CN108846555A - 一种电力负荷大数据缺失值的高效精确填补法 - Google Patents
一种电力负荷大数据缺失值的高效精确填补法 Download PDFInfo
- Publication number
- CN108846555A CN108846555A CN201810504430.5A CN201810504430A CN108846555A CN 108846555 A CN108846555 A CN 108846555A CN 201810504430 A CN201810504430 A CN 201810504430A CN 108846555 A CN108846555 A CN 108846555A
- Authority
- CN
- China
- Prior art keywords
- value
- matrix
- data
- missing values
- big 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
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 4
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 2
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 12
- 230000005611 electricity Effects 0.000 abstract description 5
- 238000012098 association analyses Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000032798 delamination Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 abstract 1
- 230000002354 daily effect Effects 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种电力负荷大数据缺失值的高效精确填补法，涉及电力系统负荷大数据预处理技术领域，用于有效解决远程智能终端设备从用户侧获取海量的状态参数时含有的大量的缺失值的问题。本发明通过导入一组以矩阵形式呈现的电力负荷数据，经过基本清洗，然后运用算法，利用拉依达准则以及误差阈值判别法则，通过分层数值比较，列、横向关联性分析，再结合权值模型，合理的分配权值，最终科学的找到了较好的值用来填补缺失值，有效的实现了对电力系统负荷大数据缺失值的精确填补，为电力系统发电和调度侧对用户负荷行为的研究提供了保障。
Description
技术领域
本发明涉及电力系统负荷大数据预处理技术领域，具体是一种电力负荷大数据缺失值的精确填补方法。
背景技术
近年来，随着智能电网的建设，在电力系统中运行、监控、管理过程中产生了海量的、种类繁多的数据，即大数据。在负荷侧，通过使用智能监测终端，来实现电力系统状态参数的实时记录。可是，由于智能设备还不够充分“智能”，在纪录数据和传输数据过程有时难免会出现数据丢失,数据一旦丢失，在电力终端服务器上显示出来的数据形式为NULL，NULL值代表为空，也占据存储空间，是计算机程序自我识别缺失值后做出的回应，并不代表状态参数为零的情况，比如由于法定节假日等原因，某些负荷的电量值可能为零，此时智能监控终端能够有效记录电量为零值，并不会将它显示为NULL值，故此处统一说明缺失值在终端显示形式为NULL值，有时计量设备出现故障或彻底损坏，将会导致大量代表用户负荷行为的重要数据缺失，此时在服务器在也会显示NULL值，有时由于用户侧的负荷行为(比如生产设备故障等)发生重大事故，将导致采集到的负荷数据出现空缺值，其对应在服务器上的值显示也是NULL。这些混合在负荷数据的空缺值，对于电力系统调度侧而言，会干扰负荷控制和计量收费，威胁到电网的安全运行；在电力市场环境下，对于发电厂商而言，负荷数据的空缺值会严重影响到负荷预测和负荷模式识别，进而影响到发电厂商对市场用电行为的判断的准确性。所以，对于负荷大数据缺失值的处理变得尤为重要。
目前，在数据预处理中填补遗漏数据的技术有：1、利用决策树技术填补空缺值；2、利用同类别均值填补空缺值；3、利用BP神经网络数据填补。4、简单的电力系统数据的填补方法。这些技术各有优势，但是他们所涵盖的方面要么太广泛，不能有效的针对电力系统负荷大数据缺失值的填补，并且实施起来效率不高；要么过于简单，效率虽然高，但填补值不够精确，不具备有效性。因此，有必要专门提出一种针对电力系统负荷大数据缺失值的高效率的精确填补方法，来解决目前电力系统负荷大数据缺失的相关问题。
发明内容
由于目前缺乏针对电力系统负荷大数据的高效率的精确填补方法，本发明提出一种电力负荷大数据缺失值的高效精确填补法。
本发明的技术方案为：一种电力负荷大数据缺失值的高效精确填补法，其特征在于，包含以下步骤：
A1、导入一组电力负荷数据，以矩阵形式呈现，有M行96列,记为AM,96，其中负荷数据矩阵的行数M代表天数，列数96代表每天所取样点数；每天采样点个数等于24乘以每小时采样次数，每隔15min采集相关状态参数，则一天一共采集96个样点；
A2、检索到矩阵中的缺失值及其相应的位置，记为NULLi,j；
