CN110991700A - 基于深度学习改进的天气与用电相关性预测方法及装置 - Google Patents
基于深度学习改进的天气与用电相关性预测方法及装置 Download PDFInfo
- Publication number
- CN110991700A CN110991700A CN201911087477.7A CN201911087477A CN110991700A CN 110991700 A CN110991700 A CN 110991700A CN 201911087477 A CN201911087477 A CN 201911087477A CN 110991700 A CN110991700 A CN 110991700A
- Authority
- CN
- China
- Prior art keywords
- data
- power load
- power
- weather
- enterprise
- 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 89
- 230000005611 electricity Effects 0.000 title claims abstract description 60
- 238000013135 deep learning Methods 0.000 title claims abstract description 41
- 230000006872 improvement Effects 0.000 title claims abstract description 21
- 238000013461 design Methods 0.000 claims abstract description 34
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 8
- 239000003344 environmental pollutant Substances 0.000 claims description 45
- 231100000719 pollutant Toxicity 0.000 claims description 45
- 238000012545 processing Methods 0.000 claims description 36
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000001218 confocal laser scanning microscopy Methods 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 230000008713 feedback mechanism Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000002265 prevention Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种基于深度学习改进的天气与用电相关性预测方法及装置,该方法包括:获取预设区域的用电历史数据,该用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;通过构建的电力负荷预测模型对预设区域的电力负荷进行实时预测,进而计算出企业污染排放量;从而可根据预测结果调整企业用电量,引导企业改变生产计划,并为企业提供优质电力服务。
Description
技术领域
本发明涉及深度学习技术领域,特别是指一种基于深度学习改进的天气与用电相关性预测方法及装置。
背景技术
随着大数据和互联网的发展,城市作为能源集中消费、污染物集中排放的区域,环境污染问题尤为突出。很多大型城市人群高度聚集、污染物扩散条件差,一旦出现特殊天气条件,很容易引发大气环境公害事件。
目前,应对严重空气污染,主要是依靠政府出台应急措施,但这些应急措施对于污染治理、污染排放及污染控制针对性不强,无法根据空气状况协调工业企业生产活动,无法根据有效的电力服务措施,为企业提供优质的电力服务。
此外,工业企业的用电数据是与其生产直接相关的,可以反映出一个企业的生产状况和能耗状况,进而体现污染排放情况,因此可通过计算用电量得到企业污染排放量。但现有技术目前还无法准确预测某一地区的用电量。
发明内容
本发明要解决的技术问题是提供一种基于深度学习改进的天气与用电相关性预测方法及装置,以解决现有技术目前还无法准确预测某一地区的用电量的问题,基于电网大数据,研究工业企业大气污染排放与空气质量关系,应用改进的前沿人工智能技术,形成预测预警技术,服务于电力用户合理安排生产,建立电力用户电力供应服务辅助决策支持系统。
根据企业用电量和产量的历史数据,建立二者之间的数量关系。然后,通过行业污染物排放系数建立起企业产量与污染物排放之间的数量关系。从而,进一步建立企业用电量与污染物排放的数量关系。在此基础之上,建立污染物排放监测机制,根据观测到的企业实时用电量计算企业实时污染排放量,通过电力供给控制、错峰填谷等手段调节企业用电量,引导工业企业改变生产计划,从而达到工业企业整体单位时间内用电量、污染排放量保持稳定的目标。通过污染物排放反馈机制得到调整后的各企业污染物排放量,进一步利用电力供给控制、错峰填谷措施进行调整。
具体地,为解决上述技术问题,本发明提供如下技术方案:
一种基于深度学习改进的天气与用电相关性预测方法,所述方法包括:
获取预设区域的用电历史数据,所述用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;
对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;
基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;
通过构建的电力负荷预测模型对预设区域的电力负荷进行实时预测。
进一步地,所述方法还包括:
根据企业用电量和企业产量的历史数据,建立企业用电量和企业产量之间的数量关系;通过行业污染物排放系数建立企业产量与污染物排放量之间的数量关系;从而进一步建立企业用电量与污染物排放量之间的数量关系;
在通过电力负荷预测模型预测出预设区域电力负荷后,所述方法还包括:
基于企业用电量与污染物排放量之间的数量关系,根据预测出的企业用电量计算出企业实时污染物排放量;
根据计算出的企业实时污染物排放量,对企业用电量进行调整,引导企业改变生产计划,使得企业整体单位时间内用电量及污染物排放量保持稳定。
进一步地,在对企业用电量进行调整后,所述方法还包括:
