CN105930955A - 基于深度学习的充电网络运行态势分析方法及装置 - Google Patents
基于深度学习的充电网络运行态势分析方法及装置 Download PDFInfo
- Publication number
- CN105930955A CN105930955A CN201610218219.8A CN201610218219A CN105930955A CN 105930955 A CN105930955 A CN 105930955A CN 201610218219 A CN201610218219 A CN 201610218219A CN 105930955 A CN105930955 A CN 105930955A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- degree
- depth
- input
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000013135 deep learning Methods 0.000 title abstract 2
- 238000012549 training Methods 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 27
- 230000007935 neutral effect Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims 1
- 238000004140 cleaning Methods 0.000 abstract 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000013459 approach Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于深度学习的充电网络运行态势分析装置,解决了现有技术的不足,技术方案为:包括深度训练器、数据清洗器、数据采集器和运行姿态分析网关,数据采集器:采集充电桩充电记录、预约记录、设备状态信息,故障记录,并进行入库,数据清洗器:对采集的数据进行清洗,并结构化存储,深度训练器:基于深度自动编码器,对充电历史数据进行训练,并生成深度自动编码器训练模型,运行态势分析网关:基于深度自动编码器训练模型,输出充电网路运行态势分析,并提供客户端查询功能。
Description
技术领域
本发明涉及一种充电网络运行态势分析方法及装置,特别涉及一种基于深度学习的充电网络运行态势分析方法及装置。
背景技术
随着电动汽车的普及,特别是目前的充电桩大部分部署在办公场所、酒店、停车场,必将增大电网的用电负荷,加剧电网调峰压力,使得电网运行效率降低。另外,还可能会引起供电设备过载。
近年来,国内外在智能调度领域开展了大量的研究和实践工作。享有“调度自动化之父”之称的Dyliacco博士提出“智能调度机器人”概念,其目的是为了使运行规则能适应在线运行方式,实现精细化调度,提高电网的输送能力。美国电力科学研究院提出智能电网调度控制系统应具有自愈、交互、优化、预测、协同、集成、安全等特征。国内研究机构提出基于态势感知的电网自动智能调度架构及关键技术,一定程度实现了对电网运行状态趋势的准确预判,有效提高了大电网调度控制水平。但是这在电动汽车充电网络上的应用颇有不足,因此,提供一种基于深度学习的充电网络运行态势分析方法及装置势在必行。
发明内容
本发明的目的在于解决上述现有技术目前的充电桩大部分部署在办公场所、酒店、停车场,必将增大电网的用电负荷,加剧电网调峰压力,使得电网运行效率降低的问题,提供了一种基于深度学习的充电网络运行态势分析方法及装置。本发明解决其技术问题所采用的技术方案是:一种基于深度学习的充电网络运行态势分析方法,包括以下步骤:
步骤一,采集充电桩运行的当前数据和历史数据;
步骤二,对采集的历史数据进行清洗和结构化处理;
步骤三,选用历史数据作为样本通过深度自动编码器模型采用自下而上的无监督学习,逐层构建神经元,形成神经网络;
步骤四,神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练;
步骤五,通过标准的多层神经网络的监督训练方法进行微调;
步骤六,将实时监测的充电运营数据作为有标签样本和深度自动编码器模型预测系统预测的短期数据进行比较,比对的结果如果差值相对较大,就用有标签样本对深度自动编码器模型进行有监督的训练,调整编码器的网络参数,直到预测结果和实际观测结果差值落在合理区间为止,输出深度自动编码器训练模型;
步骤七,根据充电桩实时运行数据通过深度自动编码器训练模型,预测未来充电网络的运行态势。
本发明,利用深度学习技术,综合考虑影响充电桩网络运行的各项指标,基于海量的充电网络运行轨迹数据,有效预判未来充电网络的运行态势,为电网调度提供数据支撑。
作为优选,在步骤一中,采集的数据包括充电桩充电记录、预约记录、设备状态信息和故障记录。
