CN117913779A - 用电负荷信息预测方法、装置、电子设备和可读介质 - Google Patents

用电负荷信息预测方法、装置、电子设备和可读介质 Download PDF

Info

Publication number
CN117913779A
CN117913779A CN202311600812.5A CN202311600812A CN117913779A CN 117913779 A CN117913779 A CN 117913779A CN 202311600812 A CN202311600812 A CN 202311600812A CN 117913779 A CN117913779 A CN 117913779A
Authority
CN
China
Prior art keywords
information
electricity
power consumption
determining
consumption
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
CN202311600812.5A
Other languages
English (en)
Inventor
章姝俊
尹洪苓
高媛
陈佳玺
陆海清
谷纪亭
张震雷
张�焕
张欣岩
孙丽莉
胡美琳
范国浩
冯英健
刘海涛
薄洞
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.)
State Grid Information and Telecommunication Co Ltd
State Grid Zhejiang Electric Power Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Information and Telecommunication Co Ltd
State Grid Zhejiang Electric Power Co Ltd
Beijing Guodiantong Network Technology Co Ltd
Economic and Technological Research Institute of State Grid Zhejiang 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 State Grid Information and Telecommunication Co Ltd, State Grid Zhejiang Electric Power Co Ltd, Beijing Guodiantong Network Technology Co Ltd, Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical State Grid Information and Telecommunication Co Ltd
Priority to CN202311600812.5A priority Critical patent/CN117913779A/zh
Publication of CN117913779A publication Critical patent/CN117913779A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/044—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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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]

Landscapes

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

Abstract

本公开的实施例公开了用电负荷信息预测方法、装置、电子设备和可读介质。该方法的一具体实施方式包括：获取用电量影响参数信息组集合和用电量信息组；根据用电量影响参数信息组集合和用电量信息组，确定用电数据信息组集合；基于用电数据信息组集合，确定关键影响参数信息组集合；根据关键影响参数信息组集合，生成周期分量信息集合；将关键影响参数信息组集合和周期分量信息集合进行组合处理，以生成更新参数信息组集合；将更新参数信息组集合输入至用电量预测模型，得到用电量信息；根据用电量信息组和用电负荷预测树模型，生成预测用电负荷信息。该实施方式减少了用电供应量较高时电力资源的浪费，缓解了用电供应量较低时供电能力不足的压力。

