CN112232985A - 用于泛在电力物联网的配用电数据监测方法及装置 - Google Patents
用于泛在电力物联网的配用电数据监测方法及装置 Download PDFInfo
- Publication number
- CN112232985A CN112232985A CN202011103619.7A CN202011103619A CN112232985A CN 112232985 A CN112232985 A CN 112232985A CN 202011103619 A CN202011103619 A CN 202011103619A CN 112232985 A CN112232985 A CN 112232985A
- Authority
- CN
- China
- Prior art keywords
- model
- optimized
- lightgbm
- xgboost
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000009826 distribution Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000005611 electricity Effects 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 19
- 238000002790 cross-validation Methods 0.000 claims abstract description 18
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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
- G06Q50/06—Energy or water supply
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配用电数据监测方法,包括如下步骤:对训练样本和测试样本进行时序特征构造,将训练样本分割为训练集和验证集;获取优化后LightGBM模型、后XGBoost模型;将测试样本分别输入到两个优化后模型进行5折交叉验证,得新特征n1和n2;将n1和n2分别合并到训练集最后一列,得到新的训练集;重复获取优化后LightGBM模型步骤及获取优化后XGBoost模型步骤;将测试样本和特征n1、测试样本和特征n2分别输入到新的优化后的LightGBM、XGBoost模型,进行5折交叉验证,将得到的结果融合,得到预测结果;本发明通过机器模型进行待预测时刻用电量预测,为配用电的优化调度提供支撑。
Description
技术领域
本发明属于通信技术领域,尤其涉及用于泛在电力物联网的配用电数据监测方法及装置。
背景技术
泛在电力物联网日益受到全球技术人员的关注,是电力领域人与人、人与物、物与物的连接网络,延伸和扩展了信息交换的用户端。作为泛在电力物联网的一项重要应用,监控***在电力生产实践中占据了越来越重要的地位,传统电力监控***存在的问题通常集中于可连接的监测点数量少、监测数据类型单一、缺乏数据处理功能、不具备及时警告功能等。
随着万物互联时代的到来,未来泛在电力物联网的数据传输量将会出现井喷式增长,泛在电力物联网监控***的监测点规模化、多维化、智能化的需求越来越迫切。泛在电力物联网为了实现泛在物联,具有连接节点数量多、监测点分布广、采集的数据类型多的特点。如何实现海量传感器监测数据的警告功能是未来解决泛在电力物联网部署的关键性问题。
因此,基于这些问题,提供一种通过机器模型进行待预测时刻用电量预测,并根据分析结果发出警告信息,为配用电的优化调度提供支撑的用于泛在电力物联网的配用电数据监测方法及装置,具有重要的现实意义。
发明内容
本发明的目的在于克服现有技术的不足,提供一种通过机器模型进行待预测时刻用电量预测,并根据分析结果发出警告信息,为配用电的优化调度提供支撑的用于泛在电力物联网的配用电数据监测方法及装置。
本发明解决其技术问题是采取以下技术方案实现的:
用于泛在电力物联网的配用电数据监测方法,包括如下步骤:
分别获取待预测用电量时刻之前的历史用电数据、待预测用电量时刻的相关数据,并进行数据筛选,分别得到训练样本和测试样本;
对训练样本和测试样本分别进行时序特征构造,并将训练样本分割为训练集和验证集;
获取优化后LightGBM模型:使用模型LightGBM预测验证集,并通过网格搜索法寻找最优参数组合,得到优化后LightGBM模型;
获取优化后XGBoost模型:使用模型XGBoost预测验证集,并通过网格搜索法寻找最优参数组合,得到优化后XGBoost_1模型;
将测试样本分别输入到两个最优模型LightGBM_1、XGBoost_1进行 5折交叉验证,分别得到两个新特征n1和n2;
将两个新特征n1和n2分别合并到训练集最后一列,分别得到新的训练集;重复获取优化后LightGBM模型步骤及获取优化后XGBoost模型步骤,得到新的优化后的LightGBM模型、XGBoost模型;
将测试样本和特征n1、测试样本和特征n2分别输入到新的优化后的 LightGBM模型、XGBoost模型,再次进行5折交叉验证,分别得到两类输出结果;将得到的两类输出结果按照设定的比例进行融合,得到待预测时刻用电量的预测结果;
将预测结果与预警阈值进行对比,通过对比结果确定是否发出警告信息。
