CN107194600A - 一种电力负荷季节特性分类方法 - Google Patents

一种电力负荷季节特性分类方法 Download PDF

Info

Publication number
CN107194600A
CN107194600A CN201710402493.5A CN201710402493A CN107194600A CN 107194600 A CN107194600 A CN 107194600A CN 201710402493 A CN201710402493 A CN 201710402493A CN 107194600 A CN107194600 A CN 107194600A
Authority
CN
China
Prior art keywords
mrow
season
msub
partitioning
electric load
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
Application number
CN201710402493.5A
Other languages
English (en)
Inventor
卞绍润
洪波
赵同明
李春东
石统军
苏仁华
薛艇
杨文康
董玉龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710402493.5A priority Critical patent/CN107194600A/zh
Publication of CN107194600A publication Critical patent/CN107194600A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315Needs-based resource requirements planning or analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28Databases characterised by their database models, e.g. relational or object models
    • G06F16/284Relational databases
    • G06F16/285Clustering or classification
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种电力负荷季节特性分类方法,包括以下步骤:1)、选择季节划分方法确定当年春、夏、秋、冬四季的起止日期;2)、收集电网、变电站或用户的全年日负荷曲线数据信息,并按照选择的季节划分方法将数据按所属季节打上标签并分类存储;3)、对日负荷曲线数据进行小波去噪并进行归一化处理;4)、从各季节的日负荷曲线数据中随机选取适当样本分别构成训练数据集和测试数据集;5)、用随机森林算法构建分类器,并对训练数据集进行分类训练;6)、用测试数据集对分类器进行校验,得到电力负荷季节特性分类器。