Description

用电负荷信息预测方法、装置、电子设备和可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及用电负荷信息预测方法、装置、电子设备和可读介质。
背景技术
用电负荷预测作为电力供需平衡的基础内容，也是智能电网运行的重要保障。目前，在对用电负荷信息进行预测操作时，通常采用的方式为：通过单一用电量预测模型对用电负荷信息进行预测。
然而，发明人发现，当采用上述方式对用电负荷信息进行预测操作时，经常会存在如下技术问题：
第一，通过单一的用电量预测模型生成用电负荷信息的准确性较低，导致根据用电负荷信息所确定的用电供应量的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足。
第二，在生成用电负荷信息的过程中，未考虑影响用电负荷信息的各个数据的周期性因素，导致生成的用电负荷信息的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用电负荷信息预测方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种用电负荷信息预测方法，该方法包括：获取目标地区的用电量影响参数信息组集合和用电量信息组；根据上述用电量影响参数信息组集合和上述用电量信息组，确定用电数据信息组集合；基于上述用电数据信息组集合，确定关键影响参数信息组集合；根据上述关键影响参数信息组集合，生成周期分量信息集合；将上述关键影响参数信息组集合和上述周期分量信息集合进行组合处理，以生成更新参数信息组集合；将上述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息；根据上述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。
可选地，上述方法还包括：根据上述用电量信息和上述预测用电负荷信息，确定用电负荷信息；将上述用电负荷信息发送至智能供配电系统，以控制上述目标地区的用电供应量。
可选地，在上述根据上述用电量影响参数信息组集合和上述用电量信息组，确定用电数据信息组集合之后，上述方法还包括：对上述用电数据信息组集合进行异常值删除处理，得到异常值删除处理后的用电数据信息组集合作为第一用电数据信息组集合；对上述第一用电数据信息组集合进行空值填充处理，得到空值填充处理后的第一用电数据信息组集合作为第二用电数据信息组集合；将上述第二用电数据信息组集合确定为用电数据信息组集合，以对用电数据信息组集合进行更新。
可选地，上述用电量预测模型是通过以下方式训练得到的：获取样本集，其中，上述样本集中的样本包括样本更新参数信息组，以及与样本更新参数信息组对应的样本用电量信息；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本更新参数信息组分别输入至初始用电量预测模型中，得到上述至少一个样本中的每个样本对应的用电量信息；将上述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息进行比较；根据比较结果确定初始用电量预测模型是否达到预设的优化目标；响应于确定初始用电量预测模型达到上述优化目标，将初始用电量预测模型确定为训练完成的用电量预测模型。
可选地，训练得到上述用电量预测模型的步骤还包括：响应于确定初始用电量预测模型未达到上述优化目标，调整初始用电量预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始用电量预测模型作为初始用电量预测模型，再次执行上述训练步骤。
可选地，上述根据上述用电量信息和上述预测用电负荷信息，确定用电负荷信息，包括：将第一预设差值信息的倒数确定为第一倒数信息，其中，上述第一预测差值信息为上述用电量预测模型进行模型训练时真实值和预测值之间差值的平方和；将第二预设差值信息的倒数确定为第二倒数信息，其中，上述第二预设差值信息为上述用电负荷预测树模型进行模型训练时真实值和预测值之间差值的平方和；将上述第一倒数信息和上述第二倒数信息的和确定为误差倒数信息；将上述第一倒数信息与上述误差倒数信息的比值确定为第一误差倒数信息；将上述第二倒数信息与上述误差倒数信息的比值确定为第二误差倒数信息；将上述用电量信息与上述第一误差倒数信息的乘积确定为权重用电量信息；将上述预测用电负荷信息与第二误差倒数信息的乘积确定为权重预测用电负荷信息；将上述权重用电量信息与上述权重预测用电负荷信息的和确定为用电负荷信息。
可选地，上述基于上述用电数据信息组集合，确定关键影响参数信息组集合，包括：对于上述用电数据信息组集合中的每个用电数据信息组，执行以下步骤：将上述用电数据信息组包括的各个用电数据信息的均值确定为用电均值信息；将上述各个用电数据信息与上述用电均值信息的比值确定为量化用电数据信息组；对所确定的各个量化用电数据信息组进行列向量化处理，得到列向量化处理后的各个量化用电数据信息组作为量化用电数据信息组集合；根据上述量化用电数据信息组集合，确定用电信息矩阵；将上述用电信息矩阵中与上述用电数据信息组对应的列向量确定为用电量列向量；将上述用电信息矩阵中除上述用电量列向量之外的各个列向量确定为用电参数列向量集合；对上述用电量列向量与上述用电参数列向量集合中的每个用电参数列向量进行差值绝对值化处理，以生成用电差值列向量，得到用电差值列向量集合；将上述用电差值列向量集合组合为用电差值矩阵；确定上述用电差值矩阵中的最大元素值和最小元素值；基于上述最大元素值、上述最小元素值和上述用电差值矩阵，生成用电量关联系数矩阵；根据上述用电量关联系数矩阵，生成用电量关联度序列；基于上述用电量关联度序列，确定关键影响参数信息组集合。
第二方面，本公开的一些实施例提供了一种用电负荷信息预测装置，装置包括：获取单元，被配置成获取目标地区的用电量影响参数信息组集合和用电量信息组；第一确定单元，被配置成根据上述用电量影响参数信息组集合和上述用电量信息组，确定用电数据信息组集合；第二确定单元，被配置成基于上述用电数据信息组集合，确定关键影响参数信息组集合；第一生成单元，被配置成根据上述关键影响参数信息组集合，生成周期分量信息集合；组合单元，被配置成将上述关键影响参数信息组集合和上述周期分量信息集合进行组合处理，以生成更新参数信息组集合；输入单元，被配置成将上述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息；第二生成单元，被配置成根据上述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。
可选地，上述用电负荷信息预测装置还包括：确定单元和发送单元。其中，确定单元被配置成根据上述用电量信息和上述预测用电负荷信息，确定用电负荷信息；发送单元被配置成将上述用电负荷信息发送至智能供配电系统，以控制上述目标地区的用电供应量。
可选地，在第一确定单元之后，上述用电负荷信息预测装置还包括：异常值删除处理单元、空值填充处理单元和用电数据信息组集合确定单元。其中，异常值删除处理单元被配置成对上述用电数据信息组集合进行异常值删除处理，得到异常值删除处理后的用电数据信息组集合作为第一用电数据信息组集合；空值填充处理单元被配置成对上述第一用电数据信息组集合进行空值填充处理，得到空值填充处理后的第一用电数据信息组集合作为第二用电数据信息组集合；用电数据信息组集合确定单元被配置成将上述第二用电数据信息组集合确定为用电数据信息组集合，以对用电数据信息组集合进行更新。
可选地，上述用电量预测模型是通过以下方式训练得到的：获取样本集，其中，上述样本集中的样本包括样本更新参数信息组，以及与样本更新参数信息组对应的样本用电量信息；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本更新参数信息组分别输入至初始用电量预测模型中，得到上述至少一个样本中的每个样本对应的用电量信息；将上述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息进行比较；根据比较结果确定初始用电量预测模型是否达到预设的优化目标；响应于确定初始用电量预测模型达到上述优化目标，将初始用电量预测模型确定为训练完成的用电量预测模型。
