负荷预测方法、装置及设备
文献发布时间:2023-06-19 11:54:11
技术领域
本申请属于负荷预测技术领域,尤其涉及一种负荷预测方法、装置及设备。
背景技术
电力负荷预测是电力部门的重要工作之一,准确的负荷预测,可以经济合理地安排电网内部发电机组的启停,保持电网运行的安全稳定性,减少不必要的旋转储备容量,合理安排机组检修计划,保障社会的正常生产和生活,有效地降低发电成本,提高经济效益和社会效益。
现有技术通常采用专家预测法、滑动平均方法,指数平滑方法、时间序列方法、回归模型方法等进行电力负荷预测,但由于选择不同的模型对预测结果都将产生较大影响,单一模型的稳健性不足,对新进入的数据有时不能很好地适应,不能在复杂多变的情况下保持良好的预测性能,预测精度低。
发明内容
有鉴于此,本发明提供了一种负荷预测方法、装置及设备,旨在解决负荷预测的预测精度低的问题。
本发明实施例的第一方面提供了一种负荷预测方法,包括:
获取目标历史时段对应的电力负荷数据;
基于至少两类电力负荷预测算法对所述电力负荷数据进行预测处理,得到各类电力负荷预测算法对应的预测值;
对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据。
本发明实施例的第二方面提供了一种负荷预测装置,包括:
获取模块,用于获取目标历史时段对应的电力负荷数据;
预测模块,用于基于至少两类电力负荷预测算法对所述电力负荷数据进行预测处理,得到各类电力负荷预测算法对应的预测值;
组合模块,用于对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据。
本发明实施例的第三方面提供了一种电子设备,包括存储器、处理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上第一方面所述负荷预测方法的步骤。
本发明实施例的第四方面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如上第一方面所述负荷预测方法的步骤。
本发明与现有技术相比存在的有益效果是:
本发明实施例提供的负荷预测方法包括:获取目标历史时段对应的电力负荷数据;基于至少两类电力负荷预测算法对电力负荷数据进行预测处理,得到各类电力负荷预测算法对应的预测值;对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据。本发明实施例通过采用泛化平均处理对预测值进行处理,充分考虑到了不同预测结果之间的天然耦合关系。针对不同的电力系统,采用不同类别的电力负荷预测算法进行泛化平均处理,能够对多种情况下的电力系统进行负荷预测,提高了负荷预测的预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是是本发明一个实施例提供的负荷预测方法的应用环境图;
图2是本发明一个实施例提供的负荷预测方法的实现流程图;
图3是本发明另一个实施例提供的负荷预测方法的实现流程图;
图4是本发明又一个实施例提供的负荷预测方法的实现流程图;
图5是本发明一个实施例提供的负荷预测装置的结构示意图;
图6是本发明一个实施例提供的电子设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
长期以来,国内外许多专家学者对短期负荷预测进行了大量的研究,提出了许多有效的方法。例如,基于人工神经网络的预测方法,但它存在过学习和易陷入局部极小值等缺点,在一定程度上限制了预测的精确度;基于灰色模型的预测方法,但该方法在数据离散程度越大时,预测精度就越差。除此以外,常用的电力负荷短期预测方法还有专家预测法、滑动平均方法,指数平滑方法、时间序列方法、回归模型方法等。由于选择不同的预测方法对预测结果都将产生较大影响,单一方法的模型的稳健性不足,对新进入的数据有时不能很好地适应,不能在复杂多变的情况下保持良好的预测性能。而现有技术中,将几种模型组合进行负荷预测时,一般使用线性加权法。线性加权后的组合模型虽然相对于单一模型对负荷预测的预测精度高,但并不能满足对多种复杂情况下的电力系统进行预测。
本发明提出的负荷预测方法,采用泛逻辑学中的泛平均算子簇对不同的预测结果进行综合,有效克服了单一模型在短期电力负荷预测中的不足。同时,考虑到各种模型解决的均为短期电力负荷预测问题,它们的预测结果在有一定的联系,采用泛平均算子簇充分考虑到了不同预测结果之间的耦合关系,提高了负荷预测的预测精度。
图1是是本发明一个实施例提供的负荷预测方法的应用环境图。本发明实施例提供的负荷预测方法可以但不限于应用于该应用环境。如图1所示,该应用环境包括:电力数据采集设备11、电子设备12和调度中心13。
