CN118035710A - 一种典型场景发电特征的提取方法 - Google Patents
一种典型场景发电特征的提取方法 Download PDFInfo
- Publication number
- CN118035710A CN118035710A CN202410198773.9A CN202410198773A CN118035710A CN 118035710 A CN118035710 A CN 118035710A CN 202410198773 A CN202410198773 A CN 202410198773A CN 118035710 A CN118035710 A CN 118035710A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- model
- characteristic
- standardized
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 152
- 238000000605 extraction Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000007619 statistical method Methods 0.000 claims abstract description 9
- 238000012217 deletion Methods 0.000 claims abstract description 7
- 230000037430 deletion Effects 0.000 claims abstract description 7
- 238000004140 cleaning Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000005611 electricity Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012300 Sequence Analysis Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000011157 data evaluation Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000003062 neural network model Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种典型场景发电特征的提取方法,涉及典型场景发电特征技术领域,为了解决发电特征数据获取不准确的问题。本发明通过统计学分析法将目标特征数据进分析可以对数据进行定量的描述和分析,通过神经网络模型对发电特征指标数据进行训练可以大大提高发电特征指标数据的计算效率,可以在大规模数据集上快速地进行训练和学习,将采集的相关发电数据进行缺失值填充、异常值修正和重复值删除,可以使数据更加规范、整洁,提高数据的可读性,通过利用预设数据稳态因子对所述数据差分偏值进行标准化处理可以使得处理过程更加稳定,提高了稳定性和可靠性,使采集的数据更加的稳定和精准。
Description
技术领域
本发明涉及典型场景发电特征技术领域,具体为一种典型场景发电特征的提取方法。
背景技术
典型场景发电特征指的是在特定发电场景下,发电设备或***的运行特征和表现。
公开号为CN112308412B的中国专利公开了一种基于评估指标的波浪发电典型场景生成方法,主要通过对于聚类数选择,利用聚类有效性指标,综合分析特征向量,得到最佳聚类数,通过对特征向量数据集的聚类得到波浪发电功率的典型场景集。利用少量的典型性场景描述大量复杂性场景特征,兼顾了计算效率和精度,上述专利虽然解决了场景特征提取的问题,但是在实际操作中还存在以下问题:
1.没有将数据进行进一步的模型分析,从而导致无法精准的对电力数据中的发电特征数据进行准确获取。
2.没有将数据进行有效的预处理,从而导致数据采集的稳定性不佳。
发明内容
本发明的目的在于提供一种典型场景发电特征的提取方法,通过神经网络模型对发电特征指标数据进行训练可以大大提高发电特征指标数据的计算效率,可以在大规模数据集上快速地进行训练和学习,将采集的相关发电数据进行缺失值填充、异常值修正和重复值删除,可以使数据更加规范、整洁,提高数据的可读性,可以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:
