CN106934497A - 基于深度学习的智慧小区用电量实时预测方法及装置 - Google Patents
基于深度学习的智慧小区用电量实时预测方法及装置 Download PDFInfo
- Publication number
- CN106934497A CN106934497A CN201710135997.5A CN201710135997A CN106934497A CN 106934497 A CN106934497 A CN 106934497A CN 201710135997 A CN201710135997 A CN 201710135997A CN 106934497 A CN106934497 A CN 106934497A
- Authority
- CN
- China
- Prior art keywords
- power consumption
- cell
- convolutional neural
- neural networks
- data
- 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 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 abstract description 16
- 238000013528 artificial neural network Methods 0.000 abstract description 15
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011160 research Methods 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
- G06Q10/04—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于深度学习的智慧小区用电量实时预测方法及装置,方法包括以下步骤:(1)获取待预测小区的历史用电量数据;(2)在分布式实时处理框架Storm上构建包括(1)的用电量数据库;(3)利用(2)中的用电量数据库对卷积神经网络进行训练,得到卷积神经网络模型;(4)将待预测小区当前一定时间段的用电量数据输入(3)中的卷积神经网络模型,得到预测用电量结果,本发明的有益效果是通过人工神经网络提取小区用电量数据库的最优权重,有效地提高了检测的准确率;并在Storm的基础上,实行并行小区用电量预测,达到实时预测的目的。
Description
技术领域
本发明涉及人工智能技术,具体涉及一种基于深度学习的智慧小区用电量实时预测方法及装置。
背景技术
深度学习是目前机器学习发展的最高度,人工神经网络作为深度学习中的一种方法,在物体识别、图像处理等领域有着较高的效果。对于时间序列预测,人工神经网络有着可以自动学习时间序列特征的优势,减少人工干预,提取出高质量的特征,由于深度学习的方法可能消耗大量的GPU资源,计算量过大可能达不到实际应用场景中实时的效果,为了解决大数据实时处理问题,分布式实时处理框架Storm应运而生,Storm有许多应用领域,包括实时分析、在线机器学习、信息流处理、连续性的计算、分布式RPC和ETL等。
准确的用电量预测对智慧小区用电规划和用电决策有着重要的意义,在研究不同小区用电特性的基础上开展用电量预测,可以帮助电力企业更好的了解小区个性化服务需求,为未来电网发展及电力需求侧相应政策的制定提供数据支撑。随着我国社会经济的持续发展以及产业结构的不断调整,电力用户的用电特征正呈现多样化发展趋势,小区用户的用电特性多样化对传统的用电量预测方法提出了新的挑战,有鉴于此,急需解决小区用电量预测准确率较低和速率较低的问题。
发明内容
本发明为了解决上述问题,提出了一种基于深度学习的智慧小区用电量实时预测方法,应用于用小区电量预测过程,可实现实时用电量预测的目的。
为了实现上述目的,本发明采用如下方案:
一种基于深度学习的智慧小区用电量实时预测方法,包括以下步骤:
(1)获取待预测小区的历史用电量数据;
(2)在分布式实时处理框架Storm上构建包括(1)的用电量数据库;
(3)利用(2)中的用电量数据库对卷积神经网络进行训练,得到卷积神经网络模型;
(4)将待预测小区当前一定时间段的用电量数据输入(3)中的卷积神经网络模型,得到预测用电量结果。
本技术方案的有益效果是通过人工神经网络提取小区用电量数据库的最优权重,有效地提高了检测的准确率;利用Storm并行小区用电量预测,达到实时预测的目的,有效的提高了小区用电量预测的效率。
进一步的,所述分布式实时处理框架的多个数据源输入组件spout作为父节点,多个数据处理组件bolt作为子节点;每个父节点均与子节点相连,在数据源输入组件spout上构建所述用电量数据库,在数据处理组件bolt上布置(3)中的卷积神经网络模型。
进一步的,所数据源输入组件spout与所述用电量数据库相连,并将待预测地区当前时间段内的用电量数据分发给各个指定的数据处理组件bolt,每个数据处理组件bolt通过(3)中的卷积神经网络模型,对待预测地区当前时间段内的用电量进行预测。
进一步的,所述卷积神经网络采用三层结构,分别为输入层、隐含层和输出层。
