CN111369048A - 一种话务量预测方法 - Google Patents
一种话务量预测方法 Download PDFInfo
- Publication number
- CN111369048A CN111369048A CN202010135820.7A CN202010135820A CN111369048A CN 111369048 A CN111369048 A CN 111369048A CN 202010135820 A CN202010135820 A CN 202010135820A CN 111369048 A CN111369048 A CN 111369048A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- modeling
- power failure
- electricity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000005611 electricity Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims abstract description 5
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 23
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 abstract description 3
- 230000006403 short-term memory Effects 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/60—Business processes related to postal services
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种话务量预测方法,该方法包括步骤:模型划分为:故障停电、计划停电、欠费停复电、电量电费、客户基本信息和用电业务;根据模型进行宽表加工,获得各个模型的输入输出变量;数据处理:在对原始数据进行宽表数据加工之后,进行数据建模之前,对数据进行数据清洗,将数据转化为平稳的无量纲的输入‑输出变量数据;数据建模,选用的模型为LSTM长短期记忆网络模型进行训练、验证和测试。本发明对话务量的模型分类,并确定各个模型的输入变量和输出变量,通过选用的模型为LSTM长短期记忆网络模型进行训练,保证模型准确率,模型准确率可达80%以上。
Description
技术领域
本发明属于电力管理技术领域,具体涉及一种话务量预测方法。
背景技术
时间预测类的场景应用的建模算法,现在应用最多的是时间序列算法,包括AR、MA、ARMA、指数平滑方法ARIMA等方法,但基于时间序列算法的预测算法有一个重要的缺陷就是无法添加额外的影响变量。
发明内容
本发明要解决的技术问题是:提供一种话务量预测方法,以解决现有技术中存在的问题。
本发明采取的技术方案为:一种话务量预测方法,该方法包括以下步骤:
(1)模型划分:基于业务类别将模型进行细分建模,模型分别为:故障停电、计划停电、欠费停复电、电量电费、客户基本信息和用电业务;
(2)宽表加工,确定各个模型输入变量和输出变量:
一、故障停电:输入变量包括:1)恶劣天气;2)节假日,输出变量包括话务量:客服95598客服工单信息;
二、计划停电:输入变量包括:1)计划停电客户数:停电计划数据表;2)节假日;输出变量包括话务量;
三、欠费停复电:输入变量包括:1)欠费客户数:欠费记录数据表;2)账单生成数量:应收电费记录数据表;2)节假日;输出变量包括话务量;
四、电量电费:输入变量包括:1)电费发行数量:应收电费记录数据表;2)账单生成数量;3)电量环比:应收电费记录数据表;4)节假日;输出变量包括话务量;
五、客户基本信息:输入变量包括:1)电费发行数量;2)业扩报装数量:业扩工作单基本信息数据表;2)节假日;输出变量包括话务量;
六、用电业务:输入变量包括:1)业扩报装数量;2)节假日;输出变量包括话务量。
(3)数据处理:在对原始数据进行宽表数据加工之后,进行数据建模之前,对数据进行数据清洗,将数据转化为平稳的无量纲的输入-输出变量数据;
(4)数据建模:将原始的数据进行数据加工之后可进行数据建模,选取90%的数据作为训练数据,10%的数据作为验证数据,最后10天的数据作为测试数据;选用的模型为LSTM长短期记忆网络模型;将训练数据带入编译好的模型进行数据建模,设定模型训练次数、批量大小,进行模型训练,对训练模型进行验证和测试。
骤(3)中平稳性校验:在进行时间序列建模前,第一步需要检验数据的平稳性,时间序列平稳,则无需操作,不平稳则需进行差分将数据转换成平稳数据;数据平稳化转换的方法通常为差分,差分的公式为:
Δyx=y(x+1)-y(x)
其中:Δyx为相邻变量之间的差值;
y(x+1)为x+1时刻的变量值;
y(x)为x时刻的变量值。
