CN109446730A - 基于短期设备运行数据的发电机组负荷率缺失值补招方法 - Google Patents
基于短期设备运行数据的发电机组负荷率缺失值补招方法 Download PDFInfo
- Publication number
- CN109446730A CN109446730A CN201811478885.0A CN201811478885A CN109446730A CN 109446730 A CN109446730 A CN 109446730A CN 201811478885 A CN201811478885 A CN 201811478885A CN 109446730 A CN109446730 A CN 109446730A
- Authority
- CN
- China
- Prior art keywords
- abnormal point
- value
- continuous
- load condensate
- generating set
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于短期设备运行数据的发电机组负荷率缺失值补招方法,属于发电机组运行管理技术领域。方法为:步骤S1系统中输入发电机负荷率数据;步骤S2判断是否存在连续异常点;如判断为是,则进入步骤S21,如果判断为否,则进入步骤S3;步骤S21查找第一个异常点;步骤S22确定连续异常点修正值;步骤S23赋值给连续异常点中的每一个异常点,返回步骤S2;步骤S3判断是否存在单个异常点;如判断为是,则进入步骤S4,如判断为否,则结束;步骤S4确定单个异常点修正值;步骤S5赋值给单个异常点,返回步骤S3。本发明提供的方法,可以快速的解决发电机组负荷率缺失值的问题,为用户提供更好的负荷率数据展示。
Description
技术领域
本发明涉及发电机组运行管理技术领域,尤其涉及一种基于短期设备运行数据的发电机组负荷率缺失值补招方法。
背景技术
在发电机组运行管理系统中,发电机组负荷率的展示是一项重要内容,发电机组负荷率是指电网的平均负荷与最高有功负荷的比率。
通常来说发电机组的负荷率数据要数以亿计,在通过设备运行数据获取之后要经过清洗处理,常见问题是由于异常值问题而导致的数据缺失,异常值包括单个异常值及连续异常值,连续异常值也称为异常点斑块。异常值产生的原因通常包括设备原因、人员误操作或外界环境因素。
在这种情况下需要对异常值数据进行补招处理,目前的做法通常是对异常值进行删除处理,这样会导致该点位的值缺失,如果通过缺失的状态进行展示,势必会影响到用户的使用。
发明内容
本发明提供一种基于短期设备运行数据的发电机组负荷率缺失值补招方法。针对短期设备运行数据的发电机组负荷率由于异常值导致的数据缺失问题,提供一种数据补招方法,从而完善发电机组负荷率展示图。
本发明提供的补招方法的具体技术方案如下:
基于短期设备运行数据的发电机组负荷率缺失值补招方法,所述方法为:
步骤S1系统中输入发电机负荷率数据;
步骤S2判断是否存在连续异常点;
如判断为是,则对判断出的连续异常点进行数值修正后继续判断是否仍存在连续异常点,如果判断为否,则进入步骤S3;
步骤S3判断是否存在单个异常点;
如判断为是,则进入步骤S4,如判断为否,则结束,完成发电机组负荷率缺失值补招;
步骤S4根据步骤S3确定的单个异常点的前值,确定单个异常点修正值;
步骤S5将步骤S4确定的单个异常点修正值赋值给步骤S3确定的单个异常点,返回步骤S3。
优选的,所述方法中对判断出的连续异常点进行数值修正后继续判断是否仍存在连续异常点的过程具体包括:
步骤S21在步骤S2确定的连续异常点中查找第一个异常点;
步骤S22根据步骤S21查找到的第一个异常点的前值,确定连续异常点修正值;
步骤S23将步骤S22确定的连续异常点修正值赋值给连续异常点中的每一个异常点,返回步骤S2。
优选的,所述方法中应用的管理系统为泛能OS系统,所述方法中设备运行数据为短期设备运行数据,即每天24小时的发电机负荷率数据。
优选的,所述方法步骤S2中判断是否存在连续异常点的方法具体为,当某点的负荷率小于0或大于100%时,就认定这点为异常点,连续出现两个以上的异常点判断为存在连续异常点。
优选的,所述方法步骤S22中第一个异常点的前值为第一个异常点之前连续两个时间点的负荷率值。
优选的,所述方法步骤S22中的连续异常点修正值为两个时间点的负荷率平均值。
优选的,所述方法步骤S23中的赋值方法为用连续异常点修正值替换连续异常点中的每一个数值。
