CN117955095A - 电力负荷预测方法、装置、电子设备及存储介质 - Google Patents
电力负荷预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117955095A CN117955095A CN202410045034.6A CN202410045034A CN117955095A CN 117955095 A CN117955095 A CN 117955095A CN 202410045034 A CN202410045034 A CN 202410045034A CN 117955095 A CN117955095 A CN 117955095A
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- model
- prediction model
- historical
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012549 training Methods 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力负荷预测方法、装置、电子设备及存储介质,该方法包括获取目标城市中每个区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个区域对应的电力负荷参数数据与电力负荷数据之间的第二关系,根据每个区域的第一关系,确定目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个区域的第二关系,确定目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系,基于第三关系和第四关系确定在目标时间段内目标城市的目标电力负荷数据。采用本发明实施例,能够快速精准地预测出在目标时间段内目标城市的目标电力负荷数据。
Description
技术领域
本发明涉及电力预测技术领域,尤其涉及一种电力负荷预测方法、装置、电子设备及存储介质。
背景技术
电力负荷预测是电力市场能量管理系统的重要组成部分,电力负荷预测是针对负荷随机性和不确定性的特点,充分研究和利用现有历史数据,建立一套符合历史数据连续性、周期性等特点的数学模型,在满足较高精度的意义上,确定未来几小时、一天或几天的电力负荷。因此,电力负荷预测是电力系统安全、经济运行的有效保障,也是市场环境中编排调度计划、供电计划、交易计划的基础。提高电力负荷预测的预测精度,有利于电力系统安全稳定运行,有利于减少电力运行成本,有利于协调发电、输电与用电关系,提升电力企业效益。
然而,对于不同的地域/地区,由于存在不同的自然环境和社会环境因素,使得不同地域/地区无法共用同一个电力负荷预测方法,这对于包含有多个不同地域/地区的城市来说,更加无法适用同一个电力负荷预测方法,从而无法快速预测出包含有多个不同地域/地区的城市的电力负荷数据。
发明内容
本发明实施例的目的是提供一种电力负荷预测方法、装置、电子设备及存储介质,以解决无法快速预测出包含有多个不同地域/地区的城市的电力负荷数据的技术问题。
第一方面,本发明实施例提供了一种电力负荷预测方法,包括:
获取目标城市中每个区域对应的历史电力负荷数据和历史电力负荷参数数据,所述历史电力负荷参数数据为与所述历史电力负荷数据存在相关性的参数数据;
根据每个所述区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个所述区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个所述区域对应的电力负荷参数数据与电力负荷数据之间的第二关系;
根据每个所述区域的所述第一关系,确定所述目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个所述区域的所述第二关系,确定所述目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系;
基于所述第三关系和所述第四关系,确定在目标时间段内所述目标城市的目标电力负荷数据。
在一些实施例中,所述历史电力负荷参数数据包括历史气温数据和历史人口数量数据;
所述根据每个所述区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个所述区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个所述区域对应的电力负荷参数数据与电力负荷数据之间的第二关系的步骤,包括:
将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型,所述第一预测模型用于学习不同时间段与每个所述区域对应的气温数据和人口数量数据之间的第一关系;
将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型,所述第二预测模型用于学习每个所述区域对应的气温数据和人口数量数据与电力负荷数据之间的第二关系。
在一些实施例中,所述根据每个所述区域的所述第一关系,确定所述目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个所述区域的所述第二关系,确定所述目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系的步骤,包括:
通过所有所述区域的所述第一预测模型,对所述目标城市的第三待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第三预测模型,所述第三预测模型用于学习所述目标城市对应的不同时间段,与气温数据和人口数量数据之间的第三关系;
通过所有所述区域的所述第二预测模型,对所述目标城市的第四待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第四预测模型,所述第四预测模型用于学习所述目标城市对应的气温数据和人口数量数据,与电力负荷数据之间的第四关系。
在一些实施例中,所述基于所述第三关系和所述第四关系,确定在目标时间段内所述目标城市的目标电力负荷数据的步骤,包括:
调用所述第三预测模型,确定在目标时间段内所述目标城市的目标气温数据和目标人口数量数据;
调用所述第四预测模型,确定所述目标城市在所述目标气温数据和目标人口数量数据的情况下对应的目标电力负荷数据。
在一些实施例中,所述将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型的步骤,包括:
将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,将所有所述区域共享的气温数据和人口数量数据作为第三训练集,采用所述第一训练集和所述第三训练集对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型;
将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型的步骤,包括:
将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,将所有所述区域共享的气温数据、人口数量数据以及电力负荷数据作为第四训练集,采用所述第二训练集和所述第四训练集对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型。
在一些实施例中,所述通过所有所述区域的所述第一预测模型,对所述目标城市的第三待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第三预测模型的步骤,包括:
