有技术无法兼顾响应评估算法的精准性和经济性,依赖于用户内部环境和用电设备的监测数据,而对仅有总线数据而没有内部感知能力的用户则无法适用;现有技术没有充分利用同类型用户可调潜力的相似关系提高潜力评估方法的准确性和泛化性,在面对大量新用户或用电环境变化的情况时,会降低响应潜力评估结果的准确性。
发明内容
本发明提供了一种用户响应潜力评估方法、装置及存储介质,以实现对各时段的用户的可调容量进行预测,用于评估用户的响应潜力,在降低数据需求量的同时提高预测结果的精准性。
为了实现对各时段的用户的可调容量进行预测,本发明实施例提供了一种用户响应潜力评估方法,包括:获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果;所述第一分类指标包括:行业分类标准;所述聚类轮廓系数根据每个所述目标用户之间的距离计算而来;
根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图;
将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为所述待预测用户的响应潜力;所述预测网络是由子图学习框架和图卷积神经网络构建而来。
作为优选方案,本发明分别利用行业划分和日负荷曲线聚类的方式对目标用户进行二次分类,并对不同类型用户分别进行构图预测其可调潜力,充分提高了预测模型训练的效率和预测准确率;本发明不需要获取用户内部用电设备数据,而是利用目标用户在当前时段内的用户总线的电气数据,降低了目标用户的数据需求量,将不同类型的目标用户分别进行构图,充分挖掘用户间可调潜力的相似关系,并且利用基于子图学习框架和图卷积神经网络的可调潜力预测模型生成用户在不同时段的预测降负荷率和可调容量值,实现用户不同时段内的可调容量预测,提高了可调潜力预测模型的适用性和计算精度。
作为优选方案,根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果,具体为:
利用聚类算法在[cmin,cmax]范围内依次选择不同聚类数目对每个目标用户的日负荷曲线分别进行聚类,cmin为最小聚类数和cmax为最大聚类数,选择聚类轮廓系数最大的对应的聚类数目作为最佳聚类数目;
其中,所述聚类轮廓系数SLIMEAN为:
N为该行业下所有目标用户的总数,SIL(x)为目标用户x的轮廓系数;
x为属于Ck类的用户;Da(x)为目标用户x与Ck类内部剩余对象的平均距离;Db(x)为目标用户x与非Ck类对象距离的最小平均距离;
d(x,s)为目标用户x与对象s的距离;
作为优选方案,本发明分别利用行业划分和日负荷曲线聚类的方式对目标用户进行二次分类,利用目标用户之间的关系生成聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,进一步提高用户类型的分类精度,对不同类型用户分别进行构图预测其可调潜力,充分提高了预测模型训练的效率和预测准确率。
作为优选方案,根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图,具体为:
根据第二分类结果,获取同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图;所述总线和环境数据包括:用户负荷、电价、气温、星期类型、人体舒适度指数、当前时段的预估降负荷率初始值;所有所述节点两两之间双向全连接。
作为优选方案,本发明不需要获取用户内部用电设备数据,而是在二次分类的目标用户的基础上,利用目标用户在当前时段内的用户总线的电气数据和环境数据,将不同类型的目标用户分别进行构图,降低了目标用户的数据需求量,充分挖掘用户间可调潜力的相似关系,充分提高预测模型训练的效率和预测准确率。
作为优选方案,根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图之后,还包括:
根据计算指标,生成第一节点与第二节点之间的指标相似值,根据所有所述节点之间的指标相似值,生成两两节点之间连接边的权重;所述计算指标包括所述目标用户的第一时段的日负荷曲线的日平均负荷、日负荷率、日最小负荷率、日峰谷差率、峰期负载率、谷期负载率和平期负载率指标;
所述连接边的权重为:
式中,xi,xj分别为i节点用户和j节点用户的边权重计算指标向量;|·|为内积计算操作。
作为优选方案,本发明提取目标用户的用电信息和环境特征信息作为节点特征,提取用户用电曲线的特性指标,计算用户间负荷曲线特性的相似度作为边权重进行构图,并采用半监督节点预测的方式,利用图卷积神经网络作为预测网络进行用户可调潜力评估,使待预测用户节点能够边的连接充分融合与之相似的具有响应标签的用户信息,辅助用户进行响应潜力的预测,进一步提高预测的准确性。
作为优选方案,将待预测用户的节点输入预测网络之前,还包括:
将若干张不同类型的目标用户的图中的节点划分为训练集和验证集,并将每张所述图依次输入初始预测模型,输出所述目标用户在第一时段的降负荷率,判断所述初始预测模型的验证集的准确率是否大于第一阈值;
