CN113033894B - 日用电量预测方法、装置、计算机设备和存储介质 - Google Patents
日用电量预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113033894B CN113033894B CN202110315287.7A CN202110315287A CN113033894B CN 113033894 B CN113033894 B CN 113033894B CN 202110315287 A CN202110315287 A CN 202110315287A CN 113033894 B CN113033894 B CN 113033894B
- Authority
- CN
- China
- Prior art keywords
- daily electricity
- electricity consumption
- daily
- prediction
- electricity quantity
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 429
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000011176 pooling Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种日用电量预测方法、装置、计算机设备和存储介质，方法包括：响应于终端发送的日用电量预测请求，获取与日用电量预测请求对应的日用电量数据；日用电量预测请求携带有预测时间信息；将日用电量数据输入预先训练的日用电量预测模型，得到预先构建的日用电量预测模型输出与预测时间信息对应的日用电量预测结果；预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；将日用电量预测结果返回至终端；本申请通过定义在频域的卷积滤波器以及定义在频域的池化模块，实现了对日用电量数据在频域上的特征保留，基于此构建并应用日用电量预测模型，提高了日用电量预测准确性。
Description
技术领域
本申请涉及电力数据分析技术领域，特别是涉及一种日用电量预测方法、装置、计算机设备和存储介质。
背景技术
随着机器学习理论的发展，学者和从业人员逐渐将机器学习技术应用到用电量预测任务中，早期使用的用电量预测方法有回归分析、隐马尔可夫模型、时间序列聚类(预测)等模型。但是，这些方法往往存在预测精度不佳、容易过拟合的问题，导致用电量预测尤其是日用电量预测的准确性较差。
因此，还需要一种能够提高日用电量预测准确性的方法。
发明内容
基于此，有必要针对上述技术问题，提供一种日用电量预测方法、装置、计算机设备和存储介质。
一种日用电量预测方法，所述方法包括：
响应于终端发送的日用电量预测请求，获取与所述日用电量预测请求对应的日用电量数据；所述日用电量预测请求携带有预测时间信息；
将所述日用电量数据输入预先训练的日用电量预测模型，得到所述预先构建的日用电量预测模型输出与所述预测时间信息对应的日用电量预测结果；所述预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；
将所述日用电量预测结果返回至所述终端。
在其中一个实施例中，所述预先构建的日用电量预测模型通过以下方式获得，包括：
获取样本日用电量数据集；
基于所述样本日用电量数据集，对待训练的日用电量预测模型进行训练，构建所述日用电量预测模型。
在其中一个实施例中，所述对待训练的日用电量预测模型进行训练，构建所述日用电量预测模型，包括：
将样本日用电量数据集输入所述待训练的日用电量预测模型，触发所述卷积滤波器在频域对所述样本日用电量数据集进行卷积滤波处理，得到所述样本日用电量数据集的特征分量；
响应于所述特征分量，触发所述池化模块在频域对所述特征进行池化处理，得到池化后的特征分量；
利用所述池化后的特征分量对所述深度置信网络进行训练，构建所述日用电量预测模型。
在其中一个实施例中，根据利用所述池化后的特征分量对所述深度置信网络进行训练，构建所述日用电量预测模型，包括：
将所述池化后的特征分量输入所述深度置信网络模型，得到所述深度置信网络输出的日用电量预测值；
根据所述日用电量预测值与对应的日用电量真实值计算所述深度置信网络模型的损失值；
根据所述损失值调整所述卷积滤波器以及所述深度置信网络的参数，直至所述损失值低于预设阈值时，判断所述日用电量预测模型构建完成。
在其中一个实施例中，所述触发所述卷积滤波器在频域对所述样本日用电量数据集进行卷积滤波处理，得到所述样本日用电量数据集的特征分量，包括：
将所述卷积滤波器进行傅里叶逆变换后得到倒谱域的卷积核；
通过所述倒谱域的卷积核对所述样本日用电量数据集进行卷积，得到所述样本日用电量数据集的特征分量。
在其中一个实施例中，所述触发所述池化模块在频域对所述特征进行池化处理，得到池化后的特征分量，包括：
将所述特征分量通过傅里叶变换映射到频域；
利用最大池化方法通过所述池化模块对映射到频域的特征分量进行滤波处理；
将滤波处理后的特征分量通过傅里叶逆变换映射到时域，得到池化后的特征分量。
在其中一个实施例中，所述获取与所述日用电量预测请求对应的日用电量数据，包括：
获取历史日用电量数据以及与所述历史日用电量数据对应的用电约束信息；所述用电约束信息用于表征影响所述历史日用电量数据变化的条件因素；
