CN112531679A - 一种测负荷特征大数据监测设备及监测方法 - Google Patents
一种测负荷特征大数据监测设备及监测方法 Download PDFInfo
- Publication number
- CN112531679A CN112531679A CN202011219237.0A CN202011219237A CN112531679A CN 112531679 A CN112531679 A CN 112531679A CN 202011219237 A CN202011219237 A CN 202011219237A CN 112531679 A CN112531679 A CN 112531679A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- monitoring
- module
- big data
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037081 physical activity Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种测负荷特征大数据监测设备及监测方法，包括Hadoop大数据平台、传感监测模块、任务分配模块、数据储存模块、综合诊断模块以及负荷监测模块，所述传感监测模块用于实时采集气温风速等外部环境信息并将采集信息上传至数据储存模块，所述数据储存模块与Hadoop大数据平台通信连接并执行信息互通，所述数据储存模块用于缓存实时监测数据和离线历史数据并将缓存信息实时同步至Hadoop大数据平台。上述方案，所述综合诊断模块通过对各个节点监测段的监测信息以及历史数据分析进行分析预测，在满足一定精度要求的条件下，确定未来时间段的负荷数据，为系统提供准确的短期负荷预测结果，有助于提高系统的安全性和稳定性，减少成本投入。
Description
技术领域
本发明涉及大数据监测技术领域，更具体地说，本发明具体为一种测负荷特征大数据监测设备及监测方法。
背景技术
为了解决能源安全和环保问题，应对气候变化，抢占产业的制高点，创造新的经济增长点，世界各国的智能电网建设已经全面启动。智能电网技术是将先进的传感器技术、信息通信技术、分析决策技术、自动控制技术、能源电力技术及电网基础设施高度集成的新型现代化电网，实现对发电、输电、配电、用电领域的高度管理和控制，电力系统长短期负荷预测结果关系到电力系统调度运行和生产计划的制定，电网中短期负荷预测监测主要根据自然条件与人为影响等多个影响因素与负荷的非线性关系，在满足一定精度要求的条件下，确定未来几天的负荷数据，准确的短期负荷预测结果有助于提高系统的安全性和稳定性，能够减少发电成本。
随着智能电网建设的加快，输电电缆的数量与日俱增，对其监控的传感器数量也与日俱增，其产生的监控数据量变大，监控数据量产生的速度变快,为保障电力部门对于台区内设备的维护,需要预测台区的负荷，因此供电部门就必须具备预测未来一年以至更长时间的台区负荷的能力,防止因负荷过载对变压器造成损坏,并保证城市的可靠供电。对台区负荷的预测难点在于对于城中村的预测,城中村流动人口多,产业类型复杂多样,受就业环境、经济发展的影响深,表现为负荷的变化相较于其他的台区随机性更强。
负荷预测监测的建模与预测是根据历史数据资料所包含的信息，建立理想的模型及处理随机因素仍然是负荷预测监测的主要问题，影响负荷预测精度的原因是多方面的，具体可分为三个方面：
(1)影响因素的不确定性导致负荷规律难以把握，影响负荷走势的因素中包括温度、降水等天气因素，又包含重大设备检修、重大文体活动等人为因素的影响，这些因素呈现显著的随机性和不确定性，因此负荷时间序列的变化呈现非平稳的随机过程。
(2)负荷预测模型的质量直接关乎预测精度的高低，负荷预测模型的建模与预测是依据历史数据资料所包含的信息，因此预测模型反映历史数据所包含信息的有效性和程度决定了预测水平的高低；
(3)信息不完整，由于大量用户的用电行为与影响因素(如气象因素)之间的关系在历史数据中是没有记载的，信息的缺失和不完整是无法避免的，这些因素是负荷预测误差进一步减小的瓶颈。
这些都是智能电网建设及待解决的问题。大数据的发展为海量数据的存储及处理提供了有效手段，数据量大、数据量种类多、数据量产生的速度快这些都是大数据的特征，而目前电缆监控产生的数据符合大数据的要求，因此本发明提出利用大数据建立电力电缆有效监控系统，可以提高电力电缆监测状态监测的准确性和可靠性，具有重大意义。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种测负荷特征大数据监测设备及监测方法，所述综合诊断模块通过对各个节点监测段的监测信息以及历史数据分析进行分析预测，在满足一定精度要求的条件下，确定未来时间段的负荷数据，为系统提供准确的短期负荷预测结果，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案，一种测负荷特征大数据监测设备及监测方法，包括Hadoop大数据平台、传感监测模块、任务分配模块、数据储存模块、综合诊断模块以及负荷监测模块，所述传感监测模块用于实时采集气温风速等外部环境信息并将采集信息上传至数据储存模块，所述数据储存模块与Hadoop大数据平台通信连接并执行信息互通，所述数据储存模块用于缓存实时监测数据和离线历史数据并将缓存信息实时同步至Hadoop大数据平台，所述综合诊断模块的输入端电性连接有气象数据调度单元，所述气象数据调度单元用于从Hadoop大数据平台调度历史气象信息，所述综合诊断模块用于将接收后的信息进行数据整合并处理随机因素对电网负荷进行合理预测并进行反馈处理，所述负荷监测模块用于输出综合诊断模块的预测信息以及传感监测模块的监测信息；