优选的,所述方法步骤S3中判断是否存在单个异常点的方法具体为,当某点的负荷率小于0或大于100%时,就认定这点为异常点,单个出现的异常点判断为存在单个异常点。
优选的,所述方法步骤S4中的单个异常点修正值为单个异常点之前连续两个时间点的负荷率平均值。
优选的,所述方法步骤S5中的赋值方法为用单个异常点修正值替换单个异常点的数值。
本发明提供了一种基于短期设备运行数据的发电机组负荷率缺失值补招方法,针对由于异常值而导致的发电机组负荷率展示中存在缺失值的问题,提供了一种高效可行的缺失值补招方法。本发明的方法,针对发电机组管理系统,根据发电机组负荷率数值的特点,按照先处理连续异常点,在处理单个异常点的顺序执行,以当前异常点的前值为基础确定修正值,将修正值赋值给当前异常点。利用本发明提供的方法,可以快速高效的解决发电机组负荷率缺失值的问题,为用户提供更好的负荷率数据展示,方便用户使用。
附图说明
为了更清楚地说明本发明实施例或现有的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供基于短期设备运行数据的发电机组负荷率缺失值补招方法的流程图;
图2为本发明实施例2的发电机组负荷率补招前的展示图;
图3为本发明实施例3的发电机组负荷率补招前的展示图;
图4为本发明实施例4的发电机组负荷率补招前的展示图;
图5为本发明实施例4的发电机组负荷率补招过程中的展示图;
图6为本发明实施例5的发电机组负荷率补招前的展示图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例,提供了基于短期设备运行数据的发电机组负荷率缺失值补招的整体方案。
如图1所示,补招方法为:
步骤S1系统中输入发电机负荷率数据;
步骤S2判断是否存在连续异常点;
如判断为是,则进入步骤S21,如果判断为否,则进入步骤S3;
步骤S21在步骤S2确定的连续异常点中查找第一个异常点;
步骤S22根据步骤S21查找到的第一个异常点的前值,确定连续异常点修正值;
步骤S23将步骤S22确定的连续异常点修正值赋值给连续异常点中的每一个异常点,返回步骤S2;
步骤S3判断是否存在单个异常点;
如判断为是,则进入步骤S4,如判断为否,则结束,完成发电机组负荷率缺失值补招;
步骤S4根据步骤S3确定的单个异常点的前值,确定单个异常点修正值;
步骤S5将步骤S4确定的单个异常点修正值赋值给步骤S3确定的单个异常点,返回步骤S3。
在本实施例中,发电机组管理系统为泛能OS系统,泛能网基于系统能效技术,通过能源生产、储运、应用与回收循环四环节能量和信息的耦合,形成能量输入和输出跨时域的实时协同,实现系统全生命周期的最优化和能量的增效,能效控制系统对各能量流进行供需转换匹配,梯级利用、时空优化、以达到系统能效最大化,最终输出一种自组织的高度有序的高效智能能源。泛能OS系统被逐渐的应用到发电厂设备管理中,但是在现有的泛能OS系统中,一些必要的相关应用没有得到充分的开发。输入的设备运行数据为短期设备运行数据,即每天24小时的发电机负荷率数据。
对于发电机负荷率数据,通常高于或低于某个限值,就应当被认定为是异常值,现有的控制系统,对这种异常值的处理方法通常是直接删除,这样会导致该点位的值缺失,形成缺失值,如果通过缺失的状态进行展示,势必会影响到用户的使用。
本实施例中的异常值确定方法是一种简单统计分析方法,即对属性值进行一个描述性(经验)的统计,从而看出哪些值是不合理的。例如年龄,年龄的区间是(0,100),如果样本中的年龄不在这个区间内,那么这个样本则被视为异常值。除此之外,异常值的确定还可以用以下方法:
基于高斯分布的异常点检测:根据已有数据集,建立高斯分布的模型,通过新数据和已知分布的差异进行判断是否异常值。
基于标准偏差(3δ原则)的异常值检测(高斯分布差异的一种):
适用于服从正太分布的数据,即异常值被定义为观测值和平均值的偏差超过3倍标准偏差的值。
P(|x-μ|>3δ)<=0.003
当数据不服从正太分布的时候,可以通过远离平均距离多少倍的标准差来判定,多少倍的取值需要经验和实际情况来判定。
箱型图分析
箱型图提供了一个识别异常值的标准,即大于或小于设定的上下界的数值即为异常值。
Q1:上四分位数
Q2:下四分位数
IQR=Q1-Q2上下四位分数之差,包含了全部观测值的一半:
四分位数的思想是,通过估计数据集中的最小值和最大值,一次判断异常值,估计最小和最大值:
min=Q2-k*IQR
max=Q1+K*IQR
k的取值取决于对异常值的忍耐程度,一般k取1.5.