调度中心13用于向电子设备12发送预测指令。电子设备12用于在收到预测指令后,向目标区域内的电力数据采集设备11发送采集指令。电力数据采集设备11用于在收到采集指令后,采集目标历史时段对应的电力负荷数据,并将电力负荷数据发送到电子设备12中。电子设备12还用于在接收到电力负荷数据,对目标预测时段的电力负荷数据,并将得到的预测结果发送到调度中心13中。电子设备12还可以调度中心13的数据库中获取目标历史时段对应的电力负荷数据,在此不做限定。
电力数据采集设备11可以是机电一体式电表、全电子式电表等,在此不作限定。电子设备12可以是服务器、终端等,在此不作限定。服务器可以用独立服务器或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算机、笔记本电脑、平板电脑等。电力数据采集设备11、电子设备12和调度中心13之间可以通过线路进行数据交互,还可以通过网络或蓝牙等方式进行数据交互,在此不做限定。电子设备12可以是独立安装的设备,也可以是安装调度中心13中的设备,在此不做限定。
图2是本发明一个实施例提供的负荷预测方法的实现流程图。该实施例中,以该方法应用于图1中的电子设备为例进行说明。如图2所示,该方法包括:
S201,获取目标历史时段对应的电力负荷数据。
S202,基于至少两类电力负荷预测算法对电力负荷数据进行预测处理,得到各类电力负荷预测算法对应的预测值。
S203,对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据。
本实施例中,目标历史时段和目标预测时段是预先设定的,可以是某些时间段,也可以是某些历史时刻,在此不做限定。例如,设定目标历史时段可以是当天的7点到8点、8点到9点、9点到10点;相应的,目标预测时段为当天的10点到11点。设定目标历史时段为当天的7点、8点、9点,相应的目标预测时段为当天的10点。电力负荷数据可以包括负荷值和影响负荷预测的气象数据。电力负荷预测算法可以包括但不限于人工神经网络的预测方法、基于灰色模型的预测方法、专家预测法、滑动平均方法,指数平滑方法、时间序列方法、回归模型方法。泛化平均处理可以是采用泛逻辑学中的泛平均算子簇对不同的预测结果进行综合,在此不做限定。
本实施例中的负荷预测方法包括:获取目标历史时段对应的电力负荷数据;基于至少两类电力负荷预测算法对电力负荷数据进行预测处理,得到各类电力负荷预测算法对应的预测值;对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据。本实施例通过采用泛化平均处理对预测值进行处理,充分考虑到了不同预测结果之间的天然耦合关系。针对不同的电力系统,采用不同类别的电力负荷预测算法进行泛化平均处理,能够对多种情况下的电力系统进行负荷预测,提高了负荷预测的预测精度。
可选的,对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据,包括:
基于各类电力负荷预测算法对应的预设泛化因子对各个预测值进行泛化处理,得到各类电力负荷预测算法对应的泛化值;
对各类电力负荷预测算法对应的泛化值进行平均处理,得到泛化平均值;
基于预设逆泛化因子对泛化平均值进行逆泛化处理,得到目标预测时段的电力负荷数据。
本实施例中,泛化因子和逆泛化因子可以由训练得到,在此不做限定。泛化因子的作用是将各个预测值转换为泛平均算子簇工作区间上的对应量,保证泛平均算子簇能正常工作。逆泛化因子的作用是将泛化平均值转换为电力负荷变化区间上的实际值。平均处理可以是各泛化值相应输入到平均算子簇中进行运算,在此不做限定。
进一步的,对各类电力负荷预测算法对应的泛化值进行平均处理,得到泛化平均值,包括:
将各类电力负荷预测算法对应的泛化值输入到泛平均运算模型中,得到泛化平均值;其中,泛平均运算模型包括至少一个零级泛平均算子簇,泛平均运算模型中零级泛平均算子簇的数量N满足N=M-1,其中,M为电力负荷预测算法的种类数。
图3是本发明另一个实施例提供的负荷预测方法的实现流程图。在一些实施例中,在图2所述实施例的基础上,如图3所示,将各类电力负荷预测算法对应的泛化值输入到泛平均运算模型中,得到泛化平均值,包括:
S1:将各类电力负荷预测算法对应的泛化值组成的集合记为输入集合,将泛平均运算模型中零级泛平均算子簇组成的集合记为模型集合。
S2:从输入集合选取两个值作为目标输入值,从模型集合中选取一个零级泛平均算子簇作为目标算子簇,将目标输入值输入至目标算子簇中,得到泛化平均值,将目标输入值从输入集合中删除,将目标算子簇从模型集合中删除。
S3:若当前的输入集合为空集,则将当前的泛化平均值作为平均处理完成后的泛化平均值;若当前的输入集合不为空集,则将当前的泛化平均值添加至输入集合中,并返回执行步骤S2。
本实施例中,各类电力负荷预测算法的预测结果之间存在耦合性,即各类电力负荷预测算法对应的泛化值存在耦合性,每次从输入集合选取两个值作为目标输入值时,可以选取耦合性高的两个值作为一组输入到一个零级算子簇中。
进一步的,每个零级泛平均算子簇对应一个广义相关系数。
