CN111222688B - 一种商业楼宇的日负荷预测方法 - Google Patents
一种商业楼宇的日负荷预测方法 Download PDFInfo
- Publication number
- CN111222688B CN111222688B CN201911243175.4A CN201911243175A CN111222688B CN 111222688 B CN111222688 B CN 111222688B CN 201911243175 A CN201911243175 A CN 201911243175A CN 111222688 B CN111222688 B CN 111222688B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- daily
- daily load
- hour
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 230000002354 daily effect Effects 0.000 claims description 85
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004044 response Effects 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
- G06Q10/04—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—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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种商业楼宇的日负荷预测方法,涉及能源物联大数据领域,包括如下步骤:采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的的小时负荷数据;根据小时负荷数据生成小时负荷时间序列曲线,对小时负荷时间序列曲线进行聚类分析处理,得出聚类数;根据日负荷数据生成日负荷时间序列曲线;通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型;通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测。解决了传统基于统计的方法在商业楼宇负荷预测方面表现普遍较差的问题。
Description
技术领域
本发明涉及能源物联大数据领域,具体为一种商业楼宇的日负荷预测方法。
背景技术
楼宇用电能耗占全球总体耗能的40%,而且这个比例还在持续增加,特别是在发展中国家。楼宇负荷预测是楼宇能效管理系统、建筑内的各个用能子系统评估诊断、优化控制用电以及调度规划的重要基础。结合精确的负荷预测,可以分析楼宇负荷曲线高峰以及可控负荷的节能潜力,为制定基于需求响应的柔性负荷控制机制提供支撑。
智能用电是规划智能电网的基础和重要环节,商业楼宇能耗的准确预测能够帮助电网系统进行高效管理和合理分配电能资源,对于开展智能用电业务有着重要意义,商业楼宇能耗管理者(例如楼宇所有者或工程师)需要在不久的将来或提前一天准确预测能源需求,以便能够更好地管理能源使用。
传统的对商业楼宇的预测方法是根据以往的历史数据对未来目标日进行用电量的预测,实践证明,传统基于统计的方法在商业楼宇负荷预测方面表现普遍较差。
发明内容
本发明提供的一种商业楼宇的日负荷预测方法,解决了传统基于统计的方法在商业楼宇负荷预测方面表现普遍较差的问题。
基于上述目的,本发明提供的一种商业楼宇的日负荷预测方法,包括如下步骤:
采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的的小时负荷数据;
根据小时负荷数据生成小时负荷时间序列曲线,
对小时负荷时间序列曲线进行聚类分析处理,得出聚类数;
根据日负荷数据生成日负荷时间序列曲线;
通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型;
通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测。
可选的,所述选定时间段为同一季度连续的一段时间。
可选的,所述采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的的小时负荷数据之后还包括
将采集的日负荷数据和小时负荷数据等比例缩放;
探测并删除异常数据;
删除冗余数据;
填充缺失数据;
得出第一日负荷数据和第一小时负荷数据;
对所述第一小时负荷数据进行聚类分析处理,得出聚类数;
根据所述第一日负荷数据生成日负荷时间序列曲线;
通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型,并保存该模型。
可选的,所述对小时负荷时间序列曲线进行聚类分析处理包括对小时负荷数据进行K-Shape聚类分析。
可选的,所述对小时负荷时间序列曲线进行K-Shape聚类分析处理,包括
将具有相似负荷模式的小时负荷时间序列曲线聚为一类;
得到多组分类数据,每组分类数据包括一个簇数和与该簇数对应的均方误差;
选定任意三个相邻的簇数K-1,K,K+1,计算K的均方误差与K-1的均方误差的差值d1,计算K的均方误差与K+1的均方误差的差值d2,并计算||d1|-|d2||=Δd;
选取Δd最小的簇数K作为聚类数。
可选的,所述根据日负荷数据生成日负荷时间序列曲线之后还包括:按照时间先后顺序,将全部日负荷数据分为训练集和测试集。
可选的,所述所述通过对聚类数和日负荷时间序列曲线进行训练包括:以商业楼宇的日负荷值和所述聚类数作为输入,滞后一天的负荷值作为标签,进行训练得出SVR模型,并保存模型。
