CN112365074A - 一种基于电网调控数据的人工智能决策方法 - Google Patents
一种基于电网调控数据的人工智能决策方法 Download PDFInfo
- Publication number
- CN112365074A CN112365074A CN202011299977.XA CN202011299977A CN112365074A CN 112365074 A CN112365074 A CN 112365074A CN 202011299977 A CN202011299977 A CN 202011299977A CN 112365074 A CN112365074 A CN 112365074A
- Authority
- CN
- China
- Prior art keywords
- power grid
- input
- output
- value
- neuron
- 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 49
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 230000001276 controlling effect Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 210000004205 output neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 206010073261 Ovarian theca cell tumour Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 208000001644 thecoma Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于电网调控数据的人工智能决策方法,包括利用BP神经网络生成预测模型;利用梯度下降算法将电网调控数据代入所述生成的预测模型中,对所述模型进行训练;将电网实时数据输入训练完成的模型中获得预测值;利用专家库对所述预测值进行分析,得到最优的解决策略。能够提高供电可靠性,智能提前预警,能够在异常发生之前提前预测告警,并提供处置策略,降低调控人员的工作压力,甚至能够减少调度监控的人员投入。
Description
技术领域
本发明涉及人工智能的技术领域,尤其涉及一种基于电网调控数据的人工智能决策方法。
背景技术
近年来随着电网规模的翻倍增长,客户对供电可靠性要求的增高,对供电企业的生产运维工作的效率和质量提出了更高的要求,输电网作为电力供应的核心,对保证电网供电质量、提高电网运行效率至关重要,同时也是创新用户服务的关键环节。变电站数量的逐渐增加,尤其是老城区的线路改造、新城区的电缆配电网路径的铺设,对现有的线路造成了压力。线路的长时间重载,会直接影响到了城市供电系统的可靠性。现有的调控数据的分析,只停留在简单统计分析层面,对调控人员的决策分析提供了简单数据基础,调控人员通过工作经验对调控数据进行分析,根据分析结果调度控制电网的运行。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有电网人工智能技术存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的人工智能技术在电网的应用主要是硬件方面,对于数据体量巨大的主配网调控数据,缺少人工智能的数据分析;现有的电网调控数据分析方法停留在简单的统计分析层面,对调控人员的决策分析提供了数据基础,但是没有决策策略,调控人员需要通过工作经验对调控数据进行分析,做出策略,时间比较长,可能会影响电网调度的及时性。
为解决上述技术问题,本发明提供如下技术方案:利用BP神经网络生成预测模型;利用梯度下降算法将电网调控数据代入所述生成的预测模型中,对所述模型进行训练;将电网实时数据输入训练完成的模型中获得预测值;利用专家库对所述预测值进行分析,得到最优的解决策略。
作为本发明所述的基于电网调控数据的人工智能决策方法的一种优选方案,其中:所述利用BP神经网络生成预测模型包括,构建BP神经网络,根据主配网调度数据生成误差修补函数,对所述BP神经网络进行训练并与预想结果进行误差分析,修改所述神经网络的权值和阈值,进而生成最终的预测模型。
作为本发明所述的基于电网调控数据的人工智能决策方法的一种优选方案,其中:所述构建BP神经网络包括,所述BP网络由输入层、隐藏层和输出层组成,给定训练集为D={(x1,y1),(x2,y2…(xn,yn)},其中xn∈Rd,yn∈R1,表示为输入示例由d个属性组成,输出为1维实值变量,求出输出值并调整权值和阈值。
作为本发明所述的基于电网调控数据的人工智能决策方法的一种优选方案,其中:所述求出输出值包括,对于第i个神经元,X1、X2、…、Xj为神经元的输入,输入常为对系统模型关键影响的自变量,W1、W2、…、Wj为连接权值调节各个输入量的占重比,将信号结合输入到神经元,使用线性加权求和得到神经元净输入:
将神经元的净输入与神经元的阈值θi进行比较,由于所述输出值没有约束,使用线性激活函数求出所述输出值,将第一个输入永远值为θ,权值为-1对输出值公式进行简化,得到的简化公式表示为如下:
其中:w0=-1,x0=θj,其中f为选择的激活函数。
作为本发明所述的基于电网调控数据的人工智能决策方法的一种优选方案,其中:所述调整权值和阈值包括,在所述BP神经网络中有三层结构,包括输入层、隐藏层和输出层,将输入层到隐藏层的权值设定为uih,隐藏层第h个神经元的阈值设为γh,隐藏层到输出层的权值设定为whj,输出层第j个神经元的阈值设为θj,在输出层中,第j个输出神经元的输入为:
bh=f(∝h-γh)
其中:∝h为隐藏神经元的输入,q为隐藏神经元个数,f为激活函数函数,在训练数据(xk,yk)中,其神经网络的训练输出为:
并根据所述最小误差调整参数值。
作为本发明所述的基于电网调控数据的人工智能决策方法的一种优选方案,其中:所述梯度下降算法包括,利用所述梯度下降算法对上述获得的预测误差进行进一步的训练优化,函数永远是沿着梯度的方向变化最快,在此使用-1*偏导数以获得参数需要变化的值,设定一个学习速率η,从隐藏层到输出层的权值调整公式为:
作为本发明所述的基于电网调控数据的人工智能决策方法的一种优选方案,其中:对模型进行训练包括,权值whj首先影响从隐藏层到输出层的神经元的输入βj,再影响输入层的激活函数最后影响到误差调整参数值Ek,其中一个W权值会影响到一个神经元输入β,选择一个激活函数,因此可以得到公式:
Δvin=-ηehxi
Δγh=ηeh
作为本发明所述的基于电网调控数据的人工智能决策方法的一种优选方案,其中:所述利用专家库获得最优的解决策略包括,所述通过电网调控数据产生情况,咨询专家集成电网调控数据专家库,将利用神经网络模型处理后的实时电网数据带入专家库,获得最优解决解决策略。
本发明的有益效果:能够提高供电可靠性,智能提前预警,能够在异常发生之前提前预测告警,并提供处置策略,降低调控人员的工作压力,甚至能够减少调度监控的人员投入。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的基于电网调控数据的人工智能决策方法的流程示意图;
图2为本发明第一个实施例所述的基于电网调控数据的人工智能决策方法的BP神经网络模型图;
图3为本发明第一个实施例所述的基于电网调控数据的人工智能决策方法的神经元拓扑图;
图4为本发明第一个实施例所述的基于电网调控数据的人工智能决策方法的训练后的预测模型图;
图5为本发明第一个实施例所述的基于电网调控数据的人工智能决策方法的梯度下降算法原理示意图;
图6为本发明第二个实施例所述的基于电网调控数据的人工智能决策方法的各电站油温数据预测结果图;
图7为本发明第二个实施例所述的基于电网调控数据的人工智能决策方法的安慧站电网预测结果对比图;
图8为本发明第二个实施例所述的基于电网调控数据的人工智能决策方法的交叉算法预测结果对比图;
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~5,为本发明的第一个实施例,该实施例提供了一种基于电网调控数据的人工智能决策方法,包括:
S1:利用BP神经网络生成预测模型。其中需要说明的是,
构建BP神经网络包括,根据主配网调度数据生成误差修补函数,对BP神经网络进行训练并与预想结果进行误差分析,修改神经网络的权值和阈值,进而生成最终的预测模型。
进一步的是,参照图2,BP网络由输入层、隐藏层和输出层组成,给定训练集为D={(x1,y1),(x2,y2…(xn,yn)},其中xn∈Rd,yn∈R1,表示为输入示例由d个属性组成,输出为1维实值变量,求出输出值并调整权值和阈值;参照图3为神经元的拓扑结构,其中对于第i个神经元,X1、X2、…、Xj为神经元的输入,输入常为对系统模型关键影响的自变量,W1、W2、…、Wj为连接权值调节各个输入量的占重比,将信号结合输入到神经元有多种方式,本方法使用线性加权求和得到神经元净输入:
其中:θi为神经元的阈值,只有当神经元接收到的信息达到阈值是才会被激活,将神经元的净输入Netin与该神经元的阈值θi进行比较,若输出值有范围约束,则利用激活函数处理以产生神经元的输出,对输出值进行范围约束,将输入从负无穷大到正无穷大的信号变换成0到1之间输出;若输出值没有约束,则使用线性激活函数(即权值相乘之和)求出输出值,则输出值公式可表示为:
yj=f(Netin-θj)
将第一个输入永远值为θ,权值为-1对输出值公式进行简化,得到的简化公式表示为如下:
其中:w0=-1,x0=θj,f为选择的激活函数。
S2:利用梯度下降算法将电网调控数据代入生成的预测模型中,对模型进行训练。其中需要说明的是,
在BP神经网络中有三层结构,包括输入层、隐藏层和输出层,将输入层到隐藏层的权值设定为uih,隐藏层第h个神经元的阈值设为yh,隐藏层到输出层的权值设定为whi,输出层第j个神经元的阈值设为θj,参照图4,有d个输入神经元,q个隐藏神经元,隐藏有q个隐藏神经元阈值,1个输出神经元,因此有1个输出神经元阈值,在输出层中,第j个输出神经元的输入为:
bh=f(∝h-γh)
其中:q为隐藏神经元个数,f为激活函数,在训练数据(xk,yk)中,其神经网络的训练输出为:
并根据最小误差调整(d+1+1)q+1个参数的值;
进一步的是对BP神经网络训练过程包括:网络初始化:给各连接权重赋一个区间为[-1,1]内的随机数,设定误差函数e,设定计算精度和最大学习次数;随机选取:随机选取第n个训练样本以及对应的期望输出;隐含层计算:计算隐含层各神经元的输入和输出;求偏导数:利用网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数;修正权值:利用输出层各神经元的偏导数和隐含层各神经元的输出来修正链接权值;修正权值:利用隐含层各神经元的偏导数和输入层各神经元的输入修正链接权值;计算全局误差:在修正过模型的连接权重之后重新计算新的模型的全局误差;判断模型合理性:判断当前模型是否满足要求,否则,选择下一个随机学习样本以及对应的期望输出,执行下一次学习;
参照图5,使用梯度下降算法的实现过程包括:利用梯度下降算法对上述获得的预测误差进行进一步的训练优化,函数永远是沿着梯度的方向变化最快,我们对每一个需要调整的参数求偏导数,若偏导数>0,则要按照偏导数相反的方向变化,若偏导数<0,则按照相同方向变化即可;在此使用-1*偏导数以获得参数需要变化的值,设定一个学习速率η,这个学习速率不能太快,也不能太慢,太快可能会导致越过最优解,太慢可能会降低算法的效率,因此我们可以得到一个参数调整公式:
从隐藏层到输出层的权值调整公式为:
将每一层的公式进行罗列,其中从输入层到隐藏层:
经过隐藏层的激活函数:
bh=f(αh-γh)
隐藏层到输出层:
经过输出层的激活函数:
误差:
由于激活函数为激活函数,该函数具有一个很好的性质:
综合上述公式可得:
同理:
由于一个一个v权值会影响所有的β,则
Δvih=-ηehxi
Δγh=ηeh
当所有得公式都推导完毕,再设定一个迭代终止条件,是误差小于一定值时终止递归或设定迭代次数,BP神经网络模型的训练以此结束。
S3:将电网实时数据输入训练完成的模型中获得预测值。
S4:利用专家库对预测值进行分析,得到最优的解决策略。其中需要说明的是,
利用专家库获得最优的解决策略包括,专家库被定义为一种交互式可靠的基于计算机的决策系统,它使用事实和启发式方法来解决复杂的决策问题,被认为是人类智慧和专业知识的最高水平,它是一个计算机应用程序,可以解决特定域中最复杂的问题,专家库可以解决通常需要人类专家的许多问题,它基于从专家那里获得的知识,还能够表达和推理某些知识领域;本方法通过电网调控数据产生情况,咨询专家集成电网调控数据专家库,将利用神经网络模型处理后的实时电网数据带入专家库,获得最优解决解决策略。
实施例2
参照图6~8,为本发明的第二个实施例,为了更好地对本发明方法中采用的技术效果加以验证说明,本实施例中选择贵州电网各变电站进行测试,以科学论证的手段验证本方法所具有的真实效果;
对贵州各电站2019年12月12日的电网油温数据进行记录和预测,各个电站的设备名称分别为1#~3#主变压器且其电压值均为110KV,记录12月12日主变油温的最大值以及最小值,选取某一刻电网油温数据进行预测,将电网油温数据输入训练好的BP神经网络预测模型中,得到未来15分钟的预测值,所得结果参照图6。
在电网各电站中选取安慧站的电网数据进行实验,将安慧站2019年12月12日的电网数据输入构建的BP神经网络预测模型,利用利用梯度下降算法对模型进行训练,训练次数为1000次,并将实时数据进行输入获取预测值,将预测值的结果与真实数据进行对比,数据对比结果参照图7所示,可以看出预测值与真实数据的变化基本一致,并且预测值基本处于真实数据的连线上,因此本发明方法具有预测的准确性;选取传统利用交叉算法进行电网预测,通过纵向交叉算法对初始参数进行更新,横向交叉算法进行最优适应度的选择,再将选择后的数据输入灰色模型进行计算得到预测值,其所得结果参照图8所示,通过图7和图8对比可知,使用本发明方法所预测得到的数据基本分布在实际数据的两侧,而使用传统交叉算法预测得到的数据比较分散,因此本发明方法在进行预测时较为准确,因此可以保障后续决策的针对性。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于电网调控数据的人工智能决策方法,其特征在于:包括,
利用BP神经网络生成预测模型;
利用梯度下降算法将电网调控数据代入所述生成的预测模型中,对所述模型进行训练;
将电网实时数据输入训练完成的模型中获得预测值;
利用专家库对所述预测值进行分析,得到最优的解决策略。
2.如权利要求1所述的基于电网调控数据的人工智能决策方法,其特征在于:所述利用BP神经网络生成预测模型包括,
构建BP神经网络,根据主配网调度数据生成误差修补函数,对所述BP神经网络进行训练并与预想结果进行误差分析,修改所述神经网络的权值和阈值,进而生成最终的预测模型。
3.如权利要求2所述的基于电网调控数据的人工智能决策方法,其特征在于:所述构建BP神经网络包括,
所述BP网络由输入层、隐藏层和输出层组成,给定训练集为D={(x1,y1),(x2,y2…(xn,yn)},其中xn∈Rd,yn∈Rl,表示为输入示例由d个属性组成,输出为l维实值变量,求出输出值并调整权值和阈值。
8.如权利要求1所述的基于电网调控数据的人工智能决策方法,其特征在于:所述利用专家库获得最优的解决策略包括,
所述通过电网调控数据产生情况,咨询专家集成电网调控数据专家库,将利用神经网络模型处理后的实时电网数据带入专家库,获得最优解决解决策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299977.XA CN112365074B (zh) | 2020-11-18 | 2020-11-18 | 一种基于电网调控数据的人工智能决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299977.XA CN112365074B (zh) | 2020-11-18 | 2020-11-18 | 一种基于电网调控数据的人工智能决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365074A true CN112365074A (zh) | 2021-02-12 |
CN112365074B CN112365074B (zh) | 2023-08-18 |
Family
ID=74533325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299977.XA Active CN112365074B (zh) | 2020-11-18 | 2020-11-18 | 一种基于电网调控数据的人工智能决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365074B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359502A (zh) * | 2021-07-05 | 2021-09-07 | 信阳农林学院 | 一种基于人工智能的智能家居多传感器检测方法、系统及存储介质 |
CN112365074B (zh) * | 2020-11-18 | 2023-08-18 | 贵州电网有限责任公司 | 一种基于电网调控数据的人工智能决策方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050159894A1 (en) * | 2000-04-18 | 2005-07-21 | Intriligator Devrie S. | Space weather prediction system and method |
CN102243497A (zh) * | 2011-07-25 | 2011-11-16 | 江苏吉美思物联网产业股份有限公司 | 用于工程机械的基于物联网技术的远程智能分析服务系统 |
CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN104951836A (zh) * | 2014-03-25 | 2015-09-30 | 上海市玻森数据科技有限公司 | 基于神经网络技术的发帖预测系统 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN106022521A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 |
US20170249955A1 (en) * | 2014-05-06 | 2017-08-31 | State Grid Jiangsu Electric Power Company Nanjing Power Supply Company | A transformer noise suppression method |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN110866594A (zh) * | 2018-08-27 | 2020-03-06 | 国网天津市电力公司 | 光传送网otn的色散计算方法 |
CN111047225A (zh) * | 2020-01-10 | 2020-04-21 | 惠州光弘科技股份有限公司 | 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365074B (zh) * | 2020-11-18 | 2023-08-18 | 贵州电网有限责任公司 | 一种基于电网调控数据的人工智能决策方法 |
-
2020
- 2020-11-18 CN CN202011299977.XA patent/CN112365074B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050159894A1 (en) * | 2000-04-18 | 2005-07-21 | Intriligator Devrie S. | Space weather prediction system and method |
CN102243497A (zh) * | 2011-07-25 | 2011-11-16 | 江苏吉美思物联网产业股份有限公司 | 用于工程机械的基于物联网技术的远程智能分析服务系统 |
CN104951836A (zh) * | 2014-03-25 | 2015-09-30 | 上海市玻森数据科技有限公司 | 基于神经网络技术的发帖预测系统 |
US20170249955A1 (en) * | 2014-05-06 | 2017-08-31 | State Grid Jiangsu Electric Power Company Nanjing Power Supply Company | A transformer noise suppression method |
CN104008427A (zh) * | 2014-05-16 | 2014-08-27 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN104597842A (zh) * | 2015-02-02 | 2015-05-06 | 武汉理工大学 | 经遗传算法优化的bp神经网络重型机床热误差建模方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN106022521A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN108090658A (zh) * | 2017-12-06 | 2018-05-29 | 河北工业大学 | 基于时域特征参数融合的电弧故障诊断方法 |
CN110866594A (zh) * | 2018-08-27 | 2020-03-06 | 国网天津市电力公司 | 光传送网otn的色散计算方法 |
CN111047225A (zh) * | 2020-01-10 | 2020-04-21 | 惠州光弘科技股份有限公司 | 一种基于边缘侧模型处理的smt表面组装组件焊点的质量评定方法 |
Non-Patent Citations (5)
Title |
---|
李莉: ""专家系统与BP神经网络相结合的短期负荷预测"", 《陕西电力》 * |
李莉: ""专家系统与BP神经网络相结合的短期负荷预测"", 《陕西电力》, 25 January 2009 (2009-01-25), pages 22 - 27 * |
陈科: "" 基于模糊神经网络的电力系统短期负荷预测"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 042 - 642 * |
陈科: ""基于模糊神经网络的电力系统短期负荷预测"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
陈科: ""基于模糊神经网络的电力系统短期负荷预测"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, 15 May 2016 (2016-05-15), pages 042 - 642 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365074B (zh) * | 2020-11-18 | 2023-08-18 | 贵州电网有限责任公司 | 一种基于电网调控数据的人工智能决策方法 |
CN113359502A (zh) * | 2021-07-05 | 2021-09-07 | 信阳农林学院 | 一种基于人工智能的智能家居多传感器检测方法、系统及存储介质 |
CN113359502B (zh) * | 2021-07-05 | 2023-04-25 | 信阳农林学院 | 一种基于人工智能的智能家居多传感器检测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112365074B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112186743B (zh) | 一种基于深度强化学习的动态电力系统经济调度方法 | |
Lin et al. | An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
Sözen et al. | Prediction of net energy consumption based on economic indicators (GNP and GDP) in Turkey | |
CN112465664B (zh) | 一种基于人工神经网络及深度强化学习的avc智能控制方法 | |
CN112464566B (zh) | 一种基于遗传算法及bp神经网络的变压器油温预测方法 | |
CN111967666B (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN105678407A (zh) | 一种基于人工神经网络的日用电量预测方法 | |
CN112365074A (zh) | 一种基于电网调控数据的人工智能决策方法 | |
CN115313403A (zh) | 一种基于深度强化学习算法的实时电压调控方法 | |
CN114784823A (zh) | 基于深度确定性策略梯度的微电网频率控制方法及系统 | |
Goli et al. | Application of improved artificial intelligence with runner-root meta-heuristic algorithm for dairy products industry: a case study | |
CN102663493A (zh) | 一种用于时间序列预测的迟滞神经网络 | |
Li et al. | A hybrid learning method for the data-driven design of linguistic dynamic systems | |
CN111799820B (zh) | 一种电力系统双层智能混合零星云储能对抗调控方法 | |
CN113346504A (zh) | 基于数据知识驱动的主动配电网电压控制方法 | |
CN113346543A (zh) | 一种分布式微网电压多层协同控制方法 | |
Yundra et al. | Hybrid Model Combined Fuzzy Multi-Objective Decision Making with Feed Forward Neural Network (F-MODM-FFNN) For Very Short-Term Load Forecasting Based on Weather Data. | |
Chen et al. | Research on prediction methods of energy consumption data | |
CN115310760A (zh) | 一种基于改进近端策略优化的瓦斯系统动态调度方法 | |
Kanata et al. | Hybrid time varying particle swarm optimization and genetic algorithm to solve optimal reactive power dispatch problem | |
CN114937999A (zh) | 基于机器学习的同步发电机提高电压暂稳的稳态无功优化方法 | |
Wang et al. | Short term load forecasting: A dynamic neural network based genetic algorithm optimization | |
CN107563573A (zh) | 一种基于自适应学习混合模型的太阳能发电量的预测方法 |
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 |