CN117151276A - 售电平台的智能化管理系统 - Google Patents
售电平台的智能化管理系统 Download PDFInfo
- Publication number
- CN117151276A CN117151276A CN202310987368.0A CN202310987368A CN117151276A CN 117151276 A CN117151276 A CN 117151276A CN 202310987368 A CN202310987368 A CN 202310987368A CN 117151276 A CN117151276 A CN 117151276A
- Authority
- CN
- China
- Prior art keywords
- load
- time sequence
- electricity
- local time
- feature
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 159
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 167
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 17
- 238000012300 Sequence Analysis Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 12
- 238000007726 management method Methods 0.000 description 48
- 238000000034 method Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000011176 pooling Methods 0.000 description 7
- 230000001932 seasonal effect Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000013079 data visualisation Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013211 curve analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241000728173 Sarima Species 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000007794 visualization technique 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种售电平台的智能化管理系统,其通过利用数据处理和分析算法来对于售电客户的用电负荷历史数据进行自动分析,以对售电客户的用电负荷进行准确和及时的预测,为售电平台提供负荷管理和优化的依据,这样,能够对于售电客户的用电负荷进行智能化预测,以及时响应用电负荷的变化,提高管理决策的时效性和有效性。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种售电平台的智能化管理系统。
背景技术
在传统的电力行业模式中,电力生产和供应由垄断的电力公司负责,消费者只能购买来自该公司的电力产品。然而,随着电力市场的开放和电力体制改革的推进,售电平台作为一种新型的组织形式出现,为消费者提供了更多选择和灵活性。
售电平台作为一个中介机构,连接电力生产商和消费者,需要管理和协调各方的电力交易和供需关系。售电平台管理旨在确保售电平台的正常运营,优化电力供需匹配,提高服务质量,保障电力市场的公平、公正和透明。
然而,传统的售电平台管理系统通常基于统计模型以及人工定义规则进行用电负荷预测。这种方法往往无法充分考虑非线性特征和时空相关性,导致预测结果的准确性不高。特别是在面对复杂的电力系统环境和大规模数据时,传统方法的预测能力受到限制,使得电力资源利用率和电力系统的稳定性受到影响。
因此,期望一种优化的售电平台的智能化管理系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种售电平台的智能化管理系统,其通过利用数据处理和分析算法来对于售电客户的用电负荷历史数据进行自动分析,以对售电客户的用电负荷进行准确和及时的预测,为售电平台提供负荷管理和优化的依据,这样,能够对于售电客户的用电负荷进行智能化预测,以及时响应用电负荷的变化,提高管理决策的时效性和有效性。
根据本申请的一个方面,提供了一种售电平台的智能化管理系统,其包括:
用电负荷历史数据采集模块,用于获取售电客户的用电负荷历史数据;
用电负荷历史数据时序分析模块,用于对所述用电负荷历史数据进行时序分析以得到用电负荷时序关联特征;
用电负荷预测模块,用于基于所述用电负荷时序关联特征,确定售电客户的用电负荷预测值。
根据本申请的另一个方面,提供了一种售电平台的智能化管理方法,其包括:
获取售电客户的用电负荷历史数据;
对所述用电负荷历史数据进行时序分析以得到用电负荷时序关联特征;
基于所述用电负荷时序关联特征,确定售电客户的用电负荷预测值。
