CN108734341A - 一种基于时间序列arma模型的自组织电力负荷预报方法 - Google Patents

一种基于时间序列arma模型的自组织电力负荷预报方法 Download PDF

Info

Publication number
CN108734341A
CN108734341A CN201810395065.9A CN201810395065A CN108734341A CN 108734341 A CN108734341 A CN 108734341A CN 201810395065 A CN201810395065 A CN 201810395065A CN 108734341 A CN108734341 A CN 108734341A
Authority
CN
China
Prior art keywords
data
time series
self
group
organizing
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
CN201810395065.9A
Other languages
English (en)
Inventor
黄剑文
蔡徽
萧展辉
周珑
温柏坚
杨秋勇
邓楚然
谭志海
刘云
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.)
Guangdong Power Grid Co Ltd
Information Center of Guangdong Power Grid Co Ltd
Original Assignee
Beijing Sifang Automation Co Ltd
Guangdong Power Grid Co Ltd
Information Center of Guangdong Power Grid 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 Beijing Sifang Automation Co Ltd, Guangdong Power Grid Co Ltd, Information Center of Guangdong Power Grid Co Ltd filed Critical Beijing Sifang Automation Co Ltd
Priority to CN201810395065.9A priority Critical patent/CN108734341A/zh
Publication of CN108734341A publication Critical patent/CN108734341A/zh
Pending legal-status Critical Current

Links

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

本发明属于电力系统自动化技术领域，涉及一种基于时间序列ARMA模型的自组织电力负荷预报方法。本方法通过把时间序列ARMA模型与自组织分组处理GMDH模型组合，通过对时间序列ARMA模型预测误差进行自组织分组处理GMDH模型建模，对时间序列模型预测误差进行估计，把时间序列ARMA模型预测值与对预测误差使用自组织分组处理模型GMDH建模后的预测值进行求和，得到最终的负荷预测值。

Description

一种基于时间序列ARMA模型的自组织电力负荷预报方法
技术领域
本发明属于电力系统自动化技术领域，涉及一种基于时间序列ARMA模型的自组织电力负荷预报方法。
背景技术
影响电力负荷预的因素很多，既有经济发展水平、又有气象因素、节假日以及偶然事件等诸多随机因素的影响，没有明确的数学机理，数学模型无法准确地描述负荷变化规律。根本上决定负荷变化的是各类型数据，而模型只是数据的支撑。所以精准的负荷预测只有尽可能搜集、发掘影响负荷变化因子的数据，全面考虑各种不同因素对负荷的影响。负荷预测建模是一类复杂系统的建模，应用自组织数据挖掘理论，采用大数据技术，即基于大数据负荷预测方法，是在数据的分析基础上建模预测，是解决预测问题强有力的工具，为负荷预测提供了一种全新的思路，以数据的分析处理为中心，从数据中挖掘出隐含未来发展的信息。
目前电力负荷预测常用的基础预测模型有：ARMA时间序列、Holt-winter法、小波变换模型、支持向量机等。这些负荷预测方法各有特点,在一定条件下均能达到预测要求。但由于影响电力系统负荷的因素较多,用单一预测模型对电力负荷进行预测时,其预测精度往往不能令人满意。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于时间序列ARMA模型的自组织电力负荷预报方法，
为解决上述技术问题，本发明采用的技术方案是：一种基于时间序列ARMA模型的自组织电力负荷预报方法，其特征在于，包括以下步骤：
S1：预测负荷历史数据分析，形成N组训练样本数据，每组样本数据包括M个数据；
S2：创建时间序列ARMA模型，对S1中的N组样本数据，每组前M-1个数据作为输入，第M个数据作为输出，使用时间序列ARMA模型预测每组样本数据的第M个数据；
S3：创建自组织数据分组处理GMDH模型，每组前M-1个数据作为输入，第M个数据的S2中预测误差值为输出，建立自组织分组数据处理模型来预测时间序列模型的预测结果误差；
S4：建立预测模型，将S2和S3中对应模型的预测值相加，得到负荷预测值。
进一步的，步骤S1的具体步骤为：
抽取选定预测对象的N组历史数据，形成N组电力负荷时间序列，记为X1，X2，…,XN；每组历史数据包括M个数据点，样本数据记为{Xi(j)|i＝1,2,…,N；j＝1,2,,…,M}。
进一步的，步骤S2的具体步骤为：
对步骤S1中的每组样本数据Xi(i＝1,2,…,N)，前M-1个数据作为自变量，第M个数据作为因变量，即使用前面M-1个数据来预测第M个数据，采用时间序列ARMA预测第M时刻电力负荷，各组历史数据对应的M时刻预测值分别为：YA1，YA2，……,YAN。
进一步的，步骤S3的具体步骤为：
在步骤S2使用时间序列ARMA对N组样本数据第M时刻的预测值YA1，YA2，……,YAN对应的实际值为：X1(M),X2(M),……,XN(M)，设时间序列ARMA预测误差记为U＝(U1,U2,……,UN)，则Ui＝Xi(M)-YAi，i＝1,2，……,N，把每组样本数据的第M个数据Xi(M)(i＝1,2，……,N)的预测误差Ui(i＝1,2，……,N)作为新的因变量，自变量不变，即使用前面M-1个数据来预测第M个数据对应的时间序列ARMA模型预测值的误差，建立自组织分组数据处理GMDH的模型，进行误差时间序列ARMA模型预测值误差估计；
使用自组织分组处理GDMH模型，得到的各组历史数据对应的M时刻时间序列ARMA预测值误差的估计值为：UG1，UG 2，……,UGN。
进一步的，步骤S4的具体步骤为：
步骤S2创建的时间序列ARMA模型和步骤S3创建的自组织分组处理GDMH模型结合在一起，得到本发明的基于时间序列ARMA模型的自组织电力负荷预报模型，时间序列ARMA的预测值是YA，自组织分组处理GDMH模型得到的修正值是UG，则最终的预测值为YA+UG，步骤S1中每组样本数据的第M时刻预测值为：YA1+UG1，YA2+UG2，……，YAN+UGN。
与现有技术相比，有益效果是：
本方法采用自组织分组处理GDMH模型来修正时间序列ARMA模型的预测误差，从而提高电力负荷预测精度。
附图说明
图1是本发明方法流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
如图1所示，一种基于时间序列ARMA模型的自组织电力负荷预报方法，其特征在于，包括以下步骤：
S1：预测负荷历史数据分析，形成N组训练样本数据，每组样本数据包括M个数据；
S2：创建时间序列ARMA模型，对S1中的N组样本数据，每组前M-1个数据作为输入，第M个数据作为输出，使用时间序列ARMA模型预测每组样本数据的第M个数据；
S3：创建自组织数据分组处理GMDH模型，每组前M-1个数据作为输入，第M个数据的S2中预测误差值为输出，建立自组织分组数据处理模型来预测时间序列模型的预测结果误差；
S4：建立预测模型，将S2和S3中对应模型的预测值相加，得到负荷预测值。
进一步的，步骤S1的具体步骤为：
抽取选定预测对象的N组历史数据，形成N组电力负荷时间序列，记为X1，X2，…,XN；每组历史数据包括M个数据点，样本数据记为{Xi(j)|i＝1,2,…,N；j＝1,2,,…,M}。
进一步的，步骤S2的具体步骤为：
对步骤S1中的每组样本数据Xi(i＝1,2,…,N)，前M-1个数据作为自变量，第M个数据作为因变量，即使用前面M-1个数据来预测第M个数据，采用时间序列ARMA预测第M时刻电力负荷，各组历史数据对应的M时刻预测值分别为：YA1，YA2，……,YAN。
使用时间序列ARMA进行预测的具体算法步骤，属于本行业的公众知识，不属于本申请范围，这里不再给出。
进一步的，步骤S3的具体步骤为：
在步骤S2使用时间序列ARMA对N组样本数据第M时刻的预测值YA1，YA2，……,YAN对应的实际值为：X1(M),X2(M),……,XN(M)，设时间序列ARMA预测误差记为U＝(U1,U2,……,UN)，则Ui＝Xi(M)-YAi，i＝1,2，……,N，把每组样本数据的第M个数据Xi(M)(i＝1,2，……,N)的预测误差Ui(i＝1,2，……,N)作为新的因变量，自变量不变，即使用前面M-1个数据来预测第M个数据对应的时间序列ARMA模型预测值的误差，建立自组织分组数据处理GMDH的模型，进行误差时间序列ARMA模型预测值误差估计；
使用自组织分组处理GDMH模型，得到的各组历史数据对应的M时刻时间序列ARMA预测值误差的估计值为：UG1，UG 2，……,UGN。
使用自组织分组处理GDMH模型进行预测的具体算法步骤，属于已有知识，不属于本专利范围，这里不再描述。
进一步的，步骤S4的具体步骤为：
步骤S2创建的时间序列ARMA模型和步骤S3创建的自组织分组处理GDMH模型结合在一起，得到本发明的基于时间序列ARMA模型的自组织电力负荷预报模型，时间序列ARMA的预测值是YA，自组织分组处理GDMH模型得到的修正值是UG，则最终的预测值为YA+UG，步骤S1中每组样本数据的第M时刻预测值为：YA1+UG1，YA2+UG2，……，YAN+UGN。
本方法对原始数据进行大数据分析后，形成样本数据，在样本数据上使用时间序列ARMA模型进行负荷预测，对样本数据采用时间序列ARMA进行负荷预测的误差作为因变量建立自组织分组数据处理模型，即应用该模型对预测误差进行估计，以修正时间序列ARMA模型预测误差。与采用基本的时间序列ARMA模型进行电力负荷预测方式相比，该方法具有明显优势。
下面结合图表对本方法进行说明：
一种基于时间序列ARMA模型的自组织电力负荷预测方法，通过采用时间序列ARMA模型进行负荷预测，基于大数据的训练，采用自组织数据分组处理方法对时间序列ARMA模型预测误差进行修正，从而提高电力负荷预测精度，该方法包括以下步骤：
步骤S1：对预测对象负荷历史数据进行分析，形成预测模型训练样本数据。为方便描述算法，以预测对象负荷12个时间点的历史数据为例来说明本发明方法的具体实施步骤。预测对象12个时间点的历史数据如表1所示。
表1负荷历史数据表
时间点 1 2 3 4 5 6 7 8 9 10 11 12
负荷 831 922 986 1016 1097 1210 1356 1491 1677 1838 1698 2061
以前面4个时间点的负荷来预测当前时间的负荷，则表1中的历史负荷数据可以形成8组(N＝8)历史数据，每组数据长度为5(M＝5)。8组训练样本数据如表2所示：
表2训练样本数据
序号 Xi(5) Xi(4) Xi(3) Xi(2) Xi(1)
X1 1097 1016 986 922 831
X2 1210 1097 1016 986 922
X3 1356 1210 1097 1016 986
X4 1491 1356 1210 1097 1016
X5 1677 1491 1356 1210 1097
X6 1838 1677 1491 1356 1210
X7 1968 1838 1677 1491 1356
X8 2061 1968 1838 1677 1491
步骤S2：创建时间序列ARMA模型。采用时间序列ARMA模型，用步骤S1得到的各组前1-4电力负荷历史数据作为预测输入数据，预测第5时刻电力负荷，各组历史数据对应的M(＝5)时刻预测值、真实值、预测误差见表3：
表3样本数据时间序列ARMA模型预测值
序号 真实值Xi(5) 预测值(YAi) 预测误差(Xi(5)-YAi)
X1 1097 1103 -6
X2 1210 1231 -21
X3 1356 1360 -4
X4 1491 1489 2
X5 1677 1618 59
X6 1838 1747 91
X7 1968 1876 -178
X8 2061 2004 57
步骤S3：创建自组织数据分组处理GMDH模型。
把步骤S2中每组样本数据的第5个数据Xi(5)(i＝1,2,3,4,5,6,7,8)的预测误差Ui＝Xi(5)-YAi(i＝1,2,3,4,5,6,7,8)作为待预测数据，即时间序列模型预测误差Ui替换对应的Xi(5)形成新的样本数据。各组前1-4电力负荷历史数据作为预测输入数据，建立自组织分组数据处理GMDH的模型，进行误差时间序列ARMA模型预测值误差修正。自组织分组数据处理GMDH模型得到的各组样本数据预测误差修估计值为：-22.85,-18.49,-0.84,31.67,51.93,79.59,94.66,33.38
步骤S4：建立预测模型。时间序列ARMA的预测值是YA，自组织分组处理GDMH模型的对时间序列预测误差的估计值是UG，则基于时间序列的自组织预测方法的的预测值为YA+UG。针对该实施实例的步骤S1中每组样本数据的第5时间点的预测值为：YA1+UG1，YA2+UG2，YA3+UG3，YA4+UG4，YA5+UG5，YA6+UG6，YA7+UG7，YA8+UG8
使用本发明电力负荷预报方法得到的各组历史数据对应的M(＝5)时刻预测值、真实值、预测误差见表4
表4样本数据本方法预测值
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于时间序列ARMA模型的自组织电力负荷预报方法，其特征在于，包括以下步骤：
S1：预测负荷历史数据分析，形成N组训练样本数据，每组样本数据包括M个数据；
S2：创建时间序列ARMA模型，对S1中的N组样本数据，每组前M-1个数据作为输入，第M个数据作为输出，使用时间序列ARMA模型预测每组样本数据的第M个数据；
S3：创建自组织数据分组处理GMDH模型，每组前M-1个数据作为输入，第M个数据的S2中预测误差值为输出，建立自组织分组数据处理模型来预测时间序列模型的预测结果误差；
S4：建立预测模型，将S2和S3中对应模型的预测值相加，得到负荷预测值。
2.根据权利要求1所述的一种基于时间序列ARMA模型的自组织电力负荷预报方法，其特征在于，步骤S1的具体步骤为：
抽取选定预测对象的N组历史数据，形成N组电力负荷时间序列，记为X1，X2，…,XN；每组历史数据包括M个数据点，样本数据记为{Xi(j)|i＝1,2,…,N；j＝1,2,,…,M}。
3.根据权利要求1所述的一种基于时间序列ARMA模型的自组织电力负荷预报方法，其特征在于，步骤S2的具体步骤为：
对步骤S1中的每组样本数据Xi(i＝1,2,…,N)，前M-1个数据作为自变量，第M个数据作为因变量，即使用前面M-1个数据来预测第M个数据，采用时间序列ARMA预测第M时刻电力负荷，各组历史数据对应的M时刻预测值分别为：YA1，YA2，……,YAN。
4.根据权利要求1所述的一种基于时间序列ARMA模型的自组织电力负荷预报方法，其特征在于，步骤S3的具体步骤为：
在步骤S2使用时间序列ARMA对N组样本数据第M时刻的预测值YA1，YA2，……,YAN对应的实际值为：X1(M),X2(M),……,XN(M)，设时间序列ARMA预测误差记为U＝(U1,U2,……,UN)，则Ui＝Xi(M)-YAi，i＝1,2，……,N，把每组样本数据的第M个数据Xi(M)(i＝1,2，……,N)的预测误差Ui(i＝1,2，……,N)作为新的因变量，自变量不变，即使用前面M-1个数据来预测第M个数据对应的时间序列ARMA模型预测值的误差，建立自组织分组数据处理GMDH的模型，进行误差时间序列ARMA模型预测值误差估计；
使用自组织分组处理GDMH模型，得到的各组历史数据对应的M时刻时间序列ARMA预测值误差的估计值为：UG1，UG2，……,UGN。
5.根据权利要求1所述的一种基于时间序列ARMA模型的自组织电力负荷预报方法，其特征在于，步骤S4的具体步骤为：
步骤S2创建的时间序列ARMA模型和步骤S3创建的自组织分组处理GDMH模型结合在一起，得到本发明的基于时间序列ARMA模型的自组织电力负荷预报模型，时间序列ARMA的预测值是YA，自组织分组处理GDMH模型得到的修正值是UG，则最终的预测值为YA+UG，步骤S1中每组样本数据的第M时刻预测值为：YA1+UG1，YA2+UG2，……，YAN+UGN。
CN201810395065.9A 2018-04-27 2018-04-27 一种基于时间序列arma模型的自组织电力负荷预报方法 Pending CN108734341A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810395065.9A CN108734341A (zh) 2018-04-27 2018-04-27 一种基于时间序列arma模型的自组织电力负荷预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810395065.9A CN108734341A (zh) 2018-04-27 2018-04-27 一种基于时间序列arma模型的自组织电力负荷预报方法

