CN111898650A - 基于深度学习的营配用数据自动聚类分析设备及方法 - Google Patents

基于深度学习的营配用数据自动聚类分析设备及方法 Download PDF

Info

Publication number
CN111898650A
CN111898650A CN202010650325.XA CN202010650325A CN111898650A CN 111898650 A CN111898650 A CN 111898650A CN 202010650325 A CN202010650325 A CN 202010650325A CN 111898650 A CN111898650 A CN 111898650A
Authority
CN
China
Prior art keywords
data
marketing
distribution data
training
false alarm
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
Application number
CN202010650325.XA
Other languages
English (en)
Inventor
祝春捷
徐晓华
潘坚跃
周波
李强强
倪萍
杨阳
孔仪潇
谢赟
向新宇
雷云
王瑾
丁晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202010650325.XA priority Critical patent/CN111898650A/zh
Publication of CN111898650A publication Critical patent/CN111898650A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的营配用数据自动聚类分析设备及方法，解决了现有技术的不足，方法包括预训练方法和微调方法，预训练方法首先将营配用数据输入预训练模块，然后预训练模块通过对营配用数据进行预训练构成预训练模型，微调方法首先读取预训练模型，然后加载营配用数据通过多次微调优化预训练模型构成最后自动聚类分析模型。

Description

基于深度学习的营配用数据自动聚类分析设备及方法
技术领域
本发明涉及智能电网技术领域，尤其是指一种基于深度学习的营配用数据自动聚类分析设备及方法。
背景技术
近年来，随着电力专业间的纵向贯通与横向融合进度不断加快，电力公司积极开展营配数据采录贯通工作，将变电站、公用配变、高压用户、低压表箱等营配信息与营业网点、计量库房等营销服务资源信息进行采录，实现了电网与客户信息的全覆盖。电网营配贯通后，产生了海量异构数据，这些数据对现有的分析与处理方法提出了新的挑战。一方面，具有海量、异构、多源、高维等特征的营配用数据导致传统数据分析方法无法直接适用；另一方面，营配用数据自身存在的数据质量低、挖掘手段匮乏造成了贯通后的应用困难。
中国专利公开号CN110766032A，公开日2020年2月7日，名称为《基于分层递进策略的配电网数据聚类集成方法》的发明专利中公开了一种配电网数据聚类集成方法，包括：生成配电网数据的备选聚类集合；基于分层递进的局部权重算法对所述备选聚类集合进行筛选获得基础聚类集合；通过层次聚类方法对所述基础聚类集合进行集成获得最后的集成聚类。不足之处在于，该专利的聚类方法较为简单，不能做到准确的数据聚类，数据质量仍然较低。
发明内容
