CN112365070A - 一种电力负荷预测方法、装置、设备及可读存储介质 - Google Patents

一种电力负荷预测方法、装置、设备及可读存储介质 Download PDF

Info

Publication number
CN112365070A
CN112365070A CN202011295962.6A CN202011295962A CN112365070A CN 112365070 A CN112365070 A CN 112365070A CN 202011295962 A CN202011295962 A CN 202011295962A CN 112365070 A CN112365070 A CN 112365070A
Authority
CN
China
Prior art keywords
value
data
missing
power load
sampling
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
CN202011295962.6A
Other languages
English (en)
Inventor
程韧俐
钱斌
林子钊
周密
祝宇翔
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.)
CSG Electric Power Research Institute
Shenzhen Power Supply Bureau Co Ltd
Research Institute of Southern Power Grid Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Research Institute of Southern Power Grid 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 Shenzhen Power Supply Bureau Co Ltd, Research Institute of Southern Power Grid Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202011295962.6A priority Critical patent/CN112365070A/zh
Publication of CN112365070A publication Critical patent/CN112365070A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G06Q10/06395—Quality analysis or management
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本发明提出的一种电力负荷预测方法、装置、设备及可读存储介质，通过对源负荷数据库的数据进行缺失值填补、异常值检测和填补处理、质量评价和数据可视化，将处理后的负荷数据、质量评价结果和负荷数据的可视化对比图表进行电力负荷预测，为电力负荷预测提供高质量的负荷数据资源，降低因源负荷数据质量问题导致的电力负荷预测出错率，提高电力负荷预测的准确性。

Description

一种电力负荷预测方法、装置、设备及可读存储介质
技术领域
本发明涉及电力负荷数据处理技术，尤其是一种电力负荷预测方法、装置、设备及可读存储介质。
背景技术
电力负荷预测是电力企业电网规划、电力调度以及电力市场辅助决策的重要支持业务，电力企业为满足不同管理目标的需求，开展多维度的不同供电区域，如县级、地市级、省级，不同行业，不同大用户，不同预测周期的电力负荷预测业务。影响负荷预测精度的因素很多，除了区域环境温度、区域经济发展指数、区域行业用电特点、区域大用户用电特点以及节假日用电特点等诸多因素外，主要因素还是计量自动化系统采集的负荷数据质量。因此，确保采集回来的负荷数据质量，是研发高精度电力负荷预测系统的前提。
基于“大数据应用”的电力负荷预测，用于负荷预测数据预处理占了研发人员大量的工作量，并且负荷数据中的异常值和缺失值导致负荷预测数据资源质量问题，会影响电力负荷预测的准确性。
发明内容
本发明的实施例提出一种电力负荷预测方法、装置、设备及可读存储介质，能够对源负荷数据的缺失值进行填补，对负荷数据的异常值检测和替换，提高了负荷数据资源的质量，从而减少因负荷数据资源质量问题导致的负荷预测出错率，提高电力负荷预测的准确性。
本发明实施例的提供的一种电力负荷预测方法，所述方法包括以下步骤：
获取待处理的电力负荷数据；
根据预设的采样数据分布模型获取所述待处理的电力负荷数据的日采样值的总体分布形态；
根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理；
根据预设的异常数据检测模型获取填补处理后的电力负荷数据的日采样值的可疑异常值；
根据预设的异常数据替换算法和所述可疑异常值对所述填补处理后的电力负荷数据进行异常数据检测和替换处理；
根据替换处理后的电力负荷数据进行电力负荷预测。
优选地，所述获取待处理的电力负荷数据具体为：
获取负荷元数据，根据所述负荷元数据中的负荷数据源地址访问源负荷数据库，所述负荷元数据包括数据采集规模、缺失值填补处理限定参数和异常值处理限定参数；
从所述源负荷数据库中采集符合所述数据采集规模的电力负荷数据作为所述待处理的电力负荷数据，并将所述待处理的电力负荷数据存储在预设的第一数据库中。
作为一种优选方式，所述根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理具体为：
