CN117293824B - 电力需求预测的方法、装置和计算机可读存储介质 - Google Patents
电力需求预测的方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN117293824B CN117293824B CN202311566774.6A CN202311566774A CN117293824B CN 117293824 B CN117293824 B CN 117293824B CN 202311566774 A CN202311566774 A CN 202311566774A CN 117293824 B CN117293824 B CN 117293824B
- Authority
- CN
- China
- Prior art keywords
- power
- data
- prediction data
- target
- models
- 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 51
- 238000010248 power generation Methods 0.000 claims abstract description 69
- 238000004146 energy storage Methods 0.000 claims abstract description 47
- 230000007613 environmental effect Effects 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 description 24
- 238000007781 pre-processing Methods 0.000 description 10
- 230000001932 seasonal effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000002829 reductive effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012983 electrochemical energy storage 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
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例提供了一种电力需求预测的方法、装置和计算机可读存储介质,能够以较高的准确率对目标区域进行电力需求预测。该方法包括:获取目标区域中储能电站的历史发电数据;根据所述历史发电数据,在多个模型中确定多个目标模型;基于所述多个目标模型,确定所述目标区域的电力负荷预测数据;根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种电力需求预测的方法、装置和计算机可读存储介质。
背景技术
随着太阳能、风能等新能源的推广应用,储能技术也随之发展。储能经济模型项目可能会涉及国内外核心业务地区和场景的开发和上线。
推动储能电站投资和建设完成后的高质量运营,比如高质量的当地电力需求预测,可能会直接指导后续参与电力市场交易的决策,提升储能电站全生命周期的潜在收益,是储能行业发展的一个目标。
发明内容
本申请实施例提供了一种电力需求预测的方法、装置和计算机可读存储介质,能够以较高的准确率对目标区域进行电力需求预测。
第一方面,提供了一种电力需求预测的方法,所述方法包括:获取目标区域中储能电站的历史发电数据;根据所述历史发电数据,在多个模型中确定多个目标模型;基于所述多个目标模型,确定所述目标区域的电力负荷预测数据;根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据。
本申请实施例,一方面,在多个模型中确定目标模型,这样,确定的目标模型与电力需求预测的适配度较高,从而能够降低基于模型得到的电力负荷预测数据与电力负荷实际数据偏差较大的概率;另一方面,根据目标区域中储能电站的历史发电数据,在多个模型中确定多个目标模型,由于历史发电数据为实际数据,使得确定的目标模型更适合进行电力需求预测,进而得到的电力负荷预测数据也更加准确;再一方面,基于确定的多个目标模型确定目标区域的电力负荷预测数据,并根据电力负荷预测数据对目标区域进行电力需求预测,由于电力负荷预测数据是基于多个模型得到的,因此,得到的电力负荷预测数据的准确率较高。此外,电力负荷数据与电力需求预测数据息息相关,这样最终确定的目标区域的电力需求预测数据的准确率也更高。
在一些可能的实施例中,所述基于所述多个目标模型,确定所述目标区域的电力负荷预测数据,包括:获取所述目标区域的历史电力负荷数据;将所述历史电力负荷数据分别输入所述多个目标模型中的每个目标模型中,得到多个初始电力负荷预测数据;基于所述多个初始电力负荷预测数据,确定所述电力负荷预测数据。
上述技术方案,通过目标区域的历史电力负荷数据确定电力负荷预测数据,如此,确定的电力负荷预测数据会更加准确,进而得到的目标区域的电力需求预测数据的准确率也就更高。
在一些可能的实施例中,所述基于所述多个初始电力负荷预测数据,确定所述电力负荷预测数据,包括:对所述多个初始电力负荷预测数据进行平均,得到平均值,所述平均值为所述电力负荷预测数据。