若是,则将所述初始预测模型作为预测网络;
否则,调整所述初始预测模型的模型参数,直到所述初始预测模型的验证集的准确率大于第一阈值。
作为优选方案,基于子图学习框架的可调潜力预测网络,通过将图数据分解为多个子图进行训练,能够有效降低图的复杂度,提高模型训练的效率和速度。
作为优选方案,将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为待预测用户的响应潜力,具体为:
将待预测用户的节点输入预测网络,所述预测网络为图卷积神经网络,包括预设层残差图卷积层和预设层全连接层;
所述预测网络根据待预测用户的节点和两两所述节点之间连接边的权重,利用预设层残差图卷积层输出第一用户节点,将第一用户节点输入预设层全连接层,生成第一时段的预测降负荷率;将所述预测降负荷率与第一时段的负荷值相乘,获得所述待预测用户在第一时段的可调容量作为待预测用户的响应潜力。
作为优选方案,本发明不需要获取用户内部用电设备的信息,仅要获取用户总线的功率信息和时段的其它环境信息即可以实现可调潜力的评估,且方法可以以任意时间尺度直接对工商业用户的可调潜力进行评估,不需要对每个用户单独训练模型,实用性强、适用性广泛,方法复杂度不高,具有较好的实际应用价值。
作为优选方案,所述子图学习框架,具体为:
所述子图学习框架包括子图分解模块和子图重构模块;
其中,所述子图分解模块用于采用随机采样的方法,在图数据中根据设定数量的上下限采样节点和边构建子图,将原始图数据分解为若干个子图后输入预测网络的预设层残差图卷积层分别进行学习和训练;
所述子图重构模块用于在子图在经过预设层残差图卷积层输出后,将各子图在原始图中编号相同的节点按照平均的方式进行聚合,完成子图的重构。
相应地,本发明还提供一种用户响应潜力评估装置,包括:聚类模块、构图模块和预测模块;
其中,所述聚类模块用于获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果;所述第一分类指标包括:行业分类标准;
所述构图模块用于根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图;
所述预测模块用于将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为所述待预测用户的响应潜力;所述预测网络是由子图学习框架和图卷积神经网络构建而来。
作为优选方案,本发明聚类模块分别利用行业划分和日负荷曲线聚类的方式对目标用户进行二次分类,构图模块对不同类型用户分别进行构图预测其可调潜力,充分提高了预测模型训练的效率和预测准确率;本发明不需要获取用户内部用电设备数据,而是利用目标用户在当前时段内的用户总线的电气数据,降低了目标用户的数据需求量,将不同类型的目标用户分别进行构图,充分挖掘用户间可调潜力的相似关系,预测模块利用基于子图学习框架和图卷积神经网络的可调潜力预测模型生成用户在不同时段的预测降负荷率和可调容量值,实现用户不同时段内的可调容量预测,提高了可调潜力预测模型的适用性和计算精度。
作为优选方案,聚类模块包括:分类单元和聚类单元;
所述分类单元用于获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;
所述聚类单元用于利用聚类算法在[cmin,cmax]范围内依次选择不同聚类数目对每个目标用户的日负荷曲线分别进行聚类,cmin为最小聚类数和cmax为最大聚类数,选择聚类轮廓系数最大的对应的聚类数目作为最佳聚类数目;
其中,所述聚类轮廓系数为聚类轮廓系数SLIMEAN:
N为该行业下所有目标用户的总数,SIL(x)为目标用户x的轮廓系数;
x为属于Ck类的用户;Da(x)为目标用户x与Ck类内部剩余对象的平均距离;Db(x)为目标用户x与非Ck类对象距离的最小平均距离;
d(x,s)为目标用户x与对象s的距离;
作为优选方案,本发明分类单元和聚类单元分别利用行业划分和日负荷曲线聚类的方式对目标用户进行分类,利用目标用户之间的关系生成聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,进一步提高用户类型的分类精度,对不同类型用户分别进行构图预测其可调潜力,充分提高了预测模型训练的效率和预测准确率。
作为优选方案,构图模块包括:训练单元、构图单元和权重计算单元;
所述训练单元用于将若干张不同类型的目标用户的图中的节点划分为训练集和验证集,并将每张所述图依次输入初始预测模型,输出所述目标用户在第一时段的降负荷率,判断所述初始预测模型的验证集的准确率是否大于第一阈值;
若是,则将所述初始预测模型作为预测网络;
否则,调整所述初始预测模型的模型参数,直到所述初始预测模型的验证集的准确率大于第一阈值;
所述构图单元用于根据第二分类结果,获取同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图;所述总线和环境数据包括:用户负荷、电价、气温、星期类型、人体舒适度指数、当前时段的预估降负荷率初始值;所有所述节点两两之间双向全连接;