步骤(3)中数据处理采用归一化处理:因神经网络族的模型对数据的敏感度较高,异常数据对模型的影响较大,因此,在进行数据建模之前对建模数据进行归一化处理,将数据规范在[0,1]之间,消除量纲等的影响。建模使用的是min-max归一化方法,其计算公式如下:
x'=(x-x_min)/(x_max-x_min)
其中:x为自变量值;
x_min为自变量值中的最小值;
x_max为自变量值中的最大值;
x'为标准化之后的自变量值。
步骤(3)中数据处理时对样本数据进行转换,通过错位法,将时间序列数据转化为输入-输出的有监督学习数据格式。
神经网络模型定义如下:
第一、创建Sequential类的实例;
第二、隐含层,该隐含层具有32个神经元;
第二、输出层是1个神经元。
第五、编译模型
模型验证方法如下:
(1)将验证数据带入训练好的模型中,得到预测结果;
(2)将预测结果进行反归一化编译,使得数据还原为原始数据类型;
(3)将反归一化结果与真实数据进行对比分析,计算模型准确率;
(4)针对模型准确率,进行神经网络模型中的神经元个数、训练次数、批量大小参数进行调整,直至达到模型最优。
模型测试方法如下:
(1)通过对测试数据带入到训练好的模型中,得到预测值;
(2)将预测值进行反归一化编译,将数据转化为原始数据类型,将反归一化数据与测试数据真实值进行计算模型准确率,评估模型的有效性。
本发明的有益效果:与现有技术相比,本发明对话务量的模型分类,并确定各个模型的输入变量和输出变量,通过选用的模型为LSTM长短期记忆网络模型进行训练,提出一种将时间序列数据转化为预测类问题的数据,在此基础上可添加业务影响因素(各个模型的输入变量)等,提高预测的准确性,保证模型准确率,模型准确率可达80%以上。
具体实施方式
下面结合具体的实施例对本发明进行进一步介绍。
实施例:一种话务量预测方法,该方法包括以下步骤:
(1)模型划分:基于业务类别将模型进行细分建模,模型分别为:故障停电、计划停电、欠费停复电、电量电费、客户基本信息和用电业务;
(2)宽表加工,确定各个模型输入变量和输出变量:
一、故障停电:输入变量包括:1)恶劣天气;2)节假日,输出变量包括话务量:客服95598客服工单信息;
二、计划停电:输入变量包括:1)计划停电客户数:停电计划数据表;2)节假日;输出变量包括话务量;
三、欠费停复电:输入变量包括:1)欠费客户数:欠费记录数据表;2)账单生成数量:应收电费记录数据表;2)节假日;输出变量包括话务量;
四、电量电费:输入变量包括:1)电费发行数量:应收电费记录数据表;2)账单生成数量;3)电量环比:应收电费记录数据表;4)节假日;输出变量包括话务量;
五、客户基本信息:输入变量包括:1)电费发行数量;2)业扩报装数量:业扩工作单基本信息数据表;2)节假日;输出变量包括话务量;
六、用电业务:输入变量包括:1)业扩报装数量;2)节假日;输出变量包括话务量。
(3)数据处理:在对原始数据进行宽表数据加工之后,进行数据建模之前,对数据进行数据清洗,将数据转化为平稳的无量纲的输入-输出变量数据;
平稳性校验:在进行时间序列建模前,第一步需要检验数据的平稳性,时间序列平稳,则无需操作,不平稳则需进行差分将数据转换成平稳数据;数据平稳化转换的方法通常为差分,差分的公式为:
Δyx=y(x+1)-y(x)
其中:Δyx为相邻变量之间的差值;
y(x+1)为x+1时刻的变量值;
y(x)为x时刻的变量值。
数据处理采用归一化处理:因神经网络族的模型对数据的敏感度较高,异常数据对模型的影响较大,因此,在进行数据建模之前对建模数据进行归一化处理,将数据规范在[0,1]之间,消除量纲等的影响。本次建模使用的是min-max归一化方法,其计算公式如下:
x'=(x-x_min)/(x_max-x_min)
其中:x为自变量值;
x_min为自变量值中的最小值;
x_max为自变量值中的最大值;
x'为标准化之后的自变量值。
数据处理时对样本数据进行转换,通过错位法,将时间序列数据转化为输入-输出的有监督学习数据格式;
(4)数据建模:将原始的数据进行数据加工之后可进行数据建模,选取90%的数据作为训练数据,10%的数据作为验证数据,最后10天的数据作为测试数据;选用的模型为LSTM长短期记忆网络模型;将训练数据带入编译好的模型进行数据建模,设定模型训练次数、批量大小,进行模型训练,对训练模型进行验证和测试;
定义神经网络模型中很关键的一步就是设置隐层神经元个数,建模中选取的神经元个数计算方法为:根据Kolmogorov定理,可以计算出,隐层结点数s=2n+1(n为输入层结点数),且基于以上的初始神经元个数,然后不断对模型进行测试,逐渐添加神经元个数,直至达到模型效果最佳为止;
神经网络模型定义如下:
第一、创建Sequential类的实例;
第二、隐含层,该隐含层具有32个神经元;
第二、输出层是1个神经元。
第五、编译模型
模型验证方法如下:
(1)将验证数据带入训练好的模型中,得到预测结果;
(2)将预测结果进行反归一化编译,使得数据还原为原始数据类型;
(3)将反归一化结果与真实数据进行对比分析,计算模型准确率;
