CN101556464A - 基于关联规则的城市电力负荷预测模型自动推荐方法 - Google Patents
基于关联规则的城市电力负荷预测模型自动推荐方法 Download PDFInfo
- Publication number
- CN101556464A CN101556464A CNA2009100689808A CN200910068980A CN101556464A CN 101556464 A CN101556464 A CN 101556464A CN A2009100689808 A CNA2009100689808 A CN A2009100689808A CN 200910068980 A CN200910068980 A CN 200910068980A CN 101556464 A CN101556464 A CN 101556464A
- Authority
- CN
- China
- Prior art keywords
- model
- rule
- urban
- data
- grade
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于配电系统负荷预测领域,涉及一种基于关联规则的城市电力负荷预测模型自动推荐方法,包括下列步骤:建立历史数据库;数据分析和概化;关联规则挖掘;规则匹配;循环进行,给出模型推荐结论。本发明不仅能得出待预测地区模型的使用情况,还能推断出一些模型的适用规则;利用了基于案例的推理方法,提高了模型推荐的效率,并结合了一定的专家经验,提高了负荷预测效率。
Description
技术领域
本发明属于配电系统规划中长期负荷预测以及配电系统运行短期负荷预测领域,涉及一种城市电力负荷预测模型自动推荐方法。
背景技术
在城市电网规划中,负荷及其发展趋势的分析预测是一项基础工作,它决定了未来城市对电力的需求量和未来城市电网的供电容量,对城市供电电源点的确定和发电规划具有重要的指导意义,其精度的高低直接影响着电网规划质量的优劣。负荷预测工作具有很强的预见特性,受很多因素影响,如城市特性(如城市中心性、城市职能、城市气候类型、城市经济发展水平及城市产业比重等)、负荷特性(如负荷历史数据、负荷饱和水平等)。在实际的城市电力负荷预测中,这些相关因素的影响作用不容忽略。
负荷预测模型是进行预测的基本工具,随着预测模型的增加,决策者面临的问题是无从选择最为合适的模型。在选用合适的负荷预测模型方面,现有一般做法是选用预测工作者熟悉的几种方法,或者采用多种预测模型分别预测,对结果综合分析,利用组合模型对多种预测模型求取权重,最终能够得到各预测模型应用情况的结论。
综合上述情况,可以得出模型使用的结论花费时间较长,每进行一次预测,都要重新调用所有算法一次。从经济效益和长远发展来看,迫切要求新的方法来解决这个问题。考虑到现有负荷预测模型种类繁多,并且都有自己的适用条件,如有些模型本身就不能考虑城市电力负荷相关因素进行计算,有些模型不适于城市负荷发生饱和的情况下进行计算。
发明内容
本发明的目的是克服现有技术的上述不足,提供一种城市电力负荷预测模型自动推荐的方法,该方法能够根据待预测地区的各种相关因素发展水平利用原始积累的案例数据进行关联规则挖掘,将待预测地区的聚类分析概化条件与适合模型规则库中的规则进行匹配。最后推荐出支持度最高的规则作为模型适用结论。为此,本发明采用如下的技术方案。
一种基于关联规则的城市电力负荷预测模型自动推荐方法,包括下列步骤:
第一步历史案例数据库构建:基于大量的城市地区的历史数据资料,分析统计各类城市的电力负荷及相关因素的发展规律,并结合专家知识和城市特性进行预测模型的适应性评价,给出适用度评价结果,建立包括城市特性、电力负荷特性及预测模型适用度的历史案例数据库;
第二步数据聚类分析和概化:将第一步得到的历史案例数据库中的连续型历史数据进行聚类分析和离散化,得到各类数据所属聚类范围的概化结果,从而得到概化后的历史案例数据库;
第三步适合模型规则库构建:基于概化后的历史案例数据库,挖掘城市特性、电力负荷特性与预测模型适用度间的关联规则,依据规则的最小支持度和最小可信度,筛选得到城市电力负荷预测的适合模型规则库;
第四步适合模型推荐:基于适合模型规则库,将待预测城市地区的城市特性、电力负荷特性及预测模型适用度进行第二步的聚类分析和概化,将概化结果作为已知条件和适合模型规则库中的规则进行匹配,确定待预测城市地区的预测模型适用方案,自动推荐适合的预测模型;
