CN112561193A - 一种基于fpga推断加速的ai智能电力负荷预测系统 - Google Patents
一种基于fpga推断加速的ai智能电力负荷预测系统 Download PDFInfo
- Publication number
- CN112561193A CN112561193A CN202011534342.3A CN202011534342A CN112561193A CN 112561193 A CN112561193 A CN 112561193A CN 202011534342 A CN202011534342 A CN 202011534342A CN 112561193 A CN112561193 A CN 112561193A
- Authority
- CN
- China
- Prior art keywords
- prediction
- unit
- module
- data
- intelligent
- 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
- 230000001133 acceleration Effects 0.000 title claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 3
- 230000005611 electricity Effects 0.000 claims description 53
- 238000004458 analytical method Methods 0.000 claims description 35
- 238000013500 data storage Methods 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 10
- 230000008054 signal transmission Effects 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 description 3
- 238000012351 Integrated analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于FPGA推断加速的AI智能电力负荷预测系统，包括数据采集模块，所述数据采集模块连接端连接有数据预处理模块，所述数据预处理模块连接端连接有用户智能分类模块，所述用户智能分类模块连接端连接有FPGA推断模块，所述FPGA推断模块连接端连接有用电预测模块，所述用电预测模块连接端连接有预测综合模块，所述数据采集模块用于采集用户的用电数据。本发明通过每个类别的用户单独的用电预测模型以及用户用电数据，对每个类别的用户用电进行预测，通过对用户进行智能分类，将用电习惯相近的用户整合在一起，从而降低预测难度，同时提高了预测的精度。
Description
技术领域
本发明涉及电力负荷预测领域，具体涉及一种基于FPGA推断加速的AI智能电力负荷预测系统。
背景技术
电力负荷预测是电力系统规划的重要组成部分，也是电力系统经济运行的基础，其对电力系统规划和运行都极其重要，通过负荷预测，可以了解未来负荷的发展变化，有针对性地提出需求侧用电改进措施，完善负荷曲线，从而优化电力调度，相关工作人员可通过预测结果来进行发电、运输和用电，评估分配并建立有效的计划，有助于减少发电成本并实现节能减排目标。同时电力部门可以通过负荷预测系统发现电力系统的潜在隐患，并及时排除隐患，为用户输出稳定的电力，确保电力系统的可靠运行。
目前大多电力负荷预测系统通常使用整体的电力消耗数据作为预测基础，然而现有的用户用电习惯存在较大的差异，从而导致预测结果精准度较差。
因此，发明一种基于FPGA推断加速的AI智能电力负荷预测系统来解决上述问题很有必要。
发明内容
本发明的目的是提供一种基于FPGA推断加速的AI智能电力负荷预测系统，通过每个类别的用户单独的用电预测模型以及用户用电数据，对每个类别的用户用电进行预测，通过对用户进行智能分类，将用电习惯相近的用户整合在一起，从而降低预测难度，同时提高了预测的精度，以解决技术中的上述不足之处。
为了实现上述目的，本发明提供如下技术方案：一种基于FPGA推断加速的AI智能电力负荷预测系统，包括数据采集模块，所述数据采集模块连接端连接有数据预处理模块，所述数据预处理模块连接端连接有用户智能分类模块，所述用户智能分类模块连接端连接有FPGA推断模块，所述FPGA推断模块连接端连接有用电预测模块，所述用电预测模块连接端连接有预测综合模块；
所述数据采集模块用于采集用户的用电数据；