Description

一种电力负荷季节特性分类方法
技术领域
本发明涉及电力系统负荷预测与控制领域技术领域,具体地说是一种电力负荷季节特性分类方法。
背景技术
负荷是电力系统的重要组成成分之一,其复杂性给电力系统负荷建模和负荷预测带来了很大困难。电力负荷组成的随机性和时变性是其负荷特性具有随机性和时变性的本质原因,这种随机性和时变性必然导致日负荷曲线具有随机性和时变性。因此,日负荷曲线必然含有丰富的负荷特性信息。通过对日负荷曲线进行特征分析,提取负荷季节特性信息,对于掌握电力负荷的周期性和季节性变化规律具有重大意义,能够为负荷建模和负荷预测提供重要理论支持和技术支撑,能够为电力规划、错峰管理等提供可靠的依据和准确的指导。
从能量管理系(EMS)中获取的日负荷曲线数据是离散的,其数据记录间隔通常为1分钟或5分钟,而且在数据采集、传输、转换等环节都可能发生故障或受到干扰,因此在对日负荷曲线进行分析前有必要进行数据去噪处理。小波分析是一种重要的信号处理方法,能够通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析,可以用于时频分析、信噪分离与提取弱信号、特征提取与故障诊断等。
随机森林算法是一种机器学习方法,具有准确度高、训练速度快、实现比较简单等优点。随机森林算法用随机的方法建立一个由多个互不关联的决策树组成的森林,其输出的类别是由每个树输出类别的众数而定。
发明内容
本发明的目的在于通过对日负荷曲线的处理与分类,提出一种电力负荷季节特性分类方法,对电力规划、错峰管理等提供可靠的依据和准确的指导。
本发明解决其技术问题所采取的技术方案是:一种电力负荷季节特性分类方法,其特征是,包括以下步骤:
1)、选择季节划分方法确定当年春、夏、秋、冬四季的起止日期;
2)、收集电网、变电站或用户的全年日负荷曲线数据信息,并按照选择的季节划分方法将数据按所属季节打上标签并分类存储;
3)、对日负荷曲线数据进行小波去噪并进行归一化处理;
4)、从各季节的日负荷曲线数据中随机选取适当样本分别构成训练数据集和测试数据集;
5)、用随机森林算法构建分类器,并对训练数据集进行分类训练;
6)、用测试数据集对分类器进行校验,得到电力负荷季节特性分类器。
进一步地,1)中所述的季节划分方法包括天文划分法、气象划分法、候温划分法、节气划分法;所述天文划分法以春分、夏至、秋分、冬至为四季的开始;所述气象划分法为以3月至5月为春季,6月至8月为夏季, 9月至11月为秋季,12月至2月为冬季;所述候温划分法春季为日平均气温或滑动平均气温大于等于10℃且小于22℃,夏季为日平均气温或滑动平均气温大于等于22℃,秋季为日平均气温或滑动平均气温小于22℃且大于等于10℃,冬季为日平均气温或滑动平均气温小于10℃;所述节气划分法以立春、立夏、立秋、立冬为四季之始。
进一步地,其特征是,3)中所述的小波去噪具体包括:
311)、将含有噪声的数据分解到不同的频带内;
312)、将噪声所处的频带置零,进行小波重构;
所述归一化处理是将数据通过伸缩变换映射到区间[0,1]内,具体包括:
321)、设去噪后的日负荷曲线为Pd,Pdmax和Pdmin分别为Pd的最大值和最小值;
322)、归一化处理后的日负荷曲线的计算公式为:
进一步地,其特征是,4)中每个季节训练数据集样本的数量相等,且覆盖每个季节的起始、中间及结束的全过程;测试数据集从没参加训练的样本中选取能够覆盖每个季节的起始、中间及结束的全过程。
进一步地,其特征是,5)中构建分类器的具体步骤包括:
51)、由多个决策树分类模型{h(X,θk),k=1,…}组成组合分类模型;每个决策树分类模型都由一票投票权来选择最优分类结果;
52)、通过不同的训练数据集增加分类模型的外推预测能力;
53)、通过k轮训练,得到一个分类模型序列{h1(X),h2(X),…,hk(X)};
54)、利用分类模型序列构成一个多分类模型系统,该系统最终分类结果采用简单多数投票法,最终的分类决策为:
式中,H(x)表示组合分类模型,hi是单个决策树分类模型,Y表示输出变量,I(·)为示性函数,参数集{θk}是独立同分布的随机向量,X是给定自变量。
本发明的有益效果是:
1)实现简单,计算方便;小波去噪、归一化运算及随机森林算法等数据处理及运算操作可在MATLAB平台中直接调用函数实现。
2)外推能力强;在分类前,所有数据都进行了小波去噪,能够有效去除日负荷曲线中的故障干扰及噪声;归一化处理能够使本方法对不同负荷水平的日负荷曲线都能使用。
3)运算速度快,随机森林算法的计算量是与其中决策树的数目成正比的,而各个决策树之间容易实现并行计算,能够有效提高运算速度。
4)分类准确性高;采用随机森林算法进行分类,能够有效处理大数据集。
5)随机森林能额外提供多种对数据的刻画。随机森林算法可以估计分类中特征的重要性,还可以通过计算相似度进行离群数据定位。
本发明之电力负荷季节特性分类方法适用于全网负荷、变电站负荷及用户负荷等多种类型的日负荷曲线。可满足电网规划分析及负荷预测等对负荷季节特性分类特征的需求,极具工程实用价值。
附图说明
图1本发明电力负荷季节特性分类方法流程框图。
图2为为随机森林算法示意图;
具体实施方式
如图2所示,随机森林算法示意图,主要包括boottrap抽样、内部各分类树训练、分类结果投票表决;经过训练得到的随机森林分类器可对新输入样本进行分类。
如图1所示,一种电力负荷季节特性分类方法,包括以下步骤:
1)、选择气象划分法确定当年春、夏、秋、冬四季的起止日期,即以阳历3~5月为春季,6~8月为夏季,9~11月为秋季,12月~来年2月为冬季,并且常常把1、4、7、10月作为冬、春、夏、秋季的代表月份;
2)、收集电网、变电站或用户的全年日负荷曲线数据信息,并按照选择的季节划分方法将数据按所属季节打上标签并分类存储;
3)、对日负荷曲线数据进行小波去噪并进行归一化处理;
4)、从归一化处理后的各季节日负荷曲线数据中随机选取适当数量的样本构成训练数据集;
5)、利用训练数据集对随机森林算法构建的随机森林模型进行训练,得到随机森林分类器;
6)、从归一化处理后的各季节日负荷曲线数据中随机选取适当数量的样本构成测试数据集;
7)、将测试数据集输入训练得到的随机森林分类器;
8)、将随机森林分类器输出的投票得到的最优分类与实际标签进行对比,校验随机森林分类器;
小波去噪具体包括:
311)、将含有噪声的数据分解到不同的频带内;
312)、将噪声所处的频带置零,进行小波重构;
归一化处理是将数据通过伸缩变换映射到区间[0,1]内,具体包括:
321)、设去噪后的日负荷曲线为Pd,Pdmax和Pdmin分别为Pd的最大值和最小值;
322)、归一化处理后的日负荷曲线的计算公式为:
每个季节训练数据集样本的数量相等,且覆盖每个季节的起始、中间及结束的全过程;测试数据集从没参加训练的样本中选取能够覆盖每个季节的起始、中间及结束的全过程。
构建分类器的具体步骤包括:
51)、由多个决策树分类模型{h(X,θk),k=1,…}组成组合分类模型;每个决策树分类模型都由一票投票权来选择最优分类结果;
52)、通过不同的训练数据集增加分类模型的外推预测能力;
53)、通过k轮训练,得到一个分类模型序列{h1(X),h2(X),…,hk(X)};
54)、利用分类模型序列构成一个多分类模型系统,该系统最终分类结果采用简单多数投票法,最终的分类决策为:
式中,H(x)表示组合分类模型,hi是单个决策树分类模型,Y表示输出变量,I(·)为示性函数,参数集{θk}是独立同分布的随机向量,X是给定自变量。
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,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 (5)