可选的,所述将采集的数据等比例缩放包括:通过如下公式将数据归一化到0~1范围内。
其中Xnorm为归一化后数据,X为原始数据,Xmax和Xmin分别为原始数据集的最大值和最小值。
可选的,所述通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测之后还包括,采集同一区域多个商业楼宇的日负荷数据和小时负荷数据,对所述日负荷预测方法进行验证。
基于相同的发明创造,本发明还提供了一种执行商业楼宇的日负荷预测方法的装置,包括
采集模块,采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的的小时负荷数据;
第一数据处理模块,根据小时负荷数据生成小时负荷时间序列曲线,对小时负荷时间序列曲线进行聚类分析处理,得出聚类数;
第二数据处理模块,根据日负荷数据生成日负荷时间序列曲线;
训练模块,通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型,并保存该模型;
通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测。
有益效果为:通过聚类分析得出聚类数,以建筑物日负荷值和聚类数作为训练输入得到SVR模型,有效降低了预测误差,提升了预测精度,可对目标日的日负荷进行预测。
附图说明
图1为实施例商业楼宇的日负荷预测方法步骤流程图;
图2为实施例商业楼宇的日负荷预测方法装置连接图;
图3为实施例商业楼宇的日负荷预测方法验证流程图。
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明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
为达到上述目的,如图1所示本发明实施例提供了一种商业楼宇的日负荷预测方法,具体步骤可以如下:
S101采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的小时负荷数据;
举例来说,采集步行街上一个楼宇的六、七、八月份共九十二天的日负荷数据和小时负荷数据,采用同一季度的日负荷数据和小时负荷数据,数据之间不会出现波动过大的情况。值得注意的是,可以选择六、七、八月份,也可以选择同一季度连续的一段时间。
为了提高预测模型的收敛速度和精度,将数据归一化到0~1内。公式如下:
该方法实现对原始数据的等比例缩放,其中Xnorm为归一化后的数据,X为原始数据,Xmax和Xmin分别为原始数据集的最大值和最小值。
执行坏数据、异常数据探测;
执行冗余数据删除,假设发现部分楼宇存在超过2208个数据点的情况,将超出的部分进行了删除处理,
执行缺失数据填充,发现采集的数据存在个别数据点缺失情况,采用插值方式填充了缺失数据。
S102根据小时负荷数据生成小时负荷时间序列曲线。
S103对小时负荷时间序列曲线进行聚类分析处理,得出聚类数;根据商业楼宇的小时负荷值生成九十二条小时负荷时间序列曲线,对该楼宇的小时负荷时间序列曲线进行K-Shape聚类分析处理,将具有相似负荷模式的曲线聚为一类。
可以采用应用基于Thorndike的Elbow方法选择最合适的簇数,K-Shape聚类分析后得到多组分类数据,每组分类数据包括一个簇数和与该簇数对应的均方误差;
选定任意三个相邻的簇数K-1,K,K+1,计算K的均方误差与K-1的均方误差的差值d1,计算K的均方误差与K+1的均方误差的差值d2,并计算||d1|-|d2||=Δd;
选取Δd最小的簇数K作为聚类数;
通过计算所有时间序列数据的质心,并将每个时间序列数据聚为最接近质心那一类来更新聚类成员。为了解决缩放不变性,在分配步骤中,将每个时间序列数据集z标准化,以使数据集的平均值为0,标准差为1。计算距离质心的公式如下所示:
其中,表示向量,R0表示方差,CCw是协方差,/>表示两个向量之间的相似度,该值越趋于1表示两个向量越相似。因此,SBD的值越小表示某个时间序列曲线与其质心越相似,则该曲线会被聚到这一类中。
S104根据日负荷数据生成日负荷时间序列曲线;按照时间的先后顺序,将全部日负荷时间序列曲线数据分为两个部分:训练集为前70天,测试集为后22天;
S105通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型,并保存该模型;
以商业楼宇的日负荷值和聚类数作为输入,之后一天的值作为标签,进行训练得出SVR模型,并保留模型。
如图3所示,采集同一区域多个商业楼宇的日负荷数据和小时负荷数据,对所述日负荷预测方法进行验证。
采集同一步行街上十个楼宇的日负荷数据和小时负荷数据,对上述步骤进行验证。
通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测。
与上述实施例相对应,如图2所示,本发明还提供了一种执行商业楼宇的日负荷预测方法的装置,包括
采集模块,采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的的小时负荷数据;
第一数据处理模块,根据小时负荷数据生成小时负荷时间序列曲线,对小时负荷时间序列曲线进行聚类分析处理,得出聚类数;
第二数据处理模块,根据日负荷数据生成日负荷时间序列曲线;
训练模块,通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型,并保存该模型;
S106通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测。
