CN118365481B - 基于园区企业用电特征的企业短期用能配置方法及系统 - Google Patents
基于园区企业用电特征的企业短期用能配置方法及系统 Download PDFInfo
- Publication number
- CN118365481B CN118365481B CN202410672645.3A CN202410672645A CN118365481B CN 118365481 B CN118365481 B CN 118365481B CN 202410672645 A CN202410672645 A CN 202410672645A CN 118365481 B CN118365481 B CN 118365481B
- Authority
- CN
- China
- Prior art keywords
- enterprise
- electricity
- sequence
- market
- time sequence
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 456
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005265 energy consumption Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 278
- 230000002776 aggregation Effects 0.000 claims abstract description 115
- 238000004220 aggregation Methods 0.000 claims abstract description 115
- 230000003993 interaction Effects 0.000 claims abstract description 108
- 230000004927 fusion Effects 0.000 claims abstract description 77
- 239000013604 expression vector Substances 0.000 claims abstract description 32
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 29
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 29
- 230000008846 dynamic interplay Effects 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000012546 transfer Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 17
- 238000003860 storage Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/163—Real estate management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
Abstract
本公开涉及一种基于园区企业用电特征的企业短期用能配置方法及系统。该方法包括：基于相同时间尺度对获取的企业历史用电数据和市场历史电价数据进行数据切分并进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；然后，对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价‑企业用电时序交互融合表示向量，以制定企业短期用能配置策略。这样，可以挖掘市场供需关系与企业实际用电需求之间的隐含关联，了解企业短时用电需求与市场导向，从而为制定企业短期用能配置策略提供重要支持。
Description
技术领域
本公开涉及企业用电技术领域，具体地，涉及一种基于园区企业用电特征的企业短期用能配置方法及系统。
背景技术
在当今工业化快速发展的背景下，工业园区作为工业活动的重要集聚地，其能源管理的效率和效果对整个社会的可持续发展具有重要影响。特别是在全球能源危机和气候变化的大背景下，如何优化工业园区的能源配置，提高能源利用效率，降低能源成本，成为了一个亟待解决的问题。
一些研究表明，工业园区的能源负荷特性复杂，对供能可靠性和稳定性的要求很高，因此，用能配置方法需要考虑到如何保证能源供应的稳定性和经济性。现有的针对工业园区企业的用能配置过程中，忽略对市场能源价格的监控，导致用能配置效率低下。因此，期待一种优化的基于园区企业用电特征的企业短期用能配置方法及系统。
发明内容
提供该发明内容部分以便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。该发明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。
第一方面，本公开提供了一种基于园区企业用电特征的企业短期用能配置方法，所述方法包括：获取企业历史用电数据和市场历史电价数据；基于相同时间尺度对所述企业历史用电数据和市场历史电价数据进行数据切分以得到企业局部历史用电数据的序列和市场局部历史电价数据的序列；对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量；基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略。
可选地，对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列，包括：将所述企业局部历史用电数据的序列中的各个企业局部历史用电数据和所述市场局部历史电价数据的序列中的各个市场局部历史电价数据分别按照时间维度进行数据规整以得到企业局部历史用电时序输入向量的序列和市场局部历史电价时序输入向量的序列；将所述企业局部历史用电时序输入向量的序列和所述市场局部历史电价时序输入向量的序列分别通过基于双向LSTM模型的序列编码器以得到所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列。
