CN117458450B - 电力数据能耗预测分析方法及系统 - Google Patents

电力数据能耗预测分析方法及系统 Download PDF

Info

Publication number
CN117458450B
CN117458450B CN202311388213.1A CN202311388213A CN117458450B CN 117458450 B CN117458450 B CN 117458450B CN 202311388213 A CN202311388213 A CN 202311388213A CN 117458450 B CN117458450 B CN 117458450B
Authority
CN
China
Prior art keywords
power
energy consumption
data
geographic
space
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
Application number
CN202311388213.1A
Other languages
English (en)
Other versions
CN117458450A (zh
Inventor
张强
高军
纪瑞昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Texaron Electric Co ltd
Original Assignee
Qingdao Texaron Electric Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Texaron Electric Co ltd filed Critical Qingdao Texaron Electric Co ltd
Priority to CN202311388213.1A priority Critical patent/CN117458450B/zh
Publication of CN117458450A publication Critical patent/CN117458450A/zh
Application granted granted Critical
Publication of CN117458450B publication Critical patent/CN117458450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06N3/048—Activation functions
    • 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]

Abstract

本申请提供电力数据能耗预测分析方法及系统，属于数据处理领域；该方法包括：获取目标区域中各个地理分区的地理图像数据；基于地理图像数据识别各个地理分区的空间分布信息；将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线；将各个地理分区的多种参数输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线；基于电力能耗功能变化曲线以及电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图。该方法可以获得更全面、准确的电力数据能耗预测信息，为电力系统运行管理和能源策略制定提供重要参考，提高能源利用效率。