基于(马氏距离,欧式距离)距离:利用聚类的思想,对数据进行聚类,排除距离中心最远的n个点,一般算法:kmeans,knn等,
高级的检测算法,如:局部异常因子LOF算法,孤立森林iForest等。
对于缺失值的处理,从总体上来说分为删除存在缺失值的个案和缺失值插补。缺失值插补,适合于客观数据。
现有的针对缺失值补全的方法包括以下几种:
删除法
将含有缺失数据的对象全部属性删除,剩余数据集作为整体进行数据处理。根据研究对象的特征,删除法又包括:配对删除、列表删除、个案删除三种。目前发电机组负荷率的异常值导致的数据缺失多数使用的是删除法。
常量补全
常量补全基于对数据集的研究基础上,对于不同的数据集,根据该对象属性的数据特性,采用一个固定的常量值进行补全,也可以针对数据全集进行全局数据补全。常用Null代替关系型数据库中的缺失数据。
简单补全
指利用简单易懂的公式进行数据的补全。例如,在缺失数据附近进行欧式距离计算,确定K个相邻数据,将这几个数据进行加权均值计算,作为补全数据。
统计补全
通过对已知的数据集进行统计方法计算,对缺失数据进行补全。根据数据特点,可以对数据集进行总体统计补全,也可以将数据集分组,进行组内统计补全。
复杂估算方法补全
基于全局数据,进行模型建立,预测每一个缺失的数据进行补全,主要方法有:回归模型补全方法、贝叶斯补全方法、决策树补全方法、期望值最大化补全方法等。
针对不同的数据类型,需要针对性的设定数据插补方法,基本的原则是要兼顾效率和数据的可靠性及完整性。
步骤S2中判断是否存在连续异常点的方法具体为,当某点的负荷率小于0或大于100%时(即负荷率为负值或超过100%,100%表示实际负荷超过发电机组的装机容量,这两种情况都是肯定不符合实际的,在操作中,也可以根据实际情况自行设定确定异常点的负荷率范围,不限于小于0或大于100%),就认定这点为异常点,连续出现两个以上的异常点判断为存在连续异常点。
步骤S22中第一个异常点的前值为第一个异常点之前连续两个时间点的负荷率值。连续异常点修正值为两个时间点的负荷率平均值。步骤S23中的赋值方法为用连续异常点修正值替换连续异常点中的每一个数值。
实际操作中,对于连续异常点的修正不限于上述修正方法。作为修正值基础的负荷率值应该是非异常点的正常点的数值。
在本实施例中,步骤S3中判断是否存在单个异常点的方法具体为,当某点的负荷率小于0或大于100%时,就认定这点为异常点,单个出现的异常点判断为存在单个异常点。
步骤S4中的单个异常点修正值为单个异常点之前连续两个时间点的负荷率平均值。步骤S5中的赋值方法为用单个异常点修正值替换单个异常点的数值。
同样的,在实际操作中,对于单个异常点的修正也不限于上述修正方法。作为修正值基础的负荷率值应该是非异常点的正常点的数值。
实施例2至5提供针对具体的异常点情况的缺失值补招方法。
实施例2
在本实施例中,异常点中只存在单个异常点,如图2所示,发电机组负荷率缺失值补招的过程如下:
步骤S1在泛能OS系统中输入一天24小时的发电机负荷率数据;
步骤S2判断是否存在连续异常点;
判断为否,进入步骤S3;
步骤S3判断是否存在单个异常点;
有一个点对应的负荷率小于0,判断为是,进入步骤S4;
步骤S4根据步骤S3确定的单个异常点的前两个正常点的数值,将两个正常点的数值确定为单个异常点修正值;
步骤S5用步骤S4确定的单个异常点修正值替换步骤S3确定的单个异常点,返回步骤S3,步骤S3判断结果为否,结束,完成发电机组负荷率缺失值补招。
实施例3
本实施例针对的是异常点中只存在连续异常点的情况。如图3所示,发电机组负荷率缺失值补招的过程如下:
步骤S1在泛能OS系统中输入一天24小时的发电机负荷率数据;
步骤S2判断是否存在连续异常点;
有连续三个点为异常点,负荷率大于100%,判断为是,进入步骤S21;
步骤S21在步骤S2确定的连续异常点中查找第一个异常点;
步骤S22根据步骤S21查找到的第一个异常点的之前连续两个正常点的数值,将两个点的平均值确定为连续异常点修正值;
步骤S23用步骤S22确定的连续异常点修正值替换连续异常点中的每一个异常点,返回步骤S2,判断为否,进入步骤S3;
步骤S3判断是否存在单个异常点;
判断为否,结束,完成发电机组负荷率缺失值补招。
实施例4
本实施例与实施例3的区别在于,连续异常点在处理后,仍存在一个单个异常点,如图4所示,发电机组负荷率缺失值补招的过程如下:
步骤S1在泛能OS系统中输入一天24小时的发电机负荷率数据;
步骤S2判断是否存在连续异常点;
连续三个点的负荷率大于100%,判断为是,进入步骤S21;
步骤S21在步骤S2确定的连续异常点中查找第一个异常点;
步骤S22根据步骤S21查找到的第一个异常点的之前连续两个正常点的数值,将两个点的平均值确定为连续异常点修正值;
步骤S23用步骤S22确定的连续异常点修正值替换连续异常点中的每一个异常点,返回步骤S2,判断为否,进入步骤S3;
如图5所示,步骤S3,判断是否存在单个异常点;
有一个点负荷率大于100%,判断为是,进入步骤S4;
步骤S4根据步骤S3确定的单个异常点的前两个正常点的数值,将两个正常点的数值确定为单个异常点修正值;