可选地，对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量，包括：将所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列输入信息传递聚合网络以得到企业用电全时域聚合隐含特征向量和市场电价全时域聚合隐含特征向量；将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量输入特征元素动态交互合成模块以得到所述市场电价-企业用电时序交互融合表示向量。
可选地，将所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列输入信息传递聚合网络以得到企业用电全时域聚合隐含特征向量和市场电价全时域聚合隐含特征向量，包括：计算所述企业用电时序关联隐含特征向量的序列的按位置加和以得到企业用电时序交互关联聚合特征向量；保留所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量的企业用电局部关联特征信息以得到最大相关度约束强化企业用电时序关联隐含特征向量；将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行全时域传递聚合以得到所述企业用电全时域聚合隐含特征向量。
可选地，保留所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量的企业用电局部关联特征信息以得到最大相关度约束强化企业用电时序关联隐含特征向量，包括：基于可学习的超参数构造更新权重；将所述更新权重与所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量进行点乘以得到所述最大相关度约束强化企业用电时序关联隐含特征向量。
可选地，将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行全时域传递聚合以得到所述企业用电全时域聚合隐含特征向量，包括：将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行按位置点加后，通过多层感知机进行编码以得到所述企业用电全时域聚合隐含特征向量，其中，所述多层感知机由全连接层构成。
可选地，将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量输入特征元素动态交互合成模块以得到所述市场电价-企业用电时序交互融合表示向量，包括：将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量级联为企业用电-市场电价全时域级联融合特征向量；确定所述企业用电-市场电价全时域级联融合特征向量的变换向量；将所述变换向量与所述企业用电-市场电价全时域级联融合特征向量的乘积值与偏置参数进行相加后，将获得的特征值通过sigmoid函数进行非线性变换以得到交互平衡系数；利用所述交互平衡系数对所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量进行动态交互合成以得到所述市场电价-企业用电时序交互融合表示向量。
可选地，利用所述交互平衡系数对所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量进行动态交互合成以得到所述市场电价-企业用电时序交互融合表示向量，包括：基于所述交互平衡系数确定市场电价交互权重和企业用电交互权重，其中，所述市场电价交互权重和所述企业用电交互权重的加和值为一；分别计算所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量的以自然常数为底的指数函数以得到重映射企业用电全时域聚合隐含特征向量和重映射市场电价全时域聚合隐含特征向量；将所述市场电价交互权重与所述重映射市场电价全时域聚合隐含特征向量的相乘结果和所述企业用电交互权重与所述重映射企业用电全时域聚合隐含特征向量的相乘结果进行点加以得到所述市场电价-企业用电时序交互融合表示向量。
可选地，基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略，包括：将所述市场电价-企业用电时序交互融合表示向量通过基于解码器的用电需求预测器以得到企业短时用电需求；基于所述企业短时用电需求，制定所述企业短期用能配置策略。
第二方面，本公开提供了一种基于园区企业用电特征的企业短期用能配置系统，所述系统包括：历史电价数据获取模块，用于获取企业历史用电数据和市场历史电价数据；数据切分模块，用于基于相同时间尺度对所述企业历史用电数据和市场历史电价数据进行数据切分以得到企业局部历史用电数据的序列和市场局部历史电价数据的序列；序列编码模块，用于对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；信息聚合与动态交互合成模块，用于对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量；企业短期用能配置策略制定模块，用于基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略。
采用上述技术方案，通过基于相同时间尺度对获取的企业历史用电数据和市场历史电价数据进行数据切分并进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；然后，对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量，以制定企业短期用能配置策略。这样，可以挖掘市场供需关系与企业实际用电需求之间的隐含关联，了解企业短时用电需求与市场导向，从而为制定企业短期用能配置策略提供重要支持。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
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，原件和元素不一定按照比例绘制。
在附图中：图1是根据一示例性实施例示出的一种基于园区企业用电特征的企业短期用能配置方法的流程图。
图2是根据一示例性实施例示出的一种基于园区企业用电特征的企业短期用能配置系统的框图。
图3是根据一示例性实施例示出的一种电子设备的框图。
图4是根据一示例性实施例示出的一种基于园区企业用电特征的企业短期用能配置方法的应用场景图。
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。