与现有技术相比,本申请提供的一种售电平台的智能化管理系统,其通过利用数据处理和分析算法来对于售电客户的用电负荷历史数据进行自动分析,以对售电客户的用电负荷进行准确和及时的预测,为售电平台提供负荷管理和优化的依据,这样,能够对于售电客户的用电负荷进行智能化预测,以及时响应用电负荷的变化,提高管理决策的时效性和有效性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的售电平台的智能化管理系统的框图;
图2为根据本申请实施例的售电平台的智能化管理系统的系统架构图;
图3为根据本申请实施例的售电平台的智能化管理系统中用电负荷历史数据时序分析模块的框图;
图4为根据本申请实施例的售电平台的智能化管理系统中用电负荷数据局部时序特征提取单元的框图;
图5为根据本申请实施例的售电平台的智能化管理系统中用电负荷预测模块的框图;
图6为根据本申请实施例的售电平台的智能化管理系统中特征分布优化单元的框图;
图7为根据本申请实施例的售电平台的智能化管理方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的售电平台管理系统通常基于统计模型以及人工定义规则进行用电负荷预测。这种方法往往无法充分考虑非线性特征和时空相关性,导致预测结果的准确性不高。特别是在面对复杂的电力系统环境和大规模数据时,传统方法的预测能力受到限制,使得电力资源利用率和电力系统的稳定性受到影响。因此,期望一种优化的售电平台的智能化管理系统。
在本申请的技术方案中,提出了一种售电平台的智能化管理系统。图1为根据本申请实施例的售电平台的智能化管理系统的框图。图2为根据本申请实施例的售电平台的智能化管理系统的系统架构图。如图1和图2所示,根据本申请的实施例的售电平台的智能化管理系统300,包括:用电负荷历史数据采集模块310,用于获取售电客户的用电负荷历史数据;用电负荷历史数据时序分析模块320,用于对所述用电负荷历史数据进行时序分析以得到用电负荷时序关联特征;用电负荷预测模块330,用于基于所述用电负荷时序关联特征,确定售电客户的用电负荷预测值。
特别地,所述用电负荷历史数据采集模块310,用于获取售电客户的用电负荷历史数据。其中,售电客户是指购买电力的企业、机构或个人。在电力市场中,发电企业或供电公司将电力作为商品进行销售,而购买电力的实体则被称为售电客户。值得注意的是,用电负荷历史数据是指记录了一段时间内的电力需求或消耗情况的数据。这些数据通常包括每个时间点(通常以小时为单位)的电力负荷值。理解用电负荷历史数据可以提供对电力系统运行和需求模式的洞察,对电力规划、供应调度和能源管理等方面具有重要意义,理解用电负荷历史数据的方法如下:负荷曲线分析、负荷预测、负荷平衡和峰谷利用、能源管理和优化等。
相应的,在一种可能的实现方式中,可通过以下步骤获取售电客户的用电负荷历史数据,例如:首先,确定从哪个数据源获取用电负荷历史数据。可能的数据源包括电力供应商、能源管理系统、智能电表、监测设备等。联系相关机构或供应商,了解数据的可用性和获取途径;确定所需的历史数据的时间范围,同时,确定数据的时间粒度,例如每小时、每日或每月的数据;使用获取的用电负荷历史数据进行分析和应用。可以进行负荷曲线分析、负荷预测、负荷平衡优化等工作,以支持电力规划、能源管理和决策制定等方面的工作。
特别地,所述用电负荷历史数据时序分析模块320,用于对所述用电负荷历史数据进行时序分析以得到用电负荷时序关联特征。特别地,在本申请的一个具体示例中,如图3所示,所述用电负荷历史数据时序分析模块320,包括:用电负荷时序数据排列单元321,用于将所述用电负荷历史数据按照时间维度排列为用电负荷时序输入向量;用电负荷数据局部时序特征提取单元322,用于对所述用电负荷时序输入向量进行局部时序分析以得到多个用电负荷局部时序特征向量;用电负荷全局上下文时序关联特征提取单元323,用于对所述多个用电负荷局部时序特征向量进行全局关联特征提取以得到全局上下文用电负荷局部时序特征向量作为所述用电负荷时序关联特征。
具体地,所述用电负荷时序数据排列单元321,用于将所述用电负荷历史数据按照时间维度排列为用电负荷时序输入向量。考虑到由于所述用电负荷历史数据在时间维度上具有着时序的变化规律性,为了能够对于所述用电负荷历史数据的历史时序变化情况进行有效分析,以进行售电客户的用电负荷预测,在本申请的技术方案中,进一步将所述用电负荷历史数据按照时间维度排列为用电负荷时序输入向量,以整合所述用电负荷历史数据的时序信息,有利于对其进行时序变化特征的刻画。
具体地,所述用电负荷数据局部时序特征提取单元322,用于对所述用电负荷时序输入向量进行局部时序分析以得到多个用电负荷局部时序特征向量。特别地,在本申请的一个具体示例中,如图4所示,所述用电负荷数据局部时序特征提取单元322,包括:用电负荷局部时序划分子单元3221,用于以预定时间跨度为单位,对所述用电负荷时序输入向量进行切分以得到多个用电负荷局部时序输入向量;用电负荷局部时序变化特征提取子单元3222,用于将所述多个用电负荷局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述多个用电负荷局部时序特征向量。