Description

电力数据能耗预测分析方法及系统
技术领域
本申请属于数据处理领域，尤其涉及电力数据能耗预测分析方法及系统。
背景技术
近年来，经济快速发展和人口增长导致居民用电、商业用电和工业用电显著增加。为了平衡供电需求和减少碳排放，电力技术发展受到密切关注。能耗分析预测方法对电网系统稳定运行和硬件状态评估至关重要，而准确的预测方法有助于节约电能损耗。
目前，电力能耗预测技术中，主要考虑通过时间序列、天气数据等因素对电力能耗的影响。这种预测方式往往仅依赖单一预测算法模型，因而，存在计算量大和预测精度低的问题。综上，亟待提出一种技术方案，用以克服相关技术中存在的上述技术问题。
发明内容
本申请提供了一种电力数据能耗预测分析方法及系统，用以实现电力数据能耗预测，提升电力数据能耗的预测精度，提高能源利用效率。
第一方面，本申请提供了一种电力数据能耗预测分析方法，所述方法包括：
获取目标区域中各个地理分区的地理图像数据；所述地理图像数据包括航拍图像和/或地图数据；
基于所述地理图像数据识别各个地理分区的空间分布信息；所述各个地理分区的空间分布信息包括至少两种功能空间；
将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线；不同类型功能空间所对应的电力能耗功能变化曲线具有不同形态特征；
将各个地理分区的交通网络数据、人口密度数据以及产业发展数据输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线；
基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图；
其中，所述电力数据能耗预测动态分布图用于可视化展示所述目标区域中各个地理分区在不同时间下的电力能耗变化情况。
第二方面，本申请实施例提供了一种电力数据能耗预测分析系统，包括：
获取模块，用于获取目标区域中各个地理分区的地理图像数据；所述地理图像数据包括航拍图像和/或地图数据；
识别模块，用于基于所述地理图像数据识别各个地理分区的空间分布信息；所述各个地理分区的空间分布信息包括至少两种功能空间；
预测模块，用于将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线；不同类型功能空间所对应的电力能耗功能变化曲线具有不同形态特征；将各个地理分区的交通网络数据、人口密度数据以及产业发展数据输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线；
构建模块，用于基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图；其中，所述电力数据能耗预测动态分布图用于可视化展示所述目标区域中各个地理分区在不同时间下的电力能耗变化情况。
本申请实施例提供的技术方案中，首先，获取目标区域中各个地理分区的地理图像数据，地理图像数据包括航拍图像和/或地图数据。进而，基于地理图像数据识别各个地理分区的空间分布信息，其中，各个地理分区的空间分布信息包括至少两种功能空间。进而，将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线。该不同类型功能空间所对应的电力能耗功能变化曲线具有不同形态特征。接着，将各个地理分区的交通网络数据、人口密度数据以及产业发展数据输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线。最终，基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图。其中，电力数据能耗预测动态分布图用于可视化展示目标区域中各个地理分区在不同时间下的电力能耗变化情况。
本申请实施例中，通过识别地理图像数据可以获取各个地理分区的空间分布信息，使得能够获得不同地理分区的位置和范围，为后续电力能耗预测提供数据基础，有助于实现电力能耗的供需平衡和资源优化管理。以上本申请实施例中，通过电力能耗功能变化预测模型以及电力能耗时空变化预测模型从多种维度对不同地理分区的电力能耗变化趋势进行预测，通过多维度多模型的连续性预测方式避免离散预测结果带来的数据波动，从而可以获得更全面、准确的电力数据能耗预测信息，为电力系统运行管理和能源策略制定提供重要参考，同时也有助于提高能源利用效率和减少不必要的能源浪费。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请实施例的一种电力数据能耗预测分析方法的流程示意图；
图2是本申请实施例的一种电力数据能耗预测分析方法的原理示意图；
图3是本申请实施例的一种电力数据能耗预测分析系统的示意图；
图4是本申请实施例的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有定义，本文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。本文中在本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。
近年来，经济快速发展和人口增长导致居民用电、商业用电和工业用电显著增加。为了平衡供电需求和减少碳排放，电力技术发展受到密切关注。能耗分析预测方法对电网系统稳定运行和硬件状态评估至关重要，而准确的预测方法有助于节约电能损耗。
目前，相关技术中，主要考虑通过时间序列、天气数据等因素对电力能耗的影响。这种预测方式往往仅依赖单一预测算法模型，因而，存在计算量大和预测精度低的问题。
综上，亟待提出一种技术方案，用以克服相关技术中存在的上述技术问题。
为解决上述至少一个技术问题，本申请实施例提供了一种电力数据能耗预测分析方案。