本发明的目的是克服现有技术中营配用数据自身存在的数据质量低、挖掘手段匮乏造成了贯通后的应用困难的缺点，提供一种基于深度学习的营配用数据自动聚类分析设备及方法。
本发明的目的是通过下述技术方案予以实现：
一种基于深度学习的营配用数据自动聚类分析方法，包括预训练方法和微调方法，预训练方法首先将营配用数据输入预训练模块，然后预训练模块通过对营配用数据进行预训练构成预训练模型，微调方法首先读取预训练模型，然后加载营配用数据通过多次微调优化预训练模型构成最后自动聚类分析模型。
作为一种优选方案，所述的预训练方法的预训练模块为受限玻尔兹曼机，具体方法为：
步骤1，设置受限玻尔兹曼机各层节点数、迭代次数以及聚类个数；
步骤2，加载营配用数据，对数据进行清洗和归一化处理；
步骤3，将清洗后的数据作为输入，对玻尔兹曼机进行训练，得到各层权值，并保存；
步骤4，利用模糊C均值法对训练学习到的特征进行聚类并保存聚类结果，构成预训练模型。
作为一种优选方案，所述的微调方法具体为：
步骤5，读取预训练部分预训练模型的网络参数和初始聚类中心；
步骤6，加载营配用数据，对数据进行清洗和归一化处理；
步骤7，设置最大微调次数和循环初值；
步骤8，利用批量梯度下降法对目标函数进行迭代寻优，直至迭代停止。
作为一种优选方案，所述的步骤2中，对数据进行清洗的具体方法为：获取营配用数据的误报样本，然后对误报样本所对应的营配用数据进行数据清洗。
作为一种优选方案，判断误报样本的方法具体为：受限玻尔兹曼机的营配用数据设有期望数据，加载营配用数据后，输出得到实际输出数据，将实际输出数据和期望数据进行对比，如果存在差异则判断为误报样本。
作为一种优选方案，所述的步骤2中，对数据进行清洗的具体方法为：获取营配用数据的误报样本，若误报样本的数量大于预设的阈值，则对误报样本所对应的营配用数据进行数据清洗。由于在预训练过程中很难达到完全不存在误报样本，因此可以设置关于误报样本的阈值。统计存在误报样本的数量，并判断误报样本的数量是否大于预设的阈值，完成对数据进行清洗。
作为一种优选方案，所述的梯度下降法替换模拟退火算法，具体为设置初始数据为x(n)，以一定跪在在当前状态x(n)附近产生新的状态x’(n)，计算f(x(n))与f(x’(n))，得到
Δf＝f(x′(n))-f(x(n))
如果Δf＜0，则说明x’(n)优于x(n)，就用x’(n)作为下一个状态的值，x(n+1)＝x’(n)。如果Δf＞0，则说明离最优位置变远，进行概率操作，计算
Figure BDA0002574689540000031
再从0～1之间产生一个随机数ξ，如果ξ＜p，则接受x’(n)为下一个状态值，否则拒绝x’(n)，下个状态值保持不变，x(n+1)＝x(n)。
使用梯度下降进行最优解搜寻时，多变量的误差曲面很像是连绵起伏的山峰一样，变量越多，山峰和山谷也越多，这就导致梯度下降法极容易陷入到局部的一个小山谷，而停止搜索(局部最优)。这就是常规的梯度下降法在解决多维度的优化问题中最常见的局部最优问题。因此局部极小问题可以通过模拟退火算法来解决。
一种基于深度学习的营配用数据自动聚类分析设备，包括存储器和处理器，所述的存储器用于存储程序数据，所述的处理器用于处理器程序数据以实现如权1-权8中任一项权利要求所述的营配用数据自动聚类分析方法。
本发明的有益效果是：基于深度学习的营配用数据自动聚类分析设备及方法通过对营配用数据进行预训练模型进行初始聚类，然后对初始聚类不断进行优化调整，直至获得最佳的聚类效果。本发明很好地解决了营配贯通后的信息全面与维数灾难之间的矛盾，具有良好的工程实用价值。
附图说明
