CN110443425A - 基于Prophet的智能铁路车站电能能耗预测方法 - Google Patents
基于Prophet的智能铁路车站电能能耗预测方法 Download PDFInfo
- Publication number
- CN110443425A CN110443425A CN201910737592.8A CN201910737592A CN110443425A CN 110443425 A CN110443425 A CN 110443425A CN 201910737592 A CN201910737592 A CN 201910737592A CN 110443425 A CN110443425 A CN 110443425A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- electric energy
- prediction
- data
- consumption 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
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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于能耗预测技术领域，公开了一种基于Prophet的智能铁路车站电能能耗预测方法。该方法包括：对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据；将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。通过上述方式，对所述待测电表进行有效预测，以寻找高能耗环节，进而采取技术手段达到节约能源的效果。
Description
技术领域
本发明涉及能耗预测技术领域，尤其涉及一种基于Prophet的智能铁路车站电能能耗预测方法。
背景技术
伴随着高速铁路的发展，如今的铁路车站已进入智能化时代，目前，国内铁路车站主要使用模糊最小二乘支持向量机(FLS-SVM)、径向基神经网络(RBF-ANN)等技术对电能进行预测。模糊最小二乘支持向量机因其学习速度快、跟踪性能好、泛化能力强、精度高等优点被广泛应用于能耗预测领域。在SVM预测中，高斯核函数可以看作与每一个输入点的距离，而RBF神经网络对输入点做了一个聚类，同样可以得到较好的预测效果，但SVM与RBF预测中存在如下缺陷：
(1)SVM借助二次规划求解支持向量，求解二次规划将涉及m阶矩阵计算(m为样本的个数)，当m数目很大时该矩阵的存储和计算将耗费大量的机器内存和运算时间。
(2)RBF隐层基函数的中心是在输入样本集中选取的，通常难以反映出系统真正的输入输出关系，并且初始中心点数较多，优选过程中通常会出现数据病态现象。
为此，有待发明一种基于智能铁路车站大量监测数据的现代化电能预测方法。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于Prophet的智能铁路车站电能能耗预测方法，旨在解决智能铁路车站电能预测的技术问题。
为实现上述目的，本发明提供了一种基于Prophet的智能铁路车站电能能耗预测方法，所述方法包括以下步骤:
对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据；
将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
优选地，所述将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图的步骤，包括：
判断各子节点对应的实测电能能耗数据是否存在异常；
在所述实测电能能耗数据不存在异常时，将所述实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图；
在所述各子节点的实测电能能耗数据存在异常时，对异常数据进行数值补充，得到完整电能能耗数据，并将所述完整电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
优选地，所述对异常数据进行数值补充的步骤，包括：
在映射关系表中根据时间戳查找异常数据的相邻实测电能能耗数据前值和相邻实测电能能耗数据后值；
计算相邻实测电能能耗数据前值和相邻实测电能能耗数据后值的平均值，并根据所述平均值对所述异常数据进行数值填充，以获得完整映射关系表；
所述映射关系表存放有时间戳和实测电能能耗数据的对应关系。
优选地，所述将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图的步骤之前，所述方法还包括：
在所述实测电能能耗数据中选取样本数据；
将所述样本数据划分为训练数据和测试数据；
根据所述训练数据建立预设预测模型，根据所述测试数据对预设预测模型进行检验。
优选地，所述根据所述训练数据建立预设预测模型的步骤，包括：
根据所述训练数据，通过预设趋势公式计算趋势函数；
根据所述趋势函数，通过预设模型公式建立预设预测模型，并获得训练数据对应的预测参数。
优选地，所述根据所述测试数据对预设预测模型进行检验的步骤，包括：
将所述测试数据输入至所述预设预测模型，得到测试数据对应的目标参数；
根据所述预测参数和所述目标参数，通过预设对比公式计算对比值；
判断所述对比值是否满足预设阈值；
在所述对比值满足所述预设阈值时，将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图；
在所述对比值不满足所述预设阈值时，重新获取所述各子节点对应的实测电能能耗数据，在所述实测电能能耗数据中选取样本数据，在所述样本数据中提取训练数据，根据所述训练数据重新建立预设预测模型。
优选地，所述获得预测电能能耗数据对应的预测曲线图的步骤之后，所述方法还包括：