作为优选实施方式,所述的城市特性包括城市人口、GDP发展水平、第二产业比重,第二步中利用K-Means算法进行历史案例数据库中包括预测模型适用度、城市人口、GDP发展水平、第二产业比重在内的每种连续型历史数据的聚类分析和概化;第三步中,采用FP-Growth算法进行城市特性、电力负荷特性与预测模型适用度间的关联规则挖掘;第四步适合模型的规则匹配中,若只有一条匹配结果,则将此匹配结果对应的预测模型确定为适合的预测模型;若规则库中含有多条与已知概化结果相同的匹配结果,则按照支持度和关联度由高至低排序,选出支持度最高的规则所对应的模型确定为适合的预测模型;若规则库中不存在相应的匹配结果时,转为利用求取模型精度等级的方法结合专家干预得出模型适用情况;其中,利用求取模型精度等级的方法结合专家干预得出模型适用情况的步骤如下:将所有模型的预测结果与已发生的现状年负荷数据作对比,根据其平均相对误差来设定模型不同的拟合精度等级,用q%来表示相对误差;当q%<=0.01时,设定拟和精度为一级(高精度);当0.01<q%<=0.05时,拟和精度为二级(好);当0.05<q%<=0.10时,拟和精度为三级(合格);当q%>0.10时,拟和精度为四级(不合格);通过设定拟和精度的最小容许等级,筛选出适合的模型。
本发明的基于关联规则的城市电力负荷预测模型自动推荐的方法与以往的方法相比,表现出了极大的优越性:
(1)原始数据来自实际规划数据,可靠性较高,尽管有些数据不能完全获得,通过查阅文献资料最终能够得到可靠的数据;
(2)数据分析和数据挖掘技术日趋成熟,将其应用于负荷预测模型推荐是一突破性方法;通过数据挖掘,能够发现人为直观观察不能发现的规则。利用这些规则,能够有效的指导城市电网规划工作,根据一个地区的发展水平能够快速得出模型应用与否的结论。
(3)利用当前应用广泛的基于案例的推理技术(CBR),得出的结论具有很强的可信度。
Case-based Reasoning(CBR)是以范例为基础进行推理,把人们以往的经验存成一个个的范例,当面临新的问题时,就可以对范例库进行搜索,找到合适的范例作为参考,这其实是实现经验的重用;如果对找到的实例有不满之处,就可以进行修改以适应当前情况,修改后的实例将被再次存入范例库,以便下次使用时作为参考,这其实是实现经验的自学习。本发明将其应用于城市电力负荷预测辅助决策系统中,较以往的拟合机制大大提高了工作效率,并能够更人性化的考虑实际因素,结合专家意见,使预测结果更可信,能够有效的指导城市电网规划工作。
总之,本发明在得到最终的预测方案的过程中,有效的运用了数据离散化技术和关联规则挖掘技术,不仅能得出待预测地区模型的使用情况,还能推断出一些模型的适用规则;利用了基于案例的推理方法,提高了模型推荐的效率,并结合了一定的专家经验,提高了负荷预测效率。
附图说明
图1:本发明“基于关联规则的城市电力负荷预测模型自动推荐方法”总体流程图;
图2:CBR规则匹配流程图。
具体实施方式
下面先对本发明的自动推荐方法进行详细描述。
1、历史案例数据库构建
进行适合模型推荐,首先要建立历史数据库,为本发明提供的原始数据来自国内大量城市的规划相关数据,主要包括:以往预测地区的历史负荷数据,相关因素数据,如第二产业比重、城市类型、城市行政职能、城市人口发展、城市负荷发展现状、预测时限、城市GDP发展水平等。为便于得到准确合理的结论,将模型的适用度也作为一个连续量进行分析,在此要,将模型适用度定为在0-1中取值,其中0是适用最低等级,表示模型不适用;1是模型适用最高等级,表示模型对预测地区完全适用;0-1之间的任何一个实数表示模型不同的适用程度。
2、数据聚类分析和概化
对于所有的负荷及其相关因素历史数据都是连续性的,在进行关联规则挖掘之前要对其进行离散化,本发明中提出了对模型的适应度设定,即将模型是否应用也作为能够进行离散化的数据,为适应度设定一个范围,根据具体情况来决定其取值。方法中对各类数据设定聚类中心个数,这样可以将同类数据分为若干级别,保证相同级别之间的数据差异较小,不同级别之间的差异相对较大。本发明利用K-Means算法进行聚类分析。
3、适合模型规则库构建
适合模型规则库构建主要采用关联规则挖掘方法,本发明中的关联规则挖掘运用FP-grows挖掘算法。
3.1运用FP-grows算法所涉及基本概念
1)FP-Tree
将事务数据表中的各个事务数据项按照支持度排序后,把每个事务中的数据项按降序依次插入到一棵以NULL为根结点的树中,同时在每个结点处记录该结点出现的支持度。
2)条件模式基
包含FP-Tree中与后缀模式一起出现的前缀路径的集合。
3)条件树
将条件模式基按照FP-Tree的构造原则形成的一个新的FP-Tree。
3.2FP-Growth算法主要流程
1)构造FP-Tree,主要算法如下:
输入:一个交易数据库DB和一个最小支持度threshold。
输出:它的FP-Tree。
步骤:
①扫描数据库DB一遍。得到频繁项的集合F和每个频繁项的支持度。把F按支持度降序排列,结果记为L。
②创建FP-Tree的根节点,记为T,并且标记为null。然后对DB中的每个事务Trans做如下的步骤。
根据L中的顺序,选出并排序Trans中的事务项。把Trans中排好序的事务项列表记为[p|P],其中p是第一个元素,P是列表的剩余部分。调用insert_tree([p|P],T)。
函数insert_tree([p|P],T)的运行如下:如果T有一个子结点N,其中N.item-name=p.item-name,则将N的count域值增加1;否则,创建一个新节点N,使它的count为1,使它的父节点为T,并且使它的node_link和那些具有相同item_name域串起来。如果P非空,则递归调用insert_tree(P,N)。