上述技术方案,将基于多个目标模型得到的多个初始电力负荷预测数据的平均值作为电力负荷预测数据,能够降低得到的电力负荷预测数据出现太高或太低的概率,使得电力负荷预测数据更靠谱,进一步提高了目标区域的电力需求预测数据的准确率。
在一些可能的实施例中,所述电力负荷预测数据包括多个置信区间下的电力负荷预测数据;所述根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据,包括:根据所述多个置信区间下的电力负荷预测数据,确定所述目标区域的电力需求预测数据。
上述技术方案,电力负荷预测数据包括多个置信区间下的电力负荷预测数据,如此电力负荷预测数据能够涵盖更多的范围,进而使得最终得到的电力需求预测数据的准确率更高。
在一些可能的实施例中,所述根据所述历史发电数据,在多个模型中确定多个目标模型,包括:对所述历史发电数据进行预处理;根据预处理后的所述历史发电数据,在所述多个模型中,确定所述多个目标模型。
上述技术方案,根据预处理后的储能电站的历史发电数据确定目标模型,由于历史发电数据为实际数据,使得确定的目标模型更适合进行电力需求预测,进而得到的电力负荷预测数据也更加准确。
在一些可能的实施例中,所述预处理包括时间序列分解。
由于电力需求预测可能用于光伏储能中,光伏储能具有季节性的特点。因此,上述技术方案中,预处理包括时间序列分解,即对历史发电数据进行时间序列分解,从而可以确定季节性等对电力需求预测的具体影响,使得确定的目标模型与电力需求预测的适配性更高。
在一些可能的实施例中,所述对所述历史发电数据进行预处理,包括:采用加法模式对所述历史发电数据进行时间序列分解。
上述技术方案,采用加法模式对历史发电数据进行时间序列分解,不仅容易实现,而且运算量较小。
在一些可能的实施例中,所述采用加法模式对所述历史发电数据进行时间序列分解,包括:采用所述加法模式,将所述历史发电数据分解为趋势部分、季节部分和残差部分;所述根据预处理后的所述历史发电数据,在所述多个模型中,确定所述多个目标模型,包括:根据所述趋势部分、所述季节部分和所述残差部分,在所述多个模型中确定所述多个目标模型。
由于电力需求预测可能用于光伏储能中,光伏储能具有季节性的特点。因此,上述技术方案基于光伏储能的特点将历史发电数据分解为趋势部分、季节部分和残差部分,并根据趋势部分、季节部分和残差部分确定目标模型,如此,确定的目标模型的准确率较高,且与电力需求预测之间具有较高的适配性。
在一些可能的实施例中,所述方法还包括:获取所述目标区域的目标环境参数,所述目标环境参数包括以下参数中的至少一种:环境温度、环境湿度、降雨量、光照时长;所述根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据,包括:根据所述电力负荷预测数据和所述目标环境参数,确定所述电力需求预测数据。
上述技术方案,除了电力负荷预测数据之外,还根据环境参数确定电力需求预测数据,即根据更多的参数确定的电力需求预测数据的准确率更高。另一方面,由于电力需求预测可能用于光伏储能中,光伏储能与环境参数息息相关,因此,根据环境参数确定的电力需求预测数据更接近电力需求的实际数据。
在一些可能的实施例中,所述获取所述目标区域的目标环境参数,包括:对所述目标区域的历史环境参数和储能电站的历史发电数据进行相关性分析;根据相关性分析的结果,在环境参数中确定用于电力需求预测的所述目标环境参数。
上述技术方案,根据目标区域的历史环境参数和历史发电数据的相关性,确定目标环境参数,不仅降低了与电力需求预测无关的环境参数对电力需求预测的影响,而且确定的目标环境参数的准确度较高。
在一些可能的实施例中,所述目标模型包括神经网络模型和/或时间序列模型。
上述技术方案,将目标模型设置为包括神经网络模型和/或时间序列模型,由于神经网络模型和时间序列模型相对来说比较成熟,使得电力需求预测比较容易实现,效率较高。此外,电力需求具有时间性的特点,因此,目标模型包括时间序列模型,进一步提高了电力需求预测数据的准确率。
第二方面,提供了一种电力需求预测的装置,包括:获取单元,用于获取目标区域中储能电站的历史发电数据;确定单元,用于根据所述历史发电数据,在多个模型中确定多个目标模型;所述确定单元还用于,基于所述多个目标模型,确定所述目标区域的电力负荷预测数据;所述确定单元还用于,根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据。
在一些可能的实施例中,所述获取单元还用于:获取所述目标区域的历史电力负荷数据;所述装置还包括:输入单元,用于将所述历史电力负荷数据分别输入所述多个目标模型中的每个目标模型中,得到多个初始电力负荷预测数据;所述确定单元还用于,基于所述多个初始电力负荷预测数据,确定所述电力负荷预测数据。
在一些可能的实施例中,所述确定单元具体用于:对所述多个初始电力负荷预测数据进行平均,得到平均值,所述平均值为所述电力负荷预测数据。
在一些可能的实施例中,所述电力负荷预测数据包括多个置信区间下的电力负荷预测数据;所述确定单元具体用于:根据所述多个置信区间下的电力负荷预测数据,确定所述目标区域的电力需求预测数据。
在一些可能的实施例中,所述确定单元还用于:在多个模型中,确定所述多个目标模型。
在一些可能的实施例中,所述确定单元具体用于:对所述历史发电数据进行预处理;根据预处理后的所述历史发电数据,在所述多个模型中,确定所述多个目标模型。
在一些可能的实施例中,所述预处理包括时间序列分解。
在一些可能的实施例中,所述确定单元具体用于:采用加法模式对所述历史发电数据进行时间序列分解。
