CN117875638A - 一种基于大数据的供电需求分配方法及系统 - Google Patents
一种基于大数据的供电需求分配方法及系统 Download PDFInfo
- Publication number
- CN117875638A CN117875638A CN202410006443.5A CN202410006443A CN117875638A CN 117875638 A CN117875638 A CN 117875638A CN 202410006443 A CN202410006443 A CN 202410006443A CN 117875638 A CN117875638 A CN 117875638A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- time
- time sequence
- training
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000013598 vector Substances 0.000 claims abstract description 223
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 88
- 230000005611 electricity Effects 0.000 claims description 61
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于大数据的供电需求分配方法及系统。其首先将用电量时间序列按照时间维度进行排列后进行不同时间尺度的向量切分，接着，通过基于深度神经网络模型的用电量时序特征提取器对得到的第一用电量局部时序输入向量的序列进行特征提取以得到第一时间尺度下用电量时序特征向量，然后，将得到的第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量，最后，融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量并基于得到的多时间尺度用电量时序特征，确定短时用电需求预测值和供电需求分配策略。这样，可以提高电力供需管理的效率和可靠性。
Description
技术领域
本申请涉及供电需求分配领域，且更为具体地，涉及一种基于大数据的供电需求分配方法及系统。
背景技术
随着社会经济的发展，用电需求日益增长，供电系统面临着越来越复杂的挑战。如何根据用电需求的变化，合理分配供电资源，提高供电效率和可靠性，是供电系统的重要问题。然而，传统的供电管理方法通常基于历史数据或统计模型，并利用经验和规则来进行供电需求的分配。这种方法缺乏对用电需求的动态预测和实时调整，不能满足供电系统的实际需求。
因此，期望一种基于大数据的供电需求分配方案，其能够利用大数据技术对用电需求进行精准预测和优化分配，提高供电系统的智能化水平。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的供电需求分配方法及系统，其可以根据用电量的时序变化更准确地预测用电需求并制定相应的供电策略，从而提高供电系统的智能化水平，提高电力供需管理的效率和可靠性。
根据本申请的一个方面，提供了一种基于大数据的供电需求分配方法，其包括：
获取待供电地区的用电量时间序列；
将所述用电量时间序列按照时间维度进行排列以得到用电量时序输入向量；
对所述用电量时序输入向量进行不同时间尺度的向量切分以得到第一用电量局部时序输入向量的序列和第二用电量局部时序输入向量的序列；
通过基于深度神经网络模型的用电量时序特征提取器对所述第一用电量局部时序输入向量的序列进行特征提取以得到第一时间尺度下用电量时序特征向量；
将所述第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量；
融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量以得到多时间尺度用电量时序特征向量作为多时间尺度用电量时序特征；以及
基于所述多时间尺度用电量时序特征，确定短时用电需求预测值，并确定供电需求分配策略。
根据本申请的另一个方面，提供了一种基于大数据的供电需求分配系统，其包括：
数据获取模块，用于获取待供电地区的用电量时间序列；
向量化模块，用于将所述用电量时间序列按照时间维度进行排列以得到用电量时序输入向量；
向量切分模块，用于对所述用电量时序输入向量进行不同时间尺度的向量切分以得到第一用电量局部时序输入向量的序列和第二用电量局部时序输入向量的序列；
第一特征提取模块，用于通过基于深度神经网络模型的用电量时序特征提取器对所述第一用电量局部时序输入向量的序列进行特征提取以得到第一时间尺度下用电量时序特征向量；
第二特征提取模块，用于将所述第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量；
融合模块，用于融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量以得到多时间尺度用电量时序特征向量作为多时间尺度用电量时序特征；以及