通过污染物排放反馈机制得到调整后的各企业污染物排放量,进一步对相应企业的用电量进行调整。
进一步地,所述对获取到的预设区域的用电历史数据进行预处理,包括:
采用3σ准则查找电力负荷数据和天气数据中的异常数据,将查找到的异常数据设置为缺失值;
对电力负荷数据和天气数据中的缺失数据进行处理;其中,对于首端、末端数据空缺的情况,运用趋势比例计算方法代替,进行数据的补齐和推算;对于单个数据缺失的情况,利用平均插值法来补齐数据;对于产生连续多个值空缺且连续空缺值的数目不大于5的情况,使用行插值法补充空缺值;
删除电力负荷数据和天气数据中的含有负值的样本、全为0的样本以及其中的重复数据;并删除连续空缺值的数目大于5的样本;
使用莱特准则为评价函数对预处理后的用电历史数据进行质量检测,对于检测出的不合格数据重新进行预处理,直到满足预设要求。
进一步地,所述对预处理后的用电历史数据进行结构化设计,包括:
将非结构化的天气数据处理转化为结构化数据;
将电力负荷数据与对应的结构化后的天气数据进行关联,将电力负荷数据与天气数据进行组合操作,得到对应的电力气象数据;
将所述电力气象数据存储于Hadoop分布式文件系统中,并建立Hive外部表,实现数据的查询与调用操作。
进一步地,所述构建相应的电力负荷预测模型具体为:采用Spark架构实现电力负荷分析、模型训练与电力负荷预测。
进一步地,所述基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型,包括:
基于结构化设计后的用电历史数据,在LSTM-Attention模型的基础上加入CNN卷积层,对天气数据与电力负荷相关性进行分析,得到基于CLSTM-Attention的电力负荷预测模型;
其中,所述基于CLSTM-Attention的电力负荷预测模型包括数据输入层、由CNN卷积层和LSTM模块组成的Pro-Attention CLSM层、Attention层、Post-Attention LSTM层以及预测结果输出层;
所述电力负荷预测模型以预处理后的电力负荷数据及天气数据为输入,利用LSTM在处理长期依赖方面能够有效克服梯度消失的优势,将CNN所表示的抽象特征与上下文时序关系融合,构建具有CNN卷积层的Pro-Attention LSTM模型,通过多尺度的卷积核对电力负荷数据序列进行局部特征提取,在LSTM模型的隐藏层获得具有时序特征的高级特征表示;而后,通过Attention机制对序列内部数据进行分析,自动寻找序列内部关系,优化上下文权值,以量化表征不同时刻电力负荷情况对预测结果的贡献;最后将Attention模型的输出结果传送到Post-Attention LSTM网络层进行学习,实现后续电力负荷的预测。
进一步地,对预设区域的电力负荷进行实时预测,包括:
通过RDD对HDFS中数据子集中的年平均电力负荷进行聚类分析,将相似特性的电力负荷进行聚类,然后将聚类后的电力负荷数据与归一化处理后的天气数据相结合生成RDD数据集;将生成的RDD数据集输入基于CLSTM-Attention的电力负荷预测模型,进行电力负荷预测。
相应地,为解决上述技术问题,本发明还提供如下技术方案:
一种基于深度学习改进的天气与用电相关性预测装置,所述装置包括:
数据获取模块,用于获取预设区域的用电历史数据,所述用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;
数据处理模块,用于对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;
模型构建模块,用于基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;
电力负荷预测模块,用于通过构建的电力负荷预测模型对预设区域的电力负荷进行实时预测。
进一步地,所述模型构建模块具体用于:
基于结构化设计后的用电历史数据,在LSTM-Attention模型的基础上加入CNN卷积层,对天气数据与电力负荷相关性进行分析,得到基于CLSTM-Attention的电力负荷预测模型;
其中,所述基于CLSTM-Attention的电力负荷预测模型包括数据输入层、由CNN卷积层和LSTM模块组成的Pro-Attention CLSM层、Attention层、Post-Attention LSTM层以及预测结果输出层;
所述电力负荷预测模型以预处理后的电力负荷数据及天气数据为输入,利用LSTM在处理长期依赖方面能够有效克服梯度消失的优势,将CNN所表示的抽象特征与上下文时序关系融合,构建具有CNN卷积层的Pro-Attention LSTM模型,通过多尺度的卷积核对电力负荷数据序列进行局部特征提取,在LSTM模型的隐藏层获得具有时序特征的高级特征表示;而后,通过Attention机制对序列内部数据进行分析,自动寻找序列内部关系,优化上下文权值,以量化表征不同时刻电力负荷情况对预测结果的贡献;最后将Attention模型的输出结果传送到Post-Attention LSTM网络层进行学习,实现后续电力负荷的预测。
本发明的上述技术方案的有益效果如下:
本发明通过获取预设区域的用电历史数据,该用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;通过构建的电力负荷预测模型对预设区域的电力负荷进行实时预测,进而计算出企业污染排放量;从而可根据预测结果调整企业用电量,引导企业改变生产计划,并为企业提供优质电力服务。可应用于工业企业污染的实时防控,既可服务于政府大气污染监测、应急机制启动时防控对象的选择,也可服务于企业调整生产能力,合理安排生产等。
附图说明
图1为本发明的基于深度学习改进的天气与用电相关性预测方法的流程示意图;
图2为本发明的基于深度学习改进的天气与用电相关性预测方法的框架示意图;
图3为Hadoop框架示意图;
图4为本发明的数据组合示意图;
图5为本发明的数据导入与存储示意图;
图6为本发明的CLSTM-Attention电力负荷预测模型的网络结构示意图;
图7为Spark架构下并行电力负荷分析与预测实现过程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
第一实施例
请参阅图1至图7,本实施例提供一种基于深度学习改进的天气与用电相关性预测方法,所述方法包括:
S101,获取预设区域的用电历史数据,所述用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;
S102,对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;
S103,基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;