A3、根据A2判断矩阵中如有连续三行及其以上的数据都为NULL值(此时是在导入的负荷数据里进行操作，也就是说我们已经提前从服务器中获得了负荷数据包，然后再在我们自己的电脑上利用相关软件进行数据分析，不直接在电力服务器的电脑上进行)，则删除相应行,剩下N行96列，新矩阵记为
A4、利用公式计算每一列的平均值令经过这一步骤，则矩阵中所有的ai,j值都具有了实值(保持原有效值或者被赋予该列的平均值)，不再存在数据形式为空的数值；
A5、对于NULL值在矩阵的最前两列或最后两列或首末两行，其填补值就为保持不变；
A6、对于NULL值在矩阵的其它位置时，则令 而如果那么令其中在正态分布中，σ代表标准差，3σ涉及拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应重新修正，且拉依达准则适用于有较多组数据的时候，的1代表上标；
A7、如果则令此时如果那么令其中p代表误差阈值，误差阈值表示误差的取值范围，其根据电力系统实际要求的数据精度取定，p的取值范围为0.06-0.14，的2代表上标；
A8、如果则令 那么令
A9、通过步骤A5-A8可以将矩阵中所有的缺失值进行第一次填补，得到矩阵为了避免偶然情况下某些位置可能没有填补，对矩阵再应用A2-A8，加强准确性，得到最终数据填补完成的矩阵
步骤A1中的负荷数据矩阵的行数M代表天数，列数96代表每天所取样点数。每一行代表一天的数据采集量，每一列对应一天中相等的时刻，每天采样点个数等于24乘以每小时采样次数，如果电力设备每隔15min采集相关状态参数，则一天一共采集96个样点。
所述步骤A6、A8中的和采用模型 其中w1+w2+w3＝1。
本发明带来的有益效果是：本发明运用算法，通过分层数值比较，关联性分析，再结合权值模型，合理的分配权值，最终科学地找到了较好的值用来填补缺失值，有效的实现了对电力系统负荷大数据缺失值的精确填补，为电力系统发电和调度侧对用户负荷行为的研究提供了保障。
附图说明
图1为电力负荷大数据缺失值的高效精确填补法的单个数据填补流程图；图2为负荷数据矩阵形式图。
具体实施方式
当电力系统运营侧通过远程智能终端设备从用户侧获取大量的状态参数进行分析时，为了处理更加方便，一般在电脑上(从服务器下载数据到其他电脑上，减少对电力服务器电脑稳定运行的影响)把大量的数据通过矩阵进行分析。但此时由于其中含有大量的缺失值，所以需要对这些缺失值进行有效的填补。
本发明提供了一种电力负荷大数据缺失值的高效精确填补法，其特征包含以下步骤：
A1、导入一组电力负荷数据，以矩阵形式呈现，有M行96列,记为AM,96；
在这个负荷数据矩阵中的行数M代表天数，列数96代表每天所取样点数。，每一行代表一天的数据采集量，每一列对应一天中相等的时刻，每天采样点个数等于24乘以每小时采样次数，如果电力设备每隔15min采集相关状态参数，则一天一共采集96个样点；
A2、检索到矩阵中的缺失值及其相应的位置，记为NULLi,j；
A3、根据A2判断矩阵中如有连续三行及其以上的数据都为NULL值，则删除相应行,剩下N行96列，新矩阵记为
当矩阵中连续出现三行及其以上的空缺值时，基本可以断定是测量或传送装置出现了重大故障，导致长时间的数据停送，这时无论用任何方法对这些缺失数据进行填补的误差都极大，强行填补也没有分析的价值，为了不影响整体的数据分析，所以删掉这些NULL值所占空间；
A4、利用公式计算每一列的平均值令同一列的NULL都为即经过这一步骤，则矩阵中所有的ai,j值都具有了实值(保持原有效值或者被赋予该列的平均值)，不再存在数据形式为空的数值；每一列对应一天的同一时刻，从长远来看，对应时刻点的负荷行为具有相似性，其最佳拟合值便是它们的平均值，把此时的列平均作为一号填补值；
A5、对于NULL值在矩阵的最前两列或最后两列或首末两行，其填补值就为保持不变；
对于位于矩阵最前两列的数据，它们的前面没有两个及其以上的负荷数据，因此不能用理论分析一个样点同一行左右两个数据点与它的数据关联规律，所以直接选取其列平均值作为填补值，同理，位于最后两列的数据也面临相同的问题；而对于首末两行，分别考虑到其上或下没有数据，所以也选取其列平均值作为填补值；由于这些数据所占整个矩阵数据比例较小，对于有需要画出负荷拟合曲线的技术人员来说，所关心的是曲线整体走向，而这些NULL值所处位置如果在矩阵的最前两列或最后两列，显然对曲线整体影响不大；而首末两行只代表两天的数据，在总的天数里面所占比例也比较小，并且在电力系统经验情况下，这些位置出现NULL值的概率也比较小，所以直接采取用列平均代表其NULL值，填补误差相对较小；
A6、对于NULL值在矩阵的其它位置时，则令 而如果那么令
对于一个集中负荷(负荷比较集中，比如城市，重工业地区等)，其负荷方式在短时间内一般不会发生较大变化，从长远来看，集中负荷每一天的同一时刻具有相似性，也就是列向关联性，同理，也有横向关联性，所以一个缺失值的原始数据必定与这个数据的前后上下四个数据有某种关联；这里采用模型 其中w1+w2+w3＝1，取权值此时前后两个数所占权重之和等于上下两个数所占权重之和，也等于一号填补值所占权重，都为此时把作为二号填补值，综合来看，由于一号填补值所代表的是列向关联性，所以二号填补值整体的列向关联性相较于横向关联性更强，这与我们的电力系统用户行为经验相符合，再利用拉依达准则判断，如果满足拉依达准则，则将二号填补值作为该数据的最终填补值；