进一步的,对训练样本进行时序特征构造的方法包括:
将训练样本的历史用电量数据的时间转化为时间戳,时间戳为一类特征;
获取每个历史用电量时刻之前若干个时刻的历史用电量作为第二类特征;
对获取的第二类特征进行做差:训练样本中的每个历史用电量的第一个第二类特征与其余的第二类特征分别进行做差,得到第三类特征。
进一步的,对测试样本进行时序特征构造的方法包括:
将待预测时刻的时间转化为时间戳,时间戳为一类特征;
获取待预测时刻之前若干个时刻的历史用电量作为第二类特征;
对获取的第二类特征进行做差:测试样本中的待预测时刻用电量的第一个第二类特征与其余的第二类特征分别进行做差,得到第三类特征。
进一步的,通过网格搜索法获取优化后LightGBM模型或优化后 LightGBM模型时,输入设置的所有参数组合,搜索过程中控制变量状态,每次只修改一个参数,最后输出使得均方误差最小的参数组合。
进一步的,当预测结果大于正常配电范围最大值,则发出即将超负荷用电报警信息;当预测结果小于正常配电范围最小值,则发出即将大规模停电报警信息。
用于泛在电力物联网的配用电数据监测装置,包括:
训练样本和测试样本获取模块,用于分别获取待预测用电量时刻之前的历史用电数据、待预测用电量时刻的相关数据,并进行数据筛选,分别得到训练样本和测试样本;
时序特征构造模块,用于对训练样本和测试样本分别进行时序特征构造,并将训练样本分割为训练集和验证集;
优化后LightGBM模型获取模块,用于使用模型LightGBM预测验证集,并通过网格搜索法寻找最优参数组合,得到优化后LightGBM模型;
优化后XGBoost模型获取模块,用于使用模型XGBoost预测验证集,并通过网格搜索法寻找最优参数组合,得到优化后XGBoost_1模型;
新特征获取模块,用于将测试样本分别输入到两个最优模型 LightGBM_1、XGBoost_1进行5折交叉验证,分别得到两个新特征n1和n2;
LightGBM模型、XGBoost模型再次优化模块,用于将两个新特征 n1和n2分别合并到训练集最后一列,分别得到新的训练集;重复获取优化后LightGBM模型步骤及获取优化后XGBoost模型步骤,得到新的优化后的LightGBM模型、XGBoost模型;
待预测时刻用电量预测模块,用于将测试样本和特征n1、测试样本和特征n2分别输入到新的优化后的LightGBM模型、XGBoost模型,再次进行5折交叉验证,分别得到两类输出结果;将得到的两类输出结果按照设定的比例进行融合,得到待预测时刻用电量的预测结果;
预测结果对比模块,用于将预测结果与预警阈值进行对比,通过对比结果确定是否发出警告信息。
本发明的优点和积极效果是:
本发明分别应用机器学习模型XGboost和LightGBM对用户用电量进行预测,根据正常配电范围进行报警预告,并根据分析结果发出告警信息,为配用电的优化调度提供支撑;通过比较分析不同数据集训练下的预测结果,XGboost和LightGBM模型优于传统的GBDT模型,预测模型和分析结果具有一定的指导意义。
附图说明
以下将结合附图和实施例来对本发明的技术方案作进一步的详细描述,但是应当知道,这些附图仅是为解释目的而设计的,因此不作为本发明范围的限定。此外,除非特别指出,这些附图仅意在概念性地说明此处描述的结构构造,而不必要依比例进行绘制。
图1为本发明实施例中提供的用于泛在电力物联网的配用电数据监测方法的流程图;
图2为本发明实施例中提供的利用本发明的配用电数据监测方法进行小区用电量与实际用电量对比图;
具体实施方式
首先,需要说明的是,以下将以示例方式来具体说明本发明的具体结构、特点和优点等,然而所有的描述仅是用来进行说明的,而不应将其理解为对本发明形成任何限制。此外,在本文所提及各实施例中予以描述或隐含的任意单个技术特征,或者被显示或隐含在各附图中的任意单个技术特征,仍然可在这些技术特征(或其等同物)之间继续进行任意组合或删减,从而获得可能未在本文中直接提及的本发明的更多其他实施例。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本实施例结合如图1、2对本发明进行具体说明:
在本实施例中,提供的场景为:现在是9月24日下午15:30,需要预测9月24日下午16:00的用电量,具体步骤如下:
从融合终端获取历史用电量数据,其中,获取待预测用电量时刻之前1月1日上午10点至9月24日15点30分的历史用电数据,对异常缺失数据和多个数据集进行合理预处理(具体措施包括采用平均值对缺失数据进行模拟替换,采用方差对比对多个数据集进行有效性分析等),将其作为训练样本(TrainData);
另外,获取待预测用电量时刻的相关数据,并进行数据筛选,对异常缺失数据和多个数据集进行合理预处理(具体措施包括采用平均值对缺失数据进行模拟替换,采用方差对比对多个数据集进行有效性分析等) 得到测试样本,可根据实际情况定义测试样本(TestData)初始格式;
分别对TrainData和TestData进行特征构造,其中表1中“历史用电量”表示历史时刻的当时用电量;“timestamp”表示由“时间”转换来的时间戳数据;“历史用电量_1”为当前时刻的前半小时时刻用电量;“历史用电量_2”为前一小时时刻用电量,依次可得“历史用电量_10”为前五小时时刻用电量;“历史用电量_差1”为“历史用电量_1”减去“历史用电量_2”得到的差值,依此类推,同理可得“历史用电量_差9”为“历史用电量_1”减去“历史用电量_10”得到的差值。
特征构造后的TrainData如表1所示:
表1
特征构造后的TestData如表2所示(注:表中16:00点为待预测用电量的未来时刻,15:30为当前时刻,此处表中的历史用电量_1为当前时刻15:30的用电量):
表2
接下来,我们将训练样本TrainData分割为训练集Train和验证集Val;考虑到训练模型时使用的数据量较大,为了让模型能进行充分的学习,防止模型过拟合,我们按照2:1的比例分割TrainData。具体如下:
训练集Train为训练样本TrainData的前2/3的数据(TrainData第1 行到第8520行),验证集Val为训练样本TrainData的后1/3的数据 (TrainData第8521行到第12780行)。
采用网格搜索法,输入设置的所有参数组合,搜索过程中控制变量状态,每次只修改一个参数,最后输出使得误差函数(均方误差rmse) 最小的参数组合。最后遍历所有参数组合后,我们保存误差最小的参数组合,当作最优模型LightGBM_1或XGBoost_1。
我们将测试样本TestData输入到XGBoost_1模型和LightGBM_1模型分别进行5折交叉验证,得到输出结果特征n1和特征n2,五折交叉验证过程具体如下:
k折就是将数据集分为k组,每次从训练集中,抽取出k份中的一份数据作为验证集,剩余数据作为测试集。测试结果采用k组数据的平均值。若训练集较大,则k较小,降低训练成本,若训练集较小,则k较大,增加训练数据。如k=10,则90%的数据被训练。经我们多次分析验证,发现在5折验证对用电数据的分析效果最好,效率最高。在此基础上,将其混入交叉过程,验证集和测试集相互形成补集,循环交替。我们将5折交叉验证用于模型调优,即如果所有的数据都被用来训练,会导致过拟合,5折交叉验证可以缓解过拟合。
5折交叉验证,就是将数据集按一定比例(等比例或非等比例)划分成5份,以其中的一份作为测试数据,其他的4份数据作为训练数据。然后重复实验,5折交叉验证只有实验5次才算完成完整的一次,也就是说交叉验证实际是把实验重复做5次,每次实验都是从5个部分选取一份不同的数据部分作为测试数据,剩下的4个当作训练数据,最后把得到的5个实验结果进行平分。
将特征n1合并到TrainData最后一列,得到TrainData_1,使用 TrainData_1作为新的训练集,重复上述模型寻优的步骤,得到最优模型LightGBM_2;将特征n2合并到TrainData最后一列,得到TrainData_2,使用TrainData_2作为新的训练集,重复上述模型寻优的步骤,得到最优模型XGBoost_2;
将测试样本TestData和特征n1输入进LightGBM_2模型,测试样本 TestData和特征n2输入进XGBoost_2模型,分别进行5折交叉验证,得到输出结果result_1和输出结果result_2,最后两者加权得到输出的预测用电量。
作为举例,在本实施例中,通过采用本实施例的方法预测出的小区用电量与实际用电量变化趋势基本一致,具有较高的准确性。并且当用电量高于小区超负荷用电阈值时,将会自动上报***为配用电的优化调度提供支持,从而提高电网运行可靠性。
以上实施例对本发明进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.用于泛在电力物联网的配用电数据监测方法,其特征在于,包括如下步骤:
分别获取待预测用电量时刻之前的历史用电数据、待预测用电量时刻的相关数据,并进行数据筛选,分别得到训练样本和测试样本;
对训练样本和测试样本分别进行时序特征构造,并将训练样本分割为训练集和验证集;
获取优化后LightGBM模型:使用模型LightGBM预测验证集,并通过网格搜索法寻找最优参数组合,得到优化后LightGBM模型;
获取优化后XGBoost模型:使用模型XGBoost预测验证集,并通过网格搜索法寻找最优参数组合,得到优化后XGBoost_1模型;
将测试样本分别输入到两个最优模型LightGBM_1、XGBoost_1进行5折交叉验证,分别得到两个新特征n1和n2;
将两个新特征n1和n2分别合并到训练集最后一列,分别得到新的训练集;重复获取优化后LightGBM模型步骤及获取优化后XGBoost模型步骤,得到新的优化后的LightGBM模型、XGBoost模型;
将测试样本和特征n1、测试样本和特征n2分别输入到新的优化后的LightGBM模型、XGBoost模型,再次进行5折交叉验证,分别得到两类输出结果;将得到的两类输出结果按照设定的比例进行融合,得到待预测时刻用电量的预测结果;
将预测结果与预警阈值进行对比,通过对比结果确定是否发出警告信息。
2.根据权利要求1所述的用于泛在电力物联网的配用电数据监测方法,其特征在于:对训练样本进行时序特征构造的方法包括:
将训练样本的历史用电量数据的时间转化为时间戳,时间戳为一类特征;
获取每个历史用电量时刻之前若干个时刻的历史用电量作为第二类特征;
对获取的第二类特征进行做差:训练样本中的每个历史用电量的第一个第二类特征与其余的第二类特征分别进行做差,得到第三类特征。
3.根据权利要求1所述的用于泛在电力物联网的配用电数据监测方法,其特征在于:对测试样本进行时序特征构造的方法包括:
将待预测时刻的时间转化为时间戳,时间戳为一类特征;
获取待预测时刻之前若干个时刻的历史用电量作为第二类特征;
对获取的第二类特征进行做差:测试样本中的待预测时刻用电量的第一个第二类特征与其余的第二类特征分别进行做差,得到第三类特征。
4.根据权利要求1所述的用于泛在电力物联网的配用电数据监测方法,其特征在于:通过网格搜索法获取优化后LightGBM模型或优化后LightGBM模型时,输入设置的所有参数组合,搜索过程中控制变量状态,每次只修改一个参数,最后输出使得均方误差最小的参数组合。
5.根据权利要求1所述的用于泛在电力物联网的配用电数据监测方法,其特征在于:当预测结果大于正常配电范围最大值,则发出即将超负荷用电报警信息;当预测结果小于正常配电范围最小值,则发出即将大规模停电报警信息。
6.用于泛在电力物联网的配用电数据监测装置,其特征在于:包括:
训练样本和测试样本获取模块,用于分别获取待预测用电量时刻之前的历史用电数据、待预测用电量时刻的相关数据,并进行数据筛选,分别得到训练样本和测试样本;
时序特征构造模块,用于对训练样本和测试样本分别进行时序特征构造,并将训练样本分割为训练集和验证集;
优化后LightGBM模型获取模块,用于使用模型LightGBM预测验证集,并通过网格搜索法寻找最优参数组合,得到优化后LightGBM模型;
优化后XGBoost模型获取模块,用于使用模型XGBoost预测验证集,并通过网格搜索法寻找最优参数组合,得到优化后XGBoost_1模型;
新特征获取模块,用于将测试样本分别输入到两个最优模型LightGBM_1、XGBoost_1进行5折交叉验证,分别得到两个新特征n1和n2;
LightGBM模型、XGBoost模型再次优化模块,用于将两个新特征n1和n2分别合并到训练集最后一列,分别得到新的训练集;重复获取优化后LightGBM模型步骤及获取优化后XGBoost模型步骤,得到新的优化后的LightGBM模型、XGBoost模型;
待预测时刻用电量预测模块,用于将测试样本和特征n1、测试样本和特征n2分别输入到新的优化后的LightGBM模型、XGBoost模型,再次进行5折交叉验证,分别得到两类输出结果;将得到的两类输出结果按照设定的比例进行融合,得到待预测时刻用电量的预测结果;
预测结果对比模块,用于将预测结果与预警阈值进行对比,通过对比结果确定是否发出警告信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103619.7A CN112232985B (zh) | 2020-10-15 | 2020-10-15 | 用于泛在电力物联网的配用电数据监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011103619.7A CN112232985B (zh) | 2020-10-15 | 2020-10-15 | 用于泛在电力物联网的配用电数据监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232985A true CN112232985A (zh) | 2021-01-15 |
CN112232985B CN112232985B (zh) | 2023-02-28 |
Family
ID=74117302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011103619.7A Active CN112232985B (zh) | 2020-10-15 | 2020-10-15 | 用于泛在电力物联网的配用电数据监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232985B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159398A (zh) * | 2021-04-01 | 2021-07-23 | 国网内蒙古东部电力有限公司 | 用电量预测方法、装置以及电子设备 |
CN113590471A (zh) * | 2021-07-05 | 2021-11-02 | 陕西银河时代清洁能源有限公司 | 一种通讯终端设备模拟***及其使用方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909933A (zh) * | 2017-01-18 | 2017-06-30 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
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 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN109948668A (zh) * | 2019-03-01 | 2019-06-28 | 成都新希望金融信息有限公司 | 一种多模型融合方法 |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及*** |
CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN111415027A (zh) * | 2019-01-08 | 2020-07-14 | 顺丰科技有限公司 | 构建件量预测模型的方法和装置 |
-
2020
- 2020-10-15 CN CN202011103619.7A patent/CN112232985B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909933A (zh) * | 2017-01-18 | 2017-06-30 | 南京邮电大学 | 一种三阶段多视角特征融合的窃电分类预测方法 |
