CN109726197A - 一种发电机组负荷率缺失值补招方法及装置 - Google Patents
一种发电机组负荷率缺失值补招方法及装置 Download PDFInfo
- Publication number
- CN109726197A CN109726197A CN201811478883.1A CN201811478883A CN109726197A CN 109726197 A CN109726197 A CN 109726197A CN 201811478883 A CN201811478883 A CN 201811478883A CN 109726197 A CN109726197 A CN 109726197A
- Authority
- CN
- China
- Prior art keywords
- point
- normal
- value
- points
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000000295 complement effect Effects 0.000 title abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000001502 supplementing effect Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008034 disappearance Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 239000002184 metal Substances 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 4
- 230000007115 recruitment Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于短期设备负荷率均差的发电机组负荷率缺失值补招方法及装置,方法包括:输入发电机负荷率数据;判断所述数据中是否存在连续正常点;如果存在n个连续的正常点,则记录连续两个正常点的差值绝对值ai;计算所有所述差值绝对值的平均值a,其中n为大于1的整数;提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;如果是正常点,将所述正常点的值加上a即为该异常点的值;如果不是正常点,则查找连续异常点的第一个点,然后将所述第一个点前面的正常点的值加上a即为该异常点的值。本发明的技术方案,可更为准确的对发电机组负荷率缺失数据进行补招。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种发电机组负荷率缺失值补招方法及装置。
背景技术
泛能网是利用能源和信息技术,将能源网、物联网和互联网进行高效集成形成的一种新型能源互联网,是现代能源体系的解决方案,泛能网改变了传统的能源利用方式,大幅度提高能源利用效率并有效降低PM2.5排放,实现节能环保降耗。
泛能网由能源层、控制层、互智层三层网络结构组成。其主要系统构成包括泛能机、泛能站、泛能能效平台、泛能云平台。泛能机能实现多种化石能源、可再生能源、环境势能等的多源输入,同时完成气、电、冷、热等多品位能源的输出。泛能站和泛能能效平台通过燃料化学能的梯级利用及对环境势能的借势增益,将整体能源利用效率由传统热电分产的40%-60%提高到85%以上。泛能云平台基于大数据和云计算,发现价值交换机会,提供运维、交易、数据等服务,实现能源、资源价值的最大化。
在泛能系统当中,发电机的负荷率展示是一项比较重要的功能,但是通常来说发电机的负荷率数据量巨大,甚至达到数以亿计的水平,通过运行设备获取负荷率数据之后要经过清洗处理。如附图1中7:00点位置所示的数据,通常是由于异常值问题而导致的数据缺失。
现有技术中,在发电机组的负荷率进行展示过程中出现了异常值问题时,通常会对该数值进行删除处理,从而导致了该点位的值缺失,如果通过缺失的状态进行展示会影响到用户的使用,所以需要对该点位的数值进行补招或插值,从而完善展示图,因此,本发明提供一种发电机组负荷率缺失值补招方法及装置。
发明内容
本发明提供一种发电机组负荷率缺失值补招方法及装置,其基于短期设备负荷率均差进行缺失值补招,的可更为准确的对燃气锅炉负荷率缺失值进行补招。第一方面,本发明提供了一种发电机组负荷率缺失值补招方法,包括:
输入发电机负荷率数据;
判断所述数据中是否存在连续的正常点;
如果存在n个连续的正常点,则分别记录连续两个正常点处负荷率的差值绝对值ai;其中,n为大于1的整数,ai为第i个差值绝对值,i为整数;
计算所有所述差值绝对值ai的平均值a;
提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;
如果所述前面的点是正常点,将所述正常点的值加上所述平均值a作为所述异常点的值。
优选地,