确定每个所述区域的所述第一预测模型与第三待训练预测模型之间的第一模型差异参数;
根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数;
基于所述第三待训练预测模型和所述第二模型参数,构建所述目标城市对应的第三预测模型;
所述通过所有所述区域的所述第二预测模型,对所述目标城市的第四待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第四预测模型的步骤,包括:
确定每个所述区域的所述第二预测模型与第四待训练预测模型之间的第二模型差异参数;
根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数;
基于所述第四待训练预测模型和所述第四模型参数,构建所述目标城市对应的第四预测模型。
在一些实施例中,在所述根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数的步骤之前,所述方法还包括:
根据每个所述第一预测模型的第一模型参数和所述第三待训练预测模型的第一待优化模型参数之间的关系,构建各所述第一模型参数和所述第一待优化模型参数之间的第一目标函数;
所述根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数的步骤,包括:
最小化所述第一目标函数,得到所述第三待训练预测模型的第二模型参数;
在所述根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数的步骤之前,所述方法还包括:
根据每个所述第二预测模型的第三模型参数和所述第四待训练预测模型的第二待优化模型参数之间的关系,构建各所述第二模型参数和所述第二待优化模型参数之间的第二目标函数;
所述根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数的步骤,包括:
最小化所述第二目标函数,得到所述第四待训练预测模型的第四模型参数。
第二方面,本发明实施例提供了一种电力负荷预测装置,包括:
获取模块,用于获取目标城市中每个区域对应的历史电力负荷数据和历史电力负荷参数数据,所述历史电力负荷参数数据为与所述历史电力负荷数据存在相关性的参数数据;
第一确定模块,用于根据每个所述区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个所述区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个所述区域对应的电力负荷参数数据与电力负荷数据之间的第二关系;
第二确定模块,用于根据每个所述区域的所述第一关系,确定所述目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个所述区域的所述第二关系,确定所述目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系;
第三确定模块,用于基于所述第三关系和所述第四关系,确定在目标时间段内所述目标城市的目标电力负荷数据。
第三方面,本发明实施例提供了一种电子设备,电子设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的电力负荷预测方法中的步骤。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的电力负荷预测方法中的步骤。
本发明实施例提供了一种电力负荷预测方法、装置、电子设备及存储介质,该方法通过局部区域也即每个区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个区域对应的电力负荷参数数据与电力负荷数据之间的第二关系,确定出包含所有区域的目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,以及电力负荷参数数据与电力负荷数据之间的第四关系,从而能够基于针对目标城市对应的第三关系和第四关系,实现快速精准地预测出在目标时间段内目标城市的目标电力负荷数据。
附图说明
图1是本发明实施例提供的电力负荷预测方法的一种流程示意图;
图2是本发明实施例提供的电力负荷预测方法的另一种流程示意图;
图3是本发明实施例提供的电力负荷预测装置的一种结构示意图;
图4是本发明实施例提供的电力负荷预测装置的另一种结构示意图;
图5是本发明实施例提供的电子设备的一种结构示意图;
图6是本发明实施例提供的电子设备的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解的是,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
在相关技术中,电力负荷预测是电力市场能量管理系统的重要组成部分,电力负荷预测是针对负荷随机性和不确定性的特点,充分研究和利用现有历史数据,建立一套符合历史数据连续性、周期性等特点的数学模型,在满足较高精度的意义上,确定未来几小时、一天或几天的电力负荷。因此,电力负荷预测是电力系统安全、经济运行的有效保障,也是市场环境中编排调度计划、供电计划、交易计划的基础。提高电力负荷预测的预测精度,有利于电力系统安全稳定运行,有利于减少电力运行成本,有利于协调发电、输电与用电关系,提升电力企业效益。
然而,对于不同的地域/地区,由于存在不同的自然环境和社会环境因素,使得不同地域/地区无法共用同一个电力负荷预测方法,这对于包含有多个不同地域/地区的城市来说,更加无法适用同一个电力负荷预测方法,从而无法快速预测出包含有多个不同地域/地区的城市的电力负荷数据。
为了解决相关技术中存在的技术问题,本发明实施例提供了一种电力负荷预测方法,请参见图1,图1是本发明实施例提供的电力负荷预测方法的一种流程示意图,该方法包括步骤101至步骤104;
步骤101,获取目标城市中每个区域对应的历史电力负荷数据和历史电力负荷参数数据。
其中,本实施例提供的所述历史电力负荷参数数据为与所述历史电力负荷数据存在相关性的参数数据。具体的,本实施例提供的历史电力负荷参数数据可以为环境因素数据和社会因素数据,例如气温数据和人口数量数据等,只要与电力负荷数据存在相关性均可作为本实施例的电力负荷参数数据。
在本实施例中,本实施例提供的历史电力负荷数据和历史电力负荷参数数据,可以是对应区域前1年内的历史电力负荷数据和历史电力负荷参数数据,也可以是对应区域前20-前1年内的历史电力负荷数据和历史电力负荷参数数据,只要能够提供对应区域准确的历史电力负荷数据和历史电力负荷参数数据即可,在此不作具体的限定。
步骤102,根据每个所述区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个所述区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个所述区域对应的电力负荷参数数据与电力负荷数据之间的第二关系。
在本实施例中,由于不同区域具有不同的环境因素数据和社会因素数据,也即不同区域具有不同的电力负荷参数数据,因此,本实施例可以分别对不同的区域进行分析,以确定目标城市中每个区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及电力负荷参数数据与电力负荷数据之间的第二关系。在确定每个区域对应的第一关系和第二关系之后,即可根据每个区域对应的第一关系,预测出未来指定的时间段内对应的电力负荷参数数据,然后根据预测出的电力负荷参数数据以及第二关系,预测出对应区域在所述未来指定的时间段内对应的电力负荷数据,从而可以实现对应区域的电力负荷数据的精准预测。