在所述预测曲线图中，提取所述预测电能能耗数据对应的季节特征信息；
根据所述季节特征信息，通过所述预设预测模型预测所述预测电能能耗数据的趋势。
此外，为实现上述目的，本发明还提出一种基于Prophet的智能铁路车站电能能耗预测装置，所述装置包括：获取模块，用于对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据；
预测模块，用于将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
此外，为实现上述目的，本发明还提出一种电子设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于Prophet的智能铁路车站电能能耗预测程序，所述基于Prophet的智能铁路车站电能能耗预测程序配置为实现如上文所述的基于Prophet的智能铁路车站电能能耗预测方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机存储介质上存储有基于Prophet的智能铁路车站电能能耗预测程序，所述基于Prophet的智能铁路车站电能能耗预测程序被处理器执行时实现如上文所述的基于Prophet的智能铁路车站电能能耗预测方法的步骤。
本发明对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据，然后判断所述实测电能能耗数据是否存在异常，在所述各子节点的实测电能能耗数据不存在异常时，在所述映射关系表中，将所述时间戳进行升序排列，选取相邻时间戳对应的部分实测电能能耗数据，将所述部分实测电能能耗数据作为样本数据，根据所述样本数据建立预设预测模型，之后选取剩余部分的实测电能能耗数据，将所述剩余部分的实测电能能耗数据作为所述预设预测模型中的测试数据，根据所述测试数据，通过预设相关公式计算相关系数，根据判断所述相关系数是否满足预设阈值，在所述相关系数满足所述预设阈值时，将所述实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图，从而能够得到更精准的预测电能能耗对应的预测曲线图，提高了用户体验，同时，根据预测曲线图快速解决浪费能源的问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的电子设备的结构示意图；
图2为本发明基于Prophet的智能铁路车站电能能耗预测方法第一实施例的流程示意图；
图3为数据采集接口设计图；
图4为电能耗数据训练曲线图；
图5为电能耗数据预测曲线图；
图6为本发明基于Prophet的智能铁路车站电能能耗预测方法第二实施例的流程示意图；
图7为电能能耗数据趋势特征图；
图8为电能能耗数据季节特征图；
图9为本发明基于Prophet的智能铁路车站电能能耗预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于Prophet的智能铁路车站电能能耗预测设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于Prophet的智能铁路车站电能能耗预测程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在基于Prophet的智能铁路车站电能能耗预测设备中，所述电子设备通过处理器1001调用存储器1005中存储的基于Prophet的智能铁路车站电能能耗预测程序，并执行本发明实施例提供的基于Prophet的智能铁路车站电能能耗预测方法。
本发明实施例提供了一种基于Prophet的智能铁路车站电能能耗预测方法，参照图2，图2为本发明一种基于Prophet的智能铁路车站电能能耗预测方法第一实施例的流程示意图。
本实施例中，所述基于Prophet的智能铁路车站电能能耗预测方法包括以下步骤：
步骤S10：对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据。
需要说明的是，在预设场景下对用电系统中的各子节点的预测电表进行监测时，获得所述预测电表的基础信息数据，之后，根据所述基础信息数据从所述预测电表中筛选出待测电表，对所述待测电表进行监测，获取所述待测电表对应的实测电能能耗数据。
此外，应理解的是，基于Prophet系统用于存储采集各子节点的电能能耗数据，所述Prophet是为了基于Prophet的智能铁路车站电能能耗预测任务而优化开发的，其中，所述预测任务具有以下特点：(1)对待测电表进行每小时、每天及每周的监测，以获得历史数据；(2)具有较强和多次的季节性规律，例如每周的一些天和每年的一些时间具有典型的季节性或周期性规律；(3)具有先验的以不定期间隔发生的重要间隔，例如节假日等；(4)具有合理数量的缺失值或异常值的样本；(5)具有历史趋势的变化性，例如因为产品发布或记录改变带来的趋势变化；(6)具有非线性增长曲线的趋势，其中有的趋势可以达到了极限或饱和状态对于非线性增长曲线的趋势，可设置极限或饱和值，在达到极限或饱和状态后停止继续增长。若没有达到极限或饱和值，则可按原趋势增长。
此外，需要说明的是，在基于Prophet系统对所述电能能耗数据进行监测时，其中，对监测电能能耗数据进行了如下设置：(1)分段线性或logistic增长趋势曲线。通过从数据中选择转变点，Prophet可自动探测趋势变化；(2)按年的周期组件，Prophet使用傅立叶级数建模每年的季节分量；(3)按周的周期组件，使用虚变量(dummy variables)创建每个周期分量；(4)用户可以自定义重要节、假日列表。
此外，为了便于理解，以下进行举例说明：