传统的对商业楼宇的预测方法是根据以往的历史数据对未来目标日进行用电量的预测,实践证明,传统基于统计的方法在商业楼宇负荷预测方面表现普遍较差,不仅计算步骤繁琐,处理数据所耗时间多,而且楼宇用电的规律性不易获取。通过K-Shape聚类分析得出聚类数,以每个建筑物日负荷值和所聚类别数作为训练输入,有效降低了预测误差,提升了预测精度。K-Shape更适用于时间序列的聚类,在比较的时候尽量保留时间序列的形状,该算法的核心是迭代增强过程,可以生成同质且较好分离的聚类。以每个建筑物日负荷值和所聚类别数作为训练输入,有效降低了预测误差,提升了预测精度。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种商业楼宇的日负荷预测方法,其特征在于,包括如下步骤:
采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的小时负荷数据;
根据小时负荷数据生成小时负荷时间序列曲线;
对小时负荷时间序列曲线进行聚类分析处理,得出聚类数,所述对小时负荷时间序列曲线进行聚类分析处理包括对小时负荷数据进行K-Shape聚类分析,所述对小时负荷时间序列曲线进行K-Shape聚类分析处理,包括:
将具有相似负荷模式的小时负荷时间序列曲线聚为一类;
得到多组分类数据,每组分类数据包括一个簇数和与该簇数对应的均方误差;
选定任意三个相邻的簇数K-1,K,K+1,计算K的均方误差与K-1的均方误差的差值d1,计算K的均方误差与K+1的均方误差的差值d2,并计算||d1|-|d2||=Δd;
选取Δd最小的簇数K作为聚类数;
根据日负荷数据生成日负荷时间序列曲线;
通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型,所述通过对聚类数和日负荷时间序列曲线进行训练包括:以商业楼宇的日负荷值和所述聚类数作为输入,滞后一天的负荷值作为标签,进行训练得出SVR模型,并保存模型;
通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测。
2.根据权利要求1所述的一种商业楼宇的日负荷预测方法,其特征在于,所述选定时间段为同一季度连续的一段时间。
3.根据权利要求1所述的一种商业楼宇的日负荷预测方法,其特征在于,所述采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的小时负荷数据之后还包括
将采集的日负荷数据和小时负荷数据等比例缩放;
探测并删除异常数据;
删除冗余数据;
填充缺失数据;
得出第一日负荷数据和第一小时负荷数据;
对所述第一小时负荷数据进行聚类分析处理,得出聚类数;
根据所述第一日负荷数据生成日负荷时间序列曲线;
通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型,并保存该模型。
4.根据权利要求1所述的一种商业楼宇的日负荷预测方法,其特征在于,所述根据日负荷数据生成日负荷时间序列曲线之后还包括:按照时间先后顺序,将全部日负荷数据分为训练集和测试集。
5.根据权利要求3所述的一种商业楼宇的日负荷预测方法,其特征在于,所述将采集的数据等比例缩放包括:通过如下公式将数据归一化到0~1范围内,
其中Xnorm为归一化后数据,X为原始数据,Xmax和Xmin分别为原始数据集的最大值和最小值。
6.根据权利要求1所述的商业楼宇的日负荷预测方法,其特征在于,所述通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测之后还包括,采集同一区域多个商业楼宇的日负荷数据和小时负荷数据,对所述日负荷预测方法进行验证。
7.根据权利要求1所述的一种商业楼宇的日负荷预测方法的装置,其特征在于,包括
采集模块,采集待预测楼宇的选定时间段每日的日负荷数据和该选定时间段每天的小时负荷数据;
第一数据处理模块,根据小时负荷数据生成小时负荷时间序列曲线;
聚类分析模块,对小时负荷时间序列曲线进行聚类分析处理,得出聚类数,所述对小时负荷时间序列曲线进行聚类分析处理包括对小时负荷数据进行K-Shape聚类分析,所述对小时负荷时间序列曲线进行K-Shape聚类分析处理,包括:
将具有相似负荷模式的小时负荷时间序列曲线聚为一类;
得到多组分类数据,每组分类数据包括一个簇数和与该簇数对应的均方误差;
选定任意三个相邻的簇数K-1,K,K+1,计算K的均方误差与K-1的均方误差的差值d1,计算K的均方误差与K+1的均方误差的差值d2,并计算||d1|-|d2||=Δd;
选取Δd最小的簇数K作为聚类数;
第二数据处理模块,根据日负荷数据生成日负荷时间序列曲线;
训练模块,通过对聚类数和日负荷时间序列曲线进行训练,得出SVR模型,并保存该模型,具体用于,以商业楼宇的日负荷值和所述聚类数作为输入,滞后一天的负荷值作为标签,进行训练得出SVR模型,并保存模型;
通过SVR模型对待预测商业楼宇进行未来目标日的负荷预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243175.4A CN111222688B (zh) | 2019-12-06 | 2019-12-06 | 一种商业楼宇的日负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911243175.4A CN111222688B (zh) | 2019-12-06 | 2019-12-06 | 一种商业楼宇的日负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222688A CN111222688A (zh) | 2020-06-02 |
CN111222688B true CN111222688B (zh) | 2024-01-12 |
Family