短时用电需求预测模块，用于基于所述多时间尺度用电量时序特征，确定短时用电需求预测值，并确定供电需求分配策略。
与现有技术相比，本申请提供的基于大数据的供电需求分配方法及系统，其首先将用电量时间序列按照时间维度进行排列后进行不同时间尺度的向量切分，接着，通过基于深度神经网络模型的用电量时序特征提取器对得到的第一用电量局部时序输入向量的序列进行特征提取以得到第一时间尺度下用电量时序特征向量，然后，将得到的第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量，最后，融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量并基于得到的多时间尺度用电量时序特征，确定短时用电需求预测值和供电需求分配策略。这样，可以提高电力供需管理的效率和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于大数据的供电需求分配方法的流程图。
图2为根据本申请实施例的基于大数据的供电需求分配方法的架构示意图。
图3为根据本申请实施例的基于大数据的供电需求分配系统的框图。
图4为根据本申请实施例的基于大数据的供电需求分配方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思为通过实时采集待供电地区的用电量，并在后端引入基于大数据技术和人工智能的数据处理和分析算法来进行该地区的用电量时序分析，以此来帮助电力公司和供电部门更好地理解和预测待供电地区的电力需求，并基于电力需求的预测值来合理分配供电资源。这样，能够根据用电量的时序变化更准确地预测用电需求并制定相应的供电策略，从而提高供电系统的智能化水平，提高电力供需管理的效率和可靠性。
图1为根据本申请实施例的基于大数据的供电需求分配方法的流程图。图2为根据本申请实施例的基于大数据的供电需求分配方法的架构示意图。如图1和图2所示，根据本申请实施例的基于大数据的供电需求分配方法，包括步骤：S110，获取待供电地区的用电量时间序列；S120，将所述用电量时间序列按照时间维度进行排列以得到用电量时序输入向量；S130，对所述用电量时序输入向量进行不同时间尺度的向量切分以得到第一用电量局部时序输入向量的序列和第二用电量局部时序输入向量的序列；S140，通过基于深度神经网络模型的用电量时序特征提取器对所述第一用电量局部时序输入向量的序列进行特征提取以得到第一时间尺度下用电量时序特征向量；S150，将所述第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量；S160，融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量以得到多时间尺度用电量时序特征向量作为多时间尺度用电量时序特征；以及，S170，基于所述多时间尺度用电量时序特征，确定短时用电需求预测值，并确定供电需求分配策略。
具体地，在本申请的技术方案中，首先，获取待供电地区的用电量时间序列，应可以理解，通过收集和分析大量的用电量时间序列数据，可以揭示用电量的规律和趋势，为供电需求分配提供依据。接着，考虑到所述待供电地区的用电量在时间维度上具有着时序的动态变化规律，因此，为了能够对于该地区的用电量进行时序分析，从而对于用电需求进行预测，在本申请的技术方案中，需要将所述用电量时间序列按照时间维度进行排列以得到用电量时序输入向量。
然后，为了从多个时间尺度上捕捉所述待供电地区的用电量的时序特征和规律，以便于更为准确地进行该地区的用电需求预测和策略分配，在本申请的技术方案中，进一步基于第一时间尺度对所述用电量时序输入向量进行向量切分以得到第一用电量局部时序输入向量的序列，并基于第二时间尺度对所述用电量时序输入向量进行向量切分以得到第二用电量局部时序输入向量的序列，其中，所述第二时间尺度不同于所述第一时间尺度。
相应地，在步骤S130中，对所述用电量时序输入向量进行不同时间尺度的向量切分以得到第一用电量局部时序输入向量的序列和第二用电量局部时序输入向量的序列，包括：基于第一时间尺度对所述用电量时序输入向量进行向量切分以得到第一用电量局部时序输入向量的序列；以及，基于第二时间尺度对所述用电量时序输入向量进行向量切分以得到第二用电量局部时序输入向量的序列，其中，所述第二时间尺度不同于所述第一时间尺度。
特别地，在本申请的一个具体示例中，所述第一时间尺度的切分方式是指将所述用电量时序输入向量按照较短的时间间隔进行切分，例如按小时或按天切分。这样可以获取到较为细粒度的所述第一用电量局部时序输入向量的序列。通过对较短时间间隔内的用电量进行分析，可以更准确地捕捉到用电量的瞬时变化和周期性变化等特征。所述第二时间尺度的切分方式是指将所述用电量时序输入向量按照较长的时间间隔进行切分，例如按周或按月切分。这样可以获取到较为宏观的所述第二用电量局部时序输入向量的序列。通过对较长时间间隔内的用电量进行分析，可以更好地捕捉到用电量的季节性变化、周期性趋势等特征。