智能铁路车站使用电表监测车站各节点的电能能耗，主要包括总电、通信、信号、信息、热泵机房、电扶梯、给排水、空调、通风、综合维修、道岔融雪、防灾系统、室内外照明及货运站门吊等节点的电能能耗。通常使用智能电表实时采集上述各子节点的电能能耗数据，支持485通信协议并挂载在485总线上，上述系统定时对各子节点的电能能耗数据进行采集，采集完成后，采用Hadoop分布式文件系统(HDFS)存储上述过程采集的数据，将结构化的电表能耗数据文件映射为一张Hive数据库表格，采集接口设计方案如图3所示。Hive是一种底层封装了Hadoop的数据仓库处理工具，使用类SQL的HiveQL语言实现数据查询，所有Hive表中的数据都存储在Hadoop兼容的文件系统HDFS中，Hive在加载数据过程中不会对数据进行任何的修改，只是将数据移动到HDFS中Hive设定的目录下进行电能能耗数据储存。
步骤S20：将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
需要说明的是，在进行采集实测电能能耗数据时，可能会因为临时断电、设备重启或外界干扰，在某种特定时刻可能会出现数据缺失或异常现象，之后，在系统中的映射关系表进行数据筛选，根据筛选的结果对所述缺失数据或异常数据进行标记。
此外，应理解的是，在判断所述实测电能能耗数据是否存在异常的步骤之后，根据判断结果，做出以下解决方法：在所述实测电能能耗数据存在异常时，对异常数据进行数值补充。
此外，需要说明的是，上述所说的对异常数据进行数值补充为在映射关系表中根据时间戳查找异常数据的相邻实测电能能耗数据前值和相邻实测电能能耗数据后值，计算相邻实测电能能耗数据前值和相邻实测电能能耗数据后值的平均值，并根据所述平均值对所述异常数据进行数值填充，以获得完整映射关系表，所述映射关系表存放有时间戳和实测电能能耗数据的对应关系。
此外，为了便于理解，以下进行举例说明：
假设，在映射关系表中存在时间戳和对应的实测电能能耗数据，其中，时间戳为12:00，对应的实测电能能耗数据为0.3；时间戳为12:01，对应的实测电能能耗数据为缺失数据；时间戳为12:02，对应的实测电能能耗数据为0.5等，则根据0.3和0.5进行计算，得到平均值0.4，因此，12:01对应的电能能耗数据0.4作为缺失数据在映射关系表中进行填充，得到完整的映射关系表，从而，使得建立预设预测模型时更加精准，本实施例对此没有限制。
此外，应理解的是，在所述实测电能能耗数据不存在异常时，将所述实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
需要说明的是，在所述实测电能能耗数据不存在异常时，在所述实测电能能耗数据中选取样本数据，将所述样本数据划分为训练数据和测试数据，根据所述训练数据，通过预设趋势公式计算趋势函数，根据所述趋势函数，通过预设模型公式建立预设预测模型，并获得训练数据对应的预测参数，将所述测试数据输入至所述预设预测模型，得到测试数据对应的目标参数，根据所述预测参数和所述目标参数，通过预设对比公式计算对比值，判断所述对比值是否满足预设阈值，在所述对比值满足所述预设阈值时，将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图，在所述对比值不满足所述预设阈值时，重新获取所述各子节点对应的实测电能能耗数据，在所述实测电能能耗数据中选取样本数据，在所述样本数据中提取训练数据，根据所述训练数据重新建立预设预测模型，之后，将所述各子节点的实测电能能耗数据输入至预设预测模型，获取预测电能能耗数据对应的预测曲线图，
其中，所述对比公式为：
式中，r为对比值，为xi的平均值，为yi的平均值，x为实测电能能耗数据，y为预测电能能耗数据。
此外，需要说明的是，为了便于理解，以下进行举例说明：
上述所说的根据所述实测电能能耗数据建立预设预测模型为将所述时间戳进行升序排列，选取一部分的实测电能能耗数据，根据所述选取的实测电能能耗数据，通过预设趋势函数公式建立预设预测模型，(1)对非专家的用户可以通过直观的方式进行参数自定义，这里的参数是指季节平滑参数和趋势平滑参数，季节平滑参数是指春、夏、秋、冬四季的起始时间；趋势平滑参数是指曲线增长或降低变化速率的快慢，用户可以调整季节平滑参数与历史周期数据之间的接近程度、调整趋势平滑参数跟随历史趋势变化的近似程度；(2)对于增长曲线的预测，用户可以手动设定增长曲线的上限，以便加入关于预测增长或下降情况的先验信息；(3)用户还可以为模型指定没有规律的节假日，比如春节、中秋等节日日期。
其中，所述预设趋势函数公式为：
g(t)＝C/(1+exp(-k(t-m)))
式中，t为时间，g(t)为趋势函数，C为饱和值(承载能力)，k为增长率，m为偏置参数；
其中，所述预设预测模型为：
y(t)＝g(t)+s(t)+h(t)+∈
式中，t为时间，y(t)为预测的结果，g(t)为趋势函数，s(t)为周期性的变化，h(t)为节假日等偶然一天或几天造成的影响，∈为误差项(代表本模型没有考虑到的误差的影响)。
此外，应理解的是，为了便于理解，以下进行举例说明：
根据历史数据拟合的趋势函数为g(t)＝100/(1+e^(-3*(t-1)))，周期函数为s(t)＝sin(t),节假日函数为分段函数，h(t)＝0.05(t％7＝0)；h(t)＝0(t％7！＝0)，∈为0.01，则对时间t,可预测出此时的能耗y(t)，在实验中基于映射关系表中的时间戳升序对应的前项80％的历史数据作为训练数据，如图4所示，根据所述选取的80％历史数据建立数据模型，利用剩余20％的数据样本作为模型测试，计算相关系数和均方根误差指标，验证预测方法的预测效果。
此外，需要说明的是，为了便于理解，以下进行举例说明：
