CN117691591A - 一种深度学习多模型的电动汽车充电站短期负荷预测方法 - Google Patents

一种深度学习多模型的电动汽车充电站短期负荷预测方法 Download PDF

Info

Publication number
CN117691591A
CN117691591A CN202311716618.3A CN202311716618A CN117691591A CN 117691591 A CN117691591 A CN 117691591A CN 202311716618 A CN202311716618 A CN 202311716618A CN 117691591 A CN117691591 A CN 117691591A
Authority
CN
China
Prior art keywords
input
model
data
main module
electric vehicle
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
Application number
CN202311716618.3A
Other languages
English (en)
Inventor
熊小舟
胡兵
褚红亮
余腾龙
汪庆文
王松
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.)
Information and Telecommunication Branch of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Information and Telecommunication Branch of State Grid Jiangxi Electric Power 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 Information and Telecommunication Branch of State Grid Jiangxi Electric Power Co Ltd filed Critical Information and Telecommunication Branch of State Grid Jiangxi Electric Power Co Ltd
Priority to CN202311716618.3A priority Critical patent/CN117691591A/zh
Publication of CN117691591A publication Critical patent/CN117691591A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种深度学习多模型的电动汽车充电站短期负荷预测方法，包括CNN主模块、LSTM主模块和Transformer主模块，融合CNN获取的负荷曲线特征、LSTM获取的上下文信息和Transformer中多注意力机制获取的全局信息；本发明所提方法综合了两种输入输出方式的结果，一种是输入为同时刻的多维历史数据、输出为同时刻的预测数据，一种是输入为相邻的多维历史与预测数据、输出为相邻时刻的预测数据，提升电动汽车充电站短期负荷预测的准确性。