作为优选,在所述步骤二中,以年为单位,根据设定的采集周期采集每天的原始的充电时间序列数据,一年产生28个原始的充电时间序列数据(C1,C2,C3,…,Ct,Cn)的集合,其中Ct为t时间点的充电流数据,Cn为当前点的充电流数据。
作为优选,在所述步骤三中,输入的样本均配设有标签,根据当前输出和带有标签的目标之间的差去改变前面各层的参数,直到收敛。
作为优选,将输入的充电时间序列数据(C1,C2,C3,…,Ct,Cn)输入至编码器,得到一个输出编码(g1 (1),g2 (1),g3 (1),…gt (1),…,gn (1)),通过解码器输出一个重构信息,根据输出编码和重构信息与输入的充电时间序列数据对比获得重构误差,每一层通过调整编码器和解码器的参数,使得重构误差最小,最终得到编码器和解码器的参数参数空间。深度自动编码器进行预训练,主要目的是将所有权值链接和偏置限定在一定的参数空间内,利用无监督方法将自动编码器的输入层和隐含层全部初始化,然后再用逐层贪心训练算法将每个隐含层训练为自动关联器,实现输入数据的重构。
作为优选,神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练,将第一层充电流数据(C1,C2,C3,…,Ct,Cn)作为第二层的输入流数据,同样调整编码器和解码器的参数最小化重构误差,得到第二层输入充电流数据的输出编码(g1 (2),g2 (2),g3 (2),…gt (2),…,gn (2))并逐层调整。
作为优选,在自动编码器的最顶编码层增加支持向量分类器,然后通过标准的多层神经网络的监督训练方法训练实现微调。
作为优选,在步骤五中,包括以下微调子步骤,
微调子步骤一,随机选取有标签充电数据样本,并用BP算法进行训练,计算各层的输出;
微调子步骤二,求各层的重构误差,并根据误差仅需调整权值和偏置;
微调子步骤三,根据性能指数评定误差是否在指定的范围内,若不是则重复步骤微调子步骤一,直至整个网络输出符合要求;
微调子步骤四,输出最后的深度自动编码器训练模型。
作为优选,在步骤七中,使用者通过运行姿态分析网关查询未来充电网络的运行态势。
一种基于深度学习的充电网络运行态势分析装置,其特征在于:包括深度训练器、数据清洗器、数据采集器和运行姿态分析网关,
数据采集器:采集充电桩充电记录、预约记录、设备状态信息,故障记录,并进行入库,
数据清洗器:对采集的数据进行清洗,并结构化存储,
深度训练器:基于深度自动编码器,对充电历史数据进行训练,并生成深度自动编码器训练模型,
运行态势分析网关:基于深度自动编码器训练模型,输出充电网路运行态势分析,并提供客户端查询功能。本装置有效进行短期预测,为充电站储能额度提供有效的数据支撑。
本发明的实质性效果是:考虑到充电桩业务的特性,对于充电记录按照一定规律进行分组。深度自动编码器进行预训练,主要目的是将所有权值链接和偏置限定在一定的参数空间内,利用无监督方法将自动编码器的输入层和隐含层全部初始化,然后再用逐层贪心训练算法将每个隐含层训练为自动关联器,实现输入数据的重构。得到了一种充电网络运行态势分析装置,为整个电网调度提供了有效的数据补充。能够有效进行短期预测,为充电站储能额度提供有效的数据支撑。
附图说明
图1为基于深度学习的充电网络运行态势分析方法的流程示意图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体说明。
实施例:
一种基于深度学习的充电网络运行态势分析方法(参见附图1),包括以下步骤:
步骤一,采集充电桩运行的当前数据和历史数据;
步骤二,对采集的历史数据进行清洗和结构化处理;
步骤三,选用历史数据作为样本通过深度自动编码器模型采用自下而上的无监督学习,逐层构建神经元,形成神经网络;
步骤四,神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练;
步骤五,通过标准的多层神经网络的监督训练方法进行微调;
步骤六,将实时监测的充电运营数据作为有标签样本和深度自动编码器模型预测系统预测的短期数据进行比较,比对的结果如果差值相对较大,就用有标签样本对深度自动编码器模型进行有监督的训练,调整编码器的网络参数,直到预测结果和实际观测结果差值落在合理区间为止,输出深度自动编码器训练模型;
步骤七,根据充电桩实时运行数据通过深度自动编码器训练模型,预测未来充电网络的运行态势。
在步骤一中,采集的数据包括充电桩充电记录、预约记录、设备状态信息和故障记录。
在所述步骤二中,以年为单位,根据设定的采集周期采集每天的原始的充电时间序列数据,一年产生28个原始的充电时间序列数据(C1,C2,C3,…,Ct,Cn)的集合,其中Ct为t时间点的充电流数据,Cn为当前点的充电流数据。
在所述步骤三中,输入的样本均配设有标签,根据当前输出和带有标签的目标之间的差去改变前面各层的参数,直到收敛。深度自动编码器进行预训练,主要目的是将所有权值链接和偏置限定在一定的参数空间内,利用无监督方法将自动编码器的输入层和隐含层全部初始化,然后再用逐层贪心训练算法将每个隐含层训练为自动关联器,实现输入数据的重构。