可选地，训练得到上述用电量预测模型的步骤还包括：响应于确定初始用电量预测模型未达到上述优化目标，调整初始用电量预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始用电量预测模型作为初始用电量预测模型，再次执行上述训练步骤。
可选地，上述确定单元被进一步配置成：将第一预设差值信息的倒数确定为第一倒数信息，其中，上述第一预测差值信息为上述用电量预测模型进行模型训练时真实值和预测值之间差值的平方和；将第二预设差值信息的倒数确定为第二倒数信息，其中，上述第二预设差值信息为上述用电负荷预测树模型进行模型训练时真实值和预测值之间差值的平方和；将上述第一倒数信息和上述第二倒数信息的和确定为误差倒数信息；将上述第一倒数信息与上述误差倒数信息的比值确定为第一误差倒数信息；将上述第二倒数信息与上述误差倒数信息的比值确定为第二误差倒数信息；将上述用电量信息与上述第一误差倒数信息的乘积确定为权重用电量信息；将上述预测用电负荷信息与第二误差倒数信息的乘积确定为权重预测用电负荷信息；将上述权重用电量信息与上述权重预测用电负荷信息的和确定为用电负荷信息。
可选地，第二确定单元被进一步配置成：对于上述用电数据信息组集合中的每个用电数据信息组，执行以下步骤：将上述用电数据信息组包括的各个用电数据信息的均值确定为用电均值信息；将上述各个用电数据信息与上述用电均值信息的比值确定为量化用电数据信息组；对所确定的各个量化用电数据信息组进行列向量化处理，得到列向量化处理后的各个量化用电数据信息组作为量化用电数据信息组集合；根据上述量化用电数据信息组集合，确定用电信息矩阵；将上述用电信息矩阵中与上述用电数据信息组对应的列向量确定为用电量列向量；将上述用电信息矩阵中除上述用电量列向量之外的各个列向量确定为用电参数列向量集合；对上述用电量列向量与上述用电参数列向量集合中的每个用电参数列向量进行差值绝对值化处理，以生成用电差值列向量，得到用电差值列向量集合；将上述用电差值列向量集合组合为用电差值矩阵；确定上述用电差值矩阵中的最大元素值和最小元素值；基于上述最大元素值、上述最小元素值和上述用电差值矩阵，生成用电量关联系数矩阵；根据上述用电量关联系数矩阵，生成用电量关联度序列；基于上述用电量关联度序列，确定关键影响参数信息组集合。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的用电负荷信息预测方法，可以提高根据用电负荷信息所确定的用电供应量的准确性，减少了用电供应量较高时电力资源的浪费，缓解了用电供应量较低时供电能力不足的压力。具体来说，导致根据用电负荷信息所确定的用电供应量的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足的原因在于：通过单一的用电量预测模型生成用电负荷信息的准确性较低，导致根据用电负荷信息所确定的用电供应量的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足。基于此，本公开的一些实施例的用电负荷信息预测方法，首先，获取目标地区的用电量影响参数信息组集合和用电量信息组。由此，可以得到表征历史用电信息的用电量影响参数信息组集合和用电量信息组。然后，根据上述用电量影响参数信息组集合和上述用电量信息组，确定用电数据信息组集合。由此，可以得到用电数据信息组集合，从而可以用于对未来时刻的用电负荷信息进行预测。之后，基于上述用电数据信息组集合，确定关键影响参数信息组集合。由此，可以得到对用电负荷信息具有重要影响的关键影响参数信息组集合。其次，根据上述关键影响参数信息组集合，生成周期分量信息集合。由此，可以得到表征关键影响参数信息组集合的周期规律性的周期分量信息集合。然后，将上述关键影响参数信息组集合和上述周期分量信息集合进行组合处理，以生成更新参数信息组集合。由此，可以得到更新参数信息组集合，从而可以增加影响用电负荷信息预测的数据的维度。之后，将上述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息。由此，可以得到基于深度神经网络预测得到的用电量信息。最后，根据上述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。由此，可以得到基于决策树模型预测得到的预测用电负荷信息，提高预测结果的可解释性。也因为利用用电量预测模型，可以得到用电量信息，通过利用用电负荷预测树模型，可以得到预测用电负荷信息。从而可以将两个模型的预测结果进行结果融合，提高生成的用电负荷信息的准确性，提高根据负荷信息所确定的用电供应量的准确性，更进一步，减少了用电供应量较高时电力资源的浪费，缓解了用电供应量较低时供电能力不足的压力。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的用电负荷信息预测方法的一些实施例的流程图；
图2是根据本公开的用电负荷信息预测装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的用电负荷信息预测方法的一些实施例的流程100。该用电负荷信息预测方法，包括以下步骤：
步骤101，获取目标地区的用电量影响参数信息组集合和用电量信息组。
在一些实施例中，用电负荷信息预测方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式从信息数据库中获取目标地区的用电量影响参数信息组集合和用电量信息组。其中，上述信息数据库可以为目标地区的信息数据库。上述目标地区可以为任意地区。例如，上述目标地区可以为北京市。上述用电量信息组可以为目标地区在历史时间段内的各个用电量信息。上述历史时间段可以为预先设定的过去的一段时间。上述用电量信息组中的每个用电量信息可以对应上述历史时间段内的一个历史子时间段。用电量信息可以表征历史子时间段内的总用电量。作为示例，上述历史时间段可以为“2020年-2022年”。则上述用电量信息组对应的各个历史子时间段可以为“2020年”、“2021年”和“2022年”。上述用电量影响参数信息组集合可以为目标地区在历史时间段内的各个用电量影响参数的信息组。上述用电量影响参数信息组集合中的每个用电量影响参数信息组可以对应上述用电量信息组。用电量影响参数信息组可以对应上述历史时间段内的一个历史子时间段。上述用电量影响参数可以为影响目标地区的用电量的参数。上述用电量影响参数信息组可以包括但不限于：目标地区的季节特征(例如，夏天和冬天)、目标地区的峰谷差、目标地区的负荷率、目标地区的年末人口总量、目标地区的第一产业总值、目标地区的第二产业总值、目标地区的第三产业总值和目标地区的能源消耗总量。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，根据用电量影响参数信息组集合和用电量信息组，确定用电数据信息组集合。
在一些实施例中，根据上述用电量影响参数信息组集合和上述用电量信息组，上述执行主体可以确定用电数据信息组集合。实践中，上述执行主体可以将上述用电量影响参数信息组集合和上述用电量信息组进行组合，以生成用电数据信息组集合。这里，上述组合的方式可以为拼接。
在一些实施例的一些可选的实现方式中，在上述根据上述用电量影响参数信息组集合和上述用电量信息组，确定用电数据信息组集合之后，上述执行主体还可以执行以下步骤：
第一步，对上述用电数据信息组集合进行异常值删除处理，得到异常值删除处理后的用电数据信息组集合作为第一用电数据信息组集合。实践中，首先，上述执行主体可以将用电数据信息组集合输入至预先训练的异常值检测算法中，得到异常值数据。然后，可以对异常值数据进行删除处理。这里，上述预先训练的异常值检测算法可以为能够对异常值数据进行检测的算法。例如，上述异常值检测算法可以为孤立森林算法。