(4)针对模型准确率,进行神经网络模型中的神经元个数、训练次数、批量大小参数进行调整,直至达到模型最优。
模型测试方法如下:
(1)通过对测试数据带入到训练好的模型中,得到预测值;
(2)将预测值进行反归一化编译,将数据转化为原始数据类型,将反归一化数据与测试数据真实值进行计算模型准确率,评估模型的有效性。
本发明通过以上选取的基于深度学习方法长短期记忆网络LSTM模型建模,可知,无论是模型验证还是模型测试,大多数类别的模型的准确率均能达到80%以上,且鉴于测试数据数据量的关系,个别类别的预测结果略差,但在实际项目应用中,随着数据量的变化,模型准确率会有所提高。因此,可将长短期记忆网络LSTM模型这一模型应用到话务量预测项目中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种话务量预测方法,其特征在于:该方法包括以下步骤:
(1)模型划分:基于业务类别将模型进行细分建模,模型分别为:故障停电、计划停电、欠费停复电、电量电费、客户基本信息和用电业务;
(2)宽表加工,确定各个模型输入变量和输出变量:
一、故障停电:输入变量包括:1)恶劣天气;2)节假日,输出变量包括话务量:客服95598客服工单信息;
二、计划停电:输入变量包括:1)计划停电客户数:停电计划数据表;2)节假日;输出变量包括话务量;
三、欠费停复电:输入变量包括:1)欠费客户数:欠费记录数据表;2)账单生成数量:应收电费记录数据表;2)节假日;输出变量包括话务量;
四、电量电费:输入变量包括:1)电费发行数量:应收电费记录数据表;2)账单生成数量;3)电量环比:应收电费记录数据表;4)节假日;输出变量包括话务量;
五、客户基本信息:输入变量包括:1)电费发行数量;2)业扩报装数量:业扩工作单基本信息数据表;2)节假日;输出变量包括话务量;
六、用电业务:输入变量包括:1)业扩报装数量;2)节假日;输出变量包括话务量。
(3)数据处理:在对原始数据进行宽表数据加工之后,进行数据建模之前,对数据进行数据清洗,将数据转化为平稳的无量纲的输入-输出变量数据;
(4)数据建模:将原始的数据进行数据加工之后可进行数据建模,选取90%的数据作为训练数据,10%的数据作为验证数据,最后10天的数据作为测试数据;选用的模型为LSTM长短期记忆网络模型;将训练数据带入编译好的模型进行数据建模,设定模型训练次数、批量大小,进行模型训练,对训练模型进行验证和测试。
2.根据权利要求1所述的一种话务量预测方法,其特征在于:步骤(3)中平稳性校验:在进行时间序列建模前,第一步需要检验数据的平稳性,时间序列平稳,则无需操作,不平稳则需进行差分将数据转换成平稳数据;数据平稳化转换的方法通常为差分,差分公式为:
Δyx=y(x+1)-y(x)
其中:Δyx为相邻变量之间的差值;
y(x+1)为x+1时刻的变量值;
y(x)为x时刻的变量值。
3.根据权利要求1所述的一种话务量预测方法,其特征在于:步骤(3)中数据处理采用归一化处理:在进行数据建模之前对建模数据进行归一化处理,将数据规范在[0,1]之间,归一化处理使用min-max归一化方法,其计算公式如下:
x'=(x-x_min)/(x_max-x_min)
其中:x为自变量值;
x_min为自变量值中的最小值;
x_max为自变量值中的最大值;
x'为标准化之后的自变量值。
4.根据权利要求1所述的一种话务量预测方法,其特征在于:步骤(3)中数据处理时对样本数据进行转换,通过错位法,将时间序列数据转化为输入-输出的有监督学习数据格式。
6.根据权利要求1所述的一种话务量预测方法,其特征在于:模型验证方法如下:
(1)将验证数据带入训练好的模型中,得到预测结果;
(2)将预测结果进行反归一化编译,使得数据还原为原始数据类型;
(3)将反归一化结果与真实数据进行对比分析,计算模型准确率;
(4)针对模型准确率,进行神经网络模型中的神经元个数、训练次数、批量大小参数进行调整,直至达到模型最优。
7.根据权利要求1所述的一种话务量预测方法,其特征在于:模型测试方法如下:
(1)通过对测试数据带入到训练好的模型中,得到预测值;
(2)将预测值进行反归一化编译,将数据转化为原始数据类型,将反归一化数据与测试数据真实值进行计算模型准确率,评估模型的有效性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135820.7A CN111369048B (zh) | 2020-03-02 | 2020-03-02 | 一种话务量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010135820.7A CN111369048B (zh) | 2020-03-02 | 2020-03-02 | 一种话务量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369048A true CN111369048A (zh) | 2020-07-03 |
CN111369048B CN111369048B (zh) | 2022-08-12 |
