CN113112090A - 基于综合互信息度的主成分分析的空间负荷预测方法 - Google Patents
基于综合互信息度的主成分分析的空间负荷预测方法 Download PDFInfo
- Publication number
- CN113112090A CN113112090A CN202110474605.4A CN202110474605A CN113112090A CN 113112090 A CN113112090 A CN 113112090A CN 202110474605 A CN202110474605 A CN 202110474605A CN 113112090 A CN113112090 A CN 113112090A
- Authority
- CN
- China
- Prior art keywords
- mutual information
- mis
- land
- principal component
- degree
- 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 34
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000007418 data mining Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000012847 principal component analysis method Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000001413 cellular effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及基于综合互信息度的主成分分析的空间负荷预测方法,包括以下步骤:S1,利用MIS‑PCA算法对从地理信息系统获取的空间信息数据进行筛选和降维;S2,以经MIS‑PCA算法处理过的信息为基础,建立基于空间数据挖掘技术的用地类型预测模型;S3,利用用地分类结果对空间负荷进行预测。本发明提出一种改进的综合互信息度主成分分析方法(MIS‑PCA),可有效提高降维后数据分类准确率与所选特征子集的有效性,同时能够得到更少的主成分维度,降低了特征维数,以便减少后端分类或识别的计算量;本发明将MIS‑PCA算法引入用地规则挖掘的过程中,通过对可能影响元胞用地类型决策的众多相关属性进行约简,简化用地决策过程,提高空间负荷预测效率。
Description
技术领域
本发明涉及电力系统规划技术领域,尤其涉及基于综合互信息度的主成分分析的空间负荷预测方法。
背景技术
空间负荷预测(SLF)是指对供电区域内未来电力负荷的大小和位置的预测,作为电力系统退化的基础性工作之一,可以根据SLF的结果来确定供电设备应当配置的容量及其最佳位置,可提高电力系统建设的经济性、高效性、可靠性。
空间负荷预测方法中,用地仿真法通过分析土地利用的特性及发展规律,来预测土地的使用类型、地理分布和面积构成,结合智能算法获取土地负荷类型的转换规则,再结合整个预测区域的总量负荷预测结果与分类负荷密度预测结果即可完成预测工作,其核心在于挖掘土地负荷类型的转换规则。用地仿真法的优点在于其可以充分利用系统负荷预测结果,并在此基础上精细预测未来配电网负荷的空间分布。然而,目前在挖掘转换规则时通常会遇到以下难题:
1、空间数据种类繁多,选择何种数据用于建模能符合实际情况。
2、空间数据量较大,并且数据间可能存在一定重复信息,如何在减少数据量的同时保留关键信息。
3、转换规则即土地负荷预测模型,在建模过程中如何避免部分数据对结果的过度影响。
针对1、2问题,主成分分析法(PCA)是当前被广泛应用的特征选择方法,能够有效地摒除原始数据中的冗余信息,提取出方差贡献率大的主成分因子。但传统主成分分析法中的核心——相关性计算,仅能反映特征之间的线性关系,无法度量非线性关系。虽然可以在特征选择算法中引入互信息矩阵来代替协方差矩阵,评估特征之间的线性和非线性关系,但所选特征子集的有效性仍不够好。
基于上述情况而言,传统主成分分析法和传统用地仿真法不论是从精准度还是从简易度而言,都难以满足空间负荷预测的要求,因此有必要对传统方法进行改进。
发明内容
针对以上问题,本发明首先引入互信息、绝对互信息度和相对互信息度的思想,在绝对互信息度和相对互信息度的基础上给出综合互信息度;然后利用综合互信息度对从地理信息系统(GIS)获取的空间信息数据特征进行筛选,并对筛选出的属性矩阵利用PCA算法降维,从而保留描述土地利用的关键空间信息;最后建立土地类型预测模型,进行土地属性预测,以实现空间负荷的精细预测。
本发明通过下述技术方案实现:
基于综合互信息度的主成分分析的空间负荷预测方法,包括以下步骤:
S1,利用MIS-PCA算法对从地理信息系统获取的空间信息数据进行筛选和降维;
S2,以经MIS-PCA算法处理过的信息为基础,建立基于空间数据挖掘技术的用地类型预测模型;
S3,利用用地分类结果对空间负荷进行预测。
进一步的,所述步骤S1具体包括:
S1.1,将数据集转换为矩阵,分别计算属性的互信息值、其余互信息、最大互信息值;