A7、如果则令此时如果那么令其中p代表误差阈值，误差阈值表示误差的取值范围，其根据电力系统实际要求的数据精度取定，p的取值范围为0.06-0.14，的2代表上标；
如果二号填补值不满足拉依达准则，说明按照此法填补数据还具有较大的误差，所以需要进一步加强数据的关联性来减小误差，由于一号填补值是以列平均作为基础值，已经能够代表列向关联性，所以需要加强横向关联性。把展开，此处不采用同行相邻原始值，而采用相邻原始值该列的列平均值是由于要用到来进行误差阈值判断，为了避免同一天某一时刻的相邻时刻负荷可能发生巨变而带来较大误差，使本该满足误差阈值判别法则的却没有满足这种事情发生，故采用相邻原始值该列的列平均值，从而可以最大程度的减小这种误差进而有效避免了这一问题。同行相邻列平均值已经足以表示同一行的横向关联性，再结合误差阈值判别法则判断，如果不满足误差阈值判别法则，说明这个缺失值由于某种原因与其周围的数据的关联性都不强，为了将误差最小化，将代表横向关联性的与代表列向关联性的二号填补值的和取平均后作为三号填补值，将三号填补值作为该数据的最终填补值。A8、如果则令 那么令
如果满足阈值条件，说明按照此法证明了这个缺失值相较于列向关联性，与同一行的数据有更强的横向关联性，即此时很大可能上由于某种原因前后数据对缺失值的影响更大，所以需要重新分配权值来减小误差，故应该增大位于缺失值位置的前后数据的权值，加强横向关联性，此时令从而得到四号填补值作为最终填补值。综上所诉，涉及四个填补值，分别是一号填补值二号填补值三号填补值为二号与和的平均值，四号填补值A9、通过步骤A5-A8可以将矩阵中所有的缺失值进行第一次填补，得到矩阵为了避免偶然情况下某些位置可能没有填补，对矩阵再应用A2-A8，加强准确性，得到最终数据填补完成的矩阵
Claims (2)
1.一种电力负荷大数据缺失值的高效精确填补法，其特征在于，包含以下步骤:
A1、导入一组电力负荷数据，以矩阵形式呈现，有M行96列,记为AM,96，其中负荷数据矩阵的行数M代表天数，列数96代表每天所取样点数；每天采样点个数等于24乘以每小时采样次数，每隔15min采集相关状态参数，则一天一共采集96个样点；
A2、检索到矩阵中的缺失值及其相应的位置，记为NULLi,j，其中NULL表示值为空，i，j表示位置，即i行j列的数值为NULL；
A3、根据A2判断矩阵中如有连续三行及其以上的数据都为NULL值，则删除相应行,剩下N行96列，新矩阵记为
A4、利用公式计算每一列的平均值令j列的
A5、对于NULL值在矩阵的最前两列或最后两列或首末两行，其填补值就为保持不变
A6、对于NULL值在矩阵的其它位置时，则令 而如果那么令
A7、如果则令此时如果那么令p代表误差阈值，取值范围为0.06-0.14；
A8、如果则令 那么令
A9、通过步骤A5-A8可以将矩阵中所有的缺失值进行第一次填补，得到矩阵为了避免偶然情况下某些位置可能没有填补，对矩阵再应用A2-A8，加强准确性，得到最终数据填补完成的矩阵
2.对于权利要求书1所述的一种电力负荷大数据缺失值的高效精确填补法，其特征在于，所述步骤A6、A8中的和采用模型 其中w1+w2+w3＝1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810504430.5A CN108846555B (zh) | 2018-05-24 | 2018-05-24 | 一种电力负荷大数据缺失值的高效精确填补法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810504430.5A CN108846555B (zh) | 2018-05-24 | 2018-05-24 | 一种电力负荷大数据缺失值的高效精确填补法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108846555A true CN108846555A (zh) | 2018-11-20 |
| CN108846555B CN108846555B (zh) | 2021-09-24 |
Family
ID=64213303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810504430.5A Expired - Fee Related CN108846555B (zh) | 2018-05-24 | 2018-05-24 | 一种电力负荷大数据缺失值的高效精确填补法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108846555B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046152A (zh) * | 2019-04-19 | 2019-07-23 | 国网河南省电力公司经济技术研究院 | 一种处理用电数据缺失值的方法 |
| CN111414353A (zh) * | 2020-02-29 | 2020-07-14 | 平安科技（深圳）有限公司 | 智能化的缺失数据填充方法、装置及计算机可读存储介质 |
| CN112115180A (zh) * | 2020-09-11 | 2020-12-22 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
| CN112365070A (zh) * | 2020-11-18 | 2021-02-12 | 深圳供电局有限公司 | 一种电力负荷预测方法、装置、设备及可读存储介质 |
