CN117239739B - 一种知识大模型预测用户侧负荷方法、装置及设备 - Google Patents
一种知识大模型预测用户侧负荷方法、装置及设备 Download PDFInfo
- Publication number
- CN117239739B CN117239739B CN202311500219.3A CN202311500219A CN117239739B CN 117239739 B CN117239739 B CN 117239739B CN 202311500219 A CN202311500219 A CN 202311500219A CN 117239739 B CN117239739 B CN 117239739B
- Authority
- CN
- China
- Prior art keywords
- user side
- load
- model
- weather
- time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000006399 behavior Effects 0.000 claims abstract description 80
- 238000004146 energy storage Methods 0.000 claims abstract description 63
- 230000005611 electricity Effects 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 53
- 230000006870 function Effects 0.000 claims description 35
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书涉及电力负荷领域，尤其涉及一种知识大模型预测用户侧负荷方法、装置及设备。其方法包括，从多个时间尺度下分析用户侧储能用电行为以及用户侧储能负荷数据；对多维天气影响因素进行特征选择并降维，获得天气综合变量；根据天气综合变量、以及所述多个时间尺度下的用户侧储能负荷数据，建立用户侧负荷预测知识大模型；并改进窗口神经网络进行用户侧负荷预测。通过本说明书实施例，实现了用户侧储能用电行为的多时间尺度分析，大幅提升预测算法的精度、稳定性和适用范围，解决了现有技术中无法有效应对用户侧储能负荷变化不确定性因素及深度学习算法适用范围受限的问题。
Description
技术领域
本说明书涉及电力负荷领域，尤其涉及一种知识大模型预测用户侧负荷方法、装置及设备。
背景技术
近年来，随着经济、科技的发展和居民生活水平的提高，电网负荷特别是峰值负荷有了较大程度的增加。随着用户侧负荷的增长和智能设备的普及，用户侧储能已成为负荷需求响应的重要目标客户。然而，由于用户侧负荷波动性强，用户行为差异大，用户侧负荷预测的准确性普遍较低，预测效果不稳定，不利于负荷需求响应的实施。并且现有研究对用户侧负荷预测的研究较多，但很少有研究从用户侧用电行为的角度出发，考虑用户负荷的可预测性，而缺乏对负荷特征的深层次挖掘，可能导致模型预测精度不足。在理解天气因素对负荷预测的影响方面存在着重要的知识差异。一些研究将温度作为唯一的天气因素，没有对影响因素进行更深入的分析。而有的则考虑了所有天气因素和其他影响因素，但模型的高复杂性和低计算效率无法得到有效解决。
现在亟需一种知识大模型预测用户侧负荷方法，从而解决现有技术中，用户侧负荷预测的准确性普遍较低，预测效果不稳定，缺乏对负荷特征的深层次挖掘，也没有对影响因素进行更深入的分析，因此难以有效应对用户侧储能负荷变化不确定性因素及深度学习算法适用范围受限的问题。
发明内容
为解决现有技术中用户侧负荷预测的准确性普遍较低，预测效果不稳定，导致无法有效应对用户侧储能负荷变化不确定性因素及深度学习算法适用范围受限的问题，本说明书实施例提供了一种知识大模型预测用户侧负荷方法、装置及设备，实现了用户侧储能用电行为的多时间尺度分析，考虑了降维后的天气因素和其他影响因素，与日期和用户侧实时电价因素一并建立用户侧负荷预测知识大模型，大幅提升预测算法的精度、稳定性和适用范围，解决了现有技术中无法有效应对用户侧储能负荷变化不确定性因素及深度学习算法适用范围受限的问题。
为了解决上述技术问题，本说明书的具体技术方案如下：
一方面，本说明书实施例提供了一种知识大模型预测用户侧负荷方法，所述方法包括，
从多个时间尺度下分析用户侧储能用电行为，获取多个时间尺度下的用户侧负荷数据；
对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量；
根据所述天气综合变量、以及所述多个时间尺度下的用户侧负荷数据，建立用户侧负荷预测知识大模型；
根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测。
进一步地，从多个时间尺度下分析用户侧用电行为进一步包括，
在第一时间尺度下根据用户侧储能历史负荷，获得第一时间尺度下的自适应时间翘曲距离矩阵；
在第二时间尺度下根据用户侧储能用电量行为，获得第二时间尺度下的行为相似度矩阵；
其中，所述第一时间尺度大于所述第二时间尺度。
进一步地，在第一时间尺度下根据用户侧储能历史负荷，获得第一时间尺度下的自适应时间翘曲距离矩阵进一步包括，
采用归一化自适应时间翘曲算法获取用户侧储能历史负荷数据；
根据所述用户侧储能历史负荷数据的自适应时间翘曲距离，生成自适应时间翘曲距离矩阵；
将所述自适应时间翘曲距离矩阵输入密度空间聚类算法，对所述用户侧储能用电负荷数据进行第一时间尺度行为分析，获得第一时间尺度下的用户侧负荷数据。
进一步地，在第二时间尺度下根据用户侧储能用电量行为，获得第二时间尺度下的行为相似度矩阵进一步包括，
将每个用户的负荷曲线分成若干段，步长相同；
将每天的负荷划分为多个序列，计算这些序列在所述相同步长内不同天的行为相似度相关系数；
其中，步长为n天，数据集中负荷的采样频率为1个点/h，以m时段为一个周期计算行为相似度，每个m时段周期包含m+1个负荷数据点，第d天m时段负荷状态序列为:
，
其中， 为第d天第m时段第z个时间点的负荷，取的平均值为；
在m周期内每隔两天计算一次负荷序列之间的行为相似度相关系数：
其中，是m时段i日和j日之间对应时段的行为相似度相关系数；
