CN107730059A - 基于机器学习的变电站电量趋势预测分析的方法 - Google Patents
基于机器学习的变电站电量趋势预测分析的方法 Download PDFInfo
- Publication number
- CN107730059A CN107730059A CN201711222095.1A CN201711222095A CN107730059A CN 107730059 A CN107730059 A CN 107730059A CN 201711222095 A CN201711222095 A CN 201711222095A CN 107730059 A CN107730059 A CN 107730059A
- Authority
- CN
- China
- Prior art keywords
- electricity
- transformer station
- machine learning
- trend prediction
- data
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 73
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000002441 reversible effect Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 230000000052 comparative effect Effects 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 230000001373 regressive effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003869 coulometry Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的变电站电量趋势预测分析的方法,包括:分析变电站电量趋势预测的影响因子,确定构建模型所需的特征量类型;基于已采集的电量数据和所述特征量类型构建多维度特征量数据集;构建GBDT和Adaboost集成预测模型,并采用均方根误差的值比较评估模型的预测效果。本发明提供的基于机器学习的变电站电量趋势预测分析的方法,充分考虑影响预测效果可能的特征因子,使得预测分析更加准确;并采用基于回归的GBDT、Adaboost集成学习算法,防止数据过拟合,且可实现预测模型可持续训练、分析和优化。
Description
技术领域
本发明涉及电能表计量领域,具体涉及一种基于机器学习的变电站电量趋势预测分析的 方法。
背景技术
随着国民经济的不断发展和人们生活水平的不断提高,每年的用电量也在稳步增长。对 变电站电量数据的分析对电力企业和区域经济利益密切相关,学术、行业对变电站电量分析 和预测一直有所尝试。现有的变电站电量分析和预测方法主要包括基于经典理论公式的预测 算法分析和基于单变量的时序预测分析:
1、基于经典理论公式的预测算法分析主要依据历史数据数学分析并结合业务分析得到一 套经典理论公式,基于该公式进行变电站电量预测。
这类方法在的问题比较明显,就是这种基于经典理论公式的算法,难以反映将来造成数 据变动的更多未知因素。它只考虑了历史数据,很难应用未来的实际数据进行迭代和修正, 因此具有一定的局限性。
2、基于单变量的时序预测分析主要是通过基于电量这个单一数据和时间这两个维度采用 典型的时间序列分析算法例如三次指数平滑算法和差分自回归滑动平均算法。
这类方法能够解决应用未来的实际数据进行模型参数的迭代和修正,能够融合未来实际 数据的抖动变化规律实现对数据的预测,但该方法只考虑电量这一单一因素,未考虑导致电 量变化的其他因素,如节假日、温度等,因此也具有一定的局限性。
发明内容
针对现有技术的不足,本发明的主要目的在于:基于多维数据特征工程设计和数据构建, 利用机器学习的方式形成一种可靠的变电站电量预测的方法。
为实现前述目的,本发明公开了一种基于机器学习的变电站电量趋势预测分析的方法, 包括以下步骤:
S1.分析变电站电量趋势预测的影响因子,确定构建模型所需的特征量类型,所述特征 量类型包括节假日电量、月份电量、周电量、日电量、气象数据、模型滞后期;
S2.基于已采集的电量数据和所述特征量类型构建多维度特征量数据集,其中,所述节 假日电量、月份电量、周电量、日电量均基于各自时间节点的均值、方差、最大值、最小值 的特征数据上进行特征提取;
S3.生成模型评估数据集,所述数据集包括训练集和测试集;
S4.基于回归的GBDT集成学习算法构建GBDT预测模型,使用所述训练集进行迭代训 练获取最终强学习器;
S5.基于Adaboost集成学习算法构建Adaboost预测模型,使用所述训练集进行迭代训练 获取最终强分类器;
S6.获取所述GBDT预测模型和Adaboost预测模型的电量预测结果,并根据所述测试集, 分别计算所述GBDT预测模型和Adaboost预测模型的均方根误差;
S7.采用所述均方根误差的值评估预测模型的预测效果,所述均方根误差越小,其预测 模型的预测结果越准确。