利用预设聚类算法对所述历史日用电量数据进行预处理，将预处理后的历史日用电量数据与所述用电约束信息以向量形式进行拼接，得到与所述日用电量预测请求对应的日用电量数据；所述预设聚类算法用于去除所述历史日用电量数据中的异常信息。
一种日用电量预测装置，所述装置包括：
预测数据获取模块，用于响应于终端发送的日用电量预测请求，获取与所述日用电量预测请求对应的日用电量数据；所述日用电量预测请求携带有预测时间信息；
预测结果获取模块，用于将所述日用电量数据输入预先训练的日用电量预测模型，得到所述预先构建的日用电量预测模型输出与所述预测时间信息对应的日用电量预测结果；所述预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；
预测结果发送模块，用于将所述日用电量预测结果返回至所述终端。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
响应于终端发送的日用电量预测请求，获取与所述日用电量预测请求对应的日用电量数据；所述日用电量预测请求携带有预测时间信息；
将所述日用电量数据输入预先训练的日用电量预测模型，得到所述预先构建的日用电量预测模型输出与所述预测时间信息对应的日用电量预测结果；所述预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；
将所述日用电量预测结果返回至所述终端。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
响应于终端发送的日用电量预测请求，获取与所述日用电量预测请求对应的日用电量数据；所述日用电量预测请求携带有预测时间信息；
将所述日用电量数据输入预先训练的日用电量预测模型，得到所述预先构建的日用电量预测模型输出与所述预测时间信息对应的日用电量预测结果；所述预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；
将所述日用电量预测结果返回至所述终端。
上述日用电量预测方法、装置、计算机设备和存储介质，方法包括：响应于终端发送的日用电量预测请求，获取与日用电量预测请求对应的日用电量数据；日用电量预测请求携带有预测时间信息；将日用电量数据输入预先训练的日用电量预测模型，得到预先构建的日用电量预测模型输出与预测时间信息对应的日用电量预测结果；预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；将日用电量预测结果返回至终端；本申请通过预先构建的日用电量预测模型中定义在频域的卷积滤波器以及定义在频域的池化模块，实现了对日用电量数据在频域上的特征保留，基于此构建并应用日用电量预测模型，提高了日用电量预测准确性。
附图说明
图1为一个实施例中日用电量预测方法的应用环境图；
图2为一个实施例中日用电量预测方法的流程示意图；
图3为一个实施例中获取预先构建的日用电量预测模型步骤的流程示意图；
图4为一个实施例中构建日用电量预测模型步骤的流程示意图；
图5为一个实施例中利用池化后的特征分量对深度置信网络进行训练步骤的流程示意图；
图6为一个实施例中日用电量预测装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的日用电量预测方法，可以应用于如图1所示的应用环境中。其中，终端11通过网络与服务器12进行通信。服务器12响应于终端11发送的日用电量预测请求，服务器12获取与日用电量预测请求对应的日用电量数据；日用电量预测请求携带有预测时间信息；服务器12将日用电量数据输入预先训练的日用电量预测模型，得到预先构建的日用电量预测模型输出与预测时间信息对应的日用电量预测结果；预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；服务器12将日用电量预测结果返回至终端11。
其中，终端11可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备以及电力设备，服务器12可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种日用电量预测方法，以该方法应用于图1中的服务器12为例进行说明，包括以下步骤：
步骤21，响应于终端发送的日用电量预测请求，获取与日用电量预测请求对应的日用电量数据；日用电量预测请求携带有预测时间信息。
其中，预测时间信息是指与日用电量预测请求所对应的预测节点，例如要预测31号的日用电量，则日用电量预测请求携带有预测时间信息即为31号。日用电量数据是指能够反映出用电特征的电量数据，日用电量可以是单日电量或多日电量。
日用电量数据是用电量数据的一种表现形式；从时域上看，用电量数据呈现出近似的周期性，总体上和细节上都存在一定的波动性，不同行业的用电量分布特征存在的区别较大。从总体用电量上看，通常在各个工作日用电量相对稳定，存在一些正常范围内的浮动，以工商业用电量为主；周末或节假日用电量呈下降趋势，部分工商业用电量明显下降；因此得出用电量呈现明显的以周为单位的周期性的结论，符合时域的特点。用电量数据还存在来自不同情景的波动，属于行业内的正常波动可以看作是加性噪声，对预测结果影响不大；而有些叠加的波动则会对用电量预测产生影响，需要结合时序关系进一步判断；可见用电量的准确预测需要过滤噪声保持周期性特征，并保留有效波动特征。
