CN108320063A - 一种电力负荷预测中对异常数据剔除和去噪处理的方法 - Google Patents
一种电力负荷预测中对异常数据剔除和去噪处理的方法 Download PDFInfo
- Publication number
- CN108320063A CN108320063A CN201810251070.2A CN201810251070A CN108320063A CN 108320063 A CN108320063 A CN 108320063A CN 201810251070 A CN201810251070 A CN 201810251070A CN 108320063 A CN108320063 A CN 108320063A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- electric load
- time
- time series
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 title abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 23
- 238000005096 rolling process Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000000205 computational method Methods 0.000 claims description 4
- 238000005065 mining Methods 0.000 claims description 4
- 238000001543 one-way ANOVA Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000009469 supplementation Effects 0.000 claims 2
- 238000012935 Averaging Methods 0.000 claims 1
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 230000003247 decreasing effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 claims 1
- 230000014509 gene expression Effects 0.000 claims 1
- 238000005303 weighing Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 abstract description 3
- 241001269238 Data Species 0.000 abstract 2
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于移动平均平滑与三次指数平滑的方法对大量电力负荷历史数据的异常数据筛选和去噪处理的方法,其特点在于包括了移动平均平滑方法剔除极大异常数据，三次指数平滑方法去噪处理以及线性插值恢复剔除数据三大模块。
Description
技术领域
本发明涉及电力负荷预测技术领域，具体涉及一种电力负荷预测中对历史负荷数据中异常数据剔除和去噪处理的方法。
背景技术
电力负荷预测是保证电力系统安全经济运行和实现电网科学管理及调度的重要方面, 又是能量管理系统的组成部分，也是今后进行电网商业化运营所必需的基本内容。然而，在电力负荷预测中经常需要通过分析历史负荷数据进而进行预测，这就要求对历史负荷数据中的异常数据进行筛选和去噪处理。本发明公开了一种电力负荷预测中对历史负荷数据进行剔除异常数据和去噪处理的方法。电力负荷预测通常会在考虑一些重要的系统运行特性, 自然条件下, 研究或利用一系列数学方法, 找到历史数据之间特有的联系，在满足一定精度的意义下，进而确定未来某特定时刻或某些特定时刻的电力负荷数值。由此可见，电力历史负荷数据在电力负荷预测中十分关键，在电力预测数据分析，预测模型中都会起到重要作用。然而，在实际应用中，电力负荷历史数据由于监测设备，用电环境，异常事件等种种原因会造成许多监测值背离实际情况或者不符合电力预测对象普遍用电规律的情况。在电力负荷预测中纳入这类异常的数值将会大大的降低电力负荷预测模型的训练效果，进而降低电力负荷预测结果的准确性。通过相应的数学统计的方式分析以及处理原始的电力负荷历史数据，保证用于电力负荷预测的负荷历史数据的有效性已经成为电力负荷预测中的一个重要研究课题。
发明内容
本发明提出了一种基于移动平均平滑与三次指数平滑的方法对大量电力负荷历史数据的异常数据筛选和去噪处理的方法, 其特点在于包括了移动平均平滑方法剔除极大异常数据，三次指数平滑方法去噪处理以及线性插值恢复剔除数据三大模块。
移动平均平滑方法主要通过计算目标电力负荷历史数据前后一定时期内的移动平均数，比较实际历史数据与移动平均数值之间差值，当实际电力负荷历史数据与计算的移动平均数值差超过设定的阈值，则自动剔除极大异常数据。
线性插值方法应用于恢复对前两步数据处理中被剔除的数据，通过被剔除数据时间序列前后的数据来计算线性插值，最大程度的拟合模拟被剔除数据的实际值，进而一定程度上恢复被剔除的数据。
三次指数平滑方法主要通过Holt-Winter时间序列挖掘算法方法，筛选出异常数据剔除，实现对电力负荷历史数据的去噪处理。由于电力负荷数据在时间序列上具有仅受自身以及随机白噪声的影响并在时间序列上无限延长的特点，通过分析长期趋势（较长时期内受某种根本性因素作用而形成的总的变动趋势），季节变动（在一年内随着季节的变化而发生的有规律的周期性变动），循环变动（若干年为周期所呈现出的波浪起伏形态的变动）以及不规则变动（严格的随机变动和不规则的突发性影响很大的变动）四种可能产生白噪声的原因，进而通过一系列算法来去除这些噪声造成的影响。
