掌桥专利:专业的专利平台
掌桥专利
首页

电力负荷预测方法、装置、设备及存储介质

文献发布时间:2024-04-18 19:58:26


电力负荷预测方法、装置、设备及存储介质

技术领域

本发明涉及电力技术领域,尤其涉及一种电力负荷预测方法、装置、设备及存储介质。

背景技术

电力负荷,是指电能用户的用电设备在某一时刻向电力系统取用的电功率的总和,所以又称为用电负荷。电力负荷受到用户行为、季节周期、气象条件等多种因素的影响,具有随机性、不确定性和非线性等特点,如何准确预测电力负荷对于提高电网运行效率、优化电力资源配置、实现经济智能用电等都具有重要意义。

目前,常用的电力负荷预测方法主要有回归分析法、时间序列法、人工神经网络法等,这些方法都是基于历史数据来建立预测模型,然后根据输入变量来输出预测值,并且这些预测方法都存在一些局限性,例如:回归分析法假设数据之间存在线性关系,但实际上电力负荷往往是非线性的;时间序列法假设数据具有平稳性和周期性,但实际上电力负荷受到多种随机因素的干扰;人工神经网络法需要大量的训练数据和调整参数,但实际上电力负荷数据往往是稀疏和不完整的。

因此,现有的电力负荷预测方案在工商业和家庭用电等波动性较大的电力负荷场景下,预测得到的负荷曲线往往会有较剧烈的波动,准确性和鲁棒性差。

发明内容

本发明提供了一种电力负荷预测方法、装置、设备及存储介质,用于提高大功率负荷预测结果的准确性和鲁棒性,进而提高电力负荷预测值的准确性和鲁棒性。

本发明实施例的第一方面提供一种电力负荷预测方法,包括:获取待预测数据,所述待预测数据包括各个时刻的历史负荷数据;对所述各个时刻的历史负荷数据进行拆解,得到常规负荷数据和大功率负荷数据;基于所述常规负荷数据进行预测,得到目标时刻的常规负荷预测值;基于所述大功率负荷数据和预置的间歇性预测算法进行预测,得到目标时刻的大功率负荷使用概率预测值;将所述常规负荷预测值和所述大功率负荷使用概率预测值进行融合,得到目标时刻的电力负荷预测值。

本发明实施例的第二方面提供了一种电力负荷预测装置,包括:数据获取模块,用于获取待预测数据,所述待预测数据包括各个时刻的历史负荷数据;数据拆解模块,用于对所述各个时刻的历史负荷数据进行拆解,得到常规负荷数据和大功率负荷数据;常规预测模块,用于基于所述常规负荷数据进行预测,得到目标时刻的常规负荷预测值;大功率预测模块,用于基于所述大功率负荷数据和预置的间歇性预测算法进行预测,得到目标时刻的大功率负荷使用概率预测值;融合模块,用于将所述常规负荷预测值和所述大功率负荷使用概率预测值进行融合,得到目标时刻的电力负荷预测值。

本发明实施例的第三方面提供了一种电力负荷预测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述电力负荷预测设备执行上述第一方面的电力负荷预测方法。

本发明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中存储有指令,当其在计算机上运行时,使得计算机执行上述的电力负荷预测方法。

本发明实施例提供的技术方案中,获取待预测数据,所述待预测数据包括各个时刻的历史负荷数据;对所述各个时刻的历史负荷数据进行拆解,得到常规负荷数据和大功率负荷数据;基于所述常规负荷数据进行预测,得到目标时刻的常规负荷预测值;基于所述大功率负荷数据和预置的间歇性预测算法进行预测,得到目标时刻的大功率负荷使用概率预测值;将所述常规负荷预测值和所述大功率负荷使用概率预测值进行融合,得到目标时刻的电力负荷预测值。本发明实施例,将待预测数据分解为常规负荷数据和大功率负荷数据,对大功率负荷数据采用间歇性需求预测算法进行预测,提高了大功率负荷预测结果的准确性和鲁棒性,进而提高了电力负荷预测值的准确性和鲁棒性。

附图说明

图1为本发明实施例中电力负荷预测方法的一个实施例示意图;

图2为本发明实施例中电力负荷预测方法的另一个实施例示意图;

图3为本发明实施例中历史负荷数据的一个示意图;

图4为本发明实施例中拆解后的常规负荷数据的一个示意图;

图5为本发明实施例中拆解后的大功率负荷数据的一个示意图;

图6为本发明实施例中常规负荷预测值与实际负荷值的对比示意图;