其中,本实施例主要是采用与特定区域对应的电力负荷参数数据和电力负荷数据,对特定区域进行分析,从而能够得出针对该特定区域的第一关系和第二关系,以便通过该特定区域的第一关系和第二关系,精准地预测出该特定区域未来的电力负荷数据,有效提高指定区域的电力负荷数据的预测精度。
步骤103,根据每个所述区域的所述第一关系,确定所述目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个所述区域的所述第二关系,确定所述目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系。
在本实施例中,在确定了目标城市中每个区域对应的第一关系和第二关系后,即可对所有的区域对应的第一关系和第二关系进行分析,以得到目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,以及电力负荷参数数据与电力负荷数据之间的第四关系,从而能够直接根据第三关系和第四关系,快速且准确地对目标城市在指定时间段内的电力负荷数据进行预测。
具体的,本实施例可以采用由每个区域根据第一关系,预测到的指定时间段内对应的电力负荷参数数据的平均值,作为待分析的电力负荷参数数据,然后对多个不同的指定时间段和对应的多个待分析的电力负荷参数数据进行分析,以得出目标城市对应的不同时间段与电力负荷参数数据之间的第三关系;同理,本实施例可以采用由每个区域根据第二关系和指定电力负荷参数数据,预测到的在未来指定的时间段内对应的电力负荷数据的平均值,作为待分析的电力负荷数据,然后对多个不同的指定电力负荷参数数据,和对应的多个待分析的电力负荷数据进行分析,以得出目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系。
步骤104,基于所述第三关系和所述第四关系,确定在目标时间段内所述目标城市的目标电力负荷数据。
在得到目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,以及电力负荷参数数据与电力负荷数据之间的第四关系之后,即可直接根据该第三关系和第四关系,快速精准地预测出目标城市在未来时间段内对应的电力负荷数据。
由于本实施例在目标城市的局部预测上,提供了精准的时间段与电力负荷参数数据之间的第一关系,以及电力负荷参数数据与电力负荷数据之间的第二关系,因此,通过由第一关系和第二关系分析得到的第三关系和第四关系,能够为目标城市在全局预测上提供较高的精准度,从而便于通过第三关系和第四关系,快速精准地预测出目标城市在未来时间段对应的电力负荷数据。
在一些实施例中,本实施例提供的所述历史电力负荷参数数据可以为历史气温数据和历史人口数量数据,请参见图2,图2是本发明实施例提供的电力负荷预测方法的另一种流程示意图,如图2所示,本发明实施例提供的电力负荷预测方法,包括步骤201至步骤207;
步骤201,获取目标城市中每个区域对应的历史电力负荷数据、历史气温数据以及历史人口数量数据。
步骤202,将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型。
其中,本实施例提供的所述第一预测模型用于学习不同时间段与每个所述区域对应的气温数据和人口数量数据之间的第一关系。
在本实施例中,本实施例采用CNN卷积神经网络模型作为第一待训练预测模型,并采用每个所述区域对应的第一训练集对第一待训练预测模型进行训练直至收敛,从而即可得到每个所述区域对应的第一预测模型。
作为可选的实施例,为了提高后续联合学习训练得到的第三预测模型的预测精度,本实施例可以在对第一待训练预测模型进行训练时,加入所有区域均可共享的历史气温数据和历史人口数量数据,以提高后续进行联合学习训练得到的预测模型的精度。具体的,本实施例提供的所述将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型的步骤,可以为:将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,将所有所述区域共享的气温数据和人口数量数据作为第三训练集,采用所述第一训练集和所述第三训练集对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型。
其中,本实施例提供的用于所有所述区域共享的气温数据和人口数量数据,可以是某个区域对应的历史气温数据和历史人口数据,也可以是多个区域的历史气温数据的均值和历史人口数据的均值,只要是由所述目标城市中的所述区域提供的历史气温数据和历史人口数据构建的数据即可,在此不作具体限定。
步骤203,将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型。
其中,本实施例提供的所述第二预测模型用于学习每个所述区域对应的气温数据和人口数量数据与电力负荷数据之间的第二关系。
在本实施例中,本实施例提供的第二待训练预测模型也可以采用CNN卷积神经网络作为基础网络,并采用每个所述区域对应的第二训练集对第二待训练预测模型进行训练直至收敛,从而即可得到每个所述区域对应的第二预测模型。
具体的,本实施例采用的CNN卷积神经网络可以为Elman神经网络,本实施例提供的Elman神经网络可以包括输入层、隐含层、承接层以及输出层。输入层、隐含层以及输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可以采用线性或非线性函数,承接层又称为上下文层或者状态层,用来记忆隐含层单元前一时刻的输出值并返回给网络的输入,可以认为是一个一步延时算子。Elman神经网络的特点是隐含层的输出通过承接层的延迟与储存,自联到隐含层的输入。这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到动态建模的目的。此外EIman神经网络能够以任意精度逼近任意非线性映射,可以不考虑外部噪声对系统影响的具体形式,如果给出系统的输入输出数据对,就可以对系统进行建模,从而提高构建得到的预测模型的预测精度。
作为可选的实施例,为了提高后续联合学习训练得到的第四预测模型的预测精度,本实施例可以在对第二待训练预测模型进行训练时,加入所有区域均可共享的气温数据、人口数量数据以及电力负荷数据,以提高后续进行联合学习训练得到的预测模型的精度。具体的,本实施例提供的将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型的步骤,可以为:将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,将所有所述区域共享的气温数据、人口数量数据以及电力负荷数据作为第四训练集,采用所述第二训练集和所述第四训练集对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型。
其中,本实施例提供的用于所有所述区域共享的气温数据、人口数量数据以及电力负荷数据,可以是某个区域对应的历史气温数据、历史人口数量数据以及历史电力负荷数据,也可以是多个区域的历史气温数据的均值、历史人口数据的均值以及历史电力负荷数据的均值,只要是由所述目标城市中的所述区域提供的历史气温数据、历史人口数据以及历史电力负荷数据构建的数据即可,在此不作具体限定。
在本实施例中,在经过大量的实验后确定,在多个不同的区域中加入共享数据,能够有效提高后续联合学习训练得到的预测模型的精度。具体的,本实施例在对第一待训练预测模型和第二待训练预测模型进行训练时,所加入的共享数据的数据量与第一数据集/第二数据集的数据量之比不大于1,优先的,本实施例所加入的共享数据的数据量为第一数据集/第二数据集的数据量的10%。