预测组29天预测结果与实测数据的对比值达到0.4193，为中等相关关系。从图5中可见，除最后一天之外，其余28天中红色曲线的预测结果与蓝色曲线趋势基本一致，这里的趋势是增长或下降等变化趋势，通过对曲线的观察对比得出，只是在均值上有所差异，可见，利用上述Prophet预测模型对智能铁路车站的电能预测有较好的预测效果。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据，然后判断所述实测电能能耗数据是否存在异常，在所述各子节点的实测电能能耗数据不存在异常时，在所述映射关系表中，将所述时间戳进行升序排列，在所述实测电能能耗数据中选取样本数据，将所述样本数据划分为训练数据和测试数据，根据所述训练数据，通过预设趋势公式计算趋势函数，根据所述趋势函数，通过预设模型公式建立预设预测模型，并获得训练数据对应的预测参数，将所述测试数据输入至所述预设预测模型，得到测试数据对应的目标参数，根据所述预测参数和所述目标参数，通过预设对比公式计算对比值，判断所述对比值是否满足预设阈值，在所述对比值满足所述预设阈值时，将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图，在所述对比值不满足所述预设阈值时，重新获取所述各子节点对应的实测电能能耗数据，在所述实测电能能耗数据中选取样本数据，在所述样本数据中提取训练数据，根据所述训练数据重新建立预设预测模型，将所述实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图，从而得到更加精准的预测曲线图。
参考图3，图3为本发明一种基于Prophet的智能铁路车站电能能耗预测方法第二实施例的流程示意图。
基于上述第一实施例，本实施例基于Prophet的智能铁路车站电能能耗预测方法在所述步骤S20之后，还包括：
步骤S30：在所述预测曲线图中，提取所述预测电能能耗数据对应的季节特征信息。
步骤S40：根据所述季节特征信息，通过所述预设预测模型预测所述预测电能能耗数据的趋势
此外，需要说明的是，为了便于理解，以下进行举例说明：
通过对上述趋势性参数、季节性参数、假日等参数的设置，不仅可以提高Prophet模型预测的准确度，而且还可以提取出智能铁路车站电能数据中的趋势性、季节性特征信息。利用上述某智能铁路车站的电能能耗数据进行了实验，提取的趋势性特征如图7所示和提取的季节性特征如图8所述。
首先，对总电能耗数据进行了Prophet趋势特征提取和预测，可以看出在前8个月中，总电能耗呈现先降后升的趋势，直至7月出现了峰值。在加入趋势参数后预测过程中，后续9月至10月的总电能耗呈现平稳增长的趋势。
对该智能铁路车站1月至8月暖通空调电能数据进行了季节特征提取，并对9月至10月的能耗进行了趋势性预测。该车站属于我国中南部地区高速铁路车站，从图8中可以看出，其季节性趋势为冬季暖通空调用电能耗最低，春季缓慢增长，直至夏季出现峰值，伴随着秋季气温逐渐降低，在7月后，暖通空调用电能耗呈现明显的下降趋势。利用Prophet的趋势预测模型可以看出，在9月至10月后期，暖通空调用电趋势将继续呈现平稳下降的状态。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过在所述预测曲线图中，在系统中提取所述预测电能能耗数据对应的季节特征信息，之后，将所述季节特征信息输入至所述预设预测模型中，预测所述预测电能能耗数据的趋势图，从而为用户深入理解预测问题提供了有力的说明，使得用户更加方便的查看电能能耗的预测。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于Prophet的智能铁路车站电能能耗预测程序，所述基于Prophet的智能铁路车站电能能耗预测程序被处理器执行时实现如上文所述的基于Prophet的智能铁路车站电能能耗预测方法的步骤。
参照图9，图9为本发明基于Prophet的智能铁路车站电能能耗预测装置第一实施例的结构框图。
如图9所示，本发明实施例提出的基于Prophet的智能铁路车站电能能耗预测装置包括：获取模块4001及预测模块4002。
其中，获取模块4001，用于对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据；预测模块4002，用于将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
为了便于理解获取模块4001对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据的操作，以下给出一种具体的实现方式，大致如下：
需要说明的是，在预设场景下对用电系统中的各子节点的预测电表进行监测时，获得所述预测电表的基础信息数据，之后，根据所述基础信息数据从所述预测电表中筛选出待测电表，对所述待测电表进行监测，获取所述待测电表对应的实测电能能耗数据。
此外，应理解的是，基于Prophet系统用于存储采集各子节点的电能能耗数据，所述Prophet是为了基于Prophet的智能铁路车站电能能耗预测任务而优化开发的，其中，所述预测任务具有以下特点：(1)对待测电表进行每小时、每天及每周的监测，以获得历史数据；(2)具有较强和多次的季节性规律，例如每周的一些天和每年的一些时间具有典型的季节性或周期性规律；(3)具有先验的以不定期间隔发生的重要间隔，例如节假日等；(4)具有合理数量的缺失值或异常值的样本；(5)具有历史趋势的变化性，例如因为产品发布或记录改变带来的趋势变化；(6)具有非线性增长曲线的趋势，其中有的趋势可以达到了极限或饱和状态对于非线性增长曲线的趋势，可设置极限或饱和值，在达到极限或饱和状态后停止继续增长。若没有达到极限或饱和值，则可按原趋势增长。
此外，需要说明的是，在基于Prophet系统对所述电能能耗数据进行监测时，其中，对监测电能能耗数据进行了如下设置：(1)分段线性或logistic增长趋势曲线。通过从数据中选择转变点，Prophet可自动探测趋势变化；(2)按年的周期组件，Prophet使用傅立叶级数建模每年的季节分量；(3)按周的周期组件，使用虚变量(dummy variables)创建每个周期分量；(4)用户可以自定义重要节、假日列表。
此外，为了便于理解，以下进行举例说明：