在一些可能的实施例中,所述确定单元具体用于:采用所述加法模式,将所述历史发电数据分解为趋势部分、季节部分和残差部分,根据所述趋势部分、所述季节部分和所述残差部分,在所述多个模型中确定所述多个目标模型。
在一些可能的实施例中,所述获取单元还用于,获取所述目标区域的目标环境参数,所述目标环境参数包括以下参数中的至少一种:环境温度、环境湿度、降雨量、光照时长;所述确定单元具体用于:根据所述电力负荷预测数据和所述目标环境参数,确定所述电力需求预测数据。
在一些可能的实施例中,所述装置还包括:分析单元,用于对所述目标区域的历史环境参数和储能电站的历史发电数据进行相关性分析;所述确定单元还用于:根据相关性分析的结果,在环境参数中确定用于电力需求预测的所述目标环境参数。
在一些可能的实施例中,所述目标模型包括神经网络模型和/或时间序列模型。
第三方面,提供了一种电力需求预测的装置,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于调用所述计算机程序,执行上述第一方面或其各实现方式中的方法。
第四方面,提供了一种计算机可读存储介质,用于存储计算机程序,该计算机程序使得计算机执行上述第一方面或其各实现方式中的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,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,还可以根据附图获得其他的附图。
在附图中,附图并未按照实际的比例绘制。
图1是本申请实施例的一种电力需求预测的方法的示意性流程图。
图2是本申请实施例的另一种电力需求预测的方法的示意性流程图。
图3是本申请实施例的对历史发电数据进行时间序列分解后的示意性图。
图4是本申请实施例的电力需求预测的装置的示意性框图。
图5是本申请实施例的电力需求预测的装置的示意性框图。
具体实施方式
下面结合附图和实施例对本申请的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本申请的原理,但不能用来限制本申请的范围,即本申请不限于所描述的实施例。
在本申请的描述中,需要说明的是,除非另有说明,“多个”的含义是两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
除非另有定义,本申请所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本申请中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序或主次关系。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
随着太阳能、风能等新能源的推广应用,储能技术也随之发展。储能经济模型项目可能会涉及国内外核心业务地区和场景的开发和上线,其中在部分地区市场占据已超过70%的业务量,从而产生了对应的业务需求。
推动储能电站投资和建设完成后的高质量运营,比如高质量的当地电力需求预测,直接指导后续参与电力市场交易的决策,提升储能电站全生命周期的潜在收益,是储能行业发展的一个目标。因此,如何进行电力需求预测,是一项亟待解决的问题。
鉴于此,本申请实施例提出了一种电力需求预测的方法,通过获取包括目标区域的电力负荷预测数据的输入参数,并根据输入参数对目标区域进行电力需求预测,其中,该电力负荷预测数据是基于多个目标模型得到的。一方面,由于电力负荷预测数据是基于多个模型得到的,因此,得到的电力负荷预测数据的准确率较高。另一方面,电力负荷数据与电力需求预测数据息息相关,这样最终确定的目标区域的电力需求预测数据的准确率也更高。
其中,本申请实施例可以应用于光伏储能、电化学储能等领域。
图1示出了本申请实施例的一种电力需求预测的方法100的示意性流程图。如图1所示,方法100可以包括以下内容中的至少部分内容。
S110:获取输入参数,输入参数包括目标区域的电力负荷预测数据,该电力负荷预测数据是基于多个目标模型得到的。
S120:根据输入参数,确定目标区域的电力需求预测数据。
本申请实施例,通过获取包括目标区域的电力负荷预测数据的输入参数,并根据输入参数对目标区域进行电力需求预测,其中,该电力负荷预测数据是基于多个目标模型得到的。一方面,由于电力负荷预测数据是基于多个模型得到的,因此,得到的电力负荷预测数据的准确率较高。另一方面,电力负荷数据与电力需求预测数据息息相关,这样最终确定的目标区域的电力需求预测数据的准确率也更高。
其中,目标模型可以包括但不限于神经网络模型和/或时间序列模型。例如,Prophet模型、自回归移动平均(autoregressive integrated moving average,ARIMA)模型、长短时记忆(long short term memory,LSTM)模型、自回归(autoregressive,AR)模型和DeepAR模型。
该技术方案,将目标模型设置为包括神经网络模型和/或时间序列模型,由于神经网络模型和时间序列模型相对来说比较成熟,使得电力需求预测比较容易实现,效率较高。此外,电力需求具有时间性的特点,因此,目标模型包括时间序列模型,进一步提高了电力需求预测数据的准确率。
目标模型可以是之前训练好的,本申请实施例直接使用训练好的目标模型。
或者,方法100还可以包括:训练目标模型。训练目标模型的具体方式可以参考相关技术,本申请实施例在此不做过多描述。