Family
ID=71211663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010135820.7A Active CN111369048B (zh) | 2020-03-02 | 2020-03-02 | 一种话务量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369048B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570137A (zh) * | 2021-07-27 | 2021-10-29 | 云南电网有限责任公司 | 一种基于时间序列模型的供电服务客户话务量预测方法 |
CN116233312A (zh) * | 2023-05-06 | 2023-06-06 | 广东电网有限责任公司 | 一种基于回归分解的电网客服话务量预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050226399A1 (en) * | 2004-04-07 | 2005-10-13 | Sbc Knowledge Ventures, L.P. | Method and system for forecasting telephony traffic trends using local number portability databases |
CN101583147A (zh) * | 2009-06-17 | 2009-11-18 | 哈尔滨工业大学 | 一种应用于话务量预测的分段在线支持向量回归方法 |
CN106713677A (zh) * | 2016-05-24 | 2017-05-24 | 国家电网公司客户服务中心 | 一种电力客户服务中心呼入话务量的预测方法 |
CN107844915A (zh) * | 2017-11-29 | 2018-03-27 | 信雅达系统工程股份有限公司 | 一种基于话务预测的呼叫中心的自动排班方法 |
CN109685240A (zh) * | 2018-10-24 | 2019-04-26 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
CN109784471A (zh) * | 2018-10-24 | 2019-05-21 | 浙江华云信息科技有限公司 | 一种基于多预测模型的95598话务工单预测与异动预警方法 |
-
2020
- 2020-03-02 CN CN202010135820.7A patent/CN111369048B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050226399A1 (en) * | 2004-04-07 | 2005-10-13 | Sbc Knowledge Ventures, L.P. | Method and system for forecasting telephony traffic trends using local number portability databases |
CN101583147A (zh) * | 2009-06-17 | 2009-11-18 | 哈尔滨工业大学 | 一种应用于话务量预测的分段在线支持向量回归方法 |
CN106713677A (zh) * | 2016-05-24 | 2017-05-24 | 国家电网公司客户服务中心 | 一种电力客户服务中心呼入话务量的预测方法 |
CN107844915A (zh) * | 2017-11-29 | 2018-03-27 | 信雅达系统工程股份有限公司 | 一种基于话务预测的呼叫中心的自动排班方法 |
CN109685240A (zh) * | 2018-10-24 | 2019-04-26 | 国网浙江省电力有限公司 | 一种基于lstm深度学习的95598话务工单预测与异动预警方法 |
CN109784471A (zh) * | 2018-10-24 | 2019-05-21 | 浙江华云信息科技有限公司 | 一种基于多预测模型的95598话务工单预测与异动预警方法 |
Non-Patent Citations (2)
Title |
---|
WEISHAN HE等: "Forecasting of Busy Telephone Traffic Based on Wevelet Transform and ARIMA-LSSVM", 《INTERNATIONAL JOURNAL OF SMART HOME》 * |
范晨 等: "基于时间序列模型的异常话务量分块建模和预测", 《中小企业管理与科技》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570137A (zh) * | 2021-07-27 | 2021-10-29 | 云南电网有限责任公司 | 一种基于时间序列模型的供电服务客户话务量预测方法 |
