CN109508820A - 基于差异化建模的校园用电量预测建模方法 - Google Patents

基于差异化建模的校园用电量预测建模方法 Download PDF

Info

Publication number
CN109508820A
CN109508820A CN201811296952.7A CN201811296952A CN109508820A CN 109508820 A CN109508820 A CN 109508820A CN 201811296952 A CN201811296952 A CN 201811296952A CN 109508820 A CN109508820 A CN 109508820A
Authority
CN
China
Prior art keywords
data
differentiation
distance
point
modeling
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
Application number
CN201811296952.7A
Other languages
English (en)
Inventor
杨冰芳
李海英
张巍
田颖
申伟伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201811296952.7A priority Critical patent/CN109508820A/zh
Publication of CN109508820A publication Critical patent/CN109508820A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于差异化建模的校园用电量预测建模方法，本方法将校园天气状况、是否节假日以及历史用电量作为原始数据集；采用基于FCM和分化距离的方法对原始数据集进行不良数据辨识，确定训练集数据库，为避免噪声数据的干扰，再次通过FCM对训练集进行分类，产生子训练集；利用Lazy Learning算法对用电量预测进行差异化建模。本方法通过对实际用电数据中不良数据辨识和真实拟合，合理地对用电量进行预测，可根据不同楼栋，不同待测日期建立不同的用电量预测模型，算例表明本方法可以对校园楼栋用电量进行合理准确的预测，并且有利于电力部门获取清晰的用电模式信息，合理安排调度校园不同楼栋的用电。