图7为本发明实施例中大功率负荷预测值与实际负荷值的对比示意图;

图8为本发明实施例中电力负荷预测装置的一个示意图;

图9为本发明实施例中电力负荷预测设备的一个示意图。

具体实施方式

本发明提供了一种电力负荷预测方法、装置、设备及存储介质,用于提高大功率负荷预测结果的准确性和鲁棒性,进而提高电力负荷预测值的准确性和鲁棒性。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

请参阅图1,本发明实施例提供的电力负荷预测方法的一个流程图,具体包括:

101、获取待预测数据,待预测数据包括各个时刻的历史负荷数据。

需要说明的是,待预测数据是经过预处理的数据,将收集用户至少一年的历史负荷数据、当地气象数据和节假日信息,先对历史负荷数据中的异常值进行筛选,对缺失值进行补全,并对补全后的负荷数据进行归一化处理。

可以理解的是,当地气象数据可以用来判断由季节周期性和气象条件决定的长期趋势,并用于对常规负荷数据的预测。

102、对各个时刻的历史负荷数据进行拆解,得到常规负荷数据和大功率负荷数据。

历史负荷数据可以拆解为常规负荷数据和大功率负荷数据,区分常规负荷数据和大功率负荷数据的标准,主要依赖日负荷均值,将日负荷均值的N倍标准差确定为预设负荷值,其中N为正整数,可以根据实际需要进行调整,一般情况下,N取大于3的整数,例如,N=4,即超过日负荷均值4倍标准差的负荷值才会被确定为大功率负荷数据。

103、基于常规负荷数据进行预测,得到目标时刻的常规负荷预测值。

对于常规负荷数据,根据待预测数据的完整性,可以选择不同的算法模型进行预测,从而得到目标时刻的常规负荷预测值,例如,若待预测数据不具有完整性,即只有常规负荷数据,没有其他数据,例如时间周期特征,季节因子、气象因子等,采用时间序列算法进行预测;若待预测数据具有完整性,即除了常规负荷数据,还存在时间周期特征,季节因子、气象因子等其他变量中的至少一个变量,则采用机器学习算法进行预测,这些变量可以提高预测准确性。

需要说明的是,目标时刻为电力负荷的一个预测周期范围内的任一预测时刻,预测时刻与预测周期范围的时间周期特征相关,例如,历史负荷数据中负荷数据可以为一天的总负荷,即时间周期特征(控制粒度)为一天,那么预测时刻即为某一天;历史负荷数据中负荷数据也可以为一小时的总负荷,那么预测时刻即为某一小时,此时时间周期特征(控制粒度)为一小时,具体此处不做限定。

104、基于大功率负荷数据和预置的间歇性预测算法进行预测,得到目标时刻的大功率负荷使用概率预测值。

对于大功率负荷数据,采用的是间歇性预测算法,对历史数据量没有高要求,其中,间歇性预测算法可以采用Croston-TSB方法或Syntetos-Boylan近似(Syntetos-BoylanApproximation,SBA)方法,具体此处不做限定。

105、将常规负荷预测值和大功率负荷使用概率预测值进行融合,得到目标时刻的电力负荷预测值。

将同一时刻对应的常规负荷预测值和大功率负荷使用概率预测值进行叠加,得到每个时刻的电力负荷预测值,从而确定目标时刻的电力负荷预测值。

本发明实施例,将待预测数据分解为常规负荷数据和大功率负荷数据,对大功率负荷数据采用间歇性需求预测算法进行预测,提高了大功率负荷预测结果的准确性和鲁棒性,进而提高了电力负荷预测值的准确性和鲁棒性。

请参阅图2,本发明实施例提供的电力负荷预测方法的另一个流程图,具体包括:

201、获取待预测数据,待预测数据包括各个时刻的历史负荷数据。

步骤201与步骤101类似,具体此处不再赘述。

202、对各个时刻的历史负荷数据进行拆解,得到常规负荷数据和大功率负荷数据。

具体的,对各个时刻的历史负荷数据进行解析,得到每个时刻的负荷值;将负荷值大于预设负荷值的时刻确定为大功率负荷时刻,将负荷值小于或等于预设负荷值的时刻确定为常规负荷时刻;将大功率负荷时刻及对应的负荷值确定为大功率负荷数据;将常规负荷时刻及对应的负荷值确定为常规负荷数据。