1.一种电力负荷季节特性分类方法,其特征是,包括以下步骤:
1)、选择季节划分方法确定当年春、夏、秋、冬四季的起止日期;
2)、收集电网、变电站或用户的全年日负荷曲线数据信息,并按照选择的季节划分方法将数据按所属季节打上标签并分类存储;
3)、对日负荷曲线数据进行小波去噪并进行归一化处理;
4)、从各季节的日负荷曲线数据中随机选取适当样本分别构成训练数据集和测试数据集;
5)、用随机森林算法构建分类器,并对训练数据集进行分类训练;
6)、用测试数据集对分类器进行校验,得到电力负荷季节特性分类器。
2.根据权利要求1所述的一种电力负荷季节特性分类方法,其特征是,1)中所述的季节划分方法包括天文划分法、气象划分法、候温划分法、节气划分法;所述天文划分法以春分、夏至、秋分、冬至为四季的开始;所述气象划分法为以3月至5月为春季,6月至8月为夏季,9月至11月为秋季,12月至2月为冬季;所述候温划分法春季为日平均气温或滑动平均气温大于等于10℃且小于22℃,夏季为日平均气温或滑动平均气温大于等于22℃,秋季为日平均气温或滑动平均气温小于22℃且大于等于10℃,冬季为日平均气温或滑动平均气温小于10℃;所述节气划分法以立春、立夏、立秋、立冬为四季之始。
3.根据权利要求1所述的一种电力负荷季节特性分类方法,其特征是,3)中所述的小波去噪具体包括:
311)、将含有噪声的数据分解到不同的频带内;
312)、将噪声所处的频带置零,进行小波重构;
所述归一化处理是将数据通过伸缩变换映射到区间[0,1]内,具体包括:
321)、设去噪后的日负荷曲线为Pd,Pdmax和Pdmin分别为Pd的最大值和最小值;
322)、归一化处理后的日负荷曲线的计算公式为:
<mrow> <msubsup> <mi>P</mi> <mi>d</mi> <mo>*</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mi>d</mi> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> <mrow> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> </mfrac> <mo>.</mo> </mrow>
4.根据权利要求1所述的一种电力负荷季节特性分类方法,其特征是,4)中每个季节训练数据集样本的数量相等,且覆盖每个季节的起始、中间及结束的全过程;测试数据集从没参加训练的样本中选取能够覆盖每个季节的起始、中间及结束的全过程。
5.根据权利要求1所述的一种电力负荷季节特性分类方法,其特征是,5)中构建分类器的具体步骤包括:
51)、由多个决策树分类模型{h(X,θk),k=1,…}组成组合分类模型;每个决策树分类模型都由一票投票权来选择最优分类结果;
52)、通过不同的训练数据集增加分类模型的外推预测能力;
53)、通过k轮训练,得到一个分类模型序列{h1(X),h2(X),…,hk(X)};
54)、利用分类模型序列构成一个多分类模型系统,该系统最终分类结果采用简单多数投票法,最终的分类决策为:
<mrow> <mi>H</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>arg</mi> <munder> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>Y</mi> </munder> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mi>I</mi> <mrow> <mo>(</mo> <msub> <mi>h</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>x</mi> <mo>)</mo> <mo>=</mo> <mi>Y</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow> 1
式中,H(x)表示组合分类模型,hi是单个决策树分类模型,Y表示输出变量,I(·)为示性函数,参数集{θk}是独立同分布的随机向量,X是给定自变量。
CN201710402493.5A 2017-06-01 2017-06-01 一种电力负荷季节特性分类方法 Pending CN107194600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710402493.5A CN107194600A (zh) 2017-06-01 2017-06-01 一种电力负荷季节特性分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710402493.5A CN107194600A (zh) 2017-06-01 2017-06-01 一种电力负荷季节特性分类方法