更具体地,所述用电负荷局部时序划分子单元3221,用于以预定时间跨度为单位,对所述用电负荷时序输入向量进行切分以得到多个用电负荷局部时序输入向量。也就是,在本申请的技术方案中,以预定时间跨度为单位,对所述用电负荷时序输入向量进行切分以得到多个用电负荷局部时序输入向量。应可以理解,通过将所述用电负荷时序输入向量进行切分,可以将长期的用电负荷时序数据分解为多个较短的局部时序片段。这样,可以更精细地观察和分析用电负荷的变化趋势和周期性。特别地,值得一提的是,不同的时间跨度可以捕捉到不同时间尺度上的用电负荷特征,从而提供更全面和准确的信息。例如,如果时间跨度较短,切分得到的局部时序输入向量可以反映用电负荷的短期波动和快速变化。这对于应对突发事件或瞬时负荷波动非常重要。而如果时间跨度较长,切分得到的局部时序输入向量可以反映用电负荷的长期趋势和季节性变化,有助于预测用电负荷的季节性模式和周期性需求。因此,所述预定时间跨度可以根据实际的应用场景进行调整,并不是默认值。
更具体地,所述用电负荷局部时序变化特征提取子单元3222,用于将所述多个用电负荷局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述多个用电负荷局部时序特征向量。应可以理解,对于用电负荷时序输入向量中的每个用电负荷局部时序整合信息来说,需要将所述多个用电负荷局部时序输入向量分别通过基于一维卷积层的时序特征提取器,以此来分别提取出所述各个用电负荷局部时序输入向量中有关于用电负荷的局部时序关联特征信息,即所述用电负荷在时间维度上的各个局部时序变化特征信息,从而得到多个用电负荷局部时序特征向量。
根据本申请的实施例,将所述多个用电负荷局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述多个用电负荷局部时序特征向量,包括:使用所述基于一维卷积层的时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积层的时序特征提取器的最后一层的输出为所述多个用电负荷局部时序特征向量,所述基于一维卷积层的时序特征提取器的第一层的输入为所述多个用电负荷局部时序输入向量。
值得注意的是,所述一维卷积神经网络(1D CNN)是一种用于处理一维序列数据的神经网络模型。与传统的全连接神经网络不同,1D CNN在输入数据上使用卷积操作,以捕捉输入数据中的局部模式和特征。值得注意的是是,1D CNN的结构包括:输入层:接收一维序列数据作为输入;卷积层:使用卷积操作对输入数据进行特征提取。卷积层包括多个卷积核(或滤波器),每个卷积核可以学习不同的特征。卷积操作通过在输入序列上滑动卷积核并进行元素乘积和求和来生成特征映射;激活函数:在卷积层之后,通常会应用激活函数来引入非线性。常用的激活函数包括ReLU、Sigmoid和Tanh等;池化层:池化层用于减少特征映射的维度,并提取最重要的特征。常用的池化操作包括最大池化和平均池化;全连接层:在经过多个卷积层和池化层之后,可以添加全连接层来进行分类或回归等任务;输出层:输出层根据任务的不同,可以使用不同的激活函数,如Sigmoid、Softmax等。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述用电负荷时序输入向量进行局部时序分析以得到多个用电负荷局部时序特征向量,例如:首先,确定用于提取局部时序特征的窗口大小和滑动步长。窗口大小定义了每个局部时序窗口的长度,而滑动步长定义了窗口之间的间隔;将用电负荷历史数据划分为多个局部时序窗口。每个窗口的长度由窗口大小确定,并根据滑动步长进行滑动。确保窗口之间有重叠部分,以捕捉负荷的连续时序关联;对每个局部时序窗口提取用电负荷的局部时序特征。可以使用与全局时序分析类似的特征提取方法,如峰值、谷值、波动性、趋势、季节性等;将每个局部时序窗口提取的特征组合成一个特征向量。这样,每个窗口都对应一个特征向量,其中包含多个局部时序特征;对提取的局部时序特征向量进行数据分析和可视化。可以使用聚类分析、主成分分析等方法对特征向量进行分析,以探索不同窗口之间的相似性和差异性;根据分析结果,可以进行特征选择和重要性评估,以确定哪些局部时序特征对于描述用电负荷的局部变化最为重要;利用提取的局部时序特征向量,可以支持一系列应用和决策,如异常检测、负荷优化、故障诊断等。根据具体需求,选择合适的方法和模型进行进一步分析和应用。
具体地,所述用电负荷全局上下文时序关联特征提取单元323,用于对所述多个用电负荷局部时序特征向量进行全局关联特征提取以得到全局上下文用电负荷局部时序特征向量作为所述用电负荷时序关联特征。特别地,在本申请的一个具体示例中,所述用电负荷全局上下文时序关联特征提取单元323,用于:将所述多个用电负荷局部时序特征向量通过基于转换器的序列编码器以得到所述全局上下文用电负荷局部时序特征向量。考虑到由于所述各个用电负荷局部时序变化特征之间具有着关联关系,也就是说,所述用电负荷在时间维度整体上具有着时序变化规律性。因此,为了能够更为充分地进行所述用电负荷的时序变化特征捕捉,以此来对于售电客户的用电费负荷进行精准预测,需要利用用电负荷的历史时序全局变化规律。基于此,在本申请的技术方案中,进一步将所述多个用电负荷局部时序特征向量通过基于转换器的序列编码器中进行编码,以提取出所述用电负荷的各个局部时序变化特征之间基于时序全局的关联特征信息,从而得到全局上下文用电负荷局部时序特征向量。