2)对FP-Tree进行挖掘,主要算法如下:
输入:一棵用步骤A建立的树Tree
输出:所有的频繁集
步骤:调用FP-Growth(Tree,null)。
procedure FP-Growth(Tree,x)
{
①if(Tree只包含单路径P)then
②对路径P中节点的每个组合(记为B)
③生成模式B并x,支持数=B中所有节点的最小支持度
④else对Tree头上的每个ai,do
{
⑤生成模式B=ai并x,支持度=ai.support;
⑥构造B的条件模式库和B的条件FP树TreeB;
⑦ifTreeB!=空集
⑧then call FP-Growth(TreeB,B)
}
}。
4、适合模型推荐
将待预测地区的相关因素等条件进行离散化后得到该地区的相关条件描述,将此条件与适合模型规则库中的条件进行匹配,得出匹配结论。当规则库中不存在相应的匹配条件时,可以转为利用原始的求取模型精度等级的方法结合专家干预等措施得出模型应用与否的结论。
将待预测地区的相关因素等条件进行数据离散化,得出该地区的相关因素条件分类表述。得到的条件与步骤四中的规则方案库中的规则进行案例匹配,从而得出匹配度最高的结论。匹配结论存在以下3种情况:
(1)若关联规则库中只有一条完全匹配的结论,则将此匹配结论确定为当前的模型适用方案;
(2)若规则库中含有多条与已知条件相同的记录,则按照支持度和关联度由高至低排序,选出支持度最高的第一条结论作为地区模型适应情况。
(3)当规则库中不存在相应的匹配条件时,可以转为利用原始的求取模型精度等级的方法结合专家干预等措施得出模型应用与否的结论。
求取模型精度等级的方法结合专家干预得出模型适用情况。主要步骤如下:
1)将所有模型的预测结果与已发生的现状年负荷数据作对比,根据其平均相对误差来设定模型不同的拟合精度等级,用q%来表示相对误差;
当q%<=0.01时,设定拟和精度为一级(高精度);当0.01<q%<=0.05时,拟和精度为二级(好);当0.05<q%<=0.10时,拟和精度为三级(合格);当q%>0.10时,拟和精度为四级(不合格)。
2)用户通过设定拟和精度的最小容许等级,可以筛选出适合的模型。
下面结合某地区的实际负荷相关因素来对本发明做详细说明。
1、历史案例数据库构建
表1国内大量城市历史负荷数据及其相关因素
根据国内大量城市的规划数据筛选出符合条件的数据,为简化算例分析,在此仅考虑预测地区的二产比重、人口数量、GDP发展水平三个实际相关因素,将模型的适用度也作为一个相关因素进行考虑,其取值范围定于0-1之间。在确定模型适用度时,需要结合当地的地区特性和专家经验及喜好等因素。初步得出表2所示的国内大量城市历史负荷数据及其相关因素总表。
2、数据聚类分析和概化
此处即是将历史值连续数据进行离散化,以便于下步关联规则挖掘的进行。
根据设定的聚类中心的个数,方法中能够自动的将给定数据进行数据离散化。本算例中设定聚类中心为5个,可将各个相关因素分为5个级别。
表2各类历史数据概化中心
表3概化后局部历史数据
根据求得的各类数据的概化中心,可以将历史数据库中的数据进行离散化分级,聚类中心设定为5个,故可以将各类数据划分为5级,其中二产比重用E来表示,人口数量利用P来表示,GDP利用R表示,模型适用度用T表示,分级情况为0-4,共5级。离散化后的数据表局部如表3所示。
3、适合模型规则库构建
调用方法中的关联规则挖掘算法,可得关联规则如表4所示。
表4关联规则挖掘后的局部规则库
对得到的规则进行分析,对于研究的多项式模型可以得出如下结论:
二产比重在决定多项式模型是否应用的过程中起关键作用,GDP次之,人口的决定作用最小。多项式模型适用于GDP较低、人口较少、第二产业比例较大的城市。
4、适合模型推荐
由步骤3得出关联规则方案库可以进行规则的匹配,将给定某一预测地区的相关因素条件利用离散化的标准将其进行离散化,若此时离散化之后的相关条件为得到概化条件为E2_P1_R1,对于多项式模型,进行匹配后的结论为E2_P1_R1:T0完全匹配。即在给定条件下多项式模型不适用。最终可以得出模型推荐结论。
对于现有的所有负荷预测模型,如包络上限模型、包络下限模型、线性回归直线模型、等增长率模型等均按上述步骤进行,则分别得出各模型对于待预测地区的适应情况。
表6基于关联规则的电力负荷预测适合模型推荐局部结论
在本算例中得到的局部结论如表6所示。
本发明结合电力行业的特殊性,将关联规则应用于负荷预测模型的选取分析中,提出了运用数据挖掘技术中的关联规则对电力负荷预测模型进行分析的基本思路和具体的解决方案。在实际预测工作中,人工可以大致判断是否采用某模型,其优点在于不依赖于单个专家,能够综合大量专家的经验,并且通过大量预测数据的积累和数据挖掘,发现人直观不易发现的规则。
Claims (5)
1.一种基于关联规则的城市电力负荷预测模型自动推荐方法,包括下列步骤:
第一步 历史案例数据库构建:基于大量的城市地区的历史数据资料,分析统计各类城市的电力负荷及相关因素的发展规律,并结合专家知识和城市特性进行预测模型的适应性评价,给出适用度评价结果,建立包括城市特性、电力负荷特性及预测模型适用度的历史案例数据库;
