CN109723610A - 发电机组负荷率缺失值补招方法及装置 - Google Patents
发电机组负荷率缺失值补招方法及装置 Download PDFInfo
- Publication number
- CN109723610A CN109723610A CN201811478891.6A CN201811478891A CN109723610A CN 109723610 A CN109723610 A CN 109723610A CN 201811478891 A CN201811478891 A CN 201811478891A CN 109723610 A CN109723610 A CN 109723610A
- Authority
- CN
- China
- Prior art keywords
- data
- load condensate
- rate
- generating set
- set rate
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种发电机组负荷率缺失值补招方法及装置,所述方法包括:确定发电机组负荷率产生的异常点时间;从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;对筛选出的所述负荷率数据进行清洗,以得到筛选数据;计算所述筛选数据的平均值;将所述平均值赋值到所述发电机组负荷率产生的异常点。本发明的技术方案,可更为准确的对发电机组负荷率缺失数据进行补招。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种发电机组负荷率缺失值补招方法及装置。
背景技术
泛能网是利用能源和信息技术,将能源网、物联网和互联网进行高效集成形成的一种新型能源互联网,是现代能源体系的解决方案,泛能网改变了传统的能源利用方式,大幅度提高能源利用效率并有效降低PM2.5排放,实现节能环保降耗。
泛能网由能源层、控制层、互智层三层网络结构组成。其主要***构成包括泛能机、泛能站、泛能能效平台、泛能云平台。泛能机能实现多种化石能源、可再生能源、环境势能等的多源输入,同时完成气、电、冷、热等多品位能源的输出。泛能站和泛能能效平台通过燃料化学能的梯级利用及对环境势能的借势增益,将整体能源利用效率由传统热电分产的40%-60%提高到85%以上。泛能云平台基于大数据和云计算,发现价值交换机会,提供运维、交易、数据等服务,实现能源、资源价值的最大化。
在泛能***当中,发电机的负荷率展示是一项比较重要的功能,但是通常来说发电机的负荷率数据量巨大,甚至达到数以亿计的水平,通过运行设备获取负荷率数据之后要经过清洗处理,将清洗之后的数据用于展示。在数据清洗的过程中,一些从运行设备获取的异常值会被清洗掉,或者获取到的某些值为空值等,这些都会导致展示过程中的数据异常情况;如附图1中7点位置所示的数据,通常是由于异常值问题而导致的数据缺失。
现有技术中,在发电机组的负荷率进行展示过程中出现了异常值问题时,通常会对该数值进行删除处理,从而导致了该点位的值缺失,如果通过缺失的状态进行展示会影响到用户的使用,所以需要对该点位的数值进行补招或插值,从而完善展示图,避免影响用户使用。本发明所需要解决的问题就是发电机组(燃气锅炉)负荷率缺失值如何进行补招,以准确反映燃气锅炉负荷率的实际运行情况。
发明内容
本发明提供一种发电机组负荷率缺失值补招方法及装置,可更为准确的对燃气锅炉负荷率缺失值进行补招。第一方面,本发明提供了一种发电机组负荷率缺失值补招方法,其特征在于,包括:
确定发电机组负荷率产生的异常点时间;
从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;
对筛选出的所述负荷率数据进行清洗,以得到筛选数据;
计算所述筛选数据的平均值;
将所述平均值赋值到所述发电机组负荷率产生的异常点。
优选地,所述方法还包括:
收集发电机组设备运行的历史数据。
优选地,
所述异常点时间为所述发电机组负荷率数据缺失的时间或异常变化的时间。
优选地,
所述对筛选出的所述负荷率数据进行清洗的步骤具体为,对所述负荷率数据进行处理,去除噪声数据或缺失数据以获得干净的历史数据。
第二方面,本发明还提供了一种发电机组负荷率缺失值补招装置,其特征在于,包括:
异常发现模块,用于确定发电机组负荷率产生的异常点时间;
数据筛选模块,用于从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;
数据清洗模块,用于对筛选出的所述负荷率数据进行清洗,以得到筛选数据;
均值计算模块,用于计算所述筛选数据的平均值;
数据赋值模块,用于将所述平均值赋值到所述发电机组负荷率产生的异常点。
优选地,
所述装置还包括:
数据收集模块,用于收集发电机组设备运行的历史数据。
优选地,
所述异常发现模块发现的所述异常点时间为所述发电机组负荷率数据缺失的时间或异常变化的时间。
优选地,
所述数据清洗模块具体用于:对所述负荷率数据进行处理,去除噪声数据或缺失数据以获得干净的历史数据。