Description

一种深度学习多模型的电动汽车充电站短期负荷预测方法
技术领域
本发明涉及负荷预测技术领域，特别涉及一种深度学习多模型的电动汽车充电站短期负荷预测方法。
背景技术
电动汽车充电桩工作时，产生的谐波会影响电网的电压和电流质量，进而影响其他用电设备的正常运行，需要及时掌握电动汽车充电桩充电规律，以平衡三相充电负载，降低谐波影响。此外，不同数量电动汽车的充电需求大小和充电时间分布，会对电力系统形成不同的负荷，掌握电动汽车充电负荷的规律，有利于引导电动汽车错峰充电，有助于电网及时扩容满足用户用电需求，而负荷预测是提前掌握用户用电情况的有效技术之一。
电力负荷预测包括居民负荷预测、工业负荷预测、区域负荷预测等。早期的负荷预测方法主要是基于传统机器学习的方法，主要有灰度预测法、SVM预测法、神经网络预测法等，相对而言，引入负荷影响因素后，一些有规律的负荷预测准确性较好。比如，居民负荷与居民生活习惯、天气、节假日等密切相关，其预测的结果准确度高。而电动汽车充电负荷预测相对较难，主要原因有电动汽车的机动性、电动汽车数量的快速增长、充电时间随机性大等，传统机器学习方法在电动汽车充电站负荷预测上表现不佳。随着深度学习技术的应用，电动汽车充电负荷的预测方法已由传统的机器学习方法转向深度学习的方法，主要有基于CNN预测法、RNN预测法、LSTM预测法、Transformer预测法等。
发明内容
为了克服上述现有技术的不足，本发明的目的是提供一种深度学习多模型的电动汽车充电站短期负荷预测方法，本发明所提出的负荷预测方法包括CNN主模块、LSTM主模块和Transformer主模块，融合CNN获取的负荷曲线特征、LSTM获取的上下文信息和Transformer中多注意力机制获取的全局信息；所提方法综合了两种输入输出方式的结果，一种是输入为同时刻的多维历史数据、输出为同时刻的预测数据，一种是输入为相邻的多维历史与预测数据、输出为相邻时刻的预测数据，以使电动汽车充电站短期负荷预测更为准确。
本发明解决其技术问题的技术方案是：
一种深度学习多模型的电动汽车充电站短期负荷预测方法，包括：
建立卷积神经网络(CNN)主模块，由一个卷积层构成，将输入数据输入CNN主模块中，进行初步的特征提取，得到初步特征X1[x1,x2,…,xn]；
建立长短期记忆网络(LSTM)主模块，由n个LSTM单元构成，将初步特征X1[x1,x2,…,xn]输入级联的LSTM单元，捕捉特征之间的时序关系，得到时间序列预测特征F2[f1,f2,…,fn]；
建立Transformer主模块，主要由Transformer编码器构成，将时间序列预测特征F2[f1,f2,…,fn]引入Transformer主模块，对时序数据提取上下文信息并进行变换和编码，得到中间特征F3；
建立全连接层，将中间特征F3输入一层全连接层，得到预测结果。
进一步的，将方法的网络模型进行两种输入输出方式的训练，得到同一模型的两种参数P1和P2；
第一种输入输出方式：输入为过去96天n时刻的数据，输出为当前n时刻的数据，在此输入输出方式下，训练模型，得到模型参数P1；
第二种输入输出方式：输入为过去相邻96个时刻的数据，输出为当前n时刻的数据，在此输入输出方式下，训练模型，得到模型参数P2。
进一步的，对模型参数P1和模型参数P2，进一步综合处理，为得到某一天的负荷预测值X，输入模型参数P1所需的历史数据，在模型参数P1得到的预测值为X’，输入模型参数P2所需的历史数据，在模型参数P2得到的预测值为X”，两者进行加权平均，X＝αX’+(1-α)X”,(0≤α≤1)，得到所需的某一天的负荷预测值X。
本发明的有益效果是：
本发明所提出的负荷预测方法包括CNN主模块、LSTM主模块和Transformer主模块，融合CNN获取的负荷曲线特征、LSTM获取的上下文信息和Transformer中多注意力机制获取的全局信息；所提方法综合了两种输入输出方式的结果，一种是输入为同时刻的多维历史数据、输出为同时刻的预测数据，一种是输入为相邻的多维历史与预测数据、输出为相邻时刻的预测数据，可以有效提升电动汽车充电站短期负荷预测的准确性。
附图说明
图1为本发明的电动汽车充电站短期负荷预测方法示意图；
图2为本发明的两种输入输出方式示意图；
图3为LSTM单元示意图；
图4为Transfomer编码器一层的示意图。
具体实施方式
下面结合附图，对本发明作进一步地说明。
以某电动汽车充电站的短期负荷预测为例，假设充电站每天以每15分钟为间隔取充电站的充电负荷，形成历史数据，作为样本数据用于学习。如图1所示，一种深度学习多模型的电动汽车充电站短期负荷预测方法，由卷积神经网络(CNN)、长短期记忆网络(LSTM)和Transformer三个主模块组成。其中，CNN主模块由一个卷积层构成，LSTM主模块由n个LSTM单元构成，Transformer主模块由Transformer编码器构成。为方便描述，本发明记k天的历史数据为[y1,1,y1,2,y1,3,……,y1,94,y1,95,y1,96],[y2,1,y2,2,y2,3,……,y2,94,y2,95,y2,96],[y3,1,y3,2,y3,3,……,y3,94,y3,95,y3,96],......,[yk,1,yk,2,yk,3,……,yk,94,yk,95,yk,96]，记预测1天的数据为[yk+1,1,yk+1,2,yk+1,3,……,yk+1,94,yk+1,95,yk+1,96]。包括如下步骤：
步骤S1、建立卷积神经网络(CNN)主模块，由一个卷积层构成，将输入数据DInput[yi1,j1,yi2,j2,yi3,j3,……,yi94,j94,yi95,j95,yi96,j96]输入CNN主模块中，进行初步的特征提取，得到初步特征X1[x1,x2,…,xn]，具体如下：
X1＝H3×3(DInput) (1)
其中，H3×3(·)表示3×3卷积操作。
步骤S2、建立长短期记忆网络(LSTM)主模块，由n个LSTM单元构成，将初步特征X1[x1,x2,…,xn]输入级联的LSTM单元，捕捉特征之间的时序关系，得到时间序列预测特征F2[f1,f2,…,fn]，具体如下：
fi＝Li(xi) i＝1,2,…,n (2)
其中，Li(·)第i个LSTM单元进行时间序列预测操作。
如图3所示，1个LSTM单元由三个门即遗忘门、输入门、输出门构成，Ci代表单元长期记忆，hi代表单元短期记忆。
遗忘门首先将当前时间步t的输入xt与上1个时间步t-1的ht-1拼接，得到[ht-1,xt]，然后通过一个全连接层做变换，最后通过sigmoid函数进行激活得到遗忘门门值ft：
ft＝σ(Wf·[ht-1,xt]+bf) (3)
其中t为当前时刻，σ表示sigmoid函数，Wf为权重，ht-1为t-1时刻的隐层状态，bf为偏差。
输入门首先产生输入门参数it，生成一个用来更新的候选值
it＝σ(Wi·[ht-1，xt]+bi) (4)
更新Ct-1是将得到的遗忘门门值ft与上1个时间步t-1得到的Ct-1相乘，再加上输入门参数it与当前时间步得到的候选值相乘的结果，得到更新后的Ct作为下1个时间步输入的一部分。