智能铁路车站使用电表监测车站各节点的电能能耗，主要包括总电、通信、信号、信息、热泵机房、电扶梯、给排水、空调、通风、综合维修、道岔融雪、防灾系统、室内外照明及货运站门吊等节点的电能能耗。通常使用智能电表实时采集上述各子节点的电能能耗数据，支持485通信协议并挂载在485总线上，上述系统定时对各子节点的电能能耗数据进行采集，采集完成后，采用Hadoop分布式文件系统(HDFS)存储上述过程采集的数据，将结构化的电表能耗数据文件映射为一张Hive数据库表格，采集接口设计方案如图3所示。Hive是一种底层封装了Hadoop的数据仓库处理工具，使用类SQL的HiveQL语言实现数据查询，所有Hive表中的数据都存储在Hadoop兼容的文件系统HDFS中，Hive在加载数据过程中不会对数据进行任何的修改，只是将数据移动到HDFS中Hive设定的目录下进行电能能耗数据储存。
为了便于理解预测模块4002将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图的操作，以下给出一种具体的实现方式，大致如下：
需要说明的是，在进行采集实测电能能耗数据时，可能会因为临时断电、设备重启或外界干扰，在某种特定时刻可能会出现数据缺失或异常现象，之后，在系统中的映射关系表进行数据筛选，根据筛选的结果对所述缺失数据或异常数据进行标记。
此外，应理解的是，在判断所述实测电能能耗数据是否存在异常的步骤之后，根据判断结果，做出以下解决方法：在所述实测电能能耗数据存在异常时，对异常数据进行数值补充。
此外，需要说明的是，上述所说的对异常数据进行数值补充为在映射关系表中根据时间戳查找异常数据的相邻实测电能能耗数据前值和相邻实测电能能耗数据后值，计算相邻实测电能能耗数据前值和相邻实测电能能耗数据后值的平均值，并根据所述平均值对所述异常数据进行数值填充，以获得完整映射关系表，所述映射关系表存放有时间戳和实测电能能耗数据的对应关系。
此外，为了便于理解，以下进行举例说明：
假设，在映射关系表中存在时间戳和对应的实测电能能耗数据，其中，时间戳为12:00，对应的实测电能能耗数据为0.3；时间戳为12:01，对应的实测电能能耗数据为缺失数据；时间戳为12:02，对应的实测电能能耗数据为0.5等，则根据0.3和0.5进行计算，得到平均值0.4，因此，12:01对应的电能能耗数据0.4作为缺失数据在映射关系表中进行填充，得到完整的映射关系表，从而，使得建立预设预测模型时更加精准，本实施例对此没有限制。
此外，应理解的是，在所述实测电能能耗数据不存在异常时，将所述实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
需要说明的是，在所述实测电能能耗数据不存在异常时，在所述实测电能能耗数据中选取样本数据，将所述样本数据划分为训练数据和测试数据，根据所述训练数据，通过预设趋势公式计算趋势函数，根据所述趋势函数，通过预设模型公式建立预设预测模型，并获得训练数据对应的预测参数，将所述测试数据输入至所述预设预测模型，得到测试数据对应的目标参数，根据所述预测参数和所述目标参数，通过预设对比公式计算对比值，判断所述对比值是否满足预设阈值，在所述对比值满足所述预设阈值时，将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图，在所述对比值不满足所述预设阈值时，重新获取所述各子节点对应的实测电能能耗数据，在所述实测电能能耗数据中选取样本数据，在所述样本数据中提取训练数据，根据所述训练数据重新建立预设预测模型，之后，将所述各子节点的实测电能能耗数据输入至预设预测模型，获取预测电能能耗数据对应的预测曲线图，
其中，所述对比公式为：
式中，r为对比值，为xi的平均值，为yi的平均值，x为实测电能能耗数据，y为预测电能能耗数据。
此外，需要说明的是，为了便于理解，以下进行举例说明：
上述所说的根据所述实测电能能耗数据建立预设预测模型为将所述时间戳进行升序排列，选取一部分的实测电能能耗数据，根据所述选取的实测电能能耗数据，通过预设趋势函数公式建立预设预测模型，(1)对非专家的用户可以通过直观的方式进行参数自定义，这里的参数是指季节平滑参数和趋势平滑参数，季节平滑参数是指春、夏、秋、冬四季的起始时间；趋势平滑参数是指曲线增长或降低变化速率的快慢，用户可以调整季节平滑参数与历史周期数据之间的接近程度、调整趋势平滑参数跟随历史趋势变化的近似程度；(2)对于增长曲线的预测，用户可以手动设定增长曲线的上限，以便加入关于预测增长或下降情况的先验信息；(3)用户还可以为模型指定没有规律的节假日，比如春节、中秋等节日日期。
其中，所述预设趋势函数公式为：
g(t)＝C/(1+exp(-k(t-m)))
式中，t为时间，g(t)为趋势函数，C为饱和值(承载能力)，k为增长率，m为偏置参数；
其中，所述预设预测模型为：
y(t)＝g(t)+s(t)+h(t)+∈
式中，t为时间，y(t)为预测的结果，g(t)为趋势函数，s(t)为周期性的变化，h(t)为节假日等偶然一天或几天造成的影响，∈为误差项(代表本模型没有考虑到的误差的影响)。
此外，应理解的是，为了便于理解，以下进行举例说明：
根据历史数据拟合的趋势函数为g(t)＝100/(1+e^(-3*(t-1)))，周期函数为s(t)＝sin(t),节假日函数为分段函数，h(t)＝0.05(t％7＝0)；h(t)＝0(t％7！＝0)，∈为0.01，则对时间t,可预测出此时的能耗y(t)，在实验中基于映射关系表中的时间戳升序对应的前项80％的历史数据作为训练数据，如图4所示，根据所述选取的80％历史数据建立数据模型，利用剩余20％的数据样本作为模型测试，计算相关系数和均方根误差指标，验证预测方法的预测效果。
此外，需要说明的是，为了便于理解，以下进行举例说明：