进一步地，在基于大数据的供电需求分配方法中，由于所述第一用电量局部时序输入向量是按照较短的时间间隔切分得到的，其包含了较为细粒度的用电量时序信息。因此，在本申请的技术方案中，进一步将所述第一用电量局部时序输入向量的序列通过基于卷积神经网络模型的用电量时序特征提取器以得到第一时间尺度下用电量时序特征向量。通过将这些所述第一用电量局部时序输入向量输入到所述基于卷积神经网络模型的用电量时序特征提取器中，可以自动学习到该地区用电量的短时局部时序特征的抽象表示，能够更好地反映用电量的局部特征和变化趋势，例如不同短时时间段内的用电量波动模式、峰值和谷值等特征，为后续的用电需求预测和供电需求分配提供有用的信息。
相应地，在步骤S140中，所述深度神经网络模型为卷积神经网络模型，即所述基于深度神经网络模型的用电量时序特征提取器为基于卷积神经网络模型的用电量时序特征提取器。值得一提的是，卷积神经网络(Convolutional Neural Network，CNN)是一种深度学习模型，主要用于处理具有网格状结构的数据，如图像和时序数据。卷积神经网络模型通过一系列的卷积层、池化层和全连接层来提取数据的特征。其中，卷积层通过使用一组可学习的滤波器(卷积核)对输入数据进行卷积操作，从而提取出局部的特征。池化层则用于降低特征图的空间维度，减少参数数量和计算量。全连接层则将最后的特征图映射到输出结果。卷积神经网络在图像识别、目标检测、语音识别等领域取得了很大的成功。对于图像数据，卷积神经网络可以自动学习到图像的局部特征，从而实现图像分类、物体检测等任务。对于时序数据，如时间序列预测，卷积神经网络可以通过一维卷积操作来提取时序数据的局部特征，从而实现对时序数据的分析和预测。在本申请实施例中，基于深度神经网络模型的用电量时序特征提取器采用了卷积神经网络模型，用于提取第一时间尺度下用电量时序特征向量。通过对用电量时序数据进行卷积操作，卷积神经网络可以自动学习到用电量的局部特征，从而提取出有用的特征向量。这些特征向量可以用于短时用电需求预测和供电需求分配策略的确定。
另外，由于所述第二用电量局部时序输入向量是按照较长的时间间隔切分得到的，包含了该地区较为宏观的用电量信息。因此，在本申请的技术方案中，进一步将所述第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量。通过将这些所述第二用电量局部时序输入向量输入到所述基于LSTM模型的用电量时序特征提取器中，可以利用LSTM的记忆单元和门控机制，对用电量的局部时序序列数据进行建模和学习，以学习到序列中的用电量长期的趋势、周期性变化、季节性变化等特征。通过多个时间步的迭代，LSTM模型可以逐渐提取出序列数据中的抽象特征，能够更好地反映用电量的宏观特征和长期趋势，为后续的用电需求预测和供电需求分配提供有用的信息。
接着，考虑到所述第一时间尺度下的用电量时序特征向量包含了较短时间间隔内的用电量的局部时序特征，能够反映用电量的瞬时变化和周期性变化等。所述第二时间尺度下的用电量时序特征向量包含了较长时间间隔内的用电量的宏观特征和长期趋势，能够反映用电量的季节性变化、周期性趋势等。因此，为了综合利用不同时间尺度下的用电量时序特征信息，提高对用电需求时序特征的理解全面性和准确性，在本申请的技术方案中，进一步融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量以得到多时间尺度用电量时序特征向量。
继而，再将所述多时间尺度用电量时序特征向量通过基于解码器的短时用电需求预测器以得到短时用电需求预测值。也就是说，利用所述待供电地区的用电量时序多尺度融合特征信息来进行解码回归，以此利用该地区的用电量时序变化模式和趋势来预测短时用电需求，并基于短时用电需求预测值，确定供电需求分配策略。具体地，根据预测值的大小和趋势，可以决定是否需要增加或减少供电资源，以满足未来的用电需求。例如，如果预测值较高且呈上升趋势，可能需要增加供电资源以应对高峰期的用电需求；如果预测值较低且呈下降趋势，可能可以减少供电资源以节约成本。
相应地，在步骤S170中，基于所述多时间尺度用电量时序特征，确定短时用电需求预测值，并确定供电需求分配策略，包括：将所述多时间尺度用电量时序特征向量通过基于解码器的短时用电需求预测器以得到短时用电需求预测值；以及，基于所述短时用电需求预测值，确定供电需求分配策略。
应可以理解，解码器(Decoder)是神经网络模型中的一个组件，用于将输入数据从高维表示空间映射回原始数据的低维表示空间。在序列生成任务中，解码器通常用于将编码器的输出转化为目标序列。在本申请实施例中，基于解码器的短时用电需求预测器用于将多时间尺度用电量时序特征向量映射为短时用电需求预测值。解码器通过学习特征向量与目标预测之间的映射关系，可以将多时间尺度的用电量时序特征转化为短时用电需求的预测值。解码器在短时用电需求预测中起到了关键作用，它能够将抽象的特征向量转化为具体的用电需求预测值。通过对解码器的训练和优化，可以使其能够准确地预测短时用电需求，从而为供电需求分配策略的制定提供依据。总体来说，解码器是神经网络模型中的一个组件，用于将高维特征向量映射为目标序列，如短时用电需求预测。在本申请实施例中，解码器用于将多时间尺度用电量时序特征向量转化为短时用电需求的预测值，以支持供电需求分配策略的制定。
进一步地，在本申请的技术方案中，所述的基于大数据的供电需求分配方法，其还包括训练步骤：用于对基于卷积神经网络模型的用电量时序特征提取器、所述基于LSMT模型的用电量时序特征提取器和所述基于解码器的短时用电需求预测器进行训练。