一种典型场景发电特征的提取方法,包括如下步骤:
S1:将相关的发电数据进行收集,并将收集的相关发电数据进行数据预处理,其中,数据预处理包括数据清洗和数据标准化,并将数据预处理后的数据标记为目标特征数据;
S2:将目标特征数据进行发电特征指标数据提取,并将提取完成的发电特征指标数据进行模型训练,并将模型训练完成的模型标记为标准发电特征模型;
S3:将标准发电特征模型进行模型评估,根据评估结果对标准发电特征模型进行优化和调整,并将调整完成的标准发电特征模型进行可视化转换,并呈现至显示终端。
优选的,针对S1中采集的相关发电数据,包括:
采集的数据为气象数据、电力生产数据和电力特征数据;
其中,气象数据为温度、湿度、气压、风速、太阳辐射的气象信息;
电力生产数据为发电量、发电效率、燃料消耗量、排放量的数据;
电力特征数据为用电量、电价、用电时间的数据。
优选的,针对S1中相关发电数据的数据清洗,包括:
将采集的相关发电数据分别进行缺失值填充;
缺失值填充完成后进行异常值修正;
异常值修正完成后进行重复值删除;
重复值删除后得到目标清洗数据。
优选的,针对S1中相关发电数据的数据标准化处理,包括:
将目标清洗数据各自对应标准化数据表,其中,标准化数据表从数据库中进行调取;
将目标清洗数据各自对应的标准化数据表拆分为多维度数据表;
将多维度数据表中的预设数据规则进行提取,其中,预设数据规则从数据库中进行提取;
根据预设数据对目标清洗数据进行数据提取,数据提取后得到待处理数据;
创建原始标记任务,以标准数据格式作为标注序列生成实时标注任务;
根据实时标注任务对待处理数据进行合格数据标注和未合格数据标注;
将标注的未合格数据确认为待标准化数据,获取待标准化数据对应的数据标准化字典。
优选的,针对S1中相关发电数据的数据标准化处理,还包括:
将数据标准化字典生成模板配置指令,并响应模板配置指令;
调取待标准化数据对应的预置数据标准化模型,获取待标准化数据的数据信息;
将数据信息导入到预置数据标准化模型中获取待标准化数据的第一集瞬数据因子和第二集瞬数据因子;
根据第一集瞬数据因子和第二集瞬数据因子生成待标准化数据的差分数据集;
根据待标准化数据的差分数据集获取数据差分偏值;
利用预设数据稳态因子对数据差分偏值进行标准化处理,根据处理结果分别获取目标清洗数据标准化后的数据,并将该数据标注为目标特征数据。
优选的,针对S2中发电特征指标数据的提取,包括:
将目标特征数据通过时间序列分析法和统计学分析法进行发电特征指标数据提取;
其中,时间序列分析法为将目标特征数据根据季节性、周期性和时间段进行特征数据确认;
将确认的特征数据进行无关特征和冗余特征数据排除;
无关特征和冗余特征数据排除后得到目标时间序列特征数据。
优选的,针对S2中发电特征指标数据的提取,还包括:
统计学分析法为将目标特征数据中每个数据的统计值数据进行确认;
统计值数据包括数据均值、方差、最大值、最小值、中位数、偏值和峰值;
将统计值数据中的无关特征和冗余特征数据进行排除;
无关特征和冗余特征数据排出后选择统计值数据中的一项或者多项特征数据作为目标统计特征数据。
优选的,针对S2中发电特征指标数据的模型训练,包括:
目标统计特征数据和目标时间序列特征数据统称为发电特征指标数据;
获取预设神经网络训练模型,将发电特征指标数据导入至预设神经网络训练模型的模型节点中;
预设神经网络训练模型对模型节点中的每个发电特征指标数据进行运算训练;
并将运算训练完成的发电特征指标数据标注为标准发电特征模型。
优选的,针对S2中发电特征指标数据的模型训练,还包括:
模型节点中的每个发电特征指标数据的运算训练流程为:
将每个发电特征指标数据的参数数据进行正常传播,其中,正向传播是将参数数据由低层次向高层次进行传播;
当正向传播的数据结果与标准传播结果不相符时,则进行方向传播,其中,方向传播是将误差数据从高层次向底层次进行传播训练,误差数据为正向传播数据结果与标准传播结果不相符时的相差数据。
优选的,针对S3中标准发电特征模型中评估数据的优化和调整,包括:
将标准发电特征模型中的每个模型节点位置进行确认;
将模型节点与模型节点之间的节点段数据进行获取;
将每个节点段分别进行数据评估;
将评估结果与预设评估结果进行参数对比;
根据参数对比结果的函数值生成优化参数;
根据优化参数生成优化后的发电特征模型;
将优化后的发电特征模型与标准发电特征模型分别进行可视化转换。
与现有技术相比,本发明的有益效果如下:
1.本发明提供的一种典型场景发电特征的提取方法,将采集的相关发电数据进行缺失值填充、异常值修正和重复值删除,可以使数据更加规范、整洁,提高数据的可读性,使得数据分析更加容易理解,通过利用预设数据稳态因子对所述数据差分偏值进行标准化处理可以使得处理过程更加稳定,提高了稳定性和可靠性,使采集的数据更加的稳定和精准。
2.本发明提供的一种典型场景发电特征的提取方法,通过时间序列分析法将目标特征数据进行分析,能够更好地揭示数据之间的内在联系和规律,通过统计学分析法将目标特征数据进分析可以对数据进行定量的描述和分析,通过神经网络模型对发电特征指标数据进行训练可以大大提高发电特征指标数据的计算效率,可以在大规模数据集上快速地进行训练和学习。
3.本发明提供的一种典型场景发电特征的提取方法,对模型数据中每个节点段进行数据评估,可以更快速的预测数据的精度和鲁棒性,数据评估包括准确率、召回率、F1值等指标,以确定模型的性能和效果,根据评估结果将标准发电特征模型进行对比参数优化,可以提高发电特征的性能表现。
附图说明
图1为本发明的整体方法示意图;
图2为本发明的提取方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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。
为了解决现有技术中,将相关电力数据采集后,没有将数据进行有效的预处理,从而导致数据采集的稳定性不佳的问题,请参阅图1和图2,本实施例提供以下技术方案:
一种典型场景发电特征的提取方法,包括如下步骤:
S1:将相关的发电数据进行收集,并将收集的相关发电数据进行数据预处理,其中,数据预处理包括数据清洗和数据标准化,并将数据预处理后的数据标记为目标特征数据;
其中,通过调取待标准化数据对应的预置数据标准化模型可以有针对性地快速对待标准化数据进行标准化处理,提高了处理效率和精度,并将收集的相关发电数据进行数据预处理,可以使数据更加规范、整洁,提高数据的可读性;
S2:将目标特征数据进行发电特征指标数据提取,并将提取完成的发电特征指标数据进行模型训练,并将模型训练完成的模型标记为标准发电特征模型;
其中,通过神经网络模型对发电特征指标数据进行训练可以大大提高发电特征指标数据的计算效率,可以在大规模数据集上快速地进行训练和学习,从而保证发电特征指标数据训练的准确性和便捷性;
S3:将标准发电特征模型进行模型评估,根据评估结果对标准发电特征模型进行优化和调整,并将调整完成的标准发电特征模型进行可视化转换,并呈现至显示终端;
其中,根据对模型数据中每个节点段进行数据评估,可以更快速的预测数据的精度和鲁棒性,将优化后的发电特征模型与标准发电特征模型分别呈现可以使工作人员在查看发电特征时,更快捷的了解每个发电特征的参数数据。
针对S1中采集的相关发电数据,包括:
采集的数据为气象数据、电力生产数据和电力特征数据;
其中,气象数据为温度、湿度、气压、风速、太阳辐射的气象信息;
电力生产数据为发电量、发电效率、燃料消耗量、排放量的数据;
电力特征数据为用电量、电价、用电时间的数据。
针对S1中相关发电数据的数据清洗,包括:
将采集的相关发电数据分别进行缺失值填充;
缺失值填充完成后进行异常值修正;
异常值修正完成后进行重复值删除;
重复值删除后得到目标清洗数据。
针对S1中相关发电数据的数据标准化处理,包括:
将目标清洗数据各自对应标准化数据表,其中,标准化数据表从数据库中进行调取;
将目标清洗数据各自对应的标准化数据表拆分为多维度数据表;
将多维度数据表中的预设数据规则进行提取,其中,预设数据规则从数据库中进行提取;
根据预设数据对目标清洗数据进行数据提取,数据提取后得到待处理数据;
创建原始标记任务,以标准数据格式作为标注序列生成实时标注任务;
根据实时标注任务对待处理数据进行合格数据标注和未合格数据标注;
将标注的未合格数据确认为待标准化数据,获取待标准化数据对应的数据标准化字典。
将数据标准化字典生成模板配置指令,并响应模板配置指令;
调取待标准化数据对应的预置数据标准化模型,获取待标准化数据的数据信息;
将数据信息导入到预置数据标准化模型中获取待标准化数据的第一集瞬数据因子和第二集瞬数据因子;
根据第一集瞬数据因子和第二集瞬数据因子生成待标准化数据的差分数据集;
根据待标准化数据的差分数据集获取数据差分偏值;
利用预设数据稳态因子对数据差分偏值进行标准化处理,根据处理结果分别获取目标清洗数据标准化后的数据,并将该数据标注为目标特征数据。