Description

基于差异化建模的校园用电量预测建模方法
技术领域
本发明涉及一种基于差异化建模的校园用电量预测建模方法。
背景技术
准确的用电量预测是能量管理***的重要组成部分，合理准确地预测用电情况既有利于电力***经济可靠地运行，又有益于校园电网的合理规划。针对用电特征进行差异化用电量预测建模，可以帮助更好的满足不同情况下的用电需求，有利于电力的最优调度。然而，由于智能电网背景下用电数据的容量大，复杂度高和生成速度快等特征，使得传统的预测方法无法有效地挖掘不同时期、不同作业条件下的有效用户用电模式信息。如何在大数据环境下针对不用用户用电模式进行差异化建模对研究者来说是一个挑战。
发明内容
本发明所要解决的技术问题是提供一种基于差异化建模的校园用电量预测建模方法，本方法对校园实际用电数据中不良数据辨识以及真实拟合，建立计及天气、节假日特征的校园差异化用电量预测模型，从而对校园各楼栋用电量进行合理准确的预测，有利于电力部门获取清晰的用电模式信息，合理安排调度校园各楼栋的用电。
为解决上述技术问题，本发明基于差异化建模的校园用电量预测建模方法包括如下步骤：
步骤一、获取待测校园所在地的天气状况，通过校历获取是否节假日，通过校园电网获取历史用电量作为原始数据集；
步骤二、采用因子分析法将天气状况量化，以便搭建模型时作为参数使用；
步骤三、原始数据集存在由于设备记录或者用电行为突然变更而导致的不良数据，采用基于FCM聚类算法和分化距离方法对原始数据集进行不良数据辨识，筛除孤立数据和不良数据，确定训练集数据库；
步骤四、为减少噪声数据的干扰，选择更加有利的建模点，再次采用FCM 聚类算法对训练集进行分类，产生子训练集；
步骤五、利用Lazy Learning算法，在子训练集中通过k-vnn计算训练集中数据点与待预测点之间的欧式距离，选取距离最近的k个数据点作为建模点，通过回归模型拟合k个建模点，对校园用电量建立预测建模，预测待预测点的用电量。
进一步，所述FCM聚类算法对数据库数据进行处理，根据天气状况、是否节假日、最高温度、最低温度四个特征获得用电量分类；分化距离方法对经FCM聚类算法得到的用电量分类计算，分别计算各类别中任意两个数据点xi和xj之间的实际欧式距离D(i,j)和最大距离distancemax，选取一个[0,1]内的数值作为分化度μ，对全部D(i,j)进行分化计算，即放大数据对象之间的距离，得到处理后xi和xj之间的分化距离为r(i,j)，其数学表达式为：
比较D(i,j)与distancemax的比值并与μ比较，若比值小于μ，则缩小比值使得分化距离小于实际距离；反之，放大分化距离；比值和μ的差值与分化距离呈斜率增大的反比趋势，即差值越大，其分化距离越小；差值越小，其分化距离越大；通过分化处理，聚类中关联性大的数据更加紧密，同时分离具有差异性的数据，使得离群点距离正常值更远，达到两极分化的目的。
进一步，所述不良数据辨识假设经FCM聚类算法处理的数据集质心到所有数据点距离的平均距离为Adistance，定义R代表数据对象周围范围的大小，即平均距离占最大距离的比值经过分化度处理后的数值，
则
对象周围的邻居密度即该对象R范围内其他数据点的个数，当邻居点个数小于设定数目Knum,则认为是离群数据，即不良数据点。
进一步，根据式(1)和式(2)，比较r(i,j)和R的关系，判断对象邻居点的个数，其算法步骤如下：
1)输入聚类所得数据集，分化度μ，最少邻居数Knum；
2)计算聚类各类别中质心及Adistance；
3)计算数据集距离R1和数据对象xi的分化距离r1(i,j)。
R1＝μ·Adistance(3)
4)比较r1(i,j)与R1的关系，若r1(i,j)＜R1，则xi的邻居点数目K加1，一旦 K>Knum，中断该数据对象进入下一个数据对象的K计算，否则遍历所有邻居点数目；
5)不满足K>Knum的数据对象作为不良数据剔除。
进一步，所述校园用电量预测模型针对不同的待测点进行差异化建模，通过对每一个采样点都从历史数据库中选择最匹配的数据向量建立估计模型，每个模型只对当前的采样点有效，差异化建模具体包括如下步骤：