预测组29天预测结果与实测数据的对比值达到0.4193，为中等相关关系。从图5中可见，除最后一天之外，其余28天中红色曲线的预测结果与蓝色曲线趋势基本一致，这里的趋势是增长或下降等变化趋势，通过对曲线的观察对比得出，只是在均值上有所差异，可见，利用上述Prophet预测模型对智能铁路车站的电能预测有较好的预测效果。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据，然后判断所述实测电能能耗数据是否存在异常，在所述各子节点的实测电能能耗数据不存在异常时，在所述映射关系表中，将所述时间戳进行升序排列，在所述实测电能能耗数据中选取样本数据，将所述样本数据划分为训练数据和测试数据，根据所述训练数据，通过预设趋势公式计算趋势函数，根据所述趋势函数，通过预设模型公式建立预设预测模型，并获得训练数据对应的预测参数，将所述测试数据输入至所述预设预测模型，得到测试数据对应的目标参数，根据所述预测参数和所述目标参数，通过预设对比公式计算对比值，判断所述对比值是否满足预设阈值，在所述对比值满足所述预设阈值时，将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图，在所述对比值不满足所述预设阈值时，重新获取所述各子节点对应的实测电能能耗数据，在所述实测电能能耗数据中选取样本数据，在所述样本数据中提取训练数据，根据所述训练数据重新建立预设预测模型，将所述实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图，从而得到更加精准的预测曲线图。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于Prophet的智能铁路车站电能能耗预测方法，此处不再赘述。
基于上述基于Prophet的智能铁路车站电能能耗预测装置的第一实施例，提出本发明基于Prophet的智能铁路车站电能能耗预测装置第二实施例。
在本实施例中，所述基于Prophet的智能铁路车站电能能耗预测装置还包括信息提取模块、趋势预测模块。
其中，所述信息提取模块，还用于在所述预测曲线图中，提取所述预测电能能耗数据对应的季节特征信息。
相应地，所述趋势预测模块，还用于根据所述季节特征信息，通过所述预设预测模型预测所述预测电能能耗数据的趋势。
此外，需要说明的是，为了便于理解，以下进行举例说明：
通过对上述趋势性参数、季节性参数、假日等参数的设置，不仅可以提高Prophet模型预测的准确度，而且还可以提取出智能铁路车站电能数据中的趋势性、季节性特征信息。利用上述某智能铁路车站的电能能耗数据进行了实验，提取的趋势性特征如图7所示和提取的季节性特征如图8所述。
首先，对总电能耗数据进行了Prophet趋势特征提取和预测，可以看出在前8个月中，总电能耗呈现先降后升的趋势，直至7月出现了峰值。在加入趋势参数后预测过程中，后续9月至10月的总电能耗呈现平稳增长的趋势。
对该智能铁路车站1月至8月暖通空调电能数据进行了季节特征提取，并对9月至10月的能耗进行了趋势性预测。该车站属于我国中南部地区高速铁路车站，从图8中可以看出，其季节性趋势为冬季暖通空调用电能耗最低，春季缓慢增长，直至夏季出现峰值，伴随着秋季气温逐渐降低，在7月后，暖通空调用电能耗呈现明显的下降趋势。利用Prophet的趋势预测模型可以看出，在9月至10月后期，暖通空调用电趋势将继续呈现平稳下降的状态。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过在所述预测曲线图中，在系统中提取所述预测电能能耗数据对应的季节特征信息，之后，将所述季节特征信息输入至所述预设预测模型中，预测所述预测电能能耗数据的趋势图，从而为用户深入理解预测问题提供了有力的说明，使得用户更加方便的查看电能能耗的预测。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于Prophet的智能铁路车站电能能耗预测方法，此处不再赘述。
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于Prophet的智能铁路车站电能能耗预测方法，其特征在于，所述方法包括：
对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据；
将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
2.如权利要求1所述的方法，其特征在于，所述将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图的步骤，包括：
判断各子节点对应的实测电能能耗数据是否存在异常；
在所述实测电能能耗数据不存在异常时，将所述实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图；
在所述各子节点的实测电能能耗数据存在异常时，对异常数据进行数值补充，得到完整电能能耗数据，并将所述完整电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
3.如权利要求2所述的方法，其特征在于，所述对异常数据进行数值补充的步骤，包括：
在映射关系表中根据时间戳查找异常数据的相邻实测电能能耗数据前值和相邻实测电能能耗数据后值；
计算相邻实测电能能耗数据前值和相邻实测电能能耗数据后值的平均值，并根据所述平均值对所述异常数据进行数值填充，以获得完整映射关系表；
所述映射关系表存放有时间戳和实测电能能耗数据的对应关系。
4.如权利要求1～3任一项所述的方法，其特征在于，所述将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图的步骤之前，所述方法还包括：
在所述实测电能能耗数据中选取样本数据；
将所述样本数据划分为训练数据和测试数据；
根据所述训练数据建立预设预测模型，根据所述测试数据对预设预测模型进行检验。
5.如权利要求4所述的方法，其特征在于，所述根据所述训练数据建立预设预测模型的步骤，包括：
根据所述训练数据，通过预设趋势公式计算趋势函数；
根据所述趋势函数，通过预设模型公式建立预设预测模型，并获得训练数据对应的预测参数。
6.如权利要求4所述的方法，其特征在于，所述根据所述测试数据对预设预测模型进行检验的步骤，包括：
