CN107506937B - 一种基于关联规则的水电站发电能力评估方法 - Google Patents
一种基于关联规则的水电站发电能力评估方法 Download PDFInfo
- Publication number
- CN107506937B CN107506937B CN201710779647.2A CN201710779647A CN107506937B CN 107506937 B CN107506937 B CN 107506937B CN 201710779647 A CN201710779647 A CN 201710779647A CN 107506937 B CN107506937 B CN 107506937B
- Authority
- CN
- China
- Prior art keywords
- data
- hydropower station
- electric quantity
- power generation
- mining
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000005065 mining Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 75
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000007418 data mining Methods 0.000 description 26
- 238000005315 distribution function Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于关联规则的水电站发电能力评估方法,包括以下步骤:1,确定影响水电站发电能力的因素,从水电站发电运行数据库中提取影响因素的数据序列作为基础数据集;2,将基础数据集转化为标签型格式,建立初始数据立方体;3,基于设定的目标电量,建立目标数据立方体并进行关联规则挖掘,获得达到目标电量所需要的影响因素组合条件;4,将影响因素的当前实时数据与上一步获得的影响因素组合条件进行匹配,实现对水电站发电能力的定量评估。本发明将水电站发电运行相关数据从数值型转换为可用于关联规则挖掘的数据形式,实现目标电量条件下的发电要素关联规则挖掘,结合当前水电站调度条件即可实现水电站发电能力评估。
Description
技术领域
本发明属于水电站发电能力评估技术领域,具体涉及一种基于关联规则的水电站发电能力评估方法。
背景技术
当前对水电站发电能力评估方面的技术手段主要以水库径流预报为基础,结合优化手段来评估未来给定时间段内水电所具备的发电能力。但这类技术手段最大的问题在于优化手段是基于给定的径流预报过程,而当前径流预报在逐时段预报方面还存在明显偏差,加之水电站之间的水力联系定量计算方面的误差较大,藉此进行的计算结果与实际运行结果之间存在较大偏差,影响了对水电站发电能力的评估。
对于梯级水电站而言,水电站间的水位组合、首级电站入库水量、区间水量、水电站机组装机容量等对梯级水电站的发电能力构成显著影响,这些因素对于评估水电站发电能力均属于关键因素,这些因素之间的组合共同决定了梯级水电站的发电能力。由于水电站运行受到径流在年内的丰枯变化影响,即便是相同的发电能力,在年内不同月份的水位、入库水量组合也存在较大差异。因此对于水库调度者而言,在制定第二天的发电量计划时,需针对在不同月份内的水库运行特性,根据当前不同的水位组合及入库水量来评估目标电量能否实现。
发明内容
本发明的目的在于克服现有技术中的不足,利用日总水量预报结果精度高于逐时段流量预报精度的特性,提供了一种基于关联规则的水电站发电能力评估方法,将水电站发电运行相关数据从数值型转换为可用于关联规则挖掘的数据形式,实现目标电量条件下的发电要素关联规则挖掘,结合当前水电站调度条件实现电站发电能力评估。
为解决上述技术问题,本发明提供了一种基于关联规则的水电站发电能力评估方法,其特征是,包括以下步骤:
步骤S1,确定影响水电站发电能力的因素,从水电站发电运行数据库中提取影响因素的数据序列作为基础数据集;
步骤S2,将基础数据集转化为可用于关联规则数据挖掘的标签型格式,建立初始数据立方体;
步骤S3,基于设定的目标电量,从初始数据立方体中遴选出满足目标电量要求的数据集合,生成待挖掘的目标数据立方体,并进行关联规则挖掘,获得满足目标电量的影响因素组合条件;
步骤S4,将当前影响因素的实时数据与上一步获得的影响因素组合条件进行匹配,实现对水电站发电能力的定量评估。
进一步的,影响因素包括水量和水位两类,相应的,从数据库中提取入库流量(首级电站)、区间流量(非首级电站)、各站日均水位数据、各站及梯级发电量数据作为数据集,其中需将流量数据通过累计计算后转化为入库(区间)水量数据,如数据库中存在水量数据则可直接提取。
进一步的,将基础数据转化为标签型数据的过程为:将数据集中各类型数据分别进行离散分区,并给各区间赋予标签。