具体地，服务器接收到终端编辑并发送的日用电量预测请求，根据日用电量预测请求中携带的预测时间信息能够确定出预测的目标，进而根据该目标获取符合时间范围的数据并进行处理后得到与日用电量预测请求对应的日用电量数据。
日用电量数据的获取过程：首先获取与用电量相关的数据文件，统一为规范的格式；对数据进行归一化，统一数据的取值范围至区间[0,1]；然后以周为单位将数据划分为数据块，并使用k-means聚类算法和密度聚类的混合聚类方法进行处理，筛选出在多种聚类分析算法下都属于离群点的数据作为异常点；将异常点取出后，将余下数据与前一天同一时刻数据进行插值后作为有效的归一化用电量数据，然后将用电量以天为单位进行累加并归一化处理，得到日用电量数据的预处理数据集。
日用电量预测中还需要考虑额外的信息，并且受到这些信息的约束，因此本公开将天气状况、季节、节假日等约束信息编码为向量形式，与预处理数据集中的日用电量数据进行拼接得到复合日用电量数据。再根据后续模型训练以及模型训练时模型的结构特点，将复合日用电量数据处理为以天数为单位构建出时序数据块，用作模型训练以及预测阶段所用的输入数据。
本实施例通过对终端发送的日用电量预测请求进行响应，获取与日用电量预测请求对应的日用电量数据，无需提前导入数据提高了日用电量预测的效率，获取对应数据的过程规范了日用电量数据的格式，避免了数据冗余或者确实导致的效率降低问题，同时也提高了日用电量预测准确性。
步骤22，将日用电量数据输入预先训练的日用电量预测模型，得到预先构建的日用电量预测模型输出与预测时间信息对应的日用电量预测结果；预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到。
其中，预先训练的日用电量预测模型是利用样本日用电量数据经过预先训练，且训练结果满足日用电量预测效果要求的模型。日用电量预测结果是日用电量预测模型根据获取到的日用电量预测数据进行预测得到的结果。定义在频域的卷积滤波器、定义在频域的池化模块能够提取并保留日用电量数据在频域的特征，在频域上对数据进行池化、过滤掉噪声频率信息，从而在保持时序性的同时从频域过滤噪声，缓解过拟合的问题。
具体地，服务器将日用电量数据输入预先训练的日用电量预测模型，由于模型已经过预先训练，因此可以在短时间内输出与预测时间信息对应的日用电量预测结果；通过定义在频域的卷积滤波器、定义在频域的池化模块能够提取频域特征，然后经过深度置信网络在时域进行预测，得到日用电量预测结果。
本步骤通过定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构成的日用电量预测模型对日用电量数据进行处理，提高了日用电量预测准确性。
步骤23，将日用电量预测结果返回至终端。
具体地，服务器响应于预先训练的日用电量预测模型输出的日用电量预测结果后，根据日用电量预测请求携带的终端信息、终端标识等，确定日用电量预测结果返回的对象，并发送日用电量预测结果，实现了对日用电量预测请求的完整响应。
本步骤通过返回日用电量预测结果至终端，提高了对日用电量预测请求的处理效率。
上述日用电量预测方法，通过响应于终端发送的日用电量预测请求，获取与日用电量预测请求对应的日用电量数据；日用电量预测请求携带有预测时间信息；将日用电量数据输入预先训练的日用电量预测模型，得到预先构建的日用电量预测模型输出与预测时间信息对应的日用电量预测结果；预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；将日用电量预测结果返回至终端；本申请通过预先构建的日用电量预测模型中定义在频域的卷积滤波器以及定义在频域的池化模块，实现了对日用电量数据在频域上的特征保留，基于此构建并应用日用电量预测模型，提高了日用电量预测准确性。
在一个实施例中，如图3所示，预先构建的日用电量预测模型通过以下方式获得，包括：
步骤31，获取样本日用电量数据集；
步骤32，基于样本日用电量数据集，对待训练的日用电量预测模型进行训练，构建日用电量预测模型。
其中，样本日用电量数据集是用于训练日用电量预测模型的数据，其获取、处理方式与日用电量数据一致。样本日用电量数据集可以分出训练集、验证集等作为子集应用到模型训练中。待训练的日用电量预测模型是没有经过训练或预测效果还达不到目标的日用电量预测模型。
本实施例通过样本日用电量数据集对待训练的日用电量预测模型，当待训练的日用电量预测模型完成训练后则构建得到可以进行预测的日用电量预测模型，提高了日用电量模型训练的效率以及构建后日用电量预测模型的预测准确性。
在一个实施例中，如图4所示，上述步骤32，对待训练的日用电量预测模型进行训练，构建日用电量预测模型，包括：
步骤41，将样本日用电量数据集输入待训练的日用电量预测模型，触发卷积滤波器在频域对样本日用电量数据集进行卷积滤波处理，得到样本日用电量数据集的特征分量；
步骤42，响应于特征分量，触发池化模块在频域对特征进行池化处理，得到池化后的特征分量；
步骤43，利用池化后的特征分量对深度置信网络进行训练，构建日用电量预测模型。
具体地，在频域定义滤波器和池化模块、然后利用傅里叶逆变换得到具有时序性的倒谱域卷积核并将其用于对时序用电量数据的卷积，初步构建基于卷积结构的时序深度置信网，以对样本日用电量数据集进行识别预测。
构建定义在频域上的卷积滤波器：
其中，F-1表示傅里叶逆变换，sigmoid表示激活函数，
表示卷积运算，filters表示定义在频域的滤波器，h表示特征分量。
