CN112036469A - 一种基于自回归和提升树算法的居民用电行为分析的系统及方法 - Google Patents

一种基于自回归和提升树算法的居民用电行为分析的系统及方法 Download PDF

Info

Publication number
CN112036469A
CN112036469A CN202010882110.0A CN202010882110A CN112036469A CN 112036469 A CN112036469 A CN 112036469A CN 202010882110 A CN202010882110 A CN 202010882110A CN 112036469 A CN112036469 A CN 112036469A
Authority
CN
China
Prior art keywords
data
electricity consumption
user
electricity utilization
value
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
CN202010882110.0A
Other languages
English (en)
Inventor
胡炳谦
周浩
顾一峰
韩俊
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.)
Shanghai Ieslab Energy Technology Co ltd
Original Assignee
Shanghai Ieslab Energy Technology 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 Shanghai Ieslab Energy Technology Co ltd filed Critical Shanghai Ieslab Energy Technology Co ltd
Priority to CN202010882110.0A priority Critical patent/CN112036469A/zh
Publication of CN112036469A publication Critical patent/CN112036469A/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
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

居民用电消费受较多因素的影响，掌握居民用电习惯及其主要影响因素间的规律对电力系统调度，电力市场化的推进，智能化城市管理都具有重要意义。针对大数据应用背景下用户智能用电行为分类的计算复杂性和特征选择有效性的问题,本发明公开了一种基于大数据思维的客户用电行为分析模型，根据历史用电数据和实时的电力负荷情况来识别居民用电规律与否的系统及方法，主要包括通过异常分析剔除掉个别极端用电数值,通过自回归模型建立每个用电单位的48小时用电曲线，以及利用提升树算法对实时的用电数据进行分类。