需要说明的是,本实施例所加入的共享数据的数据量与第一数据集/第二数据集的数据量之比,可以根据具体的应用需求进行设定,在此不作具体限定。
步骤204,通过所有所述区域的所述第一预测模型,对所述目标城市的第三待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第三预测模型。
其中,本实施例提供的所述第三预测模型用于学习所述目标城市对应的不同时间段,与气温数据和人口数量数据之间的第三关系。
在一些实施例中,本实施例提供的所述通过所有所述区域的所述第一预测模型,对所述目标城市的第三待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第三预测模型的步骤,可以为:确定每个所述区域的所述第一预测模型与第三待训练预测模型之间的第一模型差异参数;根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数;基于所述第三待训练预测模型和所述第二模型参数,构建所述目标城市对应的第三预测模型。
其中,本实施例是将第三待训练预测模型的模型参数作为需要优化的模型参数,以根据第一预测模型与第三待训练预测模型之间的第一模型差异参数,以及第一预测模型的第一模型参数,优化第三待训练预测模型的模型参数,从而得到优化后的第二模型参数,进而可以基于所述第三待训练预测模型和所述第二模型参数,构建所述目标城市对应的第三预测模型。
具体的,在本实施例提供的所述根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数的步骤之前,本实施例提供的电力负荷预测方法还可以包括:根据每个所述第一预测模型的第一模型参数和所述第三待训练预测模型的第一待优化模型参数之间的关系,构建各所述第一模型参数和所述第一待优化模型参数之间的第一目标函数。
在得到各所述第一模型参数和所述第一待优化模型参数之间的第一目标函数之后,即可通过所述第一目标函数,实现优化第三待训练预测模型的模型参数的目的。具体的,本实施例提供的所述根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数的步骤,可以为:最小化所述第一目标函数,得到所述第三待训练预测模型的第二模型参数。
其中,本实施例提供的所述第一目标函数可以为:
其中,为所述第一目标函数,i为第i个所述区域,/>为第i个所述区域对应的第一预测模型所采用的损失函数,/>为第i个所述区域的第一预测模型的第一模型参数,为第i个所述区域的第一预测模型与第三待训练预测模型之间的所述第一模型差异参数,w1为所述第一待优化模型参数,α为惩罚系数,用于限制模型的学习能力,0<α<1。
本实施例通过添加一个L2准则的惩罚项,对第一目标函数进行约束,以实现对第一待优化模型参数进行优化,从而能够得到所述第三待训练预测模型最优的第二模型参数,有效提高得到的第三预测模型的预测精度。
步骤205,通过所有所述区域的所述第二预测模型,对所述目标城市的第四待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第四预测模型。
其中,本实施例提供的所述第四预测模型用于学习所述目标城市对应的气温数据和人口数量数据,与电力负荷数据之间的第四关系。
在本实施例中,传统的机器学习需要将数据汇聚到中心后进行模型训练。在此训练过程中需要转移原始存储数据,随着数据量的增加,相对的成本也指数级增加。而联合学习技术,可以允许不同的地区拥有的数据具有非相同的分布,还可以实现多个地区间构建统一的数据安全、高效、合规的多源数据应用生态系统,实现跨地区的数据共享融合,通过扩大样本量、增加数据维度为大数据应用提供高精度模型构建的有力支撑,进而提供更丰富、高质量的大数据服务。
基于联合学习技术,本实施例采用由多个相互独立的区域所特有的历史电力负荷数据、历史气温数据以及历史人口数量数据,训练得到的第一预测模型和第二预测模型,对目标城市对应的第三待训练预测模型和第四待训练预测模型进行联合学习训练直至收敛,从而能够得到具有大量样本以及多个数据维度的数据支撑,且具有高精度的第三预测模型和第四预测模型。如此,即可采用第三预测模型和第四预测模型,实现对所述目标城市在目标时间段内对应的目标电力负荷数据的精准预测。
在一些实施例中,本实施例提供的所述通过所有所述区域的所述第二预测模型,对所述目标城市的第四待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第四预测模型的步骤,可以为:确定每个所述区域的所述第二预测模型与第四待训练预测模型之间的第二模型差异参数;根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数;基于所述第四待训练预测模型和所述第四模型参数,构建所述目标城市对应的第四预测模型。
其中,本实施例是将第四待训练预测模型的模型参数作为需要优化的模型参数,以根据第二预测模型与第四待训练预测模型之间的第二模型差异参数,以及第二预测模型的第三模型参数,优化第四待训练预测模型的模型参数,从而得到优化后的第四模型参数,进而可以基于所述第四待训练预测模型和所述第四模型参数,构建所述目标城市对应的第四预测模型。
具体的,在本实施例提供的所述根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数的步骤之前,本实施例提供的电力负荷预测方法还可以包括:根据每个所述第二预测模型的第三模型参数和所述第四待训练预测模型的第二待优化模型参数之间的关系,构建各所述第二模型参数和所述第二待优化模型参数之间的第二目标函数。
在得到各所述第二模型参数和所述第二待优化模型参数之间的第二目标函数之后,即可通过所述第二目标函数,实现优化第四待训练预测模型的模型参数的目的。具体的,本实施例提供的所述根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数的步骤,可以为:最小化所述第二目标函数,得到所述第四待训练预测模型的第四模型参数。
其中,本实施例提供的所述第二目标函数可以为:
其中,为所述第二目标函数,i为第i个所述区域,/>为第i个所述区域对应的第二预测模型所采用的损失函数,/>为第i个所述区域的第二预测模型的第三模型参数,为第i个所述区域的第二预测模型与第四待训练预测模型之间的所述第二模型差异参数,w2为所述第二待优化模型参数,α为惩罚系数,用于限制模型的学习能力,0<α<1。
本实施例通过添加一个L2准则的惩罚项,对第二目标函数进行约束,以实现对第二待优化模型参数进行优化,从而能够得到所述第四待训练预测模型最优的第四模型参数,有效提高得到的第四预测模型的预测精度。
步骤206,调用所述第三预测模型,确定在目标时间段内所述目标城市的目标气温数据和目标人口数量数据。
步骤207,调用所述第四预测模型,确定所述目标城市在所述目标气温数据和目标人口数量数据的情况下对应的目标电力负荷数据。
在本实施例中,由于本实施例提供的第三预测模型和第四预测模型,均是由所有区域对应的预测模型进行联合学习训练得到,从而使得第三预测模型和第四预测模型均具有大量样本以及多个数据维度的数据支撑,从而有效的提高了第三预测模型和第四预测模型的预测精度,能够实现快速精准地预测出在目标时间段内目标城市的目标电力负荷数据。
综上,本发明实施例提供了一种电力负荷预测方法,该方法包括获取目标城市中每个区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个区域对应的电力负荷参数数据与电力负荷数据之间的第二关系,根据每个区域的第一关系,确定目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个区域的第二关系,确定目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系,基于第三关系和第四关系确定在目标时间段内目标城市的目标电力负荷数据。采用本发明实施例,能够快速精准地预测出在目标时间段内目标城市的目标电力负荷数据。