将所述测试数据输入至所述预设预测模型，得到测试数据对应的目标参数；
根据所述预测参数和所述目标参数，通过预设对比公式计算对比值；
判断所述对比值是否满足预设阈值；
在所述对比值满足所述预设阈值时，将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图；
在所述对比值不满足所述预设阈值时，重新获取所述各子节点对应的实测电能能耗数据，在所述实测电能能耗数据中选取样本数据，在所述样本数据中提取训练数据，根据所述训练数据重新建立预设预测模型。
7.如权利要求1～6任一项所述的方法，其特征在于，所述获得预测电能能耗数据对应的预测曲线图的步骤之后，所述方法还包括：
在所述预测曲线图中，提取所述预测电能能耗数据对应的季节特征信息；
根据所述季节特征信息，通过所述预设预测模型预测所述预测电能能耗数据的趋势。
8.一种基于Prophet的智能铁路车站电能能耗预测装置，其特征在于，所述装置包括：
获取模块，用于对用电系统中的各子节点进行监测，获得各子节点分别对应的实测电能能耗数据；
预测模块，用于将各子节点对应的实测电能能耗数据输入至预设预测模型中，获得预测电能能耗数据对应的预测曲线图。
9.一种电子设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于Prophet的智能铁路车站电能能耗预测程序，所述基于Prophet的智能铁路车站电能能耗预测程序配置为实现如权利要求1至7中任一项所述的基于Prophet的智能铁路车站电能能耗预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于Prophet的智能铁路车站电能能耗预测程序，所述基于Prophet的智能铁路车站电能能耗预测程序被处理器执行时实现如权利要求1至7任一项所述的基于Prophet的智能铁路车站电能能耗预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910737592.8A CN110443425A (zh) | 2019-08-09 | 2019-08-09 | 基于Prophet的智能铁路车站电能能耗预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910737592.8A CN110443425A (zh) | 2019-08-09 | 2019-08-09 | 基于Prophet的智能铁路车站电能能耗预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110443425A true CN110443425A (zh) | 2019-11-12 |
Family
ID=68434452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910737592.8A Pending CN110443425A (zh) | 2019-08-09 | 2019-08-09 | 基于Prophet的智能铁路车站电能能耗预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443425A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111537938A (zh) * | 2020-03-31 | 2020-08-14 | 国网江西省电力有限公司电力科学研究院 | 基于智能算法的电子式互感器误差短时预测方法 |
| CN113469396A (zh) * | 2020-03-30 | 2021-10-01 | 海南博川电力设计工程有限公司 | 一种电力系统短期电力负荷的预测方法 |
| CN114881577A (zh) * | 2022-07-06 | 2022-08-09 | 国网浙江省电力有限公司 | 一种动态感知物资需求变化的采购决策方法及系统 |
| CN116754828A (zh) * | 2023-08-21 | 2023-09-15 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
| CN109118020A (zh) * | 2018-09-06 | 2019-01-01 | 南京工业职业技术学院 | 一种地铁车站能耗短期预测方法及其预测系统 |
| CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
| CN109978208A (zh) * | 2017-12-28 | 2019-07-05 | 顺丰科技有限公司 | 一种时序数据预测方法、装置以及计算机存储介质 |
| CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
-
2019
- 2019-08-09 CN CN201910737592.8A patent/CN110443425A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106874581A (zh) * | 2016-12-30 | 2017-06-20 | 浙江大学 | 一种基于bp神经网络模型的建筑空调能耗预测方法 |
| CN109978208A (zh) * | 2017-12-28 | 2019-07-05 | 顺丰科技有限公司 | 一种时序数据预测方法、装置以及计算机存储介质 |
| CN109118020A (zh) * | 2018-09-06 | 2019-01-01 | 南京工业职业技术学院 | 一种地铁车站能耗短期预测方法及其预测系统 |
| CN110046743A (zh) * | 2019-03-06 | 2019-07-23 | 上海交通大学 | 基于ga-ann的公共建筑能耗预测方法和系统 |