第二步，对上述第一用电数据信息组集合进行空值填充处理，得到空值填充处理后的第一用电数据信息组集合作为第二用电数据信息组集合。实践中，首先，对于上述第一用电数据信息组集合中的每个第一用电数据信息组，上述执行主体可以利用第一预设填补阈值对第一用电数据信息组进行空值填充处理。最后，将进行空值填充处理后的各个第一用电数据信息组确定为第二用电数据信息组集合。这里，上述第一预设填补阈值可以为预先设定的填补阈值。例如，上述第一预设填补阈值可以为第一用电数据信息组中的众数。
第三步，将上述第二用电数据信息组集合确定为用电数据信息组集合，以对用电数据信息组集合进行更新。
步骤103，基于用电数据信息组集合，确定关键影响参数信息组集合。
在一些实施例中，基于上述用电数据信息组集合，上述执行主体可以确定关键影响参数信息组集合。
在一些实施例的一些可选的实现方式中，基于上述用电数据信息组集合，上述执行主体可以通过以下步骤确定关键影响参数信息组集合：
第一步，对于上述用电数据信息组集合中的每个用电数据信息组，执行以下步骤：
第一子步骤，将上述用电数据信息组包括的各个用电数据信息的均值确定为用电均值信息。
第二子步骤，将上述各个用电数据信息与上述用电均值信息的比值确定为量化用电数据信息组。
第二步，对所确定的各个量化用电数据信息组进行列向量化处理，得到列向量化处理后的各个量化用电数据信息组作为量化用电数据信息组集合。
第三步，根据上述量化用电数据信息组集合，确定用电信息矩阵。实践中，上述执行主体可以将上述量化用电数据信息组集合组合成的矩阵确定为用电信息矩阵。
第四步，将上述用电信息矩阵中与上述用电数据信息组对应的列向量确定为用电量列向量。
第五步，将上述用电信息矩阵中除上述用电量列向量之外的各个列向量确定为用电参数列向量集合。
第六步，对上述用电量列向量与上述用电参数列向量集合中的每个用电参数列向量进行差值绝对值化处理，以生成用电差值列向量，得到用电差值列向量集合。
第七步，将上述用电差值列向量集合组合为用电差值矩阵。
第八步，确定上述用电差值矩阵中的最大元素值和最小元素值。实践中，首先，上述执行主体可以对用电差值矩阵包括的各个用电差值元素进行升序排序处理，以生成用电差值序列。然后，可以将用电差值序列中第一个位置的用电差值确定为最小元素值。最后，可以将用电差值序列中最后一个位置的用电差值确定为最大元素值。其中，上述排序处理的方式可以包括但不限于：冒泡排序、快速排序、堆排序、直接插入排序和归并排序。这里，上述排序处理方式可以为快速排序。
第九步，基于上述最大元素值、上述最小元素值和上述用电差值矩阵，生成用电量关联系数矩阵。实践中，上述执行主体可以通过以下步骤生成用电量关联系数矩阵：
第一子步骤，将预设分辨系数与上述最大元素值的乘积确定为第一数值。这里，上述预设分辨系数可以为0.5。
第二子步骤，将上述最小元素值与上述第一数值的和确定为第二数值。
第三子步骤，将上述用电差值矩阵中各个用电差值和上述第一数值相加，得到第一数值矩阵。
第四子步骤，将上述第二数值与上述第一数值矩阵中的各个元素值进行比值处理，得到比值处理后的第一数值矩阵作为用电量关联系数矩阵。
第十步，根据上述用电量关联系数矩阵，生成用电量关联度序列。实践中，上述执行主体可以通过以下步骤生成用电关联度序列：
第一子步骤，将上述用电量关联系数矩阵包括的各列用电量关联系数确定为用电量关联系数组集合。
第二子步骤，对于上述用电量关联系数组集合中的每个用电量关联系数组，将上述用电量关联系数组包括的各个用电量关联系数的均值确定为用电量关联度。
第三子步骤，将所确定的各个用电量关联度确定为用电量关联度序列。
第十一步，基于上述用电量关联度序列，确定关键影响参数信息组集合。实践中，首先，上述执行主体可以将上述用电量关联度序列中满足预设关键参数条件的各个用电量关联度确定为关键用电量关联度序列。然后，将上述用电量关联度序列对应的各个用电量影响参数信息确定为关键影响参数信息组集合。其中，上述预设关键参数条件可以为用电量关联度大于等于第一预设阈值。上述第一预设阈值可以为0.1。
步骤104，根据关键影响参数信息组集合，生成周期分量信息集合。
在一些实施例中，根据上述关键影响参数信息组集合，上述执行主体可以生成周期分量信息集合。
在一些实施例的一些可选的实现方式中，根据上述关键影响参数信息组集合，上述执行主体可以通过以下步骤生成周期分量信息集合：
第一步，对上述关键影响参数信息组集合包括的各个关键影响参数信息组进行排序处理，得到排序处理后的各个关键影响参数信息组作为关键影响参数信息序列集合。实践中，首先，对于上述关键影响参数信息组集合中的每个关键影响参数信息组，上述执行主体可以对上述关键影响参数信息组包括的各个关键影响参数信息按照时间先后顺序进行升序排序处理，得到升序排序处理后的各个关键影响参数信息作为关键影响参数信息序列。然后，可以将所得到的各个关键影响参数信息序列作为关键影响参数信息序列集合。
第二步，对上述关键影响参数信息序列集合进行频域变换处理，以生成关键影响参数频谱信息集合。其中，上述关键影响参数频谱信息集合中的关键影响参数频谱信息可以通过以下公式表示：
其中，上述j表示虚数单位。上述N表示序列长度。上述n表示序列中每个样本点的索引位置。每个索引对应着一个离散信号在不同时间或采样点上的取值。k表示频率索引。上述表示第i个关键影响参数对应的数据。上述F(i)(wk)表示第i个关键影响参数角频率为wk对应的幅值。上述i表示关键影响参数的序号。上述wk表示角频率。
第三步，根据上述关键影响参数频谱信息集合，确定日周期分量信息集合。其中，上述日周期分量信息集中的日周期分量信息可以通过以下公式表示：
其中，上述t表示电力负荷序列下标。上述96是日周期。上述EDay表示日周期分量信息。
第四步，根据上述关键影响参数频谱信息集合，确定周周期分量信息集合。其中，上述周周期分量信息集合中的周周期分量信息可以通过以下公式表示：
其中，上述96*21是周周期。上述EWeek表示周周期分量信息。
第五步，对上述日周期分量信息集合和上述周周期分量信息集合进行叠加处理，以生成组合分量信息集合。
第六步，对上述组合分量信息集合进行时域变换处理，得到时域变换处理后的组合分量信息集合作为周期分量信息集合。其中，上述周期分量信息集合中的周期分量信息可以通过以下公式表示：
其中，上述T(i)(wk)表示关键影响参数序列中第i个关键影响参数角频率为wk所对应的组合分量信息。上述表示第i个关键影响参数n时刻对应的数据。
上述第一步至第六步及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“在生成用电负荷信息的过程中，未考虑影响用电负荷信息的各个数据的周期性因素，导致生成的用电负荷信息的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足。”。导致生成的用电负荷信息的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足的因素往往如下：在生成用电负荷信息的过程中，未考虑影响用电负荷信息的各个数据的周期性因素，导致生成的用电负荷信息的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足。如果解决了上述因素，就能达到进一步提高生成的用电负荷信息的准确性，从而减少用电供应量较高时电力资源的浪费，缓解用电供应量较低时，供电能力不足的压力的效果。为了达到这一效果，首先，对上述关键影响参数信息组集合包括的各个关键影响参数信息组进行排序处理，得到排序处理后的各个关键影响参数信息组作为关键影响参数信息序列集合。由此，可以得到具有时间顺序的关键影响参数信息序列集合。从而，可以用于确定数据的时间规律特性。然后，对上述关键影响参数信息序列集合进行频域变换处理，以生成关键影响参数频谱信息集合。由此，可以得到关键影响参数频谱信息集合，从而可以便于数据特征的提取。之后，根据上述关键影响参数频谱信息集合，确定日周期分量信息集合。由此，可以得到具有日周期规律的日周期分量信息集合。其次，根据上述关键影响参数频谱信息集合，确定周周期分量信息集合。由此，可以得到具有周周期规律的周周期分量信息集合。然后，对上述日周期分量信息集合和上述周周期分量信息集合进行叠加处理，以生成组合分量信息集合。由此，可以得到具有日周期和周周期规律的组合分量信息集合。最后，对上述组合分量信息集合进行时域变换处理，得到时域变换处理后的组合分量信息集合作为周期分量信息集合。由此，可以得到具有时域特性且具有日周期和周周期规律的周期分量信息集合。也因为对关键影响参数频谱信息集合进行日周期规律信息的提取和周周期规律信息的提取，可以增加数据的周期性维度，从而可以提高生成的用电负荷信息的准确性，减少用电供应量较高时电力资源的浪费，缓解用电供应量较低时，供电能力不足的压力。
步骤105，将关键影响参数信息组集合和周期分量信息集合进行组合处理，以生成更新参数信息组集合。
在一些实施例中，上述执行主体可以将上述关键影响参数信息组集合和上述周期分量信息集合进行组合处理，以生成更新参数信息组集合。实践中，上述执行主体可以将上述关键影响参数信息组集合和上述周期分量信息集合进行组合处理，以生成更新参数信息组集合。这里，组合的方式可以为拼接。
步骤106，将更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息。
在一些实施例中，上述执行主体可以将上述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息。其中，上述用电量预测模型可以为以更新参数信息组集合为输入，以更新参数信息组集合对应的用电量信息为输出的神经网络模型。例如，上述神经网络模型可以为GCN-LSTM(Graph Convolutional Networks-Long Short TermMemory图卷积神经网络-循环神经网络)模型。上述用电量信息可以为对应更新参数信息组集合的预测结果。实践中，上述执行主体可以将上述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息。其中，上述用电量信息可以表征未来时刻的用电量数据。
在一些实施例的一些可选的实现方式中，用电量预测模型是可以通过以下方式训练得到的：
第一步，获取样本集。其中，上述样本集中的样本包括样本更新参数信息组，以及与样本更新参数信息组对应的样本用电量信息。需要说明的是，训练上述用电量预测模型的执行主体可以是上述执行主体，也可以是其他计算设备。其中，上述样本用电量信息可以为与上述样本更新参数信息组对应的标签。
第二步，基于样本集执行以下训练步骤：
第一训练步骤，将样本集中的至少一个样本的样本更新参数信息组分别输入至初始用电量预测模型中，得到上述至少一个样本中的每个样本对应的用电量信息。其中，上述初始用电量预测模型可以为待训练的神经网络模型。
第二训练步骤，将上述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息进行比较。这里，比较可以为上述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息大小的比较。
第三训练步骤，根据比较结果确定初始用电量预测模型是否达到预设的优化目标。这里，上述优化目标可以是指上述待训练的初始用电量预测模型的损失函数值小于预设阈值。上述损失函数可以是均方误差损失函数。上述预设阈值可以是0.1。
第四训练步骤，响应于确定初始用电量预测模型达到上述优化目标，将初始用电量预测模型确定为训练完成的用电量预测模型。
可选地，训练得到上述用电量预测模型的步骤还可以包括：
第五训练步骤，响应于确定初始用电量预测模型未达到上述优化目标，调整初始用电量预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始用电量预测模型作为初始用电量预测模型，再次执行上述训练步骤。作为示例，可以采用反向传播算法(Back Propagation Algorithm，BP算法)和梯度下降法(例如小批量梯度下降算法)对上述初始用电量预测模型的网络参数进行调整。
步骤107，根据上述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。
在一些实施例中，根据上述用电量信息组和预先训练的用电负荷预测树模型，上述执行主体可以生成预测用电负荷信息。其中，上述用电负荷预测树模型可以为以用电量信息组为输入，以用电量信息组对应的预测用电负荷信息为输出的决策树模型。上述预测用电负荷信息可以为与用电量信息组对应的预测结果。实践中，上述执行主体可以将上述用电量信息组输入至预先训练的用电负荷预测树模型中，得到预测用电负荷信息。
可选地，上述执行主体还可以执行以下步骤：
第一步，根据上述用电量信息和上述预测用电负荷信息，确定用电负荷信息。
第二步，将上述用电负荷信息发送至智能供配电系统，以控制上述目标地区的用电供应量。其中，上述智能供配电系统可以为目标地区的智能供配电系统。实践中，上述执行主体可以通过以下步骤控制上述目标地区的用电供应量：
第一步子步骤，将上述负荷信息发送至智能供配电系统。
第二步子步骤，接收上述智能供配电系统发送的对应上述用电负荷信息的分析结果。其中，上述分析结果可以为用电量的分析结果。上述用电量的分析结果可以包括：第三产业和居民用电为主的地区的分析结果和第二产业为主的地区的分析结果。上述第三产业和居民用电为主的地区可以为目标地区内以第三产业和居民用电为主的地区。上述第二产业为主的地区可以为目标地区内以第二产业为主的地区。上述第三产业和居民用电为主的地区的分析结果可以为用电量增长速度较快。第二产业为主的地区的分析结果可以为用电量增长速度一般。
第三子步骤，根据上述分析结果，将第三产业和居民用电为主的地区的用电供应量设定为负荷信息与第一阈值的乘积，以及将第二产业为主的地区的用电供应量设定为负荷信息与第二阈值的乘积。上述第一阈值可以为预先设定的阈值。上述第二阈值可以为预先设定的阈值。例如，上述第一阈值可以为120％。上述第二阈值可以为80％。
在一些实施例的一些可选的实现方式中，根据上述用电量信息和上述预测用电负荷信息，上述执行主体可以通过以下步骤确定用电负荷信息：
第一步，将第一预设差值信息的倒数确定为第一倒数信息。其中，上述第一预测差值信息为上述用电量预测模型进行模型训练时真实值和预测值之间差值的平方和。
第二步，将第二预设差值信息的倒数确定为第二倒数信息。其中，上述第二预设差值信息为上述用电负荷预测树模型进行模型训练时真实值和预测值之间差值的平方和。
第三步，将上述第一倒数信息和上述第二倒数信息的和确定为误差倒数信息。
第四步，将上述第一倒数信息与上述误差倒数信息的比值确定为第一误差倒数信息。
第五步，将上述第二倒数信息与上述误差倒数信息的比值确定为第二误差倒数信息。
第六步，将上述用电量信息与上述第一误差倒数信息的乘积确定为权重用电量信息。
第七步，将上述预测用电负荷信息与第二误差倒数信息的乘积确定为权重预测用电负荷信息。