根据本申请的实施例,将所述多个用电负荷局部时序特征向量通过基于转换器的序列编码器以得到所述全局上下文用电负荷局部时序特征向量,包括:将所述多个用电负荷局部时序特征向量进行一维排列以得到全局用电负荷局部时序特征向量;计算所述全局用电负荷局部时序特征向量与所述多个用电负荷局部时序特征向量中各个局部展开特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述多个用电负荷局部时序特征向量中各个用电负荷局部时序特征向量进行加权以得到所述多个上下文语义用电负荷局部时序特征向量;以及,将所述多个上下文语义用电负荷局部时序特征向量进行级联以得到所述全局用电负荷局部时序特征向量。
值得注意的是,所述基于转换器的序列编码器是一种用于处理序列数据的深度学习模型,它在自然语言处理领域取得了重大突破,也可以用于其他序列数据的建模,如时间序列数据。其中,转换器模型由注意力机制(Attention Mechanism)组成,它能够在输入序列中动态地关注不同位置的信息,从而捕捉序列中的上下文和关联性。所述序列编码器是转换器模型的一个核心组件,用于将输入序列编码成上下文向量表示。所述基于转换器的序列编码器的主要编码步骤如下:位置编码:为了使模型能够处理序列数据的位置信息,首先需要对输入序列中的每个位置进行位置编码。位置编码是一个固定的向量,它将位置信息嵌入到序列中,使得模型能够区分不同位置的元素;自注意力机制:自注意力机制是转换器的核心机制之一。它通过计算序列中不同位置之间的相关性来捕捉上下文信息。在上下文编码器中,自注意力机制用于计算每个位置与其他位置之间的注意力权重,然后将这些权重应用于序列中的每个位置,以获得一个综合的上下文表示;多头注意力:为了增强模型的表达能力和稳健性,多头注意力机制被引入到上下文编码器中。它通过并行地学习多个注意力头,每个头都可以关注序列中不同的相关性和特征。多头注意力可以捕捉更丰富的上下文信息,并提供更准确的编码表示;前馈神经网络:在自注意力层之后,通常会添加一个前馈神经网络层。这个层由两个全连接层组成,通过非线性激活函数进行变换。前馈神经网络层有助于增加模型的非线性能力,进一步提取和编码序列中的特征。通过多个自注意力层和前馈神经网络层的堆叠,上下文编码器能够逐渐提取和整合序列中的上下文信息,并生成一个高维的上下文向量表示。这个向量可以用于后续的任务,如序列分类、序列生成等。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述多个用电负荷局部时序特征向量进行全局关联特征提取以得到全局上下文用电负荷局部时序特征向量作为所述用电负荷时序关联特征,例如:对收集到的局部时序特征向量进行标准化处理,以消除不同特征之间的尺度差异。常见的标准化方法包括均值归一化、标准差归一化等;将多个局部时序特征向量组合成一个全局特征向量。可以使用简单的特征组合方法,如将特征向量按列连接在一起,形成一个更长的特征向量。也可以使用更复杂的特征组合方法,如主成分分析(PCA)或因子分析,来提取更具代表性的全局特征;从组合的全局特征向量中提取全局关联特征。这些特征可以是用于描述用电负荷的整体趋势、周期性、相关性等的特征。常见的全局特征包括总体峰值、总体谷值、总体波动性、总体趋势等;对提取的全局关联特征进行数据分析和可视化。可以使用统计分析、相关性分析、聚类分析等方法来探索全局特征之间的关系和模式;根据分析结果,可以进行全局特征选择和重要性评估,以确定哪些全局关联特征对于描述用电负荷的整体特征最为重要;利用提取的全局关联特征向量,可以支持更全面的应用和决策,如整体负荷预测、电力规划、能源管理等。根据具体需求,选择合适的方法和模型进行进一步分析和应用。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述用电负荷历史数据进行时序分析以得到用电负荷时序关联特征,例如:首先,对用电负荷历史数据进行预处理。这可能包括以下步骤:数据清洗:检查和处理可能存在的缺失值、异常值或错误数据;数据平滑:使用平滑技术(如移动平均或指数平滑)来减少数据中的噪声和波动;对数据进行规范化,以消除不同时间段和不同规模之间的差异;从预处理的数据中提取用电负荷的时序关联特征。常见的特征包括:峰值和谷值:识别每天的负荷峰值和谷值;负荷波动性:计算负荷的标准差、方差或变异系数,以评估负荷的波动性;负荷趋势:使用线性回归或移动平均技术来识别负荷的趋势;季节性:通过分析每年的负荷模式来识别季节性特征;自相关性:计算负荷与其自身滞后时间的相关性,以了解负荷的自相关性;对提取的特征进行数据分析和可视化,以了解用电负荷的时序关联特征。常见的分析和可视化方法包括:负荷曲线图:绘制负荷随时间的曲线图,以观察负荷的变化趋势和周期性;自相关图:绘制自相关函数图,以显示负荷与不同滞后时间的相关性;季节性分析:使用季节性分解方法(如STL分解)来分析负荷的季节性模式;相关系数矩阵:计算负荷特征之间的相关系数矩阵,以评估它们之间的关联程度;基于提取的时序关联特征,可以建立预测模型来预测未来的用电负荷。常见的预测方法包括时间序列模型(如ARIMA、SARIMA、Prophet等)和机器学习模型(如神经网络、支持向量回归等);对建立的预测模型进行评估和优化。使用合适的评估指标(如均方根误差、平均绝对百分比误差等)来评估模型的预测性能,并根据需要进行模型参数调整和优化。