步骤S5中,如果所述前面的点不是正常点,则查找连续异常点的第一个点,将所述第一个点前面的正常点的值加上所述平均值a作为所述异常点的值。
优选地,
所述异常点为所述发电机负荷率数据缺失的点或异常变化的点。
优选地,
在所述步骤S2中,所述的n个连续的正常点为至少3个连续的正常点。
第二方面,本发明提供了一种发电机组负荷率缺失值补招装置,包括:
输入模块,用于输入发电机负荷率数据;
判断模块,用于判断所述数据中是否存在连续的正常点;
绝对值计算模块,用于在存在n个连续的正常点时,记录连续两个正常点的差值绝对值ai;其中,n为大于1的整数,ai为第i个差值绝对值,i为整数;
均值计算模块,用于计算所有所述差值绝对值的平均值记为a;
异常点提取模块,用于提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;
修正模块,用于判断所述前面的点是正常点时,将所述正常点的值加上a作为所述异常点的值。
优选地,
所述修正模块还用于:如果判断所述前面的点不是正常点,则查找连续异常点的第一个点,将所述第一个点前面的正常点的值加上所述平均值a作为所述异常点的值。
优选地,
绝对值计算模块中的所述的n个连续的正常点为至少3个连续的正常点。
第三方面,本发明还提出了一种电子设备,包括:
处理器;以及存储有计算机可执行指令的存储器;处理器执行存储器中的可执行指令以实现本发明的发电机组负荷率缺失值补招方法。
本发明还涉及一种计算机可读存储介质,其存储有计算机可读的程序指令,该程序指令被处理器执行时实现本发明的发电机组负荷率缺失值补招方法。
本发明公开了一种发电机组负荷率缺失值补招方法及装置,其通过基于同一天内发电机组负荷率数据的分析,基于该短期的设备负荷率均差对发电机组负荷率异常数据进行补招,提高了发电机组负荷率数据的完整度和准确性,可以更好地进行发电机组负荷率展示和分析。
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为本发明背景技术中所提到的发电机负荷率数据展示图;
图2为本发明一实施例提供的发电机组负荷率缺失值补招方法示意图;
图3为本发明一实施例提供的发电机组负荷率缺失值补招装置示意图;
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。
根据本发明提出的一具体实施例,如附图2所示,本发明提供了一种发电机组负荷率缺失值补招方法,其基于短期设备负荷率均差来计算补招值,可更为准确的对燃气锅炉负荷率缺失值进行补招。所述方法包括:
S0:输入发电机负荷率数据;
S1:判断所述数据中是否存在连续的正常点;
S2:如果存在n个连续的正常点,则记录连续两个正常点负荷率的差值绝对值ai;其中,n为大于1的整数,ai为第i个差值绝对值,i为整数;
S3:计算所有所述差值绝对值的平均值,计为a;
S4:提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;
S5:如果是正常点,将所述正常点的值加上a作为该异常点的值;如果不是正常点,则查找连续异常点的第一个点,然后将所述第一个点前面的正常点的值加上a作为该异常点的值。
根据本发明上述实施例的技术方案,当某些时间点的发电机组负荷率数据存在异常情况或缺失时,利用与该时间点临近的短期内的正常数据点作为基础来对异常点的数据进行计算,计算过程中考虑了所有正常点之间的数据波动情况,通过计算正常点之间的数据差值并以该差值的平均值作为数据之间的波动,以此来获得所述异常数据的补招值,解决了数据异常或缺失的问题,提高了用户在使用负荷率数据时的准确性。
以下对本申请的基于短期设备负荷率均差的发电机组负荷率缺失值补招方法的各个步骤进行详细的说明。
具体地,在步骤S0中,输入发电机负荷率数据;
其中,所述发电机负荷率数据是一定时间内发电机组的实际运行数据,其包括在每个时间采集处所采集的发电机组的负荷率数据,例如一天24小时内的发电机组负荷率数据。该负荷率数据记录了发电机组一定时期内的工作状态,用于在显示时帮助用户了解发电机组的运行状况。所记录的负荷率数据例如表示为[A1,A2…Am],Am表示在第m个时间采集处所采集的负荷率的数值;所采集的数据的存储格式可采用本领域中公知的数据结构形式,本发明并不限于此。
获取了发电机负荷率数据后,在步骤S1中,判断所述数据中是否存在连续的正常点;
具体地,对于所采集的负荷率数据A1,A2…Am,分别判断各个数据是否属于正常数据,并且判断正常数据之间是否存在连续的情形。具体而言,假设获取的负荷率数据为[A1,A2,A3,A4,A5,A6],首先分别对各个负荷率数据是否正常进行判断;若判断A1,A2,A3,A4均为正常数据,A5为异常数据,A6为正常数据,继而再判断各正常数据之间是否是连续的,可以看出,数据A1,A2,A3,A4属于连续正常的数据,A6则不属于连续正常的数据。
具体地,在步骤S2中,如果存在n个连续的正常点,则分别记录连续两个正常点的负荷率的差值绝对值ai;