所述权重计算单元用于根据计算指标,生成第一节点与第二节点之间的指标相似值,根据所有所述节点之间的指标相似值,生成两两节点之间连接边的权重;所述计算指标包括所述目标用户的第一时段的日负荷曲线的日平均负荷、日负荷率、日最小负荷率、日峰谷差率、峰期负载率、谷期负载率和平期负载率指标;
所述连接边的权重为:
式中,xi,xj分别为i节点用户和j节点用户的边权重计算指标向量;|·|为内积计算操作。
作为优选方案,本发明训练单元基于子图学习框架的可调潜力预测网络,通过将图数据分解为多个子图进行训练,能够有效降低图的复杂度,提高模型训练的效率和速度;本发明不需要获取用户内部用电设备数据,而是在二次分类的目标用户的基础上,利用构图单元根据目标用户在当前时段内的用户总线的电气数据和环境数据,将不同类型的目标用户分别进行构图,降低了目标用户的数据需求量,充分挖掘用户间可调潜力的相似关系,充分提高预测模型训练的效率和预测准确率;权重计算单元提取目标用户的用电信息和环境特征信息作为节点特征,提取用户用电曲线的特性指标,计算用户间负荷曲线特性的相似度作为边权重进行构图,并采用半监督节点预测的方式,利用图卷积神经网络作为预测网络进行用户可调潜力评估,使待预测用户节点能够边的连接充分融合与之相似的具有响应标签的用户信息,辅助用户进行响应潜力的预测,进一步提高预测的准确性。
作为优选方案,预测模块包括:预测单元和分析单元;
所述预测单元用于将待预测用户的节点输入预测网络,所述预测网络为图卷积神经网络,包括预设层残差图卷积层和预设层全连接层;
所述预测网络根据待预测用户的节点和两两所述节点之间连接边的权重,利用预设层残差图卷积层输出第一用户节点,将第一用户节点输入预设层全连接层,生成第一时段的预测降负荷率;
所述分析单元用于将所述预测降负荷率与第一时段的负荷值相乘,获得所述待预测用户在第一时段的可调容量作为所述待预测用户的响应潜力。
作为优选方案,本发明不需要获取用户内部用电设备的信息,仅要获取用户总线的功率信息和时段的其它环境信息即可以实现可调潜力的评估,且方法可以以任意时间尺度直接对工商业用户的可调潜力进行评估,不需要对每个用户单独训练模型,实用性强、适用性广泛,方法复杂度不高,具有较好的实际应用价值。
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如本发明内容所述的一种用户响应潜力评估方法。
附图说明
图1是本发明提供的一种用户响应潜力评估方法的一种实施例的流程示意图;
图2是本发明提供的一种用户响应潜力评估方法的预测网络一种实施例的结构示意图;其中,N1-N6为图的节点;
图3是本发明提供的一种用户响应潜力评估装置的一种实施例的结构示意图。
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作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。
实施例一
请参照图1,为本发明实施例提供的一种用户响应潜力评估方法,包括步骤S101-S103:
步骤S101:获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果;所述第一分类指标包括:行业分类标准;所述聚类轮廓系数根据每个所述目标用户之间的距离计算而来;
在本实施例中,所述第一分类指标包括:《国民经济行业分类》,根据《国民经济行业分类》大类标准对目标用户进行分类,获得若干类目标用户。
在本实施例中,根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果,具体为:
利用聚类算法在[cmin,cmax]范围内依次选择不同聚类数目对每个目标用户的日负荷曲线分别进行聚类,cmin为最小聚类数和cmax为最大聚类数,选择聚类轮廓系数最大的对应的聚类数目作为最佳聚类数目;
其中,所述聚类轮廓系数SLIMEAN为:
N为该行业下所有目标用户的总数,SIL(x)为目标用户x的轮廓系数;
x为属于Ck类的用户;Da(x)为目标用户x与Ck类内部剩余对象的平均距离;Db(x)为目标用户x与非Ck类对象距离的最小平均距离;
d(x,s)为目标用户x与对象s的距离;
在本实施例中,最大聚类数、最小聚类数和聚类方法可以依据用户负荷实际情况选取。例如可以设置最小聚类数为2,最大聚类数为5,聚类方法可以选择K均值、DBSCAN、层次聚类等。
步骤S102:根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图;
在本实施例中,根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图,具体为:
根据第二分类结果,获取同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图;所述总线和环境数据包括:用户负荷、电价、气温、星期类型、人体舒适度指数、当前时段的预估降负荷率初始值;所有所述节点两两之间双向全连接。
在本实施例中,人体舒适度指数为:
式中,Ta为环境温度;RH为空气相对湿度;μ为平均风速。