根据所述行为相似度相关系数，计算出用户在不同日期、不同时段的行为相似度，
得到m周期内d天负荷的行为相似度矩阵为:
进一步地，对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量进一步包括，
获得与天气数据相关的多维数据，计算用户侧的总负荷与各种天气因素的互信息：
将负荷和某一天气因素分别设为随机变量X和Y，其中负荷和天气因素均为离散随机变量，将其互信息可定义为:
其中，I（X;Y）为X和Y之间的互信息，p(x，y)为x和y的联合概率密度函数，p(x)和p(y)分别为x和y的边概率密度函数；
归一化后的互信息表达式定义为:
其中，NMI（X；Y）为X和Y之间的归一化互信息；H(X)、H(Y)为随机变量X、Y的信息熵，定义为：
根据互信息进行特征选择后，将温度、气压、湿度以及风向选作后续考虑的天气影响因素，得到天气综合变量。
进一步地，根据所述天气综合变量、以及所述多个时间尺度下的用户侧负荷数据，建立用户侧负荷预测知识大模型进一步包括，
将所述多个时间尺度下的用户侧负荷数据作为知识大模型的尾实体；
将所述天气综合变量、所述行为相似度矩阵以及日期类型数据和用户侧实时电价作为知识大模型的头实体；
用户侧负荷预测知识大模型用数学模型表示为：
其中，x为头实体；z为尾实体；r为头实体和尾实体间的关系；M r 为关系r的投影矩阵；x ⊥为x在投影矩阵M r 下的分量；z ⊥为z在投影矩阵M r 下的分量。
进一步地，根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测进一步包括，
筛选满足所述多个时间尺度要求的目标用户参与需求响应，基于所述用户侧负荷预测知识大模型预测所述目标用户的负荷；
将时间序列数据重新配置为带窗输入，分别对每个窗口进行训练，定义窗口大小W，使用转换函数将输入的二维时间序列转换为一维向量：
其中，R为输入的数据样本；其中L为目标通道，表示要预测的对象数量；M为选定影响因素的个数；
通过转换函数，将窗口内的目标值串联起来，加入前一时刻的影响因子向量，实现模型输入的加窗重建；
基于XGBoost模型：
其中，为预测结果；K为决策树的个数；f k 为包含第k个独立树的结构和权重；x ⊥i 为第i个输入；F为CART回归树的函数空间；
由损失函数和正则化项组成XGBoost模型的目标函数L:
其中，l为二阶可微损失函数，用于测量实际值y i 与预测值之间的差距；γ和λ为正则项系数，用于降低模型的复杂性和防止模型过拟合；T为给定一棵树的叶节点数；为每棵树叶节点上的输出分数的平方；将所述用户侧负荷预测知识大模型的尾实体作为测量实际值，得到抑制模型复杂度的正则项Ω（f k ）；n为预测数据的个数；
求解可得最优叶重及目标函数值L:
其中，g i 为所有属于第i个叶子节点的样本一阶导数；h i 为所有属于第i个叶子节点的样本二阶导数；根据求出的最优叶重及目标函数值L，进行下一时刻用户侧负荷预测。
另一方面，本说明书实施例还提供了一种知识大模型预测用户侧负荷装置，包括，
时间尺度单元，用于从多个时间尺度下分析用户侧储能用电行为，获取多个时间尺度下的用户侧负荷数据；
天气变量单元，用于对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量；
模型建立单元，用于根据所述天气综合变量、以及所述多个时间尺度下的用户侧负荷数据，建立用户侧负荷预测知识大模型；
负荷预测单元，用于根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测。
另一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在存储器上的计算机程序，处理器执行所述计算机程序时实现上述的方法。
最后，本说明书实施例还提供了一种计算机存储介质，其上存储有计算机程序，计算机程序被计算机设备的处理器运行时，执行上述的方法。
利用本说明书实施例，首先获取多个时间尺度下的用户侧用电数据，从多个时间尺度下分析用户侧储能用电行为，从而获取多个时间尺度下的用户侧储能负荷数据；然后还需要对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量；避免需要考虑所有天气因素和其他影响因素，导致模型的高复杂性和低计算效率；根据降维后的天气综合变量、以及所述多个时间尺度下的用户侧储能负荷数据，建立用户侧负荷预测知识大模型；最后根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测。实现了用户侧储能用电行为的多时间尺度分析，考虑了降维后的天气因素和其他影响因素，与日期和用户侧实时电价因素一并建立用户侧负荷预测知识大模型，大幅提升预测算法的精度、稳定性和适用范围，解决了现有技术中用户侧负荷预测的准确性普遍较低，预测效果不稳定，缺乏对负荷特征的深层次挖掘，也没有对影响因素进行更深入的分析，因此难以有效应对用户侧储能负荷变化不确定性因素及深度学习算法适用范围受限的问题。
附图说明
为了更清楚地说明本说明书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说明书的一些实施例，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，还可以根据这些附图获得其他的附图。
图1所示为本说明书实施例一种知识大模型预测用户侧负荷方法实施系统示意图；
图2所示为本说明书实施例一种知识大模型预测用户侧负荷方法的流程图；
图3所示为本说明书实施例获得第一时间尺度下的自适应时间翘曲距离矩阵的过程；
图4所示为本说明书实施例获得第二时间尺度下的行为相似度矩阵的过程；
图5所示为本说明书实施例得到降维后的天气综合变量的过程；
图6所示为本说明书实施例建立用户侧负荷预测知识大模型的过程；
图7所示为本说明书实施例通过知识大模型预测用户侧负荷的过程；
图8所示为本说明书实施例一种知识大模型预测用户侧负荷装置的结构示意图；
图9所示为本说明书实施例计算机设备的结构示意图。
【附图标记说明】：
101、终端；
102、服务器；
801、时间尺度单元；
802、天气变量单元；
803、模型建立单元；
804、负荷预测单元;
902、计算机设备；
904、处理设备；
906、存储资源；
908、驱动机构；
910、输入/输出模块；
912、输入设备；
914、输出设备；