Description

一种基于自回归和提升树算法的居民用电行为分析的系统及 方法
技术领域
本发明涉及用电大数据人工智能分析领域，具体涉及一种基于自回归和提升树算法的居民用电行为分析的系统及方法。
背景技术
大数据时代形成的新技术手段和商业模式等使得生活方式发生了变化，也给企业的发展带来了巨 大的挑战。电力企业作为公用事业服务行业，需要为广大用户提供更好更优质的用电服务，这促使企业主动尝试或应用主流创新技术，加快服务转型与升级。随着智能电网建设的推进，电力企业在发电、 输电、变电、配电和用电各个环节产生了海量的数据，但是这些数据在系统间分布储存，数据关联度不高，数据逻辑复杂，传统的数据处理分析方式已难以支撑电力企业对智能电网实时运营分析的要求，因此，如何积极开展大数据关键技术的研究和应用，梳理电力大数据的应用场景，思考如何利用大数据推动城市管理提升和业务创新是未来智能化城市管理的关键。本发明提出了一种基于电力负荷数据分析居民用电行为的系统及方法,其主要的应用在于在分类用户用电规律，识别潜在非正常用电情况。
发明内容
本发明提出了一种基于电力负荷数据分析居民用电行为的系统及方法,其主要的应用在于在分类用户用电规律，识别潜在非正常用电情况。整个过程包括了数据收集模块,剔除极端值模块, 自相关系数分析模块以及实时识别报告模块，如图1所示。电力负荷数据收集模块通常通过智能电表等终端设备采集, 存储并处理原始居民用电负荷数据，并对这些数据进行分析, 整合, 校正, 填补缺失值, 以及标准化处理。异常分析模块将电力负荷数据中的极端异常值剔除, 这其中包括了, 数据录入时发生的读取错误照成的极大极小值和缺失值。异常分析之后的数据录入到自回归分析模块，该模块对每一个用电单位的负荷数据进行48小时的自回归分析，通过计算同一时段在不同天的相关性，分析出该用电单位的用电规律是正常, 较为正常, 还是异常。最后在提升树模型中，通过历史历史数据(正常和异常)训练模型，通过提升树模型对实时用电数据进行分类，并通过识别报告模块，报告该用户是否属于用电异常用户。
附图说明
图1为本发明实施例中居民用电行为分析模块流程图。
图2为本发明实施例中某用户历史用电数据(度/小时)曲线图。
图3为本发明实施例中某用户历史用电数据自相关系数。
图4为本发明实施例中某用户经识别判定为用电行为正常的曲线图。
图5为本发明实施例中某用户经识别判定为用电行为异常的曲线图。
具体实施方式
为使得本发明的内容、目的、特征及优点能够更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护说明书的范围，具体实施步骤如下。
步骤1、数据收集模块：对每一个用电单位的用电数据进行收集和存储。用电负荷数据可以采用不同的频率进行录入，在进入分析之前会求和或再分配为小时。
步骤2、根据步骤1中所取得的处理后的用电负荷数据，首先对每一个用户的用电数据进行异常分析，剔除掉极端值：
1） 数据值为:
Figure 981618DEST_PATH_IMAGE001
2） 假设每一个用户的数据负荷高斯分布:
Figure 590452DEST_PATH_IMAGE002
Figure 705DEST_PATH_IMAGE003
3） 求出相应参数:
Figure 458362DEST_PATH_IMAGE004
4） 如果
Figure 819811DEST_PATH_IMAGE005
, 则认为该值为极端值。
步骤3、根据步骤2中所取得的处理后的数据，对每一个用电单位数据进行自回归 分析：
Figure 716223DEST_PATH_IMAGE006
其中k值, 我们选取48，为48小时。
步骤4、根据步骤3的结果, 原数据为每一个用户的小时用电量，转化为每一用户的自回归系数，训练数据集:
Figure 980982DEST_PATH_IMAGE007
其中N为用户数,
Figure 734174DEST_PATH_IMAGE008
是第i个用户的第j个特征，
Figure 255023DEST_PATH_IMAGE009
,
Figure 955126DEST_PATH_IMAGE010
是第j个特征可能取的第
Figure 74392DEST_PATH_IMAGE011
个值
Figure 700283DEST_PATH_IMAGE012
。
步骤5、通过步骤3的自回归分析结果, 我们选择第24和48的值, 如果两个值相加的和大于0.15, 视为该用户用电行为正常；如果两个值相加的和小于0.15，视为该用户用电行为异常：接着采用提升树算法对实时数据进行分类:
输入:训练数据集
Figure 537789DEST_PATH_IMAGE007
，其中
Figure 838320DEST_PATH_IMAGE013
,
Figure 812092DEST_PATH_IMAGE014
,为别 表示1正常；-1异常。输出: 最终的分类器
Figure 614744DEST_PATH_IMAGE015
；
(1)初始化训练数据的权重分布：
Figure 939546DEST_PATH_IMAGE016
(2)对
Figure 653556DEST_PATH_IMAGE017
，m指的是第几个分类器：
(a)使用具有权重的
Figure 245949DEST_PATH_IMAGE018
的训练数据集
Figure 715107DEST_PATH_IMAGE019
学习，得到基本分类器:
Figure 261626DEST_PATH_IMAGE020
; 在本发明中, 我们选择决策树为分类器: 对于每一个决策树, 生成算法如下:
输入训练数据集
Figure 169539DEST_PATH_IMAGE021
特征集:
Figure 350860DEST_PATH_IMAGE022
，阙值
Figure 256499DEST_PATH_IMAGE023
输出:决策树
Figure 962418DEST_PATH_IMAGE024
i)若
Figure 579082DEST_PATH_IMAGE025
中所有实例属于同一类
Figure 444270DEST_PATH_IMAGE026
,则
Figure 520810DEST_PATH_IMAGE024
为单结点树,并将类
Figure 41921DEST_PATH_IMAGE026
作为该结点的类 标记, 返回
Figure 456417DEST_PATH_IMAGE024
；
ii)若
Figure 379373DEST_PATH_IMAGE027
,则
Figure 33340DEST_PATH_IMAGE024
为单结点数，并将
Figure 337020DEST_PATH_IMAGE025
中实例数最大的类
Figure 734634DEST_PATH_IMAGE026
作为该结点的类标 记，返回
Figure 246518DEST_PATH_IMAGE024
；
iii) 否则,计算出A中各特征对D的信息增益，选择信息增益最大的特征
Figure 163396DEST_PATH_IMAGE028
;经验熵
Figure 190258DEST_PATH_IMAGE029
Figure 391563DEST_PATH_IMAGE030
经验条件熵
Figure 522068DEST_PATH_IMAGE031
Figure 642471DEST_PATH_IMAGE032
信息增益
Figure 625470DEST_PATH_IMAGE033
Figure 958363DEST_PATH_IMAGE034
iv) 如果
Figure 683654DEST_PATH_IMAGE028
的信息增益小于阙值
Figure 709379DEST_PATH_IMAGE023
，则
Figure 586199DEST_PATH_IMAGE024
为单结点树,并将D中实例数最大的类
Figure 955739DEST_PATH_IMAGE026
作为该结点的类标记，返回
Figure 562300DEST_PATH_IMAGE024
;
v)否则，对
Figure 758927DEST_PATH_IMAGE028
的每一可能值
Figure 919781DEST_PATH_IMAGE035
, 依
Figure 155328DEST_PATH_IMAGE036
将D分割为若干非空子集
Figure 350817DEST_PATH_IMAGE037
，将
Figure 859290DEST_PATH_IMAGE037
中实例 数最大的类作为标记，构建子结点，由结点及其子结点构成树
Figure 537133DEST_PATH_IMAGE024
，返回
Figure 15519DEST_PATH_IMAGE024
；
vi) 对第i个子结点，以
Figure 331094DEST_PATH_IMAGE037
为训练集，递归地调用步（i）~（vi），得到子数；
(b)计算:
Figure 666260DEST_PATH_IMAGE024
在训练数据集上的分类误差率
Figure 583399DEST_PATH_IMAGE038
(c)计算
Figure 865476DEST_PATH_IMAGE024
的系数：
Figure 301136DEST_PATH_IMAGE039
(d)更新训练数据集的权值分布，
Figure 744887DEST_PATH_IMAGE040
Figure 538269DEST_PATH_IMAGE041
其中
Figure 889616DEST_PATH_IMAGE042
是规范化因子
Figure 350422DEST_PATH_IMAGE043
；
(3)构建基本分类器的线性组合：
Figure 699494DEST_PATH_IMAGE044
(4)得到最终的分类器:
Figure 871850DEST_PATH_IMAGE045
。
步骤6、当实时数据进入系统会得到以下结果：其中图4为识别后用户正常用电行为，图5为识别后用户异常用电行为。
本发明公开了一种基于大数据思维的客户用电行为分析模型，运用自回归和提升树算法，根据历史用电数据和实时的电力负荷情况来识别居民用电规律的系统及方法。该方式针对一个社区内的用户用电情况进行分析，将用电分析结果及潜在的用电风险推送给相应机构; 对于智能化城市管理, 将改善行政管理和提高用电安全的效率。对于供电机构，可以指导用户合理签订购售电合同、选择电价政策、生产活动安排，降低用户的生产、用能成本，促进用户利益最大化；同时公司可通过价格、政策等措施引导、推进用户进行结构调整，转变增长方式；指导用户合理签订购售电合同、选择电价政策、生产活动安排、错峰用电，降低用户的生产、用能成本，促进用户利益最大化、促进节能降耗。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (2)