S1.2,根据互信息值,其余互信息和最大互信息值的相关关系计算得出绝对互信息度以及相对互信息度,并依据绝对互信息可信度和相对互信息可信度得出综合互信息度;
S1.3,利用综合互信息度对矩阵进行特征筛选;
S1.4,对筛选后的矩阵运用PCA算法完成特征降维,得出所选特征子集。
其中,采用以下公式计算互信息(MI):
其中,i=1,2,…,M,M为类别数;P(Ci)表示Ci类在总体样本数据中出现的频率;P(W)表示样本中包含特征属性W的概率;P(W|Ci)表示样本数据中包含特征属性W时属于Ci类的条件概率。当特征属性W独立于类别Ci时,它与该类的相关度为0,即互信息为0;P(W)越小,同时P(W|Ci)大时,特征属性W给类别Ci提供的信息量越大,则该特征越能表示该类;反之,则结果相反。
采用以下公式计算绝对互信息度MIA(W):
其中,MaxMI表示每个特征属性与类别Ci之间的最大互信息值。
采用以下公式计算相对互信息度MIR(W):
其中,LessMI(W)表示特征属性与其他类别之间的互信息值;LessMaxMI(W)表示特征属性与其他类别之间互信息的最大值;
采用以下公式计算综合互信息度MIS(W):
MIS(W)=MIA(W)+MIR(W)。
进一步的,所述步骤S2具体包括:
S2.1,将经MIS-PCA算法处理过的数据分为训练集和测试集;
S2.2,用训练集对BP神经网络进行训练,获得用地类型预测模型。
进一步的,所述步骤S3具体为:
S3.1,使用步骤S2获得的用地类型预测模型对土地进行分类,获得用地分类结果;
S3.2,根据用地分类结果、规划区内总负荷和各用地负荷密度计算出空间负荷预测结果。
与现有技术相比,本发明具有以下有益效果:
(1)本发明提出一种改进的综合互信息度主成分分析方法(MIS-PCA):引入绝对互信息度和相对互信息度的思想,在绝对互信息度和相对互信息度的基础上给出综合互信息度,然后利用综合互信息度对数据特征进行筛选,最后对筛选出的属性矩阵利用PCA算法降维。此方法有效提高降维后数据分类准确率与所选特征子集的有效性,同时能够得到更少的主成分维度,降低了特征维数,以便减少后端分类或识别的计算量;
(2)本发明提出基于MIS-PCA的用地规则挖掘方法:将MIS-PCA算法引入用地规则挖掘的过程中,通过对可能影响元胞用地类型决策的众多相关属性进行约简,简化用地决策过程,提高空间负荷预测效率。
附图说明
此处所说明的附图用来提供对本发明实施方式的进一步理解,构成本申请的一部分,并不构成对本发明实施方式的限定。
图1为本发明的程图;
图2为基于综合互信息度的主成分分析算法流程图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述。显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。
本发明公开的空间负荷预测方法,是基于综合互信息度的主成分分析方法—MIS-PCA来进行预测的。
本发明引入综合互信息度的概念对传统主成分分析数据降维方法进行改造。该算法首先引入互信息、绝对互信息度和相对互信息度的思想,在绝对互信息度和相对互信息度的基础上给出综合互信息度。
其中,互信息(MI)采用公式(1)计算:
其中,i=1,2,…,M,M为类别数;P(Ci)表示Ci类在总体样本数据中出现的频率;P(W)表示样本中包含特征属性W的概率;P(W|Ci)表示样本数据中包含特征属性W时属于Ci类的条件概率。当特征属性W独立于类别Ci时,它与该类的相关度为0,即互信息为0;P(W)越小,同时P(W|Ci)大时,特征属性W给类别Ci提供的信息量越大,则该特征越能表示该类;反之,则结果相反。
其中,绝对互信息度(MIA)采用公式(2)计算:
其中,MaxMI表示每个特征属性与类别Ci之间的最大互信息值。
相对互信息度的定义如(4)~(5):
其中,LessMI(W)表示特征属性与其他类别之间的互信息值;LessMaxMI(W)表示特征属性与其他类别之间互信息的最大值。
综合互信息度采用公式(6)计算:
MIS(W)=MIA(W)+MIR(W) (6)。
如图1所示,本发明公开的基于综合互信息度的主成分分析的空间负荷预测方法,包括以下步骤:
S1,利用上述的MIS-PCA算法对从地理信息系统获取的空间信息数据进行筛选和降维。
土地仿真法需要大量的地理空间信息及电力信息,因此从电力GIS系统平台获取待预测区内反映每个元胞用地类型的基础数据指标和电力数据指标,本步骤利用MIS-PCA对元胞的空间信息进行处理,实现元胞属性简化与特征筛选,本步骤具体包括:
S1.1,将数据集转换为矩阵,分别计算属性的互信息值(MI),其余互信息(LessMI),最大互信息值(MaxMI);
S1.2,根据MI、LessMI和MaxMI的相关关系计算得出绝对互信息度以及相对互信息度,并依据绝对互信息可信度和相对互信息可信度得出综合互信息度;
S1.3,利用综合互信息度对矩阵进行特征筛选;
S1.4,对筛选后的矩阵运用PCA算法完成特征降维,得出所选特征子集。
S2,以经MIS-PCA算法处理过的信息为基础,建立基于空间数据挖掘技术的用地类型预测模型。
为摆脱对主观经验的依赖、精准高效地对未知地区进行用地类型判定,本步骤将空间数据挖掘技术用于用地类型挖掘,使用空间数据和空间分类技术建立用地类型评价因子与用地类型评价结果映射关系,从而达到对未知地区进行用地类型判定地目的,本步骤具体包括:
S2.1,将经MIS-PCA算法处理过的数据分为训练集和测试集;
S2.2,用训练集对BP神经网络进行训练,获得用地类型预测模型。
S3,利用用地分类结果对空间负荷进行预测,具体为:
S3.1,使用步骤S2获得的用地类型预测模型对土地进行分类,算出元胞用地属性;
S3.1,根据S3.1获得的用地分类结果,并结合规划区内总负荷和各用地负荷密度计算出空间负荷预测结果。
本发明能有效高降维后空间信息数据的分类准确率与所选特征子集的有效性,且进一步提高了预测结果的准确度。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于综合互信息度的主成分分析的空间负荷预测方法,其特征在于:包括以下步骤:
S1,利用MIS-PCA算法对从地理信息系统获取的空间信息数据进行筛选和降维;
S2,以经MIS-PCA算法处理过的信息为基础,建立基于空间数据挖掘技术的用地类型预测模型;
S3,利用用地分类结果对空间负荷进行预测。
2.根据权利要求1所述的基于综合互信息度的主成分分析的空间负荷预测方法,其特征在于:所述步骤S1具体包括:
S1.1,将空间信息数据集转换为矩阵,分别计算属性的互信息值、其余互信息、最大互信息值;
S1.2,根据互信息值,其余互信息和最大互信息值的相关关系计算得出绝对互信息度以及相对互信息度,并依据绝对互信息可信度和相对互信息可信度得出综合互信息度;
S1.3,利用综合互信息度对矩阵进行特征筛选;
S1.4,对筛选后的矩阵运用PCA算法完成特征降维,得出所选特征子集。
3.根据权利要求2所述的基于综合互信息度的主成分分析的空间负荷预测方法,其特征在于:
采用以下公式计算互信息(MI):
其中,i=1,2,…,M,M为类别数;P(Ci)表示Ci类在总体样本数据中出现的频率;P(W)表示样本中包含特征属性W的概率;P(W|Ci)表示样本数据中包含特征属性W时属于Ci类的条件概率。当特征属性W独立于类别Ci时,它与该类的相关度为0,即互信息为0;P(W)越小,同时P(W|Ci)大时,特征属性W给类别Ci提供的信息量越大,则该特征越能表示该类;反之,则结果相反。
采用以下公式计算绝对互信息度MIA(W):
其中,MaxMI表示每个特征属性与类别Ci之间的最大互信息值。
5.根据权利要求4所述的基于综合互信息度的主成分分析的空间负荷预测方法,其特征在于:采用以下公式计算综合互信息度MIS(W):
MIS(W)=MIA(W)+MIR(W)。
6.根据权利要求1-5中任一项所述的基于综合互信息度的主成分分析的空间负荷预测方法,其特征在于:所述步骤S2具体包括:
S2.1,将经MIS-PCA算法处理过的数据分为训练集和测试集;
S2.2,用训练集对人工神经网络进行训练,获得用地类型预测模型。
7.根据权利要求1的基于综合互信息度的主成分分析的空间负荷预测方法,其特征在于:所述步骤S3具体为:
S3.1,使用步骤S2获得的用地类型预测模型对土地进行分类,获得用地分类结果;
S3.2,根据用地分类结果、规划区内总负荷和各用地负荷密度计算出空间负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474605.4A CN113112090B (zh) | 2021-04-29 | 2021-04-29 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110474605.4A CN113112090B (zh) | 2021-04-29 | 2021-04-29 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112090A true CN113112090A (zh) | 2021-07-13 |
CN113112090B CN113112090B (zh) | 2023-12-19 |
Family
ID=76720449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110474605.4A Active CN113112090B (zh) | 2021-04-29 | 2021-04-29 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112090B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743652A (zh) * | 2021-08-06 | 2021-12-03 | 广西大学 | 一种基于深度特征识别的甘蔗压榨过程预测方法 |
CN114428021A (zh) * | 2022-01-14 | 2022-05-03 | 国家石油天然气管网集团有限公司 | 一种山地管道裂纹缺陷剩余强度的评价方法 |
CN115587677A (zh) * | 2022-12-08 | 2023-01-10 | 南方电网数字电网研究院有限公司 | 基于互信息的电力系统负荷的关联因素分析方法及装置 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307109A1 (en) * | 2010-05-27 | 2011-12-15 | Sri-Jayantha Sri M | Smarter-Grid: Method to Forecast Electric Energy Production and Utilization Subject to Uncertain Environmental Variables |