916、呈现设备；
918、图形用户接口；
920、网络接口；
922、通信链路；
924、通信总线。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
需要说明的是，本说明书的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本说明书的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示为本发明实施例一种知识大模型预测用户侧负荷方法实施系统示意图，可以包括终端101和服务器102，所述终端101与所述服务器102之间建立通信连接，能够实现数据的交互。所述终端101可以向所述服务器102发送多个用户的用电行为以及相关数据，其中包括多个时间尺度下的用户侧储能负荷数据，以及日期和用户侧实时电价等，其中还可以包括多个天气因素和其他影响因素，例如为温度气压、湿度等。然后服务器102对每个影响因素进行分析并筛选，然后根据用户侧储能负荷数据以及降维后的影响因素构建大模型进行预测。
在本说明书实施例中，所述服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（CDN,Content Delivery Network）、以及大数据和人工智能平台等基础云计算服务的云服务器。
需要说明的是，图1所示的仅仅是本公开提供的一种应用环境，在真实应用中，还可以包括其他应用环境，在本发明实施例中不做限制。
为了解决上述问题，本说明书实施例提供了一种知识大模型预测用户侧负荷方法，根据天气综合变量、以及多个时间尺度下的用户侧储能负荷数据，建立用户侧负荷预测知识大模型进行用户侧负荷预测。图2所示为本说明书实施例一种知识大模型预测用户侧负荷方法的流程图，在本图中描述了构建知识大模型进行预测的过程，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在真实中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。具体地，如图2所示，所述方法可以包括：
步骤201：从多个时间尺度下分析用户侧储能用电行为，获取多个时间尺度下的用户侧负荷数据；
步骤202：对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量；
步骤203：根据所述天气综合变量、以及所述多个时间尺度下的用户侧负荷数据，建立用户侧负荷预测知识大模型；
步骤204：根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测。
利用本说明书实施例，首先获取多个时间尺度下的用户侧用电数据，从多个时间尺度下分析用户侧储能用电行为，从而获取多个时间尺度下的用户侧储能负荷数据；然后还需要对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量；避免需要考虑所有天气因素和其他影响因素，导致模型的高复杂性和低计算效率；根据降维后的天气综合变量、以及所述多个时间尺度下的用户侧储能负荷数据，建立用户侧负荷预测知识大模型；最后根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测。实现了用户侧储能用电行为的多时间尺度分析，考虑了降维后的天气因素和其他影响因素，与日期和用户侧实时电价因素一并建立用户侧负荷预测知识大模型，大幅提升预测算法的精度、稳定性和适用范围，解决了现有技术中用户侧负荷预测的准确性普遍较低，预测效果不稳定，缺乏对负荷特征的深层次挖掘，也没有对影响因素进行更深入的分析，因此难以有效应对用户侧储能负荷变化不确定性因素及深度学习算法适用范围受限的问题。
在本说明书实施例中，需要从多个不同的时间尺度进行用户侧储能用电行为的相似度分析，从而提高预测算法的精度，因此步骤201中，从多个时间尺度下分析用户侧储能用电行为进一步包括，
在第一时间尺度下根据用户侧储能历史负荷，获得第一时间尺度下的自适应时间翘曲距离矩阵；
在第二时间尺度下根据用户侧储能用电量行为，获得第二时间尺度下的行为相似度矩阵；
其中，所述第一时间尺度大于所述第二时间尺度。
具体地，根据本说明书的一个实施例，所述第一时间尺度为较长的时间尺度，一般以天数为单位，例如计算用户侧储能每两天历史负荷的自适应时间翘曲距离，并将结果存储在自适应时间翘曲距离矩阵中，获得每两天的时间尺度下的自适应时间翘曲距离矩阵；也就是说在第一时间尺度下，采用归一化自适应时间翘曲算法和密度空间聚类方法得到用户侧储能第一时间尺度历史负荷的自适应时间翘曲距离矩阵。所述第二时间尺度为较短的时间尺度，一般以小时为单位，例如以3h为一个周期计算行为相似度，计算出的用户在不同日期、不同时段的行为相似度，获得第二时间尺度下的行为相似度矩阵。
在本说明书实施例中，为了获得第一时间尺度下的自适应时间翘曲距离矩阵，需要采用密度空间聚类算法对用户侧储能用电负荷数据进行长期尺度行为分析，具体的，如图3所示，在第一时间尺度下根据用户侧储能历史负荷，获得第一时间尺度下的自适应时间翘曲距离矩阵进一步包括，
步骤301：采用归一化自适应时间翘曲算法获取用户侧储能用电负荷数据；
步骤302：获取用户侧储能历史负荷的自适应时间翘曲距离，生成自适应时间翘曲距离矩阵；
步骤303：将所述自适应时间翘曲距离矩阵输入密度空间聚类算法，对所述用户侧储能用电负荷数据进行第一时间尺度行为分析，获得第一时间尺度下的用户侧负荷数据。
具体的，根据本说明书的一个实施例，对用户侧储能的用电负荷数据采用归一化自适应时间翘曲算法进行数据处理，以减轻时移特性的影响；然后计算用户侧储能每两天历史负荷的自适应时间翘曲距离，并将结果存储在自适应时间翘曲距离矩阵中； 其中，单个用户侧储能历史负荷曲线组成的数据集为D，将点集D作为密度空间聚类算法的输入；为了分析所述用户侧储能历史负荷曲线的相似性，用自适应时间翘曲距离矩阵代替传统的欧氏距离矩阵作为聚类算法的输入；DBSCAN的可调参数为扫描半径eps和最小包含点数minPts，根据设定的扫描半径为1.5，最小包含点数minPts为5，将合适点和接近点聚为一类，对用户侧储能的用户群体进行相同程度的聚类分析；采用密度空间聚类算法对用户侧储能用电负荷数据进行长期尺度行为分析，将所述自适应时间翘曲距离矩阵作为密度空间聚类算法的输入，使归一化自适应时间翘曲算法和密度空间聚类算法相结合。通过上述密度空间聚类算法，可以反映用户长期用电习惯的显著性，初步选取明显和非常明显的用户作为初步目标用户。