1.本发明一种基于自回归和提升树算法的居民用电行为分析的系统及方法的特征在于，包括：
步骤1、数据收集模块：对每一个用电单位的用电数据进行收集和存储，用电负荷数据可以采用不同的频率进行录入，在进入分析之前会求和或再分配为小时；
步骤2、根据步骤1中所取得的处理后的用电负荷数据，首先对每一个用户的用电数据进行异常分析，剔除掉极端值：
1） 数据值为:
Figure 450172DEST_PATH_IMAGE001
2） 假设每一个用户的数据负荷高斯分布:
Figure 277182DEST_PATH_IMAGE002
Figure 202675DEST_PATH_IMAGE003
3） 求出相应参数:
Figure 976596DEST_PATH_IMAGE004
4） 如果
Figure 904101DEST_PATH_IMAGE005
, 则认为该值为极端值；
步骤3、根据步骤2中所取得的处理后的数据，对每一个用电单位数据进行自回归分析：
Figure 105275DEST_PATH_IMAGE006
其中k值, 我们选取48，为48小时；
步骤4、根据步骤3的结果, 原数据为每一个用户的小时用电量，转化为每一用户的自回归系数，训练数据集:
Figure 577451DEST_PATH_IMAGE007
其中N为用户数,
Figure 155063DEST_PATH_IMAGE008
是第i个用户的第j个特征，
Figure 202654DEST_PATH_IMAGE009
,
Figure 76194DEST_PATH_IMAGE010
是第j个特征可能取的第
Figure 412497DEST_PATH_IMAGE011
个值
Figure 528221DEST_PATH_IMAGE012
；
步骤5、通过步骤3的自回归分析结果, 我们选择第24和48的值, 如果两个值相加的和大于0.15, 视为该用户用电行为正常；如果两个值相加的和小于0.15，视为该用户用电行为异常：接着采用提升树算法对实时数据进行分类:
输入:训练数据集
Figure 430318DEST_PATH_IMAGE007
，其中
Figure 737409DEST_PATH_IMAGE013
,
Figure 951222DEST_PATH_IMAGE014
,为别表 示1正常；-1异常；输出: 最终的分类器
Figure 808319DEST_PATH_IMAGE015
；
(1)初始化训练数据的权重分布：
Figure 331967DEST_PATH_IMAGE016
(2)对
Figure 639320DEST_PATH_IMAGE017
，m指的是第几个分类器：
(a)使用具有权重的
Figure 215795DEST_PATH_IMAGE018
的训练数据集
Figure 7794DEST_PATH_IMAGE019
学习，得到基本分类器:
Figure 681220DEST_PATH_IMAGE020
; 在本发明中, 我们选择决策树为分类器: 对于每一个决策树, 生成算法如下:
输入训练数据集
Figure 926519DEST_PATH_IMAGE021
特征集:
Figure 255869DEST_PATH_IMAGE022
，阙值
Figure 720349DEST_PATH_IMAGE023
输出:决策树
Figure 451544DEST_PATH_IMAGE024
i)若
Figure 5760DEST_PATH_IMAGE025
中所有实例属于同一类
Figure 822407DEST_PATH_IMAGE026
,则
Figure 887315DEST_PATH_IMAGE024
为单结点树,并将类
Figure 473017DEST_PATH_IMAGE026
作为该结点的类 标记, 返回
Figure 466643DEST_PATH_IMAGE024
；
ii)若
Figure 98481DEST_PATH_IMAGE027
,则
Figure 904763DEST_PATH_IMAGE024
为单结点数，并将
Figure 109086DEST_PATH_IMAGE025
中实例数最大的类
Figure 506570DEST_PATH_IMAGE026
作为该结点的类 标记，返回
Figure 297808DEST_PATH_IMAGE024
；
iii) 否则, 计算出A中各特征对D的信息增益，选择信息增益最大的特征
Figure 438939DEST_PATH_IMAGE028
;经验熵
Figure 500699DEST_PATH_IMAGE029
Figure 600242DEST_PATH_IMAGE030
经验条件熵
Figure 613197DEST_PATH_IMAGE031
Figure 558019DEST_PATH_IMAGE032
信息增益
Figure 471355DEST_PATH_IMAGE033
Figure 476220DEST_PATH_IMAGE034
iv) 如果
Figure 304368DEST_PATH_IMAGE028
的信息增益小于阙值
Figure 288767DEST_PATH_IMAGE023
，则
Figure 292495DEST_PATH_IMAGE024
为单结点树, 并将D中实例数最大的 类
Figure 264999DEST_PATH_IMAGE026
作为该结点的类标记，返回
Figure 252546DEST_PATH_IMAGE024
;
v)否则，对
Figure 37706DEST_PATH_IMAGE028
的每一可能值
Figure 161520DEST_PATH_IMAGE035
, 依
Figure 711450DEST_PATH_IMAGE036
将D分割为若干非空子集
Figure 451873DEST_PATH_IMAGE037
，将
Figure 43654DEST_PATH_IMAGE037
中实例 数最大的类作为标记，构建子结点，由结点及其子结点构成树
Figure 287553DEST_PATH_IMAGE024
，返回
Figure 539543DEST_PATH_IMAGE024
；
vi)对第i个子结点，以
Figure 328114DEST_PATH_IMAGE037
为训练集，递归地调用步（i）~（vi），得到子数；
(b)计算:
Figure 425383DEST_PATH_IMAGE024
在训练数据集上的分类误差率
Figure 54948DEST_PATH_IMAGE038
(c)计算
Figure 307200DEST_PATH_IMAGE024
的系数：
Figure 22215DEST_PATH_IMAGE039
(d)更新训练数据集的权值分布，
Figure 657595DEST_PATH_IMAGE040
Figure 610508DEST_PATH_IMAGE041
其中
Figure 233994DEST_PATH_IMAGE042
是规范化因子
Figure 233043DEST_PATH_IMAGE043
；
(3)构建基本分类器的线性组合：
Figure 734431DEST_PATH_IMAGE044
(4)得到最终的分类器:
Figure 308894DEST_PATH_IMAGE045
；
步骤6、当实时数据进入系统会得到以下结果：其中图4为识别后用户正常用电行为，图5为识别后用户异常用电行为。
2.本发明的特征还包括，基于大数据思维的客户用电行为分析模型，运用自回归和提升树算法，根据历史用电数据和实时的电力负荷情况来识别居民用电规律的系统及方法，该方式针对一个社区内的用户用电情况进行分析，将用电分析结果及潜在的用电风险推送给相应机构。
CN202010882110.0A 2020-08-28 2020-08-28 一种基于自回归和提升树算法的居民用电行为分析的系统及方法 Pending CN112036469A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010882110.0A CN112036469A (zh) 2020-08-28 2020-08-28 一种基于自回归和提升树算法的居民用电行为分析的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010882110.0A CN112036469A (zh) 2020-08-28 2020-08-28 一种基于自回归和提升树算法的居民用电行为分析的系统及方法