将输入的充电时间序列数据(C1,C2,C3,…,Ct,Cn)输入至编码器得到一个输出编码(g1 (1),g2 (1),g3 (1),…gt (1),…,gn (1)),通过解码器输出一个重构信息,根据输出编码和重构信息与输入的充电时间序列数据对比获得重构误差,每一层通过调整编码器和解码器的参数,使得重构误差最小,最终得到编码器和解码器的参数参数空间。
神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练,将第一层充电流数据(C1,C2,C3,…,Ct,Cn)作为第二层的输入流数据,同样调整编码器和解码器的参数最小化重构误差,得到第二层输入充电流数据的输出编码(g1 (2),g2 (2),g3 (2),…gt (2),…,gn (2))并逐层调整。
在自动编码器的最顶编码层增加支持向量分类器,然后通过标准的多层神经网络的监督训练方法训练实现微调。
在步骤五中,包括以下微调子步骤,
微调子步骤一,随机选取有标签充电数据样本,并用BP算法进行训练,计算各层的输出;
微调子步骤二,求各层的重构误差,并根据误差仅需调整权值和偏置;
微调子步骤三,根据性能指数评定误差是否在指定的范围内,若不是则重复步骤微调子步骤一,直至整个网络输出符合要求;
微调子步骤四,输出最后的深度自动编码器训练模型。
在步骤七中,使用者通过运行姿态分析网关查询未来充电网络的运行态势。
一种基于深度学习的充电网络运行态势分析装置,其特征在于:包括深度训练器、数据清洗器、数据采集器和运行姿态分析网关,
数据采集器:采集充电桩充电记录、预约记录、设备状态信息,故障记录,并进行入库。
数据清洗器:对采集的数据进行清洗,并结构化存储。
深度训练器:基于深度自动编码器,对充电历史数据进行训练,并生成深度自动编码器训练模型,
运行态势分析网关:基于深度自动编码器训练模型,输出充电网路运行态势分析,并提供客户端查询功能。
具体的训练实施方式如下:
1)基于无标签的充电流数据,用无监督学习方法学习特征
输入的样本是有标签的,即(input,target),根据当前输出和target(label)之间的差去改变前面各层的参数,直到收敛。
将input充电流数据(C1,C2,C3,…,Ct,Cn)输入encoder编码器,得到一个code(g1 (1),g2 (1),g3 (1),…gt (1),…,gn (1)),这个code是输入的一个表示,为了确定输出code就是input的一个表示,通过decoder解码器输出一个信息reconstruction,输出的这个信息和一开始的输入数据input是比较接近的,每一层通过调整encoder编码器和decoder解码器的参数,使得重构误差最小,得到了输入input数据流的第一个表示,即编码code。由于是无标签数据,误差的来源就是直接重构后与原输入input相比得到。
2)每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练将第一层充电流数据(C1,C2,C3,…,Ct,Cn)作为第二层的输入input数据流,同样最小化重构误差,得到第二层输入充电数据流的code(g1 (2),g2 (2),g3 (2),…gt (2),…,gn (2))。
3)通过监督性学习微调
为了实现分类,需要在自动编码器的最顶编码层增加支持向量分类器,然后通过标准的多层神经网络的监督训练方法去训练,步骤如下;
A、随机选取有标签充电数据样本,并用BP算法进行训练,计算各层的输出;
B、求各层的重构误差,并根据误差仅需调整权值和偏置;
C、根据性能指数评定误差是否在指定的范围内,若不是则重复步骤A、B,直至整个网络输出符合要求;
D、输出最后的深度自动编码器训练模型。
4)将实时监测的充电运营数据作为有标签样本和深度自动编码器模型预测系统预测的短期数据进行比较,比对的结果如果差值相对较大,此时就需要用有标签样本对深度编码器进行有监督的训练,调整编码器的网络参数,直到预测结果和实际观测结果差值落在合理区间为止。
本发明考虑到充电桩业务的特性,对于充电记录按照一定规律进行分组。深度自动编码器进行预训练,主要目的是将所有权值链接和偏置限定在一定的参数空间内,利用无监督方法将自动编码器的输入层和隐含层全部初始化,然后再用逐层贪心训练算法将每个隐含层训练为自动关联器,实现输入数据的重构。得到了一种充电网络运行态势分析装置,为整个电网调度提供了有效的数据补充。能够有效进行短期预测,为充电站储能额度提供有效的数据支撑。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (10)
1.一种基于深度学习的充电网络运行态势分析方法,其特征在于:包括以下步骤:
步骤一,采集充电桩运行的当前数据和历史数据;
步骤二,对采集的历史数据进行清洗和结构化处理;
步骤三,选用历史数据作为样本通过深度自动编码器模型采用自下而上的无监督学习,逐层构建神经元,形成神经网络;
步骤四,神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练;
步骤五,通过标准的多层神经网络的监督训练方法进行微调;