S104,通过电力负荷预测模型对预设区域的电力负荷进行实时预测。
进一步地,本实施例的方法还包括:
根据企业用电量和企业产量的历史数据,建立企业用电量和企业产量之间的数量关系;通过行业污染物排放系数建立企业产量与污染物排放量之间的数量关系;从而进一步建立企业用电量与污染物排放量之间的数量关系;
在通过电力负荷预测模型预测出预设区域电力负荷后,该方法还包括:
基于企业用电量与污染物排放量之间的数量关系,根据预测出的企业用电量计算出企业实时污染物排放量;
根据计算出的企业实时污染物排放量,对企业用电量进行调整,引导企业改变生产计划,使得企业整体单位时间内用电量及污染物排放量保持稳定。
进一步地,在对企业用电量进行调整后,该方法还包括:
通过污染物排放反馈机制得到调整后的各企业污染物排放量,进一步对相应企业的用电量进行调整。
具体地,如图2所示,本实施例的方案包括电力大数据业务背景,特征工程,多源数据结构设计,深度学习电力预测模型,电力预测引擎设计和线上效果分析六个部分,下面一一进行详细阐述:
一、电力大数据业务背景
1、提供优质电力服务
本发明应用改进的前沿深度学习技术,将电力服务与污染物排放关联预测,为企业工业提供优质的电力服务。
2、构建污染排放预测方法
本发明根据污染物排放系数计算方法和高频企业污染物排放量数据的计算方法,建立污染物排放的监测机制。
3、电力大数据技术
目前,电力大数据已成为电力行业的重点研究领域。随着电力系统智能设备及各类传感器的急剧增加,获取与传输的各类数据也在呈指数级的增长,电力大数据不仅包括智能电表收集的电力负荷数据,还包括各类传感器按照固定频率采集的温度、气压、相对湿度、地理信息等。本发明使用的电力大数据是Hadoop技术,整体框架如图3所示。
4、研究目标
本发明通过污染物排放反馈机制得到调整后的各企业污染物排放量,进一步利用电力供给控制、错峰填谷措施进行调整。通过用电量数据与污染物排放数据,建立工业企业污染物排放实时监测热力图,应用于工业企业污染物排放监测。当日空气污染指数超标,或天气污染严重时,即可通过热力图追踪重点污染点源,建议相关企业调整生产计划,通过对企业自身的排放行为进行调整,达到督促企业节能减排,指导企业节能降耗的效果。
二、特征工程
对获取到的预设区域的用电历史数据进行预处理,包括:
1、缺失数据处理
1)首末端缺失数据处理
对于电力负荷数据首端、末端数据空缺,运用趋势比例计算方法代替,进行数据的补齐和推算,本发明趋势比例计算采用了插值方法。
2)单个数据空缺处理
对于单个数据缺失的情况(非首末端数据缺失),由于单个缺失数据前后对应的电力负荷数据值已知,本发明利用平均插值法来补齐数据,即以该点数据前后的均值进行补充。
3)连续多个数据缺失处理
由于通讯、计算机死机或其他原因,每日数据中间会产生连续多个值空缺的情况。可以使用行插值法补充空缺值,该方法利用每行空缺值两端的数值,求其均值作为空缺数据值二分之一中心点的数据,然后再由该点分别和左右两端点的数据求取均值得缺失数据四分之一和四分之三中心点的数据,多次重复该方法,即可补全所有的空缺数据。如果连续的空缺数据较多的的话,重复该方法可能使得补全后的电力负荷数据曲线呈扁平状,不能准确地体现电力负荷的波动规律,也会影响电力负荷的预测精度。所以针对连续空缺值的数目大于5的样本不进行填补。
4)删除表中的无效记录
本发明首先删除表中含有负值的样本,其次删除表中全为0的样本,最后删除表中的重复数据。
5)删除空缺值多的记录
由于对连续缺失点数大于5的样本不进行填补,为此经数据填补之后,会有部分样本存在大量空缺数据,需要对该样本进行删除处理,以减小后续计算的误差。
2、异常数据处理
异常数据是指样本集合中的某些数据值,其大小明显偏离其所属样本集合中的其它数据值。为了提高电力负荷的预测准确度,需要对异常数据进行处理。在这里本发明采用3σ准则来发现异常数据,其方法如下:
1)根据采集的10Kv线路下公变台区每日的点电力负荷数据值,生成数据序列x1,x2,…,xi,…,xn,可以计算出这n个负荷数值的均值μ和方差σ2,均值μ和方差σ2的公式为:
2)对每一个负荷数据值xi做判断,如果|xi-μ|>3σ,则认为该负荷数值为异常数据。
3)将发现的异常数值设置为缺失值,然后采用上文介绍的缺失值处理方法进行处理。比如:某个公变台区某个点的残差数据高于3倍以上的标准差数据,则判定为异常值,并将此异常值作为缺失值处理,使用平均值进行插补。
3、关键特征分析
为了准确预测生产单位的污染排放情况,及时了解企业的生产及能耗状况,需要综合考量多方面的影响因素。影响电力负荷的因素有很多,如负荷类型、节假日、温度、风速、相对湿度、大气压、地区人流、地区发展状况等。影响因子数据越精确,数据质量越完整,电力负荷预测结果也就越精确。总的来说,电力负荷影响因素大致可以分为以下几类:
1)经济水平:一个地区的经济发展水平越高,该地区的电力负荷使用量就会越大,随着第二产业的快速发展,企业大用户对电力负荷的需求量也快加大,对电能的质量也有着更高的要求。经济发展水平与电力负荷的增长呈现正相关的关系。
2)气象因素:包括温度、风速、相对湿度等,这些气象因素将对用户的用电结构有很大影响,其中温度对一个地区的电力负荷影响最大。
3)日类型:主要包括工作日、双休日、节假日。在工作日时,工业、商业电力负荷使用量将会增大;在节假日时,生活用电负荷使用量会急剧增加,因此,以日类型为特征的电力负荷曲线会伴随着日类型出现显著的变化趋势。
4)随机因素:电力负荷波动具有一定随机性,一个地区的电力负荷使用情况易受到一些突发事件的影响,如自然灾害、重大活动、政策等因素的影响。
4、特征质量检测
本发明在对数据做特征预处理之后,还需要对整个数据集进行数据质量检查。此处使用莱特准则为评价函数,莱特准则可以表述为:对于一个序列中的某个元素值xi,若存在|xi-μ|≤3σ,则认为符合要求,否则按照上节异常值处理的方式进行数据处理,直到满足要求。
当然可以理解的是,本发明的特征工程也可以只对关键特征进行重要性分析,不对数据做缺失值和异常值处理,如此也能完成发明目的,但是本发明对特征做了更细粒度的处理,是最好的解决方案。
三、多源数据结构设计
基于预设区域的电力负荷预测,需要综合电力负荷预测相关的各种电力数据以及对电力负荷预测具有影响作用的天气数据,进行多源数据结构设计,将这两大类数据进行整合操作,便于后续算法模型的应用,也即对预处理后的用电历史数据进行结构化设计,具体地,本发明主要操作如下:
1、电力负荷数据操作
本发明的目标是基于历史的电力负荷数据预测出未来某区域电力负荷数据,然后在预测出的每相电力负荷的基础上进行三相不平衡的预测分析。
2、气象数据操作
电力负荷三相不平衡预测问题所需的天气数据主要包括温度、湿度数据以及日类型数据。将非结构化的气象数据经过整理加工处理转化为结构化数据。