Publications (1)

Publication Number Publication Date
CN112036469A true CN112036469A (zh) 2020-12-04

Family

ID=73586733

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010882110.0A Pending CN112036469A (zh) 2020-08-28 2020-08-28 一种基于自回归和提升树算法的居民用电行为分析的系统及方法

Country Status (1)

Country Link
CN (1) CN112036469A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
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
CN108763362A (zh) * 2018-05-17 2018-11-06 浙江工业大学 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法
CN110501742A (zh) * 2019-08-22 2019-11-26 东北大学 一种采用Boosting集成学习算法对地震事件进行区分的方法
CN111178396A (zh) * 2019-12-12 2020-05-19 国网北京市电力公司 用电异常用户的识别方法及装置
CN111368904A (zh) * 2020-02-29 2020-07-03 华南理工大学 一种基于电力指纹的电器设备识别方法
CN111506635A (zh) * 2020-05-11 2020-08-07 上海积成能源科技有限公司 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN108763362A (zh) * 2018-05-17 2018-11-06 浙江工业大学 基于随机锚点对选择的局部模型加权融合Top-N电影推荐方法
CN110501742A (zh) * 2019-08-22 2019-11-26 东北大学 一种采用Boosting集成学习算法对地震事件进行区分的方法
CN111178396A (zh) * 2019-12-12 2020-05-19 国网北京市电力公司 用电异常用户的识别方法及装置
CN111368904A (zh) * 2020-02-29 2020-07-03 华南理工大学 一种基于电力指纹的电器设备识别方法
CN111506635A (zh) * 2020-05-11 2020-08-07 上海积成能源科技有限公司 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈俊刚: "基于梯度提升决策树的交通流量预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Similar Documents

Publication Publication Date Title
Bianchi et al. Short-term electric load forecasting using echo state networks and PCA decomposition
US10181101B2 (en) Support vector machine enhanced models for short-term wind farm generation forecasting
Qu et al. Research and application of ensemble forecasting based on a novel multi-objective optimization algorithm for wind-speed forecasting
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
CN109902340B (zh) 一种计及复杂气象耦合特性的多源-荷联合场景生成方法
US20230169230A1 (en) Probabilistic wind speed forecasting method and system based on multi-scale information
Yuan et al. Conditional style-based generative adversarial networks for renewable scenario generation
Toubeau et al. Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices
CN110717610A (zh) 一种基于数据挖掘的风电功率预测方法
Amarasinghe et al. Kernel density estimation based time-dependent approach for analyzing the impact of increasing renewables on generation system adequacy
CN111967919A (zh) 一种基于自回归和自适应提升算法的居民用电行为分析的系统及方法
CN111861587A (zh) 一种基于隐马尔可夫模型和向前算法的居民用电行为分析的系统及方法
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
CN116979503A (zh) 一种基于Informer网络的商业建筑负荷预测方法及系统
Rouwhorst et al. Improving clustering-based forecasting of aggregated distribution transformer loadings with gradient boosting and feature selection
CN114676931B (zh) 一种基于数据中台技术的电量预测系统
CN112036469A (zh) 一种基于自回归和提升树算法的居民用电行为分析的系统及方法
CN111932138A (zh) 一种基于高斯混合模型和期望极大算法的居民用电行为分析的系统及方法
Feng et al. A novel privacy protection framework for power generation data based on generative adversarial networks
Gajowniczek et al. Seasonal peak demand classification with machine learning techniques
Dong et al. Image-based with peak load ensemble prediction system for demand response in smart grid
CN111652449A (zh) 一种基于条件随机场模型预测短期光伏发电系统发电量的系统模型
Khavari et al. Forecasting of energy demand in virtual power plants
CN117495109B (zh) 一种基于神经网络的窃电用户识别系统
Liu et al. Generative Adversarial Network and CNN-LSTM Based Short-Term Power Load Forecasting

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: 20201204

RJ01 Rejection of invention patent application after publication