当获取的总体分布形态为左偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
当所述连续缺失数量大于预设的第一阈值时，则在由预设的第二阈值和所述日采样负荷均值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值，所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第二阈值为所述第一阈值和所述日采样负荷标准偏差的乘积被所述日采样负荷均值减去后的差值；
继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；
识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
作为一种优选方式，所述根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理具体为：
当获取的总体分布形态为右偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
当所述连续缺失数量大于预设的第一阈值时，则在由所述日采样负荷均值和预设的第三阈值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值，所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第三阈值为所述第一阈值和所述日采样负荷标准偏差的乘积与所述日采样负荷均值的和；
继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；
识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
作为一种优选方式，所述根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理具体为：
当获取的总体分布形态为无偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
当所述连续缺失数量大于预设的第一阈值时，则在由预设的第二阈值和预设的第三阈值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值；所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第二阈值为所述第一阈值和所述日采样负荷标准偏差的乘积被所述日采样负荷均值减去后的差值，所述第三阈值为所述第一阈值和所述日采样负荷标准偏差的乘积与所述日采样负荷均值的和；
继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；
识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
优选地，所述根据预设的异常数据替换算法和所述可疑异常值对所述填补处理后的电力负荷数据进行异常数据检测和替换处理具体为：
以采样日为单位获取缺失填补后的电力负荷数据的日采样值，检测所述缺失填补后的电力负荷数据的日采样值的所述可疑异常值中出现的无连续可疑异常值，将所述无连续可疑异常值判定为异常值；
采用所述异常值前一个采样值和所述异常值后一个采样值的均值来替换所述异常值；
继续替换所述异常值，直到完成所述缺失填补后的电力负荷数据的日采样值的所述异常值的替换；
检测下一采样日的所述可疑异常值，直到完成所述填补处理后的电力负荷数据的异常值的检测与替换；
存储替换处理后的电力负荷数据到预设的第二数据库。
优选地，所述根据替换处理后的电力负荷数据进行电力负荷预测具体包括：
根据预设的数据质量评价模型对所述替换处理后的电力负荷数据进行质量评价，生成质量评价结果；
根据预设的数据可视化模型对所述待处理的电力负荷数据和所述替换后电力负荷数据进行处理生成可视化对比图表；
根据所述替换处理后的电力负荷数据、所述质量评价结果和所述可视化对比图表进行电力负荷预测。
本发明提供的一种电力负荷预测方法，通过对源负荷数据库的数据进行缺失值填补和异常值检测和替换，根据负荷数据的特性，来对缺失值进行填补或对异常值地检测和替换，缺失值的填补和异常值替换更加准确，提高了电力负荷预测地负荷数据资源质量，能够提升负荷预测的准确率，输出质量评价结果和处理前后负荷数据可视化对比图表，为识别电力负荷数据的非平稳性提供辅助决策支持；能够辅助发现和改进计量自动化系统负荷数据采集质量存在的问题，提升计量自动化系统采集负荷数据的质量。
本发明实施例的提供一种电力负荷预测装置，所述装置包括：数据采集模块、负荷数据缺失处理模块、负荷数据异常处理模块和电力负荷预测模块；
所述数据采集模块用于获取待处理的电力负荷数据；
负荷数据缺失处理模块包括数据缺失模型单元和数据缺失填补单元，所述数据缺失模型单元用于根据预设的采样数据分布模型获取所述待处理的电力负荷数据的日采样值的总体分布形态，所述数据缺失填补单元用于根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理；
所述负荷数据异常处理模块包括数据异常模型单元和数据异常替换单元，所述数据异常模型单元用于根据预设的异常数据检测模型获取填补处理后的电力负荷数据的日采样值的可疑异常值，所述数据异常替换单元用于根据预设的异常数据替换算法和所述可疑异常值对所述填补处理后的电力负荷数据进行异常数据检测和替换处理；
所述电力负荷预测模块用于根据替换处理后的电力负荷数据进行电力负荷预测。
优选地，所述数据采集模块包括负荷元数据获取单元和采集单元：
所述负荷元数据获取单元用于获取负荷元数据，根据所述负荷元数据中的负荷数据源地址访问源负荷数据库，所述负荷元数据包括数据采集规模、缺失值填补处理限定参数和异常值处理限定参数；
所述采集单元用于从所述源负荷数据库中采集符合所述数据采集规模的电力负荷数据作为所述待处理的电力负荷数据，并将所述待处理的电力负荷数据存储在预设的第一数据库中。
优选地，所述数据缺失填补单元包括第一缺失值统计组件、第一缺失值填补组件和第一循环组件；
所述缺失值统计组件用于当获取的总体分布形态为左偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
所述缺失值填补组件用于当所述连续缺失数量大于预设的第一阈值时，则在由预设的第二阈值和所述日采样负荷均值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值，所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第二阈值为所述第一阈值和所述日采样负荷标准偏差的乘积被所述日采样负荷均值减去后的差值；
所述第一循环组件用于继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
优选地，所述数据缺失填补单元包括第二缺失值统计组件、第二缺失值填补组件和第二循环组件；
所述第二缺失值统计组件用于当获取的总体分布形态为右偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
所述第二缺失值填补组件用于当所述连续缺失数量大于预设的第一阈值时，则在由所述日采样负荷均值和预设的第三阈值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值，所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第三阈值为所述第一阈值和所述日采样负荷标准偏差的乘积与所述日采样负荷均值的和；
所述第二循环组件继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
优选地，所述数据缺失填补单元包括第三缺失值统计组件、第三缺失值填补组件和第三循环组件；
所述第三缺失值统计组件用于当获取的总体分布形态为无偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
所述第三缺失值填补组件用于当所述连续缺失数量大于预设的第一阈值时，则在由预设的第二阈值和预设的第三阈值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值；所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第二阈值为所述第一阈值和所述日采样负荷标准偏差的乘积被所述日采样负荷均值减去后的差值，所述第三阈值为所述第一阈值和所述日采样负荷标准偏差的乘积与所述日采样负荷均值的和；
所述第三循环组件用于继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
优选地，所述数据异常替换单元包括异常数据判定组件、异常数据替换组件，循环组件和存储组件。
所述异常数据判定组件用于以采样日为单位获取缺失填补后的电力负荷数据的日采样值，检测所述缺失填补后的电力负荷数据的日采样值的所述可疑异常值中出现的无连续可疑异常值，将所述无连续可疑异常值判定为异常值；
所述异常数据替换组件用于采用所述异常值前一个采样值和所述异常值后一个采样值的均值来替换所述异常值；
所述循环组件用于继续替换所述异常值，直到完成所述缺失填补后的电力负荷数据的日采样值的所述异常值的替换；检测下一采样日的所述可疑异常值，直到完成所述填补处理后的电力负荷数据的异常值的检测与替换；
优选地，所述电力负荷预测模块还包括：负荷数据质量评价模块、负荷数据可视化模块，第一电力负荷预测模块；
所述负荷数据质量评价模块用于根据预设的数据质量评价模型对所述替换处理后的电力负荷数据进行质量评价，生成质量评价结果；
所述负荷数据可视化模块用于根据预设的数据可视化模型、所述待处理的电力负荷数据和所述替换后数据进行处理，生成处理前后的可视化对比图表。
所述第一电力负荷预测模块根据所述替换处理后的电力负荷数据、所述质量评价结果和所述可视化对比图表进行电力负荷预测。
本发明的实施例还提供了一种电力负荷预测设备，所述设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述一种电力负荷预测方法。
本发明的实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述一种电力负荷预测方法。
本发明提出的一种电力负荷预测方法、装置、设备及可读存储介质，经过对源负荷数据库的数据进行缺失值填补和异常值检测和替换，提供高质量的负荷数据资源，能够提高负荷预测地准确性；通过输出负荷数据的可视化对比图表，为识别电力负荷数据的非平稳性提供辅助决策支持；通过质量评价模型的质量评价结果能够为计量自动化系统提供负荷数据采集质量监管的辅助工具，能够发现和改进计量自动化系统负荷数据采集质量存在的问题，提升计量自动化系统采集负荷数据的质量。
附图说明
图1是本发明实施例提供的一种电力负荷预测方法的流程示意图；
图2是本发明实施例提供的一种电力负荷预测装置的结构示意图；
图3是本发明另一实施例提供的一种电力负荷预测装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1所示，是本发明提供的一种电力负荷预测方法的一个实施例的流程示意图。所述方法包括步骤S101至步骤S106：
S101，获取待处理的电力负荷数据；
S102，根据所述待处理的电力负荷数据和预设的采样数据分布模型获取所述待处理电力负荷数据的日采样值的总体分布形态；
S103，根据预设的缺失数据填补算法和所述日采样值的总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理；
S104，根据填补后的数据和预设的异常数据检测模型获取日采样值的可疑异常值；
S105，根据预设的异常数据替换算法和所述日采样值中可疑异常值对填补后的电力负荷数据进行异常数据检测和替换处理；
S106，根据替换处理后的电力负荷数据进行电力负荷预测。
本发明实施例提供的一种电力负荷预测方法能够源符合数据库中的数据进行缺失值填补及异常值检测和替换操作，在这过程中以日采样值为单位考虑负荷数据的特征来进行缺失值填补及异常值检测和替换操作，使得电力负荷预测的数据质量更高，提高了电力负荷预测的准确性。
在另一个优选实施例中，获取待处理的电力负荷数据具体为：
负荷元数据中负荷预测中的配置参数具体为，负荷数据源地址为源负荷数据库的存储地址、数据采集规模是一天为单位的需要电力预测的电力负荷数据、缺失值填补限定参数和异常值处理限定参数均为P1、采样的时间间隔参数P2和缺失值填补及异常值处理限定参数a。其中P1为日缺失值除以日采样数量，以采样缺失值处理算法中区分不同的填补算法；P2以分钟为单位的日采样频率；a的取值区间为[1，2]，用以负荷采样缺失值填补区间的定义以及负荷采样异常值判断区间的定义，a的取值与采样对象(区域、行业、用户)的负荷特征相关，使用大数据分析、挖掘技术得到。
负荷数据处理模型库还包括采样数据分布模型、异常数据检测模型、异常数据填补算法、异常数据检测模型、异常数据替换算法、数据质量评价模型和数据可视化模型；
在具体实施时，访问预设的第一数据库，若无预设的第一数据库，则先建立第一数据库，根据负荷元数据中的数据源地址访问源负荷数据库，采集满足数据采集规模的负荷数据，其中数据采集规模可以是以天为单位的负荷数据，数据采集规模限制采集的负荷数据的天数和具体日期，并将采集的符合数据作为待处理的符合数据存储到预设的第一数据库中；
通过负荷元数据的配置限定使获取的数据更有针对性，后续进行数据处理过程需要处理的数据量减少。
在另一个优选实施例中，根据预设的采样数据分布模型获取所述待处理的电力负荷数据的日采样值的总体分布形态具体为：
获取待处理的电力负荷数据，以日为单位当判断日采样值的总体分布形态，当判断日采样值的总体分布呈现下降趋势时，记为左偏移形态；当判断日采样值的总体分布形态呈现上升趋势时，记为右偏移形态；当判断日采样值的总体分布形态为无明显趋势时，记为无偏移形态；
此外，根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理，具体为：
假设第i日的采样数据为：(Ti1，Xi1)，(Ti2，Xi2)，…(TiN，XiN)
其中Ti,j为第i日的第j个采样时间，Xi,j为对应的采样负荷数据；
计算第i日采样负荷均值Xi’：Xi’＝(ΣXij)/N；
计算第i日采样负荷标准偏差Si：Si＝(sqrt(Σ(Xij–Xi’)2)/(N-1))；
其中，ΣXij表示Xi,j到XiN取值的累加；sqrt()表示对括号内的值求平方根。
算法步骤为：
步骤1：从第一个采样日(i＝1)开始处理；
填补条件1：以日为单位负荷缺失值数量在区间(0，P1％)；
填补条件2：以日为单位负荷缺失值数量在区间[P1％，100％]；
步骤2：找到满足填补条件1或填补条件2待填补的第i日采样时间Ti,j，j为采样点时间；如果j有一个或多个取值则继续下一步，否则转到步骤5；
步骤3：如果第i日采样时间Ti,j的采样缺失值满足填补条件2，则用第i日采样时间Ti,j的前一日Ti-1,j对应采样时间的采样数据Xi-1,j填补缺失值；
步骤4：如果第i日采样时间Ti,j的采样缺失值满足填补条件1，则按下述子步骤填补采样缺失值；
步骤4-1：如果连续出现缺失值的数量小于或等于缺失值填补及异常值处理限定参数a，则用缺失值前后采样值的均值填补采样缺失值；
步骤4-2：如果连续出现缺失值的数量大于a，则按下述子步骤填补采样缺失值：
步骤4-2-1：计算第i日采样时间Ti,j采样值的总体分布形态，以中间采样点为界，区分出采样值左偏移形态(采样值总体呈现下降)、右偏移形态(采样值总体呈现上升)或无偏移形态三种情形；
步骤4-2-2：计算填补值限定区间[Xi’-a*Si，Xi’+a*Si]，其中
a是缺失值填补及异常值处理限定参数a；
步骤4-2-3：如果第i日采样时间Ti,j采样值的总体分布形态是左偏移形态，则在填补值限定子区间[Xi’-a*Si，Xi’]内随机取值填补缺失值，如果取到的值为负，则取其绝对值后填补；
步骤4-2-4：如果第i日采样时间Ti,j采样值的总体分布形态是右偏移形态，则在填补值限定子区间[Xi’，Xi’+a*Si]内随机取值填补缺失值，如果取到的值为负，则取其绝对值后填补；
步骤4-2-5：如果第i日采样时间Ti,j采样值的总体分布形态是无偏移形态，则随机取填补值限定区间[Xi’-a*Si，Xi’+a*Si]中的值填补缺失值，如果取到的值为负，则取其绝对值后填补；
步骤5：算法下移一个采样日(i＝i+1)直到所有采样日的数据处理完为止。
在这过程中以日采样值为单位，并考虑负荷数据的总体分布形态来进行缺失值填补及异常值检测和替换操作，使得电力负荷预测的数据质量更高，提高了电力负荷预测的准确性。
在又一个优选实施例中，根据预设的异常数据检测模型获取填补处理后的电力负荷数据的日采样值的可疑异常值具体为
对每个采样日采样时间Ti,j的负荷采样值Xi,j判定其是否落在限定区间[Xi’-a*Si,Xi’+a*Si]内，如果否，则判定Xi,j为可疑的采样异常值；
其中a是缺失值填补及异常值处理限定参数、Xi’为第i日采样负荷均值、Si为第i日采样负荷标准偏差；
此外，根据预设的异常数据替换算法和所述可疑异常值对所述填补处理后的电力负荷数据进行异常数据检测和替换处理具体为：
步骤1：获取每个采样日找到的所有可疑采样异常值
步骤2：从第i个采样日开始处理计算第i个采样日的异常值判定的限定区间：[Xi’-a*Si，Xi’+a*Si]，
步骤3：从可疑采样异常值中筛选无连续出现的可疑采样异常值Xi,k，记为采样异常值；
步骤4：对每个采样日使用Xi,k-1与Xi,k+1的均值替换采样异常值Xi,k；
步骤5：算法下移一个采样日(i＝i+1)直到所有采样日数据处理完为止。
将完成缺失数据的填补和异常数据的检测和替换处理后的负荷数据存储到预设的第二数据库中，预设的第二数据库是预设的或预先建立的。
根据数据质量评价模型对完成缺失数据填补及异常数据检测和替换的负荷数据进行质量评价，并存储质量评价结果到第二数据库中；
获取第一数据库和第二数据库中待处理的负荷数据和处理后的负荷数据，根据数据可视化模型库生成可视化对比图表，并存储可视化对比图表到第二数据库中；
输出第二负荷数据库中处理后的负荷数据、质量评价结果与可视化对比图表的进行电力负荷预测。
本发明实施例提出的一种电力负荷预测方法，经过对源负荷数据库的数据进行缺失值填补和异常值的检测和替换，能够根据负荷数据特征填补缺失数据和替换异常数据，以提供高质量的负荷数据资源，能够提高负荷预测的准确性，通过输出质量评价结果和负荷数据处理前后的可视化对比图表，为识别电力负荷数据的非平稳性提供辅助决策支持，提升计量自动化系统采集负荷数据的质量。
参见图2所示，是本发明实施例提供的一种电力负荷预测装置的结构示意，所述装置包括负荷数据采集模块、负荷数据缺失处理模块、负荷数据异常处理模块和电力负荷预测模块；
所述数据采集模块用于获取待处理的电力负荷数据；
负荷数据缺失处理模块包括数据缺失模型单元和数据缺失填补单元，所述数据缺失模型单元用于根据预设的采样数据分布模型获取所述待处理的电力负荷数据的日采样值的总体分布形态，所述数据缺失填补单元用于根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理；
所述负荷数据异常处理模块包括数据异常模型单元和数据异常替换单元，所述数据异常模型单元用于根据预设的异常数据检测模型获取填补处理后的电力负荷数据的日采样值的可疑异常值，所述数据异常替换单元用于根据预设的异常数据替换算法和所述可疑异常值对所述填补处理后的电力负荷数据进行异常数据检测和替换处理；
所述电力负荷预测模块用于根据替换处理后的电力负荷数据进行电力负荷预测。
参见图3，是本发明另一实施例提供的一种电力负荷预测装置的结构示意图，所述装置包括：数据采集模块、负荷数据缺失处理模块、负荷数据异常处理模块、负荷数据质量评价模块、负荷数据可视化模块和电力负荷预测模块；
其中，数据采集模块用于获取待处理的电力负荷数据；负荷数据缺失处理模块包括数据缺失模型单元和数据缺失填补单元，所述数据缺失模型单元用于根据预设的负荷数据处理模型库中的采样数据分布模型获取日采样值的总体分布形态，所述数据缺失填补单元用于根据所述每个采样日采样值的总体分布形态对所述电力负荷数据进行缺失数据填补处理；
负荷数据异常处理模块包括数据异常模型单元和数据异常替换单元，所述数据异常模型单元用于根据预设的负荷数据处理模型库中的异常数据检测模型获取日采样值的可疑异常值，所述数据异常替换单元根据所述日采样值中可疑异常值对填补后的电力负荷数据进行异常数据检测和替换处理；
负荷数据质量评价模块用于根据预设的负荷数据处理模型库中的数据质量评价模型对所述替换处理后的电力负荷数据进行质量评价，生成质量评价结果；
负荷数据可视化模块用于根据预设的负荷数据处理模型库中的数据可视化模型，对所述待处理的电力负荷数据和所述替换后数据进行处理，生成处理前后的可视化对比图表；
所述电力负荷预测模块用于根据替换处理后的电力负荷数据、质量评价结果和可视化对比图表进行电力负荷预测；
其中，待处理的电力负荷数据从源数据库中获得；第一数据库和第二数据库用来存储在数据处理过程中的数据，此外本实施例的装置还需要获取的负荷元数据和负荷数据处理模型。
具体的，本发明实施例还提供了一种电力负荷预测装置，能够实现上述任一实施例所述的电力负荷预测方法的具体流程，装置中的各个模块、单元、组件的作用以及实现的技术效果分别与上述实施例所述的电力负荷预测方法的作用以及实现的技术效果对应相同，这里不再赘述。
本发明的另一实施例还提供的一种电力负荷预测设备。该实施例的电力负荷预测设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如负荷数据处理算法模型库。所述处理器执行所述计算机程序时实现上述负荷预测方法实施例中的步骤，例如图1所示的步骤S101～106。或者，所述处理器执行所述计算机程序时实现上述电力负荷预测装置的实施例中各模块的功能。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电力负荷预测设备中的执行过程。例如，所述计算机程序可以被分割成数据采集模块、负荷数据缺失处理模块、负荷数据异常处理模块、负荷数据质量评价模块、负荷数据可视化模块、电力负荷预测模块各模块用于完成上述电力负荷预测方法的实施例的对应功能。
所述电力负荷预测设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电力负荷预测设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是电力负荷预测电力负荷预测设备的示例，并不构成对电力负荷预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电力负荷预测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央数据异常替换单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电力负荷预测设备的控制中心，利用各种接口和线路连接整个电力负荷预测设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电力负荷预测设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述电力负荷预测设备集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述一种电力负荷预测方法。
需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
综上所述，本发明提出的一种电力负荷预测方法、装置、设备及可读存储介质，通过符合数据处理管道服务引擎控制负荷数据缺失处理模块、负荷数据异常处理模块、负荷数据质量评价模块和负荷数据可视化模块完成对负荷数据的处理，最后通过电力负荷预测模块进行负荷预测。经过对源负荷数据库的数据进行缺失值填补和异常值处理，能够根据负荷数据特征准确地填补缺失数据和替换异常数据，以提供高质量的负荷数据资源，为电力负荷预测提供高质量的负荷数据资源，减轻负荷数据预处理的工作量，能够提高负荷预测的准确性；通过输出负荷数据的可视化对比图表，为识别电力负荷数据的非平稳性提供辅助决策支持；通过质量评价结果能够为计量自动化系统提供负荷数据采集质量监管的辅助工具，能够发现和改进计量自动化系统负荷数据采集质量存在的问题，提升计量自动化系统采集负荷数据的质量。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种电力负荷预测方法，其特征在于，所述方法包括以下步骤：
获取待处理的电力负荷数据；
根据预设的采样数据分布模型获取所述待处理的电力负荷数据的日采样值的总体分布形态；
根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理；
根据预设的异常数据检测模型获取填补处理后的电力负荷数据的日采样值的可疑异常值；
根据预设的异常数据替换算法和所述可疑异常值对所述填补处理后的电力负荷数据进行异常数据检测和替换处理；
根据替换处理后的电力负荷数据进行电力负荷预测。
2.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述获取待处理的电力负荷数据具体为：
获取负荷元数据，根据所述负荷元数据中的负荷数据源地址访问源负荷数据库，所述负荷元数据包括数据采集规模、缺失值填补处理限定参数和异常值处理限定参数；
从所述源负荷数据库中采集符合所述数据采集规模的电力负荷数据作为所述待处理的电力负荷数据，并将所述待处理的电力负荷数据存储在预设的第一数据库中。
3.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理具体为：
当获取的总体分布形态为左偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
当所述连续缺失数量大于预设的第一阈值时，则在由预设的第二阈值和所述日采样负荷均值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值，所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第二阈值为所述第一阈值和所述日采样负荷标准偏差的乘积被所述日采样负荷均值减去后的差值；
继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；
识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
4.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理具体为：
当获取的总体分布形态为右偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
当所述连续缺失数量大于预设的第一阈值时，则在由所述日采样负荷均值和预设的第三阈值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值，所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第三阈值为所述第一阈值和所述日采样负荷标准偏差的乘积与所述日采样负荷均值的和；
继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；
识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
5.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理具体为：
当获取的总体分布形态为无偏移形态时，以采样日为单位获取所述待处理的电力负荷数据的日采样值，当识别到所述待处理的电力负荷数据的日采样值出现缺失值时，计算所述待处理的电力负荷数据的日采样值的日采样负荷均值和日采样负荷标准偏差，并统计所述缺失值的连续缺失值数量；
当所述连续缺失数量大于预设的第一阈值时，则在由预设的第二阈值和预设的第三阈值构成的闭区间内取与所述连续缺失数量相同数量的随机值，并对所述随机值均取绝对值后填补缺失值；当所述连续缺失数量小于或等于所述第一阈值时，则用所述缺失值前一个采样值和所述缺失值后第一个出现的采样值的均值填补缺失的采样值；所述第一阈值为所述缺失值填补限定参数或异常值处理限定参数，所述第二阈值为所述第一阈值和所述日采样负荷标准偏差的乘积被所述日采样负荷均值减去后的差值，所述第三阈值为所述第一阈值和所述日采样负荷标准偏差的乘积与所述日采样负荷均值的和；
继续识别所述待处理的电力负荷数据的日采样值，直到完成所述采样日的缺失值识别与填补；
识别下一采样日的日采样值，直到完成所述待处理的电力负荷数据的缺失值识别与填补。
6.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述根据预设的异常数据替换算法和所述可疑异常值对所述填补处理后的电力负荷数据进行异常数据检测和替换处理具体为：
以采样日为单位获取缺失填补后的电力负荷数据的日采样值，检测所述缺失填补后的电力负荷数据的日采样值的所述可疑异常值中出现的无连续可疑异常值，将所述无连续可疑异常值判定为异常值；
采用所述异常值前一个采样值和所述异常值后一个采样值的均值来替换所述异常值；
继续替换所述异常值，直到完成所述缺失填补后的电力负荷数据的日采样值的所述异常值的替换；
检测下一采样日的所述可疑异常值，直到完成所述填补处理后的电力负荷数据的异常值的检测与替换；
存储替换处理后的电力负荷数据到预设的第二数据库。
7.根据权利要求1所述的一种电力负荷预测方法，其特征在于，所述根据替换处理后的电力负荷数据进行电力负荷预测具体包括：
根据预设的数据质量评价模型对所述替换处理后的电力负荷数据进行质量评价，生成质量评价结果；
根据预设的数据可视化模型对所述待处理的电力负荷数据和所述替换后电力负荷数据进行处理生成可视化对比图表；
根据所述替换处理后的电力负荷数据、所述质量评价结果和所述可视化对比图表进行电力负荷预测。
8.一种电力负荷预测装置，其特征在于，所述装置包括：数据采集模块、负荷数据缺失处理模块、负荷数据异常处理模块和电力负荷预测模块；
所述数据采集模块用于获取待处理的电力负荷数据；
负荷数据缺失处理模块包括数据缺失模型单元和数据缺失填补单元，所述数据缺失模型单元用于根据预设的采样数据分布模型获取所述待处理的电力负荷数据的日采样值的总体分布形态，所述数据缺失填补单元用于根据预设的缺失数据填补算法和所述总体分布形态对所述待处理的电力负荷数据进行缺失数据填补处理；
所述负荷数据异常处理模块包括数据异常模型单元和数据异常替换单元，所述数据异常模型单元用于根据预设的异常数据检测模型获取填补处理后的电力负荷数据的日采样值的可疑异常值，所述数据异常替换单元用于根据预设的异常数据替换算法和所述可疑异常值对所述填补处理后的电力负荷数据进行异常数据检测和替换处理；
所述电力负荷预测模块用于根据替换处理后的电力负荷数据进行电力负荷预测。
9.一种电力负荷预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述一种电力负荷预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述一种电力负荷预测方法。
CN202011295962.6A 2020-11-18 2020-11-18 一种电力负荷预测方法、装置、设备及可读存储介质 Pending CN112365070A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011295962.6A CN112365070A (zh) 2020-11-18 2020-11-18 一种电力负荷预测方法、装置、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011295962.6A CN112365070A (zh) 2020-11-18 2020-11-18 一种电力负荷预测方法、装置、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112365070A true CN112365070A (zh) 2021-02-12

Family

ID=74533508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011295962.6A Pending CN112365070A (zh) 2020-11-18 2020-11-18 一种电力负荷预测方法、装置、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112365070A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112988728A (zh) * 2021-03-26 2021-06-18 云南电网有限责任公司电力科学研究院 一种配电网数据清洗方法及装置
CN113077357A (zh) * 2021-03-29 2021-07-06 国网湖南省电力有限公司 电力时序数据异常检测方法及其填补方法
CN114386874A (zh) * 2022-01-21 2022-04-22 北京国讯医疗软件有限公司 一种基于多模块联动的医德医风综合管理方法及系统
CN115860273A (zh) * 2023-02-22 2023-03-28 南方电网数字电网研究院有限公司 用电负荷预测方法、装置、计算机设备和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529704A (zh) * 2016-10-31 2017-03-22 国家电网公司 月最大电力负荷预测方法及装置
CN108846555A (zh) * 2018-05-24 2018-11-20 四川大学 一种电力负荷大数据缺失值的高效精确填补法
CN109002937A (zh) * 2018-09-07 2018-12-14 深圳供电局有限公司 电网负荷预测方法、装置、计算机设备和存储介质
CN109190856A (zh) * 2018-10-30 2019-01-11 深圳供电局有限公司 一种区分待预测日的城市电网短期负荷预测方法及系统
CN109445972A (zh) * 2018-09-21 2019-03-08 深圳供电局有限公司 数据修复方法、装置、设备和存储介质
CN109564641A (zh) * 2017-10-16 2019-04-02 深圳乐信软件技术有限公司 数据填补方法和装置
CN111860980A (zh) * 2020-07-03 2020-10-30 上海积成能源科技有限公司 一种电力负荷预测中应用分类回归树插补补充缺失值的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529704A (zh) * 2016-10-31 2017-03-22 国家电网公司 月最大电力负荷预测方法及装置
CN109564641A (zh) * 2017-10-16 2019-04-02 深圳乐信软件技术有限公司 数据填补方法和装置
CN108846555A (zh) * 2018-05-24 2018-11-20 四川大学 一种电力负荷大数据缺失值的高效精确填补法
CN109002937A (zh) * 2018-09-07 2018-12-14 深圳供电局有限公司 电网负荷预测方法、装置、计算机设备和存储介质
CN109445972A (zh) * 2018-09-21 2019-03-08 深圳供电局有限公司 数据修复方法、装置、设备和存储介质
CN109190856A (zh) * 2018-10-30 2019-01-11 深圳供电局有限公司 一种区分待预测日的城市电网短期负荷预测方法及系统
CN111860980A (zh) * 2020-07-03 2020-10-30 上海积成能源科技有限公司 一种电力负荷预测中应用分类回归树插补补充缺失值的方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112988728A (zh) * 2021-03-26 2021-06-18 云南电网有限责任公司电力科学研究院 一种配电网数据清洗方法及装置
CN113077357A (zh) * 2021-03-29 2021-07-06 国网湖南省电力有限公司 电力时序数据异常检测方法及其填补方法
CN113077357B (zh) * 2021-03-29 2023-11-28 国网湖南省电力有限公司 电力时序数据异常检测方法及其填补方法
CN114386874A (zh) * 2022-01-21 2022-04-22 北京国讯医疗软件有限公司 一种基于多模块联动的医德医风综合管理方法及系统
CN114386874B (zh) * 2022-01-21 2022-11-29 北京国讯医疗软件有限公司 一种基于多模块联动的医德医风综合管理方法及系统
CN115860273A (zh) * 2023-02-22 2023-03-28 南方电网数字电网研究院有限公司 用电负荷预测方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
US20210073023A1 (en) Techniques to manage virtual classes for statistical tests
CN112365070A (zh) 一种电力负荷预测方法、装置、设备及可读存储介质
CN111950738A (zh) 机器学习模型优化效果评估方法、装置、终端及存储介质
US8965895B2 (en) Relationship discovery in business analytics
CN110647447B (zh) 用于分布式系统的异常实例检测方法、装置、设备和介质
CN110262951A (zh) 一种业务秒级监控方法及系统、存储介质及客户端
CN110825526B (zh) 基于er关系的分布式调度方法及装置、设备以及存储介质
CN109992408B (zh) 一种资源分配方法、装置、电子设备和存储介质
CN111199493A (zh) 一种基于客户缴费信息及征信信息的欠费风险识别方法
CN114077492A (zh) 云计算基础设施资源的预测模型训练、预测方法和系统
CN114490590A (zh) 数据仓库质量评价方法、装置、电子设备及存储介质
CN115147183A (zh) 基于云平台的芯片资源管理方法、装置、设备及存储介质
CN114520773A (zh) 一种服务请求的响应方法、装置、服务器及存储介质
CN113220551A (zh) 指标趋势预测及预警方法、装置、电子设备及存储介质
CN115757002A (zh) 一种能耗确定方法、装置、设备及计算机可读存储介质
CN112000478A (zh) 作业运行资源分配方法及装置
CN111813631A (zh) 一种面向云数据中心的资源态势可视化与分析方法
CN111401383A (zh) 基于图像检测的目标框预估方法、系统、设备及介质
CN111222739A (zh) 核电站的任务分配方法及核电站的任务分配系统
CN112884391A (zh) 收派件规划方法、装置、电子设备及存储介质
CN115473343B (zh) 一种智能网关多主站并行接入测试方法
CN115203344B (zh) 一种基于cim模型建立电网大数据仓库的方法
CN115934674A (zh) 数据处理方法、装置、电子设备及介质
CN114519307A (zh) 信息预测方法、装置、系统、存储介质及电子设备
CN112148491A (zh) 数据处理方法及装置

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