图1是本发明的预训练方法的流程图；
图2是本发明的微调方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例1：
一种基于深度学习的营配用数据自动聚类分析设备，包括存储器和处理器，所述的存储器用于存储程序数据，所述的处理器用于处理器程序数据以实现营配用数据自动聚类分析方法。
一种基于深度学习的营配用数据自动聚类分析方法，包括预训练方法和微调方法，预训练方法首先将营配用数据输入预训练模块，然后预训练模块通过对营配用数据进行预训练构成预训练模型，微调方法首先读取预训练模型，然后加载营配用数据通过多次微调优化预训练模型构成最后自动聚类分析模型。
作为一种优选方案，所述的预训练方法的预训练模块为受限玻尔兹曼机，如图1所示，具体方法为：
步骤1，设置受限玻尔兹曼机各层节点数、迭代次数以及聚类个数；
步骤2，加载营配用数据，对数据进行清洗和归一化处理；
步骤3，将清洗后的数据作为输入，对玻尔兹曼机进行训练，得到各层权值，并保存；
步骤4，利用模糊C均值法对训练学习到的特征进行聚类并保存聚类结果，构成预训练模型。
图中RMB级为受限玻尔兹曼机。
所述的微调方法具体为如图2所示，：
步骤5，读取预训练部分预训练模型的网络参数和初始聚类中心；
步骤6，加载营配用数据，对数据进行清洗和归一化处理；
步骤7，设置最大微调次数和循环初值；
步骤8，利用批量梯度下降法对目标函数进行迭代寻优，直至迭代停止。
图中BP指代BP神经网络。
所述的步骤2中，对数据进行清洗的具体方法为：获取营配用数据的误报样本，然后对误报样本所对应的营配用数据进行数据清洗。
判断误报样本的方法具体为：受限玻尔兹曼机的营配用数据设有期望数据，加载营配用数据后，输出得到实际输出数据，将实际输出数据和期望数据进行对比，如果存在差异则判断为误报样本。
实施例2：一种基于深度学习的营配用数据自动聚类分析设备及方法，其原理和实施方法和实施例1基本相同，不同之处在于所述的步骤2中，对数据进行清洗的具体方法为：获取营配用数据的误报样本，若误报样本的数量大于预设的阈值，则对误报样本所对应的营配用数据进行数据清洗。由于在预训练过程中很难达到完全不存在误报样本，因此可以设置关于误报样本的阈值。统计存在误报样本的数量，并判断误报样本的数量是否大于预设的阈值，完成对数据进行清洗。
实施例3：一种基于深度学习的营配用数据自动聚类分析设备及方法，其原理和实施方法和实施例1基本相同，不同之处在于所述的梯度下降法替换模拟退火算法，具体为设置初始数据为x(n)，以一定跪在在当前状态x(n)附近产生新的状态x’(n)，计算f(x(n))与f(x’(n))，得到
Δf＝f(x′(n))-f(x(n))
如果Δf＜0，则说明x’(n)优于x(n)，就用x’(n)作为下一个状态的值，x(n+1)＝x’(n)。如果Δf＞0，则说明离最优位置变远，进行概率操作，计算
Figure BDA0002574689540000061
再从0～1之间产生一个随机数ξ，如果ξ＜p，则接受x’(n)为下一个状态值，否则拒绝x’(n)，下个状态值保持不变，x(n+1)＝x(n)。
使用梯度下降进行最优解搜寻时，多变量的误差曲面很像是连绵起伏的山峰一样，变量越多，山峰和山谷也越多，这就导致梯度下降法极容易陷入到局部的一个小山谷，而停止搜索(局部最优)。这就是常规的梯度下降法在解决多维度的优化问题中最常见的局部最优问题。因此局部极小问题可以通过模拟退火算法来解决。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (9)