在本说明书实施例中，为了获得第二时间尺度下的行为相似度矩阵，需要将每个用户的负荷曲线分成若干段进行分别计算，具体的，如图4所示，在第二时间尺度下根据用户侧储能用电量行为，获得第二时间尺度下的行为相似度矩阵进一步包括，
步骤401：将每个用户的负荷曲线分成若干段，步长相同；
步骤402：将每天的负荷划分为多个序列，计算这些序列在所述相同步长内不同天的行为相似度相关系数；
其中，步长为n天，数据集中负荷的采样频率为1个点/h，以m时段为一个周期计算行为相似度，每个m时段周期包含m+1个负荷数据点，第d天m时段负荷状态序列为:
，
其中， 为第d天第m时段第z个时间点的负荷，取的平均值为；
在m周期内每隔两天计算一次负荷序列之间的行为相似度相关系数：
其中，是m时段i日和j日之间对应时段的行为相似度相关系数；
步骤403：根据所述行为相似度相关系数，计算出用户在不同日期、不同时段的行为相似度，得到行为相似度矩阵；
根据所述行为相似度相关系数，计算出用户在不同日期、不同时段的行为相似度，得到m周期内d天负荷的行为相似度矩阵为:
。
具体的，根据本说明书的一个实施例，将初步筛选的初步目标用户的负荷曲线分成若干段，步长为7天。然后，将每天的负荷划分为多个序列，计算这些序列在7天步长内不同天的行为相似度相关系数，具体计算过程为：
假设数据集中负荷的采样频率为1个点/h，以3h为一个周期计算行为相似度，则每天可形成8个周期，每个3小时周期包含4个负荷数据点。第d天m时段负荷状态序列为:
，
式中: 为第d天第m时段第z个时间点的负荷。取的平均值为。
然后在m周期内每隔两天计算一次负荷序列之间的行为相似度相关系数：
其中，是m时段i日和j日之间对应时段的行为相似度相关系数；
第d天第m时段负荷的平均行为相似度可表示为:
根据计算出的用户在不同日期、不同时段的行为相似度，构建行为相似度矩阵，得到m周期内7天负荷的行为相似度矩阵为:
该矩阵作为负荷预测模型的输入，其平均值可作为用户筛选的第二指标；由于行为相似度的波动性，平均行为相似度较低的用户在用电习惯上必然有频繁的变化，因此，排除行为相似度小于0.6的用户；最后，筛选满足长短时间尺度要求的目标用户参与需求响应，并进一步预测他们的负荷。
在本说明书实施例中，为了解决现有技术中将温度作为唯一的天气因素，没有对影响因素进行更深入的分析，或考虑了所有天气因素和其他影响因素，导致模型的高复杂性和低计算效率无法得到有效解决的问题，本方案对多维天气影响因素进行特征选择并降维，具体的如图5所示，对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量进一步包括，
步骤501：获得与天气数据相关的多维数据，计算用户侧的总负荷与各种天气因素的互信息：
步骤502：将负荷和某一天气因素分别设为随机变量X和Y，得到归一化后的互信息表达式；
将负荷和某一天气因素分别设为随机变量X和Y，其中负荷和天气因素均为离散随机变量，将其互信息可定义为:
其中，I（X;Y）为X和Y之间的互信息，p(x，y)为x和y的联合概率密度函数，p(x)和p(y)分别为x和y的边概率密度函数；
归一化后的互信息表达式定义为:
其中，NMI（X；Y）为X和Y之间的归一化互信息；H(X)、H(Y)为随机变量X、Y的信息熵，定义为：
步骤503：根据互信息进行特征选择后，将温度、气压、湿度以及风向选作后续考虑的天气影响因素，得到天气综合变量。
具体的，根据本说明书的一个实施例，获得天气数据包括温度、湿度、风速等共12维数据，由于相关系数不能衡量两个变量之间的非线性关系，因此采用互信息来衡量用户侧负荷与天气因素之间的关系。计算用户侧的总负荷与各种天气因素的互信息：根据互信息进行特征选择后，温度、体温、气压、湿度和风向被选作后续考虑的天气影响因素。由于所选取的天气因子，如：温度和体温，之间仍然存在很强的相关性，因此采用主成分分析法对天气因子进行进一步降维。主成分分析法可以去除相关性得到自变量，提高运算速度，避免数据冗余。通过互信息和主成分分析法的特征选择和降维，得到天气综合变量，取代原有的12维天气数据。解决了现有技术中考虑了所有天气因素和其他影响因素，导致模型的高复杂性和低计算效率无法得到有效解决的问题。
在本说明书实施例中，建立用户侧负荷预测知识大模型的具体步骤，如图6所示，根据所述天气综合变量、以及所述多个时间尺度下的用户侧负荷数据，建立用户侧负荷预测知识大模型进一步包括，
步骤601：将所述多个时间尺度下的用户侧负荷数据作为知识大模型的尾实体；
步骤602：将所述天气综合变量、所述行为相似度矩阵以及日期类型数据和用户侧实时电价作为知识大模型的头实体；
步骤603：根据所述尾实体以及所述头实体构建用户侧负荷预测知识大模型；
用户侧负荷预测知识大模型用数学模型表示为：
其中，x为头实体；z为尾实体；r为头实体和尾实体间的关系；M r 为关系r的投影矩阵；x ⊥为x在投影矩阵M r 下的分量；z ⊥为z在投影矩阵M r 下的分量。
具体的，根据本说明书的一个实施例，将步骤201中所获取的多个时间尺度下的用户侧负荷数据作为知识大模型的尾实体，将步骤202中所获取的天气综合变量，步骤404中所获取的行为相似度矩阵，以及日期类型数据和用户侧实时电价作为知识大模型的头实体，其中，日期类型数据是将日期类型划分并标记为“工作日”、“节假日”和“周末”所获得的不同类型日期下的用户侧负荷数据以及电价。从而完成用户侧负荷预测知识大模型的构建。
在本说明书实施例中，通过所述用户侧负荷预测知识大模型进行预测的步骤，如图7所示，根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测进一步包括，
步骤701：筛选满足所述多个时间尺度要求的目标用户参与需求响应，基于所述用户侧负荷预测知识大模型预测所述目标用户的负荷；
步骤702：将时间序列数据重新配置为带窗输入，分别对每个窗口进行训练；
定义窗口大小W，使用转换函数melt将输入的二维时间序列转换为一维向量：
其中，R为输入的数据样本；其中L为目标通道，表示要预测的对象数量；M为选定影响因素的个数；
步骤703：通过转换函数，将窗口内的目标值串联起来，加入前一时刻的影响因子向量，实现模型输入的加窗重建；
基于XGBoost模型：