优选地,所述电量数据包括变电站ID、电压等级、日期、电量。
优选地,所述步骤S2还包括在月份电量的基于月份的偏度和峰度上的特征数据进行特征 提取。
优选地,所述气象数据包括温度和湿度。
优选地,所述电量包括正向电量、反向电量、转换后的正向电量、转换后的反向电量。
优选地,所述步骤S2还包括对基于某天的温度、湿度的特征数据进行特征提取。
与现有技术相比,本发明的有益效果在于在海量数据的基础上,充分考虑影响预测效果 可能的特征因子,并实现针对这些数据集的特征进行工程设计和数据构建以及多维数据融合, 最后采用基于回归的GBDT、Adaboost集成学习算法构建集成预测模型进行预测,可防止数据 过拟合,并可实现预测模型可持续训练、分析和优化,提升预测能力。
附图说明
图1是本发明一典型实施例公开的部分样本数据示例图;
图2是本发明一典型实施例公开的部分数据集示例图。
具体实施方式
鉴于现有技术中的不足,本案发明人经长期研究和大量实践,得以提出本发明的技术方 案。如下将对该技术方案、其实施过程及原理等作进一步的解释说明。
本发明基于多维数据特征工程设计和数据构建,并利用历史数据和机器学习方式实现对 变电站未来电量的预测。包括:
1.基于已采集的变电站电量数据进行多维数据特征工程设计和数据构建、多维数据融合;
对可能影响预测效果的特征因子进行分析,例如节假日电量、月份电量、周电量、日电 量,温度、湿度等,突破传统、单一特征的局限性。
2.基于回归的GBDT、Adaboost集成学习算法来实现模型分析、训练和评估。
基于回归的GBDT和Adaboost集成学习算法构建基于时间序列的回归预测模型模型,防 止数据过拟合,并可实现算法模型可持续训练、分析和优化。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发 明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于 限定本发明。
本发明实施例公开的变电站电量趋势预测分析方法的数据主要来自于国家电网电能表计 量监控***的基于变电站层级的电量数据,具体涉及数据类型包括变电站ID、电压等级、日 期、电量,电量具体包括正向电量、反向电量、经处理转换后的正向电量、转换后的反向电 量,部分样本数据示例如图1所示。所述预测分析方法具体包括:
一、基于变电站电量数据的多维数据特征设计
通过收集的不同变电站每天的正向电量和反向电量数据,经过业务处理转换为实际预测 数据,即转换后的正向电量、转换后的反向电量。基于这些数据,分析变电站电量趋势预测 的影响因子并构建回归预测模型需要的特征量类型,包括:
节假日电量,按重要节日时间点进行基于原始数据在均值、方差、最大值、最小值上 的特征数据提取,例如春节、国庆节、中秋节、劳动节、清明节时期的电量数据;
月份电量,属于某月的时间点原始数据基于月份的均值、方差、最大值、最小值、偏 度、峰度上的特征数据提取;
周电量,属于某一周的时间点原始数据基于周的均值、方差、最大值、最小值上的特 征数据提取;
日电量,属于某日的时间点原始数据基于每日的均值、方差、最大值、最小值上的特 征数据提取;
气象数据,基于某天的温度、湿度特征数据融合和提取;
模型滞后期为7天。
以转换后的正向电量构建回归预测模型为例,所提取的特征量部分数据集示例如图2所 示。
二、基于回归模型的变电站电量预测分析和评估
基于上述步骤提取特征量数据,应用基于回归的GBDT、AdaBoost集成学习算法模型来 构建对于转换后的正向电量、转换后的反向电量的基于时间序列的回归预测模型,具体包括:
1.构建基于回归的GBDT预测模型
GBDT(Gradient Boosting Decison Tree)全称是梯度提升决策树,所谓的梯度提升即不断迭 代生成多个弱学习器并通过前向分布算法综合得到最终的一个强学习器的算法,属于集成学 习的范畴,同时GBDT采用的基学习器是决策树。决策树算法相比于其他的算法需要更少的 特征工程,比如可不用做特征标准化,可很好的处理字段缺失的数据,不关心特征间是否相 互依赖等。决策树学习器和梯度提升方法相结合也较有效的避免了过拟合的情况。
GBDT回归算法流程原理分析如下:
输入的训练集样本T={(x1,y1),(x2,y2),....,(xm,ym)},最大迭代次数T,损失函数L。
输出的强学习器为f(x)
(1)初始化弱学习器
(2)对于迭代次数t=1,2,3,L,T,做如下迭代:
I)对于样本i=1,2,...,m,计算负梯度来拟合每次迭代残差的近似值,第t轮的第i个样 本的损失函数的负梯度表示为:
II)利用(xi,rti)(i=1,2,...,m),拟合一颗Cart回归树,得到第t颗回归树,其对应的叶子节 点的区域为Rtj,j=1,2,3,L,J。其中J为回归树t的叶子节点的个数。
III)对于叶子节点区域j=1,2,3,L,J,计算最佳拟合值
IV)更新强学习器
3)得到最终强学习器f(x)的表达式
2.构建AdaBoost预测模型