①K-VNN选点，在K-VNN方法中，每个点的输入部分被看做一个向量，通过同时考虑两个输入向量之间的距离和角度来判断两个向量是否为近邻；
假设数据库中的一个数据点的输入向量为xp＝[xp1,xp2,…,xpr]T，当前采样点的输入向量为x(t)＝[x1,x2,…,xr]T，其中r是采样点输入部分的维数，那么两者间的欧式距离和角度定义如下：
使用K-VNN方法从数据库中选择K个近邻点的流程如下：
(1)当cos(xp，x(t))<0，xp和x(t)在相反的方向上，放弃xp；
(2)当cos(xp，x(t))≥0，采用如下公式同时考虑欧氏距离和角度；
其中，α是权重，0≤α≤1，D(xp，x(t))的值和两个向量的相似度成比例，将 D(xp，x(t))按照大小排序，此时前K个数据点被选出用于构建局部模型建模数据集 {(x1,y1),…,(xk,yk)}；
②预测模型的建立
当K个数据点选好后，建立一阶线性回归多项式来代表当前数据点的回归模型，即建立采样点输出部分相对于输入部分的模型，
其中：β＝[β0,β1,…,βr]是模型参数,k＝1,2，…，K，
将实际输出和模型输出残差的加权平方和作为模型准确度的评价准则，
通过最小化J可以获得模型参数则当前点x(t)的模型输出可以表示为：
得到校园用电量的预测模型。
进一步，经过数据检验，k个数据点选取5时具有较高的预测精度和速度。
由于本发明基于差异化建模的校园用电量预测建模方法采用了上述技术方案，即本方法将校园天气状况、是否节假日以及校园电网历史用电量作为原始数据集；将天气状况量化，以便搭建模型时作为参数使用；利用基于FCM和分化距离的方法对原始数据集进行不良数据辨识，筛除孤立数据和不良数据，确定训练集数据库，为避免噪声数据的干扰，选择更加有利的建模点，再次通过FCM对训练集进行分类，产生子训练集；利用Lazy Learning算法对用电量的预测进行差异化建模。本方法通过对实际用电数据中不良数据辨识和真实拟合，合理地对用电量进行预测，建立计及天气、节假日特征的校园差异性用电量预测模型；本方法作为一种预测校园用电量的方法，可根据不同楼栋，不同待测日期建立不同的用电量预测模型，算例表明本方法可以对校园楼栋用电量进行合理准确的预测，并且有利于电力部门获取清晰的用电模式信息，合理安排调度校园不同楼栋的用电。
附图说明
下面结合附图和实施方式对本发明作进一步的详细说明：
图1为本发明基于差异化建模的校园用电量预测建模方法流程示意图；
图2为利用实际数据进行不良数据辨识的结果示意图；
图3为本方法通过FCM-分化距离组合不良数据辨识流程示意图图；
图4为基于Lazy Learning算法的预测结果图。
具体实施方式
如图1所示，本发明基于差异化建模的校园用电量预测建模方法包括如下步骤：
步骤一、获取待测校园所在地的天气状况，通过校历获取是否节假日，通过校园电网获取历史用电量作为原始数据集，其中是否节假日采用是为特征值 0，否为特征值1表示；
步骤二、采用因子分析法将天气状况量化，以便搭建模型时作为参数使用；天气特征值如表1所示；
表1天气特征值数值表
步骤三、原始数据集存在由于设备记录或者用电行为突然变更而导致的不良数据，采用基于FCM聚类算法和分化距离方法对原始数据集进行不良数据辨识，筛除孤立数据和不良数据，确定训练集数据库；
步骤四、为减少噪声数据的干扰，选择更加有利的建模点，再次采用FCM 聚类算法对训练集进行分类，产生子训练集；
步骤五、利用Lazy Learning算法，在子训练集中通过k-vnn计算训练集中数据点与待预测点之间的欧式距离，选取距离最近的k个数据点作为建模点，通过回归模型拟合k个建模点，对校园用电量建立预测建模，预测待预测点的用电量。LazyLearning算法是一种基于“相似输入产生相似输出”原则的算法，可以为一种本质自适应的灵活建模方法。