根据上述实施例所描述的方法,本实施例将从电力负荷预测装置的角度进一步进行描述,该电力负荷预测装置具体可以作为独立的实体来实现,也可以集成在电子设备,比如终端中来实现,该终端可以包括手机、平板电脑等。
请参见图3,图3是本发明实施例提供的电力负荷预测装置的一种结构示意图,如图3所示,本发明实施例提供的电力负荷预测装置300,包括:获取模块301、第一确定模块302、第二确定模块303以及第三确定模块304;
其中,获取模块301,用于获取目标城市中每个区域对应的历史电力负荷数据和历史电力负荷参数数据,所述历史电力负荷参数数据为与所述历史电力负荷数据存在相关性的参数数据。
第一确定模块302,用于根据每个所述区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个所述区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个所述区域对应的电力负荷参数数据与电力负荷数据之间的第二关系。
第二确定模块303,用于根据每个所述区域的所述第一关系,确定所述目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个所述区域的所述第二关系,确定所述目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系。
第三确定模块304,用于基于所述第三关系和所述第四关系,确定在目标时间段内所述目标城市的目标电力负荷数据。
在一些实施例中,本实施例提供的所述历史电力负荷参数数据包括历史气温数据和历史人口数量数据。本实施例提供的第一确定模块302,具体用于:将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型,所述第一预测模型用于学习不同时间段与每个所述区域对应的气温数据和人口数量数据之间的第一关系;将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型,所述第二预测模型用于学习每个所述区域对应的气温数据和人口数量数据与电力负荷数据之间的第二关系。
在一些实施例中,本实施例提供的第二确定模块303,具体用于:通过所有所述区域的所述第一预测模型,对所述目标城市的第三待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第三预测模型,所述第三预测模型用于学习所述目标城市对应的不同时间段,与气温数据和人口数量数据之间的第三关系;通过所有所述区域的所述第二预测模型,对所述目标城市的第四待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第四预测模型,所述第四预测模型用于学习所述目标城市对应的气温数据和人口数量数据,与电力负荷数据之间的第四关系。
在一些实施例中,本实施例提供的第三确定模块304,具体用于:调用所述第三预测模型,确定在目标时间段内所述目标城市的目标气温数据和目标人口数量数据;调用所述第四预测模型,确定所述目标城市在所述目标气温数据和目标人口数量数据的情况下对应的目标电力负荷数据。
在一些实施例中,本实施例提供的第一确定模块302具体还用于:将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,将所有所述区域共享的气温数据和人口数量数据作为第三训练集,采用所述第一训练集和所述第三训练集对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型;将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,将所有所述区域共享的气温数据、人口数量数据以及电力负荷数据作为第四训练集,采用所述第二训练集和所述第四训练集对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型。
在一些实施例中,本实施例提供的第二确定模块303,具体还用于:确定每个所述区域的所述第一预测模型与第三待训练预测模型之间的第一模型差异参数;根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数;基于所述第三待训练预测模型和所述第二模型参数,构建所述目标城市对应的第三预测模型;确定每个所述区域的所述第二预测模型与第四待训练预测模型之间的第二模型差异参数;根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数;基于所述第四待训练预测模型和所述第四模型参数,构建所述目标城市对应的第四预测模型。
在一些实施例中,请参见图4,图4是本发明实施例提供的电力负荷预测装置的另一种结构示意图,如图4所示,本实施例提供的电力负荷预测装置300,还包括:第一构建模块305和第二构建模块306;
其中,所述第一构建模块305,用于根据每个所述第一预测模型的第一模型参数和所述第三待训练预测模型的第一待优化模型参数之间的关系,构建各所述第一模型参数和所述第一待优化模型参数之间的第一目标函数。
在本实施例中,本实施例提供的第二确定模块303,具体还用于:最小化所述第一目标函数,得到所述第三待训练预测模型的第二模型参数。
第二构建模块306,用于根据每个所述第二预测模型的第三模型参数和所述第四待训练预测模型的第二待优化模型参数之间的关系,构建各所述第二模型参数和所述第二待优化模型参数之间的第二目标函数。
在本实施例中,本实施例提供的第二确定模块303,具体还用于:最小化所述第二目标函数,得到所述第四待训练预测模型的第四模型参数。
具体实施时,以上各个模块和/或单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个模块和/或单元的具体实施可参见前面的方法实施例,具体可以达到的有益效果也请参看前面的方法实施例中的有益效果,在此不再赘述。
另外,请参见图5,图5是本发明实施例提供的电子设备的一种结构示意图,该电子设备可以是移动终端如智能手机、平板电脑等设备。如图5所示,电子设备500包括处理器501、存储器502。其中,处理器501与存储器502电性连接。
处理器501是电子设备500的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器502内的应用程序,以及调用存储在存储器502内的数据,执行电子设备500的各种功能和处理数据,从而对电子设备500进行整体监测。
在本实施例中,电子设备500中的处理器501会按照如下的步骤,将一个或一个以上的应用程序的进程对应的指令加载到存储器502中,并由处理器501来运行存储在存储器502中的应用程序,从而实现上述实施例提供的电力负荷预测方法中的任一步骤。
该电子设备500可以实现本发明实施例所提供的电力负荷预测方法任一实施例中的步骤,因此,可以实现本发明实施例所提供的任一电力负荷预测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
请参见图6,图6是本发明实施例提供的电子设备的另一种结构示意图,如图6所示,图6示出了本发明实施例提供的电子设备的具体结构框图,该电子设备可以用于实施上述实施例中提供的电力负荷预测方法。该电子设备600可以为移动终端如智能手机或笔记本电脑等设备。