例如以上述的负荷率数据[A1,A2,A3,A4,A5,A6]来说,存在A1,A2,A3,A4这4个连续正常的数据,此时分别计算连续两个正常点的负荷率的差值绝对值ai,即a1=|A2-A1|,a2=|A3-A2|,a3=|A4-A3|;A6为正常数据,但其不属于连续的正常点,因此在此步骤中将不参与计算。
优选地,所述的n个连续的正常点为至少3个连续的正常点。
在步骤S3中,计算所有所述差值绝对值的平均值,计为a;
具体地,对于上一步骤获得的差值绝对值a1,a2,a3,计算其平均值a,a=(a1+a2+a3)/3;该平均值是所有正常数据点之间的均差,代表了正常数据点之间的平均波动情况,其将作为异常数据点缺失值的补招计算。
具体地,在步骤S4中,提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;
其中,所述异常点可以为所述发电机组负荷率数据缺失的点。如附图1中所示,在所展示的发电机组负荷率数据中,在2018年8月27日7:00之前、之后的持续时间内,发电机组负荷率数据分别保持在一个相对稳定的水平,而在7:00时刻出现了负荷率急剧降低、数值为零的情况,可以判断该时间点处出现了数据异常缺失的情况,该点出的数据即为数据异常点。本领域技术人员可以理解,发电机组负荷率异常的定义可以根据实际标准进行设定,可依据发电机组实际的运行状态、运行参数要求等相应设置,本发明对此不作限制。
对于上述的负荷率数据[A1,A2,A3,A4,A5,A6]来说,A5是异常点。在获取到数据异常点后,需要对其进行补招计算;
本发明在补招计算时,采用的是短期内的设备负荷率数值,也就是利用与异常点位置最近的正常点处的值作为基础来对异常点进行补招计算。因此在步骤S4中,要对异常点附近的正常点进行查找,具体为:判断所述异常点前面的点是否为正常点。
对于步骤S4中查找到的异常点前面的数据点,根据该数据点的类型在步骤S5中分情况进行处理。
在步骤S5中,如果查找到的数据点是正常点,则将所述正常点的值加上步骤S3中计算得到的平均值a,作为所述异常点的数据值;如果不是正常点,则查找连续异常点的第一个点,然后将所述第一个点前面的正常点的值加上a作为所述异常点的值。
具体地,对于上述的负荷率数据[A1,A2,A3,A4,A5,A6]来说,A5是异常点,查找其前面的数据点A4,判断A4是否为正常点,在A4为正常点时,将A4加上步骤S3中计算得到的平均值a作为异常点A5的最新值,即A5=A4+a。另一种情况,如果前面的数据点A4判断为也是异常点,则继续向前搜索,直至出现正常的数据点,此时将该正常点的值加上平均值a作为所述异常点的值。以此,完成了异常点缺失数据的补招。
本发明所提出的基于短期设备负荷率均差的发电机组负荷率缺失值补招的方法,利用与异常数据点临近的短期内的正常数据点作为基础来对异常点的数据进行计算,计算过程中考虑了所有正常点之间的数据波动情况,通过计算正常点之间的数据差值并以该差值的平均值作为数据之间的波动,以此来获得所述异常数据的补招值,解决了数据异常或缺失的问题,提高了用户在使用负荷率数据时的准确性,能够准确反映发电机组负荷率的实际运行情况。
如图3所示,本发明还提供了一种发电机组负荷率缺失值补招装置,其特征在于,包括:
输入模块200,用于输入发电机负荷率数据;;
判断模块201,用于判断所述数据中是否存在连续的正常点;
绝对值计算模块202,用于在判断存在n个连续的正常点,则记录连续两个正常点负荷率的差值绝对值ai;其中,n为大于1的整数,ai为第i个差值绝对值,i为整数;
均值计算模块203,用于计算所有所述差值绝对值的平均值a;
异常点提取模块204,用于提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;
修正模块205,用于在判断是正常点时,将所述正常点的值加上a作为该异常点的值;如果不是正常点,则查找连续异常点的第一个点,然后将所述第一个点前面的正常点的值加上a作为该异常点的值。
根据本发明上述实施例的所述装置,当某些时间点的发电机组负荷率数据存在异常情况或缺失时,利用与该时间点临近的短期内的正常数据点作为基础来对异常点的数据进行计算,计算过程中考虑了所有正常点之间的数据波动情况,通过计算正常点之间的数据差值并以该差值的平均值作为数据之间的波动,以此来获得所述异常数据的补招值,解决了数据异常或缺失的问题,提高了用户在使用负荷率数据时的准确性。
以下对本申请的基于短期设备负荷率均差的发电机组负荷率缺失值补招庄治国的各个单元进行详细的说明。
具体地,在输入模块200中,输入发电机负荷率数据;
其中,所述发电机负荷率数据是一定时间内发电机组的实际运行数据,其包括在每个时间采集处所采集的发电机组的负荷率数据,例如一天24小时内的发电机组负荷率数据。该负荷率数据记录了发电机组一定时期内的工作状态,用于在显示时帮助用户了解发电机组的运行状况。所记录的负荷率数据例如表示为[A1,A2…Am],Am表示在第m个时间采集处所采集的负荷率的数值;所采集的数据的存储格式可采用本领域中公知的数据结构形式,本发明并不限于此。
获取了发电机负荷率数据后,在判断模块201中,判断所述数据中是否存在连续的正常点;