1.一种基于深度学习的营配用数据自动聚类分析方法，其特征是，包括预训练方法和微调方法，预训练方法首先将营配用数据输入预训练模块，然后预训练模块通过对营配用数据进行预训练构成预训练模型，微调方法首先读取预训练模型，然后加载营配用数据通过多次微调优化预训练模型构成最后自动聚类分析模型。
2.根据权利要求1所述的一种基于深度学习的营配用数据自动聚类分析方法，其特征是，所述的预训练方法的预训练模块为受限玻尔兹曼机，具体方法为：
步骤1，设置受限玻尔兹曼机各层节点数、迭代次数以及聚类个数；
步骤2，加载营配用数据，对数据进行清洗和归一化处理；
步骤3，将清洗后的数据作为输入，对玻尔兹曼机进行训练，得到各层权值，并保存；
步骤4，利用模糊C均值法对训练学习到的特征进行聚类并保存聚类结果，构成预训练模型。
3.根据权利要求1所述的一种基于深度学习的营配用数据自动聚类分析方法，其特征是，所述的微调方法具体为：
步骤5，读取预训练部分预训练模型的网络参数和初始聚类中心；
步骤6，加载营配用数据，对数据进行清洗和归一化处理；
步骤7，设置最大微调次数和循环初值；
步骤8，利用批量梯度下降法对目标函数进行迭代寻优，直至迭代停止。
4.根据权利要求2或3所述的一种基于深度学习的营配用数据自动聚类分析方法，其特征是，所述的步骤2中，对数据进行清洗的具体方法为：获取营配用数据的误报样本，然后对误报样本所对应的营配用数据进行数据清洗。
5.根据权利要求4所述的一种基于深度学习的营配用数据自动聚类分析方法，其特征是，判断误报样本的方法具体为：受限玻尔兹曼机的营配用数据设有期望数据，加载营配用数据后，输出得到实际输出数据，将实际输出数据和期望数据进行对比，如果存在差异则判断为误报样本。
6.根据圈了要求2或3所述的一种基于深度学习的营配用数据自动聚类分析方法，其特征是，所述的步骤2中，对数据进行清洗的具体方法为：获取营配用数据的误报样本，若误报样本的数量大于预设的阈值，则对误报样本所对应的营配用数据进行数据清洗。
7.根据权利要求6所述的一种基于深度学习的营配用数据自动聚类分析方法，其特征是，判断误报样本的方法具体为：受限玻尔兹曼机的营配用数据设有期望数据，加载营配用数据后，输出得到实际输出数据，将实际输出数据和期望数据进行对比，如果存在差异则判断为误报样本。
8.根据权利要求3所述的一种基于深度学习的营配用数据自动聚类分析方法，其特征是，所述的梯度下降法替换模拟退火算法，具体为设置初始数据为x(n)，以一定跪在在当前状态x(n)附近产生新的状态x’(n)，计算f(x(n))与f(x’(n))，得到
Δf＝f(x'(n))-f(x(n))
如果Δf<0，则说明x’(n)优于x(n)，就用x’(n)作为下一个状态的值，x(n+1)＝x’(n)。如果Δf>0，则说明离最优位置变远，进行概率操作，计算
Figure RE-FDA0002577109440000031
再从0～1之间产生一个随机数ξ，如果ξ<p，则接受x’(n)为下一个状态值，否则拒绝x’(n)，下个状态值保持不变，x(n+1)＝x(n)。
9.一种基于深度学习的营配用数据自动聚类分析设备，其特征是，包括存储器和处理器，所述的存储器用于存储程序数据，所述的处理器用于处理器程序数据以实现如权1-权8中任一项权利要求所述的营配用数据自动聚类分析方法。
CN202010650325.XA 2020-07-08 2020-07-08 基于深度学习的营配用数据自动聚类分析设备及方法 Pending CN111898650A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010650325.XA CN111898650A (zh) 2020-07-08 2020-07-08 基于深度学习的营配用数据自动聚类分析设备及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010650325.XA CN111898650A (zh) 2020-07-08 2020-07-08 基于深度学习的营配用数据自动聚类分析设备及方法