优选的，考虑不良数据对预测失真造成的不良影响，所述FCM聚类算法对数据库数据进行处理，根据特征天气状况、是否节假日、最高温度、最低温度四个获得用电量分类；分化距离方法对经FCM聚类算法得到的用电量分类计算，分别计算各类别中任意两个数据点xi和xj之间的实际欧式距离D(i,j)和最大距离 distancemax，选取一个[0,1]内的数值作为分化度μ，对全部D(i,j)进行分化计算，即放大数据对象之间的距离，得到处理后xi和xj之间的分化距离为r(i,j)，其数学表达式为：
比较D(i,j)与distancemax的比值并与μ比较，若比值小于μ，则缩小比值使得分化距离小于实际距离；反之，放大分化距离；比值和μ的差值与分化距离呈斜率增大的反比趋势，即差值越大，其分化距离越小；差值越小，其分化距离越大；通过分化处理，聚类中关联性大的数据更加紧密，同时分离具有差异性的数据，使得离群点距离正常值更远，达到两极分化的目的。
优选的，所述不良数据辨识假设经FCM聚类算法处理的数据集质心到所有数据点距离的平均距离为Adistance，定义R代表数据对象周围范围的大小，即平均距离占最大距离的比值经过分化度处理后的数值，
则
对象周围的邻居密度即该对象R范围内其他数据点的个数，当邻居点个数小于设定数目Knum,则认为是离群数据，即不良数据点。
优选的，根据式(1)和式(2)，比较r(i,j)和R的关系，判断对象邻居点的个数，其算法步骤如下：
1)输入聚类所得数据集，分化度μ，最少邻居数Knum；
2)计算聚类各类别中质心及Adistance；
3)计算数据集距离R1和数据对象xi的分化距离r1(i,j)。
R1＝μ·Adistance(3)
4)比较r1(i,j)与R1的关系，若r1(i,j)＜R1，则xi的邻居点数目K加1，一旦 K>Knum，中断该数据对象进入下一个数据对象的K计算，否则遍历所有邻居点数目；
5)不满足K>Knum的数据对象作为不良数据剔除。
如图2所示，利用某高校实际用电数据进行不良数据辨识，所辨识出的不良数据将会从数据集中剔除，再进行预测。
如图3所示，优选的，所述校园用电量预测模型针对不同的待测点进行差异化建模，通过对每一个采样点都从历史数据库中选择最匹配的数据向量建立估计模型，每个模型只对当前的采样点有效，差异化建模具体包括如下步骤：
①K-VNN选点，在K-VNN方法中，每个点的输入部分被看做一个向量，通过同时考虑两个输入向量之间的距离和角度来判断两个向量是否为近邻；
假设数据库中的一个数据点的输入向量为xp＝[xp1,xp2,…,xpr]T，当前采样点的输入向量为x(t)＝[x1,x2,…,xr]T，其中r是采样点输入部分的维数，那么两者间的欧式距离和角度定义如下：
使用K-VNN方法从数据库中选择K个近邻点的流程如下：
(1)当cos(xp，x(t))<0，xp和x(t)在相反的方向上，放弃xp；
(2)当cos(xp，x(t))≥0，采用如下公式同时考虑欧氏距离和角度；
其中，α是权重，0≤α≤1，D(xp，x(t))的值和两个向量的相似度成比例，将 D(xp，x(t))按照大小排序，此时前K个数据点被选出用于构建局部模型建模数据集 {(x1,y1),…,(xk,yk)}；
②预测模型的建立
当K个数据点选好后，建立一阶线性回归多项式来代表当前数据点的回归模型，即建立采样点输出部分相对于输入部分的模型，
其中：β＝[β0,β1,…,βr]是模型参数,k＝1,2，…，K，
将实际输出和模型输出残差的加权平方和作为模型准确度的评价准则，
通过最小化J可以获得模型参数则当前点x(t)的模型输出可以表示为：
得到校园用电量的预测模型。
优选的。经过数据检验，k个数据点选取5时具有较高的预测精度和速度。
如图4所示，为利用某高校实际数据进行用电量预测的拟合曲线。
本方法利用校园实测用电数据和对应天气数据等进行用电量曲线拟合，利用FCM和分化距离组合方法辨识不良数据；对不同用电模式进行差异化建模，首先利用FCM剔除噪声数据，减少训练集，然后利用Lazy learning算法建立用电量预测模型。