具体地,对于所采集的负荷率数据A1,A2…Am,分别判断各个数据是否属于正常数据,并且判断正常数据之间是否存在连续的情形。具体而言,假设获取的负荷率数据为[A1,A2,A3,A4,A5,A6],首先分别对各个负荷率数据是否正常进行判断;若判断A1,A2,A3,A4均为正常数据,A5为异常数据,A6为正常数据,继而再判断各正常数据之间是否是连续的,可以看出,数据A1,A2,A3,A4属于连续正常的数据,A6则不属于连续正常的数据。
具体地,在绝对值计算模块202中,如果存在n个连续的正常点,则分别记录连续两个正常点的负荷率的差值绝对值ai;
例如以上述的负荷率数据[A1,A2,A3,A4,A5,A6]来说,存在A1,A2,A3,A4这4个连续正常的数据,此时分别计算连续两个正常点的负荷率的差值绝对值ai,即a1=|A2-A1|,a2=|A3-A2|,a3=|A4-A3|;A6为正常数据,但其不属于连续的正常点,因此在此单元中将不参与计算。
在均值计算模块203中,计算所有所述差值绝对值的平均值;
具体地,对于上一步骤获得的差值绝对值a1,a2,a3,计算其平均值a,a=(a1+a2+a3)/3;该平均值是所有正常数据点之间的均差,代表了正常数据点之间的平均波动情况,其将作为异常数据点缺失值的补招计算。
具体地,在异常点提取模块204中,提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;
其中,所述异常点可以为所述发电机组负荷率数据缺失的点。如附图1中所示,在所展示的发电机组负荷率数据中,在2018年8月27日7:00之前、之后的持续时间内,发电机组负荷率数据分别保持在一个相对稳定的水平,而在7:00时刻出现了负荷率急剧降低、数值为零的情况,可以判断该时间点处出现了数据异常缺失的情况,该点出的数据即为数据异常点。本领域技术人员可以理解,发电机组负荷率异常的定义可以根据实际标准进行设定,可依据发电机组实际的运行状态、运行参数要求等相应设置,本发明对此不作限制。
对于上述的负荷率数据[A1,A2,A3,A4,A5,A6]来说,A5是异常点。在获取到数据异常点后,需要对其进行补招计算;
本发明在补招计算时,采用的是短期内的设备负荷率数值,也就是利用与异常点位置最近的正常点处的值作为基础来对异常点进行补招计算。因此在异常点提取模块204中,要对异常点附近的正常点进行查找,具体为:判断所述异常点前面的点是否为正常点。
对于在异常点提取模块204中查找到的异常点前面的数据点,根据该数据点的类型在修正模块205中分情况进行处理。
在修正模块205中,如果查找到的数据点是正常点,则将所述正常点的值加上均值计算模块203中计算得到的平均值a,作为所述异常点的数据值;如果不是正常点,则查找连续异常点的第一个点,然后将所述第一个点前面的正常点的值加上a作为所述异常点的值。
具体地,对于上述的负荷率数据[A1,A2,A3,A4,A5,A6]来说,A5是异常点,查找其前面的数据点A4,判断A4是否为正常点,在A4为正常点时,将A4加上均值计算模块203中计算得到的平均值a作为异常点A5的最新值,即A5=A4+a。另一种情况,如果前面的数据点A4判断为也是异常点,则继续向前搜索,直至出现正常的数据点,此时将该正常点的值加上平均值a作为所述异常点的值。以此,完成了异常点缺失数据的补招。
本发明所提出的基于短期设备负荷率均差的发电机组负荷率缺失值补招的装置,利用与异常数据点临近的短期内的正常数据点作为基础来对异常点的数据进行计算,计算过程中考虑了所有正常点之间的数据波动情况,通过计算正常点之间的数据差值并以该差值的平均值作为数据之间的波动,以此来获得所述异常数据的补招值,解决了数据异常或缺失的问题,提高了用户在使用负荷率数据时的准确性,能够准确反映发电机组负荷率的实际运行情况。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元或模块分别描述。当然,在实施本发明时可以把各单元或模块的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
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负荷率均差的发电机组负荷率缺失值补招方法,其特征在于,包括:
输入发电机负荷率数据;
判断所述数据中是否存在连续的正常点;
如果存在n个连续的正常点,则分别记录连续两个正常点处负荷率的差值绝对值ai;其中,n为大于1的整数,ai为第i个差值绝对值,i为整数;
计算所有所述差值绝对值ai的平均值a;
提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;
如果所述前面的点是正常点,将所述正常点的值加上所述平均值a作为所述异常点的值。
2.根据权利要求1所述的方法,其特征在于,
如果所述前面的点不是正常点,则查找连续异常点的第一个点,将所述第一个点前面的正常点的值加上所述平均值a作为所述异常点的值。
3.根据权利要求1所述的方法,其特征在于,