第二步 数据聚类分析和概化:将第一步得到的历史案例数据库中的连续型历史数据进行聚类分析和离散化,得到各类数据所属聚类范围的概化结果,从而得到概化后的历史案例数据库;
第三步 适合模型规则库构建:基于概化后的历史案例数据库,挖掘城市特性、电力负荷特性与预测模型适用度间的关联规则,依据规则的最小支持度和最小可信度,筛选得到城市电力负荷预测的适合模型规则库;
第四步 适合模型推荐:基于适合模型规则库,将待预测城市地区的城市特性、电力负荷特性及预测模型适用度进行第二步的聚类分析和概化,将概化结果作为已知条件和适合模型规则库中的规则进行匹配,确定待预测城市地区的预测模型适用方案,自动推荐适合的预测模型。
2.根据权利要求1所述的基于关联规则的城市电力负荷预测模型自动推荐方法,其特征在于,所述的城市特性包括城市人口、GDP发展水平、第二产业比重,第二步中利用K-Means算法进行历史案例数据库中包括预测模型适用度、城市人口、GDP发展水平、第二产业比重在内的每种连续型历史数据的聚类分析和概化。
3.根据权利要求1所述的基于关联规则的城市电力负荷预测模型自动推荐方法,其特征在于,第三步中,采用FP-Growth算法进行城市特性、电力负荷特性与预测模型适用度间的关联规则挖掘。
4.根据权利要求1所述的基于关联规则的城市电力负荷预测模型自动推荐方法,其特征在于,第四步适合模型的规则匹配中,若只有一条匹配结果,则将此匹配结果对应的预测模型确定为适合的预测模型;若规则库中含有多条与已知概化结果相同的匹配结果,则按照支持度和关联度由高至低排序,选出支持度最高的规则所对应的模型确定为适合的预测模型;若规则库中不存在相应的匹配结果时,转为利用求取模型精度等级的方法结合专家干预得出模型适用情况。
5.根据权利要求4所述的基于关联规则的城市电力负荷预测模型自动推荐方法,其特征在于利用求取模型精度等级的方法结合专家干预得出模型适用情况的步骤如下:
5.1将所有模型的预测结果与已发生的现状年负荷数据作对比,根据其平均相对误差来设定模型不同的拟合精度等级,用q%来表示相对误差;
当q%<=0.01时,设定拟和精度为一级(高精度);当0.01<q%<=0.05时,拟和精度为二级(好);当0.05<q%<=0.10时,拟和精度为三级(合格);当q%>0.10时,拟和精度为四级(不合格)。
5.2通过设定拟和精度的最小容许等级,筛选出适合的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100689808A CN101556464A (zh) | 2009-05-22 | 2009-05-22 | 基于关联规则的城市电力负荷预测模型自动推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2009100689808A CN101556464A (zh) | 2009-05-22 | 2009-05-22 | 基于关联规则的城市电力负荷预测模型自动推荐方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101556464A true CN101556464A (zh) | 2009-10-14 |
Family
ID=41174603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2009100689808A Pending CN101556464A (zh) | 2009-05-22 | 2009-05-22 | 基于关联规则的城市电力负荷预测模型自动推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101556464A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426676A (zh) * | 2011-11-06 | 2012-04-25 | 中国科学院电工研究所 | 一种智能用电策略的特征提取方法 |
CN102541811A (zh) * | 2010-12-27 | 2012-07-04 | 中国银联股份有限公司 | 基于按需计算的分析因子的数据分析装置及方法 |
CN102622657A (zh) * | 2012-04-26 | 2012-08-01 | 上海市电力公司 | 一种年最大用电负荷预测方法 |
CN102999876A (zh) * | 2012-11-16 | 2013-03-27 | 中国电力科学研究院 | 一种典型负荷特性变电站的选取方法 |
CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳(集团)有限公司 | 一种用于电力负荷聚类的方法及装置 |
CN104123605A (zh) * | 2014-06-25 | 2014-10-29 | 广东电网公司电力科学研究院 | 一种电网生产数据及影响因子相关关系的挖掘方法 |