其中，在一个具体示例中，所述训练步骤，包括：训练数据获取，所述训练数据包括待供电地区的训练用电量时间序列，以及，短时用电需求预测值的真实值；将所述训练用电量时间序列按照时间维度进行排列以得到训练用电量时序输入向量；对所述训练用电量时序输入向量进行不同时间尺度的向量切分以得到训练第一用电量局部时序输入向量的序列和训练第二用电量局部时序输入向量的序列；通过所述基于卷积神经网络模型的用电量时序特征提取器对所述训练第一用电量局部时序输入向量的序列进行特征提取以得到训练第一时间尺度下用电量时序特征向量；将所述训练第二用电量局部时序输入向量的序列通过所述基于LSMT模型的用电量时序特征提取器以得到训练第二时间尺度下用电量时序特征向量；融合所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量以得到训练多时间尺度用电量时序特征向量；将所述训练多时间尺度用电量时序特征向量通过所述基于解码器的短时用电需求预测器以得到解码损失函数值；计算所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量的特定损失函数值；以及，以所述解码损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于卷积神经网络模型的用电量时序特征提取器、所述基于LSMT模型的用电量时序特征提取器和所述基于解码器的短时用电需求预测器进行训练。
其中，将所述训练多时间尺度用电量时序特征向量通过所述基于解码器的短时用电需求预测器以得到解码损失函数值，包括：使用所述基于解码器的短时用电需求预测器以如下解码训练公式对所述训练多时间尺度用电量时序特征向量进行解码回归以获得训练解码值；其中，所述解码训练公式为：其中，X是所述训练多时间尺度用电量时序特征向量，Y是所述训练解码值，W是权重矩阵，/>表示矩阵乘法；以及，计算所述训练解码值和所述真实值之间的方差作为所述解码损失函数值。
特别地，在本申请的技术方案中，所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量分别表达不同时间尺度划分下的不同局部时域跨度空间内训练用电量数据基于不同关联尺度的上下文语义关联模式特征。因时间尺度划分差异和上下文关联尺度的差异，这使得所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量在整体特征分布维度上的特征群密度表示差异，这样，影响了所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量之间的特征融合精准度。
因此，本申请的申请人考虑提升所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量的特征群密度表示一致性，从而进一步引入了针对所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量的损失函数。
相应地，在一个示例中，计算所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量的特定损失函数值，包括：以如下特定损失函数值计算公式计算所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量的特定损失函数值；其中，所述特定损失函数值计算公式为：
其中，V1是所述训练第一时间尺度下用电量时序特征向量，v1i是所述训练第一时间尺度下用电量时序特征向量的第i个特征值，V2是所述训练第二时间尺度下用电量时序特征向量，v2i是所述训练第二时间尺度下用电量时序特征向量的第i个特征值，L是特征向量的长度，且表示向量的二范数的平方，/>表示向量减法，exp(·)表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，/>是所述特定损失函数值。
这里，所述损失函数基于特征群密度来进行群计数注意力，其通过将群计数作为输出特征群密度的递归映射，来进行所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型，可以使得模型针对所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量的特征分布下的不同密度模式来避免过估计和欠估计，并学习特征值分布与群密度分布之间的对应关系，从而实现具有不同特征密度的所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量之间的特征群密度表示一致性优化，从而提高了所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量之间的特征融合精准度。这样，能够基于地区用电量的时序信息来预测该地区的电力需求，并基于电力需求的预测值来合理分配供电资源，通过这样的方式，能够提高供电系统的智能化水平，提高电力供需管理的效率和可靠性。
综上，基于本申请实施例的基于大数据的供电需求分配方法被阐明，其可以提高电力供需管理的效率和可靠性。