具体的,将气象数据进行采集对于评估发电***的性能和优化发电策略具有重要意义,将电力生产数据进行采集可以反映发电***的运行状态和生产能力,对电力特征数据进行采集可以反映市场需求和用电特点,为优化发电策略提供参考,将采集的相关发电数据进行缺失值填充、异常值修正和重复值删除,可以使数据更加规范、整洁,提高数据的可读性,使得数据分析更加容易理解,同时可以减少数据分析的误差和不确定性,提高数据分析的准确性和可信度,通过调取待标准化数据对应的预置数据标准化模型可以有针对性地快速对待标准化数据进行标准化处理,提高了处理效率和精度,通过利用预设数据稳态因子对所述数据差分偏值进行标准化处理可以使得处理过程更加稳定,提高了稳定性和可靠性,使采集的数据更加的稳定和精准。
为了解决现有技术中,将电力数据进行采集后,没有将数据进行进一步的模型分析,从而导致无法精准的对电力数据中的发电特征数据进行准确获取的问题,请参阅图1和图2,本实施例提供以下技术方案:
针对S2中发电特征指标数据的提取,包括:
将目标特征数据通过时间序列分析法和统计学分析法进行发电特征指标数据提取;
其中,时间序列分析法为将目标特征数据根据季节性、周期性和时间段进行特征数据确认;
将确认的特征数据进行无关特征和冗余特征数据排除;
无关特征和冗余特征数据排除后得到目标时间序列特征数据。
统计学分析法为将目标特征数据中每个数据的统计值数据进行确认;
统计值数据包括数据均值、方差、最大值、最小值、中位数、偏值和峰值;
将统计值数据中的无关特征和冗余特征数据进行排除;
无关特征和冗余特征数据排出后选择统计值数据中的一项或者多项特征数据作为目标统计特征数据。
具体的,通过时间序列分析法将目标特征数据进行分析,考虑了时间因素对电力数据的影响,能够更好地揭示数据之间的内在联系和规律,并且时间序列分析法可以动态地反映数据的变化趋势和规律,能够预测未来的发展趋势,为决策提供更加准确和及时的信息,通过统计学分析法将目标特征数据进分析可以对数据进行定量的描述和分析,从而能够更准确地解释和预测现象。
针对S2中发电特征指标数据的模型训练,包括:
目标统计特征数据和目标时间序列特征数据统称为发电特征指标数据;
获取预设神经网络训练模型,将发电特征指标数据导入至预设神经网络训练模型的模型节点中;
预设神经网络训练模型对模型节点中的每个发电特征指标数据进行运算训练;
并将运算训练完成的发电特征指标数据标注为标准发电特征模型。
模型节点中的每个发电特征指标数据的运算训练流程为:
将每个发电特征指标数据的参数数据进行正常传播,其中,正向传播是将参数数据由低层次向高层次进行传播;
当正向传播的数据结果与标准传播结果不相符时,则进行方向传播,其中,方向传播是将误差数据从高层次向底层次进行传播训练,误差数据为正向传播数据结果与标准传播结果不相符时的相差数据。
具体的,参数数据通过正向传播训练时,可以使经过各个隐藏层,在经过隐藏层时得出最终损失的数据,参数数据通过反向传播时,根据梯度递减公式,逐层的向前反馈,形成反向传播机制,可以优化参数,通过神经网络模型对发电特征指标数据进行训练可以大大提高发电特征指标数据的计算效率,可以在大规模数据集上快速地进行训练和学习,从而保证发电特征指标数据训练的准确性和便捷性。
针对S3中标准发电特征模型中评估数据的优化和调整,包括:
将标准发电特征模型中的每个模型节点位置进行确认;
将模型节点与模型节点之间的节点段数据进行获取;
将每个节点段分别进行数据评估;
将评估结果与预设评估结果进行参数对比;
根据参数对比结果的函数值生成优化参数;
根据优化参数生成优化后的发电特征模型;
将优化后的发电特征模型与标准发电特征模型分别进行可视化转换。
具体的,根据对模型数据中每个节点段进行数据评估,可以更快速的预测数据的精度和鲁棒性,数据评估包括准确率、召回率、F1值等指标,以确定模型的性能和效果,根据评估结果将标准发电特征模型进行对比参数优化,可以提高发电特征的性能表现,同时将优化后的发电特征模型与标准发电特征模型分别呈现可以使工作人员在查看发电特征时,更快捷的了解每个发电特征的参数数据。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种典型场景发电特征的提取方法,其特征在于,包括如下步骤:
S1:将相关的发电数据进行收集,并将收集的相关发电数据进行数据预处理,其中,数据预处理包括数据清洗和数据标准化,并将数据预处理后的数据标记为目标特征数据;
S2:将目标特征数据进行发电特征指标数据提取,并将提取完成的发电特征指标数据进行模型训练,并将模型训练完成的模型标记为标准发电特征模型;