所述异常点为所述发电机负荷率数据缺失的点或异常变化的点。
4.根据权利要求1所述的方法,其特征在于,
在所述步骤S2中,所述的n个连续的正常点为至少3个连续的正常点。
5.一种基于短期设备负荷率均差的发电机组负荷率缺失值补招装置,其特征在于,包括:
输入模块,用于输入发电机负荷率数据;
判断模块,用于判断所述数据中是否存在连续的正常点;
绝对值计算模块,用于在存在n个连续的正常点时,记录连续两个正常点的差值绝对值ai;其中,n为大于1的整数,ai为第i个差值绝对值,i为整数;
均值计算模块,用于计算所有所述差值绝对值ai的平均值记为a;
异常点提取模块,用于提取发电机负荷率数据异常点,判断所述异常点前面的点是否为正常点;
修正模块,用于判断所述前面的点是正常点时,将所述正常点的值加上a作为所述异常点的值。
6.根据权利要求5所述的装置,其特征在于,所述修正模块还用于:
如果判断所述前面的点不是正常点,则查找连续异常点的第一个点,将所述第一个点前面的正常点的值加上所述平均值a作为所述异常点的值。。
7.根据权利要求5所述的装置,其特征在于,
所述异常点为所述发电机负荷率数据缺失的点或异常变化的点。
8.根据权利要求5所述的装置,其特征在于,
绝对值计算模块中的所述的n个连续的正常点为至少3个连续的正常点。
9.一种电子设备,其特征在于:
包括处理器;
以及存储有计算机可执行指令的存储器;
所述处理器执行存储器中的可执行指令以实现权利要求1-4任一所述的方法。
10.一种计算机可读存储介质,其特征在于:
其存储有计算机可读的程序指令,该程序指令被处理器执行时实现权利要求1-4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478883.1A CN109726197A (zh) | 2018-12-05 | 2018-12-05 | 一种发电机组负荷率缺失值补招方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811478883.1A CN109726197A (zh) | 2018-12-05 | 2018-12-05 | 一种发电机组负荷率缺失值补招方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726197A true CN109726197A (zh) | 2019-05-07 |
Family
ID=66294891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811478883.1A Pending CN109726197A (zh) | 2018-12-05 | 2018-12-05 | 一种发电机组负荷率缺失值补招方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726197A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236048A (zh) * | 2011-06-16 | 2011-11-09 | 国网电力科学研究院 | 一种电力系统相量频率测量方法 |
US20120287148A1 (en) * | 2011-05-13 | 2012-11-15 | Candice Hellen Brown Elliott | Method and apparatus for improved subpixel rendering |
CN104484673A (zh) * | 2014-12-05 | 2015-04-01 | 南京大学 | 实时数据流模式识别应用的数据补全方法 |
CN106529704A (zh) * | 2016-10-31 | 2017-03-22 | 国家电网公司 | 月最大电力负荷预测方法及装置 |
CN107527134A (zh) * | 2017-07-11 | 2017-12-29 | 中国农业大学 | 一种基于大数据的配电变压器状态评估方法及装置 |
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
- 2018-12-05 CN CN201811478883.1A patent/CN109726197A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120287148A1 (en) * | 2011-05-13 | 2012-11-15 | Candice Hellen Brown Elliott | Method and apparatus for improved subpixel rendering |
CN102236048A (zh) * | 2011-06-16 | 2011-11-09 | 国网电力科学研究院 | 一种电力系统相量频率测量方法 |
CN104484673A (zh) * | 2014-12-05 | 2015-04-01 | 南京大学 | 实时数据流模式识别应用的数据补全方法 |