应当理解，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。
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。
为了解决上述问题，本公开提供了一种基于园区企业用电特征的企业短期用能配置方法及系统，通过基于相同时间尺度对获取的企业历史用电数据和市场历史电价数据进行数据切分并进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；然后，对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量，以制定企业短期用能配置策略。这样，可以挖掘市场供需关系与企业实际用电需求之间的隐含关联，了解企业短时用电需求与市场导向，从而为制定企业短期用能配置策略提供重要支持。
以下结合附图对本公开的具体实施方式进行详细说明。
图1是根据一示例性实施例示出的一种基于园区企业用电特征的企业短期用能配置方法的流程图，如图1所示，该方法包括：步骤101、获取企业历史用电数据和市场历史电价数据；步骤102、基于相同时间尺度对所述企业历史用电数据和市场历史电价数据进行数据切分以得到企业局部历史用电数据的序列和市场局部历史电价数据的序列；步骤103、对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；步骤104、对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量；步骤105、基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略。
针对上述技术问题，本公开的技术构思为综合利用企业历史用电数据和市场历史电价数据，结合深度学习算法建立能源管理模型，以实现市场电价数据与企业用电数据的深度融合，挖掘市场供需关系与企业实际用电需求之间的隐含关联，了解企业短时用电需求与市场导向，从而为制定企业短期用能配置策略提供重要支持。
基于此，在本公开的技术方案中，首先，获取企业历史用电数据和市场历史电价数据。其中，企业历史用电数据可以帮助分析企业的用电模式和行为特征，包括用电高峰时段、低谷时段以及季节性变化等，从而为制定更合理的用能策略提供依据。而市场历史电价数据可以帮助企业了解电价随时间的波动情况，进行成本效益分析，以确定最佳的用电和购电时机。
在本公开的一个实施例中，对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列，包括：将所述企业局部历史用电数据的序列中的各个企业局部历史用电数据和所述市场局部历史电价数据的序列中的各个市场局部历史电价数据分别按照时间维度进行数据规整以得到企业局部历史用电时序输入向量的序列和市场局部历史电价时序输入向量的序列；将所述企业局部历史用电时序输入向量的序列和所述市场局部历史电价时序输入向量的序列分别通过基于双向LSTM模型的序列编码器以得到所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列。
然后，基于相同时间尺度对所述企业历史用电数据和市场历史电价数据进行数据切分以确保企业历史用电数据和市场历史电价数据在后续处理与分析时在时间维度上具有一致性，从而得到企业局部历史用电数据的序列和市场局部历史电价数据的序列。接着，将所述企业局部历史用电数据的序列中的各个企业局部历史用电数据和所述市场局部历史电价数据的序列中的各个市场局部历史电价数据分别按照时间维度进行数据规整以得到企业局部历史用电时序输入向量的序列和市场局部历史电价时序输入向量的序列。这样，通过数据规整的方式将局部时序离散分布的企业历史用电数据和市场历史电价数据转化为结构化的向量表示，以便于后续的模型进行处理。
随后，将所述企业局部历史用电时序输入向量的序列和所述市场局部历史电价时序输入向量的序列分别通过基于双向LSTM模型的序列编码器以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列。也就是，利用双向LSTM模型的独特优势来分别捕捉和学习所述企业局部历史用电时序输入向量的序列和所述市场局部历史电价时序输入向量的序列中的复杂模式和时序依赖关系。更具体地，双向LSTM模型能够同时考虑时间序列数据中过去和未来的信息，这种双向学习能力对于理解和预测时间序列数据中的模式至关重要。
考虑到企业用电历史数据和市场历史电价数据在时间维度上都存在复杂的时域关联模式，这种复杂的时域关联模式对于理解和预测企业的用电需求以及市场的电价波动来说具有重要意义。例如，企业用电通常在工作日和非工作日表现出不同的模式，一天中也可能有高峰和低谷时段。这种周期性变化规律对于理解企业的用电需求变化模式具有重要意义。
在本公开的一个实施例中，对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量，包括：将所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列输入信息传递聚合网络以得到企业用电全时域聚合隐含特征向量和市场电价全时域聚合隐含特征向量；将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量输入特征元素动态交互合成模块以得到所述市场电价-企业用电时序交互融合表示向量。
在本公开的技术方案中，进一步地将所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列输入信息传递聚合网络以得到企业用电全时域聚合隐含特征向量和市场电价全时域聚合隐含特征向量。也就是，利用所述信息传递聚合网络来对企业用电时序分布模式和市场历史电价时序分布模式进行全时域传递聚合，从而预测企业用电需求变化与市场电价波动模式。
在本公开的一个实施例中，将所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列输入信息传递聚合网络以得到企业用电全时域聚合隐含特征向量和市场电价全时域聚合隐含特征向量，包括：计算所述企业用电时序关联隐含特征向量的序列的按位置加和以得到企业用电时序交互关联聚合特征向量；保留所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量的企业用电局部关联特征信息以得到最大相关度约束强化企业用电时序关联隐含特征向量；将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行全时域传递聚合以得到所述企业用电全时域聚合隐含特征向量。