具体而言，电力数据能耗预测分析方案中，首先，获取目标区域中各个地理分区的地理图像数据，地理图像数据包括航拍图像和/或地图数据。进而，基于地理图像数据识别各个地理分区的空间分布信息，其中，各个地理分区的空间分布信息包括至少两种功能空间。进而，将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线。该不同类型功能空间所对应的电力能耗功能变化曲线具有不同形态特征。接着，将各个地理分区的交通网络数据、人口密度数据以及产业发展数据输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线。最终，基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图。其中，电力数据能耗预测动态分布图用于可视化展示目标区域中各个地理分区在不同时间下的电力能耗变化情况。
电力数据能耗预测分析方案中，通过识别地理图像数据可以获取各个地理分区的空间分布信息，使得能够获得不同地理分区的位置和范围，为后续电力能耗预测提供数据基础，有助于实现电力能耗的供需平衡和资源优化管理。进而，通过电力能耗功能变化预测模型以及电力能耗时空变化预测模型从多种维度对不同地理分区的电力能耗变化趋势进行预测，通过多维度多模型的连续性预测方式避免离散预测结果带来的数据波动，从而可以获得更全面、准确的电力数据能耗预测信息，为电力系统运行管理和能源策略制定提供重要参考，同时也有助于提高能源利用效率和减少不必要的能源浪费。
本申请实施例提供的电力数据能耗预测分析方案，可以由一电子设备来执行，该电子设备可以是服务器、服务器集群、云服务器。该电子设备也可以是诸如手机、计算机、平板电脑、可穿戴设备、或者专用设备（如带有电力管理系统的专用终端设备等）等终端设备。在一可选实施例中，该电子设备上可以安装有用于执行电力数据能耗预测分析方案的服务程序。
图1为本申请实施例提供的一种电力数据能耗预测分析方法的流程图，如图1所示，该方法包括：
101、获取目标区域中各个地理分区的地理图像数据。
本申请实施例中，地理图像数据包括航拍图像和/或地图数据。地理分区是指目标区域中具有不同功能的建筑区域或自然地理区域。
实际应用中，航拍图像指的是通过飞行器（如无人机、飞机、直升机等）在空中拍摄的照片或视频。这些图像通常以鸟瞰或俯视的角度展示地面或地理区域的景观、建筑物、道路、河流等特征。航拍图像可以提供从地面无法获得的视角和全景视野。通过航拍图像，可以更清晰地观察、记录和分析地表特征和变化，获取更全面的地理信息。航拍图像通常具有高分辨率、丰富的细节和准确的地理位置信息，这使得航拍图像成为进行地理空间分析、环境监测、灾害评估等工作的重要数据来源之一。在数字化技术的支持下，航拍图像可以进行后期处理、分析和建模，提供更精确的地理信息和空间数据，为决策和规划提供科学依据。
地图数据是指包含地理空间信息的数据集合。它记录了地球上特定地区的地理特征、地物分布、地理坐标、道路网络、水域分布、地形高程等等。地图数据以数字化的形式存在，可以用于地图制作、地理信息系统（GIS）分析、导航应用等多个领域。实际上，地图数据包括目标区域内各个位置和区域的地理坐标，例如经度和纬度，以及各个行政区域的边界界线，帮助确定地理位置和空间范围。地图数据还包括道路、高速公路、铁路等交通网络的位置和连接关系。这些数据包括道路类型、交通流量、速限等属性信息，为导航、交通规划和交通管理提供支持。地图数据通常由地理调查、遥感影像、航空摄影、卫星观测等数据来源获得，并经过处理、整合和建模等技术处理得到。这些地图数据提供了有关地球上各个位置和区域的准确、可视化的空间信息，有助于实现本申请中的不同地理分区的地理特征分析。
102、基于地理图像数据识别各个地理分区的空间分布信息。
本申请实施例中，所述各个地理分区的空间分布信息包括至少两种功能空间。例如，功能区域可以是工业区、居民区、商业区。实际上，一个功能区域也可以是复合有多种用途的区域。不同类型的功能区域所承担的人类活动存在区别，因而，其对应的电力使用情况以及相应的电力数据能耗变化趋势也存在区别。
作为一个可选实施例，基于地理图像数据中所需分析的各个地理分区的地理图像粗粒度特征，可以在支持向量机中引入空间约束，从而定义一个考虑地理临近性的核函数，用以实现步骤102。此处，地理图像粗粒度特征比如可以是目标区域内各个位置和区域的经度、纬度、各个行政区域的边界界线，也可以是道路、高速公路、铁路等交通网络的位置以及连接关系。这样，用于识别各个地理分区的空间分布信息的预测函数的具体数学表达式如下：
h(x) = sign(Σ(α_i * y_i * K(x_i, x, w)) + b)；
其中，h(x) 是预测函数，x表示各个地理分区的地理图像粗粒度特征，α_i 是支持向量的拉格朗日乘子，y_i 是对应的类别标签，K 是核函数，x_i 是支持向量，b 是偏置项，w 是一个权重向量。其中，核函数 K(x_i, x, w) 在计算样本间的相似性时，考虑了地理临近性。具体来说，可以设计一个权重向量 w 来表示样本的地理临近性，使得距离更近的样本在核函数计算中具有更高的权重，从而更好地捕捉区域功能分布的空间模式。
本申请中，进一步可选地，地理临近性权重计算方法包括基于距离的权重和基于邻域的权重。例如，可以使用高斯权重函数来表示距离越近的样本具有更高的权重，或者使用邻域权重函数来计算样本的空间邻居，在核函数计算中赋予邻居样本更高的权重。具体的数学表示可以根据实际需求和数据特性进行设计和调整。需要注意的是，在引入空间约束时，可能需要考虑到样本的地理位置和邻域结构，以确保算法的可解释性和预测能力的平衡。
通过上述两个步骤101和102，能够为后续数据分析过程提供空间分布信息，从而，通过识别地理图像数据获取各个地理分区的空间分布信息，使得能够获得不同地理分区的位置和范围，为后续电力能耗预测提供数据基础，有助于实现电力能耗的供需平衡和资源优化管理。
103、将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线。
本申请实施例中，不同类型功能空间所对应的电力能耗功能变化曲线具有不同形态特征。此处形态特征可以是曲度变化、峰值位置、斜率、弧度，等等。这些特征的变化依据主要是不同类型功能空间中的活动规律以及相关的用电方式变化。
通过上述步骤，通过将地理分区的空间分布信息输入到电力能耗功能变化预测模型中，可以获得不同功能空间对应的电力能耗功能变化曲线。这些曲线展示了不同类型功能空间在不同时间下的电力能耗特征，有助于从地理空间区域以及空间区域内的活动特征的角度来理解功能空间对能耗的影响因素，为能源规划和电力供应调整提供指导。