电力需求预测数据可以是目标区域一天的电力需求预测数据,或者可以是更长时间的电力需求预测数据,比如,一周的电力需求预测数据。
在一些实施例中,获取输入参数具体可以包括:获取目标区域的历史电力负荷数据,然后将历史电力负荷数据分别输入多个目标模型中的每个目标模型中,得到多个初始电力负荷预测数据,并基于多个初始电力负荷预测数据,确定电力负荷预测数据。
上述技术方案,通过目标区域的历史电力负荷数据确定电力负荷预测数据,如此,确定的电力负荷预测数据会更加准确,进而得到的目标区域的电力需求预测数据的准确率也就更高。
作为一种示例,可以对多个初始电力负荷预测数据进行平均,得到平均值,该平均值为电力负荷预测数据。该技术方案,将基于多个目标模型得到的多个初始电力负荷预测数据的平均值作为电力负荷预测数据,能够降低得到的电力负荷预测数据出现太高或太低的概率,使得电力负荷预测数据更靠谱,进一步提高了目标区域的电力需求预测数据的准确率。
作为另一种示例,可以按照固定比例对多个初始电力负荷预测数据进行加权,以得到电力负荷预测数据。例如,目标模型包括模型1、模型2和模型3,模型1的权重可以为0.3,模型2的权重可以为0.4,模型3的权重可以为0.3。
其中,每个初始电力负荷预测数据所对应的权重可以是提前预设好的,也可以是基于当前实际使用情况确定的。
需要说明的是,目标区域的历史电力负荷数据为目标区域实际的历史电力负荷数据。换言之,目标区域的电力负荷预测数据是基于该区域实际的历史电力负荷数据确定的,如此,确定的电力负荷预测数据会更加准确,进而得到的目标区域的电力需求预测数据的准确率也就更高。
可选地,确定的电力负荷预测数据可以仅包括一个数据。
或者,确定的电力负荷预测数据可以包括多个数据。例如,电力负荷预测数据可以包括多个置信区间下的电力负荷预测数据,如可以包括置信区间分别为80%、95%以及99%下的电力负荷预测数据。
当然,电力负荷预测数据也可以包括其他置信区间下的数据,本申请实施例对此不做过多描述。
在电力负荷预测数据包括多个置信区间下的电力负荷预测数据的情况下,S120具体可以包括:根据多个置信区间下的电力负荷预测数据,确定目标区域的电力需求预测数据。
可选地,本申请实施例可以基于多个置信区间下的电力负荷预测数据,建立多个等级的电力负荷预测数据。例如,若电力负荷预测数据包括三个置信区间下的电力负荷预测数据,则可以建立三个等级的电力负荷预测数据,该三个等级可以涵盖保守、正常以及激进预测范围。比如80%置信区间下的电力负荷预测数据对应的等级为保守,95%置信区间下的电力负荷预测数据对应的等级为正常,99%置信区间下的电力负荷预测数据对应的等级为激进。
上述技术方案,电力负荷预测数据包括多个置信区间下的电力负荷预测数据,如此电力负荷预测数据能够涵盖更多的范围,进而使得最终得到的电力需求预测数据的准确率更高。
进一步地,图2示出了本申请实施例的另一种电力需求预测的方法200的示意性流程图。如图2所示,方法200可以包括以下内容中的至少部分内容。
S210:获取目标区域中储能电站的历史发电数据。
S220:根据历史发电数据,在多个模型中确定多个目标模型。
S230:基于多个目标模型,确定目标区域的电力负荷预测数据。
S240:根据电力负荷预测数据,确定目标区域的电力需求预测数据。
其中,历史发电数据为目标区域中储能电站实际的历史发电数据。例如,可以为目标区域中储能电站过去三年的实际发电数据。
上述技术方案,一方面,在多个模型中确定目标模型,这样,确定的目标模型与电力需求预测的适配度较高,从而能够降低基于模型得到的电力负荷预测数据与电力负荷实际数据偏差较大的概率;另一方面,根据目标区域中储能电站的历史发电数据,在多个模型中确定多个目标模型,由于历史发电数据为实际数据,使得确定的目标模型更适合进行电力需求预测,进而得到的电力负荷预测数据也更加准确。
需要说明的是,除了可以根据历史发电数据在多个模型中确定多个目标模型之外,作为一种示例,还可以在多个模型中,随机选择N个模型作为目标模型。其中,N为正整数。
作为另一种示例,可以基于一定的准则,在多个模型中确定目标模型。比如,上次进行电力需求预测时的目标模型为多个模型中的部分模型,当前进行电力需求预测时的目标模型可以为多个模型中除该部分模型之外的其他模型。
考虑到方法100应用于光伏储能时,光伏发电具有时间性的特点。比如通常情况下夏季的发电量大于冬季的发电量。因此,可选地,预处理可以包括但不限于时间序列分解。
在进行时间序列分解时,可以先确定时间序列分解的起始时间和终点时间,并基于确定的起始时间和终点时间进行时间序列分解。
或者,考虑到历史发电数据为全周期数据,全周期数据均可以进行时间序列分解。因此,本申请实施例在进行时间序列分解时可以不用确定时间序列分解的起始时间和终点时间。如此,能够有效减少电力需求预测的运算量,进而提高效率。
可选地,可以采用乘法模式对历史发电数据进行时间序列分解。
可选地,可以采用加法模式对历史发电数据进行时间序列分解。该技术方案,采用加法模式对历史发电数据进行时间序列分解,不仅容易实现,而且运算量较小。
具体而言,可以采用加法模式,将历史发电数据分解为趋势部分、季节部分和残差部分,然后根据趋势部分、季节部分和残差部分,在多个模型中确定多个目标模型。也就是说,可以通过时间序列分解后的数据判断历史发电数据是否有明显的季节性,或者是否有增长趋势,再或者是否有减少趋势,确定趋势、季节性等对电力需求具体有何影响,进而确定用于电力需求预测的目标模型。