所述预估降负荷率初始值,是由同一时刻图中参与需求响应的其它节点的响应量根据边权重加权叠加计算而来,具体计算方式为:
式中,η′i为用户i的预估降负荷率初始值,M为图中具有需求响应量标签的用户总数,wij为用户i与用户j连接边的权重值,ηj为用户j的实际降负荷率。
在本实施例中,所述日平均负荷为/>Psum指用户全天总用电量;
日负荷率γ1为Pmax指用户当天最大负荷;
日最小负荷率γ2为Pmin指用户当天最小负荷;;
日峰谷差率γ3为
峰期负载率γ4为 指用户峰期时段平均负荷;
谷期负载率γ5为 指用户谷期时段平均负荷;
平期负载率γ6为 指用户平期时段平均负荷。
所述峰期、平期、谷期,是指对一天当中的时间按照负荷的常规变化规律进行划分,示例性地,9:00-12:00和15:00-18:00划分为峰期,21:00-6:00为谷期,6:00-9:00和12:00-15:00和18:00-21:00为平期。
在本实施例中,根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图之后,还包括:
根据计算指标,生成第一节点与第二节点之间的指标相似值,根据所有所述节点之间的指标相似值,生成两两节点之间连接边的权重;所述计算指标包括所述目标用户的第一时段的日负荷曲线的日平均负荷、日负荷率、日最小负荷率、日峰谷差率、峰期负载率、谷期负载率和平期负载率指标;
所述连接边的权重为:
式中,xi,xj分别为i节点用户和j节点用户的边权重计算指标向量;|·|为内积计算操作。
在本实施例中,节点的属性信息和边权重计算指标,均需事先进行归一化操作,对于需要进行归一化的节点或边权重的计算指标a,其归一化的具体方式为:
式中,为用户节点i归一化后的对应指标,amin为图中所有用户指标a的最小值,amax为图中所有用户指标a的最大值。
步骤S103:将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为所述待预测用户的响应潜力;所述预测网络是由子图学习框架和图卷积神经网络构建而来。
在本实施例中,将待预测用户的节点输入预测网络之前,还包括:
将若干张不同类型的目标用户的图中的节点划分为训练集和验证集,并将每张所述图依次输入初始预测模型,输出所述目标用户在第一时段的降负荷率,判断所述初始预测模型的验证集的准确率是否大于第一阈值;
若是,则将所述初始预测模型作为预测网络;
否则,调整所述初始预测模型的模型参数,直到所述初始预测模型的验证集的准确率大于第一阈值。
在本实施例中,所述训练集和验证集的划分比例为3:1,用户当前时段降负荷率的计算方法为用户当前时段的相应容量除以当前时段的总用电量。
在本实施例中,训练所用损失函数为RMSE损失函数,损失函数形式如下:
其中,N为训练集样本总数,yi为训练集第i个用户的实际降负荷率,f(xi)输出的第i个用户的预测降负荷率。
在本实施例中,损失函数可以更换损失函数形式或函数参数作为替代。
在本实施例中,所述子图学习框架包括子图分解模块和子图重构模块。子图分解模块是指采用随机采样的方法,在图数据中根据设定数量的上下限采样节点和边构建子图,将原始图数据分解为K个子图后输入预测网络的预设层残差图卷积层分别进行学习和训练。K为指定数量。子图重构模块是指子图在经过预设层残差图卷积层输出后,将各子图在原始图中编号相同的节点按照平均的方式进行聚合,完成子图的重构。
子图构建的过程中,节点的采样方式为随机采样,边的采样方式为概率采样。对于选定节点i而言,与另一节点j相连接的边的采样概率为:
式中,wik、wjl分别表示边eik和边ejl的权重,max(wi)、max(wj)分别表示与节点i和节点j相连的所有边的权重的最大值。
子图重构的过程中,相同节点的聚合公式为:
式中,x′i表示完成子图重构后的节点i的特征,N表示子图的数量,表示第j个子图中节点i经过预设层残差图卷积层的输出。
在本实施例中,将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为待预测用户的响应潜力,具体为:
将待预测用户的节点输入预测网络,所述预测网络为图卷积神经网络,包括预设层残差图卷积层和预设层全连接层;
所述预测网络根据待预测用户的节点和两两所述节点之间连接边的权重,利用预设层残差图卷积层输出第一用户节点,将第一用户节点输入预设层全连接层,生成第一时段的预测降负荷率;将所述预测降负荷率与第一时段的负荷值相乘,获得所述待预测用户在第一时段的可调容量作为待预测用户的响应潜力。
在本实施例中,所述预测网络可以替换为任何不同结构的图神经网络模型。
在本实施例中,所述预测网络为图卷积神经网络,图卷积核可以选择图卷积核GCN、残差图卷积核ResGCN等,示例性地,请参考图2,为预测网络的一个具体实施例的结构示意图,图卷积核选择残差图卷积核ResGCN,用随机采样的方法,在原始图数据中根据设定数量的上下限采样节点和边构建子图,将原始图数据分解为子图1、子图2和子图3后输入预测网络的预设层残差图卷积层,其中,N1-N6为图的节点,子图1、子图2和子图3分别由不同的节点组成,该预测网络由两层残差图卷积层(GCN层)和三层全连接层组成,在子图1、子图2和子图3经过两层GCN层计算输出后,将各子图在原始图中编号相同的节点按照平均的方式进行聚合,重构成一个与原始图数据结构一样的新图,获得新图的所有节点的数据并将所有节点的数据输入三层全连接层,将3层全连接层的神经元数量依次设置为32,16和1,最后一层全连接层输出预测降负荷率。