其中，为预测结果；K为决策树的个数；为包含第k个独立树的结构和权重；为第i个输入；F为CART回归树的函数空间；
由损失函数和正则化项组成XGBoost模型的目标函数L:
其中，l为二阶可微损失函数，用于测量实际值y i 与预测值之间的差距；γ和λ为正则项系数，用于降低模型的复杂性和防止模型过拟合；T为给定一棵树的叶节点数；为每棵树叶节点上的输出分数的平方；将所述用户侧负荷预测知识大模型的尾实体作为测量实际值，得到抑制模型复杂度的正则项Ω（f k ）；n为预测数据的个数；
步骤704：求解可得最优叶重及目标函数值，进行下一时刻用户侧负荷预测。
求解可得最优叶重及目标函数值L:
其中，g i 为所有属于第i个叶子节点的样本一阶导数；h i 为所有属于第i个叶子节点的样本二阶导数；根据求出的最优叶重及目标函数值L，进行下一时刻用户侧负荷预测。
通过上述方法，考虑到了用户侧负荷具有较强的波动性和随机性，且不同用户的用电习惯差异较大，通过用户侧多时间尺度用电行为分析方法，进一步筛选具有一致用电量习惯的用户，实现了提高算法预测的精度；同时在计算天气因素对预测结果的影响中，保留最关键的天气信息，提高预测的精度和计算速度，采用了基于互信息的特征选择和基于主成分分析的天气因素降维。最终得到多个天气综合变量来表示天气因素的综合影响，作为负荷预测模型的输入；在此基础上建立了用户侧负荷预测知识大模型，有效融合了先验知识和数据驱动技术的学习能力，能够有效表征用户侧负荷和强相关影响因素的关系，提高了负荷预测精度，并且提出了一种改进窗口的XGBoost模型的负荷预测方法，降低了模型的复杂度的同时有助于模型捕捉预测对象的自相关效应。解决了现有技术中用户侧负荷预测的准确性普遍较低，预测效果不稳定，难以有效应预测用户侧负荷的问题。
基于同一发明构思，本说明书实施例还提供了一种知识大模型预测用户侧负荷装置，如图8所示，包括时间尺度单元801、天气变量单元802、模型建立单元803、负荷预测单元804；
时间尺度单元801，用于从多个时间尺度下分析用户侧储能用电行为，获取多个时间尺度下的用户侧储能负荷数据；
天气变量单元802，用于对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量；
模型建立单元803，用于根据所述天气综合变量、以及所述多个时间尺度下的用户侧储能负荷数据，建立用户侧负荷预测知识大模型；
负荷预测单元804，用于根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测。
通过上述系统所取得的有益效果与上述方法所取得的有益效果一致，本说明书实施例不做赘述。
如图9所示为本说明书实施例计算机设备的结构示意图，本说明书中的装置可以为本实施例中的计算机设备，执行上述本说明书的方法。计算机设备902可以包括一个或多个处理设备904，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备902还可以包括任何存储资源906，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储资源906可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储资源都可以使用任何技术来存储信息。进一步地，任何存储资源可以提供信息的易失性或非易失性保留。进一步地，任何存储资源可以表示计算机设备902的固定或可移除部件。在一种情况下，当处理设备904执行被存储在任何存储资源或存储资源的组合中的相关联的指令时，计算机设备902可以执行相关联指令的任一操作。计算机设备902还包括用于与任何存储资源交互的一个或多个驱动机构908，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备902还可以包括输入/输出模块910（I/O），其用于接收各种输入(经由输入设备912)和用于提供各种输出(经由输出设备914)。一个具体输出机构可以包括呈现设备916和相关联的图形用户接口(GUI) 918。在其他实施例中，还可以不包括输入/输出模块910（I/O）、输入设备912以及输出设备914，仅作为网络中的一台计算机设备。计算机设备902还可以包括一个或多个网络接口920，其用于经由一个或多个通信链路922与其他设备交换数据。一个或多个通信总线924将上文所描述的部件耦合在一起。
通信链路922可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路922可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图2至图6中的方法，本说明书实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述步骤。
本说明书实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图2至图6所示的方法。
应理解，在本说明书的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本说明书实施例的实施过程构成任何限定。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本说明书中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本说明书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说明书的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本说明书所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，真实实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，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、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据真实的需要选择其中的部分或者全部单元来实现本说明书实施例方案的目的。