作为一个可选实施例，103中，将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线，参见图2所示，可以实现为如下步骤201至202：
201、基于各个地理分区的地理数据提取各个功能空间对应的区域功能特征。
实际应用中，可以使用卷积神经网络（Convolutional Neural Network，CNN）来实现201中的特征提取过程。CNN是一种广泛应用于图像处理任务的神经网络模型，它可以从输入的各个地理分区的地理数据中自动学习区域功能特征。以下是CNN模型的基本结构介绍：
输入层：假设输入数据为一个M × N的图像，其中M代表图像的高度，N代表图像的宽度，图像可以有多个通道（例如RGB图像有3个通道）。
卷积层（Convolutional Layer）：卷积层用于从输入图像中提取特征。对于多个通道的输入图像，可以有多个卷积核（filter），每个卷积核可提取一个特征。假设有K个卷积核，每个卷积核的大小为F×F。卷积操作通过对输入图像进行滑动窗口运算来计算每个卷积核与图像的卷积操作，从而生成特征图。特征图的大小为(M-F+1)×(N-F+1)。
激活函数层（Activation Layer）：在卷积层之后，可以使用激活函数（如ReLU）对提取的特征进行非线性映射，增加模型的表达能力。
池化层（Pooling Layer）：池化层用于降低特征图的维度，减少模型参数和计算量。最常用的池化操作是最大池化（Max Pooling），其通过取特定区域内的最大值来减小特征图的尺寸。
全连接层（Fully Connected Layer）：经过多个卷积和池化层后，将特征图展平为一个向量作为输入，然后通过全连接层将特征映射到最终的输出。全连接层中的神经元与上一层的所有神经元连接，并使用激活函数进行非线性变换。
输出层：根据具体的任务，输出层可以使用不同的激活函数和损失函数。通过反向传播算法，CNN模型可以通过优化损失函数来更新模型中的参数，从而使得模型能够更好地提取图像数据中的功能特征。
需要注意的是，CNN模型的具体结构和参数设置会根据具体的数据和任务而有所不同。在实际应用中，可以通过设计和训练适合数据集的CNN模型，来提取地理分区的功能特征，并用于后续的功能空间的电力能耗变化预测等任务。
202、基于各个地理分区中各个功能空间对应的区域功能特征，通过电力能耗功能变化预测模型预测得到各个功能空间对应的电力能耗功能值。
其中，作为一个可选实施例，电力能耗功能变化预测模型表示为如下公式：
；
其中，各个功能空间对应的电力能耗功能值y，、/>、/>、/>、……、/>是电力能耗功能变化预测模型的预测参数分量，所述预测参数分量用于表示电力能耗与各个功能空间的区域功能特征之间的关联程度；实际应用中，通过训练数据集来估计预测参数分量，并使用估计的预测参数分量来预测电力能耗值。/>、/>、……、/>是各个功能空间的区域功能特征，各个功能空间对应的区域功能特征用于表示各个地理分区中各个功能空间对应的功能属性数据特征。/>、/>、/>是电力能耗功能变化预测模型的交互特征项，所述交互特征项用于指示不同区域功能特征之间的交互效应。ɛ是电力能耗功能变化预测模型的随机误差项。
通过带交互项的线性回归模型，可以增加交互项来捕捉特征之间的交互效应，从而为电力能耗建模引入更为复杂的线性关系，进一步提升分析电力能耗分析的准确性。实际应用中，可以根据电力数据能耗变化特点来选择对应的特征类型进行交互，并结合交叉验证等方法来进行电力能耗功能变化预测模型的选择和调优。
104、将各个地理分区的交通网络数据、人口密度数据以及产业发展数据输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线。
这一步骤利用交通网络数据、人口密度数据和产业发展数据等多维度数据作为电力能耗时空变化预测模型的输入，从而通过该模型可以获得各个地理分区的电力能耗时空变化曲线。这有助于从不同时段下人类活动特征的角度来进一步评估不同地理分区的电力能耗变化趋势，为电力供应计划和基础设施建设以及确保电网稳定性提供参考。
具体而言，作为一个可选实施例，通过如下电力能耗时空变化预测模型预测得到各个地理分区的电力能耗时空变化曲线：
；
其中，E(t, x, y) 表示在时间 t、地理位置 (x, y) 处的电力能耗量，T(t) 表示时间t对应的交通网络数据，P(x, y) 表示地理位置(x, y) 处的人口密度数据，I(x, y)表示地理位置(x, y) 处的产业发展数据，f表示电力能耗时空变化预测模型。下面分别介绍上述电力能耗时空变化预测模型的各个部分:
通过如下第一模型组件部分获取产业发展数据I(x, y)：
I(x, y) =δ* C(x, y) / A(x, y)；
其中，C(x, y)表示地理位置(x, y)处的产业规模变化趋势；A(x, y)表示地理位置(x, y)处的区域面积；δ是第一模型组件部分调节系数，所述模型组件部分调节系数用于调整产业规模与区域面积之比的影响。
通过如下第二模型组件部分获取人口密度数据P(x, y)：
P(x, y) =γ* D(x, y) / A(x, y)；
其中，D(x, y)表示地理位置(x, y)处的人口数量；A(x, y)表示地理位置(x, y)处的区域面积；γ是第二模型组件部分调节系数，所述第二模型组件部分调节系数用于调整人口数量与区域面积之比的影响。
通过如下第三模型组件部分获取产业发展数据：
T(t) =α* V(t) +β* C(t)；
其中，V(t)表示时间t对应的交通流量；C(t)表示时间t对应的交通拥堵程度；α和β是第三模型组件部分的权重系数，所述第三模型组件部分的权重系数分别用于调节交通流量和交通拥堵程度对交通网络数据的影响。
105、基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图。本申请实施例中，电力数据能耗预测动态分布图用于可视化展示所述目标区域中各个地理分区在不同时间下的电力能耗变化情况。
这一步骤中， 基于上述预测结果构建的电力数据能耗预测动态分布图，可以直观地展示不同地理分区在不同时间下的电力能耗分布情况。提供了一种可视化的工具，在电力数据能耗预测动态分布图中点击不同地理分区可以获得对应的电力能耗变化曲线以及该曲线相关的介绍信息，以便更好地了解和分析电力能耗的空间分布和变化趋势。