步骤六,将实时监测的充电运营数据作为有标签样本和深度自动编码器模型预测系统预测的短期数据进行比较,比对的结果如果差值相对较大,就用有标签样本对深度自动编码器模型进行有监督的训练,调整编码器的网络参数,直到预测结果和实际观测结果差值落在合理区间为止,输出深度自动编码器训练模型;
步骤七,根据充电桩实时运行数据通过深度自动编码器训练模型,预测未来充电网络的运行态势。
2.根据权利要求1所述的基于深度学习的充电网络运行态势分析方法,其特征在于:在步骤一中,采集的数据包括充电桩充电记录、预约记录、设备状态信息和故障记录。
3.根据权利要求1所述的基于深度学习的充电网络运行态势分析方法,其特征在于:在所述步骤二中,以年为单位,根据设定的采集周期采集每天的原始的充电时间序列数据,一年产生28个原始的充电时间序列数据(C1,C2,C3,…,Ct,Cn)的集合,其中Ct为t时间点的充电流数据,Cn为当前点的充电流数据。
4.根据权利要求1所述的基于深度学习的充电网络运行态势分析方法,其特征在于:在所述步骤三中,输入的样本均配设有标签,根据当前输出和带有标签的目标之间的差去改变前面各层的参数,直到收敛。
5.根据权利要求4所述的基于深度学习的充电网络运行态势分析方法,其特征在于:将输入的充电时间序列数据(C1,C2,C3,…,Ct,Cn)输入至编码器,得到一个输出编码(g1 (1),g2 (1),g3 (1),…gt (1),…,gn (1)),通过解码器输出一个重构信息,根据输出编码和重构信息与输入的充电时间序列数据对比获得重构误差,每一层通过调整编码器和解码器的参数,使得重构误差最小,最终得到编码器和解码器的参数参数空间。
6.根据权利要求5所述的基于深度学习的充电网络运行态势分析方法,其特征在于:神经网络中每个隐含单元的输入作为下一层神经网络的输入,并对下一层进行训练,将第一层充电流数据(C1,C2,C3,…,Ct,Cn)作为第二层的输入流数据,同样调整编码器和解码器的参数最小化重构误差,得到第二层输入充电流数据的输出编码(g1 (2),g2 (2),g3 (2),…gt (2),…,gn (2))并逐层调整。
7.根据权利要求5所述的基于深度学习的充电网络运行态势分析方法,其特征在于:在自动编码器的最顶编码层增加支持向量分类器,然后通过标准的多层神经网络的监督训练方法训练实现微调。
8.根据权利要求5所述的基于深度学习的充电网络运行态势分析方法,其特征在于:在步骤五中,包括以下微调子步骤,
微调子步骤一,随机选取有标签充电数据样本,并用BP算法进行训练,计算各层的输出;
微调子步骤二,求各层的重构误差,并根据误差仅需调整权值和偏置;
微调子步骤三,根据性能指数评定误差是否在指定的范围内,若不是则重复步骤微调子步骤一,直至整个网络输出符合要求;
微调子步骤四,输出最后的深度自动编码器训练模型。
9.根据权利要求8所述的基于深度学习的充电网络运行态势分析方法,其特征在于:在步骤七中,使用者通过运行姿态分析网关查询未来充电网络的运行态势。
10.一种基于深度学习的充电网络运行态势分析装置,其特征在于:包括深度训练器、数据清洗器、数据采集器和运行姿态分析网关,
数据采集器:采集充电桩充电记录、预约记录、设备状态信息,故障记录,并进行入库,
数据清洗器:对采集的数据进行清洗,并结构化存储,
深度训练器:基于深度自动编码器,对充电历史数据进行训练,并生成深度自动编码器训练模型,
运行态势分析网关:基于深度自动编码器训练模型,输出充电网路运行态势分析,并提供客户端查询功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610218219.8A CN105930955A (zh) | 2016-04-07 | 2016-04-07 | 基于深度学习的充电网络运行态势分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610218219.8A CN105930955A (zh) | 2016-04-07 | 2016-04-07 | 基于深度学习的充电网络运行态势分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105930955A true CN105930955A (zh) | 2016-09-07 |
Family
ID=56840554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610218219.8A Pending CN105930955A (zh) | 2016-04-07 | 2016-04-07 | 基于深度学习的充电网络运行态势分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930955A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447133A (zh) * | 2016-11-03 | 2017-02-22 | 上海交通大学 | 一种基于深度自编码网络的短期电力负荷预测方法 |
CN106534579A (zh) * | 2016-12-12 | 2017-03-22 | 北京羲和科技有限公司 | 基于深度学习的手机姿态判断方法及装置 |
CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及系统 |
CN107423871A (zh) * | 2017-04-24 | 2017-12-01 | 成都知数科技有限公司 | 金融风控领域多特征融合提取方法 |
CN107481093A (zh) * | 2017-07-21 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 个性化店铺预测方法和装置 |
CN107908876A (zh) * | 2017-11-16 | 2018-04-13 | 宁波工程学院 | 基于多尺度卷积神经网络的混合动力车辆工况预测方法 |
CN108009636A (zh) * | 2017-11-16 | 2018-05-08 | 华南师范大学 | 深度学习神经网络进化方法、装置、介质和计算机设备 |
CN108458716A (zh) * | 2018-02-02 | 2018-08-28 | 北京交通大学 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
CN108490370A (zh) * | 2018-03-19 | 2018-09-04 | 万帮充电设备有限公司 | 一种故障诊断的方法和装置 |
CN109146156A (zh) * | 2018-08-03 | 2019-01-04 | 大连理工大学 | 一种用于预测充电桩系统充电量的方法 |
CN109934473A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电健康指数评分方法、装置、终端设备及存储介质 |
CN110414750A (zh) * | 2019-08-28 | 2019-11-05 | 哈尔滨工程大学 | 一种基于深度增强学习的电动汽车实时充电站选择方法 |
CN110647900A (zh) * | 2019-04-12 | 2020-01-03 | 中国人民解放军战略支援部队信息工程大学 | 基于深度神经网络的安全态势智能预测方法、装置及系统 |
CN110796203A (zh) * | 2019-10-31 | 2020-02-14 | 国网河北省电力有限公司 | 电网运行断面的匹配方法和装置 |
CN111461441A (zh) * | 2020-04-03 | 2020-07-28 | 国网辽宁省电力有限公司 | 基于电动汽车泊停态势划分的多类充电设施优化配置方法 |
CN111626527A (zh) * | 2020-06-10 | 2020-09-04 | 太原理工大学 | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 |
CN112739572A (zh) * | 2018-10-22 | 2021-04-30 | 甲骨文国际公司 | 检测在处所处充电的电动车辆 |
CN112874369A (zh) * | 2021-01-12 | 2021-06-01 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
CN113947231A (zh) * | 2020-07-17 | 2022-01-18 | 北京满电出行科技有限公司 | 充电站空闲度预测方法及装置 |
US11663679B2 (en) | 2019-10-11 | 2023-05-30 | International Business Machines Corporation | Generating mode change alerts with automatic detection from sensor data |
US11868932B2 (en) | 2020-09-30 | 2024-01-09 | International Business Machines Corporation | Real-time opportunity discovery for productivity enhancement |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN104978605A (zh) * | 2015-06-08 | 2015-10-14 | 上海电机学院 | 基于深度学习网络的大规模风电功率预测系统及方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN105335816A (zh) * | 2015-10-13 | 2016-02-17 | 国网安徽省电力公司铜陵供电公司 | 基于深度学习的电力通信网运行趋势与业务风险分析方法 |
-
2016