CN105096159A (zh) * | 2015-06-30 | 2015-11-25 | 北京中电普华信息技术有限公司 | 一种区域售电量预测方法及装置 |
CN107146127A (zh) * | 2017-03-22 | 2017-09-08 | 重庆允升科技有限公司 | 一种工业品精准推荐方法及系统 |
CN107274043A (zh) * | 2016-04-07 | 2017-10-20 | 阿里巴巴集团控股有限公司 | 预测模型的质量评价方法、装置及电子设备 |
CN108229828A (zh) * | 2018-01-04 | 2018-06-29 | 上海电气集团股份有限公司 | 一种基于工业数据的分析系统 |
CN108449226A (zh) * | 2018-02-28 | 2018-08-24 | 华青融天(北京)技术股份有限公司 | 信息快速分类的方法和系统 |
CN109214610A (zh) * | 2018-11-16 | 2019-01-15 | 国网江苏省电力有限公司经济技术研究院 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
CN110110892A (zh) * | 2019-04-01 | 2019-08-09 | 新奥数能科技有限公司 | 电力用户负荷预测模型选择方法和装置 |
CN110222879A (zh) * | 2019-05-17 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
CN110619004A (zh) * | 2019-08-15 | 2019-12-27 | 复旦大学 | 数据挖掘中数据分析方法的推荐方法 |
CN110895721A (zh) * | 2018-09-12 | 2020-03-20 | 珠海格力电器股份有限公司 | 电器功能的预测方法及装置 |
CN111027202A (zh) * | 2019-12-04 | 2020-04-17 | 北京软通智城科技有限公司 | 一种数字城市的预测方法、装置、设备及存储介质 |
CN111159256A (zh) * | 2019-12-31 | 2020-05-15 | 贵州电网有限责任公司 | 一种面向设备运维的配网信息数据挖掘方法 |
CN111339155A (zh) * | 2018-12-18 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种关联分析系统 |
CN111340645A (zh) * | 2018-12-18 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种针对电力负荷的改进关联分析方法 |
CN111626792A (zh) * | 2020-06-01 | 2020-09-04 | 长沙理工大学 | 一种对配网内综合能源源荷储精准画像技术 |
CN114969636A (zh) * | 2021-03-23 | 2022-08-30 | 华为技术有限公司 | 一种模型推荐的方法、装置和计算机设备 |
-
2009
- 2009-05-22 CN CNA2009100689808A patent/CN101556464A/zh active Pending
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102541811A (zh) * | 2010-12-27 | 2012-07-04 | 中国银联股份有限公司 | 基于按需计算的分析因子的数据分析装置及方法 |
CN102541811B (zh) * | 2010-12-27 | 2015-02-18 | 中国银联股份有限公司 | 基于按需计算的分析因子的数据分析装置及方法 |
CN102426676A (zh) * | 2011-11-06 | 2012-04-25 | 中国科学院电工研究所 | 一种智能用电策略的特征提取方法 |
CN102426676B (zh) * | 2011-11-06 | 2015-09-16 | 中国科学院电工研究所 | 一种智能用电策略的特征提取方法 |
CN102622657A (zh) * | 2012-04-26 | 2012-08-01 | 上海市电力公司 | 一种年最大用电负荷预测方法 |
CN102999876B (zh) * | 2012-11-16 | 2015-11-18 | 中国电力科学研究院 | 一种电力系统全网负荷模型库的构建方法 |
CN102999876A (zh) * | 2012-11-16 | 2013-03-27 | 中国电力科学研究院 | 一种典型负荷特性变电站的选取方法 |
CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳(集团)有限公司 | 一种用于电力负荷聚类的方法及装置 |