实际收集到的电力负荷历史数据经过此三个模块的处理，可以达到去除异常值与去噪的效果，提高了原始数据的有效性。将进行过数据清洗后的电力负荷历史数据用于电力负荷预测模型将大大的提高电力负荷预测的可靠度与准确性。
附图说明
图1是本发明实施例中历史负荷数据异常数据剔除和去噪处理的方法的处理流程示意图。
具体实施方式
步骤一、数据预处理：对采集到的原始电力负荷历史数据按时间序列排列，确定数据集起止时间，检查数据在时间序列上的缺省，标明缺省值并记录缺省的起止时间。
步骤二、移动平均平滑：将经过步骤1预处理的数据进行移动平均计算，具体公式如下：
式中
步骤三、线性插值补充数据：经过剔除异常值的数据集将会在时间序列上造成缺省，即在某些时间段没有相对应的历史数据，对于这些缺省值，将使用线性插值的方法进行数据补充，以保证电力负荷历史数据在时间序列上的连贯性。具体采用的计算方法如下：
步骤四、Holt-Winter时间序列挖掘算法（三次指数平滑模型）：经过步骤2中剔除极大异常值处理以及步骤3线性插值补充的数据将被输入至三次指数平滑模型进行下一步去噪处理。通过选取平滑计算目标数据之前时间范围内的电力负荷历史数据对三次指数平滑模型进行数据训练，得到相应的参数系数并应用得到的参数系数于计算目标数据的去噪处理。
三次指数平滑模型应用以下计算方法进行模型训练：
步骤五、数据有效性验证：原始电力负荷历史数据集与经过数据清洗剔除异常值，补充数据以及去噪处理之后的数据集需要进行数据有效性统计差异性的检查以保证数据的有效性。两组数据将进行单因素方差分析（one way-ANOVA），计算两组数据间显著性差异值，需要保证两组数据间没有显著性差异。如果两组数据验证后存在显著性差异，则需要调整步骤2,3,4的具体参数的选择，减少对原始数据剔除极大差异值的数量以及降低去噪处理的程度以确保处理后的数据与原始数据不存在显著性差异，处理后的数据保持有效性。
本发明剔除了用于电力负荷预测的原始历史数据中由于各种原因造成的异常值以及降低了电力负荷历史数据的突发性波动，使得用于电力负荷预测的历史数据准确性更加高，显著提高了电力负荷的预测效果。通过本发明的研究，电力负荷预测模型将更少的被异常值影响，预测模型的训练效果更好，减少由于数据不确定性带来的误差，预测准确性得到大幅提升。具体流程图请参见图1。
Claims (20)
1.步骤一、数据预处理： 对采集到的原始电力负荷历史数据按时间序列排列， 确定数据集起止时间，检查数据在时间序列上的缺省，标明缺省值并记录缺省的起止时间。
2.步骤二、移动平均平滑：将经过步骤1预处理的数据进行移动平均计算，具体公式如下：
式中
为对下一期移动平均的预测值， 为前一期的实际值， ， ， 为
前两期，前三期直至前n期的实际值，n为移动平均计算的实际时间范围内数据个数。
3.在去噪实际应用中，可根据数据精确度的需要，选取不同的时间范围，如十日移动平均，五日移动平均。
4.对整个原始电力负荷历史数据去除初始的时间范围内的数据进行移动平均数据计算可以得到一组历史数据移动平均预测值。
5.将实际值与预测值根据时间序列排列后进行意义对应比较，可以得出具体单个数据间的差异值。
6.通过设定差异值的阈值（一般采用3倍或5倍于数据集平均差异值），比较具体单个数据，可以剔除掉极大差异数据，避免原始数据突然的异常变化，保证数据的有效性。
7.步骤三、线性插值补充数据： 经过剔除异常值的数据集将会在时间序列上造成缺省，即在某些时间段没有相对应的历史数据，对于这些缺省值，将使用线性插值的方法进行数据补充，以保证电力负荷历史数据在时间序列上的连贯性。
8.具体采用的计算方法如下：
式中 为需要补充的时间序列上某一时刻的电力负荷预测值， 为缺省开始时的
电力负荷历史数据， 为缺省结束时的电力负荷历史数据，t为需要补充的缺省值的时
刻， 为缺省开始的时刻， 为缺省结束的时刻。
9. 为了保证补充数据的准确性， 以及 的电力负荷历史数据一般不采用该时
刻的瞬值，而采用时间序列上之前以及之后一段时间内的平均值，具体取平均值得时间范
围将由数据情况决定，通常采用至少20个数据的平均值输入公式计算。
10.步骤四、Holt-Winter时间序列挖掘算法（三次指数平滑模型）：经过步骤2中剔除极大异常值处理以及步骤3线性插值补充的数据将被输入至三次指数平滑模型进行下一步去噪处理。
11.通过选取平滑计算目标数据之前时间范围内的电力负荷历史数据对三次指数平滑模型进行数据训练，得到相应的参数系数并应用得到的参数系数于计算目标数据的去噪处理。
12.三次指数平滑模型应用以下计算方法进行模型训练：
式中，，，为需要通过之前时间范围内电力负荷历史数据训练得到的参数系数，h表
示t时刻后的第h个时间点，k为结束时间点，MOD表示取余数。
13. 为t时刻的电力负荷历史数据， 表示在t时刻的电力负荷数据经平滑处理值， 表示在t时刻的电力负荷时间序列趋势参数值， 表示t时刻的电力负荷时间序列周期
参数值。
14.经过应用之前时间内的电力负荷历史数据对模型进行训练，得到 ， ， 参数系
数值之后，将参数系数值代入原方程对计算目标数据进行三次指数平滑计算后可以得到经
过去噪化处理后的电力负荷历史数据。
15.指数平滑计算法对原始数据进行了指数化平滑计算，即在平滑计算之前的观测值都对现在的平滑值产生了影响，即带有时间序列上之前数据影响记忆并且影响权重呈指数级递减的一种指数移动平均法。
16.而三次指数平滑计算在此基础上保留了时间趋势的详细信息，即同时考虑到了平滑后的信号和平滑后的趋势对平滑计算值得影响并在此基础上保有季节性趋势的影响因素。
17.经过Holt-Winter时间序列挖掘算法去噪化处理的数据更少受到长期趋势，季节变动，循环变动以及不规则变动带来的数据失真的影响，更准确的提供接近真实的，不受其他环境因素影响的电力负荷历史数据，提高了电力负荷历史数据的有效性。
18.步骤五、数据有效性验证： 原始电力负荷历史数据集与经过数据清洗剔除异常值，补充数据以及去噪处理之后的数据集需要进行数据有效性统计差异性的检查以保证数据的有效性。
19.两组数据将进行单因素方差分析（one way-ANOVA），计算两组数据间显著性差异值，需要保证两组数据间没有显著性差异。
20.如果两组数据验证后存在显著性差异，则需要调整步骤2,3,4的具体参数的选择，减少对原始数据剔除极大差异值的数量以及降低去噪处理的程度以确保处理后的数据与原始数据不存在显著性差异，处理后的数据保持有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810251070.2A CN108320063A (zh) | 2018-03-26 | 2018-03-26 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810251070.2A CN108320063A (zh) | 2018-03-26 | 2018-03-26 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108320063A true CN108320063A (zh) | 2018-07-24 |
Family
ID=62899176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810251070.2A Pending CN108320063A (zh) | 2018-03-26 | 2018-03-26 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108320063A (zh) |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325402A (zh) * | 2018-08-06 | 2019-02-12 | 高维度（深圳）生物信息智能应用有限公司 | 一种信号处理方法、系统及计算机存储介质 |
| CN109634944A (zh) * | 2018-12-05 | 2019-04-16 | 贵州电网有限责任公司凯里供电局 | 一种基于多维度时空分析的网损数据清洗方法 |
| CN110377596A (zh) * | 2019-07-29 | 2019-10-25 | 合肥阳光新能源科技有限公司 | 数据修正方法及系统 |
| CN110413949A (zh) * | 2019-08-02 | 2019-11-05 | 湖南联智桥隧技术有限公司 | 一种呈递增或递减变化趋势的数据处理方法 |
| CN111505741A (zh) * | 2020-04-29 | 2020-08-07 | 中国科学院国家空间科学中心 | Gnss电离层掩星数据气候研究的数据筛选方法及系统 |
| CN111667117A (zh) * | 2020-06-10 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用贝叶斯估计补充缺失值的方法 |
| CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
| CN111767951A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种居民用电安全分析中应用孤立森林算法发现异常数据的方法 |
| CN111768034A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 |
| CN111861798A (zh) * | 2020-08-07 | 2020-10-30 | 上海积成能源科技有限公司 | 一种基于近邻算法的居民用电数据缺失值插补方法 |
| CN111866924A (zh) * | 2019-04-25 | 2020-10-30 | 中国移动通信集团安徽有限公司 | 性能指标监控方法、装置、计算设备及计算机存储介质 |
| CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
| CN112147978A (zh) * | 2020-08-25 | 2020-12-29 | 中国运载火箭技术研究院 | 一种采用神经网络的遥测数据处理方法 |
| CN112579665A (zh) * | 2020-12-10 | 2021-03-30 | 珠海格力电器股份有限公司 | 能源设备控制方法、装置及能源设备 |
| CN113131476A (zh) * | 2021-04-28 | 2021-07-16 | 南方电网科学研究院有限责任公司 | 一种用电负荷预测方法 |
| CN116299019A (zh) * | 2023-04-13 | 2023-06-23 | 合肥国轩高科动力能源有限公司 | 锂电池数据采集异常识别方法、系统、存储介质及设备 |
| CN116861201A (zh) * | 2023-09-05 | 2023-10-10 | 深圳航天科创泛在电气有限公司 | 基于人工智能的电力供给系统 |
| CN117743808A (zh) * | 2024-02-20 | 2024-03-22 | 中铁西南科学研究院有限公司 | 一种隧道变形预测方法、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030075446A (ko) * | 2002-03-19 | 2003-09-26 | 고종선 | 액츄에이터 시스템의 정밀 속도와 위치 제어 방법 |
| CN103336891A (zh) * | 2013-06-09 | 2013-10-02 | 广东电网公司佛山供电局 | 一种用于配电网状态估计的伪量测生成方法 |
| CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
| CN106845669A (zh) * | 2016-12-12 | 2017-06-13 | 国网上海市电力公司 | 基于指数平滑法预测电网年持续负荷的方法 |
| CN107423328A (zh) * | 2017-04-13 | 2017-12-01 | 温州市图盛科技有限公司 | 大数据电力抢修热点预测系统的构建方法 |
| CN107463998A (zh) * | 2017-07-03 | 2017-12-12 | 西安交通大学 | 一种基于云服务平台的电力设备运维服务系统及方法 |
| CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
-
2018
- 2018-03-26 CN CN201810251070.2A patent/CN108320063A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20030075446A (ko) * | 2002-03-19 | 2003-09-26 | 고종선 | 액츄에이터 시스템의 정밀 속도와 위치 제어 방법 |
| CN103336891A (zh) * | 2013-06-09 | 2013-10-02 | 广东电网公司佛山供电局 | 一种用于配电网状态估计的伪量测生成方法 |
| CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
| CN106845669A (zh) * | 2016-12-12 | 2017-06-13 | 国网上海市电力公司 | 基于指数平滑法预测电网年持续负荷的方法 |
| CN107423328A (zh) * | 2017-04-13 | 2017-12-01 | 温州市图盛科技有限公司 | 大数据电力抢修热点预测系统的构建方法 |
| CN107463998A (zh) * | 2017-07-03 | 2017-12-12 | 西安交通大学 | 一种基于云服务平台的电力设备运维服务系统及方法 |
| CN107563539A (zh) * | 2017-07-24 | 2018-01-09 | 佛山市顺德区中山大学研究院 | 基于机器学习模型的短期和中长期电力负荷预测方法 |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109325402A (zh) * | 2018-08-06 | 2019-02-12 | 高维度（深圳）生物信息智能应用有限公司 | 一种信号处理方法、系统及计算机存储介质 |
| CN109325402B (zh) * | 2018-08-06 | 2022-04-15 | 高维度（深圳）生物信息智能应用有限公司 | 一种信号处理方法、系统及计算机存储介质 |
| CN109634944A (zh) * | 2018-12-05 | 2019-04-16 | 贵州电网有限责任公司凯里供电局 | 一种基于多维度时空分析的网损数据清洗方法 |
| CN109634944B (zh) * | 2018-12-05 | 2022-11-04 | 贵州电网有限责任公司 | 一种基于多维度时空分析的网损数据清洗方法 |
| CN111866924A (zh) * | 2019-04-25 | 2020-10-30 | 中国移动通信集团安徽有限公司 | 性能指标监控方法、装置、计算设备及计算机存储介质 |
| CN110377596A (zh) * | 2019-07-29 | 2019-10-25 | 合肥阳光新能源科技有限公司 | 数据修正方法及系统 |
| CN110413949B (zh) * | 2019-08-02 | 2021-03-09 | 湖南联智科技股份有限公司 | 一种呈递增或递减变化趋势的数据处理方法 |
| CN110413949A (zh) * | 2019-08-02 | 2019-11-05 | 湖南联智桥隧技术有限公司 | 一种呈递增或递减变化趋势的数据处理方法 |
| CN111505741A (zh) * | 2020-04-29 | 2020-08-07 | 中国科学院国家空间科学中心 | Gnss电离层掩星数据气候研究的数据筛选方法及系统 |
| CN111505741B (zh) * | 2020-04-29 | 2022-05-03 | 中国科学院国家空间科学中心 | Gnss电离层掩星数据气候研究的数据筛选方法及系统 |
| CN111667117A (zh) * | 2020-06-10 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用贝叶斯估计补充缺失值的方法 |
| CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
| CN111767951A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种居民用电安全分析中应用孤立森林算法发现异常数据的方法 |
| CN111768034A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 |
| CN111861798A (zh) * | 2020-08-07 | 2020-10-30 | 上海积成能源科技有限公司 | 一种基于近邻算法的居民用电数据缺失值插补方法 |
| CN112147978A (zh) * | 2020-08-25 | 2020-12-29 | 中国运载火箭技术研究院 | 一种采用神经网络的遥测数据处理方法 |
| CN112085285B (zh) * | 2020-09-14 | 2023-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
| CN112085285A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网数字电网研究院有限公司 | 母线负荷预测方法、装置、计算机设备和存储介质 |
| CN112579665A (zh) * | 2020-12-10 | 2021-03-30 | 珠海格力电器股份有限公司 | 能源设备控制方法、装置及能源设备 |
| CN113131476A (zh) * | 2021-04-28 | 2021-07-16 | 南方电网科学研究院有限责任公司 | 一种用电负荷预测方法 |
| CN116299019A (zh) * | 2023-04-13 | 2023-06-23 | 合肥国轩高科动力能源有限公司 | 锂电池数据采集异常识别方法、系统、存储介质及设备 |
| CN116299019B (zh) * | 2023-04-13 | 2024-04-02 | 合肥国轩高科动力能源有限公司 | 锂电池数据采集异常识别方法、系统、存储介质及设备 |
| CN116861201A (zh) * | 2023-09-05 | 2023-10-10 | 深圳航天科创泛在电气有限公司 | 基于人工智能的电力供给系统 |
| CN116861201B (zh) * | 2023-09-05 | 2024-01-23 | 深圳航天科创泛在电气有限公司 | 基于人工智能的电力供给系统 |
| CN117743808A (zh) * | 2024-02-20 | 2024-03-22 | 中铁西南科学研究院有限公司 | 一种隧道变形预测方法、系统、设备及介质 |
| CN117743808B (zh) * | 2024-02-20 | 2024-05-14 | 中铁西南科学研究院有限公司 | 一种隧道变形预测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108320063A (zh) | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 | |
| CN107885959B (zh) | 一种基于置信等效功率曲线带的风电建模及性能评估方法 | |
| CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
| CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
| CN104766175A (zh) | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 | |
| CN103559540A (zh) | 基于自适应神经模糊推理系统的风速超短期在线预测方法 | |
| CN109299163B (zh) | 一种基于卷积神经网络的降水数据的插值方法及装置 | |
| CN101924533A (zh) | 基于fir模型辨识的多变量时滞参数估计方法 | |
| CN104070083A (zh) | 一种基于集成pca-elm穿孔机导盘转速测量方法 | |
| Pillay et al. | A data driven approach to performance assessment of PID controllers for setpoint tracking | |
| CN110490369A (zh) | 一种基于ewt和lssvm模型的短期电力负荷预测方法 | |
| CN102636624A (zh) | 铝电解过程电解槽中氧化铝浓度的软测量方法 | |
| CN104517020A (zh) | 用于因果效应分析的特征提取方法和装置 | |
| CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
| Duong-Ngoc et al. | Short term load forcast using deep learning | |
| CN116956120A (zh) | 一种基于改进的tft模型对水质非平稳时间序列的预测方法 | |
| CN111612242A (zh) | 一种基于lstm深度学习模型的电机状态参数预测方法 | |
| CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
| CN107808209B (zh) | 基于加权kNN距离的风电场异常数据辨识方法 | |
| CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和系统 | |
| CN109768575B (zh) | 一种火电机组自动发电控制性能参数确定方法、系统及应用 | |
| CN113722889A (zh) | 一种基于人工智能的能效在线分析系统及方法 | |
| CN116881665A (zh) | 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 | |
| CN115809732A (zh) | 一种分布式光伏发电功率预测方法及系统 | |
| CN105184411B (zh) | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 |
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 |