3、数据组合操作
为了提高查询效率、减少调用时间,我们将电力负荷数据根据区县单位与其所属的台站编号信息进行匹配,获取影响相应区域的每相电力负荷的区域天气数据,然后根据该区域的电力负荷数据的数据日期与对应的天气数据的日期进行关联,将电力负荷数据与气象数据进行组合操作,操作过程如图4所示。
4、数据导入与存储
本发明所涉及到的电力负荷数据最初是存放在Oracle数据库中,所用数据库版本为Oracle 11g。涉及到的气象数据为非结构化的文本数据格式。不同平台得到的数据源可能存在不可识别的字符问题,为了实现分布式集群的并行计算能力,需要将多源数据统一存储于Hadoop分布式文件系统里。最后建立Hive外部表,实现数据的快速查询与调用。其具体过程如图5所示。
四、深度学习电力预测模型
1、分布式改进
针对同一模式各时刻电力负荷建立96个回归模型的预测模型库,可以很好的诠释所有日期的电力负荷的趋势。但是单机下串行的实现方式时间复杂度比较高,如对于公变台区的电力负荷聚类分析,1000个样本聚成10个簇,仅仅一次迭代就要完成10000次距离计算。因此本发明构建相应的电力负荷预测模型时,借助Spark架构实现负荷分析、模型训练与电力负荷预测,可有效提高预测精度和计算效率。
2、特征提取方式
基于LSTM-Attention的预测模型能够较好的表现上下文之间的相互关系,并能够通过上下文的远近关系影响权重,在预测方面有较好的效果,但传统的LSTM-Attention模型不能以并行方式提取特征,因此,本发明提出一种基于CLSTM-Attention的电力负荷预测模型来实现电力负荷三相不平衡预警,即基于结构化设计后的用电历史数据,在LSTM-Attention模型的基础上加入CNN卷积层,对天气数据与电力负荷相关性进行分析,得到基于CLSTM-Attention的电力负荷预测模型。以提升模型的并行输入能力,并通过充分考虑上下文时序特征及其影响因素,减少关键特征信息丢失。
3、CLSTM_Attention网络层
CLSTM-Attention电力负荷预测模型的网络结构如图6所示,由数据输入层、Pro-Attention CLSM层(CNN卷积层和LSTM模块)Attention层、Post-Attention LSTM层以及预测结果输出层组成。模型以预处理后的电力负荷数据及天气数据为输入,充分利用LSTM在处理长期依赖方面能够有效克服梯度消失的优势,将CNN所表示的抽象特征与上下文时序关系充分融合,构建具有CNN卷积层的Pro-Attention LSTM模型,通过多尺度的卷积核对电力负荷数据序列进行局部特征提取,在LSTM模型的隐藏层获得具有时序特征的高级特征表示;而后,通过Attention机制对序列内部数据进行分析,自动寻找序列内部关系,优化上下文权值,以量化表征不同时刻电力负荷情况对预测结果的贡献;最后将Attention模型的输出结果传送到Post-Attention LSTM网络层进行学习,实现后续一天三相电力负荷情况的预测输出。
4、工程流程实现
Spark架构下并行电力负荷分析与预测实现过程如图7所示。
RDD对HDFS中数据子集中的年平均电力负荷进行聚类分析,将相似特性的电力负荷进行聚类,形成K簇,然后通过Context中的parallelize()函数将聚类后的电力负荷数据与归一化处理后的温度、相对湿度、日类型等数据相结合生成RDD数据集。然后将生成的RDD数据集输入基于CLSTM-Attention的电力负荷预测模型,进行电力负荷预测。
五、电力预测引擎设计
1、数据存储层
数据存储层主要任务进行多源数据的存储、查询和重构。本发明需要的数据类型较多,数据来源广泛,其中,电力负荷数据来源于用电信息采集系统,是通过多个表拼接而成的结构化数据,主要有公变台区基本信息数据、对应日期数据、电力负荷数据等;温度、相对湿度等数据来源于中国气象局,源数据格式为非结构化的数据,需要经过转化处理,将其变成符合应用要求的结构化数据。为了后续工作的进行,需要对上述多源异构数据进行统一存储。
1)数据存储
数据存储采用Hadoop框架下的HDFS。HDFS是分布式计算的前提,它是通过流式数据访问的模式来进行存储大规模数据,是管理网络中跨多台计算机存储的文件系统。
2)数据查询
数据存储层的另一个功能是实现HDFS和HBase存储数据的实时或接近实时的查询,在数据查询的基础上,对数据结构进行重构。
2、分布式计算层
分布式计算的主要技术是基于Hadoop和Spark框架实现的,其目的是为了降低分布式计算的时间成本,依据任务不同可以将其分为底层并行计算层与上层高性能内存计算层。
1)并行计算层。
该层依托Hadoop分布式集群,通过MapReduce计算引擎来进行并行化计算,其过程主要是通过编写map和reduce任务实现并行计算。可对HDFS中的大规模数据集进行读取并进行数据预处理、数据融合、聚类分析等并行化任务。
2)内存计算层。
内存计算层主要是基于Spark大数据分析框架,用于大数据的实时处理。可以使用弹性分布式数据集,基于内存计算的方式来对大规模数据集进行并行计算,可以显式的将任务缓存到内存中,极大的提高了计算速度。
综上所述,Hadoop框架在电力负荷及天气数据等大规模数据集上的存储、查询和重构方面具有高效、快速等优势,基于Spark的内存计算机制可以确保数据处理的时效性,所以本发明综合二者的优势,对电力负荷及天气数据进行批量预处理,并行化的聚类分析等计算任务。
3、算法应用层
算法应用层主要包括聚类算法,电力负荷的预测算法,有些公变台区行业类型相似,负荷曲线相似,并且同一公变台区采集的数据较少,基于以上因素考虑可以对公变台区进行聚类分析,将电力负荷特性相似的公变台区聚为一簇,本发明以簇为单位进行训练数据集,扩大了数据集,提高了结果精度。然后将聚类后的电力负荷数据与对应的各公变台区的天气数据相结合,构建分布式CLSTM-Attention的电力负荷预测算法,对每个台区的电力负荷数据进行预测,基于预测出的每个台区的各相电力负荷数据曲线,分析台区用电负荷情况。
4、服务调用层
服务调用层是服务端通过调用算法组训练好的模型,实现模型线上应用。
六、线上效果分析
1、单机与并行实验分析
本发明比较了并行CLSTM-Attention和典型的单机CLSTM-Attention在同等规模数据集上的负荷预测准确度。在数据规模较小(不大于3GB)的时候,单机情况下基于CLSTM-Attention模型的三相电力负荷预测方法的计算时间的速率略高于分布式集群情况下CLSTM-Attention模型,但运行时间相对较短。这是由于集群的工作分配与调度会耗费一定时间。当数据规模增加(大于3GB后)时,单机情况下CLSTM-Attention算法的训练过程受设备内存使用的影响,趋于饱和,单机计算难度加大,耗费的时间急剧增加。分布式集群下的CLSTM-Attention模型的训练时间的随数据规模的增加而缓慢增加,相对于单机情况下模型算法的运算时间大大降低。