特别地,所述用电负荷预测模块330,用于基于所述用电负荷时序关联特征,确定售电客户的用电负荷预测值。特别地,在本申请的一个具体示例中,如图5所示,所述用电负荷预测模块330,包括:特征分布优化单元331,用于对所述全局上下文用电负荷局部时序特征向量进行特征分布优化以得到优化全局上下文用电负荷局部时序特征向量;用电负荷解码预测单元332,用于将所述优化全局上下文用电负荷局部时序特征向量通过解码器以得到解码值,所述解码值用于表示售电客户的用电负荷预测值。
具体地,所述特征分布优化单元331,用于对所述全局上下文用电负荷局部时序特征向量进行特征分布优化以得到优化全局上下文用电负荷局部时序特征向量。特别地,在本申请的一个具体示例中,如图6所述,所述特征分布优化单元331,包括:向量级联子单元3311,用于将所述多个用电负荷局部时序特征向量进行级联以得到用电负荷时序级联特征向量;空间自适应点学习优化子单元3312,用于对所述用电负荷时序级联特征向量和所述全局上下文用电负荷局部时序特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局上下文用电负荷局部时序特征向量。
更具体地,所述向量级联子单元3311,用于将所述多个用电负荷局部时序特征向量进行级联以得到用电负荷时序级联特征向量。也就是,在本申请的一个具体示例中,所述向量级联子单元3311,包括:以如下级联公式将所述多个用电负荷局部时序特征向量进行级联以得到用电负荷时序级联特征向量;其中,所述公式为:V1=Concat[Va,Vb,...,Vn],其中,Va,Vb,...,Vn表示所述多个用电负荷局部时序特征向量,Concat[·,·]表示级联函数,V1表示所述用电负荷时序级联特征向量。
更具体地,所述空间自适应点学习优化子单元3312,用于对所述用电负荷时序级联特征向量和所述全局上下文用电负荷局部时序特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局上下文用电负荷局部时序特征向量。特别地,在本申请的技术方案中,将所述多个用电负荷局部时序特征向量通过基于转换器的序列编码器以得到全局上下文用电负荷局部时序特征向量时,所述基于转换器的序列编码器会对所述用电负荷局部时序特征向量表达的局部时域内的用电负荷局部时序关联特征进行全局时域内上下文关联编码,因此,其也会在一定程度上偏离局部时域内的用电负荷局部时序关联特征,由此期望通过所述多个用电负荷局部时序特征向量的局部时域内的用电负荷局部时序关联特征表达来优化所述全局上下文用电负荷局部时序特征向量。这里,本申请的申请人考虑到所述用电负荷局部时序特征向量与所述全局上下文用电负荷局部时序特征向量之间的非齐次的逐点对应性,也就是,所述用电负荷局部时序特征向量表达局部时域内的基于一维卷积层的卷积核尺度的局部时序关联特征,而所述全局上下文用电负荷局部时序特征向量表达全局时域内的以局部时域为尺度的关联特征,因此,首先将所述多个用电负荷局部时序特征向量级联以得到用电负荷时序级联特征向量,例如记为V1,再对所述用电负荷时序级联特征向量V1和所述全局上下文用电负荷局部时序特征向量,例如记为V2进行非齐次希尔伯特面上空间自适应点学习,来对所述全局上下文用电负荷局部时序特征向量进行优化,表示为:
其中,V1是所述用电负荷时序级联特征向量,V2是所述全局上下文用电负荷局部时序特征向量,p1≠p2,Lp1和Lp2表示基于吉尔伯特空间的非齐次闵式距离,且p1和p2为超参数,和/>分别是特征向量V1和V2的全局特征均值,且特征向量V1和V2均为行向量,⊙表示按位置点乘,/>表示按位置加法,Cov(·)为协方差矩阵,V2'是所述优化全局上下文用电负荷局部时序特征向量。这样,通过以非齐次的吉尔伯特空间度量对所述用电负荷时序级联特征向量V1和所述全局上下文用电负荷局部时序特征向量V2之间的向量点关联进行一维卷积,可以针对所述用电负荷时序级联特征向量V1和所述全局上下文用电负荷局部时序特征向量V2的高维特征表示的特征流形在高维特征空间内具有的非轴对齐(non-axisalignment)特性,在基于希尔伯特空间的流形收敛超平面的面上空间向着超平面进行自适应点学习,并以面向所述用电负荷时序级联特征向量V1和所述全局上下文用电负荷局部时序特征向量V2各自分布收敛方向的空中度量(aerial measurement)为修正,提升了所述用电负荷时序级联特征向量V1和所述全局上下文用电负荷局部时序特征向量V2间的非齐次逐点融合性,从而提升优化后的全局上下文用电负荷局部时序特征向量V2'的融合表达效果,以改进其通过解码器得到的解码值的准确性。这样,能够对售电客户的用电负荷进行准确和及时的预测,为售电平台提供负荷管理和优化的依据,从而提高电力资源利用率,降低能源成本,并保证电力系统的稳定运行。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述全局上下文用电负荷局部时序特征向量进行特征分布优化以得到优化全局上下文用电负荷局部时序特征向量,例如:使用适当的方法从原始用电负荷数据中提取全局上下文用电负荷局部时序特征向量;对提取的特征向量进行分布分析,了解各个特征的分布情况。可以使用直方图、箱线图等可视化工具来观察特征的分布形态、偏度和峰度等统计指标;根据特征分布的情况,采取相应的优化方法来改善特征的分布。