RF电路610用于接收以及发送电磁波,实现电磁波与电信号的相互转换,从而与通讯网络或者其他设备进行通讯。RF电路610可包括各种现有的用于执行这些功能的电路元件,例如,天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。RF电路610可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术,包括但并不限于全球移动通信系统(Global System for Mobile Communication,GSM)、增强型移动通信技术(Enhanced DataGSM Environment,EDGE),宽带码分多址技术(Wideband Code Division MultipleAccess,WCDMA),码分多址技术(Code Division Access,CDMA)、时分多址技术(TimeDivision Multiple Access,TDMA),无线保真技术(Wireless Fidelity,Wi-Fi)(如美国电气和电子工程师协会标准IEEE 802.11a,IEEE 802.11b,IEEE802.11g和/或IEEE802.11n)、网络电话(Voice over Internet Protocol,VoIP)、全球微波互联接入(Worldwide Interoperability for Microwave Access,Wi-Max)、其他用于邮件、即时通讯及短消息的协议,以及任何其他合适的通讯协议,甚至可包括那些当前仍未被开发出来的协议。
存储器620可用于存储软件程序以及模块,如上述实施例中电力负荷预测方法对应的程序指令/模块,处理器680通过运行存储在存储器620内的软件程序以及模块,从而执行各种功能应用以及对电力负荷预测。
存储器620可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器620可进一步包括相对于处理器680远程设置的存储器,这些远程存储器可以通过网络连接至电子设备600。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入单元630可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地,输入单元630可包括触敏表面631以及其他输入设备632。触敏表面631,也称为触摸显示屏或者触控板,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面631上或在触敏表面631附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触敏表面631可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器680,并能接收处理器680发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面631。除了触敏表面631,输入单元630还可以包括其他输入设备632。具体地,其他输入设备632可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元640可用于显示由用户输入的信息或提供给用户的信息以及电子设备600的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元640可包括显示面板641,可选的,可以采用LCD(Liquid Crystal Display,液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板641。进一步的,触敏表面631可覆盖显示面板641,当触敏表面631检测到在其上或附近的触摸操作后,传送给处理器680以确定触摸事件的类型,随后处理器680根据触摸事件的类型在显示面板641上提供相应的视觉输出。虽然在图中,触敏表面631与显示面板641是作为两个独立的部件来实现输入和输出功能,但是在某些实施例中,可以将触敏表面631与显示面板641集成而实现输入和输出功能。
电子设备600还可包括至少一种传感器650,比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板641的亮度,接近传感器可在翻盖合上或者关闭时产生中断。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;至于电子设备600还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
音频电路660、扬声器661,传声器662可提供用户与电子设备600之间的音频接口。音频电路660可将接收到的音频数据转换后的电信号,传输到扬声器661,由扬声器661转换为声音信号输出;另一方面,传声器662将收集的声音信号转换为电信号,由音频电路660接收后转换为音频数据,再将音频数据输出处理器680处理后,经RF电路610以发送给比如另一终端,或者将音频数据输出至存储器620以便进一步处理。音频电路660还可能包括耳塞插孔,以提供外设耳机与电子设备600的通信。
电子设备600通过传输模块670(例如Wi-Fi模块)可以帮助用户接收请求、发送信息等,它为用户提供了无线的宽带互联网访问。虽然图中示出了传输模块670,但是可以理解的是,其并不属于电子设备600的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器680是电子设备600的控制中心,利用各种接口和线路连接整个手机的各个部分,通过运行或执行存储在存储器620内的软件程序和/或模块,以及调用存储在存储器620内的数据,执行电子设备600的各种功能和处理数据,从而对电子设备进行整体监测。可选的,处理器680可包括一个或多个处理核心;在一些实施例中,处理器680可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解地,上述调制解调处理器也可以不集成到处理器680中。
电子设备600还包括给各个部件供电的电源690(比如电池),在一些实施例中,电源可以通过电源管理系统与处理器680逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源690还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,电子设备600还包括摄像头(如前置摄像头、后置摄像头)、蓝牙模块等,在此不再赘述。具体在本实施例中,电子设备的显示单元是触摸屏显示器,移动终端还包括有存储器,以及一个或者一个以上的程序,其中一个或者一个以上程序存储于存储器中,且经配置以由一个或者一个以上处理器执行一个或者一个以上程序实现上述实施例提供的电力负荷预测方法中的任一步骤。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个模块的具体实施可参见前面的方法实施例,在此不再赘述。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。为此,本发明实施例提供一种存储介质,其中存储有多条指令,该指令能够被处理器执行时实现上述实施例所提供的电力负荷预测方法中的任一步骤。
其中,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令,可以执行本发明实施例所提供的电力负荷预测方法任一实施例中的步骤,因此,可以实现本发明实施例所提供的任一电力负荷预测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本申请实施例所提供的一种电力负荷预测方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。并且,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电力负荷预测方法,其特征在于,包括:
获取目标城市中每个区域对应的历史电力负荷数据和历史电力负荷参数数据,所述历史电力负荷参数数据为与所述历史电力负荷数据存在相关性的参数数据;
根据每个所述区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个所述区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个所述区域对应的电力负荷参数数据与电力负荷数据之间的第二关系;
根据每个所述区域的所述第一关系,确定所述目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个所述区域的所述第二关系,确定所述目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系;
基于所述第三关系和所述第四关系,确定在目标时间段内所述目标城市的目标电力负荷数据。
2.如权利要求1所述的方法,其特征在于,所述历史电力负荷参数数据包括历史气温数据和历史人口数量数据;
所述根据每个所述区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个所述区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个所述区域对应的电力负荷参数数据与电力负荷数据之间的第二关系的步骤,包括:
将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型,所述第一预测模型用于学习不同时间段与每个所述区域对应的气温数据和人口数量数据之间的第一关系;
将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型,所述第二预测模型用于学习每个所述区域对应的气温数据和人口数量数据与电力负荷数据之间的第二关系。
3.如权利要求2所述的方法,其特征在于,所述根据每个所述区域的所述第一关系,确定所述目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个所述区域的所述第二关系,确定所述目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系的步骤,包括:
通过所有所述区域的所述第一预测模型,对所述目标城市的第三待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第三预测模型,所述第三预测模型用于学习所述目标城市对应的不同时间段,与气温数据和人口数量数据之间的第三关系;
通过所有所述区域的所述第二预测模型,对所述目标城市的第四待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第四预测模型,所述第四预测模型用于学习所述目标城市对应的气温数据和人口数量数据,与电力负荷数据之间的第四关系。
4.如权利要求3所述的方法,其特征在于,所述基于所述第三关系和所述第四关系,确定在目标时间段内所述目标城市的目标电力负荷数据的步骤,包括:
调用所述第三预测模型,确定在目标时间段内所述目标城市的目标气温数据和目标人口数量数据;
调用所述第四预测模型,确定所述目标城市在所述目标气温数据和目标人口数量数据的情况下对应的目标电力负荷数据。
5.如权利要求2所述的方法,其特征在于,所述将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型的步骤,包括:
将不同时间段内每个所述区域对应的历史气温数据和历史人口数量数据作为第一训练集,将所有所述区域共享的气温数据和人口数量数据作为第三训练集,采用所述第一训练集和所述第三训练集对第一待训练预测模型进行训练直至收敛,得到每个所述区域对应的第一预测模型;
将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型的步骤,包括:
将每个所述区域对应的历史气温数据、历史人口数量数据,以及历史电力负荷数据作为第二训练集,将所有所述区域共享的气温数据、人口数量数据以及电力负荷数据作为第四训练集,采用所述第二训练集和所述第四训练集对第二待训练预测模型进行训练直至收敛,得到每个所述区域对应的第二预测模型。
6.如权利要求3所述的方法,其特征在于,所述通过所有所述区域的所述第一预测模型,对所述目标城市的第三待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第三预测模型的步骤,包括:
确定每个所述区域的所述第一预测模型与第三待训练预测模型之间的第一模型差异参数;
根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数;
基于所述第三待训练预测模型和所述第二模型参数,构建所述目标城市对应的第三预测模型;
所述通过所有所述区域的所述第二预测模型,对所述目标城市的第四待训练预测模型进行联合学习训练直至收敛,得到所述目标城市对应的第四预测模型的步骤,包括:
确定每个所述区域的所述第二预测模型与第四待训练预测模型之间的第二模型差异参数;
根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数;
基于所述第四待训练预测模型和所述第四模型参数,构建所述目标城市对应的第四预测模型。
7.如权利要求6所述的方法,其特征在于,在所述根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数的步骤之前,所述方法还包括:
根据每个所述第一预测模型的第一模型参数和所述第三待训练预测模型的第一待优化模型参数之间的关系,构建各所述第一模型参数和所述第一待优化模型参数之间的第一目标函数;
所述根据所述第一模型差异参数和每个所述第一预测模型的第一模型参数,确定所述第三待训练预测模型的第二模型参数的步骤,包括:
最小化所述第一目标函数,得到所述第三待训练预测模型的第二模型参数;
在所述根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数的步骤之前,所述方法还包括:
根据每个所述第二预测模型的第三模型参数和所述第四待训练预测模型的第二待优化模型参数之间的关系,构建各所述第二模型参数和所述第二待优化模型参数之间的第二目标函数;
所述根据所述第二模型差异参数和每个所述第二预测模型的第三模型参数,确定所述第四待训练预测模型的第四模型参数的步骤,包括:
最小化所述第二目标函数,得到所述第四待训练预测模型的第四模型参数。
8.一种电力负荷预测装置,其特征在于,包括:
获取模块,用于获取目标城市中每个区域对应的历史电力负荷数据和历史电力负荷参数数据,所述历史电力负荷参数数据为与所述历史电力负荷数据存在相关性的参数数据;
第一确定模块,用于根据每个所述区域对应的历史电力负荷数据和历史电力负荷参数数据,确定每个所述区域对应的不同时间段与电力负荷参数数据之间的第一关系,以及每个所述区域对应的电力负荷参数数据与电力负荷数据之间的第二关系;
第二确定模块,用于根据每个所述区域的所述第一关系,确定所述目标城市对应的不同时间段与电力负荷参数数据之间的第三关系,根据每个所述区域的所述第二关系,确定所述目标城市对应的电力负荷参数数据与电力负荷数据之间的第四关系;
第三确定模块,用于基于所述第三关系和所述第四关系,确定在目标时间段内所述目标城市的目标电力负荷数据。