CN105426988A (zh) * | 2015-11-05 | 2016-03-23 | 国网福建省电力有限公司 | 一种基于模糊规则的空间负荷预测方法 |
CN106600063A (zh) * | 2016-12-16 | 2017-04-26 | 东北电力大学 | 一种基于模糊粗糙集理论和时空信息的空间负荷预测方法 |
CN108256116A (zh) * | 2018-02-12 | 2018-07-06 | 华东师范大学 | 一种农用地现状数据快速采集方法 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN109492950A (zh) * | 2018-12-26 | 2019-03-19 | 广东电网有限责任公司 | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 |
CN110020747A (zh) * | 2019-03-14 | 2019-07-16 | 华中科技大学 | 一种负荷释放特性的影响因素分析方法 |
CN110348750A (zh) * | 2019-07-16 | 2019-10-18 | 国网山东省电力公司经济技术研究院 | 一种基于“功能块”的配电网模块化规划系统 |
WO2019237840A1 (zh) * | 2018-06-14 | 2019-12-19 | 中兴通讯股份有限公司 | 数据集生成方法及装置 |
CN111130107A (zh) * | 2020-01-20 | 2020-05-08 | 国网河北省电力有限公司雄安新区供电公司 | 电网负荷预测方法及装置 |
FR3088466A1 (fr) * | 2018-11-14 | 2020-05-15 | Electricite De France | Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu. |
CN111428926A (zh) * | 2020-03-23 | 2020-07-17 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑气象因素的区域电力负荷预测方法 |
KR20200123310A (ko) * | 2019-04-18 | 2020-10-29 | 한국전력공사 | 부하 예측 장치 및 방법 |
KR20210026447A (ko) * | 2019-08-30 | 2021-03-10 | 한국전력공사 | 심층 신경망 기반 전력 수요 예측 장치 및 방법 |
-
2021
- 2021-04-29 CN CN202110474605.4A patent/CN113112090B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307109A1 (en) * | 2010-05-27 | 2011-12-15 | Sri-Jayantha Sri M | Smarter-Grid: Method to Forecast Electric Energy Production and Utilization Subject to Uncertain Environmental Variables |
CN105426988A (zh) * | 2015-11-05 | 2016-03-23 | 国网福建省电力有限公司 | 一种基于模糊规则的空间负荷预测方法 |
CN106600063A (zh) * | 2016-12-16 | 2017-04-26 | 东北电力大学 | 一种基于模糊粗糙集理论和时空信息的空间负荷预测方法 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN108256116A (zh) * | 2018-02-12 | 2018-07-06 | 华东师范大学 | 一种农用地现状数据快速采集方法 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
WO2019237840A1 (zh) * | 2018-06-14 | 2019-12-19 | 中兴通讯股份有限公司 | 数据集生成方法及装置 |
FR3088466A1 (fr) * | 2018-11-14 | 2020-05-15 | Electricite De France | Assistance a la decision d'un lieu de deploiement de panneaux photovoltaiques par etude des courbes de charge de consommations dans le lieu. |
