一种基于时间序列变密度处理手段的负荷曲线聚类方法

    公开(公告)号:CN118503743A

    公开(公告)日:2024-08-16

    申请号:CN202410566414.4

    申请日:2024-05-09

    摘要: 本发明公开了一种基于时间序列变密度处理手段的负荷曲线聚类方法,包括:根据负荷曲线确定负荷的峰、谷、爬坡时段;采用自适应分段聚合近似方法对负荷进行减密度处理;确定减密度处理后峰、谷、爬坡时段对应的数据点,针对减密度后的负荷序列,采用线性内插法对负荷的峰、谷、爬坡时段进行增密度处理;针对减密度和增密度后的负荷序列,采用欧氏距离和相关距离的综合判据构建相似性指标,计算负荷间的相似性;针对减密度和增密度后的负荷序列,基于负荷间的相似性,采用k‑medoids法进行聚类,得到典型日负荷曲线。根据典型日负荷曲线可以了解这类用户的负荷特性和用电规律,电网可以根据用户的特性进行调度,实施需求响应等,平衡电力电量和削峰填谷。

    面向异构计算资源的深度强化学习协同调度方法及装置

    公开(公告)号:CN117909044A

    公开(公告)日:2024-04-19

    申请号:CN202410033480.5

    申请日:2024-01-09

    IPC分类号: G06F9/48 G06F9/50 G06N3/092

    摘要: 本发明涉及人工智能算力资源调度技术领域,公开了面向异构计算资源的深度强化学习协同调度方法及装置,该方法包括:获取深度学习任务以及异构计算环境信息,异构计算环境为云边协同环境;根据深度学习任务以及异构计算环境信息构建任务调度模型;采用基于深度强化学习的任务调度算法根据任务调度模型对深度学习任务进行调度。本发明实现了在调度过程中考虑深度学习任务以及异构计算环境信息的目的,利用构建的任务模型采用基于深度强化学习的任务调度算法对深度学习任务进行调度,达到了充分利用反馈信息、提高深度学习任务协同调度的灵活性、实时性、泛化能力以及自适应性的效果,解决了相关技术中存在的深度学习任务调度质量较差的问题。