第三方面,本发明还提出了一种电子设备,包括:
处理器;
以及存储有计算机可执行指令的存储器;
处理器执行存储器中的可执行指令以实现发电机组负荷率缺失补招方法。
本发明还涉及一种计算机可读存储介质,其存储有计算机可读的程序指令,该程序指令被处理器执行时实现发电机组负荷率缺失补招方法。
本发明公开了一种发电机组负荷率缺失补招方法及装置,所述方法通过确定发电机组负荷率产生的异常点时间,从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据,对筛选出的所述负荷率数据进行清洗,以得到筛选数据,计算所述筛选数据的平均值,将所述平均值赋值到所述发电机组负荷率产生的异常点。综上所述,通过基于海量历史数据的分析,发现发电机组负荷率异常数据并进行补招,提高了发电机组负荷率数据的完整度和准确性,可以更好地进行发电机组负荷率展示和分析。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明背景技术中所提到的发电机负荷率数据展示图;
图2为本发明一实施例提供的发电机组负荷率缺失补招方法示意图;
图3为本发明一实施例提供的发电机组负荷率缺失补招装置示意图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明提出的一具体实施例,如附图2所示,本发明提供了一种发电机组负荷率缺失值补招方法,其特征在于,包括:
S1:确定发电机组负荷率产生的异常点时间;
S2:从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;
S3:对筛选出的所述负荷率数据进行清洗,以得到筛选数据;
S4:计算所述筛选数据的平均值;
S5:将所述平均值赋值到所述发电机组负荷率产生的异常点。
根据本发明上述实施例的技术方案,当某些时间点的发电机组负荷率数据存在异常情况或缺失时,通过对历史数据进行处理而获得该异常数据的补招值,解决了数据异常或缺失的问题,提高了用户在使用负荷率数据时的准确性。
根据本发明的又一实施例,在上述的步骤S1之前,还可以包括:
S0:收集发电机组设备运行的历史数据。
具体地,可对发电机组设备运行的历史负荷率数据进行收集,该历史数据可以是多种时间段的数据,例如包括:当年已有的数据、近几年的数据、当月的数据、近一周的数据等等,本发明对此不作具体限定。
根据本发明上述实施例的技术方案,提前对发电机组设备运行的历史数据进行采集存储,用于在发电机组负荷率数据存在缺失时对缺失的数据进行补招,该历史数据反映了发电机组正常的历史运行状态和负荷率数据,基于此对发电机组的缺失数据进行补招时可提供准确的依据。
以下对本申请的基于历史数据的发电机组负荷率缺失补招方法的各个步骤进行详细的说明。
具体地,在步骤S1中,确定发电机组负荷率产生的异常点时间;
其中,所述异常点时间可以为所述发电机组负荷率数据缺失的时间。如附图1中所示,在所展示的发电机组负荷率数据中,在2018年8月27日7:00之前、之后的持续时间内,发电机组负荷率数据分别保持在一个相对稳定的水平,而在7:00时刻出现了负荷率急剧降低、数值为零的情况,可以判断该时间点处出现了数据异常缺失的情况。本领域技术人员可以理解,发电机组负荷率异常的定义可以根据实际标准进行设定,可依据发电机组实际的运行状态、运行参数要求等相应设置,本发明对此不作限制。
具体地,在步骤S2中,从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;
具体地,当在步骤S1中判断出存在异常数据的时间时,从历史数据中筛选出与该异常时间对应的多个历史数据。例如,在步骤S1中,获取到存在异常数据的时间点为7:00,则在发电机组负荷率的历史数据中,获取多个不同的时间点为7:00的发电机组负荷率。例如历史数据中保存了发电机组近一个月以来的所有整点时刻(如6:00、7:00、8:00等)的负荷率数据,则对于发现的异常时刻7:00来说,近一个月以来的每天的7:00的负荷率数据则是与异常时间7:00对应的从所述历史数据中筛选出的所述时间点的负荷率数据。可以理解,当历史数据中保存了不同时间段的历史数据时,从历史数据中提取的与异常时间点对应的数据也可以是更多的数据,本发明不限于此。
具体地,在步骤S3中,对筛选出的所述负荷率数据进行清洗,以得到筛选数据;
其中,对于所提取出的历史数据来说,其同样可能存在异常、缺失或其它导致数据的可参考性降低的情况,此时为了使得所提出的历史数据具有较高的可参考性和准确性,需要对所提取的历史数据进行清洗,去除明显的噪声或错误数据。数据清洗的标准可以依据实际数据要求设定,本发明不作具体限定。
具体地,在步骤S4中,计算所述筛选数据的平均值;
其中,在经过步骤S3的数据清洗后,剩余的历史数据属于干净的历史数据,对筛选后剩余的数据求取平均值。例如剩余的数据有n个,分别为[A1,A2…An],则求取平均值A=(A1+A2+…+An)/n。
具体地,在步骤S5中,将所述平均值赋值到所述发电机组负荷率产生的异常点;