| CN113972664A (zh) * | 2021-10-29 | 2022-01-25 | 国网上海市电力公司 | 一种电力数据补数方法及系统 |
| CN115078938A (zh) * | 2022-08-22 | 2022-09-20 | 广东电网有限责任公司佛山供电局 | 一种避雷器绝缘性能的识别方法及装置 |
| CN117166996A (zh) * | 2023-07-27 | 2023-12-05 | 中国地质大学（北京） | 地质参数门槛值的确定方法、装置、设备及存储介质 |
| CN117828373A (zh) * | 2024-03-05 | 2024-04-05 | 四川省医学科学院·四川省人民医院 | 基于集合划分和自监督学习的缺失数据填充方法及系统 |
| CN112365070B (zh) * | 2020-11-18 | 2024-05-31 | 深圳供电局有限公司 | 一种电力负荷预测方法、装置、设备及可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050049831A1 (en) * | 2002-01-25 | 2005-03-03 | Leica Geosystems Ag | Performance monitoring system and method |
| CN102651116A (zh) * | 2012-03-31 | 2012-08-29 | 上海市电力公司 | 一种电力负荷数据精细化处理方法 |
| CN106407464A (zh) * | 2016-10-12 | 2017-02-15 | 南京航空航天大学 | 一种基于knn的改进缺失数据填补算法 |
| US20170193381A1 (en) * | 2015-12-31 | 2017-07-06 | General Electric Company | Systems and methods for data estimation and forecasting |
| CN107193876A (zh) * | 2017-04-21 | 2017-09-22 | 美林数据技术股份有限公司 | 一种基于最近邻knn算法的缺失数据填补方法 |
| CN107577649A (zh) * | 2017-09-26 | 2018-01-12 | 广州供电局有限公司 | 缺失数据的插补处理方法及装置 |
-
2018
- 2018-05-24 CN CN201810504430.5A patent/CN108846555B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050049831A1 (en) * | 2002-01-25 | 2005-03-03 | Leica Geosystems Ag | Performance monitoring system and method |
| CN102651116A (zh) * | 2012-03-31 | 2012-08-29 | 上海市电力公司 | 一种电力负荷数据精细化处理方法 |
| US20170193381A1 (en) * | 2015-12-31 | 2017-07-06 | General Electric Company | Systems and methods for data estimation and forecasting |
| CN106407464A (zh) * | 2016-10-12 | 2017-02-15 | 南京航空航天大学 | 一种基于knn的改进缺失数据填补算法 |
| CN107193876A (zh) * | 2017-04-21 | 2017-09-22 | 美林数据技术股份有限公司 | 一种基于最近邻knn算法的缺失数据填补方法 |
| CN107577649A (zh) * | 2017-09-26 | 2018-01-12 | 广州供电局有限公司 | 缺失数据的插补处理方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 高连如等: "高光谱数据降维与分类技术研究", 《第八届成像光谱技术与应用研讨会暨交叉学科论坛文集》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110046152A (zh) * | 2019-04-19 | 2019-07-23 | 国网河南省电力公司经济技术研究院 | 一种处理用电数据缺失值的方法 |
| CN111414353A (zh) * | 2020-02-29 | 2020-07-14 | 平安科技（深圳）有限公司 | 智能化的缺失数据填充方法、装置及计算机可读存储介质 |
| CN111414353B (zh) * | 2020-02-29 | 2024-05-28 | 平安科技（深圳）有限公司 | 智能化的缺失数据填充方法、装置及计算机可读存储介质 |
| CN112115180A (zh) * | 2020-09-11 | 2020-12-22 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