9.一种电子设备,其特征在于,所述电子设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045034.6A CN117955095B (zh) | 2024-01-11 | 2024-01-11 | 电力负荷预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045034.6A CN117955095B (zh) | 2024-01-11 | 2024-01-11 | 电力负荷预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117955095A true CN117955095A (zh) | 2024-04-30 |
CN117955095B CN117955095B (zh) | 2024-06-25 |
Family
ID=90791600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410045034.6A Active CN117955095B (zh) | 2024-01-11 | 2024-01-11 | 电力负荷预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117955095B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329997A (zh) * | 2020-10-26 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 电力需求负荷预测方法及系统、电子设备和存储介质 |
CN112365098A (zh) * | 2020-12-07 | 2021-02-12 | 国网冀北电力有限公司承德供电公司 | 电力负荷的预测方法、装置、设备和存储介质 |
CN112734096A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 一种城市饱和负荷预测方法及系统 |
CN113255973A (zh) * | 2021-05-10 | 2021-08-13 | 曙光信息产业(北京)有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
US20220004941A1 (en) * | 2020-07-06 | 2022-01-06 | Samsung Electronics Co., Ltd. | Short-term load forecasting |
CN114492641A (zh) * | 2022-01-27 | 2022-05-13 | 清科优能(深圳)技术有限公司 | 电力负荷预测方法、装置、设备及存储介质 |
CN116307215A (zh) * | 2023-03-24 | 2023-06-23 | 广东电网有限责任公司广州供电局 | 一种电力系统的负荷预测方法、装置、设备及存储介质 |
-
2024
- 2024-01-11 CN CN202410045034.6A patent/CN117955095B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220004941A1 (en) * | 2020-07-06 | 2022-01-06 | Samsung Electronics Co., Ltd. | Short-term load forecasting |
CN112329997A (zh) * | 2020-10-26 | 2021-02-05 | 国网河北省电力有限公司雄安新区供电公司 | 电力需求负荷预测方法及系统、电子设备和存储介质 |
CN112365098A (zh) * | 2020-12-07 | 2021-02-12 | 国网冀北电力有限公司承德供电公司 | 电力负荷的预测方法、装置、设备和存储介质 |
CN112734096A (zh) * | 2020-12-31 | 2021-04-30 | 国网山东省电力公司青岛供电公司 | 一种城市饱和负荷预测方法及系统 |
CN113255973A (zh) * | 2021-05-10 | 2021-08-13 | 曙光信息产业(北京)有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN114492641A (zh) * | 2022-01-27 | 2022-05-13 | 清科优能(深圳)技术有限公司 | 电力负荷预测方法、装置、设备及存储介质 |
CN116307215A (zh) * | 2023-03-24 | 2023-06-23 | 广东电网有限责任公司广州供电局 | 一种电力系统的负荷预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117955095B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163367B (zh) | 一种终端部署方法和装置 | |
CN111050370A (zh) | 网络切换方法、装置、存储介质及电子设备 | |
CN106096359A (zh) | 一种解锁控制方法及移动终端 | |
US10324134B2 (en) | Method and device for ascertaining required charging time | |
CN114781766A (zh) | 水文站点的水文信息预测方法、装置、设备及存储介质 | |
CN110490295B (zh) | 一种数据处理方法及处理装置 | |
WO2018214760A1 (zh) | 对焦方法及相关产品 | |
CN117332844A (zh) | 对抗样本生成方法、相关装置及存储介质 | |
CN110277097B (zh) | 数据处理方法及相关设备 | |
CN117955095B (zh) | 电力负荷预测方法、装置、电子设备及存储介质 | |
CN116610372A (zh) | 一种中央处理器配置方法、装置及相关产品 | |
CN110708673A (zh) | 一种位置确定方法和便捷式多功能设备 | |
CN111309223B (zh) | 应用功能启动方法、装置、存储介质及移动终端 | |
CN112948763B (zh) | 件量预测方法、装置、电子设备及存储介质 | |
CN111901740B (zh) | 一种数据的处理方法、装置及设备 | |
CN112367428A (zh) | 电量的显示方法、系统、存储介质及移动终端 | |
CN112106034B (zh) | 一种用于神经网络的卷积方法及装置 | |
CN111382335B (zh) | 一种数据拉取方法、装置及存储介质 | |
CN117234137B (zh) | Mcu时钟频率切换电路、mcu和电子设备 | |
CN113347710B (zh) | 一种定位方法和相关装置 | |
CN118117595B (zh) | 微电网优化控制方法、相关装置、计算设备及存储介质 | |
CN112433694B (zh) | 光强度调整方法及装置、存储介质和动终端 | |
WO2021196859A1 (zh) | 一种移动轨迹上报方法、装置、存储介质及电子设备 | |
CN109151154A (zh) | 功耗控制方法、及移动终端 | |
CN117520224A (zh) | 计算机数据处理架构及其数据处理方法 |
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 |