AdaBoost(Adaptive Boosting)全称是自适应增强学习器,它是在初始化训练数据的权值分 布后,进行不断迭代训练弱分类器,即如果某个样本点已经被准确地分类,那么在构造下一 个训练集中,它的权值就被降低;相反,如果某个样本点没有被准确地分类,那么它的权值 就得到提高。然后,权值更新过的样本集被用于训练下一个分类器,如此迭代地进行下去直 到迭代达到某个预定的足够小的错误率或达到预先指定的最大迭代次数后,将之前的多个弱 分类器应用前向分布算法组合成最终的强分类器。
AdaBoost算法流程原理分析如下:
1)初始化训练数据的权值分布。
每一个训练样本最开始时都被赋予相同的权值:w=1/N,为样本总数
D1=(w11,w12,w13...w1i...,w1N),w1i=1/N,i=1,2,3...N
D1表示第一次迭代每个样本的权值,w1i表示,第1次迭代时的第i个样本的权值。
2)进行多轮迭代,表示迭代次数,m=1,2,3L,M,M为整数。
I)使用具有权值分布Dm的训练数据集学习,得到基本分类器,如下:
Gm(x):χ∈{-1,+1}
II)计算Gm(x)在训练数据集上的分类误差率
由上述式子可知,Gm(x)在训练数据集上的误差率em就是被Gm(x)误分类样本的权值 之和。
III)计算Gm(x)的系数,αm表示Gm(x)在最终分类器中的重要程度,关系式表示如下:
由上述式子可知,em≤1/2时,αm≥0,且αm随着em的减小而增大,意味着分类误 差率越小的基本分类器在最终分类器中的作用越大。
IV)更新训练数据集的权值分布用于下一轮迭代,使得被基本分类器Gm(x)误分类样本 的权值增大,而被正确分类样本的权值减小。
Dm+1=(wm+1,1,wm+1,2...wm+1,i...,wm+1,N)
Dm+1是用于下次迭代时样本的权值,wm+1,i是下一次迭代时,第i个样本的权值。其中, yi代表第i个样本对应的类别,Gm(xi)表示弱分类器对样本xi的分类。Zm是规范化因子,使得Dm+1成为一个概率分布。
3)组合各个弱分类器
得到最终的强分类器
sign函数用于求数值的正负,数值大于0,函数值为1;小于0,函数值为-1;等于0,函数值为0。
3.模型的评估
通过以上迭代训练得到集成预测模型后,便可获取相应的电量趋势预测结果,采用RMSE (均方根误差)指标计算来比较评估模型的预测效果,公式如下:
其中表示电量预测数据,ei表示实际电量数据,n表示预测天数,均方根误差越小表 示对应模型的偏差越小,其预测能力越准确。
本发明公开的基于机器学习的变电站电量趋势预测分析的方法,在海量数据的基础上, 充分考虑影响预测效果可能的特征因子,并实现针对这些数据集的特征工程设计和数据构建 以及多维数据融合;预测模型的构建采用基于回归的GBDT、Adaboost集成学习算法进行集成, 可有效的防止数据过拟合,且可实现预测模型可持续训练、分析和优化,从而取得较好、可 靠的预测结果。
应当理解,上述实施例仅为说明本发明的技术构思及特点,其目的在于让熟悉此项技术 的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发 明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (6)
1.基于机器学习的变电站电量趋势预测分析的方法,其特征在于,包括以下步骤:
S1.分析变电站电量趋势预测的影响因子,确定构建模型所需的特征量类型,所述特征量类型包括节假日电量、月份电量、周电量、日电量、气象数据、模型滞后期;
S2.基于已采集的电量数据和所述特征量类型构建多维度特征量数据集,其中,所述节假日电量、月份电量、周电量、日电量均基于各自时间节点的均值、方差、最大值、最小值的特征数据上进行特征提取;
S3.生成模型评估数据集,所述数据集包括训练集和测试集;
S4.基于回归的GBDT集成学习算法构建GBDT预测模型,使用所述训练集进行迭代训练获取最终强学习器;
S5.基于Adaboost集成学习算法构建Adaboost预测模型,使用所述训练集进行迭代训练获取最终强分类器;
S6.获取所述GBDT预测模型和Adaboost预测模型的电量预测结果,并根据所述测试集,分别计算所述GBDT预测模型和Adaboost预测模型的均方根误差;
S7.采用所述均方根误差的值评估预测模型的预测效果,所述均方根误差越小,相应预测模型的预测结果越准确。
2.根据权利要求1所述的基于机器学习的变电站电量趋势预测分析的方法,其特征在于:所述电量数据包括变电站ID、电压等级、日期、电量。
3.根据权利要求1所述的基于机器学习的变电站电量趋势预测分析的方法,其特征在于:所述步骤S2还包括在月份电量的基于月份的偏度和峰度上的特征数据进行特征提取。
4.根据权利要求1所述的基于机器学习的变电站电量趋势预测分析的方法,其特征在于:所述气象数据包括温度和湿度。
5.根据权利要求2所述的基于机器学习的变电站电量趋势预测分析的方法,其特征在于:所述电量包括正向电量、反向电量、转换后的正向电量、转换后的反向电量。