其中,将步骤S4中计算得到的平均值A赋值给异常点。如此,对于出现异常数据的时间7:00来说,利用历史数据中的所有7:00时刻的经清洗的负荷率值的平均值来作为异常数据的替换值,实现了对异常数据的补招,提高了数据使用的准确性。
本发明所提出的发电机组负荷率缺失值补招的方法,通过获取异常点时间处的历史数据并进行清洗,利用可参考性较高的历史数据的平均值来作为异常数据的补招值,实现了异常数据的补招,提高了发电机组负荷率数据使用时的完整性和准确性,能够准确反映发电机组负荷率的实际运行情况。
基于与本发明方法实施例相同的构思,请参考图3,本发明提供了发电机组负荷率缺失补招装置,其特征在于,包括:
异常发现模块201,用于确定发电机组负荷率产生的异常点时间;
数据筛选模块,用于从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;
数据清洗模块,用于对筛选出的所述负荷率数据进行清洗,以得到筛选数据;
均值计算模块,用于计算所述筛选数据的平均值;
数据赋值模块,用于将所述平均值赋值到所述发电机组负荷率产生的异常点。
根据本发明上述实施例的缺失补招装置,当发电机组负荷率数据存在异常情况或缺失时,通过对历史数据进行处理而获得该异常数据的补招值,解决了数据异常或缺失的问题,提高了用户在使用负荷率数据时的准确性。
根据本发明的又一实施例,所述缺失补招装置还可以包括:
数据收集模块200,用于收集发电机组设备运行的历史数据;
具体地,数据收集模块200可对发电机组设备运行的历史负荷率数据进行收集,该历史数据可以是多种时间段的数据,例如包括:当年已有的数据、近几年的数据、当月的数据、近一周的数据等等,本发明对此不作具体限定。
根据本发明上述实施例的缺失补招装置,提前对发电机组设备运行的历史数据进行采集存储,用于在发电机组负荷率数据存在缺失时对缺失的数据进行补招,该历史数据反映了发电机组正常的历史运行状态和负荷率数据,基于此对发电机组的缺失数据进行补招时可提供准确的依据。
以下对本申请的发电机组负荷率缺失补招装置的各个单元进行详细的说明。
具体地,异常发现模块201,用于确定发电机组负荷率产生的异常点时间;
其中,所述异常点为所述发电机组负荷率数据缺失的点。如附图1中所示,在所展示的发电机组负荷率数据中,在2018年8月27日7:00之前、之后的持续时间内,发电机组负荷率数据分别保持在一个相对稳定的水平,而在7:00时刻出现了负荷率急剧降低、数值为零的情况,可以判断该时间点处出现了数据异常缺失的情况。本领域技术人员可以理解,发电机组负荷率异常的定义可以根据实际标准进行设定,可依据发电机组实际的运行状态、运行参数要求等相应设置,本发明对此不作限制。
具体地,数据筛选模块,用于从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;
具体地,当在数据筛选模块中判断出存在异常数据的时间时,从历史数据中筛选出与该异常时间点对应的多个历史数据。例如,在异常发现模块201中,获取到存在异常数据的时间点为7:00,则在发电机组负荷率的历史数据中,获取多个不同的时间点为7:00的发电机组负荷率。例如历史数据中保存了发电机组近一个月以来的所有整点时刻(如6:00、7:00、8:00等)的负荷率数据,则对于发现的异常时刻7:00来说,近一个月以来的每天的7:00的负荷率数据则是与异常时间点7:00对应的从所述历史数据中筛选出的所述时间点的负荷率数据。可以理解,当历史数据中保存了不同时间段的历史数据时,从历史数据中提取的与异常时间点对应的数据也可以是更多的数据,本发明不限于此。
具体地,数据清洗模块,用于对筛选出的所述负荷率数据进行清洗,以得到筛选数据;
其中,对于所提取出的历史数据来说,其同样可能存在异常、缺失或其它导致数据的可参考性降低的情况,此时为了使得所提出的历史数据具有较高的可参考性和准确性,需要对所提取的历史数据进行清洗,去除明显的噪声或错误数据。数据清洗的标准可以依据实际数据要求设定,本发明不作具体限定。
具体地,均值计算模块,用于计算所述筛选数据的平均值;
其中,在经过数据清洗模块203的数据清洗后,剩余的历史数据属于干净的历史数据,对剩余的数据求取平均值。例如剩余的数据有n个,分别为[A1,A2…An],则求取平均值A=(A1+A2+…+An)/n。
具体地,数据赋值模块,用于将所述平均值赋值到所述发电机组负荷率产生的异常点。
其中,将均值计算模块204计算得到的平均值A赋值给出现异常的异常点。如此,对于出现异常数据的时间点7:00来说,利用历史数据中的所有7:00时刻的经清洗的负荷率值的平均值来作为异常数据的替换值,实现了对异常数据的补招,提高了数据使用的准确性。
本发明所提出的发电机组负荷率缺失补招的方法和装置,通过获取异常点处的历史数据并进行清洗,利用可参考性较高的历史数据的平均值来作为异常数据的补招值,实现了异常数据的补招,提高了发电机组负荷率数据使用时的完整性和准确性,能够准确反映发电机组负荷率的实际运行情况。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、***或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种发电机组负荷率缺失值补招方法,其特征在于,包括:
确定发电机组负荷率产生的异常点时间;
从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;
对筛选出的所述负荷率数据进行清洗,以得到筛选数据;
计算所述筛选数据的平均值;
将所述平均值赋值到所述发电机组负荷率产生的异常点。
2.根据权利要求1所述的方法,其特征在于,在确定发电机组负荷率产生的异常点时间之前,所述方法还包括:
收集发电机组设备运行的历史数据。
3.根据权利要求1所述的方法,其特征在于,
所述异常点时间为所述发电机组负荷率数据缺失的时间或异常变化的时间。
4.根据权利要求1所述的方法,其特征在于,
所述对筛选出的所述负荷率数据进行清洗的步骤具体为,对所述负荷率数据进行处理,去除噪声数据或缺失数据以获得干净的历史数据。
5.一种发电机组负荷率缺失值补招装置,其特征在于,包括:
异常发现模块,用于确定发电机组负荷率产生的异常点时间;
数据筛选模块,用于从发电机组负荷率的历史数据中筛选出与所述异常点时间对应的负荷率数据;
数据清洗模块,用于对筛选出的所述负荷率数据进行清洗,以得到筛选数据;
均值计算模块,用于计算所述筛选数据的平均值;
数据赋值模块,用于将所述平均值赋值到所述发电机组负荷率产生的异常点。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
数据收集模块,用于收集发电机组设备运行的历史数据。
7.根据权利要求5所述的装置,其特征在于,
所述异常点时间为所述发电机组负荷率数据缺失的时间或异常变化的时间。
8.根据权利要求5所述的装置,其特征在于,
所述数据清洗模块具体用于:对所述负荷率数据进行处理,去除噪声数据或缺失数据以获得干净的历史数据。
9.一种电子设备,其特征在于,
包括处理器;
以及存储有计算机可执行指令的存储器;
所述处理器执行存储器中的可执行指令以实现权利要求1-4任一所述的方法。
10.一种计算机可读存储介质,其特征在于,
其存储有计算机可读的程序指令,该程序指令被处理器执行时实现权利要求1-4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478891.6A CN109723610A (zh) | 2018-12-05 | 2018-12-05 | 发电机组负荷率缺失值补招方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478891.6A CN109723610A (zh) | 2018-12-05 | 2018-12-05 | 发电机组负荷率缺失值补招方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109723610A true CN109723610A (zh) | 2019-05-07 |
Family
ID=66295582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811478891.6A Pending CN109723610A (zh) | 2018-12-05 | 2018-12-05 | 发电机组负荷率缺失值补招方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109723610A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113847591A (zh) * | 2021-09-27 | 2021-12-28 | 新奥数能科技有限公司 | 工业锅炉***的运维监测方法、装置、电子设备和介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682207A (zh) * | 2012-04-28 | 2012-09-19 | 中国科学院电工研究所 | 风电场风速超短期组合预测方法 |
CN102881162A (zh) * | 2012-09-29 | 2013-01-16 | 北京市交通信息中心 | 大规模交通信息的数据处理及融合方法 |
CN104618133A (zh) * | 2014-12-18 | 2015-05-13 | 东北大学 | 一种电网电压质量监测数据采集方法及*** |
CN106909664A (zh) * | 2017-02-28 | 2017-06-30 | 国网福建省电力有限公司 | 一种电力设备数据流故障识别方法 |
CN107527134A (zh) * | 2017-07-11 | 2017-12-29 | 中国农业大学 | 一种基于大数据的配电变压器状态评估方法及装置 |
-
2018
- 2018-12-05 CN CN201811478891.6A patent/CN109723610A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682207A (zh) * | 2012-04-28 | 2012-09-19 | 中国科学院电工研究所 | 风电场风速超短期组合预测方法 |
CN102881162A (zh) * | 2012-09-29 | 2013-01-16 | 北京市交通信息中心 | 大规模交通信息的数据处理及融合方法 |
CN104618133A (zh) * | 2014-12-18 | 2015-05-13 | 东北大学 | 一种电网电压质量监测数据采集方法及*** |
CN106909664A (zh) * | 2017-02-28 | 2017-06-30 | 国网福建省电力有限公司 | 一种电力设备数据流故障识别方法 |
CN107527134A (zh) * | 2017-07-11 | 2017-12-29 | 中国农业大学 | 一种基于大数据的配电变压器状态评估方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113847591A (zh) * | 2021-09-27 | 2021-12-28 | 新奥数能科技有限公司 | 工业锅炉***的运维监测方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | An innovative approach to generation scheduling in large-scale hydro-thermal power systems with fuel constrained units | |
CN111539811B (zh) | 风险账户的识别方法及装置 | |
CN109360413A (zh) | 一种车辆调度方法及*** | |
CN109118012B (zh) | 一种工业动态多维度能耗成本预测方法、***、存储介质和终端 | |
WO2019196427A1 (zh) | 基于支撑故障事件约束机组组合的备用优化方法和装置 | |
CN109726909A (zh) | 一种能效评价方法、装置、可读介质及电子设备 | |
CN106600463A (zh) | 一种局部形相似超短期负荷预测方法及装置 | |
CN109857984A (zh) | 一种锅炉负荷率-效能曲线的回归方法和装置 | |
Asfaw et al. | Optimal short-term cascade reservoirs operation using genetic algorithm | |
García Valverde et al. | Water demand estimation and outlier detection from smart meter data using classification and Big Data methods | |
CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及*** | |
WO2017049428A1 (zh) | 一种基于备用对象代价性能比的旋转备用容量优化方法 | |
CN106022590B (zh) | 有源配电网的电压质量评估方法和装置 | |
CN109723610A (zh) | 发电机组负荷率缺失值补招方法及装置 | |
CN112508260A (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
Li et al. | IGDT-based medium-term optimal cascade hydropower operation in multimarket with hydrologic and economic uncertainties | |
CN110008386A (zh) | 一种数据生成、处理、评价方法、装置、设备及介质 | |
CN110288250A (zh) | 电价的定价方法、装置、可读介质及电子设备 | |
CN110046194A (zh) | 一种扩展节点关系图的方法、装置和电子设备 | |
CN109582476A (zh) | 数据处理方法、装置及*** | |
CN108667893A (zh) | 数据推荐方法、装置和电子设备 | |
Poncelet et al. | Lusym invest: a generation expansion planning model with a high level of temporal and technical detail | |
CN114358734A (zh) | 一种项目资金概预算管控方法及*** | |
CN109726197A (zh) | 一种发电机组负荷率缺失值补招方法及装置 | |
CN106354433A (zh) | 分布式内存存储***的热点数据挖掘方法及装置 |
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: 20190507 |