CN113378102A - 一种用于短期负荷预测数据缺失预处理方法、介质及应用 - Google Patents

一种用于短期负荷预测数据缺失预处理方法、介质及应用 Download PDF

Info

Publication number
CN113378102A
CN113378102A CN202110597836.4A CN202110597836A CN113378102A CN 113378102 A CN113378102 A CN 113378102A CN 202110597836 A CN202110597836 A CN 202110597836A CN 113378102 A CN113378102 A CN 113378102A
Authority
CN
China
Prior art keywords
point
load
missing
value
slope
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
CN202110597836.4A
Other languages
English (en)
Inventor
祝燕萍
苏卫华
蒋兴新
钱峰
赵容兵
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.)
Shanghai Puhai Qiushi Electric Power High Technology Co ltd
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Shanghai Puhai Qiushi Electric Power High Technology Co ltd
State Grid Shanghai Electric Power Co Ltd
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 Shanghai Puhai Qiushi Electric Power High Technology Co ltd, State Grid Shanghai Electric Power Co Ltd filed Critical Shanghai Puhai Qiushi Electric Power High Technology Co ltd
Priority to CN202110597836.4A priority Critical patent/CN113378102A/zh
Publication of CN113378102A publication Critical patent/CN113378102A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (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

本发明涉及一种用于短期负荷预测数据缺失预处理方法、介质及应用，所述预处理方法包括：归类步骤，获取历史数据，按设定指标对所述历史数据的时间采集点进行归类；平均步骤，根据局部缺失区域，求取同类相似日采集点的负荷平均值，获得一系列时间采集点‑负荷关系对；关系拟合步骤，在局部缺失区域的邻域内选取若干个时间采集点‑负荷关系对拟合获得一个多项数学函数式；补齐步骤，计算缺失点在所述多项数学函数式中的导数作为缺失点处的斜率，根据所述斜率的大小采用不同计算方式补齐该缺失点处的负荷值。与现有技术相比，本发明具有可靠性高等优点。

Description

一种用于短期负荷预测数据缺失预处理方法、介质及应用
技术领域
本发明属于电力数据挖掘技术领域，涉及一种电力负荷数据处理方法，尤其是涉及一种用于短期负荷预测数据缺失预处理方法、介质及应用。
背景技术
电力负荷预测是电力***调度、用电、计划、规划等管理部门的重要工作之一。准确的短期负荷预测，可以经济合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转储备容量，合理安排机组检修计划，保证社会的正常生产和生活，有效降低发电成本，提高经济效益和社会效益。准确的中、长期负荷预测，有利于确定未来新的发电机组的装机容量、地点和时间，确定电网的增容、改建及电网的建设和发展。所以，高精度的负荷预测就显得十分必要了。
电力负荷预测工作在很大程度上取决于所收集到的历史数据的情况，历史数据的完整与否，准确与否，将对负荷预测的好坏产生严重影响。尤其是在中、长期负荷预测中，由于历史原因，主要是数据采集或保管部门的疏忽，可能会致使某些档案数据无记载保留或丢失，这就造成了数据的空缺，收集到的历史数据常常存在数据缺损的情况。这部分数据缺损，就是数据空缺和数据失真。
如果这些空缺数据得不到有效的补缺推算和修正，它们将以伪信息、伪变化规律的方式提供给负荷预测作为参考，必然误导负荷预测模型的建立，影响预测结果的精确度及可靠性，将直接影响预测结果。
现有对中间数据空缺的补全方法，主要分为非邻均值生成法和递推式非邻均值生成法，其中，非邻均值生成法就是求平均值法，而递推式非邻均值生成法，是在中间数据空缺较多的情况下，利用空缺数据两端的数据采用非邻均值生成法得到中间的空缺数据，再用两端的数据和已得出的空缺数据逐个采用非邻均值生成法，最终补全空缺数据的一种方法。
这些方法的最大缺陷是不能处理连续数据丢失和连续数据突变的情况，在修正第一个异常数据时，必须利用后一个负荷数据，如果后一个数据仍是异常数据，将严重影响修正效果。综上所述，预测产生的相对误差都较大，总体预测的精度不高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可靠性高的用于短期负荷预测数据缺失预处理方法、介质及应用。
本发明的目的可以通过以下技术方案来实现：
一种用于短期负荷预测数据缺失预处理方法，包括：
归类步骤，获取历史数据，按设定指标对所述历史数据的时间采集点进行归类；
平均步骤，根据局部缺失区域，求取同类相似日采集点的负荷平均值，获得一系列时间采集点-负荷关系对；
关系拟合步骤，在局部缺失区域的邻域内选取若干个时间采集点-负荷关系对拟合获得一个多项数学函数式；
补齐步骤，计算缺失点在所述多项数学函数式中的导数作为缺失点处的斜率，根据所述斜率的大小采用不同计算方式补齐该缺失点处的负荷值。
进一步地，所述设定指标包括采集日类型及采集点外部气候条件。
进一步地，采用polyfit拟合方法获得所述多项数学函数式。
进一步地，根据所述斜率的大小采用不同计算方式补齐该缺失点处的负荷值具体为：
若缺失点处的斜率小于0，则采用式(1)计算获得该缺失点处的负荷值：
Figure BDA0003091833420000021
若缺失点处的斜率大于0，则采用式(2)计算获得该缺失点处的负荷值：
Figure BDA0003091833420000022
若缺失点处的斜率等于0，则采用式(3)计算获得该缺失点处的负荷值：
Figure BDA0003091833420000023
其中，Pi表示缺失点处的负荷值，Psta表示缺失点前有记录点负荷值，Pend表示缺失点后有记录点负荷值，gimax为该i缺失点历史数据中的最大斜率值，ki为特征系数，R为随机数。
进一步地，所述式(1)中的特征系数ki采用以下公式计算获得：
Figure BDA0003091833420000031
其中，α1和α2为修正系数。
进一步地，所述式(2)中的特征系数ki采用以下公式计算获得：
Figure BDA0003091833420000032
其中，α1和α2为修正系数。
进一步地，所述修正系数α1的取值范围为0.90-0.99，修正系数α2的取值范围为0.97-0.99。
进一步地，所述随机数R的取值范围为0.4-0.6。
本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述用于短期负荷预测数据缺失预处理方法的指令。
本发明还提供一种如上所述的用于短期负荷预测数据缺失预处理方法的应用，基于补齐缺失点处的负荷值后的历史数据实现电力***短期负荷预测。
与现有技术相比，本发明具有以下有益效果：
1、本发明按设定指标对历史数据的时间采集点进行归类，基于局部缺失区域的同类相似日进行缺失数据补齐，能够有效地补足高质量的缺失样本数据，并可以在一定程度上改善短期电力负荷预测精度，有利于电网稳定运行。
2、本发明根据缺失点的斜率大小的不同采用不同的计算方式获得缺失点处的负荷值，可靠性更高。
3、本发明方法可以克服非邻均值生成法处理连续数据丢失误差大的缺点。
附图说明
图1为本发明的流程示意图；
图2为曲线A对应的T1-T12多项函数式拟合图；
图3为某日T1-T12的实际负荷曲线及两种补齐负荷曲线比较；
图4为曲线B对应的T31-T46多项函数式拟合图；
图5为某日T31-T46的实际负荷曲线及两种补齐负荷曲线比较；
图6为曲线C对应的T54-T66多项函数式拟合图；
图7为某日T54-T66的实际负荷曲线及两种补齐负荷曲线比较。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
参考图1所示，本发明提供一种用于短期负荷预测数据缺失预处理方法，包括：
S101、归类步骤，获取历史数据，按设定指标对历史数据的时间采集点进行归类；
S102、平均步骤，根据局部缺失区域，求取同类相似日采集点的负荷平均值，获得一系列时间采集点-负荷关系对；
S103、关系拟合步骤，在局部缺失区域的邻域内选取若干个时间采集点-负荷关系对，拟合获得一个多项数学函数式；
S104、补齐步骤，计算缺失点在多项数学函数式中的导数作为缺失点处的斜率，根据斜率的大小采用不同计算方式补齐该缺失点处的负荷值。
设定指标包括采集日类型及采集点外部气候条件。具体地，本发明方法将所有采集的每日96或288个历史数据点按工作日、休息日和节假日，以及对应的外部气候条件，如温度、湿度、风速、云量、日照时数、日照强度等指标归类。
平均步骤中，有缺失点的不参加平均值计算。
本发明中，可以采用polyfit拟合方法获得多项数学函数式，获得的多项数学函数式可以表示为：
P(x)＝A+Bx+Cx2+Dx3+......
式中，A、B、C和D等为待定常数；P(x)表示x时点负荷，x是负荷运行的时间点，其范围在0～24小时之间。
利用所述的多项数学函数式P(x)，对若干(一般不超过5点)缺失点处的时间点进行求导数，判断该处斜率的大小。令其斜率为g，则其斜率的大小分为三种：
P′(x)＝g＜0
P′(x)＝g＞0
P′(x)＝g＝0
根据斜率的大小采用不同计算方式补齐该缺失点处的负荷值具体为：
若缺失点处的斜率小于0，则采用式(1)计算获得该缺失点处的负荷值：
Figure BDA0003091833420000051
若缺失点处的斜率大于0，则采用式(2)计算获得该缺失点处的负荷值：
Figure BDA0003091833420000052
若缺失点处的斜率等于0，则采用式(3)计算获得该缺失点处的负荷值：
Figure BDA0003091833420000053
其中，Pi表示缺失点处的负荷值，Psta表示缺失点前有记录点负荷值，Pend表示缺失点后有记录点负荷值，gimax为该i缺失点历史数据中的最大斜率值，ki为特征系数，R为随机数，取值范围为0.4-0.6。
式(1)中的特征系数ki采用以下公式计算获得：
Figure BDA0003091833420000054
其中，α1和α2为修正系数，α1的取值范围为0.90-0.99，α2的取值范围为0.97-0.99。
式(2)中的特征系数ki采用以下公式计算获得：
Figure BDA0003091833420000055
其中，α1和α2为修正系数，α1的取值范围为0.90-0.99，α2的取值范围为0.97-0.99。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
取某区域电网10kV电力主设备三年1095天的负荷数据，共2372865条负荷曲线。每条负荷曲线记录全天的96点，共227795040个数据点，对其中1条曲线人为制造部分缺失数据。
数据集S为所有2372865条负荷曲线集合，将其分为两个负荷曲线集合S1和S2；S1为有缺失值的三条曲线集合，分别为曲线A、曲线B和曲线C，S2为其余无缺失值的曲线集合。
实施例1
人为制造曲线A有2个缺失值，在T＝6,7处缺失，如表1所示。
表1人为制造曲线A有2个缺失值的负荷数据
Figure BDA0003091833420000061
注：加括号数据为缺失数据
数据集S2按工作日、休息日和节假日，以及对应的外部气候条件，如温度、湿度、风速、云量、日照时数、日照强度等指标归类，曲线A该天属于工作日。数据集S2在同类相似日每一采集点取其平均值(有缺失数据的点不参加平均值计算)。这样，就得到一系列时间采集点—负荷值关系对。然后在T＝6,7处前后6个点左右，本实施例选T1-T12，由这些时间采集点—负荷值关系对用polyfit拟合一个多项数学函数式，使之能表示在该区段任何时刻点下的时间—负荷关系。该多项函数式拟合结果如图2所示。
根据polyfit求出的多项函数式，对T6、T7缺失点处的时间点进行求导数，判断该处斜率的大小，T6，T7的斜率P′(6)＝g6＜0和P′(7)＝g7＜0，然后代入公式：
Figure BDA0003091833420000071
其中，
Figure BDA0003091833420000072
Figure BDA0003091833420000073
其中，
Figure BDA0003091833420000074
上式中，g6max和g7max分别是T6、T7该点历史数据中的最大斜率值，如修正系数由历史数据通过机器学习择优选择，α1取0.975，α2取0.980，由此计算出P6为4591.5，同理，可求T7点的某天负荷值。
以现有的非邻均值填充方法作为对比，如图3所示，虚线表示本发明方法对本实施例中某区域电网10kV电力主设备某天数据(T＝6,7)缺失值的填充情况，粗实线表示非邻均值的填充情况。显然，对于这2个离散缺失值，本发明填充效果明显优于非邻均值填充方式。
实施例2
人为制造曲线B有4个连续缺失值，数据在T＝37-40处缺失，如表2所示。
表2人为制造曲线B有4个连续缺失值的负荷数据
Figure BDA0003091833420000075
注：加括号数据为缺失数据
曲线B该天属于工作日。数据集S2在同类相似日每一采集点取其平均值(有缺失数据的点不参加平均值计算)。这样，就得到一系列时间采集点—负荷值关系对。然后在T＝37-40处前后6个点左右，本实施例选T31-T46，由这些时间采集点—负荷值关系对用polyfit拟合一个多项数学函数式，使之能表示在该区段任何时刻点下的时间—负荷关系。该多项函数式拟合结果如图4所示。
根据polyfit求出的多项函数式，对T＝37-40各缺失点处的时间点进行求导数，判断该处斜率的大小，T37-T40的斜率P′(37)＝g37＞0，P′(38)＝g38＞0直到P′(40)＝g40＞0，然后代入公式：
Figure BDA0003091833420000081
其中，
Figure BDA0003091833420000082
Figure BDA0003091833420000083
其中，
Figure BDA0003091833420000084
上式中(P38与P39同理，省略)，g37max、g38max、g39max和g40max分别是T37、T38、T39、T40该点历史数据中的最大斜率值，如修正系数由历史数据通过机器学习择优选择，α1取0.90，α2取0.97，由此计算出P37为6433.6，同理，可求T38、T39、T40其它三点的某天负荷值。
以现有的递推式非邻均值填充方法作为对比，如图5所示，虚线表示本发明方法对本实施例中某区域电网10kV电力主设备某天数据(T＝37-40)缺失的填充情况，粗实线表示递推式非邻均值的填充情况。显然，对于4个连续离散缺失值，本发明填充效果明显优于递推式非邻均值填充方式。
实施例3
人为制造曲线C有1个缺失值，在T＝59处缺失，如表3所示。
表3人为制造曲线C有1个缺失值的负荷数据
Figure BDA0003091833420000085
注：加括号数据为缺失数据
曲线C该天属于工作日。数据集S2在同类相似日每一采集点取其平均值(有缺失数据的点不参加平均值计算)。这样，就得到一系列时间采集点—负荷值关系对。然后在T＝59处前后6个点左右，本实施例选T54-T65，由这些时间采集点—负荷值关系对用polyfit拟合一个多项数学函数式，使之能表示在该区段任何时刻点下的时间—负荷关系。该多项函数式拟合结果如图6所示。
根据polyfit求出的多项函数式，对T＝59缺失点处的时间点进行求导数，判断该处斜率的大小，P′(59)＝g59＝0且T58、T60的斜率P′(58)＝g58＞0和P′(60)＝g60＜0，然后代入公式：
Figure BDA0003091833420000091
上式中，R为0.4到0.6之间的随机数，此处选0.5，由此可计算出，T59点的某天负荷值为6346.3。
以现有的非邻均值填充方法作为对比，如图7所示，虚线表示本发明方法对本实施例中某区域电网10kV电力主设备某天数据(T＝59)缺失值的填充情况，粗实线表示非邻均值的填充情况。显然，对于这1个离散缺失值，本发明填充效果明显优于非邻均值填充方式。
在利用上述方法获得补齐后的历史数据后，可进行更加准确可靠的电力***短期负荷预测。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种用于短期负荷预测数据缺失预处理方法，其特征在于，包括：
归类步骤，获取历史数据，按设定指标对所述历史数据的时间采集点进行归类；
平均步骤，根据局部缺失区域，求取同类相似日采集点的负荷平均值，获得一系列时间采集点-负荷关系对；
关系拟合步骤，在局部缺失区域的邻域内选取若干个时间采集点-负荷关系对拟合获得一个多项数学函数式；
补齐步骤，计算缺失点在所述多项数学函数式中的导数作为缺失点处的斜率，根据所述斜率的大小采用不同计算方式补齐该缺失点处的负荷值。
2.根据权利要求1所述的用于短期负荷预测数据缺失预处理方法，其特征在于，所述设定指标包括采集日类型及采集点外部气候条件。
3.根据权利要求1所述的用于短期负荷预测数据缺失预处理方法，其特征在于，采用polyfit拟合方法获得所述多项数学函数式。
4.根据权利要求1所述的用于短期负荷预测数据缺失预处理方法，其特征在于，根据所述斜率的大小采用不同计算方式补齐该缺失点处的负荷值具体为：
若缺失点处的斜率小于0，则采用式(1)计算获得该缺失点处的负荷值：
Figure FDA0003091833410000011
若缺失点处的斜率大于0，则采用式(2)计算获得该缺失点处的负荷值：
Figure FDA0003091833410000012
若缺失点处的斜率等于0，则采用式(3)计算获得该缺失点处的负荷值：
Figure FDA0003091833410000013
其中，Pi表示缺失点处的负荷值，Psta表示缺失点前有记录点负荷值，Pend表示缺失点后有记录点负荷值，gimax为该i缺失点历史数据中的最大斜率值，ki为特征系数，R为随机数。
5.根据权利要求4所述的用于短期负荷预测数据缺失预处理方法，其特征在于，所述式(1)中的特征系数ki采用以下公式计算获得：
Figure FDA0003091833410000021
其中，α1和α2为修正系数。
6.根据权利要求4所述的用于短期负荷预测数据缺失预处理方法，其特征在于，所述式(2)中的特征系数ki采用以下公式计算获得：
Figure FDA0003091833410000022
其中，α1和α2为修正系数。
7.根据权利要求5或6所述的用于短期负荷预测数据缺失预处理方法，其特征在于，所述修正系数α1的取值范围为0.90-0.99，修正系数α2的取值范围为0.97-0.99。
8.根据权利要求5所述的用于短期负荷预测数据缺失预处理方法，其特征在于，所述随机数R的取值范围为0.4-0.6。
9.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述用于短期负荷预测数据缺失预处理方法的指令。
10.一种如权利要求1-8任一所述的用于短期负荷预测数据缺失预处理方法的应用，其特征在于，基于补齐缺失点处的负荷值后的历史数据实现电力***短期负荷预测。
CN202110597836.4A 2021-05-31 2021-05-31 一种用于短期负荷预测数据缺失预处理方法、介质及应用 Pending CN113378102A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110597836.4A CN113378102A (zh) 2021-05-31 2021-05-31 一种用于短期负荷预测数据缺失预处理方法、介质及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110597836.4A CN113378102A (zh) 2021-05-31 2021-05-31 一种用于短期负荷预测数据缺失预处理方法、介质及应用