其中,一般可以通过人工观察,判断历史发电数据是否有明显的季节性、增长趋势或者减少趋势,若有明显的季节性、增长趋势或减少趋势的话,可以基于该特点确定目标模型,进而调用该目标模型。
由于电力需求预测可能用于光伏储能中,光伏储能具有季节性的特点。因此,上述技术方案基于光伏储能的特点将历史发电数据分解为趋势部分、季节部分和残差部分,并根据趋势部分、季节部分和残差部分确定目标模型,如此,确定的目标模型的准确率较高,且与电力需求预测之间具有较高的适配性。
图3示出了使用STL分解算法对目标区域中储能电站的历史发电数据进行时间序列分解的示意性图。其中,图2中从上往下依次为电力需求预测数据(demand)、趋势(trend)部分、季节性_周部分、季节性_天部分、季节性_小时部分以及残差(remainder)部分。从图3可以看到,历史发电数据被分解为了三个部分,分别为趋势部分、季节性(season)部分以及残差部分,其中,季节部分又分为三个部分,分别为季节性_周部分、季节性_天部分和季节性_小时部分。其中,电力需求预测数据可以为趋势部分、季节性部分以及残差部分三者之和。
由于电力需求预测可能用于光伏储能中,光伏储能具有季节性的特点。因此,上述技术方案中,预处理包括时间序列分解,即对历史发电数据进行时间序列分解,从而可以确定季节性等对电力需求预测的具体影响,使得确定的目标模型与电力需求预测的适配性更高。
除了电力负荷预测数据之外,环境参数对电力需求预测也有一定的影响。比如,当应用于光伏储能时,光照强度较大的情况下储能电站发电较多,光照强度较小的情况下储能电站发电较少。因此,在本申请实施例中,输入参数还可以包括目标区域的目标环境参数。其中,目标环境参数可以包括以下参数中的至少一种:环境温度、环境湿度、降雨量、光照时长、光照强度等。
上述技术方案,将输入参数设置为还包括目标区域的环境参数,一方面,除了电力负荷预测数据之外,还根据环境参数确定电力需求预测数据,根据更多的参数确定的电力需求预测数据的准确率更高。另一方面,由于电力需求预测可能用于光伏储能中,光伏储能与环境参数息息相关,因此,根据环境参数确定的电力需求预测数据更接近电力需求的实际数据。
通常情况下,并不是所有的环境参数均与电力预测具有相关性。因此,S110具体可以包括:对目标区域的历史环境参数和储能电站的历史发电数据进行相关性分析,并根据相关性分析的结果,在环境参数中确定用于电力需求预测的目标环境参数。
具体而言,可以对历史环境参数和历史发电数据进行相关性分析,得到相关性系数,根据相关性系数确定环境参数中与电力需求预测强相关的参数,并将其作为目标环境参数,进而基于强相关的目标环境参数进行模型的搭建以及电力需求的预测。
上述技术方案,根据目标区域的历史环境参数和历史发电数据的相关性,确定目标环境参数,不仅降低了与电力需求预测无关的环境参数对电力需求预测的影响,而且确定的目标环境参数的准确度较高。
或者,也可以根据预处理后的历史发电数据,在环境参数中确定用于电力需求预测的目标环境参数。
在获取了输入参数后,可以根据输入参数确定目标区域的电力需求预测数据。
可选地,可以建立多元回归模型。其中,输入参数作为该多元回归模型的自变量,电力需求预测数据作为该多元回归模型的因变量。
需要说明的是,若电力负荷预测数据包括多个置信区间下的电力负荷预测数据,可以在不同的置信区间下分别建立多元回归模型。
进一步地,在确定电力需求预测数据后,可以根据上一时刻的电力需求预测数据,对输入参数进行更新,更新后的输入参数可以用于下一时刻的电力需求预测。
示例性地,可以根据上一时刻的电力需求预测数据与上一时刻的电力需求实际数据之间的偏差比例,对输入参数进行更新。
在本申请实施例中,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,而不应对本申请实施例的实施过程构成任何限定。
并且,在不冲突的前提下,本申请描述的各个实施例和/或各个实施例中的技术特征可以任意的相互组合,组合之后得到的技术方案也应落入本申请的保护范围。
上文详细描述了本申请实施例的电力需求预测的方法,下面将描述本申请实施例的电力需求预测的装置。应理解,本申请实施例中的电力需求预测的装置可以执行本申请实施例中的电力需求预测的方法。
图4示出了本申请实施例的电力需求预测的装置300的示意性框图。如图4所示,该电力需求预测的装置300可以包括:
获取单元310,用于获取目标区域中储能电站的历史发电数据。
确定单元320,用于所述历史发电数据,在多个模型中确定多个目标模型。
确定单元320还用于,基于所述多个目标模型,确定所述目标区域的电力负荷预测数据。
确定单元320还用于,根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据。
可选地,在本申请实施例中,所述获取单元310还用于:获取所述目标区域的历史电力负荷数据;所述电力需求预测的装置300还包括:输入单元,用于将所述历史电力负荷数据分别输入所述多个目标模型中的每个目标模型中,得到多个初始电力负荷预测数据;所述确定单元320还用于,基于所述多个初始电力负荷预测数据,确定所述电力负荷预测数据。
可选地,在本申请实施例中,所述确定单元320具体用于:对所述多个初始电力负荷预测数据进行平均,得到平均值,所述平均值为所述电力负荷预测数据。
可选地,在本申请实施例中,所述电力负荷预测数据包括多个置信区间下的电力负荷预测数据;所述确定单元320具体用于:根据所述多个置信区间下的电力负荷预测数据,确定所述目标区域的电力需求预测数据。