| CN109959122A (zh) * | 2019-03-11 | 2019-07-02 | 浙江工业大学 | 一种基于长短期记忆循环神经网络的空调能耗预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 崔浩萌: "基于网络搜索数据的区域旅游指数及其微观动态:以西安为例", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
| 我是女孩: "时序预测（facebook的prophet）", 《HTTPS://BLOG.CSDN.NET/U013385018/ARTICLE/DETAILS/93465925》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113469396A (zh) * | 2020-03-30 | 2021-10-01 | 海南博川电力设计工程有限公司 | 一种电力系统短期电力负荷的预测方法 |
| CN111537938A (zh) * | 2020-03-31 | 2020-08-14 | 国网江西省电力有限公司电力科学研究院 | 基于智能算法的电子式互感器误差短时预测方法 |
| CN111537938B (zh) * | 2020-03-31 | 2022-12-09 | 国网江西省电力有限公司电力科学研究院 | 基于智能算法的电子式互感器误差短时预测方法 |
| CN114881577A (zh) * | 2022-07-06 | 2022-08-09 | 国网浙江省电力有限公司 | 一种动态感知物资需求变化的采购决策方法及系统 |
| CN114881577B (zh) * | 2022-07-06 | 2022-09-30 | 国网浙江省电力有限公司 | 一种动态感知物资需求变化的采购决策方法及系统 |
| CN116754828A (zh) * | 2023-08-21 | 2023-09-15 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
| CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443425A (zh) | 基于Prophet的智能铁路车站电能能耗预测方法 | |
| Meng et al. | Degree-day based non-domestic building energy analytics and modelling should use building and type specific base temperatures | |
| US10345770B2 (en) | Power demand estimating apparatus, method, program, and demand suppressing schedule planning apparatus | |
| CN109509030A (zh) | 销量预测方法及其模型的训练方法、装置和电子系统 | |
| CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
| US20160364807A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
| CN106126391A (zh) | 系统监控方法和装置 | |
| CN108345958A (zh) | 一种订单出餐时间预测模型构建、预测方法、模型和装置 | |
| CN111476441A (zh) | 一种电动汽车充电设备负荷预测方法及相关装置 | |
| CN111985701B (zh) | 一种基于供电企业大数据模型库的用电预测方法 | |
| CN106066423A (zh) | 一种基于损耗分配嫌疑分析的反窃电分析方法 | |
| CN107506845A (zh) | 一种基于多模型融合的售电量预测方法及其系统 | |
| CN105608333B (zh) | 一种考虑多区域差异的气象敏感电量挖掘方法 | |
| CN106897795A (zh) | 一种库存预测方法及装置 | |
| CN107146035A (zh) | 针织服装大货生产中批量系数的计算方法 | |
| CN110889466A (zh) | 一种基于线损分类器的台区线损分析方法 | |
| CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
| CN115689451A (zh) | 一种线下零售门店补货量确定方法、装置、终端及介质 | |
| Stemkovski et al. | Disorder or a new order: how climate change affects phenological variability | |
| CN109583729B (zh) | 用于平台在线模型的数据处理方法和装置 | |
| CN108493946A (zh) | 基于用户用电分析的电能控制方法、装置及设备 | |
| CN106250546A (zh) | 应用推荐方法、装置及服务器 | |
| CN116205378A (zh) | 一种基于区块链的产品调度管理方法及系统 | |
| CN116796961A (zh) | 工程项目管理方法、设备及计算机可读存储介质 | |
| CN114596122A (zh) | 一种基于区块链的智能贸易数据分析系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |
|
| RJ01 | Rejection of invention patent application after publication |