Publications (1)

Publication Number Publication Date
CN107194600A true CN107194600A (zh) 2017-09-22

Family

ID=59876100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710402493.5A Pending CN107194600A (zh) 2017-06-01 2017-06-01 一种电力负荷季节特性分类方法

Country Status (1)

Country Link
CN (1) CN107194600A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108011367A (zh) * 2017-12-04 2018-05-08 贵州电网有限责任公司电力科学研究院 一种基于深度决策树算法的电力负荷特性挖掘方法
CN108062720A (zh) * 2017-12-05 2018-05-22 贵州电网有限责任公司电力科学研究院 一种基于相似日选取及随机森林算法的负荷预测方法
CN108062560A (zh) * 2017-12-04 2018-05-22 贵州电网有限责任公司电力科学研究院 一种基于随机森林的电力用户特征识别分类方法
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN108537281A (zh) * 2018-04-13 2018-09-14 贵州电网有限责任公司 一种基于随机森林的电力用户特征识别分类方法
CN109242174A (zh) * 2018-08-27 2019-01-18 广东工业大学 一种基于决策树的季节性负荷自适应划分方法
CN109324896A (zh) * 2018-08-22 2019-02-12 北京奇虎科技有限公司 数据库实例的调度方法和装置
CN109613351A (zh) * 2018-11-21 2019-04-12 北京国网富达科技发展有限责任公司 一种变压器的故障诊断方法、设备及系统
CN109657891A (zh) * 2018-09-18 2019-04-19 深圳供电局有限公司 一种基于自适应k-means++算法的负荷特性分析方法
CN109670670A (zh) * 2018-11-13 2019-04-23 上海电器科学研究所(集团)有限公司 一种划分季节属性的电力负荷拆分方法
CN109739846A (zh) * 2018-12-27 2019-05-10 国电南瑞科技股份有限公司 一种电网数据质量分析方法
CN114155038A (zh) * 2021-12-09 2022-03-08 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101178333B1 (ko) * 2012-02-20 2012-08-29 주식회사 에스엠이씨 웨이블릿 기반의 중심대칭-국부이진 패턴과 계층적 랜덤 포레스트를 이용한 사람 검출 방법
CN102855385A (zh) * 2012-07-31 2013-01-02 上海交通大学 一种风力发电短期负荷预测方法
CN104063480A (zh) * 2014-07-02 2014-09-24 国家电网公司 一种基于电力大数据的负荷曲线并行聚类方法
CN105069525A (zh) * 2015-07-30 2015-11-18 广西大学 全天候96点日负荷曲线预测及优化修正系统
CN105512768A (zh) * 2015-12-14 2016-04-20 上海交通大学 大数据环境下用户用电关联因素辨识及用电量预测方法
CN106529707A (zh) * 2016-11-01 2017-03-22 华北电力大学(保定) 一种负荷用电模式识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101178333B1 (ko) * 2012-02-20 2012-08-29 주식회사 에스엠이씨 웨이블릿 기반의 중심대칭-국부이진 패턴과 계층적 랜덤 포레스트를 이용한 사람 검출 방법
CN102855385A (zh) * 2012-07-31 2013-01-02 上海交通大学 一种风力发电短期负荷预测方法
CN104063480A (zh) * 2014-07-02 2014-09-24 国家电网公司 一种基于电力大数据的负荷曲线并行聚类方法
CN105069525A (zh) * 2015-07-30 2015-11-18 广西大学 全天候96点日负荷曲线预测及优化修正系统
CN105512768A (zh) * 2015-12-14 2016-04-20 上海交通大学 大数据环境下用户用电关联因素辨识及用电量预测方法
CN106529707A (zh) * 2016-11-01 2017-03-22 华北电力大学(保定) 一种负荷用电模式识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
啜斌: ""计及雾霾影响的保定电网典型负荷短期预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
李明昆等: ""基于小波分析和随机森林算法的变流器电路故障诊断研究"", 《电气技术》 *
汪学义: ""负荷预测中基于小波分析的伪负荷数据的处理"", 《现代电子技术》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108011367B (zh) * 2017-12-04 2020-12-18 贵州电网有限责任公司电力科学研究院 一种基于深度决策树算法的电力负荷特性挖掘方法
CN108062560A (zh) * 2017-12-04 2018-05-22 贵州电网有限责任公司电力科学研究院 一种基于随机森林的电力用户特征识别分类方法
CN108011367A (zh) * 2017-12-04 2018-05-08 贵州电网有限责任公司电力科学研究院 一种基于深度决策树算法的电力负荷特性挖掘方法
CN108062720A (zh) * 2017-12-05 2018-05-22 贵州电网有限责任公司电力科学研究院 一种基于相似日选取及随机森林算法的负荷预测方法
CN108152059A (zh) * 2017-12-20 2018-06-12 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN108152059B (zh) * 2017-12-20 2021-03-16 西南交通大学 基于多传感器数据融合的高速列车转向架故障检测方法
CN108537281A (zh) * 2018-04-13 2018-09-14 贵州电网有限责任公司 一种基于随机森林的电力用户特征识别分类方法
CN109324896A (zh) * 2018-08-22 2019-02-12 北京奇虎科技有限公司 数据库实例的调度方法和装置
CN109242174A (zh) * 2018-08-27 2019-01-18 广东工业大学 一种基于决策树的季节性负荷自适应划分方法
CN109657891A (zh) * 2018-09-18 2019-04-19 深圳供电局有限公司 一种基于自适应k-means++算法的负荷特性分析方法
CN109657891B (zh) * 2018-09-18 2022-11-25 深圳供电局有限公司 一种基于自适应k-means++算法的负荷特性分析方法
CN109670670A (zh) * 2018-11-13 2019-04-23 上海电器科学研究所(集团)有限公司 一种划分季节属性的电力负荷拆分方法
CN109670670B (zh) * 2018-11-13 2022-12-27 上海电器科学研究所(集团)有限公司 一种划分季节属性的电力负荷拆分方法
CN109613351A (zh) * 2018-11-21 2019-04-12 北京国网富达科技发展有限责任公司 一种变压器的故障诊断方法、设备及系统
CN109739846A (zh) * 2018-12-27 2019-05-10 国电南瑞科技股份有限公司 一种电网数据质量分析方法
CN114155038A (zh) * 2021-12-09 2022-03-08 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法
CN114155038B (zh) * 2021-12-09 2024-05-31 国网河北省电力有限公司营销服务中心 受疫情影响用户识别方法

