CN104993966A - 一种电力综合业务网流量预测方法 - Google Patents
一种电力综合业务网流量预测方法 Download PDFInfo
- Publication number
- CN104993966A CN104993966A CN201510414563.XA CN201510414563A CN104993966A CN 104993966 A CN104993966 A CN 104993966A CN 201510414563 A CN201510414563 A CN 201510414563A CN 104993966 A CN104993966 A CN 104993966A
- Authority
- CN
- China
- Prior art keywords
- data
- algorithm
- longitudinal
- prediction
- horizontal
- 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 43
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 15
- 230000001373 regressive effect Effects 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 12
- 230000004907 flux Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 7
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 241000931705 Cicada Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001595 flow curve Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种电力综合业务网流量预测方法，所述方法包括：步骤1，从电力综合业务网流量数据库中，提取出横向流量数据序列和纵向流量数据序列；步骤2，建立二维预测模型；步骤3，读取时刻的新数据，其中t当前采样时刻；步骤4，利用二维预测模型对时刻的流量数据进行预测并输出预测结果，其中T为采样周期；步骤5，等待直到下一采样时刻返回步骤3。
Description
技术领域
本申请涉及智能电网技术领域，尤其涉及一种电力综合业务网的流量预测方法。
背景技术
随着智能电网建设的不断深入，如变电站无人值守、营业厅的扩建、网上办公业务等，极大地增加了电力综合业务网的数据流量。对电力综合业务网中的数据流量进行精确预测实现流量预警，对综合业务网的运营维护和通信资源的扩建有着重要的理论指导意义。
现有的电力综合业务网的数据流量预测算法可分为两类。第一类预测算法从公共互联网中流量预测模型中，选取和组合后，直接用于电力综合业务网的数据流量预测。这类预测模型继续使用公共互联网流量预测模型中，针对流量的自相似性、高复杂性建立的模型，并在实际预测中获得了较好的预测精度。考虑到电力综合业务网中流量特性与公共互联网流量特性相比复杂度较低，第二类预测算法提出了一些简化的预测模型。这类算法着重考虑了降低算法的复杂度，在保证一定的精度前提下，减少预测模型的计算开销。主要基于神经网络预测算法，典型的有：简化粒子群优化神经网络算法、简化模糊逻辑神经网络算法等。这两类算法建立模型过程中使用的历史时间序列，为同一日期不同时刻的流量数据即横向流量序列，或者不同日期同一时刻的流量数据即纵向流量序列中的一种，两种流量序列的提取如附图1所示。
然而，现有预测算法，使用的是由等间隔历史采样数据组成的流量序列，进行建模和训练。这使得所得到的预测模型遇到转折点时预测曲线相比实际数据流量曲线存在明显的迟滞现象,从而转折点处存在较大的预测误差。
发明内容
有鉴于此，本申请提供一种电力综合业务网流量预测方法，其特征在于，所述方法包括：
步骤1：从电力综合业务网流量数据库中，提取出横向流量数据序列和纵向流量数据序列；
步骤2：建立二维预测模型；
步骤3：读取 时刻的新数据，其中t当前采样时刻；
步骤4：利用二维预测模型对时刻的流量数据进行预测并输出预测结果，其中T为采样周期；
步骤5：等待直到下一采样时刻返回步骤3。
在本申请一具体实施例中，所述步骤1具体包括：
从电力综合业务网流量数据库中，提取一段长时间的历史流量数据；
把不同日期同一时刻的流量数据，按照日期从小到大排列成纵向数据流量序列；
把每一天内的数据按照时间从小到大排列，再按日期从小到大把数据排列成横向数据流量序列。
在本申请一具体实施例中，所述步骤2具体包括：
选择小波神经网络算法作为横向预测算法，选择差分自回归移动平均 (ARIMA)算法作为纵向预测算法；
利用横向流量数据序列对小波神经网络算法进行训练，得到横向流量预测模型；
利用纵向流量数据序列对差分自回归移动平均(ARIMA)算法进行训练，得到纵向流量预测模型；
确定横向、纵向单指数平滑算法参数。
在本申请一具体实施例中，所述利用横向流量数据序列对小波神经网络算法进行训练，包括：
1) 读取一组数据 ；