另外，在本说明书各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的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，本说明书的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本说明书各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中应用了具体实施例对本说明书的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本说明书的方法及其核心思想；同时，对于本领域的一般技术人员，依据本说明书的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本说明书的限制。
Claims (9)
1.一种知识大模型预测用户侧负荷方法，其特征在于，所述方法包括，
从多个时间尺度下分析用户侧储能用电行为，获取多个时间尺度下的用户侧负荷数据；
在第一时间尺度下根据用户侧储能历史负荷，获得第一时间尺度下的自适应时间翘曲距离矩阵；
在第二时间尺度下根据用户侧储能用电量行为，获得第二时间尺度下的行为相似度矩阵；
其中，所述第一时间尺度大于所述第二时间尺度；
对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量；
根据所述天气综合变量、以及所述多个时间尺度下的用户侧负荷数据，建立用户侧负荷预测知识大模型；
根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测。
2.根据权利要求1所述的知识大模型预测用户侧负荷方法，其特征在于，在第一时间尺度下根据用户侧储能历史负荷，获得第一时间尺度下的自适应时间翘曲距离矩阵进一步包括，
采用归一化自适应时间翘曲算法获取用户侧储能历史负荷数据；
根据所述用户侧储能历史负荷数据的自适应时间翘曲距离，生成自适应时间翘曲距离矩阵；
将所述自适应时间翘曲距离矩阵输入密度空间聚类算法，对所述用户侧储能用电负荷数据进行第一时间尺度行为分析，获得第一时间尺度下的用户侧负荷数据。
3.根据权利要求1所述的知识大模型预测用户侧负荷方法，其特征在于，在第二时间尺度下根据用户侧储能用电量行为，获得第二时间尺度下的行为相似度矩阵进一步包括，
将每个用户的负荷曲线分成若干段，步长相同；
将每天的负荷划分为多个序列，计算这些序列在相同步长内不同天的行为相似度相关系数；
其中，步长为n天，数据集中负荷的采样频率为1个点/h，以m时段为一个周期计算行为相似度，每个m时段周期包含m+1个负荷数据点，第d天m时段负荷状态序列为:
，
其中， 为第d天第m时段第z个时间点的负荷，取的平均值为；
在m周期内每隔两天计算一次负荷序列之间的行为相似度相关系数：
；
其中，是m时段i日和j日之间对应时段的行为相似度相关系数；
根据所述行为相似度相关系数，计算出用户在不同日期、不同时段的行为相似度，得到m周期内d天负荷的行为相似度矩阵为:
。
4.根据权利要求1所述的知识大模型预测用户侧负荷方法，其特征在于，对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量进一步包括，
获得与天气数据相关的多维数据，计算用户侧的总负荷与各种天气因素的互信息：
将负荷和某一天气因素分别设为随机变量X和Y，其中负荷和天气因素均为离散随机变量，将其互信息可定义为:
；
其中，I（X;Y）为X和Y之间的互信息，p(x，y)为x和y的联合概率密度函数，p(x)和p(y)分别为x和y的边概率密度函数；
归一化后的互信息表达式定义为:
；
其中，NMI（X；Y）为X和Y之间的归一化互信息；H(X)、H(Y)为随机变量X、Y的信息熵，定义为
；
根据互信息进行特征选择后，将温度、气压、湿度以及风向选作后续考虑的天气影响因素，得到天气综合变量。
5.根据权利要求4所述的知识大模型预测用户侧负荷方法，其特征在于，根据所述天气综合变量、以及所述多个时间尺度下的用户侧负荷数据，建立用户侧负荷预测知识大模型进一步包括，
将所述多个时间尺度下的用户侧负荷数据作为知识大模型的尾实体；
将所述天气综合变量、所述行为相似度矩阵以及日期类型数据和用户侧实时电价作为知识大模型的头实体；
用户侧负荷预测知识大模型用数学模型表示为：
；
其中，x为头实体；z为尾实体；r为头实体和尾实体间的关系；M r 为关系r的投影矩阵；x ⊥为x在投影矩阵M r 下的分量；z ⊥为z在投影矩阵M r 下的分量。
6.根据权利要求5所述的知识大模型预测用户侧负荷方法，其特征在于，根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测进一步包括，
筛选满足所述多个时间尺度要求的目标用户参与需求响应，基于所述用户侧负荷预测知识大模型预测所述目标用户的负荷；
将时间序列数据重新配置为带窗输入，分别对每个窗口进行训练，定义窗口大小W，使用转换函数将输入的二维时间序列转换为一维向量：
；
其中，R为输入的数据样本；其中L为目标通道，表示要预测的对象数量；M为选定影响因素的个数；
通过转换函数，将窗口内的目标值串联起来，加入前一时刻的影响因子向量，实现模型输入的加窗重建；
基于XGBoost模型：
；
其中，为预测结果；K为决策树的个数；f k 为包含第k个独立树的结构和权重；x ⊥i 为第i个输入；F为CART回归树的函数空间；
由损失函数和正则化项组成XGBoost模型的目标函数L:
；
其中，l为二阶可微损失函数，用于测量实际值y i 与预测值之间的差距；γ和λ为正则项系数，用于降低模型的复杂性和防止模型过拟合；T为给定一棵树的叶节点数；为每棵树叶节点上的输出分数的平方；将所述用户侧负荷预测知识大模型的尾实体作为测量实际值，得到抑制模型复杂度的正则项Ω（f k ）；n为预测数据的个数；
求解可得最优叶重及目标函数值L:
；
其中，g i 为所有属于第i个叶子节点的样本一阶导数；h i 为所有属于第i个叶子节点的样本二阶导数；根据求出的最优叶重及目标函数值L，进行下一时刻用户侧负荷预测，Ij的定义。
7.一种知识大模型预测用户侧负荷装置，其特征在于，
时间尺度单元，用于从多个时间尺度下分析用户侧储能用电行为，获取多个时间尺度下的用户侧负荷数据；
在第一时间尺度下根据用户侧储能历史负荷，获得第一时间尺度下的自适应时间翘曲距离矩阵；