将目标输入值输入至目标算子簇中,得到泛化平均值,包括:
将目标输入值输入至目标算子簇中,根据第一公式,得到泛化平均值。
第一公式为:
M(y
其中,M(y
本实施例中,广义相关系数表示两个目标输入值之间的关系,可以由训练得到,在此不做限定。
图4是本发明又一个实施例提供的负荷预测方法的实现流程图。在一些实施例中,在上述任一实施例的基础上,如图4所示,电力负荷预测算法包括BP神经网络算法、灰色模型算法、自回归模型算法。泛平均运算模型包括第一算子簇和第二算子簇。
对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据,包括:
基于神经网络算法、灰色模型算法、自回归模型算法分别对应的预设泛化因子对各个预测值进行泛化处理,得到三类电力负荷预测算法对应的泛化值;
将BP神经网络算法对应的泛化值和灰色模型算法对应的泛化值输入至第一算子簇中,得到第一输出值;
将第一输出值和自回归模型算法对应的泛化值输入到第二算子簇中,得到泛化平均值;
基于预设逆泛化因子对泛化平均值进行逆泛化处理,得到目标预测时段的电力负荷数据。
本实施例中,设定目标预测时段为t,对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据,具体可以由以下三个步骤实现。
步骤1,分别采用BP神经网络、灰色模型、自回归模型完成t时刻的电力负荷预测,得到y
①BP神经网络模型为三层结构,输入层具有多个节点,每个节点对应一项电力负荷数据,输出层1个节点,表示预测出的电力负荷y
②在灰色模型中,对于目标历史时段对应的电力负荷数据的序列{x(t),t=1,2,...,n},对其进行一阶累积生成,得到{x
对于一阶累积生成后的数据,建立微分方程为:
则灰度模型的离散形式为:
x
其中,
由最小二乘法可以得到:
其中,
则微分方程的解为:
则可以得到原序列的预测值为:
用式(7),即可得到基于灰色模型的电力负荷预测y
③自回归模型用同一变数例如x的之前各期,亦即x
其中,x
用均方差计算代价函数,表达式为:
其中,θ={c,a
利用式(9),即可得到基于自回归模型的电力负荷预测y
步骤2,对y
y
y
y
其中,k
步骤3,基于泛平均运算模型对y
①将y
其中,h
②将y
其中,h
y'即为平均处理完成后的泛化平均值。
步骤4,对y'进行逆泛化操作,将其转化为电力负荷实际变化区间上的相应值y,y即最终的预测值。具体如下:
y=k
其中,k
在一些实施例中,在上述任一实施例的基础上,对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据之前,还包括:
基于遗传算法对泛化平均处理所需的运算参数进行训练。
运算参数包括泛化因子、逆泛化因子、广义相关系数。
本实施例中,以图4所述实施例为基础,对训练过程进行说明,但并不作为限定。
遗传算法的训练样本从历史电力负荷数据中提取,每个样本是形如(x
适应值函数如下式:
其中,m为训练样本个数;下标i表示相应参数来自于第i个训练样本;y
本实施例中的负荷预测方法包括:获取目标历史时段对应的电力负荷数据;基于至少两类电力负荷预测算法对电力负荷数据进行预测处理,得到各类电力负荷预测算法对应的预测值;对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据。本实施例通过采用泛化平均处理对预测值进行处理,充分考虑到了不同预测结果之间的天然耦合关系。针对不同的电力系统,采用不同类别的电力负荷预测算法进行泛化平均处理,能够对多种情况下的电力系统进行负荷预测,提高了负荷预测的预测精度。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图5是本发明一个实施例提供的负荷预测装置的结构示意图。如图5所示,负荷预测装置5,包括:
获取模块510,用于获取目标历史时段对应的电力负荷数据。
预测模块520,用于基于至少两类电力负荷预测算法对电力负荷数据进行预测处理,得到各类电力负荷预测算法对应的预测值。
组合模块530,用于对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据。
本实施例提供的负荷预测装置包括:获取模块,用于获取目标历史时段对应的电力负荷数据;预测模块,用于基于至少两类电力负荷预测算法对电力负荷数据进行预测处理,得到各类电力负荷预测算法对应的预测值;组合模块,用于对各类电力负荷预测算法对应的预测值进行泛化平均处理,得到目标预测时段的电力负荷数据。本实施例通过采用泛化平均处理对预测值进行处理,充分考虑到了不同预测结果之间的天然耦合关系。针对不同的电力系统,采用不同类别的电力负荷预测算法进行泛化平均处理,能够对多种情况下的电力系统进行负荷预测,提高了负荷预测的预测精度。
可选的,组合模块530,用于基于各类电力负荷预测算法对应的预设泛化因子对各个预测值进行泛化处理,得到各类电力负荷预测算法对应的泛化值;