所述综合诊断模块包括缓存单元、数据处理单元、算法处理单元和系统反馈单元，所述数据处理单元用于分析处理接收的实时监测数据和离线历史数据，所述算法处理单元内部设有CART决策树算法用于进行预测因素的分类；以及灰色关联分析法，用于执行各个因素的筛选并确立关键因素。
优选地，所述Hadoop大数据平台包括有HDFS分布式文件系统、YARN分布式资源调度、MapReduce分布式离线计算模块，所述Hadoop大数据平台内部储存有历史气象信息、历史环境监测信息以及气象因素与负荷函数关系算法。
优选地，所述传感监测模块包括有温度传感器、风速传感器、氧气浓度传感器、接地电流传感器和GPS传感器，所述传感监测模块内部设有电网监测单元，所述电网监测单元用于判断电网实时负荷。
优选地，所述任务分配模块用于根据操作提交的任务指令请求启动任务分配进行特定的负荷给定输入。
优选地，所述数据处理单元用于分析缓存单元提供的实时监测数据和离线历史数据，工作时需要数据处理单元和算法处理单元协同工作，所述系统反馈单元用于将诊断结果反馈至负荷监测模块进行显示。
测负荷特征大数据监测设备的监测方法，包括以下步骤，
S1：各监测节点位置通过传感器实时采集相应的监测数据并通过GPS传感器进行数据标记匹配对应的节点位置，并将监测数据上传至存储模块，通过综合诊断模块接收各项信息并进行数据处理分析；
S2：负荷函数类别分析：通过负荷函数的走势与日类型，天气因素等密切相关的环境因素,对历史负荷函数的类别分析是负荷预测的基础步骤，进行合理的数据挖掘技术—类别分析能够将负荷量相近的负荷日期归为一类，将其由零散分布的独立样本逐渐归为趋势相近的若干类；
S3：确立关键因素和建立分类规则：分别通过灰色关联分析法和CART决策树算法对影响负荷的关键因素进行关联度排序，并剔除一些非关键以及无影响的因素，得出待预测日之前一段时间的历史负荷曲线的分类结果和影响负荷的关键因素并进行待预测日归类；
S4：训练预测模型并预测以及计算总负荷量：将每类的负荷数据及相应的关键因素数据构建训练样本，根据目标预测系统，累加所有用户负荷，并考虑电网自然损耗，即可得出最终的系统负荷。
优选地，在步骤S2中关键因素包括温度因素、降水量因素以及风速因素以及通过上述因素判断所得的天气情况。
优选地，在步骤S3中根据待预测日的特征因素对待预测日通过相同的CART决策树中得到分类结果。
优选地，在步骤S1中将实时监测数据上传至HDFS分布式文件系统；当用户提交数据分析指令时，任务分配模块进行启用，将存储模块存储的监控对象实时数据通过高速双向数据与离线历史数据一起传输通道传输至Hadoop大数据平台的MapReduce分布式离线计算模块，利用MapReduce分布式离线计算模块进行分析处理。
本发明的技术效果和优点：
1、上述方案中，所述综合诊断模块通过对各个节点监测段的监测信息以及历史数据分析进行分析预测，在满足一定精度要求的条件下，确定未来时间段的负荷数据，为系统提供准确的短期负荷预测结果，有助于提高系统的安全性和稳定性，减少成本投入；
2、上述方案中，该监测设备通过对气象因素与负荷函数关系进行分析处理可为预期的负荷量进行准确预估，带入计算的大量气象因素可有效保证预测的精准度，提供完整的信息供应基础并确定关键因素，进一步减小负荷预测误差。
附图说明
图1为本发明的整体结构示意图；
图2为本发明的传感监测模块结构示意图；
图3为本发明的综合诊断模块结构示意图；
图4为本发明的预测监测方法结构示意图；
图5为本发明的影响因素结构示意图。
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做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。
如附图1至附图5本发明的实施例提供一种测负荷特征大数据监测设备及监测方法，包括Hadoop大数据平台、传感监测模块、任务分配模块、数据储存模块、综合诊断模块以及负荷监测模块，传感监测模块用于实时采集气温风速等外部环境信息并将采集信息上传至数据储存模块，数据储存模块与Hadoop大数据平台通信连接并执行信息互通，数据储存模块用于缓存实时监测数据和离线历史数据并将缓存信息实时同步至Hadoop大数据平台，综合诊断模块的输入端电性连接有气象数据调度单元，气象数据调度单元用于从Hadoop大数据平台调度历史气象信息，综合诊断模块用于将接收后的信息进行数据整合并处理随机因素对电网负荷进行合理预测并进行反馈处理，负荷监测模块用于输出综合诊断模块的预测信息以及传感监测模块的监测信息；