2、数据端服务端联调
本发明在上线部署之前需要数据端和服务端多次联调确保性能的稳定和预测的准确性。
3、测试上线效果
本发明上线之前先进行预发布,测试人员对回归集中的测试用例进行反复多次测试,及时发现badcase。
4、迭代优化
测试人员发现的badcase反馈给算法人员,通过不断优化模型,提升效果。
本发明在理解实际业务背景的基础上,收集需要的电力负荷相关的数据,采用深度学习方法对其天气与用电相关性进行分析,构建了相应的电力负荷预测模型。首先,分析了多源数据的来源以及电力负荷的特性,详细描述了电力负荷的自身规律性,对其关键影响因素进行了分析,通过对电力负荷的各类影响因素进行分析选择出对电力负荷有较大影响的因素。而后,进行基于规则的数据预处理与质量检查,对数据集中存在的缺失数据、异常数据和重复数据分别进行相应的处理策略,并对处理完成的数据集进行质量检验,在此基础上,对多源数据进行结构化设计,为后续算法的实现提供准确的数据基础。最后,考虑到电力数据的时空序列特性以及卷积神经网络的局部特征提取能力,采用基于LSTM-Attention算法模型以及改进的CLSTM-Attention算法模型的电力负荷预测。本发明将深度学习改进并且应用到实际业务,具有重要的创新意义。
第二实施例
本实施例提供一种基于深度学习改进的天气与用电相关性预测装置,该基于深度学习改进的天气与用电相关性预测装置包括:
数据获取模块,用于获取预设区域的用电历史数据,所述用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;
数据处理模块,用于对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;
模型构建模块,用于基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;
电力负荷预测模块,用于通过构建的电力负荷预测模型对预设区域的电力负荷进行实时预测。
进一步地,所述模型构建模块具体用于:
基于结构化设计后的用电历史数据,在LSTM-Attention模型的基础上加入CNN卷积层,对天气数据与电力负荷相关性进行分析,得到基于CLSTM-Attention的电力负荷预测模型;
其中,所述基于CLSTM-Attention的电力负荷预测模型包括数据输入层、由CNN卷积层和LSTM模块组成的Pro-Attention CLSM层、Attention层、Post-Attention LSTM层以及预测结果输出层;
所述电力负荷预测模型以预处理后的电力负荷数据及天气数据为输入,利用LSTM在处理长期依赖方面能够有效克服梯度消失的优势,将CNN所表示的抽象特征与上下文时序关系融合,构建具有CNN卷积层的Pro-Attention LSTM模型,通过多尺度的卷积核对电力负荷数据序列进行局部特征提取,在LSTM模型的隐藏层获得具有时序特征的高级特征表示;而后,通过Attention机制对序列内部数据进行分析,自动寻找序列内部关系,优化上下文权值,以量化表征不同时刻电力负荷情况对预测结果的贡献;最后将Attention模型的输出结果传送到Post-Attention LSTM网络层进行学习,实现后续电力负荷的预测。
本实施例的基于深度学习改进的天气与用电相关性预测装置与上述第一实施例的基于深度学习改进的天气与用电相关性预测方法相对应;其中,本实施例的基于深度学习改进的天气与用电相关性预测装置中的各功能模块所实现的功能与上述第一实施例的基于深度学习改进的天气与用电相关性预测方法中的各流程步骤一一对应;故,在此不再赘述。
本发明通过获取预设区域的用电历史数据,该用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;通过构建的电力负荷预测模型对预设区域的电力负荷进行实时预测,进而计算出企业污染排放量;从而可根据预测结果调整企业用电量,引导企业改变生产计划,并为企业提供优质电力服务。可应用于工业企业污染的实时防控,既可服务于政府大气污染监测、应急机制启动时防控对象的选择,也可服务于企业调整生产能力,合理安排生产等。
此外,需要说明的是,本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例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,本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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、嵌入式处理机或其他可编程数据处理终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
还需要说明的是,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于深度学习改进的天气与用电相关性预测方法,其特征在于,所述基于深度学习改进的天气与用电相关性预测方法包括:
获取预设区域的用电历史数据,所述用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;
对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;
基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;
通过构建的电力负荷预测模型对预设区域的电力负荷进行实时预测。
2.如权利要求1所述的基于深度学习改进的天气与用电相关性预测方法,其特征在于,所述方法还包括:
根据企业用电量和企业产量的历史数据,建立企业用电量和企业产量之间的数量关系;通过行业污染物排放系数建立企业产量与污染物排放量之间的数量关系;从而进一步建立企业用电量与污染物排放量之间的数量关系;
在通过电力负荷预测模型预测出预设区域电力负荷后,所述方法还包括:
基于企业用电量与污染物排放量之间的数量关系,根据预测出的企业用电量计算出企业实时污染物排放量;
根据计算出的企业实时污染物排放量,对企业用电量进行调整,引导企业改变生产计划,使得企业整体单位时间内用电量及污染物排放量保持稳定。
3.如权利要求2所述的基于深度学习改进的天气与用电相关性预测方法,其特征在于,在对企业用电量进行调整后,所述方法还包括:
通过污染物排放反馈机制得到调整后的各企业污染物排放量,进一步对相应企业的用电量进行调整。
4.如权利要求1所述的基于深度学习改进的天气与用电相关性预测方法,其特征在于,所述对获取到的预设区域的用电历史数据进行预处理,包括:
采用3σ准则查找电力负荷数据和天气数据中的异常数据,将查找到的异常数据设置为缺失值;
对电力负荷数据和天气数据中的缺失数据进行处理;其中,对于首端、末端数据空缺的情况,运用趋势比例计算方法代替,进行数据的补齐和推算;对于单个数据缺失的情况,利用平均插值法来补齐数据;对于产生连续多个值空缺且连续空缺值的数目不大于5的情况,使用行插值法补充空缺值;
删除电力负荷数据和天气数据中的含有负值的样本、全为0的样本以及其中的重复数据;并删除连续空缺值的数目大于5的样本;
使用莱特准则为评价函数对预处理后的用电历史数据进行质量检测,对于检测出的不合格数据重新进行预处理,直到满足预设要求。
5.如权利要求4所述的基于深度学习改进的天气与用电相关性预测方法,其特征在于,所述对预处理后的用电历史数据进行结构化设计,包括:
将非结构化的天气数据处理转化为结构化数据;
将电力负荷数据与对应的结构化后的天气数据进行关联,将电力负荷数据与天气数据进行组合操作,得到对应的电力气象数据;
将所述电力气象数据存储于Hadoop分布式文件系统中,并建立Hive外部表,实现数据的查询与调用操作。
6.如权利要求1所述的基于深度学习改进的天气与用电相关性预测方法,其特征在于,所述构建相应的电力负荷预测模型具体为:采用Spark架构实现电力负荷分析、模型训练与电力负荷预测。
7.如权利要求6所述的基于深度学习改进的天气与用电相关性预测方法,其特征在于,所述基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型,包括:
基于结构化设计后的用电历史数据,在LSTM-Attention模型的基础上加入CNN卷积层,对天气数据与电力负荷相关性进行分析,得到基于CLSTM-Attention的电力负荷预测模型;
其中,所述基于CLSTM-Attention的电力负荷预测模型包括数据输入层、由CNN卷积层和LSTM模块组成的Pro-Attention CLSM层、Attention层、Post-Attention LSTM层以及预测结果输出层;
所述电力负荷预测模型以预处理后的电力负荷数据及天气数据为输入,利用LSTM在处理长期依赖方面能够有效克服梯度消失的优势,将CNN所表示的抽象特征与上下文时序关系融合,构建具有CNN卷积层的Pro-Attention LSTM模型,通过多尺度的卷积核对电力负荷数据序列进行局部特征提取,在LSTM模型的隐藏层获得具有时序特征的高级特征表示;而后,通过Attention机制对序列内部数据进行分析,自动寻找序列内部关系,优化上下文权值,以量化表征不同时刻电力负荷情况对预测结果的贡献;最后将Attention模型的输出结果传送到Post-Attention LSTM网络层进行学习,实现后续电力负荷的预测。
8.如权利要求7所述的基于深度学习改进的天气与用电相关性预测方法,其特征在于,对预设区域的电力负荷进行实时预测,包括:
通过RDD对HDFS中数据子集中的年平均电力负荷进行聚类分析,将相似特性的电力负荷进行聚类,然后将聚类后的电力负荷数据与归一化处理后的天气数据相结合生成RDD数据集;将生成的RDD数据集输入基于CLSTM-Attention的电力负荷预测模型,进行电力负荷预测。
9.一种基于深度学习改进的天气与用电相关性预测装置,其特征在于,所述基于深度学习改进的天气与用电相关性预测装置包括:
数据获取模块,用于获取预设区域的用电历史数据,所述用电历史数据包括电力负荷数据和相应的对电力负荷数据产生影响的天气数据;
数据处理模块,用于对获取到的预设区域的用电历史数据进行预处理,并对预处理后的用电历史数据进行结构化设计;
模型构建模块,用于基于结构化设计后的用电历史数据,采用深度学习方法对天气数据与电力负荷相关性进行分析,构建相应的电力负荷预测模型;
电力负荷预测模块,用于通过构建的电力负荷预测模型对预设区域的电力负荷进行实时预测。
10.如权利要求9所述的基于深度学习改进的天气与用电相关性预测装置,其特征在于,所述模型构建模块具体用于:
基于结构化设计后的用电历史数据,在LSTM-Attention模型的基础上加入CNN卷积层,对天气数据与电力负荷相关性进行分析,得到基于CLSTM-Attention的电力负荷预测模型;
其中,所述基于CLSTM-Attention的电力负荷预测模型包括数据输入层、由CNN卷积层和LSTM模块组成的Pro-Attention CLSM层、Attention层、Post-Attention LSTM层以及预测结果输出层;
所述电力负荷预测模型以预处理后的电力负荷数据及天气数据为输入,利用LSTM在处理长期依赖方面能够有效克服梯度消失的优势,将CNN所表示的抽象特征与上下文时序关系融合,构建具有CNN卷积层的Pro-Attention LSTM模型,通过多尺度的卷积核对电力负荷数据序列进行局部特征提取,在LSTM模型的隐藏层获得具有时序特征的高级特征表示;而后,通过Attention机制对序列内部数据进行分析,自动寻找序列内部关系,优化上下文权值,以量化表征不同时刻电力负荷情况对预测结果的贡献;最后将Attention模型的输出结果传送到Post-Attention LSTM网络层进行学习,实现后续电力负荷的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087477.7A CN110991700A (zh) | 2019-11-08 | 2019-11-08 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911087477.7A CN110991700A (zh) | 2019-11-08 | 2019-11-08 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991700A true CN110991700A (zh) | 2020-04-10 |
Family
ID=70083608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911087477.7A Pending CN110991700A (zh) | 2019-11-08 | 2019-11-08 | 基于深度学习改进的天气与用电相关性预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991700A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
CN112330010A (zh) * | 2020-11-03 | 2021-02-05 | 长安大学 | 一种基于深度学习的电力用户负荷区间预测方法 |