例如,可以采用如下公式进行拆解:L

203、基于常规负荷数据进行预测,得到目标时刻的常规负荷预测值。

具体的,判断待预测数据中是否包含其他数据,其他数据为除历史负荷数据之外的数据;若不包含,则通过预设的时间序列算法模型、常规负荷数据进行预测,得到目标时刻的常规负荷预测值;若包含,则根据其他数据确定至少一个变量;通过预设的机器学习算法模型、常规负荷数据和至少一个变量进行预测,得到目标时刻的常规负荷预测值。

对于常规负荷数据,根据待预测数据的完整性,可以选择不同的算法模型进行预测,从而得到目标时刻的常规负荷预测值,可以采用如下公式进行预测:

204、从大功率负荷数据中确定每个时刻对应的历史大功率负荷值。

判断大功率负荷数据中每个时刻对应的负荷值,将出现大功率负荷的时刻所对应的负荷值确定该时刻的历史大功率负荷值,将没有出现大功率负荷的时刻的历史大功率负荷值记为0。

205、根据预设的间歇性预测模型和每个时刻对应的历史大功率负荷值进行预测,得到目标时刻的大功率负荷使用概率预测值。

具体的,根据每个时刻对应的历史大功率负荷值确定大功率负荷出现的各个时刻和对应的负荷功率大小;基于大功率负荷出现的各个时刻和对应的负荷功率大小,生成历史大功率负荷间隔序列和历史大功率非零负荷序列;根据历史大功率负荷间隔序列、历史大功率非零负荷序列、预置的平滑系数计算目标时刻的非零负荷和目标时刻的负荷时间间隔;根据目标时刻的非零负荷和目标时刻的负荷时间间隔对历史大功率负荷间隔序列、历史大功率非零负荷序列进行更新,得到预测的大功率负荷间隔序列和预测的大功率非零负荷序列;通过预设的间歇性预测模型将预测的大功率负荷间隔序列和预测的大功率非零负荷序列进行结合,生成目标时刻的大功率负荷使用概率预测值。

例如,采用如下公式进行预测:

在一种可行的实施方式中,通过预设的间歇性预测模型将预测的大功率负荷间隔序列和预测的大功率非零负荷序列进行结合,生成目标时刻的大功率负荷使用概率预测值,包括:

根据预测的大功率负荷间隔序列和预测的大功率非零负荷序列确定目标时刻对应的大功率非零负荷以及目标时刻对应的负荷时间间隔;

计算目标时刻对应的大功率非零负荷与目标时刻对应的负荷时间间隔的比值,得到目标时刻的大功率负荷使用概率预测值。

假设,预测的大功率负荷间隔序列为Q(t),预测的大功率非零负荷序列为X(t),那么

在一种可行的实施方式中,通过预设的间歇性预测模型将预测的大功率负荷间隔序列和预测的大功率非零负荷序列进行结合,生成目标时刻的大功率负荷使用概率预测值,包括:

根据预测的大功率负荷间隔序列和预测的大功率非零负荷序列确定目标时刻对应的大功率非零负荷以及目标时刻对应的负荷时间间隔;

根据预置公式将目标时刻对应的大功率非零负荷与预置的平滑系数进行相乘,得到目标乘积;

计算目标乘积与目标时刻对应的负荷时间间隔的比值,得到目标时刻的大功率负荷使用概率预测值。

假设,预测的大功率负荷间隔序列为Q(t),预测的大功率非零负荷序列为X(t),那么

206、将常规负荷预测值和大功率负荷使用概率预测值进行融合,得到目标时刻的电力负荷预测值。

步骤206与步骤105类似,具体此处不再赘述。

本发明实施例,将待预测数据分解为常规负荷数据和大功率负荷数据,对大功率负荷数据采用间歇性需求预测算法进行预测,提高了大功率负荷预测结果的准确性和鲁棒性,进而提高了电力负荷预测值的准确性和鲁棒性。

上面对本发明实施例中电力负荷预测方法进行了描述,下面对本发明实施例中电力负荷预测装置进行描述,请参阅图8,本发明实施例中电力负荷预测装置的一个实施例包括:

数据获取模块801,用于获取待预测数据,所述待预测数据包括各个时刻的历史负荷数据;

数据拆解模块802,用于对所述各个时刻的历史负荷数据进行拆解,得到常规负荷数据和大功率负荷数据;

常规预测模块803,用于基于所述常规负荷数据进行预测,得到目标时刻的常规负荷预测值;

大功率预测模块804,用于基于所述大功率负荷数据和预置的间歇性预测算法进行预测,得到目标时刻的大功率负荷使用概率预测值;

融合模块805,用于将所述常规负荷预测值和所述大功率负荷使用概率预测值进行融合,得到目标时刻的电力负荷预测值。

在一种可行的实施方式中,大功率预测模块804包括:

确定单元8041,用于从所述大功率负荷数据中确定每个时刻对应的历史大功率负荷值;

预测单元8042,用于根据预设的间歇性预测模型和所述每个时刻对应的历史大功率负荷值进行预测,得到目标时刻的大功率负荷使用概率预测值。

在一种可行的实施方式中,预测单元8042具体用于:

根据所述每个时刻对应的历史大功率负荷值确定大功率负荷出现的各个时刻和对应的负荷功率大小;

基于所述大功率负荷出现的各个时刻和所述对应的负荷功率大小,生成历史大功率负荷间隔序列和历史大功率非零负荷序列;

根据所述历史大功率负荷间隔序列、所述历史大功率非零负荷序列、预置的平滑系数计算目标时刻的非零负荷和目标时刻的负荷时间间隔;

根据所述目标时刻的非零负荷和所述目标时刻的负荷时间间隔对所述历史大功率负荷间隔序列、所述历史大功率非零负荷序列进行更新,得到预测的大功率负荷间隔序列和预测的大功率非零负荷序列;

通过预设的间歇性预测模型将所述预测的大功率负荷间隔序列和所述预测的大功率非零负荷序列进行结合,生成目标时刻的大功率负荷使用概率预测值。

在一种可行的实施方式中,预测单元8042具体还用于:

根据所述预测的大功率负荷间隔序列和所述预测的大功率非零负荷序列确定目标时刻对应的大功率非零负荷以及目标时刻对应的负荷时间间隔;

计算所述目标时刻对应的大功率非零负荷与所述目标时刻对应的负荷时间间隔的比值,得到目标时刻的大功率负荷使用概率预测值。

在一种可行的实施方式中,预测单元8042具体还用于:

根据所述预测的大功率负荷间隔序列和所述预测的大功率非零负荷序列确定目标时刻对应的大功率非零负荷以及目标时刻对应的负荷时间间隔;

根据预置公式将所述目标时刻对应的大功率非零负荷与所述预置的平滑系数进行相乘,得到目标乘积;

计算所述目标乘积与所述目标时刻对应的负荷时间间隔的比值,得到目标时刻的大功率负荷使用概率预测值。

在一种可行的实施方式中,数据拆解模块802具体用于:

对所述各个时刻的历史负荷数据进行解析,得到每个时刻的负荷值;

将所述负荷值大于预设负荷值的时刻确定为大功率负荷时刻,将所述负荷值小于或等于预设负荷值的时刻确定为常规负荷时刻;

将所述大功率负荷时刻及对应的负荷值确定为大功率负荷数据;

将所述常规负荷时刻及对应的负荷值确定为常规负荷数据。

在一种可行的实施方式中,常规预测模块803具体用于:

判断所述待预测数据中是否包含其他数据,所述其他数据为除所述历史负荷数据之外的数据;

若不包含,则通过预设的时间序列算法模型、所述常规负荷数据进行预测,得到目标时刻的常规负荷预测值;

若包含,则根据所述其他数据确定至少一个变量;

通过预设的机器学习算法模型、所述常规负荷数据和所述至少一个变量进行预测,得到目标时刻的常规负荷预测值。

本发明实施例,将待预测数据分解为常规负荷数据和大功率负荷数据,对大功率负荷数据采用间歇性需求预测算法进行预测,提高了大功率负荷预测结果的准确性和鲁棒性,进而提高了电力负荷预测值的准确性和鲁棒性。

图9是本发明实施例提供的一种电力负荷预测设备的结构示意图,该电力负荷预测设备900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)910和存储器920,一个或一个以上存储应用程序933或数据932的存储介质930(例如一个或一个以上海量存储设备)。其中,存储器920和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对电力负荷预测设备900中的一系列指令操作。更进一步地,处理器910可以设置为与存储介质930通信,在电力负荷预测设备900上执行存储介质930中的一系列指令操作。

电力负荷预测设备900还可以包括一个或一个以上电源940,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口960,和/或,一个或一个以上操作系统931,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图9示出的电力负荷预测设备结构并不构成对电力负荷预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。

本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行电力负荷预测方法的步骤,步骤具体包括:

获取待预测数据,待预测数据包括各个时刻的历史负荷数据;对各个时刻的历史负荷数据进行拆解,得到常规负荷数据和大功率负荷数据;基于常规负荷数据进行预测,得到目标时刻的常规负荷预测值;基于大功率负荷数据和预置的间歇性预测算法进行预测,得到目标时刻的大功率负荷使用概率预测值;将常规负荷预测值和大功率负荷使用概率预测值进行融合,得到目标时刻的电力负荷预测值。本发明实施例,将待预测数据分解为常规负荷数据和大功率负荷数据,对大功率负荷数据采用间歇性需求预测算法进行预测,提高了大功率负荷预测结果的准确性和鲁棒性,进而提高了电力负荷预测值的准确性和鲁棒性。

上述基于大功率负荷数据和预置的间歇性预测算法进行预测,得到目标时刻的大功率负荷使用概率预测值,包括:从大功率负荷数据中确定每个时刻对应的历史大功率负荷值;根据预设的间歇性预测模型和每个时刻对应的历史大功率负荷值进行预测,得到目标时刻的大功率负荷使用概率预测值。

上述根据预设的间歇性预测模型和每个时刻对应的历史大功率负荷值进行预测,得到目标时刻的大功率负荷使用概率预测值,包括:根据每个时刻对应的历史大功率负荷值确定大功率负荷出现的各个时刻和对应的负荷功率大小;基于大功率负荷出现的各个时刻和对应的负荷功率大小,生成历史大功率负荷间隔序列和历史大功率非零负荷序列;根据历史大功率负荷间隔序列、历史大功率非零负荷序列、预置的平滑系数计算目标时刻的非零负荷和目标时刻的负荷时间间隔;根据目标时刻的非零负荷和目标时刻的负荷时间间隔对历史大功率负荷间隔序列、历史大功率非零负荷序列进行更新,得到预测的大功率负荷间隔序列和预测的大功率非零负荷序列;通过预设的间歇性预测模型将预测的大功率负荷间隔序列和预测的大功率非零负荷序列进行结合,生成目标时刻的大功率负荷使用概率预测值。

上述通过预设的间歇性预测模型将预测的大功率负荷间隔序列和预测的大功率非零负荷序列进行结合,生成目标时刻的大功率负荷使用概率预测值,包括:根据预测的大功率负荷间隔序列和预测的大功率非零负荷序列确定目标时刻对应的大功率非零负荷以及目标时刻对应的负荷时间间隔;计算目标时刻对应的大功率非零负荷与目标时刻对应的负荷时间间隔的比值,得到目标时刻的大功率负荷使用概率预测值。

上述通过预设的间歇性预测模型将预测的大功率负荷间隔序列和预测的大功率非零负荷序列进行结合,生成目标时刻的大功率负荷使用概率预测值,包括:根据预测的大功率负荷间隔序列和预测的大功率非零负荷序列确定目标时刻对应的大功率非零负荷以及目标时刻对应的负荷时间间隔;根据预置公式将目标时刻对应的大功率非零负荷与预置的平滑系数进行相乘,得到目标乘积;计算目标乘积与目标时刻对应的负荷时间间隔的比值,得到目标时刻的大功率负荷使用概率预测值。

上述对各个时刻的历史负荷数据进行拆解,得到常规负荷数据和大功率负荷数据,包括:对各个时刻的历史负荷数据进行解析,得到每个时刻的负荷值;将负荷值大于预设负荷值的时刻确定为大功率负荷时刻,将负荷值小于或等于预设负荷值的时刻确定为常规负荷时刻;将大功率负荷时刻及对应的负荷值确定为大功率负荷数据;将常规负荷时刻及对应的负荷值确定为常规负荷数据。

上述基于常规负荷数据进行预测,得到目标时刻的常规负荷预测值,包括:判断待预测数据中是否包含其他数据,其他数据为除历史负荷数据之外的数据;若不包含,则通过预设的时间序列算法模型、常规负荷数据进行预测,得到目标时刻的常规负荷预测值;若包含,则根据其他数据确定至少一个变量;通过预设的机器学习算法模型、常规负荷数据和至少一个变量进行预测,得到目标时刻的常规负荷预测值。

所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。

另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。

所述功能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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。

最后应说明的是:以上实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。

相关技术
  • 电子装置、基于梯度提升回归的建筑物电力负荷预测方法及存储介质
  • 一种电力负荷监测方法、装置、设备及可读存储介质
  • 一种电力负荷匹配方法、装置、设备及可读存储介质
  • 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质
  • 一种配电网的负荷转供方法、装置、终端设备及存储介质
  • 基于LSTM和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质
  • 一种电力短期负荷预测方法、装置、电子设备及存储介质
技术分类

06120116494674