为了从信号中提取不同频率特征，同时保留有效的瞬时波动频率特征和周期性特征，并且过滤日常用电中的波动噪声，在频域上定义了池化核得到池化模块；池化过程首先将提取到的特征利用傅里叶变换映射到频域，可以利用最大池化算法在频域进行滤波处理，再利用傅里叶逆变换将池化后的特征分量映射回时域，由此完成池化；其过程公式化后可以表示为：
h′＝F(h)→z＝maxpool(h′)→output＝F-1(z)；
其中，h’表示特征分量h的频域表达，F表示傅里叶变换，maxpool表示最大池算法，output表示池化的输出，z表示池化后的特征分量。
DBN(Deep Belief Networks，深度置信网络)算法是机器学习之神经网络的一种，既可以用于非监督学习，也可以用于监督学习。DBN是一个概率生成模型，与传统的判别模型的神经网络相对，生成模型是建立一个观察数据和标签之间的联合分布。DBN是由多层RBM(Restricted Boltzmann Machines，受限玻尔兹曼机)组成的一个神经网络，既可以被看作一个生成模型，也可以当作判别模型；训练DBN的过程是逐层地进行的。在每一层中，用数据向量来推断隐层，再把这一隐层当作下一层(高一层)的数据向量。RBM的训练过程，实际上是求出一个最能产生训练样本的概率分布。
在进行训练时的条件概率可以表示为：
其中，b和c分别表示偏置，t表示第t个时间片，h为隐藏层，x为可视层，q为隐藏层激活时的条件概率，p为可视层激活时的条件概率，bj表示第j个隐藏单元的偏置，Cm表示第m个可视单元的偏置，filters’和filters表示定义在频域的滤波器，数值不相同，是两部分独立计算的参数，通过符号‘以示区分。
根据激活函数，目标函数可以使用似然函数，目标函数可以表示为：
L(x)＝Eq(h|x)[logp(x,h)-logq(h|x)]；
其中，L(x)标识目标函数，E[]表示期望；联合概率可以表示为：
p(x,h)＝p(h1)p(x1|h1)∏t＝2p(xt|xt-1,ht)p(ht|xt-1,ht-1)；
计算目标函数就是计算L(x)的梯度，然后根据这个梯度反向传播，池化核不需要更新，卷积滤波的更新使用傅里叶变换把梯度映射到频域，在频域进行更新。
在一个实施例中，如图5所示，上述步骤43，利用池化后的特征分量对深度置信网络进行训练，构建日用电量预测模型，包括：
步骤51，将池化后的特征分量输入深度置信网络模型，得到深度置信网络输出的日用电量预测值；
步骤52，根据日用电量预测值与对应的日用电量真实值计算深度置信网络模型的损失值；
步骤53，根据损失值调整卷积滤波器以及深度置信网络的参数，直至损失值低于预设阈值时，判断日用电量预测模型构建完成。
具体地，深度置信网络模型能够对池化后的特征分量进行识别处理，输出日用电量预测值，通过真实值与预测值进行比较，能够通过目标函数构建的损失函数计算出深度置信网络模型的损失值，通过反向传播，对卷积滤波器以及深度置信网络的模型参数进行调整；重复训练过程直到损失值低于预设阈值，说明日用电量预测模型的预测效果达到了预设要求，即完成了日用电量预测模型的构建。
本实施例通过日用电量预测模型中的卷积滤波器和池化模块进行特征提取，通过深度置信网络进行计算，对整体上组成的日用电量预测模型进行了训练，构建除了日用电量预测模型。
在一个实施例中，上述步骤41，触发卷积滤波器在频域对样本日用电量数据集进行卷积滤波处理，得到样本日用电量数据集的特征分量，包括：将卷积滤波器进行傅里叶逆变换后得到倒谱域的卷积核；通过倒谱域的卷积核对样本日用电量数据集进行卷积，得到样本日用电量数据集的特征分量。
在另一个实施例中，上述步骤42，触发池化模块在频域对特征进行池化处理，得到池化后的特征分量，包括：将特征分量通过傅里叶变换映射到频域；利用最大池化方法通过池化模块对映射到频域的特征分量进行滤波处理；将滤波处理后的特征分量通过傅里叶逆变换映射到时域，得到池化后的特征分量
具体地，通过傅里叶逆变换和傅里叶变换可以实现时域与频域之间的相互转换，以完成对样本日用电量数据集进行特征分量提取的过程。
在一个实施例中，上述步骤21，获取与日用电量预测请求对应的日用电量数据，包括：获取历史日用电量数据以及与历史日用电量数据对应的用电约束信息；用电约束信息用于表征影响历史日用电量数据变化的条件因素；利用预设聚类算法对历史日用电量数据进行预处理，将预处理后的历史日用电量数据与用电约束信息以向量形式进行拼接，得到与日用电量预测请求对应的日用电量数据；预设聚类算法用于去除历史日用电量数据中的异常信息。
其中，用电约束信息是指能够对历史日用电量数据产生影响以及限制约束的条件信息；预设聚类算法可以是k-means和密度聚类的混合聚类方法。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种日用电量预测装置，包括：预测数据获取模块61、预测结果获取模块62和预测结果发送模块63，其中：
预测数据获取模块61，用于响应于终端发送的日用电量预测请求，获取与日用电量预测请求对应的日用电量数据；日用电量预测请求携带有预测时间信息；
预测结果获取模块62，用于将日用电量数据输入预先训练的日用电量预测模型，得到预先构建的日用电量预测模型输出与预测时间信息对应的日用电量预测结果；预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；
预测结果发送模块63，用于将日用电量预测结果返回至终端。