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 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
CN111415027A (zh) * | 2019-01-08 | 2020-07-14 | 顺丰科技有限公司 | 构建件量预测模型的方法和装置 |
CN109948668A (zh) * | 2019-03-01 | 2019-06-28 | 成都新希望金融信息有限公司 | 一种多模型融合方法 |
CN110245801A (zh) * | 2019-06-19 | 2019-09-17 | 中国电力科学研究院有限公司 | 一种基于组合挖掘模型的电力负荷预测方法及*** |
CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159398A (zh) * | 2021-04-01 | 2021-07-23 | 国网内蒙古东部电力有限公司 | 用电量预测方法、装置以及电子设备 |
CN113159398B (zh) * | 2021-04-01 | 2023-10-24 | 国网内蒙古东部电力有限公司 | 用电量预测方法、装置以及电子设备 |
CN113590471A (zh) * | 2021-07-05 | 2021-11-02 | 陕西银河时代清洁能源有限公司 | 一种通讯终端设备模拟***及其使用方法 |
CN113590471B (zh) * | 2021-07-05 | 2024-05-24 | 陕西银河时代清洁能源有限公司 | 一种通讯终端设备模拟***及其使用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112232985B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Generating statistically correct random topologies for testing smart grid communication and control networks | |
CN109596913B (zh) | 充电桩故障原因诊断方法及装置 | |
CN112232985B (zh) | 用于泛在电力物联网的配用电数据监测方法及装置 | |
WO2013189110A1 (zh) | 一种电力通信故障预警分析方法及*** | |
Lin et al. | A general framework for quantitative modeling of dependability in cyber-physical systems: A proposal for doctoral research | |
CN108710990B (zh) | 基于同期数据的线变台户多级线损分析方法及*** | |
CN109800995A (zh) | 一种电网设备故障识别方法及*** | |
CN109783553A (zh) | 一种配电网海量数据质量提升*** | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN115842342A (zh) | 一种分布式配电网的拓扑识别方法及装置 | |
CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
CN113935390A (zh) | 数据处理方法、***、设备及存储介质 | |
CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
CN114936808A (zh) | 一种面向变电站故障检测的云边协同任务管理***及方法 | |
CN113379005B (zh) | 一种电网电力设备能源智能管理***及方法 | |
CN113133038A (zh) | 电力物联网链路备份方法、装置、设备及存储介质 | |
Arjannikov et al. | Using markov chains to model sensor network reliability | |
JP4780668B2 (ja) | トラヒック分析モデルの構築方法、装置および構築プログラムならびにその記憶媒体 | |
CN116596574A (zh) | 电网用户画像构建方法及*** | |
KR102292748B1 (ko) | 태양광 발전 및 제어 시스템, 그리고 태양광 발전 및 제어 시스템의 운영 방법 | |
CN113965467B (zh) | 一种基于神经网络的电力通信***可靠性评估方法及*** | |
CN117081666B (zh) | 故障预测方法、装置、电子设备、存储介质及程序产品 | |
CN117978551B (zh) | 变电站监控网络的交互异常行为分析方法 | |
CN117151660B (zh) | 基于业务能力的中台***构建方法、装置、设备和介质 | |
Luo et al. | STAGNN: a spatial-temporal attention graph neural network for network traffic prediction |
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 |