可选地,在本申请实施例中,所述确定单元320具体用于:对所述历史发电数据进行预处理;根据预处理后的所述历史发电数据,在所述多个模型中,确定所述多个目标模型。
可选地,在本申请实施例中,所述预处理包括时间序列分解。
可选地,在本申请实施例中,所述确定单元320具体用于:采用加法模式对所述历史发电数据进行时间序列分解。
可选地,在本申请实施例中,所述确定单元320具体用于:采用所述加法模式,将所述历史发电数据分解为趋势部分、季节部分和残差部分,根据所述趋势部分、所述季节部分和所述残差部分,在所述多个模型中确定所述多个目标模型。
可选地,在本申请实施例中,所述获取单元310还用于,获取所述目标区域的目标环境参数,所述目标环境参数包括以下参数中的至少一种:环境温度、环境湿度、降雨量、光照时长;所述确定单元320具体用于:根据所述电力负荷预测数据和所述目标环境参数,确定所述电力需求预测数据。
可选地,在本申请实施例中,所述电力需求预测的装置300还包括:分析单元,用于对所述目标区域的历史环境参数和储能电站的历史发电数据进行相关性分析;所述确定单元320还用于:根据相关性分析的结果,在环境参数中确定用于电力需求预测的所述目标环境参数。
可选地,在本申请实施例中,所述目标模型包括神经网络模型和/或时间序列模型。
应理解,该电力需求预测的装置300可以实现方法100和200中的相应操作,为了简洁,在此不再赘述。
图5是本申请实施例的电力需求预测的装置400的硬件结构示意图。该电力需求预测的装置400包括存储器401、处理器402、通信接口403以及总线404。其中,存储器401、处理器402、通信接口403通过总线404实现彼此之间的通信连接。
存储器401可以是只读存储器(read-only memory,ROM),静态存储设备和随机存取存储器(random access memory,RAM)。存储器401可以存储程序,当存储器401中存储的程序被处理器402执行时,处理器402和通信接口403用于执行本申请实施例的电力需求预测的方法的各个步骤。
处理器402可以采用通用的中央处理器(central processing unit,CPU),微处理器,应用专用集成电路(application specific integrated circuit,ASIC),图形处理器(graphics processing unit,GPU)或者一个或多个集成电路,用于执行相关程序,以实现本申请实施例的装置中的单元所需执行的功能,或者执行本申请实施例的电力需求预测的方法。
处理器402还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请实施例的电力需求预测的方法的各个步骤可以通过处理器402中的硬件的集成逻辑电路或者软件形式的指令完成。
上述处理器402还可以是通用处理器、数字信号处理器(digital signalprocessing,DSP)、ASIC、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例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。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器401,处理器402读取存储器401中的信息,结合其硬件完成本申请实施例的电力需求预测的装置400中包括的单元所需执行的功能,或者执行本申请实施例的电力需求预测的方法。
通信接口403使用例如但不限于收发器一类的收发装置,来实现电力需求预测的装置400与其他设备或通信网络之间的通信。
总线404可包括在电力需求预测的装置400各个部件(例如,存储器401、处理器402、通信接口403)之间传送信息的通路。
应注意,尽管上述电力需求预测的装置400仅仅示出了存储器、处理器、通信接口,但是在具体实现过程中,本领域的技术人员应当理解,电力需求预测的装置400还可以包括实现正常运行所必须的其他器件。同时,根据具体需要,本领域的技术人员应当理解,电力需求预测的装置400还可包括实现其他附加功能的硬件器件。此外,本领域的技术人员应当理解,电力需求预测的装置400也可仅仅包括实现本申请实施例所必须的器件,而不必包括图5中所示的全部器件。
本申请实施例还提供了一种计算机可读存储介质,用于存储计算机程序,该计算机程序用于执行前述本申请各种实施例的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在计算机可读存储介质上的计算机程序,该计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行上述电力需求预测的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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,或者对其中部分技术特征进行等同替换,但这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种电力需求预测的方法,其特征在于,所述方法包括:
获取目标区域中储能电站的历史发电数据;
根据所述历史发电数据,在多个模型中确定多个目标模型;
基于所述多个目标模型,确定所述目标区域的电力负荷预测数据;
根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据;