在一个实施例中，日用电量预测装置中还包括预测模型训练模块，用于获取样本日用电量数据集；基于样本日用电量数据集，对待训练的日用电量预测模型进行训练，构建日用电量预测模型。
在一个实施例中，预测模型训练模块还用于将样本日用电量数据集输入待训练的日用电量预测模型，触发卷积滤波器在频域对样本日用电量数据集进行卷积滤波处理，得到样本日用电量数据集的特征分量；响应于特征分量，触发池化模块在频域对特征进行池化处理，得到池化后的特征分量；利用池化后的特征分量对深度置信网络进行训练，构建日用电量预测模型。
在一个实施例中，预测模型训练模块还用于将池化后的特征分量输入深度置信网络模型，得到深度置信网络输出的日用电量预测值；根据日用电量预测值与对应的日用电量真实值计算深度置信网络模型的损失值；根据损失值调整卷积滤波器以及深度置信网络的参数，直至损失值低于预设阈值时，判断日用电量预测模型构建完成。
在一个实施例中，预测模型训练模块还用于将卷积滤波器进行傅里叶逆变换后得到倒谱域的卷积核；通过倒谱域的卷积核对样本日用电量数据集进行卷积，得到样本日用电量数据集的特征分量。
在一个实施例中，预测模型训练模块还用于将特征分量通过傅里叶变换映射到频域；利用最大池化方法通过池化模块对映射到频域的特征分量进行滤波处理；将滤波处理后的特征分量通过傅里叶逆变换映射到时域，得到池化后的特征分量。
在一个实施例中，预测数据获取模块61，还用于获取历史日用电量数据以及与历史日用电量数据对应的用电约束信息；用电约束信息用于表征影响历史日用电量数据变化的条件因素；利用预设聚类算法对历史日用电量数据进行预处理，将预处理后的历史日用电量数据与用电约束信息以向量形式进行拼接，得到与日用电量预测请求对应的日用电量数据；预设聚类算法用于去除历史日用电量数据中的异常信息。
关于日用电量预测装置的具体限定可以参见上文中对于日用电量预测方法的限定，在此不再赘述。上述日用电量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储日用电量预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种日用电量预测方法。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
响应于终端发送的日用电量预测请求，获取与日用电量预测请求对应的日用电量数据；日用电量预测请求携带有预测时间信息；
将日用电量数据输入预先训练的日用电量预测模型，得到预先构建的日用电量预测模型输出与预测时间信息对应的日用电量预测结果；预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；
将日用电量预测结果返回至终端。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取样本日用电量数据集；基于样本日用电量数据集，对待训练的日用电量预测模型进行训练，构建日用电量预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将样本日用电量数据集输入待训练的日用电量预测模型，触发卷积滤波器在频域对样本日用电量数据集进行卷积滤波处理，得到样本日用电量数据集的特征分量；响应于特征分量，触发池化模块在频域对特征进行池化处理，得到池化后的特征分量；利用池化后的特征分量对深度置信网络进行训练，构建日用电量预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将池化后的特征分量输入深度置信网络模型，得到深度置信网络输出的日用电量预测值；根据日用电量预测值与对应的日用电量真实值计算深度置信网络模型的损失值；根据损失值调整卷积滤波器以及深度置信网络的参数，直至损失值低于预设阈值时，判断日用电量预测模型构建完成。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将卷积滤波器进行傅里叶逆变换后得到倒谱域的卷积核；通过倒谱域的卷积核对样本日用电量数据集进行卷积，得到样本日用电量数据集的特征分量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将特征分量通过傅里叶变换映射到频域；利用最大池化方法通过池化模块对映射到频域的特征分量进行滤波处理；将滤波处理后的特征分量通过傅里叶逆变换映射到时域，得到池化后的特征分量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史日用电量数据以及与历史日用电量数据对应的用电约束信息；用电约束信息用于表征影响历史日用电量数据变化的条件因素；利用预设聚类算法对历史日用电量数据进行预处理，将预处理后的历史日用电量数据与用电约束信息以向量形式进行拼接，得到与日用电量预测请求对应的日用电量数据；预设聚类算法用于去除历史日用电量数据中的异常信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
响应于终端发送的日用电量预测请求，获取与日用电量预测请求对应的日用电量数据；日用电量预测请求携带有预测时间信息；
将日用电量数据输入预先训练的日用电量预测模型，得到预先构建的日用电量预测模型输出与预测时间信息对应的日用电量预测结果；预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；