进一步地，在本公开的一个实施例中，保留所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量的企业用电局部关联特征信息以得到最大相关度约束强化企业用电时序关联隐含特征向量，包括：基于可学习的超参数构造更新权重；将所述更新权重与所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量进行点乘以得到所述最大相关度约束强化企业用电时序关联隐含特征向量。
更进一步地，在本公开的一个实施例中，将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行全时域传递聚合以得到所述企业用电全时域聚合隐含特征向量，包括：将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行按位置点加后，通过多层感知机进行编码以得到所述企业用电全时域聚合隐含特征向量，其中，所述多层感知机由全连接层构成。
具体地，以如下聚合公式将所述企业用电时序关联隐含特征向量的序列输入信息传递聚合网络以得到企业用电全时域聚合隐含特征向量；其中，所述聚合公式为：；其中，是所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量，是所述企业用电全时域聚合隐含特征向量，是可学习的超参数，表示所述企业用电时序关联隐含特征向量的序列，表示所述企业用电时序关联隐含特征向量的序列中第位置处的企业用电时序关联隐含特征向量，是多层感知机。
应可以理解，所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量分别表示企业用电的全时域隐含关联特征模式和市场电价的全时域隐含关联特征模式，通过整合两者的信息可以形成更加全面的特征表示，即描述和刻画市场供需关系与企业实际用电需求之间的深度关联。在本公开的技术方案中，将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量输入特征元素动态交互合成模块以得到市场电价-企业用电时序交互融合表示向量。这样，可以更深层次地融合企业用电特征和市场电价特征，从而捕捉两者之间可能存在的复杂相互作用和依赖关系。
在本公开的一个具体示例中，将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量输入特征元素动态交互合成模块以得到所述市场电价-企业用电时序交互融合表示向量的过程包括：首先，将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量级联为企业用电-市场电价全时域级联融合特征向量；接着确定所述企业用电-市场电价全时域级联融合特征向量的变换向量；随后，将所述变换向量与所述企业用电-市场电价全时域级联融合特征向量的乘积值与偏置参数进行相加后，将获得的特征值通过Sigmoid函数进行非线性变换以得到交互平衡系数；再利用所述交互平衡系数对所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量进行动态交互合成以得到所述市场电价-企业用电时序交互融合表示向量。其中，所述特征元素动态交互合成模块在特征交互融合的过程中，通过所述交互平衡系数来自适应地平衡来自所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量的融合信息的重要性，使模型能够灵活地调整两者之间的重要程度，从而使得企业用电时序波动特征与市场电价时序波动特征之间的交互与融合更加符合实际情况，而不是简单地杂糅在一起。
进一步地，在本公开的一个实施例中，利用所述交互平衡系数对所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量进行动态交互合成以得到所述市场电价-企业用电时序交互融合表示向量，包括：基于所述交互平衡系数确定市场电价交互权重和企业用电交互权重，其中，所述市场电价交互权重和所述企业用电交互权重的加和值为一；分别计算所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量的以自然常数为底的指数函数以得到重映射企业用电全时域聚合隐含特征向量和重映射市场电价全时域聚合隐含特征向量；将所述市场电价交互权重与所述重映射市场电价全时域聚合隐含特征向量的相乘结果和所述企业用电交互权重与所述重映射企业用电全时域聚合隐含特征向量的相乘结果进行点加以得到所述市场电价-企业用电时序交互融合表示向量。
具体地，以如下交互公开将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量输入特征元素动态交互合成模块以得到所述市场电价-企业用电时序交互融合表示向量；其中，所述交互公式为：；其中，为所述交互平衡系数，是所述变换矩阵，是所述偏置向量，表示激活函数，和分别是所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量，是所述市场电价-企业用电时序交互融合表示向量，表示级联函数，和表示计算以自然常数为底且以所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量中各个位置的特征值为幂的自然指数函数值。
这样以后，将所述市场电价-企业用电时序交互融合表示向量通过基于解码器的用电需求预测器以得到企业短时用电需求；并基于所述企业短时用电需求，制定企业短期用能配置策略。在本公开的实施例中，配置1.5倍乘以所述企业短时用电需求的电能供给作为企业短期用能配置策略。
在本公开的一个实施例中，基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略，包括：将所述市场电价-企业用电时序交互融合表示向量通过基于解码器的用电需求预测器以得到企业短时用电需求；基于所述企业短时用电需求，制定所述企业短期用能配置策略。