以下是一些常用的优化方法:标准化:对特征向量进行标准化,使其均值为0,方差为1。这可以通过减去均值并除以标准差来实现。标准化可以消除特征之间的量纲差异,使得它们具有相似的尺度;归一化:将特征向量缩放到一个固定的范围,例如[0,1]或[-1,1]。可以使用最小-最大缩放方法将特征值映射到指定的范围内;对数变换:对特征向量中的正值进行对数变换,可以减小长尾分布的影响,使得数据更加对称和接近正态分布;Box-Cox变换:通过Box-Cox变换可以对特征进行幂变换,使其更加接近正态分布。Box-Cox变换可以处理正值和负值,并可以自动选择最佳的变换参数;特征分布再分析:对优化后的特征向量进行再次分布分析,检查特征分布是否得到改善。可以使用相同的可视化工具和统计指标来评估特征的新分布;模型训练和评估:使用优化后的特征向量进行模型训练和评估。选择适当的预测模型,并使用优化后的特征向量作为输入进行训练。使用评估指标来评估模型的性能,比较优化前后的结果。
具体地,所述用电负荷解码预测单元332,用于将所述优化全局上下文用电负荷局部时序特征向量通过解码器以得到解码值,所述解码值用于表示售电客户的用电负荷预测值。也就是,以所述用电负荷的各个局部时序变化特征之间的全局关联特征信息来进行解码,从而对售电客户的用电负荷进行准确和及时的预测,以及时响应用电负荷的变化,提高管理决策的时效性和有效性,为售电平台提供负荷管理和优化的依据。具体地,使用所述解码器以如下公式将所述优化全局上下文用电负荷局部时序特征向量进行解码回归以获得用于表示售电客户的用电负荷预测值的解码值;其中,所述公式为:其中X表示所述优化全局上下文用电负荷局部时序特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
值得注意的是,在用电负荷预测任务中,解码回归是指使用训练好的模型和输入特征,通过模型的解码过程来生成用电负荷的预测值。下面是解码回归的一般步骤:数据准备、特征处理、模型加载、特征输入、解码回归、预测输出、结果分析。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述用电负荷时序关联特征,确定售电客户的用电负荷预测值,例如:对收集到的数据进行预处理。这包括处理缺失值、异常值和噪声数据。可以使用插值方法填充缺失值,使用统计方法或机器学习方法检测和处理异常值;根据用电负荷的时序关联特征,提取相关的特征。这些特征可以包括历史用电负荷的统计特征(如均值、方差、最大值、最小值等)、滑动窗口特征(如过去几小时或几天的平均用电负荷)、时间特征(如小时、星期几等)等;将预处理后的数据集划分为训练集和测试集。通常,可以将较早的数据作为训练集,较近的数据作为测试集。划分的比例可以根据实际情况进行调整;选择合适的预测模型进行训练。常用的模型包括线性回归、决策树、支持向量回归、神经网络等。根据数据规模和特征复杂度,选择适当的模型并使用训练集进行训练;使用测试集评估训练好的模型的性能。常用的评估指标包括均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)等。根据评估结果,可以对模型进行调整和改进;使用训练好的模型对未来的用电负荷进行预测。可以使用模型对测试集之后的时间段进行预测,也可以使用模型对未来的时间段进行预测;分析预测结果,比较预测值与实际值的差异。根据分析结果,可以调整模型参数、改进特征工程方法,或尝试其他预测模型,以提高预测准确性。
如上所述,根据本申请实施例的售电平台的智能化管理系统300可以实现在各种无线终端中,例如具有售电平台的智能化管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的售电平台的智能化管理系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该售电平台的智能化管理系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该售电平台的智能化管理系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该售电平台的智能化管理系统300与该无线终端也可以是分立的设备,并且该售电平台的智能化管理系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
进一步地,还提供一种售电平台的智能化管理方法。
图7为根据本申请实施例的售电平台的智能化管理方法的流程图。如图7所示,根据本申请实施例的售电平台的智能化管理方法,包括步骤:S1,获取售电客户的用电负荷历史数据;S2,对所述用电负荷历史数据进行时序分析以得到用电负荷时序关联特征;S3,基于所述用电负荷时序关联特征,确定售电客户的用电负荷预测值。
综上,根据本申请实施例的售电平台的智能化管理方法被阐明,其通过利用数据处理和分析算法来对于售电客户的用电负荷历史数据进行自动分析,以对售电客户的用电负荷进行准确和及时的预测,为售电平台提供负荷管理和优化的依据,这样,能够对于售电客户的用电负荷进行智能化预测,以及时响应用电负荷的变化,提高管理决策的时效性和有效性。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种售电平台的智能化管理系统,其特征在于,包括:
用电负荷历史数据采集模块,用于获取售电客户的用电负荷历史数据;
用电负荷历史数据时序分析模块,用于对所述用电负荷历史数据进行时序分析以得到用电负荷时序关联特征;
用电负荷预测模块,用于基于所述用电负荷时序关联特征,确定售电客户的用电负荷预测值。
2.根据权利要求1所述的一种售电平台的智能化管理系统,其特征在于,所述用电负荷历史数据时序分析模块,包括:
用电负荷时序数据排列单元,用于将所述用电负荷历史数据按照时间维度排列为用电负荷时序输入向量;
用电负荷数据局部时序特征提取单元,用于对所述用电负荷时序输入向量进行局部时序分析以得到多个用电负荷局部时序特征向量;
用电负荷全局上下文时序关联特征提取单元,用于对所述多个用电负荷局部时序特征向量进行全局关联特征提取以得到全局上下文用电负荷局部时序特征向量作为所述用电负荷时序关联特征。
3.根据权利要求2所述的一种售电平台的智能化管理系统,其特征在于,所述用电负荷数据局部时序特征提取单元,包括:
用电负荷局部时序划分子单元,用于以预定时间跨度为单位,对所述用电负荷时序输入向量进行切分以得到多个用电负荷局部时序输入向量;
用电负荷局部时序变化特征提取子单元,用于将所述多个用电负荷局部时序输入向量分别通过基于一维卷积层的时序特征提取器以得到所述多个用电负荷局部时序特征向量。
4.根据权利要求3所述的一种售电平台的智能化管理系统,其特征在于,所述用电负荷全局上下文时序关联特征提取单元,用于:将所述多个用电负荷局部时序特征向量通过基于转换器的序列编码器以得到所述全局上下文用电负荷局部时序特征向量。
5.根据权利要求4所述的一种售电平台的智能化管理系统,其特征在于,所述用电负荷预测模块,包括:
特征分布优化单元,用于对所述全局上下文用电负荷局部时序特征向量进行特征分布优化以得到优化全局上下文用电负荷局部时序特征向量;
用电负荷解码预测单元,用于将所述优化全局上下文用电负荷局部时序特征向量通过解码器以得到解码值,所述解码值用于表示售电客户的用电负荷预测值。
6.根据权利要求5所述的一种售电平台的智能化管理系统,其特征在于,所述特征分布优化单元,包括:
向量级联子单元,用于将所述多个用电负荷局部时序特征向量进行级联以得到用电负荷时序级联特征向量;
空间自适应点学习优化子单元,用于对所述用电负荷时序级联特征向量和所述全局上下文用电负荷局部时序特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局上下文用电负荷局部时序特征向量。
7.根据权利要求6所述的一种售电平台的智能化管理系统,其特征在于,所述空间自适应点学习优化子单元,用于:以如下优化公式对所述用电负荷时序级联特征向量和所述全局上下文用电负荷局部时序特征向量进行非齐次希尔伯特面上空间自适应点学习以得到所述优化全局上下文用电负荷局部时序特征向量;
其中,所述优化公式为:
V2'=Cov[(d1,d2),(V1⊙V2)]⊕(d1⊙V1)⊕(d2⊙V2)
其中,V1是所述用电负荷时序级联特征向量,V2是所述全局上下文用电负荷局部时序特征向量,p1≠p2,和/>表示基于吉尔伯特空间的非齐次闵式距离,且p1和p2为超参数,/>和/>分别是特征向量V1和V2的全局特征均值,且特征向量V1和V2均为行向量,⊙表示按位置点乘,⊕表示按位置加法,Cov(·)为协方差矩阵,V2'是所述优化全局上下文用电负荷局部时序特征向量。
8.根据权利要求7所述的一种售电平台的智能化管理系统,其特征在于,所述用电负荷解码预测单元,用于:使用所述解码器以如下公式将所述优化全局上下文用电负荷局部时序特征向量进行解码回归以获得用于表示售电客户的用电负荷预测值的解码值;
其中,所述公式为:其中X表示所述优化全局上下文用电负荷局部时序特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987368.0A CN117151276A (zh) | 2023-08-07 | 2023-08-07 | 售电平台的智能化管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310987368.0A CN117151276A (zh) | 2023-08-07 | 2023-08-07 | 售电平台的智能化管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117151276A true CN117151276A (zh) | 2023-12-01 |
Family
ID=88899637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310987368.0A Pending CN117151276A (zh) | 2023-08-07 | 2023-08-07 | 售电平台的智能化管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151276A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764638A (zh) * | 2024-02-20 | 2024-03-26 | 国网浙江省电力有限公司 | 一种供电企业售电数据预测方法、系统、设备及存储介质 |
-