CN109492950A (zh) * | 2018-12-26 | 2019-03-19 | 广东电网有限责任公司 | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 |
CN110020747A (zh) * | 2019-03-14 | 2019-07-16 | 华中科技大学 | 一种负荷释放特性的影响因素分析方法 |
KR20200123310A (ko) * | 2019-04-18 | 2020-10-29 | 한국전력공사 | 부하 예측 장치 및 방법 |
CN110348750A (zh) * | 2019-07-16 | 2019-10-18 | 国网山东省电力公司经济技术研究院 | 一种基于“功能块”的配电网模块化规划系统 |
KR20210026447A (ko) * | 2019-08-30 | 2021-03-10 | 한국전력공사 | 심층 신경망 기반 전력 수요 예측 장치 및 방법 |
CN111130107A (zh) * | 2020-01-20 | 2020-05-08 | 国网河北省电力有限公司雄安新区供电公司 | 电网负荷预测方法及装置 |
CN111428926A (zh) * | 2020-03-23 | 2020-07-17 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑气象因素的区域电力负荷预测方法 |
Non-Patent Citations (16)
Title |
---|
"基于互信息可信度的主成分分析数据降维", 湖北民族学院学报(自然科学版), vol. 37, no. 4, pages 425 - 430 * |
AHMAD TANVEE等: "A comprehensive overview on the data driven and large scale based approaches for forecasting of building energy demand: A review", ENERGY AND BUILDINGS, vol. 165, pages 301 - 320, XP085355228, DOI: 10.1016/j.enbuild.2018.01.017 * |
AMMAR O. HOORI等: "Electric Load Forecasting Model Using a Multicolumn Deep Neural Networks", IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS, vol. 67, no. 8, pages 6473, XP011782054, DOI: 10.1109/TIE.2019.2939988 * |
D.A.G. VIEIRA等: "Large scale spatial electric load forecasting framework based on spatial convolution", INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS, vol. 11, no. 7, pages 1 - 20 * |
FABIAN HEYMANN等: "Distribution network planning considering technology diffusion dynamics and spatial net-load behavior", INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS, vol. 106, no. 3, pages 254 - 265 * |
MARK RAFFERTY等: "Real-Time Multiple Event Detection and Classification Using Moving Window PCA", IEEE TRANSACTIONS ON SMART GRID, vol. 7, no. 5, pages 2537, XP011620688, DOI: 10.1109/TSG.2016.2559444 * |
SALAH BOUKTIF: "Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches", ENERGIES, vol. 11, no. 7, pages 1 - 20 * |
乐欢: "基于空区推论的空间负荷预测分类分区实用法", 电力系统自动化, vol. 33, no. 7, pages 81 - 85 * |
张素智等: "基于互信息可信度的主成分分析数据降维", 湖北民族学院学报, vol. 37, no. 4, pages 425 - 430 * |
朱俊丞等: "深度学习在电力负荷预测中的应用总数", 郑州大学学报, vol. 40, no. 5, pages 13 - 22 * |
杨莉等: "基于数据挖掘的日负荷曲线预测与修正", 计算机系统应用, vol. 23, no. 12, pages 182 - 186 * |
王延超: "数据挖掘与电力系统负荷预测", 现代交际, no. 7, pages 227 - 228 * |