所述数据预处理模块用于将用户的用电数据进行综合整理；
所述用户智能分类模块根据用户的用电习惯对用户进行智能分类；
所述FPGA推断模块针对各种用电习惯的用户推断出用电预测模型；
所述用电预测模块根据不同的用电预测模型对分类的用户用电进行预测；
所述预测综合模块根据预测结果综合整理出电力负荷预测结果。
优选的，所述数据采集模块包括智能电表和信号输送单元，所述智能电表用于采集用户用电数据，所述信号输送单元用于传输智能电表采集的用电数据。
优选的，所述数据预处理模块包括数据存储单元和数据综合单元，所述数据存储单元用于存储信号输送单元传输的用电数据，所述数据综合单元用于归纳整合所有智能电表传输的用电数据，并将整合的用电数据存入数据存储单元。
优选的，所述用户智能分类模块包括智能分析单元和用户分类单元，所述智能分析单元连接端与数据存储单元连接，所述智能分析单元用于提取用户用电数据并进行智能分析，所述用户分类单元根据智能分析单元的分析结果对用户进行智能分类，将用电习惯相近的用户进行整合。
优选的，所述FPGA推断模块包括分类推断单元和综合推断单元，所述分类推断单元连接端与用户分类单元连接，所述分类推断单元根据用户分类单元智能分类的结果，对每个类别用户的用户用电数据进行推断处理，对每个类别的用户单独制作用电预测模型，所述综合推断单元连接端与数据综合单元连接，所述综合推断单元用于提取数据综合单元归纳整合的用电数据，制成综合电力预测模型。
优选的，所述用电预测模块包括分类预测单元和综合预测单元，所述分类预测单元通过每个类别的用户单独的用电预测模型，对每个类别的用户用电进行预测，所述综合预测单元通过综合电力预测模型对整体用户用电进行预测。
优选的，所述预测综合模块包括结果分析单元和调整单元，所述结果分析单元对分类预测单元和综合预测单元的预测数据进行综合分析处理，得出电力负荷预测结果并输出，所述调整单元将分类预测单元和综合预测单元的预测数据与实际结果进行对比，然后根据对比结论对用电预测模型和综合预测模型进行修正。
在上述技术方案中，本发明提供的技术效果和优点：
通过智能分析单元提取用户用电数据并进行智能分析，用户分类单元根据智能分析单元的分析结果，将用电习惯相近的用户进行整合，对所有的用户进行智能分类，分类推断单元根据用户分类单元智能分类的结果，对每个类别的用户单独制作用电预测模型，然后分类预测单元通过每个类别的用户单独的用电预测模型以及用户用电数据，对每个类别的用户用电进行预测，通过对用户进行智能分类，将用电习惯相近的用户整合在一起，从而降低预测难度，同时提高了预测的精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的系统图；
图2为本发明的单元图。
附图标记说明：
1数据采集模块、2数据预处理模块、3用户智能分类模块、4 FPGA推断模块、5用电预测模块、6预测综合模块、7智能电表、8信号输送单元、9数据存储单元、10数据综合单元、11智能分析单元、12用户分类单元、13分类推断单元、14综合推断单元、15分类预测单元、16综合预测单元、17结果分析单元、18调整单元。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。
本发明提供了如图1-2所示的一种基于FPGA推断加速的AI智能电力负荷预测系统，包括数据采集模块1，所述数据采集模块1连接端连接有数据预处理模块2，所述数据预处理模块2连接端连接有用户智能分类模块3，所述用户智能分类模块3连接端连接有FPGA推断模块4，所述FPGA推断模块4连接端连接有用电预测模块5，所述用电预测模块5连接端连接有预测综合模块6；
所述数据采集模块1用于采集用户的用电数据；
所述数据预处理模块2用于将用户的用电数据进行综合整理；
所述用户智能分类模块3根据用户的用电习惯对用户进行智能分类；
所述FPGA推断模块4针对各种用电习惯的用户推断出用电预测模型；
所述用电预测模块5根据不同的用电预测模型对分类的用户用电进行预测；
所述预测综合模块6根据预测结果综合整理出电力负荷预测结果。
进一步的，在上述技术方案中，所述数据采集模块1包括智能电表7和信号输送单元8，所述智能电表7用于采集用户用电数据，所述信号输送单元8用于传输智能电表7采集的用电数据。
进一步的，在上述技术方案中，所述数据预处理模块2包括数据存储单元9和数据综合单元10，所述数据存储单元9用于存储信号输送单元8传输的用电数据，所述数据综合单元10用于归纳整合所有智能电表7传输的用电数据，并将整合的用电数据存入数据存储单元9。