CN106529704A (zh) * | 2016-10-31 | 2017-03-22 | 国家电网公司 | 月最大电力负荷预测方法及装置 |
CN107527134A (zh) * | 2017-07-11 | 2017-12-29 | 中国农业大学 | 一种基于大数据的配电变压器状态评估方法及装置 |
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 |
Non-Patent Citations (1)
Title |
---|
张汉敬: "配电网线损在线监测及分析系统设计方案研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Welsch et al. | Modelling elements of smart grids–enhancing the OSeMOSYS (open source energy modelling system) code | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
US8983880B2 (en) | Information spread scale prediction device, information spread scale prediction method, and information spread scale prediction program | |
CN106709147B (zh) | 一种基于bpa的短路故障极限切除时间批量自动求取方法 | |
CN103235811A (zh) | 一种数据存储方法及装置 | |
WO2019021438A1 (ja) | 太陽光発電量予測装置、太陽光発電量予測システム、予測方法及びプログラム | |
Herrera et al. | Alternative energy policy for mitigating the asynchrony of the wind-power industry’s supply chain in Brazil | |
CN116012196A (zh) | 复杂用电园区碳计量方法、系统、计算机设备及存储介质 | |
CN109829076B (zh) | 一种生成区块链的方法及设备 | |
CN115693650A (zh) | 一种区域电力碳排放因子的确定方法、装置、设备及介质 | |
CN114447964A (zh) | 储能充放电方案的确定方法、装置、设备及存储介质 | |
CN109658094B (zh) | 随机游走、基于集群的随机游走方法、装置以及设备 | |
US10990072B2 (en) | Maintaining power grid stability using predicted data | |
CN109726197A (zh) | 一种发电机组负荷率缺失值补招方法及装置 | |
Jalli et al. | Data Science Applications in Renewable Energy: Leveraging Big Data for Sustainable Solutions | |
CN115935723A (zh) | 用于实现氮化镓制备场景下的设备组合分析方法及系统 | |
Podkovalnikov et al. | The computing and information system for study of scenarios for interstate power grids expansion | |
CN117973579A (zh) | Ccus碳减排贡献量计算方法、装置、存储介质及处理器 | |
CN114358734A (zh) | 一种项目资金概预算管控方法及系统 | |
CN109217367B (zh) | 风力发电预测方法、装置及设备 | |
JP6750472B2 (ja) | 情報処理装置、情報処理システム、情報処理プログラム及び情報処理方法 | |
CN111598302A (zh) | 一种基于ap-ts-svr模型的热电厂短期工业热负荷预测方法 | |
CN112260309A (zh) | 一种光伏电站可信容量的计算方法及装置 | |
Safari | Hybrid emerging model predictive data-driven forecasting of three-phase electrical signals of photovoltaic systems using GBR-LSTM | |
CN114024302B (zh) | 用于评价台区的方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |
|
RJ01 | Rejection of invention patent application after publication |