步骤S5用步骤S4确定的单个异常点修正值替换步骤S3确定的单个异常点,返回步骤S3,步骤S3判断结果为否,结束,完成发电机组负荷率缺失值补招。
在实际操作中,如连续异常点第一次处理后,仍存在连续异常点,则参照上述方法继续处理,直至完成发电机组负荷率缺失值补招。
实施例5
本实施例中,异常点的情况为同时存在两处连续异常点及两个单个异常点,如图6所示,发电机组负荷率缺失值补招的过程如下:
步骤S1在泛能OS系统中输入一天24小时的发电机负荷率数据;
处理第一处连续异常点;
步骤S2判断是否存在连续异常点;
发现连续三个点的负荷率大于100%,判断为是,进入步骤S21;
步骤S21在步骤S2确定的连续异常点中查找第一个异常点;
步骤S22根据步骤S21查找到的第一个异常点的之前连续两个正常点的数值,将两个点的平均值确定为连续异常点修正值;
步骤S23用步骤S22确定的连续异常点修正值替换连续异常点中的每一个异常点,返回步骤S2;
处理第二处连续异常点;
发现连续两个点的负荷率小于0,步骤S2判断为是,进入步骤S21;
步骤S21在步骤S2确定的连续异常点中查找第一个异常点;
步骤S22根据步骤S21查找到的第一个异常点的之前连续两个正常点的数值,将两个点的平均值确定为连续异常点修正值;
步骤S23用步骤S22确定的连续异常点修正值替换连续异常点中的每一个异常点,返回步骤S2;
处理第一个单个异常点;
判断为否,进入步骤S3;
步骤S3判断是否存在单个异常点;
发现一个点的负荷率小于0,判断为是,进入步骤S4;
步骤S4根据步骤S3确定的单个异常点的前两个正常点的数值,将两个正常点的数值确定为单个异常点修正值;
步骤S5用步骤S4确定的单个异常点修正值替换步骤S3确定的单个异常点,返回步骤S3;
最后处理第二个单个异常点;
发现一个点的负荷率小于0,步骤S3判断为是,进入步骤S4;
步骤S4根据步骤S3确定的单个异常点的前两个正常点的数值,将两个正常点的数值确定为单个异常点修正值;
步骤S5用步骤S4确定的单个异常点修正值替换步骤S3确定的单个异常点,返回步骤S3,步骤S3判断结果为否,结束,完成发电机组负荷率缺失值补招。
在实际操作中,因为发电机组负荷率数据的采集时间和采集频率的不同,各种导致异常点出现的因素的不确定性,可能会出现各种不同的异常点的情况,面对各种复杂的异常点的情况,根据实施例2至5的方法,都可以进行相应的处理,直至完成发电机组负荷率缺失值补招,将发电机组的负荷率展示图展示给用户。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法为:
步骤S1系统中输入发电机负荷率数据;
步骤S2判断是否存在连续异常点;
如判断为是,则对判断出的连续异常点进行数值修正后继续判断是否仍存在连续异常点,如果判断为否,则进入步骤S3;
步骤S3判断是否存在单个异常点;
如判断为是,则进入步骤S4,如判断为否,则结束,完成发电机组负荷率缺失值补招;
步骤S4根据步骤S3确定的单个异常点的前值,确定单个异常点修正值;
步骤S5将步骤S4确定的单个异常点修正值赋值给步骤S3确定的单个异常点,返回步骤S3。
2.根据权利要求1所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法中对判断出的连续异常点进行数值修正后继续判断是否仍存在连续异常点的过程具体包括:
步骤S21在步骤S2确定的连续异常点中查找第一个异常点;
步骤S22根据步骤S21查找到的第一个异常点的前值,确定连续异常点修正值;
步骤S23将步骤S22确定的连续异常点修正值赋值给连续异常点中的每一个异常点,返回步骤S2。
3.根据权利要求2所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法中系统为泛能OS系统,所述方法中设备运行数据为每天24小时的发电机负荷率数据。
4.根据权利要求2所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法步骤S2中判断是否存在连续异常点的方法具体为,当某点的负荷率小于0或大于100%时,就认定这点为异常点,连续出现两个以上的异常点判断为存在连续异常点。
5.根据权利要求2所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法步骤S22中第一个异常点的前值为第一个异常点之前连续两个时间点的负荷率值。
6.根据权利要求5所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法步骤S22中的连续异常点修正值为两个时间点的负荷率平均值。
7.根据权利要求6所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法步骤S23中的赋值方法为用连续异常点修正值替换连续异常点中的每一个数值。
8.根据权利要求1所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法步骤S3中判断是否存在单个异常点的方法具体为,当某点的负荷率小于0或大于100%时,就认定这点为异常点,单个出现的异常点判断为存在单个异常点。