Publications (1)

Publication Number Publication Date
CN111898650A true CN111898650A (zh) 2020-11-06

Family

ID=73191982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010650325.XA Pending CN111898650A (zh) 2020-07-08 2020-07-08 基于深度学习的营配用数据自动聚类分析设备及方法

Country Status (1)

Country Link
CN (1) CN111898650A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140164299A1 (en) * 2012-12-06 2014-06-12 Tara Sainath Hybrid pre-training of deep belief networks
CN106226816A (zh) * 2016-09-12 2016-12-14 电子科技大学 一种叠前地震信号波形分类方法
CN106778841A (zh) * 2016-11-30 2017-05-31 国网上海市电力公司 异常用电检测模型的建立方法
CN109086817A (zh) * 2018-07-25 2018-12-25 西安工程大学 一种基于深度信念网络的高压断路器故障诊断方法
CN109214565A (zh) * 2018-08-30 2019-01-15 广东电网有限责任公司 一种适用于大电网分区调度的子区域系统负荷预测方法
CN109754068A (zh) * 2018-12-04 2019-05-14 中科恒运股份有限公司 基于深度学习预训练模型的迁移学习方法及终端设备
WO2019141040A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种短期电力负荷预测方法
CN110705873A (zh) * 2019-09-30 2020-01-17 国网福建省电力有限公司 一种新型的配电网运行状态画像分析方法
CN110751173A (zh) * 2019-09-10 2020-02-04 西安工程大学 基于深度学习支持向量机的临界热流密度预测方法
CN110909820A (zh) * 2019-12-02 2020-03-24 齐鲁工业大学 基于自监督学习的图像分类方法及系统
CN111079926A (zh) * 2019-11-23 2020-04-28 同济大学 基于深度学习的具有自适应学习率的设备故障诊断方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140164299A1 (en) * 2012-12-06 2014-06-12 Tara Sainath Hybrid pre-training of deep belief networks
CN106226816A (zh) * 2016-09-12 2016-12-14 电子科技大学 一种叠前地震信号波形分类方法
CN106778841A (zh) * 2016-11-30 2017-05-31 国网上海市电力公司 异常用电检测模型的建立方法
WO2019141040A1 (zh) * 2018-01-22 2019-07-25 佛山科学技术学院 一种短期电力负荷预测方法
CN109086817A (zh) * 2018-07-25 2018-12-25 西安工程大学 一种基于深度信念网络的高压断路器故障诊断方法
CN109214565A (zh) * 2018-08-30 2019-01-15 广东电网有限责任公司 一种适用于大电网分区调度的子区域系统负荷预测方法
CN109754068A (zh) * 2018-12-04 2019-05-14 中科恒运股份有限公司 基于深度学习预训练模型的迁移学习方法及终端设备
CN110751173A (zh) * 2019-09-10 2020-02-04 西安工程大学 基于深度学习支持向量机的临界热流密度预测方法
CN110705873A (zh) * 2019-09-30 2020-01-17 国网福建省电力有限公司 一种新型的配电网运行状态画像分析方法
CN111079926A (zh) * 2019-11-23 2020-04-28 同济大学 基于深度学习的具有自适应学习率的设备故障诊断方法
CN110909820A (zh) * 2019-12-02 2020-03-24 齐鲁工业大学 基于自监督学习的图像分类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孔繁辉;李健;: "深度信念网络优化BP神经网络的交通流预测模型", 管理评论, no. 03 *
杨琪: "基于深度学习的聚类关键技术研究", 中国优秀硕士学位论文全文数据库信息辑, no. 01, pages 3 - 4 *

Similar Documents

Publication Publication Date Title
CN106779223B (zh) 一种光伏系统发电功率实时预测方法及装置
CN112054943B (zh) 一种移动网络基站流量预测方法
CN111222776B (zh) 基于卷积神经网络的卫星网络协调态势评估方法及系统
CN112541546B (zh) 一种基于多场景模型的光伏电站典型场景生成方法
CN111476435A (zh) 基于密度峰值的充电桩负荷预测方法
CN110930198A (zh) 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备
CN107832927B (zh) 基于灰色关联分析法的10kV线路线变关系评价方法
CN108197837A (zh) 基于KMeans聚类的光伏发电预测方法
CN111062539B (zh) 基于次级用电量特性聚类分析的总电量预测方法
CN108491226A (zh) 基于集群缩放的Spark配置参数自动调优方法
CN110555058A (zh) 基于改进决策树的电力通信设备状态的预测方法
CN113379116A (zh) 基于聚类和卷积神经网络的台区线损预测方法
CN117556369A (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
CN117786441A (zh) 一种基于改进K-means聚类算法的多场景光伏用户用电行为分析方法
CN118195333A (zh) 基于电动汽车充电站的储能规划方法
CN115409317A (zh) 基于特征选择和机器学习的台区线损检测方法及装置
CN109858667A (zh) 一种基于雷电气候对负荷影响的短期负荷聚类方法
CN111898650A (zh) 基于深度学习的营配用数据自动聚类分析设备及方法
CN104579850A (zh) 移动互联网环境下Web服务的服务质量QoS预测方法
CN116662860A (zh) 一种基于能源大数据的用户画像与分类方法
CN116720145A (zh) 基于数据处理的无线充电剩余时间预测方法
CN112949938A (zh) 改善训练样本类别不均衡的风电爬坡事件直接预报方法
CN112365081A (zh) 一种光伏电站发电能力预测方法及装置
CN117713238B (zh) 光伏发电和储能微电网结合的随机优化运行策略
CN117350549B (zh) 计及出力相关性的配电网电压风险识别方法、装置及设备

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