2) 计算隐含层节点输出如式（1），输出层节点输出入式（2）
为Morlet母小波基函数 ,为输入层节点到隐含层节点的连接权值，为隐含层节点到输出层的权值，为小波基函数的伸缩因子，为小波基函数的平移因子；
3) 计算小波神经网络预测误差如式（3）
为实际输出，为预测输出；
4）更新网络权值和小波基函数系数如式（4）到式（9）
为学习速率；
5）若还有下一组数据，则读取下一组数据返回到1）；若没有下一组数据则结束训练。
在本申请一具体实施例中，所述利用纵向流量数据序列对差分自回归移动平均 (ARIMA)算法进行训练，包括：
对每一组参数计算一个最小信息准则（AIC）值，选择最小信息准则（AIC） 值最小的一组参数为差分自回归移动平均 (ARIMA)算法的阶数。
在本申请一具体实施例中，通过公式（10）、（11）分别计算所述确定横向、纵向单指数平滑算法参数
。
在本申请一具体实施例中，所述步骤4具体包括：
首先，对t时刻到达的新数据，计算横向和纵向两个维度的数据流量预测模型在t时刻的预测误差，，
式（12）、（13）中，和分别为时刻横向和纵向预测的数据流量预测值，为时刻数据流量的真实值；
其次，用所述步骤2中得到的横向预测模型中数据流量预测模型和单指数平滑算法，分别计算出横向数据流量预测值和横向精确度指标，用纵向预测模型中数据流量预测模型和单指数算法，分别计算出纵向数据流量预测值和纵向精确度指标；
最后，选择精确度指标较小的维度所对应的数据流量预测值为最终预测输出。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本申请中流量序列提取图；
图2是本申请中二维预测方法流程图；
图3是本申请中二维预测模型建立过程流程图；
图4是本申请中二维预测模型预测过程流程图。
具体实施方式
本申请中公开一种电力综合业务网流量预测方法。由于电力综合业务网数据流量曲线存在明显的日周期性，如图1所示，本发明通过充分利用历史数据，将历史数据提取出横向和纵向两个维度。由于横向数据序列具有明显的周期性趋势，所以本发明采用神经网络算法来预测横向数据。纵向数据序列，趋势性不明显主要以随机波动为主，故本发明采用线性预测算法类预测纵向数据。用横向流量序列训练建立一个神经网络预测模型，称为横向预测。用纵向流量序列建立一个线性预测模型，称为纵向预测。横向预测，较好的捕获了数据流量当天的趋势。纵向预测，能够很好地反映出电力综合业务网中的转折点的位置。本发明提出一个二维流量预测方法，用横向预测和纵向预测前N（N为神经网络输入层节点数）个时刻的预测误差的绝对值为输入值，利用单指数平滑算法给横向和纵向预测分别计算出一个误差估计值称为精确度指标。通过比较横向和纵向预测的精确度指标，选择精确度指标较小的维度对应的预测值为最终结果，合理的结合了两个维度预测模型的优点。该方法能在转折点处得到比现有预测算法更高的预测精度。
当然，实施本申请的任一技术方案必不一定需要同时达到以上的所有优点。
为了使本领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请提供了一种电力综合业务网流量预测方法，其用于精确预测电力综合业务网中的流量。
本发明约定当前采样时刻为，采样周期为。
如图2所示，本发明中提出的电力综合业务网流量预测方法，具体步骤如下：
步骤1：从电力综合业务网流量数据库中，提取出横向流量数据序列和纵向流量数据序列。
步骤2：建立二维预测模型。
步骤3：读取时刻新数据。
步骤4：利用二维预测模型对时刻的流量数据进行预测并输出预测结果。
步骤5：等待直到下一采样时刻返回步骤3。
其中，步骤1的具体实现步骤包括：
1、从电力综合业务网流量数据库中，提取一段长时间的历史流量数据。
2、定义采样间隔为（小时），定义长周期为（小时）。长周期必须满足（为正整数），采样间隔必须满足（为小波神经网络输入层节点数）。把不同日期同一时刻的流量数据，按照日期从小到大排列成纵向数据流量序列。把每一天内的数据按照时间从小到大排列，再按日期从小到大把数据排列成横向数据流量序列。具体，取值方法如附图1所示。
如图3所示，步骤2具体实现步骤包括：
1、选择小波神经网络算法作为横向预测算法，选择差分自回归移动平均 (ARIMA)算法作为纵向预测算法。小波神经网络输入层节点与隐含层节点之间满足，，输出层节点为1个。差分自回归移动平均(ARIMA)算法通过最小信息准则（AIC）定阶。
2、利用横向流量数据序列对小波神经网络算法进行训练，得到横向流量预测模型。利用纵向流量数据序列对差分自回归移动平均(ARIMA)算法进行训练，得到纵向流量预测模型。
小波神经网络算法的训练过程：
1) 读取一组数据 。
2) 计算隐含层节点输出如式（1），输出层节点输出入式（2）
为Morlet母小波基函数 ,为输入层节点到隐含层节点的连接权值，为隐含层节点到输出层的权值，为小波基函数的伸缩因子，为小波基函数的平移因子。
3) 计算小波神经网络预测误差如式（3）
为实际输出，为预测输出。
4）更新网络权值和小波基函数系数如式（4）到式（9）
为学习速率。
5）若还有下一组数据，则读取下一组数据返回到1）；若没有下一组数据则结束训练。
差分自回归移动平均(ARIMA)算法训练过程：
对每一组参数计算一个最小信息准则（AIC）值，选择最小信息准则（AIC） 值最小的一组参数为差分自回归移动平均 (ARIMA)算法的阶数。