Publications (1)

Publication Number Publication Date
CN108734341A true CN108734341A (zh) 2018-11-02

Family

ID=63940052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810395065.9A Pending CN108734341A (zh) 2018-04-27 2018-04-27 一种基于时间序列arma模型的自组织电力负荷预报方法

Country Status (1)

Country Link
CN (1) CN108734341A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062516A (zh) * 2019-11-20 2020-04-24 广西电网有限责任公司 一种基于gmdh多变量处理的风机出力预测的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63276604A (ja) * 1987-05-08 1988-11-14 Mitsubishi Heavy Ind Ltd プロセス制御装置
CN102682207A (zh) * 2012-04-28 2012-09-19 中国科学院电工研究所 风电场风速超短期组合预测方法
CN105956722A (zh) * 2016-06-22 2016-09-21 广东工业大学 一种短期风电功率的预测方法及装置
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法
CN106529713A (zh) * 2016-11-03 2017-03-22 华北电力大学（保定） 一种基于灰色gmdh网络组合模型的风速预测方法及系统
CN106611243A (zh) * 2016-12-02 2017-05-03 华北电力大学（保定） 一种基于garch模型的风速预测残差修正方法
CN107085750A (zh) * 2017-03-10 2017-08-22 广东工业大学 一种基于arma和ann的混合动态故障预测方法
CN107330149A (zh) * 2017-05-27 2017-11-07 哈尔滨工业大学 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS63276604A (ja) * 1987-05-08 1988-11-14 Mitsubishi Heavy Ind Ltd プロセス制御装置
CN102682207A (zh) * 2012-04-28 2012-09-19 中国科学院电工研究所 风电场风速超短期组合预测方法
CN105956722A (zh) * 2016-06-22 2016-09-21 广东工业大学 一种短期风电功率的预测方法及装置
CN106529713A (zh) * 2016-11-03 2017-03-22 华北电力大学（保定） 一种基于灰色gmdh网络组合模型的风速预测方法及系统
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法
CN106611243A (zh) * 2016-12-02 2017-05-03 华北电力大学（保定） 一种基于garch模型的风速预测残差修正方法
CN107085750A (zh) * 2017-03-10 2017-08-22 广东工业大学 一种基于arma和ann的混合动态故障预测方法
CN107330149A (zh) * 2017-05-27 2017-11-07 哈尔滨工业大学 基于arma和bpnn组合模型的mimu陀螺随机漂移预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
雷可为等: "《基于BP神经网络和ARIMA组合模型的中国入境游客量预测》", 《旅游学刊》 *
顾洁等: "《基于GMDH的中长期电力负荷组合预测模型》", 《电力科学与技术学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062516A (zh) * 2019-11-20 2020-04-24 广西电网有限责任公司 一种基于gmdh多变量处理的风机出力预测的方法

Similar Documents

Publication Publication Date Title
Montalvo et al. Multi-objective particle swarm optimization applied to water distribution systems design: an approach with human interaction
CN109214599B (zh) 一种对复杂网络进行链路预测的方法
Nielsen et al. Computational framework for risk-based planning of inspections, maintenance and condition monitoring using discrete Bayesian networks
Bala et al. A computer-based cost prediction model for institutional building projects in Nigeria: an artificial neural network approach
Camara et al. A pareto optimal study for the multi-objective oil platform location problem with NSGA-II
CN111783209B (zh) 一种学习函数与kriging模型结合的自适应结构可靠性分析方法
Shang et al. Spatial scheduling optimization algorithm for block assembly in shipbuilding
Thomison et al. A model reification approach to fusing information from multifidelity information sources
Paz et al. Lightweight parametric design optimization for 4D printed parts
Azadeh et al. Artificial immune simulation for improved forecasting of electricity consumption with random variations
Khalifelu et al. A new approach in software cost estimation using regression based classifier
Kundu et al. A hybrid salp swarm algorithm based on TLBO for reliability redundancy allocation problems
CN108734341A (zh) 一种基于时间序列arma模型的自组织电力负荷预报方法
JP2017227994A (ja) 人流予測装置、パラメータ推定装置、方法、及びプログラム
KR20140133032A (ko) 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법
La Scalia Solving type-2 assembly line balancing problem with fuzzy binary linear programming
Azadeh et al. Parameter optimization of tandem queue systems with finite intermediate buffers via fuzzy simulation
Dulhare et al. An efficient hybrid clustering to predict the risk of customer churn
CN113360995B (zh) 一种基于bim模型的互换装修材料调用方法及系统
EP4227864A1 (en) Evaluation method, evaluation device, and evaluation program
CN114662009A (zh) 一种基于图卷积的工业互联网工厂协同推荐算法
Sapkota et al. Surrogate-assisted parametric calibration using design of experiment platform within digital twinning
Serrano et al. Infinity: Neural field modeling for reynolds-averaged navier-stokes equations
Shaaban et al. Churn Prediction Retention Framework
An et al. ACM TIST special issue on urban intelligence

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
TA01 Transfer of patent application right

Effective date of registration: 20200119

Address after: 510000 No. 757 Dongfeng East Road, Guangzhou, Guangdong, Yuexiu District

Applicant after: GUANGDONG STATE GRID CO., LTD.

Applicant after: GUANGDONG POWER GRID CO., LTD. INFORMATION CENTER

Address before: 510000 No. 757 Dongfeng East Road, Guangzhou, Guangdong, Yuexiu District

Applicant before: GUANGDONG STATE GRID CO., LTD.

Applicant before: GUANGDONG POWER GRID CO., LTD. INFORMATION CENTER

Applicant before: Beijing Sifang Jibao Automation Co., Ltd.

TA01 Transfer of patent application right
RJ01 Rejection of invention patent application after publication

Application publication date: 20181102

RJ01 Rejection of invention patent application after publication