6.根据权利要求4所述的基于机器学习的变电站电量趋势预测分析的方法,其特征在于:所述步骤S2还包括对基于某天的温度、湿度的特征数据进行特征提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222095.1A CN107730059A (zh) | 2017-11-29 | 2017-11-29 | 基于机器学习的变电站电量趋势预测分析的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711222095.1A CN107730059A (zh) | 2017-11-29 | 2017-11-29 | 基于机器学习的变电站电量趋势预测分析的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107730059A true CN107730059A (zh) | 2018-02-23 |
Family
ID=61219901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711222095.1A Pending CN107730059A (zh) | 2017-11-29 | 2017-11-29 | 基于机器学习的变电站电量趋势预测分析的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730059A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及*** |
CN109727155A (zh) * | 2018-08-02 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于电量预测的用电控制方法、装置、设备和存储介质 |
CN110175637A (zh) * | 2019-05-09 | 2019-08-27 | 北京工商大学 | 非平稳时序数据深度预测方法、***、存储介质及设备 |
CN110212520A (zh) * | 2019-05-24 | 2019-09-06 | 国网天津市电力公司 | 一种基于卷积神经网络的电量预测方法 |
CN111242163A (zh) * | 2019-12-28 | 2020-06-05 | 苏州浪潮智能科技有限公司 | 一种存储设备性能的预测方法、***及设备 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
CN112308146A (zh) * | 2020-11-02 | 2021-02-02 | 国网福建省电力有限公司 | 一种基于运行特征的配变故障识别方法 |
CN112330024A (zh) * | 2020-11-06 | 2021-02-05 | 国网辽宁省电力有限公司 | 一种基于非电量及多维度场景的电量预测方法 |
US10928797B2 (en) | 2018-11-29 | 2021-02-23 | Industrial Technology Research Institute | Energy consumption management system and energy consumption management method |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子***下智能电表的剩余寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN103400203A (zh) * | 2013-07-19 | 2013-11-20 | 西安交通大学 | 一种基于支持向量机的电动汽车充电站负荷预测方法 |
-
2017
- 2017-11-29 CN CN201711222095.1A patent/CN107730059A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
CN102270309A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
CN103400203A (zh) * | 2013-07-19 | 2013-11-20 | 西安交通大学 | 一种基于支持向量机的电动汽车充电站负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
中国环境监测总站 著: "《环境空气质量预报预警方法技术指南 第2版》", 30 June 2017 * |
谢晶晶: "基于层次模型的电能表管理与数据分析方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876019A (zh) * | 2018-05-31 | 2018-11-23 | 中国电力科学研究院有限公司 | 一种基于大数据的用电负荷预测方法及*** |
CN109727155A (zh) * | 2018-08-02 | 2019-05-07 | 平安科技(深圳)有限公司 | 基于电量预测的用电控制方法、装置、设备和存储介质 |