实际应用中，不同地理分区的预测结果会随周围环境或其他时空因素的变化而变化。因而，通过上述电力数据能耗预测动态分布图，能够保证预测信息的实时性，保证相关用户可以及时获取相关参考信息。
当然，本申请实施例中，还提供了一种异常预警方案，用以在某一些地理分区出现异常情况时，及时预警并提醒相关人员干预，保证电网安全性，进一步降低异常波动带来的电力能耗浪费。
具体来说，在105之后，通过电力能耗变化特征检测模型，从所述电力数据能耗预测动态分布图中提取各个地理分区的多个电力能耗预警特征点。其中，多个电力能耗预警特征点呈离散概率分布；电力能耗预警特征点对应空间区域的电力能耗峰值与周围环境在同一时刻下的电力能耗值之差大于预设门限。进而，获取各个地理分区中多个电力能耗预警特征点的中心点，作为各个地理分区的电力能耗预警中心点。
举例来说，假设P为多个电力能耗预警特征点中的一个特征点，Q为多个电力能耗预警特征点中的另一个特征点。那么，上述步骤中，获取各个地理分区中多个电力能耗预警特征点的中心点，可以实现为：
通过以下马氏距离公式计算当前地理分区中P点和Q点的KL散度D_KL(P||Q)以及Jensen-Shannon散度D_JS(P||Q)：
；
；
可以理解的是，KL散度是一种用于衡量两个概率分布之间差异的指标， Jensen-Shannon散度是基于KL散度的对称版本，它用于衡量两个概率分布之间的相异程度。
进而，通过以下公式，将KL散度D_KL(P||Q)以及Jensen-Shannon散度D_JS(P||Q)转换为马氏距离d：
。
最后，基于电力能耗预警特征点之间的马氏距离，选取当前地理分区中多个电力能耗预警特征点的中心点。
进一步可选地，获取各个地理分区中多个电力能耗预警特征点的中心点，作为各个地理分区的电力能耗预警中心点之后，从所述电力数据能耗预测动态分布图中，获取各个地理分区的电力能耗预警中心点对应空间区域在多个时段内的电力数据能耗值。接着，将电力能耗预警中心点在多个时段内的电力数据能耗值输入异化分析模型，以获得电力能耗预警中心点对应的异常原因标签。最终，基于异常原因标签在所述电力数据能耗预测动态分布图中展示提示信息。
其中，异化分析是一种用于检测和识别异常与正常模式之间差异的统计方法。在电力能耗预警中，异化分析可用于确定电力能耗预警中心点的异常原因标签。异化分析模型的计算过程以及数学表达式，可以是：
假设有n个地理分区的m个时段内的电力数据能耗值，表示为一个n×m的矩阵D。此处，D(i, j)表示第i个地理分区在第j个时段的电力数据能耗值。进一步地假设各个地理分区的电力能耗预警中心点为C，假设C(i)表示第i个地理分区的电力能耗预警中心点。
基于上述假设，对于每个地理分区的每个时段，可以计算平均值μ(i,j)和标准差σ(i,j)。即，对于每个时段j和地理分区i通过以下公式计算平均值和标准差：
；
对于每个时段j和地理分区i，通过以下公式计算异常原因标签A(i,j)：
；
此处，k是一个阈值，用于控制异常的范围。可以根据需求计算需求进行调整。
进而，根据每个地理分区的异常原因标签，可以将提示信息与电力数据能耗预测动态分布图相结合，以展示地理分区中异常点所对应的异常原因。
需要注意的是，具体的异化分析模型的数学表达式可能因具体需求而异，上述表达式仅提供了一个简单的示例，实际应用中需要根据数据特征和分析目的进一步优化和定义。
本申请实施例中，通过识别地理图像数据可以获取各个地理分区的空间分布信息，使得能够获得不同地理分区的位置和范围，为后续电力能耗预测提供数据基础，有助于实现电力能耗的供需平衡和资源优化管理。以上本申请实施例中，通过电力能耗功能变化预测模型以及电力能耗时空变化预测模型从多种维度对不同地理分区的电力能耗变化趋势进行预测，通过多维度多模型的连续性预测方式避免离散预测结果带来的数据波动，从而可以获得更全面、准确的电力数据能耗预测信息，为电力系统运行管理和能源策略制定提供重要参考，同时也有助于提高能源利用效率和减少不必要的能源浪费。
需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤101至步骤105的执行主体可以为设备A；又比如，步骤101和102的执行主体可以为设备A，步骤103和104的执行主体可以为设备B，步骤105的执行主体可以为设备C；等等。
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102、103、104、105等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
以下将详细描述本申请的一个或多个实施例的电力数据能耗预测分析系统。本领域技术人员可以理解，这些电力数据能耗预测分析系统均可使用市售的硬件组件通过本方案所教导的步骤进行配置来构成。
在本申请的又一实施例中，还提供了一种电力数据能耗预测分析系统，如图3所示，所述系统包括：
获取模块301，用于获取目标区域中各个地理分区的地理图像数据；所述地理图像数据包括航拍图像和/或地图数据；
识别模块302，用于基于所述地理图像数据识别各个地理分区的空间分布信息；所述各个地理分区的空间分布信息包括至少两种功能空间；
预测模块303，用于将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线；不同类型功能空间所对应的电力能耗功能变化曲线具有不同形态特征；将各个地理分区的交通网络数据、人口密度数据以及产业发展数据输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线；
构建模块304，用于基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图；其中，所述电力数据能耗预测动态分布图用于可视化展示所述目标区域中各个地理分区在不同时间下的电力能耗变化情况。