第八步，将上述权重用电量信息与上述权重预测用电负荷信息的和确定为用电负荷信息。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的用电负荷信息预测方法，可以提高根据用电负荷信息所确定的用电供应量的准确性，减少了用电供应量较高时电力资源的浪费，缓解了用电供应量较低时供电能力不足的压力。具体来说，导致根据用电负荷信息所确定的用电供应量的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足的原因在于：通过单一的用电量预测模型生成用电负荷信息的准确性较低，导致根据用电负荷信息所确定的用电供应量的准确性较低，从而导致用电供应量较高时，电力资源浪费，用电供应量较低时，供电能力不足。基于此，本公开的一些实施例的用电负荷信息预测方法，首先，获取目标地区的用电量影响参数信息组集合和用电量信息组。由此，可以得到表征历史用电信息的用电量影响参数信息组集合和用电量信息组。然后，根据上述用电量影响参数信息组集合和上述用电量信息组，确定用电数据信息组集合。由此，可以得到用电数据信息组集合，从而可以用于对未来时刻的用电负荷信息进行预测。之后，基于上述用电数据信息组集合，确定关键影响参数信息组集合。由此，可以得到对用电负荷信息具有重要影响的关键影响参数信息组集合。其次，根据上述关键影响参数信息组集合，生成周期分量信息集合。由此，可以得到表征关键影响参数信息组集合的周期规律性的周期分量信息集合。然后，将上述关键影响参数信息组集合和上述周期分量信息集合进行组合处理，以生成更新参数信息组集合。由此，可以得到更新参数信息组集合，从而可以增加影响用电负荷信息预测的数据的维度。之后，将上述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息。由此，可以得到基于深度神经网络预测得到的用电量信息。最后，根据上述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。由此，可以得到基于决策树模型预测得到的预测用电负荷信息，提高预测结果的可解释性。也因为利用用电量预测模型，可以得到用电量信息，通过利用用电负荷预测树模型，可以得到预测用电负荷信息。从而可以将两个模型的预测结果进行结果融合，提高生成的用电负荷信息的准确性，提高根据负荷信息所确定的用电供应量的准确性，更进一步，减少了用电供应量较高时电力资源的浪费，缓解了用电供应量较低时供电能力不足的压力。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种用电负荷信息预测装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的用电负荷信息预测装置200包括：获取单元201、第一确定单元202、第二确定单元203、第一生成单元204、组合单元205、输入单元206和第二生成单元207。其中，获取单元201被配置成获取目标地区的用电量影响参数信息组集合和用电量信息组；第一确定单元202被配置成根据上述用电量影响参数信息组集合和上述用电量信息组，确定用电数据信息组集合；第二确定单元203被配置成基于上述用电数据信息组集合，确定关键影响参数信息组集合；第一生成单元204被配置成根据上述关键影响参数信息组集合，生成周期分量信息集合；组合单元205被配置成将上述关键影响参数信息组集合和上述周期分量信息集合进行组合处理，以生成更新参数信息组集合；输入单元206被配置成将上述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息；第二生成单元207被配置成根据上述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。
可选地，上述用电负荷信息预测装置200还可以包括：确定单元和发送单元(图中未示出)。其中，确定单元被配置成根据上述用电量信息和上述预测用电负荷信息，确定用电负荷信息；发送单元被配置成将上述用电负荷信息发送至智能供配电系统，以控制上述目标地区的用电供应量。
可选地，在第一确定单元202之后，上述用电负荷信息预测装置200还可以包括：异常值删除处理单元、空值填充处理单元和用电数据信息组集合确定单元(图中未示出)。其中，异常值删除处理单元被配置成对上述用电数据信息组集合进行异常值删除处理，得到异常值删除处理后的用电数据信息组集合作为第一用电数据信息组集合；空值填充处理单元被配置成对上述第一用电数据信息组集合进行空值填充处理，得到空值填充处理后的第一用电数据信息组集合作为第二用电数据信息组集合；用电数据信息组集合确定单元被配置成将上述第二用电数据信息组集合确定为用电数据信息组集合，以对用电数据信息组集合进行更新。
可选地，上述用电量预测模型是可以通过以下方式训练得到的：获取样本集，其中，上述样本集中的样本包括样本更新参数信息组，以及与样本更新参数信息组对应的样本用电量信息；基于样本集执行以下训练步骤：将样本集中的至少一个样本的样本更新参数信息组分别输入至初始用电量预测模型中，得到上述至少一个样本中的每个样本对应的用电量信息；将上述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息进行比较；根据比较结果确定初始用电量预测模型是否达到预设的优化目标；响应于确定初始用电量预测模型达到上述优化目标，将初始用电量预测模型确定为训练完成的用电量预测模型。
可选地，训练得到上述用电量预测模型的步骤还可以包括：响应于确定初始用电量预测模型未达到上述优化目标，调整初始用电量预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始用电量预测模型作为初始用电量预测模型，再次执行上述训练步骤。
可选地，上述确定单元被进一步配置成：将第一预设差值信息的倒数确定为第一倒数信息，其中，上述第一预测差值信息为上述用电量预测模型进行模型训练时真实值和预测值之间差值的平方和；将第二预设差值信息的倒数确定为第二倒数信息，其中，上述第二预设差值信息为上述用电负荷预测树模型进行模型训练时真实值和预测值之间差值的平方和；将上述第一倒数信息和上述第二倒数信息的和确定为误差倒数信息；将上述第一倒数信息与上述误差倒数信息的比值确定为第一误差倒数信息；将上述第二倒数信息与上述误差倒数信息的比值确定为第二误差倒数信息；将上述用电量信息与上述第一误差倒数信息的乘积确定为权重用电量信息；将上述预测用电负荷信息与第二误差倒数信息的乘积确定为权重预测用电负荷信息；将上述权重用电量信息与上述权重预测用电负荷信息的和确定为用电负荷信息。
可选地，第二确定单元203被进一步配置成：对于上述用电数据信息组集合中的每个用电数据信息组，执行以下步骤：将上述用电数据信息组包括的各个用电数据信息的均值确定为用电均值信息；将上述各个用电数据信息与上述用电均值信息的比值确定为量化用电数据信息组；对所确定的各个量化用电数据信息组进行列向量化处理，得到列向量化处理后的各个量化用电数据信息组作为量化用电数据信息组集合；根据上述量化用电数据信息组集合，确定用电信息矩阵；将上述用电信息矩阵中与上述用电数据信息组对应的列向量确定为用电量列向量；将上述用电信息矩阵中除上述用电量列向量之外的各个列向量确定为用电参数列向量集合；对上述用电量列向量与上述用电参数列向量集合中的每个用电参数列向量进行差值绝对值化处理，以生成用电差值列向量，得到用电差值列向量集合；将上述用电差值列向量集合组合为用电差值矩阵；确定上述用电差值矩阵中的最大元素值和最小元素值；基于上述最大元素值、上述最小元素值和上述用电差值矩阵，生成用电量关联系数矩阵；根据上述用电量关联系数矩阵，生成用电量关联度序列；基于上述用电量关联度序列，确定关键影响参数信息组集合。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300(例如计算设备)的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置301(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标地区的用电量影响参数信息组集合和用电量信息组；根据上述用电量影响参数信息组集合和上述用电量信息组，确定用电数据信息组集合；基于上述用电数据信息组集合，确定关键影响参数信息组集合；根据上述关键影响参数信息组集合，生成周期分量信息集合；将上述关键影响参数信息组集合和上述周期分量信息集合进行组合处理，以生成更新参数信息组集合；将上述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息；根据上述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一确定单元、第二确定单元、第一生成单元、组合单元、输入单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标地区的用电量影响参数信息组集合和用电量信息组的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (16)