- 2016-04-07 CN CN201610218219.8A patent/CN105930955A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN104978605A (zh) * | 2015-06-08 | 2015-10-14 | 上海电机学院 | 基于深度学习网络的大规模风电功率预测系统及方法 |
CN105160866A (zh) * | 2015-08-07 | 2015-12-16 | 浙江高速信息工程技术有限公司 | 一种基于深度学习神经网络结构的交通流预测方法 |
CN105335816A (zh) * | 2015-10-13 | 2016-02-17 | 国网安徽省电力公司铜陵供电公司 | 基于深度学习的电力通信网运行趋势与业务风险分析方法 |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447133A (zh) * | 2016-11-03 | 2017-02-22 | 上海交通大学 | 一种基于深度自编码网络的短期电力负荷预测方法 |
CN106534579A (zh) * | 2016-12-12 | 2017-03-22 | 北京羲和科技有限公司 | 基于深度学习的手机姿态判断方法及装置 |
CN107423871A (zh) * | 2017-04-24 | 2017-12-01 | 成都知数科技有限公司 | 金融风控领域多特征融合提取方法 |
CN107169598A (zh) * | 2017-05-05 | 2017-09-15 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的天气预测方法及系统 |
CN107481093A (zh) * | 2017-07-21 | 2017-12-15 | 北京京东尚科信息技术有限公司 | 个性化店铺预测方法和装置 |
CN108009636A (zh) * | 2017-11-16 | 2018-05-08 | 华南师范大学 | 深度学习神经网络进化方法、装置、介质和计算机设备 |
CN107908876A (zh) * | 2017-11-16 | 2018-04-13 | 宁波工程学院 | 基于多尺度卷积神经网络的混合动力车辆工况预测方法 |
CN108458716A (zh) * | 2018-02-02 | 2018-08-28 | 北京交通大学 | 一种基于充电桩动态占用率预测的电动汽车充电导航方法 |
CN108490370A (zh) * | 2018-03-19 | 2018-09-04 | 万帮充电设备有限公司 | 一种故障诊断的方法和装置 |
CN109146156A (zh) * | 2018-08-03 | 2019-01-04 | 大连理工大学 | 一种用于预测充电桩系统充电量的方法 |
CN112739572A (zh) * | 2018-10-22 | 2021-04-30 | 甲骨文国际公司 | 检测在处所处充电的电动车辆 |
CN112739572B (zh) * | 2018-10-22 | 2024-06-14 | 甲骨文国际公司 | 检测在处所处充电的电动车辆 |
CN109934473A (zh) * | 2019-02-28 | 2019-06-25 | 深圳智链物联科技有限公司 | 充电健康指数评分方法、装置、终端设备及存储介质 |
CN110647900A (zh) * | 2019-04-12 | 2020-01-03 | 中国人民解放军战略支援部队信息工程大学 | 基于深度神经网络的安全态势智能预测方法、装置及系统 |
CN110647900B (zh) * | 2019-04-12 | 2022-04-22 | 中国人民解放军战略支援部队信息工程大学 | 基于深度神经网络的安全态势智能预测方法、装置及系统 |
CN110414750B (zh) * | 2019-08-28 | 2022-04-05 | 哈尔滨工程大学 | 一种基于深度增强学习的电动汽车实时充电站选择方法 |
CN110414750A (zh) * | 2019-08-28 | 2019-11-05 | 哈尔滨工程大学 | 一种基于深度增强学习的电动汽车实时充电站选择方法 |
US11663679B2 (en) | 2019-10-11 | 2023-05-30 | International Business Machines Corporation | Generating mode change alerts with automatic detection from sensor data |
CN110796203A (zh) * | 2019-10-31 | 2020-02-14 | 国网河北省电力有限公司 | 电网运行断面的匹配方法和装置 |
CN111461441A (zh) * | 2020-04-03 | 2020-07-28 | 国网辽宁省电力有限公司 | 基于电动汽车泊停态势划分的多类充电设施优化配置方法 |
CN111461441B (zh) * | 2020-04-03 | 2023-09-12 | 国网辽宁省电力有限公司 | 基于电动汽车泊停态势划分的多类充电设施优化配置方法 |