3、确定横向、纵向单指数平滑算法参数。
式（10）、（11）分别为横向和纵向对应的单指数平滑法数学表达式。式中和即为横向和纵向精确度指标，和即为横向和纵向时刻预测误差值。确定一个单指数平滑模型，需要确定式中两个参数和权值系数、。取值与神经网络算法的输入层节点数一致。将横向和纵向预测的历史误差值，按照提取历史流量数据相同的方法提取出误差序列并取绝对值得到误差绝对值序列。利用误差绝对值序列训练单指数平滑算，按照最小均方误差准则分别确定横向和纵向单指数平滑算法的、值，其取值范围为 [0.1-0.9]。
如图4所示，步骤4的具体实现步骤包括：
1、对t时刻到达的新数据，计算横向和纵向两个维度的数据流量预测模型在t时刻的预测误差，。
式（12）、（13）中，和分别为时刻横向和纵向预测的数据流量预测值，为时刻数据流量的真实值。
2、用步骤2中得到的横向预测模型中数据流量预测模型和单指数平滑算法，分别计算出横向数据流量预测值和横向精确度指标。用纵向预测模型中数据流量预测模型和单指数算法，分别计算出纵向数据流量预测值和纵向精确度指标。
3、选择精确度指标较小的维度所对应的数据流量预测值为最终预测输出，若<，则选择横向流量预测值，否则选择纵向流量预测模型预测值。
本发明实施后，具有以下优点：
1、本发明通过将历史流量数据提取出横向流量序列和纵向流量序列，充分利用了历史流量数据。
2、本发明利用提取的横向流量数据序列和纵向流量数据序列电网，建立横向预测和纵向预测模型，组合为一个二维预测模型。预测结果符合综合业务网数据流量的日周期性，在保证非转折点处精度的同时，提高了预测算法在转折点的预测精度。
本领域的技术人员应明白，本申请的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、装置(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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (7)
1.一种电力综合业务网流量预测方法，其特征在于，所述方法包括：
步骤1：从电力综合业务网流量数据库中，提取出横向流量数据序列和纵向流量数据序列；
步骤2：建立二维预测模型；
步骤3：读取 时刻的新数据，其中t当前采样时刻；
步骤4：利用二维预测模型对时刻的流量数据进行预测并输出预测结果，其中T为采样周期；
步骤5：等待直到下一采样时刻返回步骤3。
2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括：
从电力综合业务网流量数据库中，提取一段长时间的历史流量数据；
把不同日期同一时刻的流量数据，按照日期从小到大排列成纵向数据流量序列；
把每一天内的数据按照时间从小到大排列，再按日期从小到大把数据排列成横向数据流量序列。
3.根据权利要求2所述的方法，其特征在于，所述步骤2具体包括：
选择小波神经网络算法作为横向预测算法，选择差分自回归移动平均 (ARIMA)算法作为纵向预测算法；
利用横向流量数据序列对小波神经网络算法进行训练，得到横向流量预测模型；
利用纵向流量数据序列对差分自回归移动平均 (ARIMA)算法进行训练，得到纵向流量预测模型；
确定横向、纵向单指数平滑算法参数。
4.根据权利要求3所述的方法，其特征在于，所述利用横向流量数据序列对小波神经网络算法进行训练，包括：
1) 读取一组数据 ；
2) 计算隐含层节点输出如式（1），输出层节点输出入式（2）
为Morlet母小波基函数 ,为输入层节点到隐含层节点的连接权值，为隐含层节点到输出层的权值，为小波基函数的伸缩因子，为小波基函数的平移因子；
3) 计算小波神经网络预测误差如式（3）
为实际输出，为预测输出；
4）更新网络权值和小波基函数系数如式（4）到式（9）
为学习速率；
5）若还有下一组数据，则读取下一组数据返回到1）；若没有下一组数据则结束训练。
5.根据权利要求3所述的方法，其特征在于，所述利用纵向流量数据序列对差分自回归移动平均 (ARIMA)算法进行训练，包括：
对每一组参数计算一个最小信息准则（AIC）值，选择最小信息准则（AIC） 值最小的一组参数为差分自回归移动平均 (ARIMA)算法的阶数。
6.根据权利要求3所述的方法，其特征在于，还包括：通过公式（10）、（11）分别计算所述确定横向、纵向单指数平滑算法参数
。
7.根据权利要求2所述的方法，其特征在于，所述步骤4具体包括：
首先，对t时刻到达的新数据，计算横向和纵向两个维度的数据流量预测模型在t时刻的预测误差，，
式（12）、（13）中，和分别为时刻横向和纵向预测的数据流量预测值，为时刻数据流量的真实值；
其次，用所述步骤2中得到的横向预测模型中数据流量预测模型和单指数平滑算法，分别计算出横向数据流量预测值和横向精确度指标，用纵向预测模型中数据流量预测模型和单指数算法，分别计算出纵向数据流量预测值和纵向精确度指标；