进一步的，在上述技术方案中，所述用户智能分类模块3包括智能分析单元11和用户分类单元12，所述智能分析单元11连接端与数据存储单元9连接，所述智能分析单元11用于提取用户用电数据并进行智能分析，所述用户分类单元12根据智能分析单元11的分析结果对用户进行智能分类，将用电习惯相近的用户进行整合，通过将用电习惯相近的用户进行整合，降低了预测难度，同时对用户进行分类，提高了预测精度，有利于提高预测效果。
进一步的，在上述技术方案中，所述FPGA推断模块4包括分类推断单元13和综合推断单元14，所述分类推断单元13连接端与用户分类单元12连接，所述分类推断单元13根据用户分类单元12智能分类的结果，对每个类别用户的用户用电数据进行推断处理，对每个类别的用户单独制作用电预测模型，所述综合推断单元14连接端与数据综合单元10连接，所述综合推断单元14用于提取数据综合单元10归纳整合的用电数据，制成综合电力预测模型。
进一步的，在上述技术方案中，所述用电预测模块5包括分类预测单元15和综合预测单元16，所述分类预测单元15通过每个类别的用户单独的用电预测模型，对每个类别的用户用电进行预测，所述综合预测单元16通过综合电力预测模型对整体用户用电进行预测。
进一步的，在上述技术方案中，所述预测综合模块6包括结果分析单元17和调整单元18，所述结果分析单元17对分类预测单元15和综合预测单元16的预测数据进行综合分析处理，得出电力负荷预测结果并输出，所述调整单元18将分类预测单元15和综合预测单元16的预测数据与实际结果进行对比，然后根据对比结论对用电预测模型和综合预测模型进行修正，通过对多个预测结果进行综合处理，提高了预测结果的精度，同时通过对用电预测模型和综合预测模型进行修正，进一步提高预测精度。
实施方式具体为：首先通过智能电表7对用户的用电数据进行收集，通过信号输送单元8将用户的用电数据传输到数据存储单元9，通过数据存储单元9存储用户的用电数据，同时数据综合单元10提取数据存储单元9的数据，归纳整合所有智能电表7传输的用电数据，并将整合的用电数据存入数据存储单元9，然后智能分析单元11提取用户用电数据并进行智能分析，用户分类单元12根据智能分析单元11的分析结果，将用电习惯相近的用户进行整合，对所有的用户进行智能分类，分类推断单元13根据用户分类单元12智能分类的结果，对每个类别的用户单独制作用电预测模型，然后分类预测单元15通过每个类别的用户单独的用电预测模型以及用户用电数据，对每个类别的用户用电进行预测，通过对用户进行智能分类，将用电习惯相近的用户整合在一起，从而降低预测难度，同时提高了预测的精度，同时综合推断单元14提取数据综合单元10归纳整合的用电数据，制成综合电力预测模型，然后综合预测单元16通过综合电力预测模型以及用户用电数据，对整体用户用电进行预测，最后结果分析单元17对分类预测单元15和综合预测单元16的预测数据进行综合分析处理，得出电力负荷预测结果并输出，同时调整单元18将分类预测单元15和综合预测单元16的预测数据与实际结果进行对比，然后根据对比结论对用电预测模型和综合预测模型进行修正，从而提高预测精准度，该实施方式具体解决了现有技术中大多电力负荷预测系统通常使用整体的电力消耗数据作为预测基础，然而现有的用户用电习惯存在较大的差异，从而导致预测结果精准度较差的问题。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
Claims (7)
1.一种基于FPGA推断加速的AI智能电力负荷预测系统，包括数据采集模块(1)，其特征在于：所述数据采集模块(1)连接端连接有数据预处理模块(2)，所述数据预处理模块(2)连接端连接有用户智能分类模块(3)，所述用户智能分类模块(3)连接端连接有FPGA推断模块(4)，所述FPGA推断模块(4)连接端连接有用电预测模块(5)，所述用电预测模块(5)连接端连接有预测综合模块(6)；
所述数据采集模块(1)用于采集用户的用电数据；
所述数据预处理模块(2)用于将用户的用电数据进行综合整理；
所述用户智能分类模块(3)根据用户的用电习惯对用户进行智能分类；
所述FPGA推断模块(4)针对各种用电习惯的用户推断出用电预测模型；
所述用电预测模块(5)根据不同的用电预测模型对分类的用户用电进行预测；
所述预测综合模块(6)根据预测结果综合整理出电力负荷预测结果。
2.根据权利要求1所述的一种基于FPGA推断加速的AI智能电力负荷预测系统，其特征在于：所述数据采集模块(1)包括智能电表(7)和信号输送单元(8)，所述智能电表(7)用于采集用户用电数据，所述信号输送单元(8)用于传输智能电表(7)采集的用电数据。
3.根据权利要求2所述的一种基于FPGA推断加速的AI智能电力负荷预测系统，其特征在于：所述数据预处理模块(2)包括数据存储单元(9)和数据综合单元(10)，所述数据存储单元(9)用于存储信号输送单元(8)传输的用电数据，所述数据综合单元(10)用于归纳整合所有智能电表(7)传输的用电数据，并将整合的用电数据存入数据存储单元(9)。