Similar Documents

Publication Publication Date Title
CN107194600A (zh) 一种电力负荷季节特性分类方法
CN112149316B (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN106875041A (zh) 一种短期风速预测方法
CN111080032A (zh) 一种基于Transformer结构的负荷预测方法
CN110245709A (zh) 基于深度学习和自注意力的3d点云数据语义分割方法
CN107169598A (zh) 一种基于深度学习的天气预测方法及系统
CN108549960A (zh) 一种24小时电力负荷预测方法
CN108062560A (zh) 一种基于随机森林的电力用户特征识别分类方法
CN106991374A (zh) 基于卷积神经网络和随机森林的手写数字识别方法
CN107730044A (zh) 一种可再生能源发电和负荷的混合预测方法
CN105426839A (zh) 基于稀疏自动编码器的电力系统过电压分类方法
CN107358294A (zh) 一种基于Elman神经网络的需水预测方法
CN107609671A (zh) 一种基于综合因素评价模型的短期电力负荷预测方法
CN104809230A (zh) 一种基于多分类器集成的卷烟感官质量评估方法
CN107895202A (zh) 基于多视角风速模式挖掘的短期风速预测方法
CN107358323A (zh) 一种短期光伏发电的功率预测方法
CN110110915A (zh) 一种基于cnn-svr模型的负荷集成预测方法
CN105678406A (zh) 一种基于云模型的短期负荷预测方法
CN111488974B (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN108830405B (zh) 基于多指标动态匹配的实时电力负荷预测系统及其方法
CN111461427A (zh) 热带气旋强度预报信息的生成方法及系统
CN115759389A (zh) 基于天气类型的相似日组合策略的日前光伏功率预测方法
CN115481788A (zh) 相变储能系统负荷预测方法及系统
CN115965177A (zh) 基于注意力机制改进的自回归误差补偿风电功率预测方法
CN106022578A (zh) 基于数据高维化和K-means聚类的居民用电峰谷平时段划分方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170922