最后，选择精确度指标较小的维度所对应的数据流量预测值为最终预测输出，若<，则选择横向流量预测值，否则选择纵向流量预测模型预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510414563.XA CN104993966B (zh) | 2015-07-15 | 2015-07-15 | 一种电力综合业务网流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510414563.XA CN104993966B (zh) | 2015-07-15 | 2015-07-15 | 一种电力综合业务网流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104993966A true CN104993966A (zh) | 2015-10-21 |
| CN104993966B CN104993966B (zh) | 2018-08-10 |
Family
ID=54305722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510414563.XA Expired - Fee Related CN104993966B (zh) | 2015-07-15 | 2015-07-15 | 一种电力综合业务网流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104993966B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107734534A (zh) * | 2016-08-10 | 2018-02-23 | 中国移动通信集团黑龙江有限公司 | 一种网络负荷评估方法及装置 |
| CN108199928A (zh) * | 2018-02-01 | 2018-06-22 | 国网湖北省电力公司信息通信公司 | 一种多维电力通信网流量预测方法及系统 |
| CN109842563A (zh) * | 2017-11-24 | 2019-06-04 | 中国电信股份有限公司 | 内容分发网络流量调度方法、装置和计算机可读存储介质 |
| CN109902886A (zh) * | 2019-04-10 | 2019-06-18 | 广东电网有限责任公司 | 一种二维配电通信网网络流量预测方法 |
| CN111835536A (zh) * | 2019-04-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599871A (zh) * | 2009-05-27 | 2009-12-09 | 南京欣网视讯科技股份有限公司 | 一种sfarima网络流量预测方法 |
| CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
-
2015
- 2015-07-15 CN CN201510414563.XA patent/CN104993966B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101599871A (zh) * | 2009-05-27 | 2009-12-09 | 南京欣网视讯科技股份有限公司 | 一种sfarima网络流量预测方法 |
| CN101729315A (zh) * | 2009-12-24 | 2010-06-09 | 北京邮电大学 | 一种基于小波包分解和模糊神经网络的网络流量预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 袁健等: "《城市道路短期交通流预测VHSSA模型》", 《公路交通科技》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107734534A (zh) * | 2016-08-10 | 2018-02-23 | 中国移动通信集团黑龙江有限公司 | 一种网络负荷评估方法及装置 |
| CN107734534B (zh) * | 2016-08-10 | 2020-10-30 | 中国移动通信集团黑龙江有限公司 | 一种网络负荷评估方法及装置 |
| CN109842563A (zh) * | 2017-11-24 | 2019-06-04 | 中国电信股份有限公司 | 内容分发网络流量调度方法、装置和计算机可读存储介质 |
| CN108199928A (zh) * | 2018-02-01 | 2018-06-22 | 国网湖北省电力公司信息通信公司 | 一种多维电力通信网流量预测方法及系统 |
| CN108199928B (zh) * | 2018-02-01 | 2023-09-26 | 国网湖北省电力公司信息通信公司 | 一种多维电力通信网流量预测方法及系统 |
| CN109902886A (zh) * | 2019-04-10 | 2019-06-18 | 广东电网有限责任公司 | 一种二维配电通信网网络流量预测方法 |
| CN111835536A (zh) * | 2019-04-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法和装置 |