US10928797B2 (en) | 2018-11-29 | 2021-02-23 | Industrial Technology Research Institute | Energy consumption management system and energy consumption management method |
CN110175637A (zh) * | 2019-05-09 | 2019-08-27 | 北京工商大学 | 非平稳时序数据深度预测方法、***、存储介质及设备 |
CN110212520A (zh) * | 2019-05-24 | 2019-09-06 | 国网天津市电力公司 | 一种基于卷积神经网络的电量预测方法 |
CN111242163B (zh) * | 2019-12-28 | 2022-05-31 | 苏州浪潮智能科技有限公司 | 一种存储设备性能的预测方法、***及设备 |
CN111242163A (zh) * | 2019-12-28 | 2020-06-05 | 苏州浪潮智能科技有限公司 | 一种存储设备性能的预测方法、***及设备 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
CN112308146A (zh) * | 2020-11-02 | 2021-02-02 | 国网福建省电力有限公司 | 一种基于运行特征的配变故障识别方法 |
CN112330024A (zh) * | 2020-11-06 | 2021-02-05 | 国网辽宁省电力有限公司 | 一种基于非电量及多维度场景的电量预测方法 |
CN112330024B (zh) * | 2020-11-06 | 2023-09-12 | 国网辽宁省电力有限公司 | 一种基于非电量及多维度场景的电量预测方法 |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子***下智能电表的剩余寿命预测方法 |
CN115358347B (zh) * | 2022-09-30 | 2023-01-31 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子***下智能电表的剩余寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730059A (zh) | 基于机器学习的变电站电量趋势预测分析的方法 | |
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
Wu et al. | Evolving RBF neural networks for rainfall prediction using hybrid particle swarm optimization and genetic algorithm | |
CN109754113A (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
CN108280551A (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN108985965A (zh) | 一种结合神经网络和参数估计的光伏功率区间预测方法 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
CN106485262A (zh) | 一种母线负荷预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
US20210326696A1 (en) | Method and apparatus for forecasting power demand | |
CN108549960A (zh) | 一种24小时电力负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN113537469B (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
CN109034500A (zh) | 一种多时序协同的中期电力负荷预测方法 | |
CN109636063A (zh) | 一种短期负荷预测的方法 | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及*** | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN109657846A (zh) | 电网交叉补贴规模影响因子筛选方法 | |
CN108122173A (zh) | 一种基于深度信念网络的多行业负荷预测方法 | |
Liu et al. | Using the ART-MMAP neural network to model and predict urban growth: a spatiotemporal data mining approach | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180223 |