进一步的,所述隐含层包括依次相连的两个LSTM层和一个全连接层。
进一步的,所述卷积神经网络具有初始权值、初始训练速率和初始迭代次数,利用(2)中的用电量数据库对上述参数进行训练,得到目标卷积神经网络模型。
进一步的,所述目标卷积神经网络模型具有目标权重矩阵,(4)中将待预测小区当前时间段内的用电量数据输入所述目标权重矩阵中,得到预测用电量结果。
进一步的,本方法采用GPU调度算法,对所述数据处理组件bolt占用GPU资源的进程进行监控和调度。
进一步的,本方法当某一进程占用GPU资源超过设定值时,将所述进行分配到其他数据处理组件bolt上。
本发明还提出了一种基于深度学习的智慧小区用电量实时预测装置,包括:
获取单元,用于获取待预测小区历史用电量数据;
用电量数据库构建单元,用于对所述用电量数据构建在所述分布式实时处理框架Storm上;
卷积神经网络模型构建单元,用于根据所述用电量数据对卷积神经网络进行训练,构建卷积神经网络模型;
预测单元,结合所述卷积神经网络模型构建单元,根据待预测小区当前一定时间段的用电量数据预测该小区未来短期用电量。
本发明的有益效果:
(1)通过人工神经网络提取小区用电量数据库的最优权重,有效地提高了检测的准确率;
(2)利用Storm并行小区用电量预测,达到实时预测的目的,有效的提高了小区用电量预测的效率。
附图说明
图1为本发明提供的一种基于深度学习的智慧小区实时用电量预测方法的流程图;
图2为本发明中人工神经网络的网络结构;
图3为本发明中分布式实时处理框架Storm的拓扑结构图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
分布式实时处理框架Storm,是一个免费开源、分布式、高容错的实时计算系统。它与其他大数据解决方案的不同之处在于它的处理方式。Storm 支持创建拓扑结构来转换没有终点的数据流。不同于 Hadoop 作业,这些转换从不停止,它们会持续处理到达的数据。Storm经常用于在实时分析、在线机器学习、持续计算、分布式远程调用和ETL等领域。Storm的部署管理非常简单,而且,在同类的流式计算工具,Storm的性能也是非常出众的。
spout 组件:一个spout是由流组成的数据源在storm的拓扑里,通常情况下会读取外部的数据源然后emit(发射)到拓扑里面。Spout有两种实现一种是可靠的消息实现,如果发送失败则会重试,另外一种是不可靠的消息实现可能会出现消息丢失,spout可以一次声明多个数据流通过OutputFieldsDeclarer类的declareStream方法。
bolt 组件:所有的拓扑处理都会在bolt中进行,bolt里面可以做任何etl,比如过滤,函数,聚合,连接,写入数据库系统或缓存等,一个bolt可以做简单的事件流转换,如果是复杂的流转化,往往需要多个bolt参与,每个bolt都进行一个业务逻辑处理,bolt也可以emit多个流到下游,通过declareStream方法声明输出的schema。
实施例1:
如图1所示,本发明提供的一种基于深度学习的智慧小区用电量实时预测方法,包括以下步骤:
步骤S10、构建Storm的拓扑结构,在Storm平台上构建小区用电量数据库,并设计用于小区用电量预测的神经网络;
步骤S20、利用小区用电量数据库对神经网络进行训练,得到最优的网络模型以及权重矩阵;
在本发明中,步骤S20具体包括以下步骤:
步骤S21、将各个小区用电量数据分别发送到Storm平台下的bolt组件,并构建用各个小区的小区电量数据库;
步骤S22、将小区用电量数据库中的数据输入人工神经网络,使用人工神经网络默认参数进行卷积神经网络训练;
步骤S23、根据训练中间结果,对默认参数初始权值、训练速率、迭代次数进行不断调整,直到得到最优的人工神经网络网络参数,提取最优的权重矩阵,用该权重矩阵对用电量进行计算预测会得到最好的预测效果;
步骤S30、将训练好的权重矩阵模型分别布置在Storm的数据处理组件bolt上,且该数据处理组件bolt以数据源输入组件spout为父节点,这样每个数据处理组件bolt构成用于预测小区用电量的预测模块;布置人工神经网络的所有数据处理组件bolt具有相同的子节点,在该子节点上返回最终的预测结果,如图3所示。
步骤S40、数据源输入组件spout将采集于各个小区的历史用电量数据分发给其下属各个数据处理组件bolt,每个数据处理组件bolt上的权重矩阵模型对输入的用电量数据进行计算预测,由于卷积神经网络会消耗大量的GPU资源,由于在Storm中设计了基于GPU的资源调度算法,能够通过实时监控Storm各个数据处理组件bolt的GPU使用状况,将GPU消耗过大的进程分配到有较强GPU的数据处理组件bolt上,解决人工神经网络会消耗大量的GPU资源的问题,从而避免由于计算量过大达不到实际应用场景中实时效果的问题,实现小区用电量预测的实时效果。
在本发明中,数据源输入组件spout将采集来自各个小区的用电量数据,再将数据分发给不同数据处理组件bolt;
每个数据处理组件bolt使用其上训练好的权重矩阵模型对输入数据进行计算预测。
在本发明中,利用各个历史数据构小区用电量数据库,使用设计好的如图2所示的卷积神经网络由三层网络结构组成,包括2层LSTM网络,1层全连接层,