利用初始残差从输入层构建一个跳跃连接,保证每个节点的信息随着卷积次数的增多始终能保留原始输入的一部分信息。残差图卷积层的计算公式为:
式中,表示第i个用户节点在经过第k层残差卷积层后的输出,αl表示原始特征的残差衰减因子,本示例取为0.5,deg(i)表示第i各用户节点的度,wij表示第i个节点和第j个节点连接边的权重;/>
σ表示激活函数,本示例选择Relu激活函数,其计算公式为:
Relu(x)=max(0,x);
前两全连接层采用Relu激活函数,最后一层采用sigmond激活函数。sigmond函数及全连接层的计算公式为:
式中,表示第i个用户节点在经过第k层全连接层后的输出,wk为第k个全连接层的权重矩阵,bk为第k个全连接层的偏置矩阵。
实施本发明实施例,具有如下效果:
本发明分别利用行业划分和日负荷曲线聚类的方式对目标用户进行二次分类,并对不同类型用户分别进行构图预测其可调潜力,充分提高了预测模型训练的效率和预测准确率;本发明不需要获取用户内部用电设备数据,而是利用目标用户在当前时段内的用户总线的电气数据,降低了目标用户的数据需求量,将不同类型的目标用户分别进行构图,充分挖掘用户间可调潜力的相似关系,并且利用基于子图学习框架和图卷积神经网络的可调潜力预测模型生成用户在不同时段的预测降负荷率和可调容量值,实现用户不同时段内的可调容量预测,提高了可调潜力预测模型的适用性和计算精度。
实施例二
请参照图2,为本发明实施例提供的一种用户响应潜力评估装置,包括:聚类模块201、构图模块202和预测模块203;
其中,所述聚类模块201用于获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果;所述第一分类指标包括:行业分类标准;
所述构图模块202用于根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图;
所述预测模块203用于将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为所述待预测用户的响应潜力;所述预测网络是由子图学习框架和图卷积神经网络构建而来。
所述子图学习框架,具体为:
所述子图学习框架包括子图分解模块和子图重构模块;
其中,所述子图分解模块用于采用随机采样的方法,在图数据中根据设定数量的上下限采样节点和边构建子图,将原始图数据分解为若干个子图后输入预测网络的预设层残差图卷积层分别进行学习和训练;
所述子图重构模块用于在子图在经过预设层残差图卷积层输出后,将各子图在原始图中编号相同的节点按照平均的方式进行聚合,完成子图的重构。
聚类模块201包括:分类单元和聚类单元;
所述分类单元用于获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;
所述聚类单元用于利用聚类算法在[cmin,cmax]范围内依次选择不同聚类数目对每个目标用户的日负荷曲线分别进行聚类,cmin为最小聚类数和cmax为最大聚类数,选择聚类轮廓系数最大的对应的聚类数目作为最佳聚类数目;
其中,所述聚类轮廓系数为聚类轮廓系数SLIMEAN:
N为该行业下所有目标用户的总数,SIL(x)为目标用户x的轮廓系数;
x为属于Ck类的用户;Da(x)为目标用户x与Ck类内部剩余对象的平均距离;Db(x)为目标用户x与非Ck类对象距离的最小平均距离;
d(x,s)为目标用户x与对象s的距离;
构图模块202包括:训练单元、构图单元和权重计算单元;
所述训练单元用于将若干张不同类型的目标用户的图中的节点划分为训练集和验证集,并将每张所述图依次输入初始预测模型,输出所述目标用户在第一时段的降负荷率,判断所述初始预测模型的验证集的准确率是否大于第一阈值;
若是,则将所述初始预测模型作为预测网络;
否则,调整所述初始预测模型的模型参数,直到所述初始预测模型的验证集的准确率大于第一阈值;
所述构图单元用于根据第二分类结果,获取同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图;所述总线和环境数据包括:用户负荷、电价、气温、星期类型、人体舒适度指数、当前时段的预估降负荷率初始值;所有所述节点两两之间双向全连接;
所述权重计算单元用于根据计算指标,生成第一节点与第二节点之间的指标相似值,根据所有所述节点之间的指标相似值,生成两两节点之间连接边的权重;所述计算指标包括所述目标用户的第一时段的日负荷曲线的日平均负荷、日负荷率、日最小负荷率、日峰谷差率、峰期负载率、谷期负载率和平期负载率指标;
所述连接边的权重为:
/>
式中,xi,xj分别为i节点用户和j节点用户的边权重计算指标向量;|·|为内积计算操作。