CN104123605B (zh) * | 2014-06-25 | 2016-04-27 | 广东电网有限责任公司电力科学研究院 | 一种电网生产数据及影响因子相关关系的挖掘方法 |
CN104123605A (zh) * | 2014-06-25 | 2014-10-29 | 广东电网公司电力科学研究院 | 一种电网生产数据及影响因子相关关系的挖掘方法 |
CN105096159A (zh) * | 2015-06-30 | 2015-11-25 | 北京中电普华信息技术有限公司 | 一种区域售电量预测方法及装置 |
CN107274043B (zh) * | 2016-04-07 | 2021-05-07 | 阿里巴巴集团控股有限公司 | 预测模型的质量评价方法、装置及电子设备 |
CN107274043A (zh) * | 2016-04-07 | 2017-10-20 | 阿里巴巴集团控股有限公司 | 预测模型的质量评价方法、装置及电子设备 |
CN107146127A (zh) * | 2017-03-22 | 2017-09-08 | 重庆允升科技有限公司 | 一种工业品精准推荐方法及系统 |
CN108229828A (zh) * | 2018-01-04 | 2018-06-29 | 上海电气集团股份有限公司 | 一种基于工业数据的分析系统 |
CN108449226A (zh) * | 2018-02-28 | 2018-08-24 | 华青融天(北京)技术股份有限公司 | 信息快速分类的方法和系统 |
CN110895721A (zh) * | 2018-09-12 | 2020-03-20 | 珠海格力电器股份有限公司 | 电器功能的预测方法及装置 |
CN109214610A (zh) * | 2018-11-16 | 2019-01-15 | 国网江苏省电力有限公司经济技术研究院 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
CN109214610B (zh) * | 2018-11-16 | 2022-05-31 | 国网江苏省电力有限公司经济技术研究院 | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
CN111340645B (zh) * | 2018-12-18 | 2023-10-20 | 中国电力科学研究院有限公司 | 一种针对电力负荷的改进关联分析方法 |
CN111339155B (zh) * | 2018-12-18 | 2023-12-19 | 中国电力科学研究院有限公司 | 一种关联分析系统 |
CN111340645A (zh) * | 2018-12-18 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种针对电力负荷的改进关联分析方法 |
CN111339155A (zh) * | 2018-12-18 | 2020-06-26 | 中国电力科学研究院有限公司 | 一种关联分析系统 |
CN110110892A (zh) * | 2019-04-01 | 2019-08-09 | 新奥数能科技有限公司 | 电力用户负荷预测模型选择方法和装置 |
CN110222879B (zh) * | 2019-05-17 | 2023-02-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
CN110222879A (zh) * | 2019-05-17 | 2019-09-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
CN110619004B (zh) * | 2019-08-15 | 2023-05-02 | 复旦大学 | 数据挖掘中数据分析方法的推荐方法 |
CN110619004A (zh) * | 2019-08-15 | 2019-12-27 | 复旦大学 | 数据挖掘中数据分析方法的推荐方法 |
CN111027202A (zh) * | 2019-12-04 | 2020-04-17 | 北京软通智城科技有限公司 | 一种数字城市的预测方法、装置、设备及存储介质 |
CN111027202B (zh) * | 2019-12-04 | 2023-12-15 | 北京软通绿城科技有限公司 | 一种数字城市的预测方法、装置、设备及存储介质 |
CN111159256A (zh) * | 2019-12-31 | 2020-05-15 | 贵州电网有限责任公司 | 一种面向设备运维的配网信息数据挖掘方法 |
CN111626792A (zh) * | 2020-06-01 | 2020-09-04 | 长沙理工大学 | 一种对配网内综合能源源荷储精准画像技术 |
CN114969636A (zh) * | 2021-03-23 | 2022-08-30 | 华为技术有限公司 | 一种模型推荐的方法、装置和计算机设备 |