本发明的基于深度学习的智慧小区实时用电量预测方法,将基于深度学习的用电量预测技术与Storm实时处理平台相结合,提高用电预测的准确率和效率;在充分利用计算资源的前提下,找到最优权重矩阵,对小区用电量进行预测。
实施例2:
一种基于深度学习的智慧小区用电量实时预测装置,包括:
获取单元,用于获取待预测小区历史用电量数据;用电量数据库构建单元,用于对所述用电量数据构建在所述分布式实时处理框架Storm上;卷积神经网络模型构建单元,用于根据所述用电量数据对卷积神经网络进行训练,构建卷积神经网络模型;预测单元,结合所述卷积神经网络模型构建单元,根据待预测小区当前一定时间段的用电量数据预测该小区未来短期用电量。
本发明的工作原理是获取单元获取待预测小区的历史用电量数据;在分布式实时处理框架Storm上构建用电量数据库;基于用电量数据库对卷积神经网络进行训练,得到卷积神经网络模型;将待预测小区当前一定时间段的用电量数据输入卷积神经网络模型,得到预测用电量结果。
本实施例中分布式实时处理框架的多个数据源输入组件spout作为父节点,多个数据处理组件bolt作为子节点;每个父节点均与子节点相连,在数据源输入组件spout上构建所述用电量数据库,在数据处理组件bolt上布置(3)中的卷积神经网络模型。
数据源输入组件spout与所述用电量数据库相连,并将待预测地区当前时间段内的用电量数据分发给各个指定的数据处理组件bolt,每个数据处理组件bolt通过(3)中的卷积神经网络模型,对待预测地区当前时间段内的用电量进行预测。
本实施例的卷积神经网络采用三层结构,分别为输入层、隐含层和输出层;隐含层包括依次相连的两个LSTM层和一个全连接层。卷积神经网络具有初始权值、初始训练速率和初始迭代次数,利用(2)中的用电量数据库对上述参数进行训练,得到目标卷积神经网络模型。目标卷积神经网络模型具有目标权重矩阵,预测单元将待预测小区当前时间段内的用电量数据输入所述目标权重矩阵中,得到预测用电量结果。
本实施例采用GPU调度算法,对所述数据处理组件bolt占用GPU资源的进程进行监控和调度。当某一进程占用GPU资源超过设定值时,将所述进行分配到其他数据处理组件bolt上。
本发明充分利用人工神经网络学习时间序列特征的优势以及目前实时云计算技术的特点,将人工神经网络与实时云计算技术结合,把人工神经网络应用于小区用电量的预测,减少人工干预,提取最优的权重矩阵,提高小区用电量预测的准确率;并利用实时云计算中进行大数据实时处理的分布式实时处理框架Storm,解决人工神经网络消耗大量的GPU资源,在计算量过大时可能达不到实际应用场景中实时效果的问题,提高小区用电量预测的效率,这在用电量时间序列预测技术方面是一种区别于传统用电量预测的新的尝试。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于深度学习的智慧小区用电量实时预测方法,其特征在于,包括以下步骤:
(1)获取待预测小区的历史用电量数据;
(2)在分布式实时处理框架Storm上构建包括(1)的用电量数据库;
(3)利用(2)中的用电量数据库对卷积神经网络进行训练,得到卷积神经网络模型;
(4)将待预测小区当前一定时间段的用电量数据输入(3)中的卷积神经网络模型,得到预测用电量结果。
2.根据权利要求1所述的方法:其特征在于:所述分布式实时处理框架的多个数据源输入组件spout作为父节点,多个数据处理组件bolt作为子节点;每个父节点均与子节点相连,在数据源输入组件spout上构建所述用电量数据库,在数据处理组件bolt上布置(3)中的卷积神经网络模型。
3.根据权利要求2所述的方法,其特征在于:数据源输入组件spout与所述用电量数据库相连,并将待预测地区当前时间段内的用电量数据分发给各个指定的数据处理组件bolt,每个数据处理组件bolt通过(3)中的卷积神经网络模型,对待预测地区当前时间段内的用电量进行预测。
4.根据权利要求1所述的方法,其特征在于:所述卷积神经网络采用三层结构,分别为输入层、隐含层和输出层。
5.根据权利要求1所述的方法,其特征在于:所述隐含层包括依次相连的两个LSTM层和一个全连接层。
6.根据权利要求1所述的方法,其特征在于:所述卷积神经网络具有初始权值、初始训练速率和初始迭代次数,利用(2)中的用电量数据库对上述参数进行训练,得到目标卷积神经网络模型。
7.根据权利要求6所述的方法,其特征在于:所述目标卷积神经网络模型具有目标权重矩阵,(4)中将待预测小区当前时间段内的用电量数据输入所述目标权重矩阵中,得到预测用电量结果。
8.根据权利要求2所述的方法,其特征在于:采用GPU调度算法,对所述数据处理组件bolt占用GPU资源的进程进行监控和调度。
9.根据权利要求8所述的方法,其特征在于:当某一进程占用GPU资源超过设定值时,将所述进行分配到其他数据处理组件bolt上。
10.一种基于深度学习的智慧小区用电量实时预测装置,其特征在于,包括:
获取单元,用于获取待预测小区历史用电量数据;
用电量数据库构建单元,用于对所述用电量数据构建在所述分布式实时处理框架Storm上;
卷积神经网络模型构建单元,用于根据所述用电量数据对卷积神经网络进行训练,构建卷积神经网络模型;