可选地，系统还包括预警模块，用于在构建模块304基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图之后，通过电力能耗变化特征检测模型，从所述电力数据能耗预测动态分布图中提取各个地理分区的多个电力能耗预警特征点；其中，多个电力能耗预警特征点呈离散概率分布；电力能耗预警特征点对应空间区域的电力能耗峰值与周围环境在同一时刻下的电力能耗值之差大于预设门限；获取各个地理分区中多个电力能耗预警特征点的中心点，作为各个地理分区的电力能耗预警中心点。
可选地，所述预警模块还用于：在获取各个地理分区中多个电力能耗预警特征点的中心点，作为各个地理分区的电力能耗预警中心点之后，从所述电力数据能耗预测动态分布图中，获取各个地理分区的电力能耗预警中心点对应空间区域在多个时段内的电力数据能耗值；将电力能耗预警中心点在多个时段内的电力数据能耗值输入异化分析模型，以获得电力能耗预警中心点对应的异常原因标签；基于异常原因标签在所述电力数据能耗预测动态分布图中展示提示信息。
可选地，P为多个电力能耗预警特征点中的一个特征点，Q为多个电力能耗预警特征点中的另一个特征点。
所述预警模块获取各个地理分区中多个电力能耗预警特征点的中心点时，具体用于：
通过以下马氏距离公式计算当前地理分区中P点和Q点的KL散度D_KL(P||Q)以及Jensen-Shannon散度D_JS(P||Q)：
；
；
通过以下公式，将所述KL散度D_KL(P||Q)以及所述Jensen-Shannon散度D_JS(P||Q)转换为马氏距离d：
；
基于所述马氏距离，选取当前地理分区中多个电力能耗预警特征点的中心点。
可选地，预测模块303将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线时，具体用于：
基于各个地理分区的地理数据提取各个功能空间对应的区域功能特征；
基于各个地理分区中各个功能空间对应的区域功能特征，通过电力能耗功能变化预测模型预测得到各个功能空间对应的电力能耗功能值y；其中，电力能耗功能变化预测模型表示为如下公式：
；
其中，、/>、/>、/>、……、/>是电力能耗功能变化预测模型的预测参数分量，所述预测参数分量用于表示电力能耗与各个功能空间的区域功能特征之间的关联程度；/>、、……、/>是各个功能空间的区域功能特征，各个功能空间对应的区域功能特征用于表示各个地理分区中各个功能空间对应的功能属性数据特征；/>、/>、/>是电力能耗功能变化预测模型的交互特征项，所述交互特征项用于指示不同区域功能特征之间的交互效应；ɛ是电力能耗功能变化预测模型的随机误差项。
可选地，预测模块303预测得到各个地理分区的电力能耗时空变化曲线时，具体用于：
通过如下公式电力能耗时空变化预测模型预测得到各个地理分区的电力能耗时空变化曲线：
；
其中，E(t, x, y) 表示在时间 t、地理位置 (x, y) 处的电力能耗量，T(t) 表示时间t对应的交通网络数据，P(x, y) 表示地理位置(x, y) 处的人口密度数据，I(x, y)表示地理位置(x, y) 处的产业发展数据，f表示电力能耗时空变化预测模型。
可选地，预测模块303预测得到各个地理分区的电力能耗时空变化曲线时，具体用于：
通过如下第一模型组件部分获取产业发展数据I(x, y)：
I(x, y) = δ * C(x, y) / A(x, y)；
其中，C(x, y)表示地理位置(x, y)处的产业规模变化趋势；A(x, y)表示地理位置(x, y)处的区域面积；δ是第一模型组件部分调节系数，所述模型组件部分调节系数用于调整产业规模与区域面积之比的影响；
通过如下第二模型组件部分获取人口密度数据P(x, y)：
P(x, y) = γ * D(x, y) / A(x, y)；
其中，D(x, y)表示地理位置(x, y)处的人口数量；A(x, y)表示地理位置(x, y)处的区域面积；γ是第二模型组件部分调节系数，所述第二模型组件部分调节系数用于调整人口数量与区域面积之比的影响；
通过如下第三模型组件部分获取产业发展数据：
T(t) = α * V(t) + β * C(t)；
其中，V(t)表示时间t对应的交通流量；C(t)表示时间t对应的交通拥堵程度；α和β是第三模型组件部分的权重系数，所述第三模型组件部分的权重系数分别用于调节交通流量和交通拥堵程度对交通网络数据的影响。
上述电力数据能耗预测分析系统，通过识别地理图像数据可以获取各个地理分区的空间分布信息，使得能够获得不同地理分区的位置和范围，为后续电力能耗预测提供数据基础，有助于实现电力能耗的供需平衡和资源优化管理。上述电力数据能耗预测分析系统中，通过电力能耗功能变化预测模型以及电力能耗时空变化预测模型从多种维度对不同地理分区的电力能耗变化趋势进行预测，通过多维度多模型的连续性预测方式避免离散预测结果带来的数据波动，从而可以获得更全面、准确的电力数据能耗预测信息，为电力系统运行管理和能源策略制定提供重要参考，同时也有助于提高能源利用效率和减少不必要的能源浪费。
在本申请的又一实施例中，还提供一种电子设备，包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现方法实施例所述的电力数据能耗预测分析方法。
上述电子设备提到的通信总线1140可以是外设部件互连标准（PeripheralComponent Interconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。
为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（non-volatil ememory），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器1110可以是通用处理器，包括中央处理器（Central Pro-cessingUnit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（DigitalSignal Processing，DSP）、专用集成电路(Application SpecificIntegrated 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。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由电子设备执行的各步骤。

Claims (7)

1.电力数据能耗预测分析方法，其特征在于，所述方法包括：
获取目标区域中各个地理分区的地理图像数据；所述地理图像数据包括航拍图像和/或地图数据；
基于所述地理图像数据识别各个地理分区的空间分布信息；所述各个地理分区的空间分布信息包括至少两种功能空间；
将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线；不同类型功能空间所对应的电力能耗功能变化曲线具有不同形态特征；
将各个地理分区的交通网络数据、人口密度数据以及产业发展数据输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线；
基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图；
其中，所述电力数据能耗预测动态分布图用于可视化展示所述目标区域中各个地理分区在不同时间下的电力能耗变化情况；
其中，将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线，包括：基于各个地理分区的地理数据提取各个功能空间对应的区域功能特征；基于各个地理分区中各个功能空间对应的区域功能特征，通过电力能耗功能变化预测模型预测得到各个功能空间对应的电力能耗功能值y；其中，电力能耗功能变化预测模型表示为如下公式：
；
其中，、/>、/>、/>、……、/>是电力能耗功能变化预测模型的预测参数分量，所述预测参数分量用于表示电力能耗与各个功能空间的区域功能特征之间的关联程度；/>、/>、……、/>是各个功能空间的区域功能特征，各个功能空间对应的区域功能特征用于表示各个地理分区中各个功能空间对应的功能属性数据特征；/>、/>、/>是电力能耗功能变化预测模型的交互特征项，所述交互特征项用于指示不同区域功能特征之间的交互效应；ɛ是电力能耗功能变化预测模型的随机误差项；
其中，通过如下公式电力能耗时空变化预测模型预测得到各个地理分区的电力能耗时空变化曲线：
；
其中，E(t, x, y) 表示在时间 t、地理位置 (x, y) 处的电力能耗量，T(t) 表示时间t对应的交通网络数据，P(x, y) 表示地理位置(x, y) 处的人口密度数据，I(x, y)表示地理位置(x, y) 处的产业发展数据，f表示电力能耗时空变化预测模型；
其中，通过如下第一模型组件部分获取产业发展数据I(x, y)：
I(x, y) =δ* C(x, y) / A(x, y)
其中，C(x, y)表示地理位置(x, y)处的产业规模变化趋势；A(x, y)表示地理位置(x,y)处的区域面积；δ是第一模型组件部分调节系数，所述模型组件部分调节系数用于调整产业规模与区域面积之比的影响；
通过如下第二模型组件部分获取人口密度数据P(x, y)：
P(x, y) =γ* D(x, y) / A(x, y)
其中，D(x, y)表示地理位置(x, y)处的人口数量；A(x, y)表示地理位置(x, y)处的区域面积；γ是第二模型组件部分调节系数，所述第二模型组件部分调节系数用于调整人口数量与区域面积之比的影响；
通过如下第三模型组件部分获取产业发展数据：
T(t) = α * V(t) + β * C(t)
其中，V(t)表示时间t对应的交通流量；C(t)表示时间t对应的交通拥堵程度；α和β是第三模型组件部分的权重系数，所述第三模型组件部分的权重系数分别用于调节交通流量和交通拥堵程度对交通网络数据的影响。
2.根据权利要求1所述的电力数据能耗预测分析方法，其特征在于，基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图之后，还包括：
通过电力能耗变化特征检测模型，从所述电力数据能耗预测动态分布图中提取各个地理分区的多个电力能耗预警特征点；其中，多个电力能耗预警特征点呈离散概率分布；电力能耗预警特征点对应空间区域的电力能耗峰值与周围环境在同一时刻下的电力能耗值之差大于预设门限；
获取各个地理分区中多个电力能耗预警特征点的中心点，作为各个地理分区的电力能耗预警中心点。
3.根据权利要求2所述的电力数据能耗预测分析方法，其特征在于，获取各个地理分区中多个电力能耗预警特征点的中心点，作为各个地理分区的电力能耗预警中心点之后，还包括：
从所述电力数据能耗预测动态分布图中，获取各个地理分区的电力能耗预警中心点对应空间区域在多个时段内的电力数据能耗值；
将电力能耗预警中心点在多个时段内的电力数据能耗值输入异化分析模型，以获得电力能耗预警中心点对应的异常原因标签；
基于异常原因标签在所述电力数据能耗预测动态分布图中展示提示信息。
4.根据权利要求2所述的电力数据能耗预测分析方法，其特征在于，P为多个电力能耗预警特征点中的一个特征点，Q为多个电力能耗预警特征点中的另一个特征点；
获取各个地理分区中多个电力能耗预警特征点的中心点，包括：
通过以下马氏距离公式计算当前地理分区中P点和Q点的KL散度D_KL(P||Q)以及Jensen-Shannon散度D_JS(P||Q)：
；
；
通过以下公式，将所述KL散度D_KL(P||Q)以及所述Jensen-Shannon散度D_JS(P||Q)转换为马氏距离d：
；
基于所述马氏距离，选取当前地理分区中多个电力能耗预警特征点的中心点。
5.基于权利要求1-4任一项所述的电力数据能耗预测分析方法的电力数据能耗预测分析系统，其特征在于，所述系统包括：
获取模块，用于获取目标区域中各个地理分区的地理图像数据；所述地理图像数据包括航拍图像和/或地图数据；
识别模块，用于基于所述地理图像数据识别各个地理分区的空间分布信息；所述各个地理分区的空间分布信息包括至少两种功能空间；
预测模块，用于将各个地理分区的空间分布信息输入到电力能耗功能变化预测模型中，以获得各个功能空间对应的电力能耗功能变化曲线；不同类型功能空间所对应的电力能耗功能变化曲线具有不同形态特征；将各个地理分区的交通网络数据、人口密度数据以及产业发展数据输入到电力能耗时空变化预测模型中，以获得各个地理分区的电力能耗时空变化曲线；
构建模块，用于基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图；其中，所述电力数据能耗预测动态分布图用于可视化展示所述目标区域中各个地理分区在不同时间下的电力能耗变化情况。
6.如权利要求5所述的电力数据能耗预测分析系统，其特征在于，所述系统还包括：
预警模块，用于基于各个功能空间对应的电力能耗功能变化曲线、以及各个地理分区的电力能耗时空变化曲线，构建各个地理分区的电力数据能耗预测动态分布图之后，通过电力能耗变化特征检测模型，从所述电力数据能耗预测动态分布图中提取各个地理分区的多个电力能耗预警特征点；其中，多个电力能耗预警特征点呈离散概率分布；电力能耗预警特征点对应空间区域的电力能耗峰值与周围环境在同一时刻下的电力能耗值之差大于预设门限；获取各个地理分区中多个电力能耗预警特征点的中心点，作为各个地理分区的电力能耗预警中心点。
7.如权利要求6所述的电力数据能耗预测分析系统，其特征在于，所述预警模块，还用于：
在获取各个地理分区中多个电力能耗预警特征点的中心点，作为各个地理分区的电力能耗预警中心点之后，从所述电力数据能耗预测动态分布图中，获取各个地理分区的电力能耗预警中心点对应空间区域在多个时段内的电力数据能耗值；将电力能耗预警中心点在多个时段内的电力数据能耗值输入异化分析模型，以获得电力能耗预警中心点对应的异常原因标签；基于异常原因标签在所述电力数据能耗预测动态分布图中展示提示信息。
CN202311388213.1A 2023-10-25 2023-10-25 电力数据能耗预测分析方法及系统 Active CN117458450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311388213.1A CN117458450B (zh) 2023-10-25 2023-10-25 电力数据能耗预测分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311388213.1A CN117458450B (zh) 2023-10-25 2023-10-25 电力数据能耗预测分析方法及系统