Claims (6)

1.一种基于差异化建模的校园用电量预测建模方法，其特征在于本方法包括如下步骤：
步骤一、获取待测校园所在地的天气状况，通过校历获取是否节假日，通过校园电网获取历史用电量作为原始数据集；
步骤二、采用因子分析法将天气状况量化，以便搭建模型时作为参数使用；
步骤三、原始数据集存在由于设备记录或者用电行为突然变更而导致的不良数据，采用基于FCM聚类算法和分化距离方法对原始数据集进行不良数据辨识，筛除孤立数据和不良数据，确定训练集数据库；
步骤四、为减少噪声数据的干扰，选择更加有利的建模点，再次采用FCM聚类算法对训练集进行分类，产生子训练集；
步骤五、利用Lazy Learning算法，在子训练集中通过k-vnn计算训练集中数据点与待预测点之间的欧式距离，选取距离最近的k个数据点作为建模点，通过回归模型拟合k个建模点，对校园用电量建立预测建模，预测待预测点的用电量。
2.根据权利要求1所述的基于差异化建模的校园用电量预测建模方法，其特征在于：所述FCM聚类算法对数据库数据进行处理，根据天气状况、是否节假日、最高温度、最低温度四个特征，获得用电量分类；分化距离方法对经FCM聚类算法得到的用电量分类计算，分别计算各类别中任意两个数据点xi和xj之间的实际欧式距离D(i,j)和最大距离distancemax，选取一个[0,1]内的数值作为分化度μ，对全部D(i,j)进行分化计算，即放大数据对象之间的距离，得到处理后xi和xj之间的分化距离为r(i,j)，其数学表达式为：
比较D(i,j)与distancemax的比值并与μ比较，若比值小于μ，则缩小比值使得分化距离小于实际距离；反之，放大分化距离；比值和μ的差值与分化距离呈斜率增大的反比趋势，即差值越大，其分化距离越小；差值越小，其分化距离越大；通过分化处理，聚类中关联性大的数据更加紧密，同时分离具有差异性的数据，使得离群点距离正常值更远，达到两极分化的目的。
3.根据权利要求1或2所述的基于差异化建模的校园用电量预测建模方法，其特征在于：所述不良数据辨识假设经FCM聚类算法处理的数据集质心到所有数据点距离的平均距离为Adistance，定义R代表数据对象周围范围的大小，即平均距离占最大距离的比值经过分化度处理后的数值，
则
对象周围的邻居密度即该对象R范围内其他数据点的个数，当邻居点个数小于设定数目Knum,则认为是离群数据，即不良数据点。
4.根据权利要求3所述的基于差异化建模的校园用电量预测建模方法，其特征在于：根据式(1)和式(2)，比较r(i,j)和R的关系，判断对象邻居点的个数，其算法步骤如下：
1)输入聚类所得数据集，分化度μ，最少邻居数Knum；
2)计算聚类各类别中质心及Adistance；
3)计算数据集距离R1和数据对象xi的分化距离r1(i,j)。
R1＝μ·Adistance (3)
4)比较r1(i,j)与R1的关系，若r1(i,j)＜R1，则xi的邻居点数目K加1，一旦K>Knum，中断该数据对象进入下一个数据对象的K计算，否则遍历所有邻居点数目；
5)不满足K>Knum的数据对象作为不良数据剔除。
5.根据权利要求3所述的基于差异化建模的校园用电量预测建模方法，其特征在于：所述校园用电量预测模型针对不同的待测点进行差异化建模，通过对每一个采样点都从历史数据库中选择最匹配的数据向量建立估计模型，每个模型只对当前的采样点有效，差异化建模具体包括如下步骤：
①K-VNN选点，在K-VNN方法中，每个点的输入部分被看做一个向量，通过同时考虑两个输入向量之间的距离和角度来判断两个向量是否为近邻；
假设数据库中的一个数据点的输入向量为xp＝[xp1,xp2,…,xpr]T，当前采样点的输入向量为x(t)＝[x1,x2,…,xr]T，其中r是采样点输入部分的维数，那么两者间的欧式距离和角度定义如下：
使用K-VNN方法从数据库中选择K个近邻点的流程如下：
(1)当cos(xp，x(t))<0，xp和x(t)在相反的方向上，放弃xp；
(2)当cos(xp，x(t))≥0，采用如下公式同时考虑欧氏距离和角度；
其中，α是权重，0≤α≤1，D(xp，x(t))的值和两个向量的相似度成比例，将D(xp，x(t))按照大小排序，此时前K个数据点被选出用于构建局部模型建模数据集{(x1,y1),…,(xk,yk)}；
②预测模型的建立
当K个数据点选好后，建立一阶线性回归多项式来代表当前数据点的回归模型，即建立采样点输出部分相对于输入部分的模型，
其中：β＝[β0,β1,…,βr]是模型参数,k＝1,2，…，K，
将实际输出和模型输出残差的加权平方和作为模型准确度的评价准则，
通过最小化J可以获得模型参数则当前点x(t)的模型输出可以表示为：
得到校园用电量的预测模型。
6.根据权利要求5所述的基于差异化建模的校园用电量预测建模方法，其特征在于：经过数据检验，k个数据点选取5时具有较高的预测精度和速度。
CN201811296952.7A 2018-11-01 2018-11-01 基于差异化建模的校园用电量预测建模方法 Pending CN109508820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811296952.7A CN109508820A (zh) 2018-11-01 2018-11-01 基于差异化建模的校园用电量预测建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811296952.7A CN109508820A (zh) 2018-11-01 2018-11-01 基于差异化建模的校园用电量预测建模方法