CN113361832A (zh) * | 2021-08-10 | 2021-09-07 | 睿至科技集团有限公司 | 一种电力数据中台以及工作方法 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN113554105A (zh) * | 2021-07-28 | 2021-10-26 | 桂林电子科技大学 | 一种基于时空融合的物联网缺失数据补全方法 |
CN113673775A (zh) * | 2021-08-25 | 2021-11-19 | 武汉科技大学 | 基于cnn-lstm及深度学习的时空组合预测方法 |
CN113869565A (zh) * | 2021-09-15 | 2021-12-31 | 深圳供电局有限公司 | 一种电力负荷预测方法、装置、终端设备及存储介质 |
CN114118580A (zh) * | 2021-11-29 | 2022-03-01 | 国网山东省电力公司东营供电公司 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
CN114511181A (zh) * | 2021-12-31 | 2022-05-17 | 中国环境科学研究院 | 基于电网及税收数据融合的水污染环保校验方法和装置 |
CN115146537A (zh) * | 2022-07-12 | 2022-10-04 | 四川大学 | 基于耗电量的大气污染物排放量估算模型构建方法及系统 |
CN115640884A (zh) * | 2022-10-11 | 2023-01-24 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于降雨量的电网负荷调度方法 |
CN116632842A (zh) * | 2023-07-26 | 2023-08-22 | 国网山东省电力公司信息通信公司 | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 |
CN116910681A (zh) * | 2023-09-12 | 2023-10-20 | 睿至科技集团有限公司 | 一种基于物联网的电力数据分析方法及系统 |
CN117591983A (zh) * | 2024-01-17 | 2024-02-23 | 成方金融科技有限公司 | 一种多指标异常检测方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189581A1 (en) * | 2010-06-07 | 2018-07-05 | Affectiva, Inc. | Vehicle manipulation using convolutional image processing |
CN109522600A (zh) * | 2018-10-16 | 2019-03-26 | 浙江大学 | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 |
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
CN109978258A (zh) * | 2019-03-26 | 2019-07-05 | 北京博望华科科技有限公司 | 基于机器学习的多数据源光伏发电量预测方法及系统 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
-
2019
- 2019-11-08 CN CN201911087477.7A patent/CN110991700A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180189581A1 (en) * | 2010-06-07 | 2018-07-05 | Affectiva, Inc. | Vehicle manipulation using convolutional image processing |
CN109522600A (zh) * | 2018-10-16 | 2019-03-26 | 浙江大学 | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 |
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
CN109978258A (zh) * | 2019-03-26 | 2019-07-05 | 北京博望华科科技有限公司 | 基于机器学习的多数据源光伏发电量预测方法及系统 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
Non-Patent Citations (2)
Title |
---|
吴力波;周阳;陈海波;杨增辉;: "基于智能电网大数据的工业企业大气污染排放特征研究" * |
吴力波;周阳;陈海波;杨增辉;: "基于智能电网大数据的工业企业大气污染排放特征研究", 《中国环境管理》, no. 04, pages 38 - 42 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
CN112330010A (zh) * | 2020-11-03 | 2021-02-05 | 长安大学 | 一种基于深度学习的电力用户负荷区间预测方法 |
CN113435923A (zh) * | 2021-06-15 | 2021-09-24 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN113435923B (zh) * | 2021-06-15 | 2022-09-27 | 北京百度网讯科技有限公司 | 用电量的预测方法、装置及电子设备 |
CN113554105B (zh) * | 2021-07-28 | 2023-04-18 | 桂林电子科技大学 | 一种基于时空融合的物联网缺失数据补全方法 |
CN113554105A (zh) * | 2021-07-28 | 2021-10-26 | 桂林电子科技大学 | 一种基于时空融合的物联网缺失数据补全方法 |
CN113361832A (zh) * | 2021-08-10 | 2021-09-07 | 睿至科技集团有限公司 | 一种电力数据中台以及工作方法 |
CN113673775A (zh) * | 2021-08-25 | 2021-11-19 | 武汉科技大学 | 基于cnn-lstm及深度学习的时空组合预测方法 |