1.一种用电负荷信息预测方法，包括：
获取目标地区的用电量影响参数信息组集合和用电量信息组；
根据所述用电量影响参数信息组集合和所述用电量信息组，确定用电数据信息组集合；
基于所述用电数据信息组集合，确定关键影响参数信息组集合；
根据所述关键影响参数信息组集合，生成周期分量信息集合；
将所述关键影响参数信息组集合和所述周期分量信息集合进行组合处理，以生成更新参数信息组集合；
将所述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息；
根据所述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。
2.根据权利要求1所述的方法，其中，所述方法还包括：
根据所述用电量信息和所述预测用电负荷信息，确定用电负荷信息；
将所述用电负荷信息发送至智能供配电系统，以控制所述目标地区的用电供应量。
3.根据权利要求1所述的方法，其中，在所述根据所述用电量影响参数信息组集合和所述用电量信息组，确定用电数据信息组集合之后，所述方法还包括：
对所述用电数据信息组集合进行异常值删除处理，得到异常值删除处理后的用电数据信息组集合作为第一用电数据信息组集合；
对所述第一用电数据信息组集合进行空值填充处理，得到空值填充处理后的第一用电数据信息组集合作为第二用电数据信息组集合；
将所述第二用电数据信息组集合确定为用电数据信息组集合，以对用电数据信息组集合进行更新。
4.根据权利要求1所述的方法，其中，所述用电量预测模型是通过以下方式训练得到的：
获取样本集，其中，所述样本集中的样本包括样本更新参数信息组，以及与样本更新参数信息组对应的样本用电量信息；
基于样本集执行以下训练步骤：
将样本集中的至少一个样本的样本更新参数信息组分别输入至初始用电量预测模型中，得到所述至少一个样本中的每个样本对应的用电量信息；
将所述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息进行比较；
根据比较结果确定初始用电量预测模型是否达到预设的优化目标；
响应于确定初始用电量预测模型达到所述优化目标，将初始用电量预测模型确定为训练完成的用电量预测模型。
5.根据权利要求4所述的方法，其中，训练得到所述用电量预测模型的步骤还包括：
响应于确定初始用电量预测模型未达到所述优化目标，调整初始用电量预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始用电量预测模型作为初始用电量预测模型，再次执行所述训练步骤。
6.根据权利要求2所述的方法，其中，所述根据所述用电量信息和所述预测用电负荷信息，确定用电负荷信息，包括：
将第一预设差值信息的倒数确定为第一倒数信息，其中，所述第一预测差值信息为所述用电量预测模型进行模型训练时真实值和预测值之间差值的平方和；
将第二预设差值信息的倒数确定为第二倒数信息，其中，所述第二预设差值信息为所述用电负荷预测树模型进行模型训练时真实值和预测值之间差值的平方和；
将所述第一倒数信息和所述第二倒数信息的和确定为误差倒数信息；
将所述第一倒数信息与所述误差倒数信息的比值确定为第一误差倒数信息；
将所述第二倒数信息与所述误差倒数信息的比值确定为第二误差倒数信息；
将所述用电量信息与所述第一误差倒数信息的乘积确定为权重用电量信息；
将所述预测用电负荷信息与第二误差倒数信息的乘积确定为权重预测用电负荷信息；
将所述权重用电量信息与所述权重预测用电负荷信息的和确定为用电负荷信息。
7.根据权利要求1所述的方法，其中，所述基于所述用电数据信息组集合，确定关键影响参数信息组集合，包括：
对于所述用电数据信息组集合中的每个用电数据信息组，执行以下步骤：
将所述用电数据信息组包括的各个用电数据信息的均值确定为用电均值信息；
将所述各个用电数据信息与所述用电均值信息的比值确定为量化用电数据信息组；
对所确定的各个量化用电数据信息组进行列向量化处理，得到列向量化处理后的各个量化用电数据信息组作为量化用电数据信息组集合；
根据所述量化用电数据信息组集合，确定用电信息矩阵；
将所述用电信息矩阵中与所述用电数据信息组对应的列向量确定为用电量列向量；
将所述用电信息矩阵中除所述用电量列向量之外的各个列向量确定为用电参数列向量集合；
对所述用电量列向量与所述用电参数列向量集合中的每个用电参数列向量进行差值绝对值化处理，以生成用电差值列向量，得到用电差值列向量集合；
将所述用电差值列向量集合组合为用电差值矩阵；
确定所述用电差值矩阵中的最大元素值和最小元素值；
基于所述最大元素值、所述最小元素值和所述用电差值矩阵，生成用电量关联系数矩阵；
根据所述用电量关联系数矩阵，生成用电量关联度序列；
基于所述用电量关联度序列，确定关键影响参数信息组集合。
8.一种用电负荷信息预测装置，包括：
获取单元，被配置成获取目标地区的用电量影响参数信息组集合和用电量信息组；
第一确定单元，被配置成根据所述用电量影响参数信息组集合和所述用电量信息组，确定用电数据信息组集合；
第二确定单元，被配置成基于所述用电数据信息组集合，确定关键影响参数信息组集合；
第一生成单元，被配置成根据所述关键影响参数信息组集合，生成周期分量信息集合；
组合单元，被配置成将所述关键影响参数信息组集合和所述周期分量信息集合进行组合处理，以生成更新参数信息组集合；
输入单元，被配置成将所述更新参数信息组集合输入至预先训练的用电量预测模型中，得到用电量信息；
第二生成单元，被配置成根据所述用电量信息组和预先训练的用电负荷预测树模型，生成预测用电负荷信息。
9.根据权利要求8所述的用电负荷信息预测装置，其中，所述用电负荷信息预测装置还包括：
确定单元，被配置成根据所述用电量信息和所述预测用电负荷信息，确定用电负荷信息；
发送单元，被配置成将所述用电负荷信息发送至智能供配电系统，以控制所述目标地区的用电供应量。
10.根据权利要求8所述的用电负荷信息预测装置，其中，在所述根据所述用电量影响参数信息组集合和所述用电量信息组，确定用电数据信息组集合之后，所述用电负荷信息预测装置还包括：
对所述用电数据信息组集合进行异常值删除处理，得到异常值删除处理后的用电数据信息组集合作为第一用电数据信息组集合；
对所述第一用电数据信息组集合进行空值填充处理，得到空值填充处理后的第一用电数据信息组集合作为第二用电数据信息组集合；
将所述第二用电数据信息组集合确定为用电数据信息组集合，以对用电数据信息组集合进行更新。
11.根据权利要求8所述的用电负荷信息预测装置，其中，所述用电量预测模型是通过以下方式训练得到的：
获取样本集，其中，所述样本集中的样本包括样本更新参数信息组，以及与样本更新参数信息组对应的样本用电量信息；
基于样本集执行以下训练步骤：
将样本集中的至少一个样本的样本更新参数信息组分别输入至初始用电量预测模型中，得到所述至少一个样本中的每个样本对应的用电量信息；
将所述至少一个样本中的每个样本对应的用电量信息与对应的样本用电量信息进行比较；
根据比较结果确定初始用电量预测模型是否达到预设的优化目标；
响应于确定初始用电量预测模型达到所述优化目标，将初始用电量预测模型确定为训练完成的用电量预测模型。
12.根据权利要求11所述的用电负荷信息预测装置，其中，训练得到所述用电量预测模型的步骤还包括：
响应于确定初始用电量预测模型未达到所述优化目标，调整初始用电量预测模型的网络参数，以及使用未用过的样本组成样本集，使用调整后的初始用电量预测模型作为初始用电量预测模型，再次执行所述训练步骤。
13.根据权利要求9所述的用电负荷信息预测装置，其中，所述确定单元被进一步配置成：
将第一预设差值信息的倒数确定为第一倒数信息，其中，所述第一预测差值信息为所述用电量预测模型进行模型训练时真实值和预测值之间差值的平方和；
将第二预设差值信息的倒数确定为第二倒数信息，其中，所述第二预设差值信息为所述用电负荷预测树模型进行模型训练时真实值和预测值之间差值的平方和；
将所述第一倒数信息和所述第二倒数信息的和确定为误差倒数信息；
将所述第一倒数信息与所述误差倒数信息的比值确定为第一误差倒数信息；
将所述第二倒数信息与所述误差倒数信息的比值确定为第二误差倒数信息；
将所述用电量信息与所述第一误差倒数信息的乘积确定为权重用电量信息；
将所述预测用电负荷信息与第二误差倒数信息的乘积确定为权重预测用电负荷信息；
将所述权重用电量信息与所述权重预测用电负荷信息的和确定为用电负荷信息。
14.根据权利要求8所述的用电负荷信息预测装置，其中，所述第二确定单元被进一步配置成：
对于所述用电数据信息组集合中的每个用电数据信息组，执行以下步骤：
将所述用电数据信息组包括的各个用电数据信息的均值确定为用电均值信息；
将所述各个用电数据信息与所述用电均值信息的比值确定为量化用电数据信息组；
对所确定的各个量化用电数据信息组进行列向量化处理，得到列向量化处理后的各个量化用电数据信息组作为量化用电数据信息组集合；
根据所述量化用电数据信息组集合，确定用电信息矩阵；
将所述用电信息矩阵中与所述用电数据信息组对应的列向量确定为用电量列向量；
将所述用电信息矩阵中除所述用电量列向量之外的各个列向量确定为用电参数列向量集合；
对所述用电量列向量与所述用电参数列向量集合中的每个用电参数列向量进行差值绝对值化处理，以生成用电差值列向量，得到用电差值列向量集合；
将所述用电差值列向量集合组合为用电差值矩阵；
确定所述用电差值矩阵中的最大元素值和最小元素值；
基于所述最大元素值、所述最小元素值和所述用电差值矩阵，生成用电量关联系数矩阵；
根据所述用电量关联系数矩阵，生成用电量关联度序列；
基于所述用电量关联度序列，确定关键影响参数信息组集合。
15.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202311600812.5A 2023-11-27 2023-11-27 用电负荷信息预测方法、装置、电子设备和可读介质 Pending CN117913779A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311600812.5A CN117913779A (zh) 2023-11-27 2023-11-27 用电负荷信息预测方法、装置、电子设备和可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311600812.5A CN117913779A (zh) 2023-11-27 2023-11-27 用电负荷信息预测方法、装置、电子设备和可读介质