2023
- 2023-08-07 CN CN202310987368.0A patent/CN117151276A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764638A (zh) * | 2024-02-20 | 2024-03-26 | 国网浙江省电力有限公司 | 一种供电企业售电数据预测方法、系统、设备及存储介质 |
CN117764638B (zh) * | 2024-02-20 | 2024-04-30 | 国网浙江省电力有限公司 | 一种供电企业售电数据预测方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Wang et al. | Short-term industrial load forecasting based on ensemble hidden Markov model | |
CN114707772B (zh) | 基于多特征分解与融合的电力负荷预测方法及系统 | |
CN117151276A (zh) | 售电平台的智能化管理系统 | |
CN116362799A (zh) | 基于供应链多源数据融合的产品需求预测方法及存储介质 | |
Guo et al. | Power demand forecasting and application based on SVR | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
Boets et al. | Clustering time series, subspace identification and cepstral distances | |
Wang et al. | Forecasting open-high-low-close data contained in candlestick chart | |
Al-Qazzaz et al. | High performance time series models using auto autoregressive integrated moving average | |
CN116404637A (zh) | 电力系统短期负荷预测方法和电力系统短期负荷预测装置 | |
Liang | Combining seasonal time series ARIMA method and neural networks with genetic algorithms for predicting the production value of the mechanical industry in Taiwan | |
Anwar et al. | Electricity price and load forecasting using data analytics in smart grid: A survey | |
Salman Rahman et al. | Modeling the smart factory manufacturing products characteristics: The perspective of energy consumption | |
KR20170023547A (ko) | 기업금융 조기경보 방법 | |
MANUSOV et al. | Analysis of electricity consumption forecasting methods for the coal industry. | |
Maknickiene et al. | Investigation of Prediction Capabilities using RNN Ensembles. | |
Pabuçcu | NEURAL NETWORK DATA PREPROCESSING: IS IT NECESSARY FOR TIME SERIES FORECASTING? | |
Fagaras et al. | Evaluation of compressed residential energy forecasting models | |
CN117833243B (zh) | 一种电力短期需求预测方法、系统、设备及介质 | |
Khan et al. | Prediction of electricity consumption demand based on long-short term memory network | |
CN117977587B (zh) | 基于深度神经网络的电力负荷预测系统及方法 | |
Mburamatare et al. | Analyzing and forecasting electricity consumption in energy-intensive industries in Rwanda | |
Wang et al. | A hybrid forecasting method for day-ahead electricity price based on GM (1, 1) and ARMA |
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 |