对各类电力负荷预测算法对应的泛化值进行平均处理,得到泛化平均值;
基于预设逆泛化因子对泛化平均值进行逆泛化处理,得到目标预测时段的电力负荷数据。
进一步可选的,组合模块530,用于将各类电力负荷预测算法对应的泛化值输入到泛平均运算模型中,得到泛化平均值;其中,泛平均运算模型包括至少一个零级泛平均算子簇,泛平均运算模型中零级泛平均算子簇的数量N满足N=M-1,其中,M为电力负荷预测算法的种类数。
进一步可选的,组合模块530,用于:
S1:将各类电力负荷预测算法对应的泛化值组成的集合记为输入集合,将泛平均运算模型中零级泛平均算子簇组成的集合记为模型集合;
S2:从输入集合选取两个值作为目标输入值,从模型集合中选取一个零级泛平均算子簇作为目标算子簇,将目标输入值输入至目标算子簇中,得到泛化平均值,将目标输入值从输入集合中删除,将目标算子簇从模型集合中删除;
S3:若当前的输入集合为空集,则将当前的泛化平均值作为平均处理完成后的泛化平均值;若当前的输入集合不为空集,则将当前的泛化平均值添加至输入集合中,并返回执行步骤S2。
进一步可选的,每个零级泛平均算子簇对应一个广义相关系数。
组合模块530,用于将目标输入值输入至目标算子簇中,根据第一公式,得到泛化平均值;
第一公式为:
M(y
其中,M(y
可选的,电力负荷预测算法包括BP神经网络算法、灰色模型算法、自回归模型算法。泛平均运算模型包括第一算子簇和第二算子簇。
组合模块530,用于基于神经网络算法、灰色模型算法、自回归模型算法分别对应的预设泛化因子对各个预测值进行泛化处理,得到三类电力负荷预测算法对应的泛化值;
将BP神经网络算法对应的泛化值和灰色模型算法对应的泛化值输入至第一算子簇中,得到第一输出值;
将第一输出值和自回归模型算法对应的泛化值输入到第二算子簇中,得到泛化平均值;
基于预设逆泛化因子对泛化平均值进行逆泛化处理,得到目标预测时段的电力负荷数据。
可选的,负荷预测装置5还包括:训练模块540。
训练模块540,用于基于遗传算法对泛化平均处理所需的运算参数进行训练。运算参数包括泛化因子、逆泛化因子、广义相关系数。
本实施例提供的负荷预测装置,可用于执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
图6是本发明一个实施例提供的电子设备的示意图。如图6所示,本发明的一个实施例提供的电子设备6,该实施例的电子设备6包括:处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62。处理器60执行计算机程序62时实现上述各个负荷预测方法实施例中的步骤,例如图2所示的步骤201至步骤203。或者,处理器60执行计算机程序62时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块510至530的功能。
示例性的,计算机程序62可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器61中,并由处理器60执行,以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序62在电子设备6中的执行过程。
电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括,但不仅限于,处理器60、存储器61。本领域技术人员可以理解,图6仅仅是电子设备6的示例,并不构成对电子设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器61可以是电子设备6的内部存储单元,例如电子设备6的硬盘或内存。存储器61也可以是电子设备6的外部存储设备,例如电子设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器61还可以既包括电子设备6的内部存储单元也包括外部存储设备。存储器61用于存储计算机程序以及终端所需的其他程序和数据。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述负荷预测方法实施例中的步骤。
计算机可读存储介质存储有计算机程序62,计算机程序62包括程序指令,程序指令被处理器60执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序62来指令相关的硬件来完成,计算机程序62可存储于一计算机可读存储介质中,该计算机程序62在被处理器60执行时,可实现上述各个方法实施例的步骤。其中,计算机程序62包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
- 一种负荷聚合商短期负荷预测方法、装置及设备
- 负荷量预测装置、负荷量预测方法以及负荷量预测程序