预测模块203包括:预测单元和分析单元;
所述预测单元用于将待预测用户的节点输入预测网络,所述预测网络为图卷积神经网络,包括预设层残差图卷积层和预设层全连接层;
所述预测网络根据待预测用户的节点和两两所述节点之间连接边的权重,利用预设层残差图卷积层输出第一用户节点,将第一用户节点输入预设层全连接层,生成第一时段的预测降负荷率;
所述分析单元用于将所述预测降负荷率与第一时段的负荷值相乘,获得所述待预测用户在第一时段的可调容量作为所述待预测用户的响应潜力。
上述的一种用户响应潜力评估装置可实施上述方法实施例的一种用户响应潜力评估方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
实施本发明实施例,具有如下效果:
本发明聚类模块分别利用行业划分和日负荷曲线聚类的方式对目标用户进行二次分类,构图模块对不同类型用户分别进行构图预测其可调潜力,充分提高了预测模型训练的效率和预测准确率;本发明不需要获取用户内部用电设备数据,而是利用目标用户在当前时段内的用户总线的电气数据,降低了目标用户的数据需求量,将不同类型的目标用户分别进行构图,充分挖掘用户间可调潜力的相似关系,预测模块利用基于子图学习框架和图卷积神经网络的可调潜力预测模型生成用户在不同时段的预测降负荷率和可调容量值,实现用户不同时段内的可调容量预测,提高了可调潜力预测模型的适用性和计算精度。
实施例三
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任意一项实施例所述的一种用户响应潜力评估方法。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据移动终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用户响应潜力评估方法,其特征在于,包括:
获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果;所述第一分类指标包括:行业分类标准;所述聚类轮廓系数根据每个所述目标用户之间的距离计算而来;
根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图;
将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为所述待预测用户的响应潜力;所述预测网络是由子图学习框架和图卷积神经网络构建而来。
2.如权利要求1所述的一种用户响应潜力评估方法,其特征在于,所述根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果,具体为:
利用聚类算法在[cmin,cmax]范围内依次选择不同聚类数目对每个目标用户的日负荷曲线分别进行聚类,cmin为最小聚类数和cmax为最大聚类数,选择聚类轮廓系数最大的对应的聚类数目作为最佳聚类数目;
其中,所述聚类轮廓系数SLIMEAN为:
N为该行业下所有目标用户的总数,SIL(x)为目标用户x的轮廓系数;
x为属于Ck类的用户;Da(x)为目标用户x与Ck类内部剩余对象的平均距离;Db(x)为目标用户x与非Ck类对象距离的最小平均距离;
d(x,s)为目标用户x与对象s的距离;
3.如权利要求1所述的一种用户响应潜力评估方法,其特征在于,所述根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图,具体为:
根据第二分类结果,获取同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图;所述总线和环境数据包括:用户负荷、电价、气温、星期类型、人体舒适度指数、当前时段的预估降负荷率初始值;所有所述节点两两之间双向全连接。
4.如权利要求3所述的一种用户响应潜力评估方法,其特征在于,所述根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图之后,还包括:
根据计算指标,生成第一节点与第二节点之间的指标相似值,根据所有所述节点之间的指标相似值,生成两两节点之间连接边的权重;所述计算指标包括所述目标用户的第一时段的日负荷曲线的日平均负荷、日负荷率、日最小负荷率、日峰谷差率、峰期负载率、谷期负载率和平期负载率指标;
所述连接边的权重为:
式中,xi,xj分别为i节点用户和j节点用户的边权重计算指标向量;|·|为内积计算操作。
5.如权利要求4所述的一种用户响应潜力评估方法,其特征在于,所述将待预测用户的节点输入预测网络之前,还包括:
将若干张不同类型的目标用户的图中的节点划分为训练集和验证集,并将每张所述图依次输入初始预测模型,输出所述目标用户在第一时段的降负荷率,判断所述初始预测模型的验证集的准确率是否大于第一阈值;
若是,则将所述初始预测模型作为预测网络;
否则,调整所述初始预测模型的模型参数,直到所述初始预测模型的验证集的准确率大于第一阈值。