在第二时间尺度下根据用户侧储能用电量行为，获得第二时间尺度下的行为相似度矩阵；
其中，所述第一时间尺度大于所述第二时间尺度；
天气变量单元，用于对多维天气影响因素进行特征选择并降维，得到降维后的天气综合变量；
模型建立单元，用于根据所述天气综合变量、以及所述多个时间尺度下的用户侧负荷数据，建立用户侧负荷预测知识大模型；
负荷预测单元，用于根据所述用户侧负荷预测知识大模型，改进窗口神经网络进行用户侧负荷预测。
8.一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至6任意一项所述的方法。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被计算机设备的处理器运行时，执行根据权利要求1至6任意一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311500219.3A CN117239739B (zh) | 2023-11-13 | 2023-11-13 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311500219.3A CN117239739B (zh) | 2023-11-13 | 2023-11-13 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117239739A CN117239739A (zh) | 2023-12-15 |
| CN117239739B true CN117239739B (zh) | 2024-02-02 |
Family
ID=89093211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311500219.3A Active CN117239739B (zh) | 2023-11-13 | 2023-11-13 | 一种知识大模型预测用户侧负荷方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117239739B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104701841A (zh) * | 2015-03-20 | 2015-06-10 | 国家电网公司 | 一种智能电网用户侧能源信息感知方法 |
| CN107730031A (zh) * | 2017-09-25 | 2018-02-23 | 中国电力科学研究院 | 一种超短期高峰负荷预测方法及其系统 |
| CN108320046A (zh) * | 2017-12-27 | 2018-07-24 | 安徽机电职业技术学院 | 短期电力负荷预测建模方法 |
| CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
| CN110717581A (zh) * | 2019-09-26 | 2020-01-21 | 国网福建省电力有限公司 | 一种基于温度模糊处理和dbn的短期负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN112396234A (zh) * | 2020-11-20 | 2021-02-23 | 国网经济技术研究院有限公司 | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 |
| CN112508244A (zh) * | 2020-11-25 | 2021-03-16 | 武汉大学 | 一种用户级综合能源系统多元负荷预测方法 |
| CN113256022A (zh) * | 2021-06-16 | 2021-08-13 | 广东电网有限责任公司 | 一种台区用电负荷预测方法及系统 |
| CN114358449A (zh) * | 2022-03-21 | 2022-04-15 | 国网天津市电力公司电力科学研究院 | 基于图神经网络的电动汽车充电负荷时空分布预测方法 |
| CN114626581A (zh) * | 2022-02-25 | 2022-06-14 | 陕西理工大学 | 基于vmd分解机制的tcn-svm组合用电负荷预测方法 |
| CN115358441A (zh) * | 2022-07-08 | 2022-11-18 | 国网湖北省电力有限公司电力科学研究院 | 基于联邦学习的新能源集群消纳智能调控方法及装置 |
| CN115640901A (zh) * | 2022-11-01 | 2023-01-24 | 华南理工大学 | 一种基于混合神经网络和生成对抗的小样本负荷预测方法 |
| CN115719106A (zh) * | 2022-09-30 | 2023-02-28 | 国网浙江省电力有限公司永嘉县供电公司 | 基于多气象要素的电力负荷预测方法 |
| CN116402194A (zh) * | 2023-03-10 | 2023-07-07 | 广西电网有限责任公司电力科学研究院 | 一种基于混合神经网络的多时间尺度负荷预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113853629A (zh) * | 2019-05-29 | 2021-12-28 | 西门子股份公司 | 电网用户分类方法、装置和计算机可读存储介质 |
-
2023
- 2023-11-13 CN CN202311500219.3A patent/CN117239739B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104701841A (zh) * | 2015-03-20 | 2015-06-10 | 国家电网公司 | 一种智能电网用户侧能源信息感知方法 |
| CN107730031A (zh) * | 2017-09-25 | 2018-02-23 | 中国电力科学研究院 | 一种超短期高峰负荷预测方法及其系统 |
| CN108320046A (zh) * | 2017-12-27 | 2018-07-24 | 安徽机电职业技术学院 | 短期电力负荷预测建模方法 |
| CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