4.根据权利要求3所述的一种基于FPGA推断加速的AI智能电力负荷预测系统，其特征在于：所述用户智能分类模块(3)包括智能分析单元(11)和用户分类单元(12)，所述智能分析单元(11)连接端与数据存储单元(9)连接，所述智能分析单元(11)用于提取用户用电数据并进行智能分析，所述用户分类单元(12)根据智能分析单元(11)的分析结果对用户进行智能分类，将用电习惯相近的用户进行整合。
5.根据权利要求4所述的一种基于FPGA推断加速的AI智能电力负荷预测系统，其特征在于：所述FPGA推断模块(4)包括分类推断单元(13)和综合推断单元(14)，所述分类推断单元(13)连接端与用户分类单元(12)连接，所述分类推断单元(13)根据用户分类单元(12)智能分类的结果，对每个类别用户的用户用电数据进行推断处理，对每个类别的用户单独制作用电预测模型，所述综合推断单元(14)连接端与数据综合单元(10)连接，所述综合推断单元(14)用于提取数据综合单元(10)归纳整合的用电数据，制成综合电力预测模型。
6.根据权利要求1所述的一种基于FPGA推断加速的AI智能电力负荷预测系统，其特征在于：所述用电预测模块(5)包括分类预测单元(15)和综合预测单元(16)，所述分类预测单元(15)通过每个类别的用户单独的用电预测模型，对每个类别的用户用电进行预测，所述综合预测单元(16)通过综合电力预测模型对整体用户用电进行预测。
7.根据权利要求6所述的一种基于FPGA推断加速的AI智能电力负荷预测系统，其特征在于：所述预测综合模块(6)包括结果分析单元(17)和调整单元(18)，所述结果分析单元(17)对分类预测单元(15)和综合预测单元(16)的预测数据进行综合分析处理，得出电力负荷预测结果并输出，所述调整单元(18)将分类预测单元(15)和综合预测单元(16)的预测数据与实际结果进行对比，然后根据对比结论对用电预测模型和综合预测模型进行修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011534342.3A CN112561193A (zh) | 2020-12-23 | 2020-12-23 | 一种基于fpga推断加速的ai智能电力负荷预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011534342.3A CN112561193A (zh) | 2020-12-23 | 2020-12-23 | 一种基于fpga推断加速的ai智能电力负荷预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112561193A true CN112561193A (zh) | 2021-03-26 |
Family
ID=75032218
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011534342.3A Pending CN112561193A (zh) | 2020-12-23 | 2020-12-23 | 一种基于fpga推断加速的ai智能电力负荷预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561193A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
| US20180158015A1 (en) * | 2016-12-01 | 2018-06-07 | Institute For Information Industry | Inventory management system and inventory management method |
| CN109376971A (zh) * | 2018-12-29 | 2019-02-22 | 北京中电普华信息技术有限公司 | 一种面向电力用户的负荷曲线预测方法及系统 |
| CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及系统 |
| CN111126445A (zh) * | 2019-11-29 | 2020-05-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种面向智能电表海量数据的多步聚合负荷预测方法 |
| CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
-
2020