将日用电量预测结果返回至终端。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取样本日用电量数据集；基于样本日用电量数据集，对待训练的日用电量预测模型进行训练，构建日用电量预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将样本日用电量数据集输入待训练的日用电量预测模型，触发卷积滤波器在频域对样本日用电量数据集进行卷积滤波处理，得到样本日用电量数据集的特征分量；响应于特征分量，触发池化模块在频域对特征进行池化处理，得到池化后的特征分量；利用池化后的特征分量对深度置信网络进行训练，构建日用电量预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将池化后的特征分量输入深度置信网络模型，得到深度置信网络输出的日用电量预测值；根据日用电量预测值与对应的日用电量真实值计算深度置信网络模型的损失值；根据损失值调整卷积滤波器以及深度置信网络的参数，直至损失值低于预设阈值时，判断日用电量预测模型构建完成。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将卷积滤波器进行傅里叶逆变换后得到倒谱域的卷积核；通过倒谱域的卷积核对样本日用电量数据集进行卷积，得到样本日用电量数据集的特征分量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将特征分量通过傅里叶变换映射到频域；利用最大池化方法通过池化模块对映射到频域的特征分量进行滤波处理；将滤波处理后的特征分量通过傅里叶逆变换映射到时域，得到池化后的特征分量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史日用电量数据以及与历史日用电量数据对应的用电约束信息；用电约束信息用于表征影响历史日用电量数据变化的条件因素；利用预设聚类算法对历史日用电量数据进行预处理，将预处理后的历史日用电量数据与用电约束信息以向量形式进行拼接，得到与日用电量预测请求对应的日用电量数据；预设聚类算法用于去除历史日用电量数据中的异常信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上各个实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种日用电量预测方法，其特征在于，所述方法包括：
响应于终端发送的日用电量预测请求，获取与所述日用电量预测请求对应的日用电量数据；所述日用电量预测请求携带有预测时间信息；
将所述日用电量数据输入预先构建的日用电量预测模型，得到所述预先构建的日用电量预测模型输出与所述预测时间信息对应的日用电量预测结果；所述预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；
将所述日用电量预测结果返回至所述终端；
所述预先构建的日用电量预测模型通过以下方式获得，包括：
获取样本日用电量数据集；
将样本日用电量数据集输入待训练的日用电量预测模型，将所述卷积滤波器进行傅里叶逆变换后得到倒谱域的卷积核，通过所述倒谱域的卷积核对所述样本日用电量数据集进行卷积，得到所述样本日用电量数据集的特征分量；
响应于所述特征分量，将所述特征分量通过傅里叶变换映射到频域，利用最大池化方法通过所述池化模块对映射到频域的特征分量进行滤波处理，将滤波处理后的特征分量通过傅里叶逆变换映射到时域，得到池化后的特征分量；
利用所述池化后的特征分量对所述深度置信网络进行训练，得到所述预先构建的日用电量预测模型。
2.根据权利要求1所述的方法，其特征在于，根据利用所述池化后的特征分量对所述深度置信网络进行训练，得到所述预先构建的日用电量预测模型，包括：
将所述池化后的特征分量输入所述深度置信网络，得到所述深度置信网络输出的日用电量预测值；
根据所述日用电量预测值与对应的日用电量真实值计算所述深度置信网络的损失值；
根据所述损失值调整所述卷积滤波器以及所述深度置信网络的参数，直至所述损失值低于预设阈值时，判断所述预先构建的日用电量预测模型构建完成。
3.根据权利要求1所述的方法，其特征在于，所述获取与所述日用电量预测请求对应的日用电量数据，包括：
获取历史日用电量数据以及与所述历史日用电量数据对应的用电约束信息；所述用电约束信息用于表征影响所述历史日用电量数据变化的条件因素；
利用预设聚类算法对所述历史日用电量数据进行预处理，将预处理后的历史日用电量数据与所述用电约束信息以向量形式进行拼接，得到与所述日用电量预测请求对应的日用电量数据；所述预设聚类算法用于去除所述历史日用电量数据中的异常信息。
4.一种日用电量预测装置，其特征在于，所述装置包括：
预测数据获取模块，用于响应于终端发送的日用电量预测请求，获取与所述日用电量预测请求对应的日用电量数据；所述日用电量预测请求携带有预测时间信息；
预测结果获取模块，用于将所述日用电量数据输入预先构建的日用电量预测模型，得到所述预先构建的日用电量预测模型输出与所述预测时间信息对应的日用电量预测结果；所述预先构建的日用电量预测模型，由定义在频域的卷积滤波器、定义在频域的池化模块以及深度置信网络构建得到；所述预先构建的日用电量预测模型通过以下方式获得，包括：获取样本日用电量数据集；将样本日用电量数据集输入待训练的日用电量预测模型，将所述卷积滤波器进行傅里叶逆变换后得到倒谱域的卷积核，通过所述倒谱域的卷积核对所述样本日用电量数据集进行卷积，得到所述样本日用电量数据集的特征分量；响应于所述特征分量，将所述特征分量通过傅里叶变换映射到频域，利用最大池化方法通过所述池化模块对映射到频域的特征分量进行滤波处理，将滤波处理后的特征分量通过傅里叶逆变换映射到时域，得到池化后的特征分量；利用所述池化后的特征分量对所述深度置信网络进行训练，得到所述预先构建的日用电量预测模型；