进一步的,发电量按如下步骤进行离散并标签化:
Step1:根据梯级各水电站装机容量,计算梯级总装机容量,进而以日为单位,计算各水电站和梯级日电量上限值,电量下限取零值。
Step2:根据需要,将各水电站日电量和梯级日电量划分为若干个区间,分别给各区间赋予标签,其中以Em,i表示水电站i第m个区间的标签,以ECn表示梯级日总电量第n个区间的标签。
进一步的,构建数据立方体的过程包括:
Step1:根据需要选择基础数据时段,获取该时段范围内水电站运行数据库中水量、水位及电量日数据;
Step2:将上述各类数据转化为标签型的数据,当某类数据实际值满足映射于某个区间时,该区间对应标签属性值以“1”表示,其他未被映射到的区间标签属性值以“0”表示;
Step3:逐日进行Step2中的转化,直到完成选定计算时段内所有日数据的转化及标签属性赋值;
Step4:以日为单位,将逐日转化后的各水电站、梯级的水量、水位、电量标签按行向量组织,取各类数据中标签属性值为“1”的标签组成行向量;
Step5:将按Step4组织的日数据按时间顺序进行组织得到用于待挖掘的初始数据立方体。
进一步的,采用FP-tree算法计算影响因素间的关联规则,得到相应的影响因素组合条件。
与现有技术相比,本发明所达到的有益效果是:本发明的一种基于关联规则的水电站发电能力评估方法基于数据挖掘理论,克服了原始数据不能直接应用于数据挖掘的缺点,实现了将水电站发电运行相关数据从数值型转换为可用于关联规则挖掘的数据形式,可实现目标电量条件下的发电要素关联规则挖掘,结合当前水电站调度条件即可实现电站发电能力评估,为水电站发电能力评估提供了一种可靠的评估途径。
附图说明
图1为本发明方法中采用的数据挖掘框架。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的一种基于关联规则的水电站发电能力评估方法,主要是基于数据数据挖掘理论来进行发电能力评估,首先分析水电站发电运行中的主要控制因素(水量、水位),然后将这些因素的历史运行数据转化为可用于数据挖掘的格式,最后采用关联规则分析得出给定目标发电量和所需关键要素之间的关联关系,可为不同的目标电量提供实现条件,即回答在设定了目标电量后,要实现这一目标所需的条件这一关键问题,从而为发电决策提供支持。
已知当前水电站发电运行相关数据都存储于水调系统数据库中,以关系型数据库为主。当把这些运行数据用于数据挖掘时,需构建相应的数据挖掘体系。本发明中基于水电站历史数据库,设计了一种四层数据挖掘体系结构以用于基于关联规则的水电站发电能力评估。体系结构如图1所示:该体系结构分四层,分别是基础数据提取层、基础数据组织层、数据挖掘层和决策层。
基础数据提取层
基础数据提取层主要从水电站运行数据库中提取数据源。水电站运行数据库中包括了水电站发电运行的各类相关历史数据,从该层中提取与发电能力评估数据相关的电站出力(发电量)、入库流量、区间流量、水位过程等相关数据,为基础数据组织层提供原始数据集。
基础数据组织层
基础数据组织层通过数据同化技术,对各类水电站发电相关数据和其它专业的相关数据进行综合,形成支持数据挖掘和在线分析的多维数据立方体在面向不同主题的多维数据立方体。主题类型包括单库发电要素挖掘、梯级发电要素挖掘、指定电量目标特定要素挖掘等。在各类主题中,需要对特定的要素进行分类处理,使之转化成数据挖掘可用格式。
数据挖掘层
数据挖掘层为数据挖掘技术服务,数据挖掘在大量水文及相关数据集合中发现非细节的隐藏的、以前未知的知识,从而用于决策支持,在本部分中主要的数据挖掘手段是基于FP-tree算法的关联规则挖掘。
决策层
决策层是一个面向决策者的用户接口层,它将挖掘层得到的知识和以前挖掘得到的知识库中的知识通过各种形式提供给决策者,对挖掘知识进行解释与表达,同时将新的结果存入知识库。在本层中主要完成在特定发电量目标下水位、水量等关键要素之间的关联关系挖掘。
基于以上数据挖掘体系的一种基于关联规则的水电站发电能力评估方法,具体包括以下步骤:
步骤S1,确定影响水电站发电能力的因素,从水电站发电运行数据库中提取影响因素的数据序列作为基础数据集。
与发电能力评估数据相关的影响因素包括水量、水位两类,从水电站发电运行数据库中收集从数据库中提取入库流量(首级电站)、区间流量(非首级电站)、各站日均水位数据、各站及梯级发电量数据作为数据集,其中需将流量数据通过累计计算后转化为入库(区间)水量数据,如数据库中存在水量数据则可直接提取。
步骤S2,将基础数据集转化为可用于FP-tree关联规则数据挖掘的标签型格式并赋值,建立数据立方体。
在水电站发电运行数据库中,存储的数据类型是多样化的,往往具有不同的量纲,甚至不同的数据类型。这些数据无法直接应用于数据挖掘操作,需要进行必要转化才能使用数据挖掘工具,下面详细阐述不同类型数据的转化方法,使得转化后的数据可用于FP-tree关联规则数据挖掘。
(1)水位数据格式转换
在水电站运行数据库中,水位数据一般是按时间-水位的时间序列格式存储,为数值型数据,而非可用于关联规则挖掘的标签化数据,故需要将其转化为标签化数据。标签化数据转化方式规定为:
Step1:根据梯级水电站规模,分别获得各水电站死水位和校核洪水位,分别令其为Zd,i和Zc,i,i为水库编号。
Step2:根据数据挖掘精度目标,将各水电站水库水位范围Zd,i~Zc,i离散为若干份,可均匀划分,亦可非均匀划分。将各水位区间赋予标签使其对应于一个特定的水位区间,如Im,i表示i水库的第m个水位区间标签。
Step3:对所有水库水位数据均采用以上操作,得到各水库离散后的水位标签。
(2)水量数据格式转换
对于梯级水库而言,首级水库的入库水量和梯级中其他水库来水形式略有不同。梯级水库首级入库流量为直接入库,而其他水库的入库则是上一级出库叠加区间入库。对于梯级首级水库入库和区间入库都属于水文随机现象,其一般遵循皮尔逊三型分布函数,假定梯级首级水库入库水量和区间水量分布函数已知,按如下步骤给水量数据进行格式转化,使之可满足数据挖掘要求。
Step1:获取某个水库入库(区间)水量概率分布函数;
Step2:按如下方式以水量-频率数据为基础,划分为10个概率区间:<1%,1%~5%,5%~10%,10%~20%,20%~30%,30%~40%,40%~50%,50%~70%,70%~90%,>90%。各区间对应于水量概率分布函数中的入库(区间)水量,并将各区间以标签Wm,i标示,其中i为水库编号,m为标签编号。也可根据需要,进一步细分区间,各区间标签命名方式同上。
Step3:对各水库入库(区间)水量均采取以上操作,得到各水库入库(区间)水量离散后标签。
(3)电量数据格式转换
各水库发电量和梯级总电量均为有限值,即在电量为零至装机容量满发对应的电量区间内,按如下步骤进行离散并标签化:
Step1:根据梯级各水电站装机容量,计算梯级总装机容量,进而以日为单位,计算各水电站和梯级日电量上限值,电量下限取零值。
Step2:根据需要,将各水电站日电量和梯级日电量划分为若干个区间,分别给各区间赋予特定的标签,其中以Em,i表示水电站i第m个区间的标签,以ECn表示梯级日总电量第n个区间的标签。
根据不同的挖掘需要来构建相应的待挖掘数据集,即构建数据立方体,构建过程如下:
Step1:根据需要选择基础数据时段,获取某时段范围内水电站运行数据库中水量(首级入库、区间)、水位(平均水位,各库最低/最高水位)、电量(单站、梯级)等日数据。
Step2:根据数据类型转化策略,将上述各类相关数据映射到对应的区间内,即将数值型的数据转化为标签型的数据。当满足映射于某个区间时,该区间对应标签属性值以“1”表示,其他未被映射到的区间标签属性值以“0”表示。
Step3:逐日进行Step2中的转化策略,直到完成选定计算时段内所有日数据的转化及标签属性赋值。
Step4:以日为单位,将逐日转化后的各水电站、梯级的水量、水位、电量标签按行向量组织,取各类数据中标签属性值为“1”的标签组成行向量;形成如:(W,I,E,EC)的组织形式。其中,W是由Wm,i组成的行向量,I是由Im,i组成的行向量,E是由Em,i组成的行向量,EC是由ECn组成的行向量。
Step5:将按Step4组织的日数据按时间顺序进行组织得到用于待挖掘的初始数据立方体。
步骤S3,基于设定的目标电量,在初始数据立方体中遴选出满足该条件的数据集生成目标数据立方体,利用FP-tree算法进行关联规则挖掘,获得达到目标电量所需要的影响因素组合条件。
用户设定目标电量(梯级或单站),并选择参与数据挖掘的数据类型(水位、水量、电量),系统从初始数据立方体中自动检索满足该目标电量的日数据,将满足条件的日数据重新组织为待挖掘的目标数据立方体,并设定最小支持度阈值和最小置信度阈值。
然后利用FP-tree算法进行关联规则挖掘,其中FP-tree关联规则属于现有技术,具体过程如下:
(1)建立FP-tree树:扫描目标数据立方体一次,找出频繁1项集,并按递减顺序排序,再扫描目标数据立方体一次,建立FP-tree。
(2)利用FP-tree挖掘频繁集:对于每一个项,先构造条件模式基,然后构造条件FP-tree。在每一个新创建的条件FP-tree上重复此过程,直到FP-tree为空或只剩一条路径,进而得到频繁模式。
(3)根据最小支持度阈值和最小置信度阈值,返回置信度和支持度最高的关联项及其规则;
(4)根据调度经验进行决策分析,将与关联规则对应的数据标签还原为水位、水量所在的真实值区间,并将目标电量、水位、水量间的关联规则存入调度知识库。
步骤S4,将影响因素的当前实时数据与上一步获得的影响因素条件进行匹配,实现对水电站发电能力的定量评估。
在获得特定条件下的目标电量、水位、水量关联规则后,决策者通过获取当前水库水位、未来入库水量预报等条件,视其是否与达成目标电量所需条件匹配,从而实现对水电站发电能力的定量评估。
本发明的一种基于关联规则的水电站发电能力评估方法基于数据挖掘理论,利用总水量预报精度高于逐时段流量预报精度的特性,克服了原始数据不能直接应用于数据挖掘的缺点,实现了将水电站发电运行相关数据从数值型转换为可用于关联规则挖掘的数据形式,可实现目标电量条件下的发电要素关联规则挖掘,结合当前水电站调度条件即可实现电站发电能力评估,为水电站发电能力评估提供了一种可靠的评估途径。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (2)
1.一种基于关联规则的水电站发电能力评估方法,其特征是,包括以下步骤:
步骤S1,确定影响水电站发电能力的因素,从水电站发电运行数据库中提取影响因素的数据序列作为基础数据集;
步骤S2,将基础数据集转化为用于关联规则挖掘的标签型格式,建立初始数据立方体;
步骤S3,基于设定的目标电量,从初始数据立方体中遴选出满足目标电量要求的数据集合,生成待挖掘的目标数据立方体,并进行关联规则挖掘,获得达到目标电量所需要的影响因素条件组合;
步骤S4,将影响因素的当前实时数据与上一步获得的影响因素条件组合进行匹配,实现对水电站发电能力的定量评估;
影响因素包括水量和水位,相应的,从数据库提取水量数据、水位数据,以及相对应的发电量数据作为基础数据集;
将基础数据转化为标签型数据的过程为:将数据集中各类型数据分别进行离散分区,并给各区间赋予标签和对标签赋值;
发电量数据按如下步骤进行离散并标签化:
Step1:根据梯级各水电站装机容量,计算梯级总装机容量,进而以日为单位,计算各水电站和梯级日电量上限值,电量下限取零值;
Step2:将各水电站日电量和梯级日电量划分为若干个区间,分别给各区间赋予标签,其中以Em,i表示水电站i第m个区间的标签,以ECn表示梯级日电量第n个区间的标签;
构建初始数据立方体的过程包括:
Step3:根据需要选择基础数据时段,获得该时段范围内水电站发电运行数据库中水量、水位,以及相对应的电量日数据;
Step4:将上述各类数据转化为标签型的数据,当某类数据实际值满足映射于某个区间时,该区间对应标签属性值以“1”表示,其他未被映射到的区间标签属性值以“0”表示;
Step5:逐日进行Step4中的转化,直到完成选定计算时段内所有日数据的转化及标签属性赋值;
Step6:以日为单位,将逐日转化后的各水电站、梯级的水量、水位、电量标签按行向量组织,取各类数据中标签属性值为“1”的标签组成行向量;
Step7:将按Step6组织的日数据以日为单位,再按行进行组织得到用于待挖掘的初始数据立方体。
2.根据权利要求1所述的一种基于关联规则的水电站发电能力评估方法,其特征是,采用FP-tree算法计算影响因素间的关联规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710779647.2A CN107506937B (zh) | 2017-09-01 | 2017-09-01 | 一种基于关联规则的水电站发电能力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710779647.2A CN107506937B (zh) | 2017-09-01 | 2017-09-01 | 一种基于关联规则的水电站发电能力评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107506937A CN107506937A (zh) | 2017-12-22 |
CN107506937B true CN107506937B (zh) | 2020-10-30 |
Family
ID=60694678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710779647.2A Active CN107506937B (zh) | 2017-09-01 | 2017-09-01 | 一种基于关联规则的水电站发电能力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107506937B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109687506B (zh) * | 2018-11-27 | 2022-05-17 | 广东电网有限责任公司韶关供电局 | 微电网中小水电站发电量预测方法 |
CN109799864B (zh) * | 2019-01-30 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种区域小水电站整体发电功率预测方法及装置 |
CN110209649B (zh) * | 2019-04-08 | 2021-04-23 | 浙江大学 | 基于关联规则知识库的中央空调系统能效实时诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260944A (zh) * | 2015-10-10 | 2016-01-20 | 燕山大学 | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 |
CN105574612A (zh) * | 2015-12-14 | 2016-05-11 | 安徽工程大学 | 一种基于数据挖掘的光伏发电量预测方法 |
CN106446016A (zh) * | 2016-08-29 | 2017-02-22 | 中国电力科学研究院 | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 |
-
2017
- 2017-09-01 CN CN201710779647.2A patent/CN107506937B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260944A (zh) * | 2015-10-10 | 2016-01-20 | 燕山大学 | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 |
CN105574612A (zh) * | 2015-12-14 | 2016-05-11 | 安徽工程大学 | 一种基于数据挖掘的光伏发电量预测方法 |
CN106446016A (zh) * | 2016-08-29 | 2017-02-22 | 中国电力科学研究院 | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107506937A (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van Steenbergen et al. | Forecasting demand profiles of new products | |
CN107045673B (zh) | 基于堆模型融合的公共自行车流量变化量预测方法 | |
CN109685583B (zh) | 一种基于大数据的供应链需求预测方法 | |
CN103093288B (zh) | 基于气象信息的分区电网母线负荷预测系统 | |
CN110046865B (zh) | 分布式库存调度方法 | |
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN107506937B (zh) | 一种基于关联规则的水电站发电能力评估方法 | |
CN111091196B (zh) | 客流数据确定方法、装置、计算机设备和存储介质 | |
CN103559655A (zh) | 基于数据挖掘的微网新型馈线负荷的预测方法 | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
Gunawan et al. | An extensible framework for short-term holiday load forecasting combining dynamic time warping and LSTM network | |
CN101546290A (zh) | 提高面向对象型软件中类阶层质量预测准确度的方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN115796393A (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
CN116316612A (zh) | 自动机器学习的新能源功率云边协同预测方法及系统 | |
CN110751317A (zh) | 一种电力负荷预测系统及预测方法 | |
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 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
CN117172549A (zh) | 一种施工预算生成方法、系统、终端设备及存储介质 | |
CN101930566A (zh) | 基于平行系统的水利实验模拟系统及实验模拟方法 | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN116756498A (zh) | 一种基于lstm和分位数回归的径流概率预测算法 | |
Voyant et al. | Numerical weather prediction or stochastic modelling: an objective criterion of choice for the global radiation forecasting | |
CN115759395A (zh) | 光伏检测模型的训练、光伏发电的检测方法及相关装置 |
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 |