| CN112115180B (zh) * | 2020-09-11 | 2021-09-14 | 国网山东省电力公司枣庄供电公司 | 一种基于大数据的电网事故预测方法 |
| CN112365070A (zh) * | 2020-11-18 | 2021-02-12 | 深圳供电局有限公司 | 一种电力负荷预测方法、装置、设备及可读存储介质 |
| CN112365070B (zh) * | 2020-11-18 | 2024-05-31 | 深圳供电局有限公司 | 一种电力负荷预测方法、装置、设备及可读存储介质 |
| CN113972664B (zh) * | 2021-10-29 | 2024-02-20 | 国网上海市电力公司 | 一种电力数据补数方法及系统 |
| CN113972664A (zh) * | 2021-10-29 | 2022-01-25 | 国网上海市电力公司 | 一种电力数据补数方法及系统 |
| CN115078938B (zh) * | 2022-08-22 | 2023-01-03 | 广东电网有限责任公司佛山供电局 | 一种避雷器绝缘性能的识别方法及装置 |
| CN115078938A (zh) * | 2022-08-22 | 2022-09-20 | 广东电网有限责任公司佛山供电局 | 一种避雷器绝缘性能的识别方法及装置 |
| CN117166996A (zh) * | 2023-07-27 | 2023-12-05 | 中国地质大学（北京） | 地质参数门槛值的确定方法、装置、设备及存储介质 |
| CN117166996B (zh) * | 2023-07-27 | 2024-03-22 | 中国地质大学（北京） | 地质参数门槛值的确定方法、装置、设备及存储介质 |
| CN117828373A (zh) * | 2024-03-05 | 2024-04-05 | 四川省医学科学院·四川省人民医院 | 基于集合划分和自监督学习的缺失数据填充方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108846555B (zh) | 2021-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846555A (zh) | 一种电力负荷大数据缺失值的高效精确填补法 | |
| CN106502772A (zh) | 基于分布式离线技术的电量数据批量高速处理方法及系统 | |
| CN106709035A (zh) | 一种电力多维全景数据的预处理系统 | |
| CN104504508B (zh) | 基于层次分析与小波回归的台区闭环数据分析方法 | |
| CN108733966A (zh) | 一种基于决策树群的多维电能表现场状态检验方法 | |
| CN108038216A (zh) | 信息处理方法、装置及服务器集群 | |
| CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
| CN112614011B (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
| CN110503570A (zh) | 一种异常用电数据检测方法、系统、设备、存储介质 | |
| CN107909508A (zh) | 一种配电变压器负荷异常告警方法 | |
| CN106980906B (zh) | 一种基于spark的Ftrl电压预测方法 | |
| CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
| CN108446396A (zh) | 一种基于改进型cim模型的电力数据处理方法 | |
| CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
| CN103530328B (zh) | 一种数据统计分析系统和方法 | |
| CN112308458B (zh) | 一种低压台区量测数据评价方法和系统 | |
| CN104751253B (zh) | 基于ｂ－样条基底展开曲线聚类的配电网潮流预测方法 | |
| CN112328851B (zh) | 分布式电源监测方法、装置及电子设备 | |
| CN105468740A (zh) | 一种游戏玩家数据的存储、分析方法及装置 | |
| CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN115982290A (zh) | 一种面向以太坊用户行为的大数据分析系统及数仓建立方法 | |
| CN106570782A (zh) | 电网设备拓扑数据分区方法存储及其系统 | |
| CN110188799A (zh) | 一种计量数据多维分析与智能运维方法 | |
| CN104200338A (zh) | 线损统计与决策分析系统 | |
| Huang et al. | Patent network analysis for identifying technological evolution: a case study of China's artificial intelligence technologies |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210924 |