- 2020-12-23 CN CN202011534342.3A patent/CN112561193A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117810A (zh) * | 2015-09-24 | 2015-12-02 | 国网福建省电力有限公司泉州供电公司 | 一种阶梯电价机制下居民用电中期负载预测方法 |
| US20180158015A1 (en) * | 2016-12-01 | 2018-06-07 | Institute For Information Industry | Inventory management system and inventory management method |
| CN109376971A (zh) * | 2018-12-29 | 2019-02-22 | 北京中电普华信息技术有限公司 | 一种面向电力用户的负荷曲线预测方法及系统 |
| CN110503256A (zh) * | 2019-08-14 | 2019-11-26 | 北京国网信通埃森哲信息技术有限公司 | 基于大数据技术的短期负荷预测方法及系统 |
| CN111126445A (zh) * | 2019-11-29 | 2020-05-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种面向智能电表海量数据的多步聚合负荷预测方法 |
| CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN108197817A (zh) | 一种基于大数据的非侵入式负荷暂态监测的方法 | |
| CN105303263A (zh) | 一种区域电网的负荷预测系统及其方法 | |
| CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
| CN103617447B (zh) | 智能变电站的评价系统及评价方法 | |
| CN115423429A (zh) | 基于图像和声音信息的多模态一体化配网运营系统 | |
| CN110751317A (zh) | 一种电力负荷预测系统及预测方法 | |
| CN113036759A (zh) | 一种电力用户负荷细粒度识别方法及识别系统 | |
| CN113033996A (zh) | 一种基于电力大数据的电力系统信息处理系统 | |
| CN113887912A (zh) | 一种深度学习下面向嵌入式设备的非侵入式负荷识别方法 | |
| CN112365090A (zh) | 一种基于深度学习的非入侵式用电负荷识别方法及装置 | |
| CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
| CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
| CN107909213A (zh) | 一种基于需求侧群组的新能源负荷预测方法及系统 | |
| CN106160232B (zh) | 一种用于电力系统的负荷监管设备 | |
| CN116777153A (zh) | 考虑分布式能源接入的配电网灵活性归因分析方法 | |
| CN112561193A (zh) | 一种基于fpga推断加速的ai智能电力负荷预测系统 | |
| CN116523681A (zh) | 电动汽车的负荷分解方法、装置、电子设备及存储介质 | |
| CN110689248A (zh) | 一种基于云模型和可能度分析的一流城市配电网评估方法 | |
| CN116450625A (zh) | 一种基于用电信息采集系统的计量异常数据甄别装置 | |
| CN116131256A (zh) | 一种基于设备同时率的配电网可开放容量计算方法和系统 | |
| US12100950B2 (en) | Net load forecasting method and apparatus for new energy electric power market | |
| CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN116108203A (zh) | 电网全景调度知识图谱构建和电网设备管理的方法、系统、存储介质及设备 | |
| CN115149528A (zh) | 一种基于大数据非侵入技术的智能电能表分布式预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210326 |