Publications (2)

Publication Number Publication Date
CN117458450A CN117458450A (zh) 2024-01-26
CN117458450B true CN117458450B (zh) 2024-04-02

Family

ID=89586703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311388213.1A Active CN117458450B (zh) 2023-10-25 2023-10-25 电力数据能耗预测分析方法及系统

Country Status (1)

Country Link
CN (1) CN117458450B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170080384A (ko) * 2015-12-31 2017-07-10 주식회사 포스코아이씨티 클라우드 기반 에너지 사용량 예측 시스템 및 방법
CN112101521A (zh) * 2020-08-13 2020-12-18 国网辽宁省电力有限公司电力科学研究院 一种基于长短期记忆网络混合模型的建筑能耗预测方法
CN113626766A (zh) * 2021-08-02 2021-11-09 上海创能国瑞新能源科技股份有限公司 一种处理地理区域中碳排放数据的方法、装置、设备及存储介质
CN115062872A (zh) * 2022-08-11 2022-09-16 国网(宁波)综合能源服务有限公司 基于电力大数据的行业能耗预测方法及预测系统
CN116579506A (zh) * 2023-07-13 2023-08-11 陕西通信规划设计研究院有限公司 一种基于大数据的建筑能耗数据智能管理方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170080384A (ko) * 2015-12-31 2017-07-10 주식회사 포스코아이씨티 클라우드 기반 에너지 사용량 예측 시스템 및 방법
CN112101521A (zh) * 2020-08-13 2020-12-18 国网辽宁省电力有限公司电力科学研究院 一种基于长短期记忆网络混合模型的建筑能耗预测方法
CN113626766A (zh) * 2021-08-02 2021-11-09 上海创能国瑞新能源科技股份有限公司 一种处理地理区域中碳排放数据的方法、装置、设备及存储介质
CN115062872A (zh) * 2022-08-11 2022-09-16 国网(宁波)综合能源服务有限公司 基于电力大数据的行业能耗预测方法及预测系统
CN116579506A (zh) * 2023-07-13 2023-08-11 陕西通信规划设计研究院有限公司 一种基于大数据的建筑能耗数据智能管理方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
区域建筑负荷与能耗预测研究综述;潘毅群;郁丛;龙惟定;陈蔚镇;;暖通空调;20150315(第03期);全文 *
基于Shapley值理论的能源系统需求预测方法;李娜;刘树勇;曾鸣;刘丽霞;李源非;韩旭;;电力建设;20160101(第01期);全文 *
大数据环境下区域建筑电力能耗快速预测仿真;杨之俊;韩平平;周福平;;计算机仿真;20190415(第04期);全文 *

Also Published As

Publication number Publication date
CN117458450A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN109738970B (zh) 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质
Guo et al. GPS-based citywide traffic congestion forecasting using CNN-RNN and C3D hybrid model
Ke et al. A partitioned and asynchronous cellular automata model for urban growth simulation
Long et al. Mapping block-level urban areas for all Chinese cities
CN108268597B (zh) 一种动目标活动概率图谱构建及行为意图识别方法
Pham et al. Urban growth and change analysis using remote sensing and spatial metrics from 1975 to 2003 for Hanoi, Vietnam
Liu et al. Simulating urban dynamics in China using a gradient cellular automata model based on S-shaped curve evolution characteristics
CN109493119B (zh) 一种基于poi数据的城市商业中心识别方法及系统
Surabuddin Mondal et al. Modeling of spatio-temporal dynamics of land use and land cover in a part of Brahmaputra River basin using Geoinformatic techniques
Feng et al. Incorporation of spatial heterogeneity-weighted neighborhood into cellular automata for dynamic urban growth simulation
US11676375B2 (en) System and process for integrative computational soil mapping
Yao et al. Simulating urban growth processes by integrating cellular automata model and artificial optimization in Binhai New Area of Tianjin, China
Biard et al. Automated detection of weather fronts using a deep learning neural network
Alahmadi et al. A comparison of small-area population estimation techniques using built-area and height data, Riyadh, Saudi Arabia
Zhao et al. A network distance and graph-partitioning-based clustering method for improving the accuracy of urban hotspot detection
CN112180471B (zh) 天气预报方法、装置、设备及存储介质
Gervasoni et al. Convolutional neural networks for disaggregated population mapping using open data
Uhl et al. Exposing the urban continuum: Implications and cross-comparison from an interdisciplinary perspective
Chen et al. A cellular automata approach of urban sprawl simulation with Bayesian spatially-varying transformation rules
Lee et al. An empirical experiment on deep learning models for predicting traffic data
CN117079148A (zh) 城市功能区的识别方法、装置、设备和介质
Lu et al. Lightning strike location identification based on 3D weather radar data
CN117458450B (zh) 电力数据能耗预测分析方法及系统
Mubea et al. Spatial effects of varying model coefficients in urban growth modeling in Nairobi, Kenya
Sambo et al. Integration of GPS and satellite images for detection and classification of fleet hotspots

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