预测单元,结合所述卷积神经网络模型构建单元,根据待预测小区当前一定时间段的用电量数据预测该小区未来短期用电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710135997.5A CN106934497B (zh) | 2017-03-08 | 2017-03-08 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710135997.5A CN106934497B (zh) | 2017-03-08 | 2017-03-08 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934497A true CN106934497A (zh) | 2017-07-07 |
CN106934497B CN106934497B (zh) | 2021-04-16 |
Family
ID=59433294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710135997.5A Active CN106934497B (zh) | 2017-03-08 | 2017-03-08 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934497B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107659609A (zh) * | 2017-07-26 | 2018-02-02 | 北京天云融创软件技术有限公司 | 一种基于云计算的深度学习支撑平台及深度学习训练方法 |
CN107832913A (zh) * | 2017-10-11 | 2018-03-23 | 微梦创科网络科技(中国)有限公司 | 基于深度学习的对监控数据趋势的预测方法及系统 |
CN107977748A (zh) * | 2017-12-05 | 2018-05-01 | 中国人民解放军国防科技大学 | 一种多变量扭曲时间序列预测方法 |
CN108537366A (zh) * | 2018-03-16 | 2018-09-14 | 浙江工业大学 | 基于最优卷积二维化的水库调度方法 |
CN109188924A (zh) * | 2018-09-18 | 2019-01-11 | 珠海格力电器股份有限公司 | 智能家居系统的用电控制方法及装置 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
CN110212520A (zh) * | 2019-05-24 | 2019-09-06 | 国网天津市电力公司 | 一种基于卷积神经网络的电量预测方法 |
CN110264251A (zh) * | 2019-05-31 | 2019-09-20 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN110826933A (zh) * | 2019-11-14 | 2020-02-21 | 国网山西省电力公司忻州供电公司 | 一种基于深度学习的区域供电分配系统 |
CN112132211A (zh) * | 2020-09-20 | 2020-12-25 | 郑州精铖能源技术有限公司 | 一种高效梯级能源管理方法及系统 |
CN113157801A (zh) * | 2021-04-21 | 2021-07-23 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 一种用电时序数据可视化展示方法、系统和可读介质 |
CN114118617A (zh) * | 2021-12-06 | 2022-03-01 | 南方电网数字电网研究院有限公司 | 用电量预估方法、装置、计算机设备和存储介质 |
CN114676938A (zh) * | 2021-12-23 | 2022-06-28 | 友达光电股份有限公司 | 能源需量管理系统与方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930354A (zh) * | 2012-11-06 | 2013-02-13 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
CN104268260A (zh) * | 2014-10-10 | 2015-01-07 | 中国科学院重庆绿色智能技术研究院 | 一种流数据的分类方法及其装置和系统 |
CN104376371A (zh) * | 2014-10-31 | 2015-02-25 | 国家电网公司 | 一种基于拓扑的配网分层负荷预测方法 |
CN104992147A (zh) * | 2015-06-09 | 2015-10-21 | 中国石油大学(华东) | 一种基于快慢结合云计算环境的深度学习的车牌识别方法 |
CN105630994A (zh) * | 2015-12-25 | 2016-06-01 | 浪潮电子信息产业股份有限公司 | 一种基于storm的数据处理方法、装置及系统 |