| CN111835536B (zh) * | 2019-04-16 | 2022-04-05 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104993966B (zh) | 2018-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108364085B (zh) | 一种外卖配送时间预测方法和装置 | |
| CN104993966A (zh) | 一种电力综合业务网流量预测方法 | |
| CN106549772A (zh) | 资源预测方法、系统和容量管理装置 | |
| Li et al. | Identifying explicit formulation of operating rules for multi-reservoir systems using genetic programming | |
| CN105452598B (zh) | 选择和优化用于产量平台的油田控制的方法 | |
| CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
| CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
| CN106200577A (zh) | 一种立体车库调度控制方法 | |
| CN106951990A (zh) | 电力负荷智能预测方法及装置 | |
| CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
| CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
| CN105427194A (zh) | 一种基于随机森林回归的售电量预测方法及装置 | |
| CN104252652A (zh) | 电力系统中空间负荷预测方法 | |
| CN104732091A (zh) | 基于自然选择蚁群算法的元胞自动机河床演变预测方法 | |
| CN111723516B (zh) | 一种基于自适应深度神经网络替代模型的海水入侵模拟-优化方法 | |
| CN105809264A (zh) | 电力负载预测方法和装置 | |
| CN103942430B (zh) | 一种基于组合模型的建筑物沉降预测方法 | |
| CN111798066A (zh) | 一种城市尺度下小区流量多维度预测方法及系统 | |
| CN101801004A (zh) | 基于先验知识的自适应话务量中长期预测方法 | |
| CN108491958B (zh) | 一种短时公交客流弦不变量预测方法 | |
| CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
| CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
| Rager et al. | MEU: An urban energy management tool for communities and multi-energy utilities | |
| CN108133286B (zh) | 一种基于地面沉降替代模型的地下水多目标计算方法 | |
| CN106652443B (zh) | 纵横相似的高速公路短时交通量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20180607 Address after: 100031 West Chang'an Avenue, Xicheng District, Xicheng District, Beijing Applicant after: State Grid Corporation of China Applicant after: State Grid Hubei Electric Power Company Information & Telecommunication Company Applicant after: BEIJING MINGCHUANG TECHNOLOGY CO., LTD. Applicant after: Beijing University of Posts and Telecommunications Address before: 100031 West Chang'an Avenue, Xicheng District, Xicheng District, Beijing Applicant before: State Grid Corporation of China Applicant before: State Grid Hubei Electric Power Company Information & Telecommunication Company Applicant before: BEIJING MINGCHUANG TECHNOLOGY CO., LTD. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180810 Termination date: 20190715 |