6.如权利要求4所述的一种用户响应潜力评估方法,其特征在于,所述将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为待预测用户的响应潜力,具体为:
将待预测用户的节点输入预测网络,所述预测网络为图卷积神经网络,包括预设层残差图卷积层和预设层全连接层;
所述预测网络根据待预测用户的节点和两两所述节点之间连接边的权重,利用预设层残差图卷积层输出第一用户节点,将第一用户节点输入预设层全连接层,生成第一时段的预测降负荷率;将所述预测降负荷率与第一时段的负荷值相乘,获得所述待预测用户在第一时段的可调容量作为待预测用户的响应潜力。
7.如权利要求1所述的一种用户响应潜力评估方法,其特征在于,所述子图学习框架,具体为:
所述子图学习框架包括子图分解模块和子图重构模块;
其中,所述子图分解模块用于采用随机采样的方法,在图数据中根据设定数量的上下限采样节点和边构建子图,将原始图数据分解为若干个子图后输入预测网络的预设层残差图卷积层分别进行学习和训练;
所述子图重构模块用于在子图在经过预设层残差图卷积层输出后,将各子图在原始图中编号相同的节点按照平均的方式进行聚合,完成子图的重构。
8.一种用户响应潜力评估装置,其特征在于,包括:聚类模块、构图模块和预测模块;
其中,所述聚类模块用于获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;根据所述第一分类结果和聚类轮廓系数,对所述目标用户的日负荷曲线进行聚类,获得第二分类结果;所述第一分类指标包括:行业分类标准;
所述构图模块用于根据所述第二分类结果,将同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图,获得若干张不同类型的目标用户的图;
所述预测模块用于将待预测用户的节点输入预测网络,生成所述待预测用户在第一时段的预测降负荷率,根据所述预测降负荷率生成所述待预测用户的可调容量值作为所述待预测用户的响应潜力;所述预测网络是由子图学习框架和图卷积神经网络构建而来。
9.如权利要求8所述的一种用户响应潜力评估装置,其特征在于,所述聚类模块包括:分类单元和聚类单元;
所述分类单元用于获取目标用户的第一需求响应量数据,根据所述第一需求响应量数据和第一分类指标,对所述目标用户进行分类,获得第一分类结果;
所述聚类单元用于利用聚类算法在[cmin,cmax]范围内依次选择不同聚类数目对每个目标用户的日负荷曲线分别进行聚类,cmin为最小聚类数和cmax为最大聚类数,选择聚类轮廓系数最大的对应的聚类数目作为最佳聚类数目;
其中,所述聚类轮廓系数为聚类轮廓系数SLIMEAN:
N为该行业下所有目标用户的总数,SIL(x)为目标用户x的轮廓系数;
x为属于Ck类的用户;Da(x)为目标用户x与Ck类内部剩余对象的平均距离;Db(x)为目标用户x与非Ck类对象距离的最小平均距离;
d(x,s)为目标用户x与对象s的距离;
10.如权利要求8所述的一种用户响应潜力评估装置,其特征在于,所述构图模块包括:训练单元、构图单元和权重计算单元;
所述训练单元用于将若干张不同类型的目标用户的图中的节点划分为训练集和验证集,并将每张所述图依次输入初始预测模型,输出所述目标用户在第一时段的降负荷率,判断所述初始预测模型的验证集的准确率是否大于第一阈值;
若是,则将所述初始预测模型作为预测网络;
否则,调整所述初始预测模型的模型参数,直到所述初始预测模型的验证集的准确率大于第一阈值;
所述构图单元用于根据第二分类结果,获取同一类型的目标用户的第一时段的总线和环境数据作为节点的属性信息进行构图;所述总线和环境数据包括:用户负荷、电价、气温、星期类型、人体舒适度指数、当前时段的预估降负荷率初始值;所有所述节点两两之间双向全连接;
所述权重计算单元用于根据计算指标,生成第一节点与第二节点之间的指标相似值,根据所有所述节点之间的指标相似值,生成两两节点之间连接边的权重;所述计算指标包括所述目标用户的第一时段的日负荷曲线的日平均负荷、日负荷率、日最小负荷率、日峰谷差率、峰期负载率、谷期负载率和平期负载率指标;
所述连接边的权重为:
式中,xi,xj分别为i节点用户和j节点用户的边权重计算指标向量;|·|为内积计算操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310258723.0A CN116739649A (zh) | 2023-03-16 | 2023-03-16 | 一种用户响应潜力评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310258723.0A CN116739649A (zh) | 2023-03-16 | 2023-03-16 | 一种用户响应潜力评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739649A true CN116739649A (zh) | 2023-09-12 |
Family