CN111626527B (zh) * | 2020-06-10 | 2023-02-03 | 太原理工大学 | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 |
CN111626527A (zh) * | 2020-06-10 | 2020-09-04 | 太原理工大学 | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 |
CN113947231A (zh) * | 2020-07-17 | 2022-01-18 | 北京满电出行科技有限公司 | 充电站空闲度预测方法及装置 |
US11868932B2 (en) | 2020-09-30 | 2024-01-09 | International Business Machines Corporation | Real-time opportunity discovery for productivity enhancement |
CN112874369A (zh) * | 2021-01-12 | 2021-06-01 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
CN112874369B (zh) * | 2021-01-12 | 2022-08-05 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105930955A (zh) | 基于深度学习的充电网络运行态势分析方法及装置 | |
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN108985330B (zh) | 一种自编码网络及其训练方法、异常用电检测方法和系统 | |
CN104399682B (zh) | 一种光伏电站组件清扫智能决策预警系统 | |
CN109785618B (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN109214552A (zh) | 基于集成学习光伏预测的智能运维方法 | |
CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
CN107274011A (zh) | 综合马尔科夫模型和概率网络的设备状态识别方法 | |
CN110689171A (zh) | 一种基于e-lstm的汽轮机健康状态预测方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN104077651B (zh) | 电网检修计划优化方法 | |
CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN115423301B (zh) | 一种基于物联网的电力能源智能管控方法、装置及系统 | |
CN106405352A (zh) | 一种电力绝缘子表面积污物的等值盐密预测及预警系统 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
CN107274015A (zh) | 一种预测风速的方法及系统 | |
CN110161860A (zh) | 一种光伏组件智能清扫策略的方法及控制系统 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN107145968A (zh) | 基于bp神经网络的光伏设备生命周期费用预测方法及系统 | |
CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
CN105568732A (zh) | 盘磨机控制方法 | |
CN115603446A (zh) | 基于卷积神经网络和云边协同作用的配电台区运行监测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 311305 Ling'an City, Zhejiang province Qingshan Lake Street, city street, the ground floor of the 33 (4 1-3 layer) Applicant after: Zhejiang Wanma New Energy Co., Ltd. Address before: Hangzhou City, Zhejiang province 310000 Yuhang Zhongtai Industrial Park Xianqiao Road No. 10 Applicant before: Zhejiang Wanma New Energy Co., Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160907 |
|
RJ01 | Rejection of invention patent application after publication |