综合诊断模块包括缓存单元、数据处理单元、算法处理单元和系统反馈单元，数据处理单元用于分析处理接收的实时监测数据和离线历史数据，算法处理单元内部设有CART决策树算法用于进行预测因素的分类；以及灰色关联分析法，用于执行各个因素的筛选并确立关键因素。
在该实施例中，Hadoop大数据平台包括有HDFS分布式文件系统、YARN分布式资源调度、MapReduce分布式离线计算模块，Hadoop大数据平台内部储存有历史气象信息、历史环境监测信息以及气象因素与负荷函数关系算法。
在该实施例中，传感监测模块包括有温度传感器、风速传感器、氧气浓度传感器、接地电流传感器和GPS传感器，传感监测模块内部设有电网监测单元，电网监测单元用于判断电网实时负荷。
在该实施例中，任务分配模块用于根据操作提交的任务指令请求启动任务分配进行特定的负荷给定输入。
在该实施例中，数据处理单元用于分析缓存单元提供的实时监测数据和离线历史数据，工作时需要数据处理单元和算法处理单元协同工作，系统反馈单元用于将诊断结果反馈至负荷监测模块进行显示
测负荷特征大数据监测设备的监测方法，包括以下步骤，
S1：各监测节点位置通过传感器实时采集相应的监测数据并通过GPS传感器进行数据标记匹配对应的节点位置，并将监测数据上传至存储模块，通过综合诊断模块接收各项信息并进行数据处理分析；
S2：负荷函数类别分析：通过负荷函数的走势与日类型，天气因素等密切相关的环境因素,对历史负荷函数的类别分析是负荷预测的基础步骤，进行合理的数据挖掘技术—类别分析能够将负荷量相近的负荷日期归为一类，将其由零散分布的独立样本逐渐归为趋势相近的若干类；
S3：确立关键因素和建立分类规则：分别通过灰色关联分析法和CART决策树算法对影响负荷的关键因素进行关联度排序，并剔除一些非关键以及无影响的因素，得出待预测日之前一段时间的历史负荷曲线的分类结果和影响负荷的关键因素并进行待预测日归类，关键因素包括温度因素、降水量因素以及风速因素以及通过上述因素判断所得的天气情况根，并根据待预测日的特征因素对待预测日通过相同的CART决策树中得到分类结果；
S4：训练预测模型并预测以及计算总负荷量：将每类的负荷数据及相应的关键因素数据构建训练样本，根据目标预测系统，累加所有用户负荷，并考虑电网自然损耗，即可得出最终的系统负荷。
在该实施例中，在步骤S1中将实时监测数据上传至HDFS分布式文件系统；当用户提交数据分析指令时，任务分配模块进行启用，将存储模块存储的监控对象实时数据通过高速双向数据与离线历史数据一起传输通道传输至Hadoop大数据平台的MapReduce分布式离线计算模块，利用MapReduce分布式离线计算模块进行分析处理。
最后应说明的几点是，首先，在本申请的描述中，需要说明的是，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变，则相对位置关系可能发生改变；
其次，本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
最后，以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种测负荷特征大数据监测设备，其特征在于，包括Hadoop大数据平台、传感监测模块、任务分配模块、数据储存模块、综合诊断模块以及负荷监测模块，所述传感监测模块用于实时采集气温风速等外部环境信息并将采集信息上传至数据储存模块，所述数据储存模块与Hadoop大数据平台通信连接并执行信息互通，所述数据储存模块用于缓存实时监测数据和离线历史数据并将缓存信息实时同步至Hadoop大数据平台，所述综合诊断模块的输入端电性连接有气象数据调度单元，所述气象数据调度单元用于从Hadoop大数据平台调度历史气象信息，所述综合诊断模块用于将接收后的信息进行数据整合并处理随机因素对电网负荷进行合理预测并进行反馈处理，所述负荷监测模块用于输出综合诊断模块的预测信息以及传感监测模块的监测信息；
所述综合诊断模块包括缓存单元、数据处理单元、算法处理单元和系统反馈单元，所述数据处理单元用于分析处理接收的实时监测数据和离线历史数据，所述算法处理单元内部设有CART决策树算法用于进行预测因素的分类；以及灰色关联分析法，用于执行各个因素的筛选并确立关键因素。
2.根据权利要求1所述的测负荷特征大数据监测设备，其特征在于，所述Hadoop大数据平台包括有HDFS分布式文件系统、YARN分布式资源调度、MapReduce分布式离线计算模块。
3.根据权利要求1所述的测负荷特征大数据监测设备，其特征在于，所述Hadoop大数据平台内部储存有历史气象信息、历史环境监测信息以及气象因素与负荷函数关系算法。
4.根据权利要求1所述的测负荷特征大数据监测设备，其特征在于，所述传感监测模块包括有温度传感器、风速传感器、氧气浓度传感器、接地电流传感器和GPS传感器，所述传感监测模块内部设有电网监测单元，所述电网监测单元用于判断电网实时负荷。
5.根据权利要求1所述的测负荷特征大数据监测设备，其特征在于，所述任务分配模块用于根据操作提交的任务指令请求启动任务分配进行特定的负荷给定输入。
6.根据权利要求1所述的测负荷特征大数据监测设备，其特征在于，所述数据处理单元用于分析缓存单元提供的实时监测数据和离线历史数据，工作时需要数据处理单元和算法处理单元协同工作，所述系统反馈单元用于将诊断结果反馈至负荷监测模块进行显示。
7.根据权利要求1-6所述的测负荷特征大数据监测设备的监测方法，其特征在于，包括以下步骤，
S1：各监测节点位置通过传感器实时采集相应的监测数据并通过GPS传感器进行数据标记匹配对应的节点位置，并将监测数据上传至存储模块，通过综合诊断模块接收各项信息并进行数据处理分析；
S2：负荷函数类别分析：通过负荷函数的走势与日类型，天气因素等密切相关的环境因素,对历史负荷函数的类别分析是负荷预测的基础步骤，进行合理的数据挖掘技术—类别分析能够将负荷量相近的负荷日期归为一类，将其由零散分布的独立样本逐渐归为趋势相近的若干类；
S3：确立关键因素和建立分类规则：分别通过灰色关联分析法和CART决策树算法对影响负荷的关键因素进行关联度排序，并剔除一些非关键以及无影响的因素，得出待预测日之前一段时间的历史负荷曲线的分类结果和影响负荷的关键因素并进行待预测日归类；
S4：训练预测模型并预测以及计算总负荷量：将每类的负荷数据及相应的关键因素数据构建训练样本，根据目标预测系统，累加所有用户负荷，并考虑电网自然损耗，即可得出最终的系统负荷。
8.根据权利要求7所述的测负荷特征大数据监测设备的监测方法，其特征在于，在步骤S1中将实时监测数据上传至HDFS分布式文件系统；当用户提交数据分析指令时，任务分配模块进行启用，将存储模块存储的监控对象实时数据通过高速双向数据与离线历史数据一起传输通道传输至Hadoop大数据平台的MapReduce分布式离线计算模块，利用MapReduce分布式离线计算模块进行分析处理。
9.根据权利要求7所述的测负荷特征大数据监测设备的监测方法，其特征在于，在步骤S3中根据待预测日的特征因素对待预测日通过相同的CART决策树中得到分类结果。
10.根据权利要求7所述的测负荷特征大数据监测设备的监测方法，其特征在于，在步骤S3中关键因素包括温度因素、降水量因素以及风速因素以及通过上述因素判断所得的天气情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011219237.0A CN112531679A (zh) | 2020-11-04 | 2020-11-04 | 一种测负荷特征大数据监测设备及监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011219237.0A CN112531679A (zh) | 2020-11-04 | 2020-11-04 | 一种测负荷特征大数据监测设备及监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112531679A true CN112531679A (zh) | 2021-03-19 |
Family
ID=74979630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011219237.0A Pending CN112531679A (zh) | 2020-11-04 | 2020-11-04 | 一种测负荷特征大数据监测设备及监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112531679A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113489005A (zh) * | 2021-07-22 | 2021-10-08 | 云南电网有限责任公司昆明供电局 | 配电网潮流计算的配变负荷估算方法及系统 |
| CN117954126A (zh) * | 2024-03-26 | 2024-04-30 | 烟台卫康动物保健品有限公司 | 基于多传感数据融合的兽药在线监测系统及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
| CN105205563A (zh) * | 2015-09-28 | 2015-12-30 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
| CN105760947A (zh) * | 2016-02-02 | 2016-07-13 | 国网江苏省电力公司 | 一种分析气象环境对电网负荷的影响因素的方法 |
| CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
| CN109242189A (zh) * | 2018-09-12 | 2019-01-18 | 国网安徽省电力有限公司合肥供电公司 | 一种基于气象因素的电力负荷短期预测方法 |
| CN109978237A (zh) * | 2019-03-04 | 2019-07-05 | 三峡大学 | 一种基于精细化气象数据的地区电网短期负荷预测系统 |
-
2020
- 2020-11-04 CN CN202011219237.0A patent/CN112531679A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779228A (zh) * | 2012-06-07 | 2012-11-14 | 华南理工大学 | 商场建筑中央空调冷负荷在线预测方法及系统 |
| CN105205563A (zh) * | 2015-09-28 | 2015-12-30 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
| CN105760947A (zh) * | 2016-02-02 | 2016-07-13 | 国网江苏省电力公司 | 一种分析气象环境对电网负荷的影响因素的方法 |
| CN106324428A (zh) * | 2016-07-28 | 2017-01-11 | 东南大学 | 基于大数据的电力电缆监测系统及监测方法 |
| CN109242189A (zh) * | 2018-09-12 | 2019-01-18 | 国网安徽省电力有限公司合肥供电公司 | 一种基于气象因素的电力负荷短期预测方法 |
| CN109978237A (zh) * | 2019-03-04 | 2019-07-05 | 三峡大学 | 一种基于精细化气象数据的地区电网短期负荷预测系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113489005A (zh) * | 2021-07-22 | 2021-10-08 | 云南电网有限责任公司昆明供电局 | 配电网潮流计算的配变负荷估算方法及系统 |
| CN113489005B (zh) * | 2021-07-22 | 2023-07-25 | 云南电网有限责任公司昆明供电局 | 配电网潮流计算的配变负荷估算方法及系统 |
| CN117954126A (zh) * | 2024-03-26 | 2024-04-30 | 烟台卫康动物保健品有限公司 | 基于多传感数据融合的兽药在线监测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
| CN107589695B (zh) | 一种列车组故障预测与健康管理系统 | |
| JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| CN108830745B (zh) | 基于监控信息的电网连锁故障诊断、预警、评估系统 | |
| CN101728868B (zh) | 遥测电力负荷特性的分类和预测方法 | |
| CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN112531679A (zh) | 一种测负荷特征大数据监测设备及监测方法 | |
| CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
| CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
| CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
| CN114239385A (zh) | 一种面向仓库资源配给的智能决策系统及方法 | |
| CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
| CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
| CN116125204A (zh) | 一种基于电网数字化的故障预测系统 | |
| CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
| CN113139698A (zh) | 负荷预测方法、装置及设备 | |
| CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
| CN116992216A (zh) | 一种基于电力用户数据的短期负荷预测方法 | |
| CN111177278A (zh) | 一种网格用户短期负荷预测实时处理工具 | |
| CN115438958A (zh) | 一种基于互联网的智慧能效管理系统及其管理方法 | |
| CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
| CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
| CN115545962A (zh) | 一种基于多传感器系统的作物生长周期管控方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210319 |
|
| RJ01 | Rejection of invention patent application after publication |