预测结果发送模块，用于将所述日用电量预测结果返回至所述终端。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述的方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110315287.7A CN113033894B (zh) | 2021-03-24 | 2021-03-24 | 日用电量预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110315287.7A CN113033894B (zh) | 2021-03-24 | 2021-03-24 | 日用电量预测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113033894A CN113033894A (zh) | 2021-06-25 |
| CN113033894B true CN113033894B (zh) | 2023-05-02 |
Family
ID=76473403
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110315287.7A Active CN113033894B (zh) | 2021-03-24 | 2021-03-24 | 日用电量预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033894B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115860171A (zh) * | 2022-10-19 | 2023-03-28 | 中国人民解放军陆军工程大学 | 一种基于动静态混合数据分析的建筑逐时用电能耗预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09243480A (ja) * | 1996-03-08 | 1997-09-19 | Mitsubishi Heavy Ind Ltd | 励振力推定装置 |
| CN108351984A (zh) * | 2015-11-05 | 2018-07-31 | 微软技术许可有限责任公司 | 硬件高效的深度卷积神经网络 |
| CN109325589A (zh) * | 2017-07-31 | 2019-02-12 | 华为技术有限公司 | 卷积计算方法及装置 |
| CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
| CN111458144A (zh) * | 2020-03-04 | 2020-07-28 | 华北电力大学 | 一种基于卷积神经网络的风力发电机故障诊断方法 |
| CN111811617A (zh) * | 2020-07-10 | 2020-10-23 | 杭州电子科技大学 | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 |
| CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
| CN109086700B (zh) * | 2018-07-20 | 2021-08-13 | 杭州电子科技大学 | 基于深度卷积神经网络的雷达一维距离像目标识别方法 |
-
2021
- 2021-03-24 CN CN202110315287.7A patent/CN113033894B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09243480A (ja) * | 1996-03-08 | 1997-09-19 | Mitsubishi Heavy Ind Ltd | 励振力推定装置 |
| CN108351984A (zh) * | 2015-11-05 | 2018-07-31 | 微软技术许可有限责任公司 | 硬件高效的深度卷积神经网络 |
| CN109325589A (zh) * | 2017-07-31 | 2019-02-12 | 华为技术有限公司 | 卷积计算方法及装置 |
| CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
| CN111458144A (zh) * | 2020-03-04 | 2020-07-28 | 华北电力大学 | 一种基于卷积神经网络的风力发电机故障诊断方法 |
| CN111811617A (zh) * | 2020-07-10 | 2020-10-23 | 杭州电子科技大学 | 一种基于短时傅里叶变换和卷积神经网络的液位预测方法 |