9.根据权利要求1所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法步骤S4中的单个异常点修正值为单个异常点之前连续两个时间点的负荷率平均值。
10.根据权利要求9所述的基于短期设备运行数据的发电机组负荷率缺失值补招方法,其特征在于,所述方法步骤S5中的赋值方法为用单个异常点修正值替换单个异常点的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478885.0A CN109446730B (zh) | 2018-12-05 | 2018-12-05 | 基于短期设备运行数据的发电机组负荷率缺失值补招方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478885.0A CN109446730B (zh) | 2018-12-05 | 2018-12-05 | 基于短期设备运行数据的发电机组负荷率缺失值补招方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109446730A true CN109446730A (zh) | 2019-03-08 |
CN109446730B CN109446730B (zh) | 2022-11-29 |
Family
ID=65557472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811478885.0A Active CN109446730B (zh) | 2018-12-05 | 2018-12-05 | 基于短期设备运行数据的发电机组负荷率缺失值补招方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446730B (zh) |
Cited By (5)
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 |
CN110704409A (zh) * | 2019-09-21 | 2020-01-17 | 广东毓秀科技有限公司 | 一种通过数据三棱镜算法进行轨交数据质量优化的方法 |
CN111596093A (zh) * | 2020-04-21 | 2020-08-28 | 天津大学 | 一种基于adcp的海水流速数据处理方法 |
CN113377753A (zh) * | 2021-06-09 | 2021-09-10 | 国网吉林省电力有限公司 | 一种蓄热式电锅炉负荷数据清洗系统 |
CN114741834A (zh) * | 2021-12-02 | 2022-07-12 | 华北电力大学 | 基于时空展开网络流的综合能源能量流优化方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336906A (zh) * | 2013-07-15 | 2013-10-02 | 哈尔滨工业大学 | 环境传感器的采集数据流中连续异常检测的抽样gpr方法 |
CN104615669A (zh) * | 2015-01-15 | 2015-05-13 | 浙江绮耘软件有限公司 | 一种数据订正方法、装置及系统 |
US20150331023A1 (en) * | 2014-05-15 | 2015-11-19 | International Business Machines Corporation | Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data |
CN105469219A (zh) * | 2015-12-31 | 2016-04-06 | 国家电网公司 | 一种基于决策树的电力负荷数据处理方法 |
-
2018
- 2018-12-05 CN CN201811478885.0A patent/CN109446730B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336906A (zh) * | 2013-07-15 | 2013-10-02 | 哈尔滨工业大学 | 环境传感器的采集数据流中连续异常检测的抽样gpr方法 |
US20150331023A1 (en) * | 2014-05-15 | 2015-11-19 | International Business Machines Corporation | Building energy consumption forecasting procedure using ambient temperature, enthalpy, bias corrected weather forecast and outlier corrected sensor data |
CN104615669A (zh) * | 2015-01-15 | 2015-05-13 | 浙江绮耘软件有限公司 | 一种数据订正方法、装置及系统 |
CN105469219A (zh) * | 2015-12-31 | 2016-04-06 | 国家电网公司 | 一种基于决策树的电力负荷数据处理方法 |