输出门首先计算输出门的参数ot，对更新后的Ct做tanh激活，两者相乘得到ht作为下1时间步t+1输入的一部分。整个输出门的过程是为了产生单元短期记忆ht。
ot＝σ(Wo·[ht-1，xt]+bo) (7)
ht＝ot*tanh(Ct) (8)
步骤S3、建立Transformer主模块，主要由Transformer编码器构成，将时间序列预测特征F2[f1，f2，…，fn]引入Transformer主模块，对时序数据提取上下文信息并进行变换和编码，得到中间特征F3，具体如下：
F3＝HTrans(F2) (9)其中，HTrans(·)表示Transfomer编码器操作。
Transfomer编码器由N＝6个相同层组成，每一层(如图4所示)有两个子层。第一子层是多头自注意机制函数Attention，第二子层是全连接前馈神经网络Feed Forward。两个子层的每一层周围都使用了一个残余连接，每一层都包含层规范化。即，每个子层的输出是LayerNorm(x+Sublayer(x))，其中Sublayer(x)是子层本身实现的函数。为了方便这些残差连接，模型中的所有子层以及嵌入层产生的输出维度为dmodel＝128。
多头自注意力函数Attention可以描述为将查询(Q)和一组键值对(K，V)映射到输出，其中查询(Q)、键(K)、值(V)和输出都是向量。输出是作为值的加权和计算的，其中分配给每个值的权重是由查询(Q)与相应键(K)的兼容性函数计算的。输入由维度dk的查询(Q)和键(K)以及维度dk的值组成。计算所有查询(Q)和键(K)的点积，并且每个都除以最后通过softmax函数得到值(v)的权重。具体公式如下：
全连接前馈神经网络Feed Forward由线性层，LayerNorm层和dropout层依次组成。
pi＝G(L(zi))i＝1，2，…，n (11)
Oi＝D(L(D(pi)))i＝1，2，…，n (12)
其中G(·)为GELU激活函数，L(·)为Linear全连接层，D(·)为Dropout函数，zi是前馈网络的输入，Oi是前馈网络的输出。
步骤S4、建立全连接层，将中间特征F3输入一层全连接层，得到预测结果Ioutput[xo]，具体如下：
Ioutput＝HFC(F3) (4)
其中，HFC(·)表示全连接操作。
步骤s5、方法的网络模型进行两种输入输出方式训练过程，得到同一模型的两种参数P1和P2，即将方法视为深度学习的网络模型，对网络模型进行训练，如图2所示，具体如下：
步骤S51、第一种输入输出方式：
方法的输入DInput[Xi1，j1，Xi2，j2，Xi3，j3，……，Xi94，j94，Xi95，j95，Xi96，j96]中j1＝j2＝j3＝......＝j94＝j95＝j96＝n，其中n＝1,2,3,...,94,95,96，即为过去96天n时刻i1,i2,i3,...i94,i95,i96天同时刻的数据，输出为当前n时刻的数据，在此输入输出方式下，训练模型，得到模型参数P1；
步骤S52、第二种输入输出方式：
方法的输入DInput[xi1,j1,xi2,j2,xi3,j3,……,xi94,j94,xi95,j95,xi96,j96]为过去相邻96个时刻的数据，输出为当前n时刻的数据，在此输入输出方式下，训练模型，得到模型参数P2；
步骤S6、两种输出综合，具体如下：
预测某一天的负荷时，需利用过去96天的历史数据，在模型参数P1下，预测得到96时刻的数据，X'＝[x’k+1,1,x’k+1,2,x’k+1,3,……,x’k+1,94,x’k+1,95,x’k+1,96]；在模型参数P2下，利用过去96个时刻的数据y1,y2,y3,......,y94,y95,y96，得到x”k+1,1，再用x”k+1,1更新过去96个时刻的数据y2,y3,......,y94,y95,y96,x”k+1,1，得到x”k+1,2，再用x”k+1,1,x”k+1,2更新过去96个时刻的数据y3,......,y94,y95,y96,x”k+1,1,x”k+1,2，得到x”k+1,3，以此类推得到X”＝[x”k+1,1,x”k+1,2,x”k+1,3,……,x”k+1,94,x”k+1,95,x”k+1,96]。
对X’和X”进行加权平均处理得到X，X＝αX’+(1-α)X”,(0≤α≤1)，即为某一天的负荷预测值。
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种深度学习多模型的电动汽车充电站短期负荷预测方法，其特征在于，包括：
建立卷积神经网络CNN主模块，由一个卷积层构成，将输入数据输入CNN主模块中，进行初步的特征提取，得到初步特征X1[x1,x2,…,xn]；
建立长短期记忆网络LSTM主模块，由n个LSTM单元构成，将初步特征X1[x1,x2,…,xn]输入级联的LSTM单元，捕捉特征之间的时序关系，得到时间序列预测特征F2[f1,f2,…,fn]；
建立Transformer主模块，主要由Transformer编码器构成，将时间序列预测特征F2[f1,f2,…,fn]引入Transformer主模块，对时序数据提取上下文信息并进行变换和编码，得到中间特征F3；
建立全连接层，将中间特征F3输入一层全连接层，得到预测结果。
2.根据权利要求1所述的一种深度学习多模型的电动汽车充电站短期负荷预测方法，其特征在于，将方法的网络模型进行两种输入输出方式的训练，得到同一模型的两种参数P1和P2；
第一种输入输出方式：输入为过去96天n时刻的数据，输出为当前n时刻的数据，在此输入输出方式下，训练模型，得到模型参数P1；
第二种输入输出方式：输入为过去相邻96个时刻的数据，输出为当前n时刻的数据，在此输入输出方式下，训练模型，得到模型参数P2。
3.根据权利要求2所述的一种深度学习多模型的电动汽车充电站短期负荷预测方法，其特征在于，对模型参数P1和模型参数P2，进一步综合处理，为得到某一天的负荷预测值X，输入模型参数P1所需的历史数据，在模型参数P1得到的预测值为X’，输入模型参数P2所需的历史数据，在模型参数P2得到的预测值为X”，两者进行加权平均，X＝αX’+(1-α)X”,0≤α≤1，得到所需的某一天的负荷预测值X。
CN202311716618.3A 2023-12-14 2023-12-14 一种深度学习多模型的电动汽车充电站短期负荷预测方法 Pending CN117691591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311716618.3A CN117691591A (zh) 2023-12-14 2023-12-14 一种深度学习多模型的电动汽车充电站短期负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311716618.3A CN117691591A (zh) 2023-12-14 2023-12-14 一种深度学习多模型的电动汽车充电站短期负荷预测方法