程鹏等: "一种基于概率神经网络的城市用地高分辨率影像信息提取方法", 林业调查规划, vol. 41, no. 2, pages 10 - 16 * |
郑美春: "基于用电信息采集系统数据挖掘的负荷预测方法及应用", CNKI优秀硕士学位论文全文库, no. 09, pages 1 - 90 * |
陈立: "考虑城市用电构成与用地划分的空间负荷预测研究", 中国优秀硕士学位论文工程科技Ⅱ辑, no. 6, pages 042 - 63 * |
黄庆键 等: "关于空间电力负荷预测方法综述与展望", 自动化应用, no. 02, pages 79 - 81 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743652A (zh) * | 2021-08-06 | 2021-12-03 | 广西大学 | 一种基于深度特征识别的甘蔗压榨过程预测方法 |
CN113743652B (zh) * | 2021-08-06 | 2022-03-11 | 广西大学 | 一种基于深度特征识别的甘蔗压榨过程预测方法 |
CN114428021A (zh) * | 2022-01-14 | 2022-05-03 | 国家石油天然气管网集团有限公司 | 一种山地管道裂纹缺陷剩余强度的评价方法 |
CN114428021B (zh) * | 2022-01-14 | 2024-05-28 | 国家石油天然气管网集团有限公司 | 一种山地管道裂纹缺陷剩余强度的评价方法 |
CN115587677A (zh) * | 2022-12-08 | 2023-01-10 | 南方电网数字电网研究院有限公司 | 基于互信息的电力系统负荷的关联因素分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113112090B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112090B (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
Shu et al. | An incremental approach to attribute reduction from dynamic incomplete decision systems in rough set theory | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN106845777A (zh) | 案件工作量评价方法、法官业绩评价方法、建模方法、计算装置和计算机可读存储介质 | |
CN113887916A (zh) | 一种配电网线损动态量化评估方法及系统 | |
CN111008870A (zh) | 一种基于pca-bp神经网络模型的区域物流需求预测方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN110287269A (zh) | 一种基于复合层次分析的数据处理分类方法和装置 | |
CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及系统 | |
CN113724195B (zh) | 基于免疫荧光图像的蛋白质的定量分析模型和建立方法 | |
CN114239962A (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
CN113837913B (zh) | 一种村镇耕地资源承载力关键阈值确定方法及装置 | |
CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
CN115796665A (zh) | 一种绿色能源发电项目多指标碳效分级评估方法及装置 | |
Karimi et al. | Analyzing the results of buildings energy audit by using grey incidence analysis | |
CN114091908A (zh) | 计及多模式储能站的配电网综合评价方法、装置和设备 | |
Agarwal et al. | A machine learning model to prune insignificant attributes | |
CN113449936A (zh) | 城市空间演进模拟预测方法、装置、电子设备及存储介质 | |
CN112329432A (zh) | 一种基于改进Apriori的配电网电压越限问题关联分析方法 | |
Dalimunthe et al. | Study of C45 Algorithm In Predicting New Employee Acception | |
Mokriš | The independent component analysis with the linear regression–predicting the energy costs of the public sector buildings in Croatia |
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 |