| CN112330078A (zh) * | 2021-01-04 | 2021-02-05 | 南方电网数字电网研究院有限公司 | 用电量预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| Haidong Shao 等.Rolling bearing fault feature learning using improved convolutional deep belief network with compressed sensing.《Mechanical Systems and Signal Processing》.2017,第743-765页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113033894A (zh) | 2021-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3467723B1 (en) | Machine learning based network model construction method and apparatus | |
| CN113593611B (zh) | 语音分类网络训练方法、装置、计算设备及存储介质 | |
| CA3104646A1 (en) | Neural network acceleration and embedding compression systems and methods with activation sparsification | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| CN110659667A (zh) | 图片分类模型训练方法、系统和计算机设备 | |
| CN111428874A (zh) | 风控方法、电子装置及计算机可读存储介质 | |
| CN113284001B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
| CN112330078B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
| CN114329029B (zh) | 对象检索方法、装置、设备及计算机存储介质 | |
| CN114360520A (zh) | 语音分类模型的训练方法、装置、设备及存储介质 | |
| CN114496099A (zh) | 细胞功能注释方法、装置、设备及介质 | |
| CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
| CN111680132A (zh) | 一种用于互联网文本信息的噪声过滤和自动分类方法 | |
| CN113033894B (zh) | 日用电量预测方法、装置、计算机设备和存储介质 | |
| CN115936159A (zh) | 基于自动特征挖掘的可解释信贷违约率预测方法、系统 | |
| CN111309923A (zh) | 对象向量确定、模型训练方法、装置、设备和存储介质 | |
| CN114065915A (zh) | 网络模型的构建方法、数据处理方法、装置、介质及设备 | |
| US20230063686A1 (en) | Fine-grained stochastic neural architecture search | |
| Sun et al. | Neighborhood graph embedding interpretable fault diagnosis network based on local and non-local information balanced under imbalanced samples | |
| Susan et al. | Smaller feature subset selection for real-world datasets using a new mutual information with Gaussian gain | |
| CN111091198A (zh) | 一种数据处理方法及装置 | |
| CN113378866B (zh) | 图像分类方法、系统、存储介质及电子设备 | |
| CN111882046B (zh) | 多媒体数据的识别方法、装置、设备及计算机存储介质 | |
| CN112633285B (zh) | 领域适应方法、装置、电子设备及存储介质 | |
| CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 |
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 | ||
| CP03 | Change of name, title or address |
Address after: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Patentee after: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region after: China Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. Country or region before: China |