Publications (1)

Publication Number Publication Date
CN117691591A true CN117691591A (zh) 2024-03-12

Family

ID=90126092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311716618.3A Pending CN117691591A (zh) 2023-12-14 2023-12-14 一种深度学习多模型的电动汽车充电站短期负荷预测方法

Country Status (1)

Country Link
CN (1) CN117691591A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952283A (zh) * 2024-03-27 2024-04-30 国网山东省电力公司滨州市滨城区供电公司 基于隶属度的短期负荷预测方法、系统、终端及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117952283A (zh) * 2024-03-27 2024-04-30 国网山东省电力公司滨州市滨城区供电公司 基于隶属度的短期负荷预测方法、系统、终端及介质

Similar Documents

Publication Publication Date Title
Liu et al. Remaining useful life prediction using a novel feature-attention-based end-to-end approach
Tian et al. Multi-step short-term wind speed prediction based on integrated multi-model fusion
CN112329275B (zh) 一种激光金属增材沉积融合状态实时预测方法及系统
CN117691591A (zh) 一种深度学习多模型的电动汽车充电站短期负荷预测方法
Li et al. Combination of manifold learning and deep learning algorithms for mid-term electrical load forecasting
Shen et al. SeriesNet: a generative time series forecasting model
CN115409258A (zh) 一种混合深度学习短期辐照度预测方法
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN111832839B (zh) 基于充分增量学习的能耗预测方法
CN114781744A (zh) 基于编码解码器的深度学习多步长辐照度预测方法
CN113988449A (zh) 基于Transformer模型的风电功率预测方法
CN112508286A (zh) 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法
CN113836783A (zh) 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法
CN116502774A (zh) 一种基于时间序列分解和勒让德投影的时间序列预测方法
CN116703644A (zh) 一种基于Attention-RNN的短期电力负荷预测方法
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN115545345A (zh) 一种基于gru-tcn模型的电网负荷预测方法
CN112381664A (zh) 电网短期负荷预测方法、预测装置及存储介质
CN113688770B (zh) 高层建筑长期风压缺失数据补全方法及装置
CN114971675A (zh) 一种基于DeepFM模型的二手车价格评估方法
CN118035728A (zh) 一种基于双重信号分解和双网络通道的短期光伏功率集成预测方法
CN114297795A (zh) 一种基于PR-Trans的机械设备剩余寿命预测方法
CN113792805A (zh) 一种基于多源数据融合的水质评价方法
CN117455536A (zh) 基于误差补偿的短期煤价预测方法及系统
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination