System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及数据分析,尤其涉及一种用电负荷预测方法、装置、设备及存储介质。
技术介绍
1、用户是电网中的基础组成部分,也是造成电网负荷波动的源头。目前通过对用户的用电行为进行数据化处理,可以对用户用电行为规律进行建模,以挖掘与用户用电行为密切相关的属性,从而实现对用户的用电负荷进行预测。
2、目前,在对用户的用电负荷进行预测过程中,需要对特征之间的相关性进行分析和处理,如果特征之间存在强相关性或共线性,可能会导致模型过度依赖某些特征,而忽略其他重要特征,影响用电负荷预测的准确性。
技术实现思路
1、本申请提供一种用电负荷预测方法、装置、设备及存储介质,用于提高用电负荷预测的准确性。
2、第一方面,提供一种用电负荷预测方法,该方法包括:
3、获取目标用户预置时间段的历史用电负荷数据以及历史天气数据;
4、将所述预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到所述目标用户在未来时间段的第一用电负荷;
5、将所述预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到所述目标用户在未来时间段的第二用电负荷;
6、根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷。
7、在一个可选的实施例中,所述方法还包括:
8、从历史数据中获取目标时间段的用电负荷样本数据、天气样本数据;
9、对所述用电负荷样本数据和所述天气样本数据进行预
10、根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练,得到所述第一卷积神经网络和所述第二卷积神经网络。
11、在一个可选的实施例中,所述根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练,得到所述第一卷积神经网络和所述第二卷积神经网络,包括:
12、将经过预处理的用电负荷样本数据作为样本数据,所述目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到所述第一卷积神经网络;
13、将经过预处理的用电负荷样本数据、天气样本数据作为样本数据,所述目标时间段对应的未来时间段的用电负荷作为样本标签进行模型训练得到所述第二卷积神经网络。
14、在一个可选的实施例中,所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷,包括:
15、对所述第一用电负荷和所述第二用电负荷进行加权计算,得到所述目标用户在未来时间段的最终用电负荷。
16、在一个可选的实施例中,所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷,包括:
17、对所述第一用电负荷和所述第二用电负荷进行平均计算,得到所述目标用户在未来时间段的最终用电负荷。
18、在一个可选的实施例中,所述第一卷积神经网络和所述第二卷积神经网络至少包括卷积层、池化层、全连接层。
19、在一个可选的实施例中,所述历史天气数据至少包括:温度、风速、湿度。
20、第二方面,提供一种用电负荷预测装置,装置包括:
21、获取模块,用于获取目标用户预置时间段的历史用电负荷数据以及历史天气数据;
22、第一预测模块,用于第一将所述预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到所述目标用户在未来时间段的第一用电负荷;
23、第二预测模块,用于将所述预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到所述目标用户在未来时间段的第二用电负荷;
24、计算模块,用于根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷。
25、第三方面,提供一种电子设备,包括:处理器和存储器,该存储器用于存储计算机程序,该处理器用于调用并运行该存储器中存储的计算机程序,执行如第一方面或其各实现方式中的方法。
26、第四方面,提供一种计算机可读存储介质,用于存储计算机程序,计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
27、第五方面,提供一种计算机程序产品,包括计算机程序指令,该计算机程序指令使得计算机执行如第一方面或其各实现方式中的方法。
28、第六方面,提供一种计算机程序,计算机程序使得计算机执行如第一方面或其各实现方式中的方法。
29、通过本申请提供的技术方案,首先获取目标用户预置时间段的历史用电负荷数据以及历史天气数据,然后将预置时间段的历史用电负荷数据输入到第一卷积神经网络预测得到目标用户在未来时间段的第一用电负荷,并将预置时间段的历史用电负荷数据以及历史天气数据输入到第二卷积神经网络预测得到目标用户在未来时间段的第二用电负荷,最后根据第一用电负荷和第二用电负荷计算得到目标用户在未来时间段的最终用电负荷。相对于现有技术中的模型过度依赖某些特征相比,本申请基于第一卷积神经网络和第二卷积神经网络的共同作用下,得到用户在未来时间段的最终用电负荷,由于本申请中的第一卷积神经网络和第二卷积神经网络无需依赖某个具体的特征,从而通过本申请可以提高用户的用电负荷预测的准确性。
本文档来自技高网...【技术保护点】
1.一种用电负荷预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练,得到所述第一卷积神经网络和所述第二卷积神经网络,包括:
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷,包括:
5.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷,包括:
6.根据权利要求2或3任一项所述的方法,其特征在于,所述第一卷积神经网络和所述第二卷积神经网络至少包括卷积层、池化层、全连接层。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述历史天气数据至少包括:温度、风速、湿度。
8.一种用电负荷预测装置,其特征在于,所述装置包括:
< ...【技术特征摘要】
1.一种用电负荷预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述根据经过预处理的用电负荷样本数据、天气样本数据以及对应目标时间段对应的未来时间段的用电负荷进行模型训练,得到所述第一卷积神经网络和所述第二卷积神经网络,包括:
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述第一用电负荷和所述第二用电负荷计算得到所述目标用户在未来时间段的最终用电负荷,包括:
5.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述第一用电负荷...
【专利技术属性】
技术研发人员:李乐,刘智源,柳楠,韩昊,王林,赵迪,刘毅,陈雅雯,董云飞,王旭,
申请(专利权)人:国网北京市电力公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。