图3为根据本申请实施例的基于大数据的供电需求分配系统100的框图。如图3所示，根据本申请实施例的基于大数据的供电需求分配系统100，包括：数据获取模块110，用于获取待供电地区的用电量时间序列；向量化模块120，用于将所述用电量时间序列按照时间维度进行排列以得到用电量时序输入向量；向量切分模块130，用于对所述用电量时序输入向量进行不同时间尺度的向量切分以得到第一用电量局部时序输入向量的序列和第二用电量局部时序输入向量的序列；第一特征提取模块140，用于通过基于深度神经网络模型的用电量时序特征提取器对所述第一用电量局部时序输入向量的序列进行特征提取以得到第一时间尺度下用电量时序特征向量；第二特征提取模块150，用于将所述第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量；融合模块160，用于融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量以得到多时间尺度用电量时序特征向量作为多时间尺度用电量时序特征；以及，短时用电需求预测模块170，用于基于所述多时间尺度用电量时序特征，确定短时用电需求预测值，并确定供电需求分配策略。
在一个示例中，在上述基于大数据的供电需求分配系统100中，所述向量切分模块130，包括：第一切分单元，用于基于第一时间尺度对所述用电量时序输入向量进行向量切分以得到第一用电量局部时序输入向量的序列；以及，第二切分单元，用于基于第二时间尺度对所述用电量时序输入向量进行向量切分以得到第二用电量局部时序输入向量的序列，其中，所述第二时间尺度不同于所述第一时间尺度。
在一个示例中，在上述基于大数据的供电需求分配系统100中，所述深度神经网络模型为卷积神经网络模型。
这里，本领域技术人员可以理解，上述基于大数据的供电需求分配系统100中的各个模块的具体功能和操作已经在上面参考图1到图2的基于大数据的供电需求分配方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于大数据的供电需求分配系统100可以实现在各种无线终端中，例如具有基于大数据的供电需求分配算法的服务器等。在一个示例中，根据本申请实施例的基于大数据的供电需求分配系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于大数据的供电需求分配系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于大数据的供电需求分配系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于大数据的供电需求分配系统100与该无线终端也可以是分立的设备，并且该基于大数据的供电需求分配系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图4为根据本申请实施例的基于大数据的供电需求分配方法的应用场景图。如图4所示，在该应用场景中，首先，获取待供电地区的用电量时间序列(例如，图4中所示意的D)，然后，将所述用电量时间序列输入至部署有基于大数据的供电需求分配算法的服务器(例如，图4中所示意的S)中，其中，所述服务器能够使用所述基于大数据的供电需求分配算法对所述用电量时间序列进行处理以得到短时用电需求预测值。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本申请所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本申请的说明，而不应被认为是对其的限制。尽管描述了本申请的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本申请的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本申请范围内。应当理解，上面是对本申请的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本申请由权利要求书及其等效物限定。
Claims (10)
1.一种基于大数据的供电需求分配方法，其特征在于，包括：
获取待供电地区的用电量时间序列；
将所述用电量时间序列按照时间维度进行排列以得到用电量时序输入向量；
对所述用电量时序输入向量进行不同时间尺度的向量切分以得到第一用电量局部时序输入向量的序列和第二用电量局部时序输入向量的序列；
通过基于深度神经网络模型的用电量时序特征提取器对所述第一用电量局部时序输入向量的序列进行特征提取以得到第一时间尺度下用电量时序特征向量；
将所述第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量；
融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量以得到多时间尺度用电量时序特征向量作为多时间尺度用电量时序特征；以及
基于所述多时间尺度用电量时序特征，确定短时用电需求预测值，并确定供电需求分配策略。
2.根据权利要求1所述的基于大数据的供电需求分配方法，其特征在于，对所述用电量时序输入向量进行不同时间尺度的向量切分以得到第一用电量局部时序输入向量的序列和第二用电量局部时序输入向量的序列，包括：
基于第一时间尺度对所述用电量时序输入向量进行向量切分以得到第一用电量局部时序输入向量的序列；以及
基于第二时间尺度对所述用电量时序输入向量进行向量切分以得到第二用电量局部时序输入向量的序列，其中，所述第二时间尺度不同于所述第一时间尺度。
3.根据权利要求2所述的基于大数据的供电需求分配方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于大数据的供电需求分配方法，其特征在于，基于所述多时间尺度用电量时序特征，确定短时用电需求预测值，并确定供电需求分配策略，包括：
将所述多时间尺度用电量时序特征向量通过基于解码器的短时用电需求预测器以得到短时用电需求预测值；以及
基于所述短时用电需求预测值，确定供电需求分配策略。
5.根据权利要求4所述的基于大数据的供电需求分配方法，其特征在于，还包括训练步骤：用于对基于卷积神经网络模型的用电量时序特征提取器、所述基于LSMT模型的用电量时序特征提取器和所述基于解码器的短时用电需求预测器进行训练。
6.根据权利要求5所述的基于大数据的供电需求分配方法，其特征在于，所述训练步骤，包括：
训练数据获取，所述训练数据包括待供电地区的训练用电量时间序列，以及，短时用电需求预测值的真实值；
将所述训练用电量时间序列按照时间维度进行排列以得到训练用电量时序输入向量；
对所述训练用电量时序输入向量进行不同时间尺度的向量切分以得到训练第一用电量局部时序输入向量的序列和训练第二用电量局部时序输入向量的序列；
通过所述基于卷积神经网络模型的用电量时序特征提取器对所述训练第一用电量局部时序输入向量的序列进行特征提取以得到训练第一时间尺度下用电量时序特征向量；
将所述训练第二用电量局部时序输入向量的序列通过所述基于LSMT模型的用电量时序特征提取器以得到训练第二时间尺度下用电量时序特征向量；
融合所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量以得到训练多时间尺度用电量时序特征向量；
将所述训练多时间尺度用电量时序特征向量通过所述基于解码器的短时用电需求预测器以得到解码损失函数值；
计算所述训练第一时间尺度下用电量时序特征向量和所述训练第二时间尺度下用电量时序特征向量的特定损失函数值；以及
以所述解码损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于卷积神经网络模型的用电量时序特征提取器、所述基于LSMT模型的用电量时序特征提取器和所述基于解码器的短时用电需求预测器进行训练。
7.根据权利要求6所述的基于大数据的供电需求分配方法，其特征在于，将所述训练多时间尺度用电量时序特征向量通过所述基于解码器的短时用电需求预测器以得到解码损失函数值，包括：
使用所述基于解码器的短时用电需求预测器以如下解码训练公式对所述训练多时间尺度用电量时序特征向量进行解码回归以获得训练解码值；其中，所述解码训练公式为：其中，X是所述训练多时间尺度用电量时序特征向量，Y是所述训练解码值，W是权重矩阵，/>表示矩阵乘法；以及
计算所述训练解码值和所述真实值之间的方差作为所述解码损失函数值。
8.一种基于大数据的供电需求分配系统，其特征在于，包括：
数据获取模块，用于获取待供电地区的用电量时间序列；
向量化模块，用于将所述用电量时间序列按照时间维度进行排列以得到用电量时序输入向量；
向量切分模块，用于对所述用电量时序输入向量进行不同时间尺度的向量切分以得到第一用电量局部时序输入向量的序列和第二用电量局部时序输入向量的序列；
第一特征提取模块，用于通过基于深度神经网络模型的用电量时序特征提取器对所述第一用电量局部时序输入向量的序列进行特征提取以得到第一时间尺度下用电量时序特征向量；
第二特征提取模块，用于将所述第二用电量局部时序输入向量的序列通过基于LSMT模型的用电量时序特征提取器以得到第二时间尺度下用电量时序特征向量；
融合模块，用于融合所述第一时间尺度下用电量时序特征向量和所述第二时间尺度下用电量时序特征向量以得到多时间尺度用电量时序特征向量作为多时间尺度用电量时序特征；以及
短时用电需求预测模块，用于基于所述多时间尺度用电量时序特征，确定短时用电需求预测值，并确定供电需求分配策略。
9.根据权利要求8所述的基于大数据的供电需求分配系统，其特征在于，所述向量切分模块，包括：
第一切分单元，用于基于第一时间尺度对所述用电量时序输入向量进行向量切分以得到第一用电量局部时序输入向量的序列；以及
第二切分单元，用于基于第二时间尺度对所述用电量时序输入向量进行向量切分以得到第二用电量局部时序输入向量的序列，其中，所述第二时间尺度不同于所述第一时间尺度。
10.根据权利要求9所述的基于大数据的供电需求分配系统，其特征在于，所述深度神经网络模型为卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410006443.5A CN117875638A (zh) | 2024-01-03 | 2024-01-03 | 一种基于大数据的供电需求分配方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410006443.5A CN117875638A (zh) | 2024-01-03 | 2024-01-03 | 一种基于大数据的供电需求分配方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117875638A true CN117875638A (zh) | 2024-04-12 |