S3:将标准发电特征模型进行模型评估,根据评估结果对标准发电特征模型进行优化和调整,并将调整完成的标准发电特征模型进行可视化转换,并呈现至显示终端。
2.根据权利要求1所述的一种典型场景发电特征的提取方法,其特征在于:针对S1中采集的相关发电数据,包括:
采集的数据为气象数据、电力生产数据和电力特征数据;
其中,气象数据为温度、湿度、气压、风速、太阳辐射的气象信息;
电力生产数据为发电量、发电效率、燃料消耗量、排放量的数据;
电力特征数据为用电量、电价、用电时间的数据。
3.根据权利要求2所述的一种典型场景发电特征的提取方法,其特征在于:针对S1中相关发电数据的数据清洗,包括:
将采集的相关发电数据分别进行缺失值填充;
缺失值填充完成后进行异常值修正;
异常值修正完成后进行重复值删除;
重复值删除后得到目标清洗数据。
4.根据权利要求3所述的一种典型场景发电特征的提取方法,其特征在于:针对S1中相关发电数据的数据标准化处理,包括:
将目标清洗数据各自对应标准化数据表,其中,标准化数据表从数据库中进行调取;
将目标清洗数据各自对应的标准化数据表拆分为多维度数据表;
将多维度数据表中的预设数据规则进行提取,其中,预设数据规则从数据库中进行提取;
根据预设数据对目标清洗数据进行数据提取,数据提取后得到待处理数据;
创建原始标记任务,以标准数据格式作为标注序列生成实时标注任务;
根据实时标注任务对待处理数据进行合格数据标注和未合格数据标注;
将标注的未合格数据确认为待标准化数据,获取待标准化数据对应的数据标准化字典。
5.根据权利要求4所述的一种典型场景发电特征的提取方法,其特征在于:针对S1中相关发电数据的数据标准化处理,还包括:
将数据标准化字典生成模板配置指令,并响应模板配置指令;
调取待标准化数据对应的预置数据标准化模型,获取待标准化数据的数据信息;
将数据信息导入到预置数据标准化模型中获取待标准化数据的第一集瞬数据因子和第二集瞬数据因子;
根据第一集瞬数据因子和第二集瞬数据因子生成待标准化数据的差分数据集;
根据待标准化数据的差分数据集获取数据差分偏值;
利用预设数据稳态因子对数据差分偏值进行标准化处理,根据处理结果分别获取目标清洗数据标准化后的数据,并将该数据标注为目标特征数据。
6.根据权利要求5所述的一种典型场景发电特征的提取方法,其特征在于:针对S2中发电特征指标数据的提取,包括:
将目标特征数据通过时间序列分析法和统计学分析法进行发电特征指标数据提取;
其中,时间序列分析法为将目标特征数据根据季节性、周期性和时间段进行特征数据确认;
将确认的特征数据进行无关特征和冗余特征数据排除;
无关特征和冗余特征数据排除后得到目标时间序列特征数据。
7.根据权利要求6所述的一种典型场景发电特征的提取方法,其特征在于:针对S2中发电特征指标数据的提取,还包括:
统计学分析法为将目标特征数据中每个数据的统计值数据进行确认;
统计值数据包括数据均值、方差、最大值、最小值、中位数、偏值和峰值;
将统计值数据中的无关特征和冗余特征数据进行排除;
无关特征和冗余特征数据排出后选择统计值数据中的一项或者多项特征数据作为目标统计特征数据。
8.根据权利要求7所述的一种典型场景发电特征的提取方法,其特征在于:针对S2中发电特征指标数据的模型训练,包括:
目标统计特征数据和目标时间序列特征数据统称为发电特征指标数据;
获取预设神经网络训练模型,将发电特征指标数据导入至预设神经网络训练模型的模型节点中;
预设神经网络训练模型对模型节点中的每个发电特征指标数据进行运算训练;
并将运算训练完成的发电特征指标数据标注为标准发电特征模型。
9.根据权利要求8所述的一种典型场景发电特征的提取方法,其特征在于:针对S2中发电特征指标数据的模型训练,还包括:
模型节点中的每个发电特征指标数据的运算训练流程为:
将每个发电特征指标数据的参数数据进行正常传播,其中,正向传播是将参数数据由低层次向高层次进行传播;
当正向传播的数据结果与标准传播结果不相符时,则进行方向传播,其中,方向传播是将误差数据从高层次向底层次进行传播训练,误差数据为正向传播数据结果与标准传播结果不相符时的相差数据。
10.根据权利要求9所述的一种典型场景发电特征的提取方法,其特征在于:针对S3中标准发电特征模型中评估数据的优化和调整,包括:
将标准发电特征模型中的每个模型节点位置进行确认;
将模型节点与模型节点之间的节点段数据进行获取;
将每个节点段分别进行数据评估;
将评估结果与预设评估结果进行参数对比;