CN114969636B (zh) * | 2021-03-23 | 2023-10-03 | 华为技术有限公司 | 一种模型推荐的方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101556464A (zh) | 基于关联规则的城市电力负荷预测模型自动推荐方法 | |
US11824360B2 (en) | Apparatus and method for optimizing carbon emissions in a power grid | |
KR101173823B1 (ko) | 공동주택의 에너지 사용량 예측 시스템 및 방법 | |
Reis et al. | Multi-reservoir operation planning using hybrid genetic algorithm and linear programming (GA-LP): An alternative stochastic approach | |
CN112241607B (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
CN109190902B (zh) | 基于报童模型的考虑供需不确定的水资源优化配置方法 | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
CN116976529B (zh) | 基于供需预测动态校正的跨流域调水方法和系统 | |
Gunawan et al. | An extensible framework for short-term holiday load forecasting combining dynamic time warping and LSTM network | |
Sayyah et al. | Solving the vehicle routing problem with simultaneous pickup and delivery by an effective ant colony optimization | |
CN115907822A (zh) | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 | |
Adeleke et al. | Prediction of the heating value of municipal solid waste: a case study of the city of Johannesburg | |
Si et al. | Optimization of regional forestry industrial structure and economic benefit based on deviation share and multi-level fuzzy comprehensive evaluation | |
Li et al. | Prediction of grain yield in Henan Province based on grey BP neural network model | |
CN114995964A (zh) | 一种组合服务重构方法、装置、设备和计算机可读介质 | |
CN115481841A (zh) | 基于特征提取和改进随机森林的物资需求预测方法 | |
CN117422274A (zh) | 综合能源系统运行优化系统及方法 | |
CN117035355A (zh) | 一种配电网规划方案生成方法、装置、终端及介质 | |
Liang et al. | Household power consumption prediction method based on selective ensemble learning | |
JP7278329B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Arsene et al. | Consumer profiling using clustering methods for georeferenced decision support in a water distribution system | |
KR102241221B1 (ko) | 관심 지역공간의 세분화 장치 및 방법 | |
CN114117323A (zh) | 水资源系统优化配置方法、装置以及设备 | |
Chen | A fuzzy MCDM method based on interval analysis for solving plant location selection problem | |
Ghasemi et al. | Big Data Analytics in Smart Energy Systems and Networks: A Review |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Open date: 20091014 |