Publications (1)

Publication Number Publication Date
CN117913779A true CN117913779A (zh) 2024-04-19

Family

ID=90682793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311600812.5A Pending CN117913779A (zh) 2023-11-27 2023-11-27 用电负荷信息预测方法、装置、电子设备和可读介质

Country Status (1)

Country Link
CN (1) CN117913779A (zh)

Similar Documents

Publication Publication Date Title
US11620532B2 (en) Method and apparatus for generating neural network
CN114265979B (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
CN115085196B (zh) 电力负荷预测值确定方法、装置、设备和计算机可读介质
CN116703131B (zh) 电力资源分配方法、装置、电子设备和计算机可读介质
CN115759444B (zh) 电力设备分配方法、装置、电子设备和计算机可读介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN117236805B (zh) 电力设备控制方法、装置、电子设备和计算机可读介质
CN114492641A (zh) 电力负荷预测方法、装置、设备及存储介质
CN115700548A (zh) 用户行为预测的方法、设备和计算机程序产品
CN115292390B (zh) 负荷信息生成方法、装置、电子设备和计算机可读介质
CN116388112A (zh) 异常供应端断电方法、装置、电子设备和计算机可读介质
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN117913779A (zh) 用电负荷信息预测方法、装置、电子设备和可读介质
CN115907136A (zh) 电动汽车调度方法、装置、设备和计算机可读介质
CN118350610B (zh) 生产资源调度方法、装置、电子设备与可读介质
CN115577980B (zh) 电力设备调控方法、装置、电子设备和介质
CN116894163B (zh) 基于信息安全的充放电设施负荷预测信息生成方法和装置
CN116757443B (zh) 新型配电网电力线损率预测方法、装置、电子设备和介质
CN117040135B (zh) 电力设备供电方法、装置、电子设备和计算机可读介质
CN118082598B (zh) 电动车辆充电方法、装置、设备、介质和程序产品
CN117170821B (zh) 一种业务处理方法、装置、电子设备及计算机可读介质
CN116822259B (zh) 基于场景模拟的评价信息生成方法、装置和电子设备
CN117708768A (zh) 负荷信息发送方法、装置、电子设备和可读介质
CN117235535B (zh) 异常供应端断电方法、装置、电子设备和介质
CN112348587B (zh) 信息推送方法、装置和电子设备

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