Publications (1)

Publication Number Publication Date
CN109508820A true CN109508820A (zh) 2019-03-22

Family

ID=65747381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811296952.7A Pending CN109508820A (zh) 2018-11-01 2018-11-01 基于差异化建模的校园用电量预测建模方法

Country Status (1)

Country Link
CN (1) CN109508820A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084158A (zh) * 2019-04-15 2019-08-02 杭州拓深科技有限公司 一种基于智能算法的用电设备识别方法
CN110689250A (zh) * 2019-09-20 2020-01-14 深圳供电局有限公司 一种用户用电数据的处理方法、***及计算机可读介质
CN114553538A (zh) * 2022-02-22 2022-05-27 国网山东省电力公司电力科学研究院 一种电网信息安全主动防护方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779219A (zh) * 2016-12-19 2017-05-31 北京中电普华信息技术有限公司 一种用电量预测方法及***
CN108171379A (zh) * 2017-12-28 2018-06-15 无锡英臻科技有限公司 一种用电负荷预测方法
CN108510006A (zh) * 2018-04-08 2018-09-07 重庆邮电大学 一种基于数据挖掘的企业用电量分析与预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779219A (zh) * 2016-12-19 2017-05-31 北京中电普华信息技术有限公司 一种用电量预测方法及***
CN108171379A (zh) * 2017-12-28 2018-06-15 无锡英臻科技有限公司 一种用电负荷预测方法
CN108510006A (zh) * 2018-04-08 2018-09-07 重庆邮电大学 一种基于数据挖掘的企业用电量分析与预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAIYING LI 等: "Daily Electricity Consumption Forecasting Based on Lazy Learning", 《PROCEEDINGS OF 2018 2ND INTERNATIONAL CONFERENCEON ELECTRONIC INFORMATION TECHNOLOGY AND COMPUTER ENGINEERING》 *
刘欢 等: "基于分化距离的离群点检测算法", 《计算机应用研究》 *
翟坤: "基于数据挖掘的成本管理方法研究-以钢铁企业为例", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084158A (zh) * 2019-04-15 2019-08-02 杭州拓深科技有限公司 一种基于智能算法的用电设备识别方法
CN110084158B (zh) * 2019-04-15 2021-01-29 杭州拓深科技有限公司 一种基于智能算法的用电设备识别方法
CN110689250A (zh) * 2019-09-20 2020-01-14 深圳供电局有限公司 一种用户用电数据的处理方法、***及计算机可读介质
CN110689250B (zh) * 2019-09-20 2023-04-14 深圳供电局有限公司 一种用户用电数据的处理方法、***及计算机可读介质
CN114553538A (zh) * 2022-02-22 2022-05-27 国网山东省电力公司电力科学研究院 一种电网信息安全主动防护方法及***

Similar Documents

Publication Publication Date Title
Zhang et al. A new index and classification approach for load pattern analysis of large electricity customers
CN103245881B (zh) 一种基于潮流分布特征的配电网故障分析方法及装置
CN112508275A (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
CN110990461A (zh) 大数据分析模型算法选型方法、装置、电子设备及介质
CN109871976A (zh) 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法
CN109630095B (zh) 一种基于多视角学习的抽油机井工况识别方法及***
CN109508820A (zh) 基于差异化建模的校园用电量预测建模方法
CN105868853A (zh) 一种短期风电功率组合概率预测方法
CN113255900A (zh) 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法
CN105930900B (zh) 一种混合风力发电的预测方法及***
CN113901977A (zh) 一种基于深度学习的电力用户窃电识别方法及***
CN111563682A (zh) 一种配电自动化设备测试评价方法
CN112308298B (zh) 一种面向半导体生产线的多场景性能指标预测方法及***
CN110401977A (zh) 一种基于Softmax回归多分类识别器的多楼层室内定位方法
Miraftabzadeh et al. K-means and alternative clustering methods in modern power systems
CN114021837A (zh) 基于混合机器学习和空间地址匹配的区域用电量预测方法
CN116308883A (zh) 一种基于大数据的区域电网数据统筹管理***
CN111311001B (zh) 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法
CN116090757A (zh) 一种情报保障体系能力需求满足度评估方法
CN112287980A (zh) 基于典型特征向量的动力电池筛选方法
CN108256693A (zh) 一种光伏发电功率预测方法、装置及***
CN111242266A (zh) 一种运行数据管理***
CN109886488A (zh) 考虑风速时滞性的分散式风电场分层混合短期预测方法
CN111062539A (zh) 基于次级用电量特性聚类分析的总电量预测方法
Ullah et al. Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids

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: 20190322