CN105678214A (zh) * | 2015-12-21 | 2016-06-15 | 中国石油大学(华东) | 云环境下基于卷积神经网络车型识别的车流量统计方法 |
-
2017
- 2017-03-08 CN CN201710135997.5A patent/CN106934497B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930354A (zh) * | 2012-11-06 | 2013-02-13 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
CN103854068A (zh) * | 2013-12-06 | 2014-06-11 | 国家电网公司 | 一种居民小区短期负荷预测方法 |
CN104268260A (zh) * | 2014-10-10 | 2015-01-07 | 中国科学院重庆绿色智能技术研究院 | 一种流数据的分类方法及其装置和系统 |
CN104376371A (zh) * | 2014-10-31 | 2015-02-25 | 国家电网公司 | 一种基于拓扑的配网分层负荷预测方法 |
CN104992147A (zh) * | 2015-06-09 | 2015-10-21 | 中国石油大学(华东) | 一种基于快慢结合云计算环境的深度学习的车牌识别方法 |
CN105678214A (zh) * | 2015-12-21 | 2016-06-15 | 中国石油大学(华东) | 云环境下基于卷积神经网络车型识别的车流量统计方法 |
CN105630994A (zh) * | 2015-12-25 | 2016-06-01 | 浪潮电子信息产业股份有限公司 | 一种基于storm的数据处理方法、装置及系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107659609B (zh) * | 2017-07-26 | 2021-01-12 | 北京天云融创软件技术有限公司 | 一种基于云计算的深度学习支撑平台及深度学习训练方法 |
CN107659609A (zh) * | 2017-07-26 | 2018-02-02 | 北京天云融创软件技术有限公司 | 一种基于云计算的深度学习支撑平台及深度学习训练方法 |
CN107832913A (zh) * | 2017-10-11 | 2018-03-23 | 微梦创科网络科技(中国)有限公司 | 基于深度学习的对监控数据趋势的预测方法及系统 |
CN107977748A (zh) * | 2017-12-05 | 2018-05-01 | 中国人民解放军国防科技大学 | 一种多变量扭曲时间序列预测方法 |
CN107977748B (zh) * | 2017-12-05 | 2022-03-11 | 中国人民解放军国防科技大学 | 一种多变量扭曲时间序列预测方法 |
CN108537366A (zh) * | 2018-03-16 | 2018-09-14 | 浙江工业大学 | 基于最优卷积二维化的水库调度方法 |
CN108537366B (zh) * | 2018-03-16 | 2021-08-24 | 浙江工业大学 | 基于最优卷积二维化的水库调度方法 |
CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
CN109190795B (zh) * | 2018-08-01 | 2022-02-18 | 中山大学 | 一种区域间出行需求预测方法及装置 |
CN109188924A (zh) * | 2018-09-18 | 2019-01-11 | 珠海格力电器股份有限公司 | 智能家居系统的用电控制方法及装置 |
CN110212520A (zh) * | 2019-05-24 | 2019-09-06 | 国网天津市电力公司 | 一种基于卷积神经网络的电量预测方法 |
CN110264251A (zh) * | 2019-05-31 | 2019-09-20 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN110826933A (zh) * | 2019-11-14 | 2020-02-21 | 国网山西省电力公司忻州供电公司 | 一种基于深度学习的区域供电分配系统 |
CN112132211A (zh) * | 2020-09-20 | 2020-12-25 | 郑州精铖能源技术有限公司 | 一种高效梯级能源管理方法及系统 |
CN113157801A (zh) * | 2021-04-21 | 2021-07-23 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 一种用电时序数据可视化展示方法、系统和可读介质 |
CN114118617A (zh) * | 2021-12-06 | 2022-03-01 | 南方电网数字电网研究院有限公司 | 用电量预估方法、装置、计算机设备和存储介质 |