Family
ID=90582210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410006443.5A Pending CN117875638A (zh) | 2024-01-03 | 2024-01-03 | 一种基于大数据的供电需求分配方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875638A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071385A (zh) * | 2024-04-18 | 2024-05-24 | 湖北华中电力科技开发有限责任公司 | 一种面向全物联网架构的营销业务融合方法和系统 |
-
2024
- 2024-01-03 CN CN202410006443.5A patent/CN117875638A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118071385A (zh) * | 2024-04-18 | 2024-05-24 | 湖北华中电力科技开发有限责任公司 | 一种面向全物联网架构的营销业务融合方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wen et al. | Stock market trend prediction using high-order information of time series | |
| Li et al. | A new flood forecasting model based on SVM and boosting learning algorithms | |
| CN117096504B (zh) | 温度控制方法及装置、设备、存储介质 | |
| CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
| CN112330078B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
| Li et al. | Deep spatio-temporal wind power forecasting | |
| Qin et al. | Next point-of-interest recommendation with auto-correlation enhanced multi-modal transformer network | |
| CN115374908A (zh) | 适用于配网柔性互联实时控制的短期负荷预测方法和系统 | |
| CN117175588A (zh) | 基于时空相关性的用电负荷预测方法及装置 | |
| CN117744855A (zh) | 基于机器学习的负荷预测系统及方法 | |
| Nawar et al. | Transfer learning in deep learning models for building load forecasting: Case of limited data | |
| CN117875638A (zh) | 一种基于大数据的供电需求分配方法及系统 | |
| CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
| CN116338322A (zh) | 一种电网线路阻抗预测方法及系统 | |
| CN116258260A (zh) | 一种基于门控双重卷积神经网络的概率电力负荷预测方法 | |
| CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
| CN114004408A (zh) | 一种基于数据分析的用户电力负荷预测方法 | |
| KR20170023547A (ko) | 기업금융 조기경보 방법 | |
| Zhang et al. | Load prediction based on depthwise separable convolution model | |
| CN117094453B (zh) | 一种用于虚拟电厂的调度优化系统及其方法 | |
| Eskandari et al. | Correlation based convolutional recurrent network for load forecasting | |
| Li | Energy consumption forecasting with deep learning | |
| Khan et al. | Prediction of electricity consumption demand based on long-short term memory network | |
| CN117950087B (zh) | 基于大尺度最优气候模态的人工智能降尺度气候预测方法 | |
| CN117833243B (zh) | 一种电力短期需求预测方法、系统、设备及介质 |
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 |