将所述市场电价-企业用电时序交互融合表示向量通过基于解码器的用电需求预测器以得到企业短时用电需求包括以下步骤：计算所述市场电价-企业用电时序交互融合表示向量与所述市场电价-企业用电时序交互融合表示向量的长度的平方根和所述市场电价-企业用电时序交互融合表示向量的二范数的平方根的倒数的点加之和得到市场电价-企业用电时序交互融合偏移特征向量；计算所述市场电价-企业用电时序交互融合偏移特征向量的以自然常数为底的指数函数以获得市场电价-企业用电时序交互融合预测特征向量；计算所述市场电价-企业用电时序交互融合表示向量与所述市场电价-企业用电时序交互融合表示向量的一范数和权重超参数的点乘之积得到市场电价-企业用电时序交互融合约束特征向量； 计算所述市场电价-企业用电时序交互融合预测特征向量与所述市场电价-企业用电时序交互融合约束特征向量的点加之和得到优化的市场电价-企业用电时序交互融合表示向量；以及将所述优化的市场电价-企业用电时序交互融合表示向量通过基于解码器的用电需求预测器以得到企业短时用电需求。
具体地，考虑到基于企业历史用电数据和市场历史电价数据的局部时域时序关联特征在全局时域下的局部时域间上下文时序信息传递特征，所述市场电价-企业用电时序交互融合表示向量在局部时域-全局时域下的交互合成融合分布基于解码器的整体分布解码回归约束性，在上述优选示例中，以所述市场电价-企业用电时序交互融合表示向量的结构化范数表示作为针对所述市场电价-企业用电时序交互融合表示向量的各个特征值的局部典范化坐标，来确定所述市场电价-企业用电时序交互融合表示向量的向量整体分布表示相对于特征值的旋转偏移对于作为中心的所述市场电价-企业用电时序交互融合表示向量的各个特征值的偏移预测方向，并以所述市场电价-企业用电时序交互融合表示向量的向量特征值分布的边界框进行特征值约束，来提升所述市场电价-企业用电时序交互融合表示向量在整体回归分布下的约束性，从而提升模型的训练速度以及所述市场电价-企业用电时序交互融合表示向量通过基于解码器的用电需求预测器得到的企业短时用电需求的准确性。
综上所述，采用上述方案，通过综合利用企业历史用电数据和市场历史电价数据，结合深度学习算法建立能源管理模型，以实现市场电价数据与企业用电数据的深度融合，挖掘市场供需关系与企业实际用电需求之间的隐含关联，了解企业短时用电需求与市场导向，从而为制定企业短期用能配置策略提供重要支持。
图2是根据一示例性实施例示出的一种基于园区企业用电特征的企业短期用能配置系统的框图。如图2所示，该系统200包括：历史电价数据获取模块201，用于获取企业历史用电数据和市场历史电价数据；数据切分模块202，用于基于相同时间尺度对所述企业历史用电数据和市场历史电价数据进行数据切分以得到企业局部历史用电数据的序列和市场局部历史电价数据的序列；序列编码模块203，用于对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；信息聚合与动态交互合成模块204，用于对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量；企业短期用能配置策略制定模块205，用于基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略。
下面参考图3，其示出了适于用来实现本公开实施例的电子设备600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例，不应对本公开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600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：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606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600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600，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。
特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态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。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述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(HyperTextTransferProtocol，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。
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操作的计算机程序代码，上述程序设计语言包括但不限于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。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，测试参数获取模块还可以被描述为“获取目标设备对应的设备测试参数的模块”。
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。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
图4是根据一示例性实施例示出的一种基于园区企业用电特征的企业短期用能配置方法的应用场景图。如图4所示，在该应用场景中，首先，获取企业历史用电数据（例如，如图4中所示意的C1）和市场历史电价数据（例如，如图4中所示意的C2）；然后，将获取的企业历史用电数据和市场历史电价数据输入至部署有基于园区企业用电特征的企业短期用能配置算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于园区企业用电特征的企业短期用能配置算法对所述企业历史用电数据和所述市场历史电价数据进行处理，以制定企业短期用能配置策略。
以上描述仅为本公开的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，本公开中所涉及的公开范围，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公开构思的情况下，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。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (2)
1.一种基于园区企业用电特征的企业短期用能配置方法，其特征在于，包括：获取企业历史用电数据和市场历史电价数据；基于相同时间尺度对所述企业历史用电数据和市场历史电价数据进行数据切分以得到企业局部历史用电数据的序列和市场局部历史电价数据的序列；对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量；基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略；
其中，对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列，包括：将所述企业局部历史用电数据的序列中的各个企业局部历史用电数据和所述市场局部历史电价数据的序列中的各个市场局部历史电价数据分别按照时间维度进行数据规整以得到企业局部历史用电时序输入向量的序列和市场局部历史电价时序输入向量的序列；将所述企业局部历史用电时序输入向量的序列和所述市场局部历史电价时序输入向量的序列分别通过基于双向LSTM模型的序列编码器以得到所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列；
其中，对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量，包括：将所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列输入信息传递聚合网络以得到企业用电全时域聚合隐含特征向量和市场电价全时域聚合隐含特征向量；将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量输入特征元素动态交互合成模块以得到所述市场电价-企业用电时序交互融合表示向量；
其中，将所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列输入信息传递聚合网络以得到企业用电全时域聚合隐含特征向量和市场电价全时域聚合隐含特征向量，包括：计算所述企业用电时序关联隐含特征向量的序列的按位置加和以得到企业用电时序交互关联聚合特征向量；保留所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量的企业用电局部关联特征信息以得到最大相关度约束强化企业用电时序关联隐含特征向量；将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行全时域传递聚合以得到所述企业用电全时域聚合隐含特征向量；
其中，保留所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量的企业用电局部关联特征信息以得到最大相关度约束强化企业用电时序关联隐含特征向量，包括：基于可学习的超参数构造更新权重；将所述更新权重与所述企业用电时序关联隐含特征向量的序列中最后一个企业用电时序关联隐含特征向量进行点乘以得到所述最大相关度约束强化企业用电时序关联隐含特征向量；
其中，将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行全时域传递聚合以得到所述企业用电全时域聚合隐含特征向量，包括：将所述企业用电时序交互关联聚合特征向量和所述最大相关度约束强化企业用电时序关联隐含特征向量进行按位置点加后，通过多层感知机进行编码以得到所述企业用电全时域聚合隐含特征向量，其中，所述多层感知机由全连接层构成；
其中，将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量输入特征元素动态交互合成模块以得到所述市场电价-企业用电时序交互融合表示向量，包括：将所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量级联为企业用电-市场电价全时域级联融合特征向量；确定所述企业用电-市场电价全时域级联融合特征向量的变换向量；将所述变换向量与所述企业用电-市场电价全时域级联融合特征向量的乘积值与偏置参数进行相加后，将获得的特征值通过sigmoid函数进行非线性变换以得到交互平衡系数；利用所述交互平衡系数对所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量进行动态交互合成以得到所述市场电价-企业用电时序交互融合表示向量；
其中，利用所述交互平衡系数对所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量进行动态交互合成以得到所述市场电价-企业用电时序交互融合表示向量，包括：基于所述交互平衡系数确定市场电价交互权重和企业用电交互权重，其中，所述市场电价交互权重和所述企业用电交互权重的加和值为一；分别计算所述企业用电全时域聚合隐含特征向量和所述市场电价全时域聚合隐含特征向量的以自然常数为底的指数函数以得到重映射企业用电全时域聚合隐含特征向量和重映射市场电价全时域聚合隐含特征向量；将所述市场电价交互权重与所述重映射市场电价全时域聚合隐含特征向量的相乘结果和所述企业用电交互权重与所述重映射企业用电全时域聚合隐含特征向量的相乘结果进行点加以得到所述市场电价-企业用电时序交互融合表示向量；
其中，基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略，包括：将所述市场电价-企业用电时序交互融合表示向量通过基于解码器的用电需求预测器以得到企业短时用电需求；基于所述企业短时用电需求，制定所述企业短期用能配置策略。
2.一种根据权利要求1所述的基于园区企业用电特征的企业短期用能配置方法的基于园区企业用电特征的企业短期用能配置系统，其特征在于，包括：历史电价数据获取模块，用于获取企业历史用电数据和市场历史电价数据；数据切分模块，用于基于相同时间尺度对所述企业历史用电数据和市场历史电价数据进行数据切分以得到企业局部历史用电数据的序列和市场局部历史电价数据的序列；序列编码模块，用于对所述企业局部历史用电数据的序列和所述市场局部历史电价数据的序列进行序列编码以得到企业用电时序关联隐含特征向量的序列和市场电价时序关联隐含特征向量的序列；信息聚合与动态交互合成模块，用于对所述企业用电时序关联隐含特征向量的序列和所述市场电价时序关联隐含特征向量的序列进行信息聚合与动态交互合成以得到市场电价-企业用电时序交互融合表示向量；企业短期用能配置策略制定模块，用于基于所述市场电价-企业用电时序交互融合表示向量来制定企业短期用能配置策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410672645.3A CN118365481B (zh) | 2024-05-28 | 2024-05-28 | 基于园区企业用电特征的企业短期用能配置方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410672645.3A CN118365481B (zh) | 2024-05-28 | 2024-05-28 | 基于园区企业用电特征的企业短期用能配置方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118365481A CN118365481A (zh) | 2024-07-19 |
| CN118365481B true CN118365481B (zh) | 2024-09-24 |
Family
ID=91878594
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410672645.3A Active CN118365481B (zh) | 2024-05-28 | 2024-05-28 | 基于园区企业用电特征的企业短期用能配置方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118365481B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276638A (zh) * | 2019-05-29 | 2019-09-24 | 南京邮电大学 | 一种基于双向长短期神经网络的电价预测方法及系统 |
| CN116579496A (zh) * | 2023-05-26 | 2023-08-11 | 中科聚(北京)能源科技有限公司 | 基于大数据的园区短期负荷预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117013580A (zh) * | 2023-08-03 | 2023-11-07 | 浙江腾腾电气有限公司 | 基于预测的储能调控方法及其系统 |
| CN117933549A (zh) * | 2024-01-24 | 2024-04-26 | 国网河南省电力公司信息通信分公司 | 基于电量阈值计算算法的企业用电电量数据处理方法及系统 |
-
2024
- 2024-05-28 CN CN202410672645.3A patent/CN118365481B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276638A (zh) * | 2019-05-29 | 2019-09-24 | 南京邮电大学 | 一种基于双向长短期神经网络的电价预测方法及系统 |
| CN116579496A (zh) * | 2023-05-26 | 2023-08-11 | 中科聚(北京)能源科技有限公司 | 基于大数据的园区短期负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118365481A (zh) | 2024-07-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111475298B (zh) | 任务处理方法、装置、设备及存储介质 | |
| CN113609113B (zh) | 基于电力数据的用户信息生成方法、装置、电子设备 | |
| CN113392018B (zh) | 流量分发方法、装置、存储介质及电子设备 | |
| CN118365481B (zh) | 基于园区企业用电特征的企业短期用能配置方法及系统 | |
| CN111598227B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111898061B (zh) | 搜索网络的方法、装置、电子设备和计算机可读介质 | |
| CN117057681B (zh) | 软件质量评估方法、装置、设备和存储介质 | |
| CN111798251A (zh) | 房源数据的验证方法、装置和电子设备 | |
| CN118071385A (zh) | 一种面向全物联网架构的营销业务融合方法和系统 | |
| CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
| CN115907136B (zh) | 电动汽车调度方法、装置、设备和计算机可读介质 | |
| CN117241092A (zh) | 一种视频处理方法、装置、存储介质及电子设备 | |
| 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 | |
| CN113610174B (zh) | 基于Phik特征选择的电网主机负载预测方法、设备及介质 | |
| CN116307998B (zh) | 电力设备材料运输方法、装置、电子设备和计算机介质 | |
| CN118445734B (zh) | 托卡马克实验数据智能处理方法及系统 | |
| 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 | |
| CN114040014B (zh) | 内容推送方法、装置、电子设备及计算机可读存储介质 | |
| CN112417151B (zh) | 一种生成分类模型方法、文本关系分类方法和装置 | |
| CN118350610A (zh) | 生产资源调度方法、装置、电子设备与可读介质 | |
| CN118331716B (zh) | 异构算力集成系统下算力智能迁移方法 | |
| CN112270170B (zh) | 一种隐式表述语句的分析方法、装置、介质和电子设备 | |
| WO2024188247A1 (zh) | 一种模型量化方法、装置、电子设备及存储介质 | |
| CN118245341B (zh) | 业务模型的切换方法、装置、电子设备和计算机可读介质 | |
| CN115470292B (zh) | 区块链共识方法、装置、电子设备及可读存储介质 |
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 | ||
| GR01 | Patent grant |