| CN110717581A (zh) * | 2019-09-26 | 2020-01-21 | 国网福建省电力有限公司 | 一种基于温度模糊处理和dbn的短期负荷预测方法 |
| CN112396234A (zh) * | 2020-11-20 | 2021-02-23 | 国网经济技术研究院有限公司 | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 |
| CN112508244A (zh) * | 2020-11-25 | 2021-03-16 | 武汉大学 | 一种用户级综合能源系统多元负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN113256022A (zh) * | 2021-06-16 | 2021-08-13 | 广东电网有限责任公司 | 一种台区用电负荷预测方法及系统 |
| CN114626581A (zh) * | 2022-02-25 | 2022-06-14 | 陕西理工大学 | 基于vmd分解机制的tcn-svm组合用电负荷预测方法 |
| CN114358449A (zh) * | 2022-03-21 | 2022-04-15 | 国网天津市电力公司电力科学研究院 | 基于图神经网络的电动汽车充电负荷时空分布预测方法 |
| CN115358441A (zh) * | 2022-07-08 | 2022-11-18 | 国网湖北省电力有限公司电力科学研究院 | 基于联邦学习的新能源集群消纳智能调控方法及装置 |
| CN115719106A (zh) * | 2022-09-30 | 2023-02-28 | 国网浙江省电力有限公司永嘉县供电公司 | 基于多气象要素的电力负荷预测方法 |
| CN115640901A (zh) * | 2022-11-01 | 2023-01-24 | 华南理工大学 | 一种基于混合神经网络和生成对抗的小样本负荷预测方法 |
| CN116402194A (zh) * | 2023-03-10 | 2023-07-07 | 广西电网有限责任公司电力科学研究院 | 一种基于混合神经网络的多时间尺度负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117239739A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jin et al. | Bayesian symbolic regression | |
| Ma et al. | DeePr-ESN: A deep projection-encoding echo-state network | |
| Hutter et al. | Algorithm runtime prediction: Methods & evaluation | |
| US11650968B2 (en) | Systems and methods for predictive early stopping in neural network training | |
| Gaur | Neural networks in data mining | |
| CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
| CN107862173A (zh) | 一种先导化合物虚拟筛选方法和装置 | |
| Wu et al. | Link prediction of time-evolving network based on node ranking | |
| Piperagkas et al. | Solving the stochastic dynamic lot-sizing problem through nature-inspired heuristics | |
| Yin | Learning nonlinear principal manifolds by self-organising maps | |
| CN117389824A (zh) | 一种基于信号分解和混合模型的云服务器负载预测方法 | |
| CN107103359A (zh) | 基于卷积神经网络的大服务系统在线可靠性预测方法 | |
| CN110738239A (zh) | 一种基于鼠标交互序列区域行为联合建模的搜索引擎用户满意度评估方法 | |
| CN116629352A (zh) | 一种亿级参数寻优平台 | |
| CN115051929A (zh) | 基于自监督目标感知神经网络的网络故障预测方法及装置 | |
| CN116883065A (zh) | 商户风险预测方法及装置 | |
| CN108737491A (zh) | 信息推送方法和装置以及存储介质、电子装置 | |
| CN113537613B (zh) | 一种模体感知的时态网络预测方法 | |
| CN115114484A (zh) | 异常事件检测方法、装置、计算机设备和存储介质 | |
| Wang et al. | A time series continuous missing values imputation method based on generative adversarial networks | |
| CN108805291A (zh) | 一种网络表示学习模型的训练方法及服务器 | |
| Scabini et al. | Improving deep neural network random initialization through neuronal rewiring | |
| Pei et al. | Financial trading decisions based on deep fuzzy self-organizing map | |
| CN117239739B (zh) | 一种知识大模型预测用户侧负荷方法、装置及设备 | |
| Remes et al. | Neural non-stationary spectral kernel |
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 |