Cited By (5)
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 |
CN110704409A (zh) * | 2019-09-21 | 2020-01-17 | 广东毓秀科技有限公司 | 一种通过数据三棱镜算法进行轨交数据质量优化的方法 |
CN111596093A (zh) * | 2020-04-21 | 2020-08-28 | 天津大学 | 一种基于adcp的海水流速数据处理方法 |
CN113377753A (zh) * | 2021-06-09 | 2021-09-10 | 国网吉林省电力有限公司 | 一种蓄热式电锅炉负荷数据清洗系统 |
CN114741834A (zh) * | 2021-12-02 | 2022-07-12 | 华北电力大学 | 基于时空展开网络流的综合能源能量流优化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109446730B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109446730A (zh) | 基于短期设备运行数据的发电机组负荷率缺失值补招方法 | |
CN110082699A (zh) | 一种低压台区智能电能表运行误差计算方法及其系统 | |
Jain et al. | Clustering based short term load forecasting using support vector machines | |
CN104424512B (zh) | 操作计划决策方法和操作计划决策系统 | |
Liu et al. | An overview of decision tree applied to power systems | |
CN111090643B (zh) | 一种基于数据分析系统下的海量用电数据挖掘方法 | |
CN110533092A (zh) | 一种基于运行工况的风力发电机组scada数据分类方法及应用 | |
García Valverde et al. | Water demand estimation and outlier detection from smart meter data using classification and Big Data methods | |
CN106354803A (zh) | 基于特性指标的电力输变电设备负荷坏数据检测算法 | |
CN110555619A (zh) | 一种基于智能配电网的供电能力评估方法 | |
Zhang et al. | The power big data-based energy analysis for intelligent community in smart grid | |
CN109857817A (zh) | 全网域电子式互感器高频度计量数据甄别及数据处理方法 | |
CN105573269B (zh) | 半导体制造机台的参数监控系统及方法 | |
Wang et al. | Application of clustering technique to electricity customer classification for load forecasting | |
CN102231081B (zh) | 一种流程工业设备用能状态诊断方法 | |
CN115392663A (zh) | 一种基于大数据的数据采集处理方法 | |
CN115271390A (zh) | 基于工业园区的碳中和系统 | |
CN114693067A (zh) | 一种异常用电用户识别方法 | |
Ghasemi et al. | Big Data Analytics in Smart Energy Systems and Networks: A Review | |
CN111461449A (zh) | 一种用电负荷预测方法及计算机程序产品 | |
Wahyuningtyas et al. | The Implementation of K-Means Clustering in Coal-Fired Power Plant Performance | |
Diallo | Investment Prediction of Production Technology Transformation Project Based on Data Mining | |
CN116579546B (zh) | 一种基于园区的智能化用电数据分析及管理系统 | |
Xia et al. | Research on short-term load forecasting of power system based on gradient lifting tree | |
Tai et al. | Line Loss Assessment Method Based on Scene Clustering Method |
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 |