ID=87910305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310258723.0A Pending CN116739649A (zh) | 2023-03-16 | 2023-03-16 | 一种用户响应潜力评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739649A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117040029A (zh) * | 2023-10-08 | 2023-11-10 | 南方电网数字电网研究院有限公司 | 配电网电力调度方法、装置、计算机设备和存储介质 |
-
2023
- 2023-03-16 CN CN202310258723.0A patent/CN116739649A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117040029A (zh) * | 2023-10-08 | 2023-11-10 | 南方电网数字电网研究院有限公司 | 配电网电力调度方法、装置、计算机设备和存储介质 |
CN117040029B (zh) * | 2023-10-08 | 2024-03-26 | 南方电网数字电网研究院有限公司 | 配电网电力调度方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Feature selection based on mutual information with correlation coefficient | |
Chen et al. | Selecting critical features for data classification based on machine learning methods | |
US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
TWI746814B (zh) | 電腦可讀介質、車險風險預測裝置及伺服器 | |
Liu et al. | Short-term wind speed forecasting based on spectral clustering and optimised echo state networks | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
Corizzo et al. | Anomaly detection and repair for accurate predictions in geo-distributed big data | |
CN111144468B (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
Kanavos et al. | Deep learning models for forecasting aviation demand time series | |
CN110674636B (zh) | 一种用电行为分析方法 | |
WO2019214455A1 (zh) | 一种数据序列预测方法及计算设备 | |
CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
CN110796513A (zh) | 多任务学习方法、装置、电子设备及存储介质 | |
CN112734569A (zh) | 一种基于用户画像和知识图谱的股票风险预测方法及系统 | |
Yang et al. | A pattern fusion model for multi-step-ahead CPU load prediction | |
Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
CN114066073A (zh) | 电网负荷预测方法 | |
Chen et al. | Short-term wind power forecasting using mixed input feature-based cascade-connected artificial neural networks | |
CN116739649A (zh) | 一种用户响应潜力评估方法和装置 | |
CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
Parker et al. | Nonlinear time series classification using bispectrum‐based deep convolutional neural networks | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
CN111209105A (zh) | 扩容处理方法、装置、设备及可读存储介质 |
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 |