CN116233312A (zh) * | 2023-05-06 | 2023-06-06 | 广东电网有限责任公司 | 一种基于回归分解的电网客服话务量预测方法 |
CN116233312B (zh) * | 2023-05-06 | 2023-08-08 | 广东电网有限责任公司 | 一种基于回归分解的电网客服话务量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111369048B (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gan et al. | Real-time deferrable load control: handling the uncertainties of renewable generation | |
CN111369048B (zh) | 一种话务量预测方法 | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
Khan et al. | Day ahead load forecasting for IESCO using artificial neural network and bagged regression tree | |
Nair et al. | Optimal operation of residential EVs using DNN and clustering based energy forecast | |
CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
Shaghaghi et al. | Proposing a new optimized forecasting model for the failure rate of power distribution network thermal equipment for educational centers | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
CN113919162B (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
CN111784019A (zh) | 电力负荷处理方法和装置 | |
Cheung et al. | Towards improved real-time observability of behind-meter photovoltaic systems: A data-driven approach | |
CN116011153A (zh) | 基于光-荷相关性增强可信度的配电网可靠性评估方法 | |
Daraghmi et al. | Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
Amjady | Generation adequacy assessment of power systems by time series and fuzzy neural network | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
CN114066539A (zh) | 一种基于电力市场交易的电力系统生产模拟方法及装置 | |
CN114154696A (zh) | 资金流预测方法、系统、计算机设备及存储介质 | |
Al-Abri et al. | Overview of the Global Electricity System in Oman Considering Energy Demand Model Forecast | |
Chen et al. | Monthly Net Electricity Consumption Prediction Under High Penetration of Distributed Photovoltaic System | |
Xu et al. | Short-Term Load Forecasting Based on MI and BI-LSTM | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
Rollins | Forecasting Energy Demand & Peak Load Days with the Inclusion of Solar Energy Production | |
Song et al. | Recurrent Neural-Network-Based Maximum Frequency Deviation Prediction Using Probability Power Flow Dynamic Tool |
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 |