CN113869565A (zh) * | 2021-09-15 | 2021-12-31 | 深圳供电局有限公司 | 一种电力负荷预测方法、装置、终端设备及存储介质 |
CN114118580A (zh) * | 2021-11-29 | 2022-03-01 | 国网山东省电力公司东营供电公司 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
CN114511181A (zh) * | 2021-12-31 | 2022-05-17 | 中国环境科学研究院 | 基于电网及税收数据融合的水污染环保校验方法和装置 |
CN115146537A (zh) * | 2022-07-12 | 2022-10-04 | 四川大学 | 基于耗电量的大气污染物排放量估算模型构建方法及系统 |
CN115640884A (zh) * | 2022-10-11 | 2023-01-24 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于降雨量的电网负荷调度方法 |
CN115640884B (zh) * | 2022-10-11 | 2023-12-22 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于降雨量的电网负荷调度方法 |
CN116632842A (zh) * | 2023-07-26 | 2023-08-22 | 国网山东省电力公司信息通信公司 | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 |
CN116632842B (zh) * | 2023-07-26 | 2023-11-10 | 国网山东省电力公司信息通信公司 | 基于聚类特性的台区分布式光伏负荷概率预测方法及系统 |
CN116910681A (zh) * | 2023-09-12 | 2023-10-20 | 睿至科技集团有限公司 | 一种基于物联网的电力数据分析方法及系统 |
CN116910681B (zh) * | 2023-09-12 | 2024-01-30 | 睿至科技集团有限公司 | 一种基于物联网的电力数据分析方法及系统 |
CN117591983A (zh) * | 2024-01-17 | 2024-02-23 | 成方金融科技有限公司 | 一种多指标异常检测方法、装置、电子设备和存储介质 |
CN117591983B (zh) * | 2024-01-17 | 2024-04-19 | 成方金融科技有限公司 | 一种多指标异常检测方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991700A (zh) | 基于深度学习改进的天气与用电相关性预测方法及装置 | |
CN109919370B (zh) | 一种电力负荷预测方法及预测装置 | |
Sun et al. | Using a Grey–Markov model optimized by Cuckoo search algorithm to forecast the annual foreign tourist arrivals to China | |
Dumitru et al. | Solar photovoltaic energy production forecast using neural networks | |
CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 | |
Liu et al. | Real-time complex event processing and analytics for smart grid | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN108492134A (zh) | 基于多周期回归树集成的大数据用户用电行为分析系统 | |
CN106980906B (zh) | 一种基于spark的Ftrl电压预测方法 | |
Chen et al. | Development and application of big data platform for garlic industry chain | |
Lei et al. | Short-term load forecasting with clustering–regression model in distributed cluster | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
CN114416855A (zh) | 一种基于电力大数据的可视化平台及方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN109446230A (zh) | 一种光伏发电影响因素的大数据分析系统及方法 | |
CN111260206A (zh) | 一种光伏发电影响因素评价模型、构建方法及应用 | |
CN110516884A (zh) | 一种基于大数据平台的短期负荷预测方法 | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
Eck et al. | Scalable deployment of AI time-series models for IoT | |
Nijim et al. | The design of a novel smart home control system using a smart grid based on edge and cloud computing | |
Zhang et al. | Short-term load forecasting based on big data technologies | |
Ren et al. | An extreme gradient boosting algorithm for short-term load forecasting using power grid big data | |
CN116341740A (zh) | 一种基于比例拆分的城市燃气逐时负荷多步预测方法和系统 | |
Kristiani et al. | Air quality monitoring and analysis with dynamic training using deep learning |
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 |