根据参数对比结果的函数值生成优化参数;
根据优化参数生成优化后的发电特征模型;
将优化后的发电特征模型与标准发电特征模型分别进行可视化转换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410198773.9A CN118035710A (zh) | 2024-02-22 | 2024-02-22 | 一种典型场景发电特征的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410198773.9A CN118035710A (zh) | 2024-02-22 | 2024-02-22 | 一种典型场景发电特征的提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118035710A true CN118035710A (zh) | 2024-05-14 |
Family
ID=90998009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410198773.9A Pending CN118035710A (zh) | 2024-02-22 | 2024-02-22 | 一种典型场景发电特征的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118035710A (zh) |
-
2024
- 2024-02-22 CN CN202410198773.9A patent/CN118035710A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288136B (zh) | 风电功率多步预测模型建立方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN110210660B (zh) | 一种超短期风速预测方法 | |
CN109918364B (zh) | 一种基于二维概率密度估计和四分位法的数据清洗方法 | |
CN103631681A (zh) | 一种在线修复风电场异常数据的方法 | |
CN111931834B (zh) | 基于孤立森林算法的铝型材挤压过程流数据异常检测方法、设备及存储介质 | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN113496440B (zh) | 一种用户异常用电检测方法及*** | |
CN116911806B (zh) | 基于互联网+的电力企业能源信息管理*** | |
CN111639850A (zh) | 多源异构数据的质量评估方法与*** | |
CN108683658B (zh) | 基于多rbm网络构建基准模型的工控网络流量异常识别方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及*** | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN114595762A (zh) | 一种光伏电站异常数据序列提取方法 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN116388184B (zh) | 一种基于风速日波动特征的超短期风速修订方法、*** | |
CN117559443A (zh) | 尖峰负荷下大工业用户集群有序用电控制方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及*** | |
CN118035710A (zh) | 一种典型场景发电特征的提取方法 | |
CN111475548A (zh) | 一种基于大数据挖掘技术的用电异常分析决策*** | |
CN108763289B (zh) | 一种海量异构传感器格式数据的解析方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测*** | |
CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
CN117849700B (zh) | 可控制测量的模块化电能计量*** |
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 |