CN114676938A (zh) * | 2021-12-23 | 2022-06-28 | 友达光电股份有限公司 | 能源需量管理系统与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106934497B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934497A (zh) | 基于深度学习的智慧小区用电量实时预测方法及装置 | |
Ullah et al. | Short-term prediction of residential power energy consumption via CNN and multi-layer bi-directional LSTM networks | |
Zhou et al. | A data-driven strategy using long short term memory models and reinforcement learning to predict building electricity consumption | |
Tun et al. | Federated learning based energy demand prediction with clustered aggregation | |
Moeini et al. | Fuzzy rule-based model for hydropower reservoirs operation | |
CN113282368A (zh) | 一种用于变电站巡视的边缘计算资源调度方法 | |
CN105930955A (zh) | 基于深度学习的充电网络运行态势分析方法及装置 | |
CN113869571A (zh) | 一种基于异构数据的智慧能源建筑综合信息物理融合方法 | |
CN106026084B (zh) | 一种基于虚拟发电部落的agc功率动态分配方法 | |
CN111509728B (zh) | 一种基于多源异构虚拟负荷的优化调控方法及系统 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
Li et al. | Artificial intelligence-based methods for renewable power system operation | |
CN108155649A (zh) | 一种考虑dg不确定性的配电网网架模糊规划方法 | |
Yin et al. | Artificial emotional deep Q learning for real-time smart voltage control of cyber-physical social power systems | |
Kong et al. | Real-time pricing method for VPP demand response based on PER-DDPG algorithm | |
Zhang et al. | A random forest-assisted fast distributed auction-based algorithm for hierarchical coordinated power control in a large-scale PV power plant | |
Zhou et al. | Big data and knowledge graph based fault diagnosis for electric power systems | |
Wang et al. | Digital twin based multi-objective energy management strategy for energy internet | |
CN115705608A (zh) | 一种虚拟电厂负荷感知方法及装置 | |
Wei et al. | A multi-objective algorithm for joint energy replenishment and data collection in wireless rechargeable sensor networks | |
Futakuchi et al. | Scheduled operation of wind farm with battery system using deep reinforcement learning | |
Zhang et al. | Improving the accuracy of load forecasting for campus buildings based on federated learning | |
CN107423811A (zh) | 基于bp人工神经网络和情景模拟组合的径流变化归因识别方法 | |
CN116683471A (zh) | 无功功率补偿资源的配置方法、装置以及设备 | |
CN115511218A (zh) | 基于多任务学习与深度学习的间歇型电器负荷预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |