CN112508261A - 一种基于神经网络的配电变压器负荷分层预测方法及装置 - Google Patents
一种基于神经网络的配电变压器负荷分层预测方法及装置 Download PDFInfo
- Publication number
- CN112508261A CN112508261A CN202011395244.6A CN202011395244A CN112508261A CN 112508261 A CN112508261 A CN 112508261A CN 202011395244 A CN202011395244 A CN 202011395244A CN 112508261 A CN112508261 A CN 112508261A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- neural network
- distribution transformer
- annual
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000010606 normalization Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims description 90
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 230000000630 rising effect Effects 0.000 claims description 11
- 238000013517 stratification Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例涉及一种基于神经网络的配电变压器负荷分层预测方法及装置,包括数据获取处理、样本分类、建立BP神经网络模型、数据选择及归一化处理、建立CNN神经网络模型和输出预测结果这六个步骤,通过前4年的历史负荷数据和配电变压器的属性信息数据构建的BP神经网络模型和CNN神经网络模型将直接的负荷预测解构成趋势预测与数值预测,便于在不同的信息获取程度之下,可以根据数据质量以及信息丰富程度,提高趋势判断精度或数值判断精度,解决了现有对配电变压器的负荷预测方法因供电区域小、用电负荷波动大导致预测结果不准确的技术问题。
Description
技术领域
本发明涉及配电变压器负荷技术领域,尤其涉及一种基于神经网络的配电变压器负荷分层预测方法及装置。
背景技术
近年来,智能配电网越来越多,在智能配电网中对各类智能设备进行有效管理,可以促进智能配电网建设、提升电网运营管理水平。而在配电网实施单元制、精细化规划和运行维护的背景下,以低压台区为单位的负荷预测,对于网格化负荷发展趋势和规划需求分析、配电网薄弱环节辨识和电力系统运行方式调整等业务都具有重要意义。
随着配电变压器在线监测设备的普及,海量台区负荷数据的采集与存储问题得以解决,现有采用基于细粒度数据对台区负荷数据进行预测,但是该方法对于以台区配电变压器为单位的负荷预测,面临着供电区域小、用电负荷波动大和预测结果稳定性不足等问题。
发明内容
本发明实施例提供了一种基于神经网络的配电变压器负荷分层预测方法及装置,用于解决现有对配电变压器的负荷预测方法因供电区域小、用电负荷波动大导致预测结果不准确的技术问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于神经网络的配电变压器负荷分层预测方法,包括以下步骤:
S10.数据获取处理:从配电网的计量系统获取前4年配电变压器的历史负荷数据和配电变压器的属性信息数据;对所述历史负荷数据和所述属性信息数据进行处理,得到每年的年负荷最大值、每年的年负荷最大值变化率以及配电变压器的投运时间标志量;所述属性信息数据包括配电变压器的投运使用时间;
S20.样本分类:对前3年的所述年负荷最大值分为4种不同的态势,根据上升和下降两种变化趋势对4种不同的态势分为8个分类样本,所述分类样本的数据包括年负荷最大值变化率和配电变压器的投运时间标志量;
S30.建立BP神经网络模型:以前3年的每个分类样本作为BP神经网络的样本输入,第4年的分类样本的数据作为BP神经网络的样本输出对所述分类样本进行训练,得到与8个分类样本对应的8个BP神经网络模型;
S40.数据选择及归一化处理:根据所述年负荷最大值所在区间前后96天的所述历史负荷数据建立数据矩阵,选取前3年的数据矩阵进行归一化处理,得到归一化数据并将3年的所述归一化数据作为RGB图片中的三个图层数据,得到负荷数据图像;
S50.建立CNN神经网络模型:以所述负荷数据图像作为CNN神经网络的输入,第4年的历史负荷数据的变化趋势作为CNN神经网络的输出标签对所述历史负荷数据进行训练,得到CNN神经网络模型;其中,历史负荷数据呈上升的变化趋势记为0,历史负荷数据呈下降的变化趋势记为1;
S60.输出预测结果:将配电变压器的待预测数据经过步骤S10、步骤S20和步骤S40的处理后,得到的分类样本和负荷数据图像对应输入BP神经网络模型和CNN神经网络模型中,BP神经网络模型输出预测的年负荷最大值变化率和负荷数据的变化趋势。
优选地,在步骤S10中,对所述历史负荷数据和所述属性信息数据进行处理包括:
对所述历史负荷数据中的缺失数据采用数据拟合和相似日参考补全;
以及采用分位差法或标准差法清除所述历史负荷数据中的异常数据。
优选地,在步骤S10中,得到每年的年负荷最大值变化率包括:采用中点变化率公式计算,中点变化率公式为:V=(K2-K1)/((K1+K2)/2),K1为前一年的年负荷最大值,K2为后一年的年负荷最大值,V为前后两年的年负荷最大值变化率。
优选地,在步骤S10中,所述配电变压器的投运时间标志量是根据配电变压器的投运使用时间设置的,若配电变压器的投运使用时间为1~3年,所述配电变压器的投运时间标志量为0;若配电变压器的投运使用时间为4~6年,所述配电变压器的投运时间标志量为0.5;若配电变压器的投运使用时间7年及以上,所述配电变压器的投运时间标志量为1。
优选地,在步骤S20中,对前3年的所述年负荷最大值分为4种不同的态势包括连续增长型的态势、连续下降型的态势、先升后降型的态势和先降后升型的态势。
本发明还提供一种基于神经网络的配电变压器负荷分层预测装置,包括数据获取处理模块、样本分类模块、第一模型建立模块、数据选择及归一化处理模块、第二模块建立模块和输出预测结果模块;
所述数据获取处理模块,用于从配电网的计量系统获取前4年配电变压器的历史负荷数据和配电变压器的属性信息数据;对所述历史负荷数据和所述属性信息数据进行处理,得到每年的年负荷最大值、每年的年负荷最大值变化率以及配电变压器的投运时间标志量;所述属性信息数据包括配电变压器的投运使用时间;
所述样本分类模块,用于对前3年的所述年负荷最大值分为4种不同的态势,根据上升和下降两种变化趋势对4种不同的态势分为8个分类样本,所述分类样本的数据包括年负荷最大值变化率和配电变压器的投运时间标志量;
所述第一模型建立模块,用于以前3年的每个分类样本作为BP神经网络的样本输入,第4年的分类样本的数据作为BP神经网络的样本输出对所述分类样本进行训练,得到与8个分类样本对应的8个BP神经网络模型;
所述数据选择及归一化处理模块,用于根据所述年负荷最大值所在区间前后96天的所述历史负荷数据建立数据矩阵,选取前3年的数据矩阵进行归一化处理,得到归一化数据并将3年的所述归一化数据作为RGB图片中的三个图层数据,得到负荷数据图像;
所述第二模块建立模块,用于以所述负荷数据图像作为CNN神经网络的输入,第4年的历史负荷数据的变化趋势作为CNN神经网络的输出标签对所述历史负荷数据进行训练,得到CNN神经网络模型;其中,历史负荷数据呈上升的变化趋势记为0,历史负荷数据呈下降的变化趋势记为1;
所述输出预测结果模块,用于将配电变压器的待预测数据经过所述数据获取处理模块、所述样本分类模块和所述数据选择及归一化处理模块的处理后,得到的分类样本和负荷数据图像对应输入BP神经网络模型和CNN神经网络模型中,BP神经网络模型输出预测的年负荷最大值变化率和负荷数据的变化趋势。
优选地,所述数据获取处理模块还用于对所述历史负荷数据中的缺失数据采用数据拟合和相似日参考补全,以及采用分位差法或标准差法清除所述历史负荷数据中的异常数据。
优选地,所述数据获取处理模块还用于采用中点变化率公式计算得到每年的年负荷最大值变化率,中点变化率公式为:V=(K2-K1)/((K1+K2)/2),K1为前一年的年负荷最大值,K2为后一年的年负荷最大值,V为前后两年的年负荷最大值变化率。
本发明还提供一种计算机可读存储介质,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述所述的基于神经网络的配电变压器负荷分层预测方法。
本发明还提供一种终端设备,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行上述所述的基于神经网络的配电变压器负荷分层预测方法。
从以上技术方案可以看出,本发明实施例具有以下优点:该基于神经网络的配电变压器负荷分层预测方法及装置通过前4年的历史负荷数据和配电变压器的属性信息数据构建的BP神经网络模型和CNN神经网络模型将直接的负荷预测解构成趋势预测与数值预测,便于在不同的信息获取程度之下,可以根据数据质量以及信息丰富程度,提高趋势判断精度或数值判断精度,解决了现有对配电变压器的负荷预测方法因供电区域小、用电负荷波动大导致预测结果不准确的技术问题。
该基于神经网络的配电变压器负荷分层预测方法利用CNN神经网络从图像提取深层特征的能力,基于历史负荷数据预测未来配电站的变化趋势;通过训练具有非线性关系表现能力的BP神经网络,在相同的数据态势分类样本下,每个配电变压器的总体数据构成一个样本,大量配变数据构成总样本,以总体误差损失最小为目标去训练,得到总体误差表现较好的预测数值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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。
图1为本发明实施例所述的基于神经网络的配电变压器负荷分层预测方法的步骤流程图。
图2为本发明实施例所述的基于神经网络的配电变压器负荷分层预测方法的4种态势示意图。
图3为本发明实施例所述的基于神经网络的配电变压器负荷分层预测方法的8种分类样本的示意图。
图4为本发明实施例所述的基于神经网络的配电变压器负荷分层预测装置的框架图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,都属于本发明保护的范围。
本申请实施例提供了一种基于神经网络的配电变压器负荷分层预测方法及装置,将对配电变压器的负荷分为两层进行预测,分别为对负荷趋势的预测以及对于负荷变化数值的预测,主要是采用监督学习的方式训练卷积神经网络得到基于历史负荷图像预测未来负荷发展趋势;以及通过训练具有非线性关系表现能力的BP神经网络得到基于历史数据预测未来变化具体负荷数值,解决了现有对配电变压器的负荷预测方法因供电区域小、用电负荷波动大导致预测结果不准确的技术问题。
实施例一:
图1为本发明实施例所述的基于神经网络的配电变压器负荷分层预测方法的步骤流程图。
如图1所示,本发明实施例提供了一种基于神经网络的配电变压器负荷分层预测方法,包括以下步骤:
S10.数据获取处理:从配电网的计量系统获取前4年配电变压器的历史负荷数据和配电变压器的属性信息数据;对历史负荷数据和属性信息数据进行处理,得到每年的年负荷最大值、每年的年负荷最大值变化率以及配电变压器的投运时间标志量;属性信息数据包括配电变压器的投运使用时间;
S20.样本分类:对前3年的年负荷最大值分为4种不同的态势,根据上升和下降两种变化趋势对4种不同的态势分为8个分类样本,分类样本的数据包括年负荷最大值变化率和配电变压器的投运时间标志量;
S30.建立BP神经网络模型:以前3年的每个分类样本作为BP神经网络的样本输入,第4年的分类样本的数据作为BP神经网络的样本输出对分类样本进行训练,得到与8个分类样本对应的8个BP神经网络模型;
S40.数据选择及归一化处理:根据年负荷最大值所在区间前后96天的历史负荷数据建立数据矩阵,选取前3年的数据矩阵进行归一化处理,得到归一化数据并将3年的归一化数据作为RGB图片中的三个图层数据,得到负荷数据图像;
S50.建立CNN神经网络模型:以负荷数据图像作为CNN神经网络的输入,第4年的历史负荷数据的变化趋势作为CNN神经网络的输出标签对历史负荷数据进行训练,得到CNN神经网络模型;其中,历史负荷数据呈上升的变化趋势记为0,历史负荷数据呈下降的变化趋势记为1;
S60.输出预测结果:将配电变压器的待预测数据经过步骤S10、步骤S20和步骤S40的处理后,得到的分类样本和负荷数据图像对应输入BP神经网络模型和CNN神经网络模型中,BP神经网络模型输出预测的年负荷最大值变化率和负荷数据的变化趋势。
在本发明实施例的步骤S10中,从配电网的计量系统中获取大量10KV馈线下配电变压器最近4年[T1,T2]的历史负荷数据以及配电变压器的属性信息数据,其中T1表示T1年1月1日,T2表示T2年12月31日。还对历史负荷数据进行清洗处理,并提取出每年的年负荷最大值,根据年负荷最大值计算年负荷最大值之间的年负荷最大值变化率。还从配电变压器的属性信息数据中配电变压器的投运时间,计算配电变压器的投运时间标志量,投运时长在1~3年的配电变压器的投运时间标志量为0,投运时间在4~6年的配电变压器的投运时间标志量为0.5,投运时间在7年及以上配电变压器的投运时间标志量为1。
需要说明的是,历史负荷数据包括每天96个测量时间点的负荷数据。属性信息数据包括配电变压器所要提供用电的户数、重过载率、配电变压器投运使用时间等。
图2为本发明实施例所述的基于神经网络的配电变压器负荷分层预测方法的4种态势示意图,图3为本发明实施例所述的基于神经网络的配电变压器负荷分层预测方法的8种分类样本的示意图。
在本发明实施例的步骤S20中,对4年的历史负荷数据而言,经数据处理提取可以得到各年的年负荷最大值Ki(i=1,2,3,4),前3年的年负荷最大值共同组成4种不同的态势(如图2所示)。而每种态势的未来一年可能呈现上升或下降两种趋势,因此结合第4年的年负荷最大值,可以对已有4种态势的处理后的历史负荷数据进行再分类,一共分为8个分类样本(如图3所示),每个分类样本的数据包括年负荷最大值变化率和配电变压器的投运时间标志量。
需要说明的是,“态势”为一种数值变化趋势形态,每一个态势时间步长为3年,其中可以用每年负荷最大值(3个数值)或用3年间的年负荷最大值的两个年负荷最大值变化率来描述态势。依据数据变化情况,可以将所有历史负荷数据分为四种态势:第一种态势是连续增长型,在此情况下有K1<K2<K3;第二种态势是连续下降型,在此情况下有K1>K2>K3;第三种态势是先升后降型,在此情况下有K1<K2,K2>K3;第四种态势是先降后升型,在此情况下有K1>K2,K2<K3。
在本发明实施例的步骤S30中,主要是作为BP神经网络训练步骤,根据步骤S2的分类结果,以各分类样本前3年的两个年负荷最大值变化率(V1,V2)、配电变压器的投运时间标志量的数值作为BP神经网络的输入,最后1年分类样本的年负荷最大值变化率(V3)作为BP神经网络的输出,对应训练出8个BP神经网络模型。
需要说明的是,BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络;BP神经网络也是一种按误差反向传播(简称误差反传)训练的多层前馈网络,其算法称为BP算法,它的基本思想是梯度下降法,利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小。
在本发明实施例的步骤S40中,主要是负荷数据图像化的步骤,例如:若每年的年负荷最大值出现频率最高的时间区间为6~8月,在该6~8月的时间区间附近选取5月28日至8月31日共96天,然后选取每天96个测量点的历史负荷数据作为矩阵行数据,形成96*96的数据矩阵;依次选取前3年的历史负荷数据组合起来,得到3*96*96的数据矩阵,对3*96*96的数据矩阵归一化处理后得到归一化数据,并将归一化数据对应RGB图片中的三个图层数据,得到负荷数据图像。
需要说明的是,数据的归一化处理是采用归一化方法进行处理的,归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速,应该归到数字信号处理范畴之内。
在本发明实施例的步骤S50中,主要作为CNN神经网络训练步骤,将转化后的RGB的负荷数据图像作为CNN神经网络的输入,以最后一年的历史负荷数据的变化趋势作为CNN神经网络输出标签,在CNN神经网络中进行训练,得到CNN神经网络模型。其中,历史负荷数据呈上升的变化趋势记为0,历史负荷数据呈下降的变化趋势记为1。
需要说明的是,卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习能力,能够按其阶层结构对输入信息进行平移不变分类。
在本发明是实力的步骤S60中,主要是将配电变压器的待预测数据最近三年历史负荷数据转化为待预测的RGB负荷数据图像输入到CNN神经网络模型中,得到未来一年预测的负荷数据的变化趋势;还将配电变压器的待预测数据经过步骤S10和步骤S20处理后的分类样本,从8个BP神经网络模型中选择对应的BP神经网络模型;输入待预测数据的分类样本前3年的两个年负荷最大值变化率以及配电变压器的投运时间标志量的数值,得到未来一年预测的年负荷最大值变化率数值,对年负荷最大值变化率的数值转化计算得到未来一年预测的年负荷最大值。
本发明提供的一种基于神经网络的配电变压器负荷分层预测方法利用CNN神经网络从图像提取深层特征的能力,基于历史负荷数据预测未来配电站的变化趋势;通过训练具有非线性关系表现能力的BP神经网络,在相同的数据态势分类样本下,每个配电变压器的总体数据构成一个样本,大量配变数据构成总样本,以总体误差损失最小为目标去训练,得到总体误差表现较好的预测数值。该基于神经网络的配电变压器负荷分层预测方法通过前4年的历史负荷数据和配电变压器的属性信息数据构建的BP神经网络模型和CNN神经网络模型将直接的负荷预测解构成趋势预测与数值预测,便于在不同的信息获取程度之下,可以根据数据质量以及信息丰富程度,提高趋势判断精度或数值判断精度,解决了现有对配电变压器的负荷预测方法因供电区域小、用电负荷波动大导致预测结果不准确的技术问题。
在本发明的一个实施例中,在步骤S10中,对历史负荷数据和属性信息数据进行处理包括:
对历史负荷数据中的缺失数据采用数据拟合和相似日参考补全;
以及采用分位差法或标准差法清除历史负荷数据中的异常数据。
需要说明的是,数据处理主要是对历史负荷数据进行清洗,历史负荷数据往往会有缺失以及不合理的异常值,而异常值又会严重影响最大值的提取。数据拟合是针对同一天的个别缺失数据,利用前后的数据进行填补,根据数据的分布情况,可以采用均值、中位数或者众数进行数据填补。例如:数据均匀,可用均值法填补;数据分布倾斜,可用中位数法填补。相似日参考方式更多是用在某一整天数据缺失的情况,实际上是将日期类型划分为工作日、周末以及特殊节假日,在某天的数据完全缺失情况下根据缺失数据天的日期类型,选取时间接近的同类型日期负荷数据近似作为缺失数据的这天的数据从而进行数据的填补。一般采用过箱线图法(分位差法)或者分布图(标准差法)来判断历史负荷数据的异常值,清除对结果影响较大的异常值。
在本发明的一个实施例中,在步骤S10中,得到每年的年负荷最大值变化率包括:采用中点变化率公式计算,中点变化率公式为:V=(K2-K1)/((K1+K2)/2),K1为前一年的年负荷最大值,K2为后一年的年负荷最大值,V为前后两年的年负荷最大值变化率。
实施例二:
图4为本发明实施例所述的基于神经网络的配电变压器负荷分层预测装置的框架图。
如图4所示,本发明实施例还提供一种基于神经网络的配电变压器负荷分层预测装置,包括数据获取处理模块10、样本分类模块20、第一模型建立模块30、数据选择及归一化处理模块40、第二模块建立模块50和输出预测结果模块60;
数据获取处理模块10,用于从配电网的计量系统获取前4年配电变压器的历史负荷数据和配电变压器的属性信息数据;对历史负荷数据和属性信息数据进行处理,得到每年的年负荷最大值、每年的年负荷最大值变化率以及配电变压器的投运时间标志量;属性信息数据包括配电变压器的投运使用时间;
样本分类模块20,用于对前3年的年负荷最大值分为4种不同的态势,根据上升和下降两种变化趋势对4种不同的态势分为8个分类样本,分类样本的数据包括年负荷最大值变化率和配电变压器的投运时间标志量;
第一模型建立模块30,用于以前3年的每个分类样本作为BP神经网络的样本输入,第4年的分类样本的数据作为BP神经网络的样本输出对分类样本进行训练,得到与8个分类样本对应的8个BP神经网络模型;
数据选择及归一化处理模块40,用于根据年负荷最大值所在区间前后96天的历史负荷数据建立数据矩阵,选取前3年的数据矩阵进行归一化处理,得到归一化数据并将3年的归一化数据作为RGB图片中的三个图层数据,得到负荷数据图像;
第二模块建立模块50,用于以负荷数据图像作为CNN神经网络的输入,第4年的历史负荷数据的变化趋势作为CNN神经网络的输出标签对历史负荷数据进行训练,得到CNN神经网络模型;其中,历史负荷数据呈上升的变化趋势记为0,历史负荷数据呈下降的变化趋势记为1;
输出预测结果模块60,用于将配电变压器的待预测数据经过数据获取处理模块10、样本分类模块20和数据选择及归一化处理模块40的处理后,得到的分类样本和负荷数据图像对应输入BP神经网络模型和CNN神经网络模型中,BP神经网络模型输出预测的年负荷最大值变化率和负荷数据的变化趋势。
在本发明的实施例中,数据获取处理模块10还用于对历史负荷数据中的缺失数据采用数据拟合和相似日参考补全,以及采用分位差法或标准差法清除历史负荷数据中的异常数据。
在本发明的实施例中,数据获取处理模块10还用于采用中点变化率公式计算得到每年的年负荷最大值变化率,中点变化率公式为:V=(K2-K1)/((K1+K2)/2),K1为前一年的年负荷最大值,K2为后一年的年负荷最大值,V为前后两年的年负荷最大值变化率。
需要说明的是,实施例二装置中的模块对应于实施例一方法中的步骤,实施例一方法中的步骤已在实施例一中详细阐述了,在此实施例二中不再对装置中的模块内容进行详细阐述。
实施例三:
本发明实施例提供了一种计算机可读存储介质,计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行上述的基于神经网络的配电变压器负荷分层预测方法。
实施例四:
本发明实施例提供了一种终端设备,包括处理器以及存储器;
存储器,用于存储程序代码,并将程序代码传输给处理器;
处理器,用于根据程序代码中的指令执行上述的基于神经网络的配电变压器负荷分层预测方法。
需要说明的是,处理器用于根据所程序代码中的指令执行上述的一种基于神经网络的配电变压器负荷分层预测方法实施例中的步骤。或者,处理器执行计算机程序时实现上述各系统/装置实施例中各模块/单元的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器中,并由处理器执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
终端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。终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,并不构成对终端设备的限定,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,例如终端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处理单元(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)、现成可编程门阵列(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。
存储器可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备,例如终端设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于神经网络的配电变压器负荷分层预测方法,其特征在于,包括以下步骤:
S10.数据获取处理:从配电网的计量系统获取前4年配电变压器的历史负荷数据和配电变压器的属性信息数据;对所述历史负荷数据和所述属性信息数据进行处理,得到每年的年负荷最大值、每年的年负荷最大值变化率以及配电变压器的投运时间标志量;所述属性信息数据包括配电变压器的投运使用时间;
S20.样本分类:对前3年的所述年负荷最大值分为4种不同的态势,根据上升和下降两种变化趋势对4种不同的态势分为8个分类样本,所述分类样本的数据包括年负荷最大值变化率和配电变压器的投运时间标志量;
S30.建立BP神经网络模型:以前3年的每个分类样本作为BP神经网络的样本输入,第4年的分类样本的数据作为BP神经网络的样本输出对所述分类样本进行训练,得到与8个分类样本对应的8个BP神经网络模型;
S40.数据选择及归一化处理:根据所述年负荷最大值所在区间前后96天的所述历史负荷数据建立数据矩阵,选取前3年的数据矩阵进行归一化处理,得到归一化数据并将3年的所述归一化数据作为RGB图片中的三个图层数据,得到负荷数据图像;
S50.建立CNN神经网络模型:以所述负荷数据图像作为CNN神经网络的输入,第4年的历史负荷数据的变化趋势作为CNN神经网络的输出标签对所述历史负荷数据进行训练,得到CNN神经网络模型;其中,历史负荷数据呈上升的变化趋势记为0,历史负荷数据呈下降的变化趋势记为1;
S60.输出预测结果:将配电变压器的待预测数据经过步骤S10、步骤S20和步骤S40的处理后,得到的分类样本和负荷数据图像对应输入BP神经网络模型和CNN神经网络模型中,BP神经网络模型输出预测的年负荷最大值变化率和负荷数据的变化趋势。
2.根据权利要求1所述的基于神经网络的配电变压器负荷分层预测方法,其特征在于,在步骤S10中,对所述历史负荷数据和所述属性信息数据进行处理包括:
对所述历史负荷数据中的缺失数据采用数据拟合和相似日参考补全;
以及采用分位差法或标准差法清除所述历史负荷数据中的异常数据。
3.根据权利要求1所述的基于神经网络的配电变压器负荷分层预测方法,其特征在于,在步骤S10中,得到每年的年负荷最大值变化率包括:采用中点变化率公式计算,中点变化率公式为:V=(K2-K1)/((K1+K2)/2),K1为前一年的年负荷最大值,K2为后一年的年负荷最大值,V为前后两年的年负荷最大值变化率。
4.根据权利要求1所述的基于神经网络的配电变压器负荷分层预测方法,其特征在于,在步骤S10中,所述配电变压器的投运时间标志量是根据配电变压器的投运使用时间设置的,若配电变压器的投运使用时间为1~3年,所述配电变压器的投运时间标志量为0;若配电变压器的投运使用时间为4~6年,所述配电变压器的投运时间标志量为0.5;若配电变压器的投运使用时间7年及以上,所述配电变压器的投运时间标志量为1。
5.根据权利要求1所述的基于神经网络的配电变压器负荷分层预测方法,其特征在于,在步骤S20中,对前3年的所述年负荷最大值分为4种不同的态势包括连续增长型的态势、连续下降型的态势、先升后降型的态势和先降后升型的态势。
6.一种基于神经网络的配电变压器负荷分层预测装置,其特征在于,包括数据获取处理模块、样本分类模块、第一模型建立模块、数据选择及归一化处理模块、第二模块建立模块和输出预测结果模块;
所述数据获取处理模块,用于从配电网的计量系统获取前4年配电变压器的历史负荷数据和配电变压器的属性信息数据;对所述历史负荷数据和所述属性信息数据进行处理,得到每年的年负荷最大值、每年的年负荷最大值变化率以及配电变压器的投运时间标志量;所述属性信息数据包括配电变压器的投运使用时间;
所述样本分类模块,用于对前3年的所述年负荷最大值分为4种不同的态势,根据上升和下降两种变化趋势对4种不同的态势分为8个分类样本,所述分类样本的数据包括年负荷最大值变化率和配电变压器的投运时间标志量;
所述第一模型建立模块,用于以前3年的每个分类样本作为BP神经网络的样本输入,第4年的分类样本的数据作为BP神经网络的样本输出对所述分类样本进行训练,得到与8个分类样本对应的8个BP神经网络模型;
所述数据选择及归一化处理模块,用于根据所述年负荷最大值所在区间前后96天的所述历史负荷数据建立数据矩阵,选取前3年的数据矩阵进行归一化处理,得到归一化数据并将3年的所述归一化数据作为RGB图片中的三个图层数据,得到负荷数据图像;
所述第二模块建立模块,用于以所述负荷数据图像作为CNN神经网络的输入,第4年的历史负荷数据的变化趋势作为CNN神经网络的输出标签对所述历史负荷数据进行训练,得到CNN神经网络模型;其中,历史负荷数据呈上升的变化趋势记为0,历史负荷数据呈下降的变化趋势记为1;
所述输出预测结果模块,用于将配电变压器的待预测数据经过所述数据获取处理模块、所述样本分类模块和所述数据选择及归一化处理模块的处理后,得到的分类样本和负荷数据图像对应输入BP神经网络模型和CNN神经网络模型中,BP神经网络模型输出预测的年负荷最大值变化率和负荷数据的变化趋势。
7.根据权利要求6所述的基于神经网络的配电变压器负荷分层预测装置,其特征在于,所述数据获取处理模块还用于对所述历史负荷数据中的缺失数据采用数据拟合和相似日参考补全,以及采用分位差法或标准差法清除所述历史负荷数据中的异常数据。
8.根据权利要求6所述的基于神经网络的配电变压器负荷分层预测装置,其特征在于,所述数据获取处理模块还用于采用中点变化率公式计算得到每年的年负荷最大值变化率,中点变化率公式为:V=(K2-K1)/((K1+K2)/2),K1为前一年的年负荷最大值,K2为后一年的年负荷最大值,V为前后两年的年负荷最大值变化率。
9.一种计算机可读存储介质,其特征在于,所述计算机存储介质用于存储计算机指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于神经网络的配电变压器负荷分层预测方法。
10.一种终端设备,其特征在于,包括处理器以及存储器;
所述存储器,用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器,用于根据所述程序代码中的指令执行如权利要求1-5任意一项所述的基于神经网络的配电变压器负荷分层预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395244.6A CN112508261B (zh) | 2020-12-03 | 2020-12-03 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011395244.6A CN112508261B (zh) | 2020-12-03 | 2020-12-03 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508261A true CN112508261A (zh) | 2021-03-16 |
CN112508261B CN112508261B (zh) | 2021-09-03 |
Family
ID=74969455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011395244.6A Active CN112508261B (zh) | 2020-12-03 | 2020-12-03 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508261B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159517A (zh) * | 2021-03-24 | 2021-07-23 | 国网浙江省电力有限公司宁波供电公司 | 一种三维可视化电网运行数据分析系统 |
CN114077921A (zh) * | 2021-10-15 | 2022-02-22 | 国电南瑞科技股份有限公司 | 变压器感知量趋势预测及状态逐级预警方法、装置及系统 |
CN114511179A (zh) * | 2021-12-28 | 2022-05-17 | 江苏东晔电气设备有限公司 | 一种处理配电柜异常的智能规划方法及系统 |
CN116345536A (zh) * | 2023-02-08 | 2023-06-27 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的有载在线调压方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
CN106951990A (zh) * | 2017-03-20 | 2017-07-14 | 国家电网公司 | 电力负荷智能预测方法及装置 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
CN108876070A (zh) * | 2018-09-25 | 2018-11-23 | 新智数字科技有限公司 | 一种基于神经网络进行电力系统负荷预测的方法和装置 |
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 |
CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
CN110766219A (zh) * | 2019-10-21 | 2020-02-07 | 成都理工大学工程技术学院 | 基于bp神经网络的雾霾预测方法 |
CN111260030A (zh) * | 2020-01-13 | 2020-06-09 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
CN111582943A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 基于cnn和lstm的电力系统负荷预测方法 |
CN111639783A (zh) * | 2020-04-17 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种基于lstm神经网络的线损预测方法及系统 |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
-
2020
- 2020-12-03 CN CN202011395244.6A patent/CN112508261B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
CN106951990A (zh) * | 2017-03-20 | 2017-07-14 | 国家电网公司 | 电力负荷智能预测方法及装置 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
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 |
CN108876070A (zh) * | 2018-09-25 | 2018-11-23 | 新智数字科技有限公司 | 一种基于神经网络进行电力系统负荷预测的方法和装置 |
CN109934392A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 一种基于深度学习的微电网短期负荷预测方法 |
CN110766219A (zh) * | 2019-10-21 | 2020-02-07 | 成都理工大学工程技术学院 | 基于bp神经网络的雾霾预测方法 |
CN111260030A (zh) * | 2020-01-13 | 2020-06-09 | 润联软件系统(深圳)有限公司 | 基于a-tcn电力负荷预测方法、装置、计算机设备及存储介质 |
CN111639783A (zh) * | 2020-04-17 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种基于lstm神经网络的线损预测方法及系统 |
CN111582943A (zh) * | 2020-05-13 | 2020-08-25 | 江南大学 | 基于cnn和lstm的电力系统负荷预测方法 |
CN111695731A (zh) * | 2020-06-09 | 2020-09-22 | 中国电力科学研究院有限公司 | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 |
Non-Patent Citations (1)
Title |
---|
吴亚雄 等: "《基于BP神经网络灰色回归组合模型的年最大负荷预测》", 《南方能源建设》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159517A (zh) * | 2021-03-24 | 2021-07-23 | 国网浙江省电力有限公司宁波供电公司 | 一种三维可视化电网运行数据分析系统 |
CN114077921A (zh) * | 2021-10-15 | 2022-02-22 | 国电南瑞科技股份有限公司 | 变压器感知量趋势预测及状态逐级预警方法、装置及系统 |
CN114511179A (zh) * | 2021-12-28 | 2022-05-17 | 江苏东晔电气设备有限公司 | 一种处理配电柜异常的智能规划方法及系统 |
CN114511179B (zh) * | 2021-12-28 | 2023-09-12 | 江苏东晔电气设备有限公司 | 一种处理配电柜异常的智能规划方法及系统 |
CN116345536A (zh) * | 2023-02-08 | 2023-06-27 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的有载在线调压方法及装置 |
CN116345536B (zh) * | 2023-02-08 | 2024-02-02 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的有载在线调压方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112508261B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508261B (zh) | 一种基于神经网络的配电变压器负荷分层预测方法及装置 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN111786385B (zh) | 一种电网运维方案规划方法、系统及设备 | |
CN111008726B (zh) | 一种电力负荷预测中类图片转换方法 | |
CN106772205A (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
CN112200489B (zh) | 有色金属冶炼产供销一体优化系统、方法、装置 | |
CN113870046A (zh) | 电力设备故障诊断方法及设备 | |
Kacar et al. | A comparison of multiple linear regression approaches for fitting clearing functions to empirical data | |
CN113327136A (zh) | 归因分析方法、装置、电子设备及存储介质 | |
CN114066073A (zh) | 电网负荷预测方法 | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN116993532A (zh) | 用于提升电池零部件制备效率的方法及系统 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN112183827A (zh) | 快递月揽件量的预测方法、装置、设备和存储介质 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN113822379B (zh) | 工艺制程异常分析方法、装置、电子设备及存储介质 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
CN109872183A (zh) | 智能服务评价方法、计算机可读存储介质和终端设备 | |
CN112561500B (zh) | 基于用户数据的薪酬数据生成方法、装置、设备及介质 | |
CN115310366A (zh) | 一种基于随机优化模型评估机场公布容量的方法 | |
CN115034812A (zh) | 基于大数据的钢铁行业销售量预测方法及装置 | |
CN117171145B (zh) | 一种企业管理系统数据的分析处理方法、设备及存储介质 | |
CN116052404B (zh) | 一种基于5g通信技术的电网数据交互系统 | |
CN117235480B (zh) | 基于大数据实现数据加工下的筛选方法及系统 |
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 |