ID=70830764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911243175.4A Active CN111222688B (zh) | 2019-12-06 | 2019-12-06 | 一种商业楼宇的日负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222688B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113377881B (zh) * | 2021-06-04 | 2024-06-07 | 国网辽宁省电力有限公司 | 一种配电网负荷的纵横混合聚类多维度分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108846530A (zh) * | 2018-09-28 | 2018-11-20 | 国网上海市电力公司 | 一种基于“聚类-回归”模型的短期负荷预测方法 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
CN109767043A (zh) * | 2019-01-17 | 2019-05-17 | 中南大学 | 一种电力负荷时间序列大数据智能建模与预测方法 |
-
2019
- 2019-12-06 CN CN201911243175.4A patent/CN111222688B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108846530A (zh) * | 2018-09-28 | 2018-11-20 | 国网上海市电力公司 | 一种基于“聚类-回归”模型的短期负荷预测方法 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
CN109767043A (zh) * | 2019-01-17 | 2019-05-17 | 中南大学 | 一种电力负荷时间序列大数据智能建模与预测方法 |
Non-Patent Citations (2)
Title |
---|
基于kmeans聚类与BP神经网络算法的办公建筑逐时电负荷预测;刘倩颖;阮应君;时翔;李铮伟;;热能动力工程(第03期);全文 * |
基于数据挖掘的楼宇短期负荷预测方法研究;林顺富;郝朝;汤晓栋;李东东;符杨;;电力系统保护与控制(第07期);第84-86页及图1 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222688A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
US11043808B2 (en) | Method for identifying pattern of load cycle | |
CN110503256B (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
CN107833153B (zh) | 一种基于k-means聚类的电网负荷缺失数据补全方法 | |
CN113393028B (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
CN108805213B (zh) | 计及小波熵降维的电力负荷曲线双层谱聚类方法 | |
Jiang et al. | Parallel processing of probabilistic models-based power supply unit mid-term load forecasting with apache spark | |
CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
CN111784093A (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN108428055A (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN110263945A (zh) | 基于马尔科夫链的配电网线损处理系统 | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN111222688B (zh) | 一种商业楼宇的日负荷预测方法 | |
CN115809719A (zh) | 一种基于形态聚类的短期负荷预测修正方法 | |
CN107977898A (zh) | 一种光伏电站的发电量保险定价评估方法 | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
CN114970928A (zh) | 一种电力数据能耗分析预测方法 | |
Wang et al. | Application of a class of density peak clustering algorithm in short-term smart grid | |
Kumar et al. | A deep clustering framework for load pattern segmentation | |
CN114781685B (zh) | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 | |
CN109784632B (zh) | 一种工商业用户的中断响应特性挖掘方法 | |
CN115858895B (zh) | 一种用于智慧城市的多源异构数据处理方法及系统 | |
Bai et al. | Ride-hailing Demand Prediction Based on Hotspot Areas |
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 |