其中,所述根据所述历史发电数据,在多个模型中确定多个目标模型,包括:
采用加法模式,将所述历史发电数据分解为趋势部分、季节部分和残差部分;
根据所述趋势部分、所述季节部分和所述残差部分,在所述多个模型中确定所述多个目标模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述多个目标模型,确定所述目标区域的电力负荷预测数据,包括:
获取所述目标区域的历史电力负荷数据;
将所述历史电力负荷数据分别输入所述多个目标模型中的每个目标模型中,得到多个初始电力负荷预测数据;
基于所述多个初始电力负荷预测数据,确定所述电力负荷预测数据。
3.根据权利要求2所述的方法,其特征在于,所述基于所述多个初始电力负荷预测数据,确定所述电力负荷预测数据,包括:
对所述多个初始电力负荷预测数据进行平均,得到平均值,所述平均值为所述电力负荷预测数据。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述电力负荷预测数据包括多个置信区间下的电力负荷预测数据;
所述根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据,包括:
根据所述多个置信区间下的电力负荷预测数据,确定所述目标区域的电力需求预测数据。
5.根据权利要求1至3中任一项所述的方法,其特征在于,所述方法还包括:
获取所述目标区域的目标环境参数,所述目标环境参数包括以下参数中的至少一种:环境温度、环境湿度、降雨量、光照时长;
所述根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据,包括:
根据所述电力负荷预测数据和所述目标环境参数,确定所述电力需求预测数据。
6.根据权利要求5所述的方法,其特征在于,所述获取所述目标区域的目标环境参数,包括:
对所述目标区域的历史环境参数和储能电站的历史发电数据进行相关性分析;
根据相关性分析的结果,在环境参数中确定用于电力需求预测的所述目标环境参数。
7.根据权利要求1至3中任一项所述的方法,其特征在于,所述目标模型包括神经网络模型和/或时间序列模型。
8.一种电力需求预测的装置,其特征在于,包括:
获取单元,用于获取目标区域中储能电站的历史发电数据;
确定单元,用于根据所述历史发电数据,在多个模型中确定多个目标模型;
所述确定单元还用于,基于所述多个目标模型,确定所述目标区域的电力负荷预测数据;
所述确定单元还用于,根据所述电力负荷预测数据,确定所述目标区域的电力需求预测数据;
其中,所述确定单元具体用于:
采用加法模式,将所述历史发电数据分解为趋势部分、季节部分和残差部分;
根据所述趋势部分、所述季节部分和所述残差部分,在所述多个模型中确定所述多个目标模型。
9.一种电力需求预测的装置,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的程序,当所述存储器存储的程序被执行时,所述处理器用于执行根据权利要求1至7中任一项所述的电力需求预测的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,所述计算机程序使得计算机执行如权利要求1至7中任一项所述的电力需求预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566774.6A CN117293824B (zh) | 2023-11-23 | 2023-11-23 | 电力需求预测的方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311566774.6A CN117293824B (zh) | 2023-11-23 | 2023-11-23 | 电力需求预测的方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117293824A CN117293824A (zh) | 2023-12-26 |
CN117293824B true CN117293824B (zh) | 2024-04-12 |
Family
ID=89257511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311566774.6A Active CN117293824B (zh) | 2023-11-23 | 2023-11-23 | 电力需求预测的方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117293824B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117639113B (zh) * | 2024-01-25 | 2024-04-05 | 湖北世纪森源电力工程有限公司 | 智慧微电网智能电力分配方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379153A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法、预测模型训练方法及装置 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN115564126A (zh) * | 2022-10-18 | 2023-01-03 | 珠海许继芝电网自动化有限公司 | 一种光伏发电预测方法、系统、装置及存储介质 |