Publications (1)

Publication Number Publication Date
CN113378102A true CN113378102A (zh) 2021-09-10

Family

ID=77574936

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110597836.4A Pending CN113378102A (zh) 2021-05-31 2021-05-31 一种用于短期负荷预测数据缺失预处理方法、介质及应用

Country Status (1)

Country Link
CN (1) CN113378102A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779109A (zh) * 2021-09-15 2021-12-10 南京才华智能科技有限公司 一种基于上下文环境的电力数据预处理方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040054906A (ko) * 2002-12-18 2004-06-26 황병기 하수관거 관리 시스템 및 그 방법
US9104964B1 (en) * 2012-11-16 2015-08-11 Amazon Technologies, Inc. Data estimation of historical data that identifies fine grained time period data and coarse grained time period data and applies correlated slopes to time periods
CN109145949A (zh) * 2018-07-19 2019-01-04 山东师范大学 基于集成学习的非侵入式电力负荷监测与分解方法及***
CN109636035A (zh) * 2018-12-12 2019-04-16 北京天诚同创电气有限公司 负荷预测模型创建方法及装置、电力负荷预测方法及装置
US20190347590A1 (en) * 2014-03-12 2019-11-14 Bahwan CyberTek Private Limited Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries
US10485489B1 (en) * 2018-12-11 2019-11-26 Fifth Eye Inc. System and method for assessing and monitoring the hemodynamic condition of a patient
CN110533738A (zh) * 2019-09-02 2019-12-03 上海联影医疗科技有限公司 重建数据处理方法、装置、医学成像***及存储介质
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040054906A (ko) * 2002-12-18 2004-06-26 황병기 하수관거 관리 시스템 및 그 방법
US9104964B1 (en) * 2012-11-16 2015-08-11 Amazon Technologies, Inc. Data estimation of historical data that identifies fine grained time period data and coarse grained time period data and applies correlated slopes to time periods
US20190347590A1 (en) * 2014-03-12 2019-11-14 Bahwan CyberTek Private Limited Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries
CN109145949A (zh) * 2018-07-19 2019-01-04 山东师范大学 基于集成学习的非侵入式电力负荷监测与分解方法及***
US10485489B1 (en) * 2018-12-11 2019-11-26 Fifth Eye Inc. System and method for assessing and monitoring the hemodynamic condition of a patient
CN109636035A (zh) * 2018-12-12 2019-04-16 北京天诚同创电气有限公司 负荷预测模型创建方法及装置、电力负荷预测方法及装置
CN110533738A (zh) * 2019-09-02 2019-12-03 上海联影医疗科技有限公司 重建数据处理方法、装置、医学成像***及存储介质
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
姚建刚;龙立波;钱卫华;张凯;: "基于.NET的负荷分析与预测***的研究与实现", 湖南大学学报(自然科学版), no. 09, 25 September 2007 (2007-09-25) *
李世玺;孙宪坤;尹玲;张仕森;: "一种基于混沌理论和LSTM的GPS高程时间序列预测方法", 导航定位学报, no. 01, 20 February 2020 (2020-02-20) *
王晨霖;杨洁;居文军;顾复;陈芨熙;纪杨建;: "基于智能家电的短期电力负荷预测与削峰填谷优化", 浙江大学学报(工学版), no. 07 *
肖红军: ""数据驱动的污水处理过程故障诊断与多步预测"", 《中国博士学位论文全文数据库》, 15 May 2017 (2017-05-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779109A (zh) * 2021-09-15 2021-12-10 南京才华智能科技有限公司 一种基于上下文环境的电力数据预处理方法
CN113779109B (zh) * 2021-09-15 2024-05-24 南京才华智能科技有限公司 一种基于上下文环境的电力数据预处理方法

Similar Documents

Publication Publication Date Title
CN110648249B (zh) 年度电力平衡测算方法、装置及设备
CN107730076B (zh) 一种区域配电网设备综合利用效率分析方法
CN106570790B (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
CN102426674A (zh) 一种基于马尔科夫链的电力***负荷预测方法
CN110909958A (zh) 一种计及光伏并网功率的短期负荷预测方法
CN117691645B (zh) 一种用于智能微电网的储能***
CN102509173A (zh) 一种基于马尔科夫链的电力***负荷准确预测方法
CN110866658A (zh) 一种城市电网中长期负荷预测方法
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN111049193A (zh) 一种风电***多调度场景的备用需求动态评估方法
CN113112136A (zh) 一种配电网可靠性综合评估方法及***
CN113378102A (zh) 一种用于短期负荷预测数据缺失预处理方法、介质及应用
CN110991747A (zh) 一种计及风电场功率的短期负荷预测方法
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
CN111799798B (zh) 一种提高未来态潮流计算结果准确性的方法及***
CN112633642B (zh) 电力***备用需求预测方法、***、装置及存储介质
CN116562398B (zh) 电力负荷预测模型训练方法、预测方法、电子设备和介质
CN110991748A (zh) 一种城市电网短期负荷预测方法
CN116316635A (zh) 基于量测信息的电力协同控制方法及***
CN115877145A (zh) 一种变压器重过载工况大数据交叉评估***及方法
CN115204944A (zh) 一种计及全寿命周期的储能最优峰谷价差测算方法及装置
CN114168662A (zh) 一种基于多数据源的配电网问题梳理分析方法及***
CN114782001A (zh) 一种基于全寿命周期成本的电网基建项目优选方法及***
CN110175705B (zh) 一种负荷预测方法及包含该方法的存储器、***
CN111368257A (zh) 煤改电负荷特性的分析预测方法及装置

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