CN115579914A (zh) * | 2022-08-30 | 2023-01-06 | 华能陇东能源有限责任公司 | 区域电网储能容量配置方法及装置 |
CN115660893A (zh) * | 2022-10-26 | 2023-01-31 | 国网湖南省电力有限公司 | 一种基于负荷特性的变电站母线负荷预测方法 |
CN116722605A (zh) * | 2023-08-08 | 2023-09-08 | 武汉创星空间科技发展有限公司 | 一种基于物联网的配电网调度优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2964806C (en) * | 2014-10-26 | 2021-04-20 | Dmitriy ANICHKOV | Forecasting net load in a distributed utility grid |
-
2023
- 2023-11-23 CN CN202311566774.6A patent/CN117293824B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN113379153A (zh) * | 2021-06-28 | 2021-09-10 | 北京百度网讯科技有限公司 | 用于预测电力负荷的方法、预测模型训练方法及装置 |
CN115579914A (zh) * | 2022-08-30 | 2023-01-06 | 华能陇东能源有限责任公司 | 区域电网储能容量配置方法及装置 |
CN115564126A (zh) * | 2022-10-18 | 2023-01-03 | 珠海许继芝电网自动化有限公司 | 一种光伏发电预测方法、系统、装置及存储介质 |
CN115660893A (zh) * | 2022-10-26 | 2023-01-31 | 国网湖南省电力有限公司 | 一种基于负荷特性的变电站母线负荷预测方法 |
CN116722605A (zh) * | 2023-08-08 | 2023-09-08 | 武汉创星空间科技发展有限公司 | 一种基于物联网的配电网调度优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117293824A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117293824B (zh) | 电力需求预测的方法、装置和计算机可读存储介质 | |
CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
CN109190087A (zh) | 一种电池剩余寿命预测方法、装置、电子设备及存储介质 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
CN110688620A (zh) | 一种短期负荷预测方法及装置 | |
CN111709548A (zh) | 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质 | |
CN110751317A (zh) | 一种电力负荷预测系统及预测方法 | |
Usman et al. | Data analytics for short term price and load forecasting in smart grids using enhanced recurrent neural network | |
CN114399076A (zh) | 基于大数据分析的窃电嫌疑用户筛选方法 | |
CN112950033B (zh) | 一种基于水库调度规则合成的水库调度决策方法及系统 | |
CN114169523B (zh) | 太阳能电池的使用数据分析方法及系统 | |
CN113434690B (zh) | 基于聚类算法的用电预测评估方法、装置、系统及介质 | |
CN117310506B (zh) | 监测储能电站的方法、装置和计算机可读存储介质 | |
CN111523501B (zh) | 体重指数预测方法及装置 | |
CN110766286B (zh) | 配电网拓扑校核方法、装置、计算机设备和可读存储介质 | |
CN113689125A (zh) | 信息推送方法和装置 | |
CN115249084A (zh) | 考虑周期特征的大规模电动汽车充电负荷混合预测方法 | |
CN111178630A (zh) | 一种负荷预测方法及装置 | |
CN109740829A (zh) | 基于蚁群算法的粮食运输方法、设备、存储介质及装置 | |
CN113692177B (zh) | 数据中心制冷系统功耗的控制方法、装置及终端 | |
CN117117926B (zh) | 一种配电网储能配置方法及系统 | |
US20230216296A1 (en) | Power Prediction Method and Apparatus, and Device | |
CN115758733A (zh) | 一种导线接头温度预测方法、装置、设备及存储介质 | |
CN115713360A (zh) | 一种电力市场运营风险预测方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |