CN113298297A - 一种基于孤立森林与wgan网络的风电输出功率预测方法 - Google Patents
一种基于孤立森林与wgan网络的风电输出功率预测方法 Download PDFInfo
- Publication number
- CN113298297A CN113298297A CN202110503783.5A CN202110503783A CN113298297A CN 113298297 A CN113298297 A CN 113298297A CN 202110503783 A CN202110503783 A CN 202110503783A CN 113298297 A CN113298297 A CN 113298297A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- value
- network
- isolated
- 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
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 230000000873 masking effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000512668 Eunectes Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/045—Combinations of 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明一种基于孤立森林与WGAN网络的风电输出功率预测方法,包括基于孤立森林的风电原始数据异常值检测方法,用于自适应检测并剔除海量风电数据中的异常值;以及基于对抗生成网络的缺失值填补方法,用于探索风电数据的变化规律,从而填补风电数据的缺失值和上一步骤中剔除的异常值;以及面向海量风电数据的归一化方法,用于统一风电数据中不同特征的量纲;以及基于门控循环单元网络的风电功率预测方法,用于高精度超短期风电输出功率预测。本发明可高精度还原风电原始数据的缺失值和剔除的异常值,分析风电数据在时间序列上的变化情况,更好地对异常检测后的风电数据进行插值,得到完整的数据集,准确预测超短期风电输出功率。
Description
技术领域
本发明属于电网技术领域,亦属于大数据分析与应用技术领域,涉及风电场发电的并网,特别涉及一种基于孤立森林与WGAN网络的风电输出功率预测方法。
背景技术
风电场通过开展风电功率预测来进行电力市场竞价和风电场运行维护,通过风电功率预测系统的预测结果,电网调度部门进行合理的发电计划安排,减少系统的旋转备用容量,提高电网运行的经济性,同时通过提前预测风电功率的波动,合理的安排运行方式和应对措施,提高电网的安全性和可靠性。但是数据在采集过程中由于传感器等硬件设备所带来的采集误差,对后期风电功率预测带来一定的误差。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于孤立森林与WGAN网络的风电输出功率预测方法,通过异常数据剔除和插补,尽可能规避了由于多方面原因所带来的异常值现象,提高预测准确性。
为了实现上述目的,本发明采用的技术方案是:
一种基于孤立森林与WGAN网络的风电输出功率预测方法,包括如下步骤:
步骤1,将风电场传感器所接收的原始数据构成原始数据集,先在原始数据集中提取特征数据得到特征数据集,然后基于孤立森林的风电原始数据异常值检测方法,自适应检测并剔除特征数据集中的异常数据,得到含有缺失值的特征数据集;
步骤2,对步骤1中获取的含有缺失值的特征数据集进行插值操作,填补风电数据的缺失值和步骤1中剔除的异常值;
步骤3,将步骤2所生成的数据集归一化之后作为预测模型的输入数据,预测模型经过训练测试后输出预测结果。
与现有技术相比,本发明针对风电数据采集过程中出现的异常值现象,以及相应类似于风电原始数据一样的时序数据存在的异常值现象,采用异常数据剔除和插补的方法,将采集到原始数据中的异常值进行剔除和插补,最终获得输入的特征数据进行预测模型的训练和测试,达到风电场所需的预测模型。采用本发明,可极大程度上解决风电原始数据采集的误差现象,提高预测模型预测的准确性,为电网调度部门和风电场提高更精准的预测数据。
附图说明
图1是本发明整体流程示意图。
图2是本发明实施例中真实值与插补值的可视化对比示意图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示,本发明为一种基于孤立森林与WGAN网络的风电输出功率预测方法,包括如下步骤:
步骤1,将风电场传感器所接收的原始数据(主要包括气象部门监测的温度、压强数据以及风电场监测的风速、风向数据)构成原始数据集,先在原始数据集中提取特征数据得到特征数据集,然后基于孤立森林的风电原始数据异常值检测方法,自适应检测并剔除特征数据集中的异常数据,得到含有缺失值的特征数据集。
其中,风电原始数据异常值检测方法如下:
步骤1.1,构建随机二叉树,在风电原始数据中选取一个特征,随机选择该特征下的一个值Value作为根节点,以此对该特征下其余值进行分类,当选取值小于根节点时,将该值放在Value值的左叶子上,大于根节点时,则放在右叶子上,以此递归剩下的数据集,直到传入的数据只有一条数据或二叉树的高度达到限定高度时结束执行,此时完成了一棵孤立树的构建。限定高度一般应设在log(n)~log(n-1)之间,n为数据个数。在孤立树中,叶子结点的路径长度可判断一条数据是否为异常值(孤立森林会将异常值被划分到叶子结点处),进而可计算整个孤立森林的路径长度期望。
步骤1.2,当一棵孤立树构建完成后,在特征数据集中采取同样方式重新构建新的孤立树,直到构建t棵树结束,对于数据x,令其遍历每一棵孤立树,并计算数据x在每一棵孤立树上的路径长度h(x),即叶子结点到根节点的距离。
本发明通过计算数据x在所有孤立树上的平均路径长度c(n),然后使用平均路径长度c(n)来标准化数据长度h(x),从而形成最后完整的孤立森林。c(n)是h(x)在n个数据的情况下的平均值,本发明用其来规范化h(x),c(n)的计算公式如下:
其中H(n-1)为调节函数,H(n-1)=ln(n-1)+ζ,ζ为欧拉常数,ζ=0.5772156649,n为数据个数。
步骤1.3,根据路径长度h(x)判断数据x是否为异常数据,若是,则将其剔除。
具体地,先计算整个孤立森林的路径长度平均值E(h(x)),E(h(x))为h(x)的期望,并计算异常分数s(x,n),s(x,n)取值为[0,1],当s(x,n)为1时数据x为异常值;当s(x,n)小于0.5时数据x为正常值;当s(x,n)为0.5±0.01时当前特征数据集中无明显的异常值,此时即得到含有缺失值的特征数据集。
步骤2,对步骤1中获取的含有缺失值的特征数据集进行插值操作,填补风电数据的缺失值和步骤1中剔除的异常值。
由于不完整时间序列数据相邻之间的时间差存在一定的潜在关系,同时原始数据采集的不完整性,GAN网络可以训练生成接近于真实数据的数据元素,而基于RNN的GRU神经单元所提出的一种新的GRUI神经单元,该神经单元可以注意到相邻时间序列的不同时间间隔,淡化由不同时间间隔所带来的影响。由于GAN网络训练的不确定性,故此采用Wasserstein距离作为衡量标准的WGAN网络进行缺失值的生成填补工作。因此本步骤采用依次采用GRUI神经单元构成的WGAN网络进行数据元素的插补,并进行主成分提取,获取得到对应的特征数据集,将获得的最终的预测模型输入数据集。
具体地,本发明利用基于生成对抗网络的缺失值填补方法进行插值操作,所述生成对抗网络由一个生成器G和一个辨别器D构成,生成器G和辨别器D均由三个GRUI层、一个Dense层和一个dropout层构成,其中生成器用于寻找输入数据的真实分布,辨别器用来训练获取填补缺失值。
具体的插值操作的步骤如下:
步骤2.1,将随机噪声向量z输入到生成器G中,得到生成的时间序列G(z),G(z)是由WGAN网络生成器所生成的伪时间序列,创建一个掩蔽重建损失函数Lr(z),用来判断G(z)与不完整的原始时间序列X是否足够接近,原始时间序列X即异常值检测剔除后的剩余数据序列,Lr(z)仅计算原始时间序列X与生成的时间序列G(z)未缺失值的欧几里得范数,如下所示:
Lr(z)=||X·Q-G(z)·Q||2
其中Q为掩模矩阵,表示原始时间序列X中缺失值的位置,数据存在时该位置为1,反之为0;
步骤2.2,创建鉴别损失函数Ld(z),用来表示G(z)的真实程度,Ld(z)通过计算G(z)的方差D,以此判别损失:
Ld(z)=-D(G(z))
根据掩蔽重建损失函数Lr(z)和鉴别损失函数Ld(z)构建插值损失函数Limputation(z),Limputation(z)=Lr(z)+λLd(z),λ为超参数;
利用Limputation(z)对G(z)进行训练,得出收敛后的生成时间序列G(z)′,根据下式进行插值:
ximputed=X·Q+(1-Q)·G(z)'
qi,j为Q中第i行第j列的数据,当qi,j为0时表示xi,j为缺失值,其中xi,j为原始时间序列中第i行第j列的数据,即当qi,j为0时表示第i行第j列的值为缺失值,此时xi,j·qi,j为0,1-qi,j为1,ximputed即为相应位置缺失值生成的数据;
通过WGAN网络中生成器的不断生成,鉴别器的不断判别,进而获得最贴近原始真实风电数据的生成数据。其中,WGAN网络的内部结构采用门控单元GRUI构成。
步骤3,将步骤2所生成的数据集归一化之后作为预测模型的输入数据,预测模型经过训练测试后输出预测结果,提高预测准确性和模型适用性,提高资源利用率及电网部门的调度能力。
本发明中,预测模型由卷积神经网络和长短时记忆网络混合构成,训练步骤如下:
步骤3.1,对步骤2执行所得的处理数据进行主成分分析操作,选取出风电原始数据中对风电功率预测影响最大的几个特征,同时对数据集进行归一化操作,将不同特征值统一量纲,构成主要特征数据集;
步骤3.2,将主要特征数据集作为预测模型的输入数据,预测模型由卷积层、LSTM层和Dropout层及Dense层构成,以此进行数据间隔为15分钟的超短期风电功率预测,输出相应的高精度预测结果和准确率。
在本发明的一个具体实施例中,硬件为一台计算机,配置包含硬件环境:CPU:2颗Intel Xeon 6130处理器(2.1GHz/16c)/2666MHz/10.4GT;GPU:6块16G_TESLA-P100_4096b_P_CAC;内存:16根32G ECC Registered DDR4 2666;软件环境:操作系统:Ubantu 16.04;深度学习框架:Tensorflow;语言及开发环境:Python 2.7、Anaconda 3。
本实施例以2019年内蒙古东部某风电厂所采集的数据为分析对象,得到了风电原始数据集。并按照上述步骤进行异常值的检测、删除和空缺值的插值操作,并将处理过的数据集进行主特征提取,得出输入数据特征数据,进而进行预测模型的训练和测试,得出最优预测模型。
表1为原始风电数据中天气预报数据(部分示意),如下:
表1
表2为原始风电数据中风电实际功率(部分示意,含缺失值),如下:
表2
为保证实验的可控性,通过人工手动进行部分特征值的删除操作,采用上述所提方法进行数据插值操作,并于真实数据进行对比,以此判断所提方法的准确性,具体结果如表3和图2所示。
表3风电插值方法预测准确率
插值模型 | R2-score准确率 |
平均值插补 | 0.755 |
基于KNN算法的插补 | 0.743 |
基于GAN网络的插补 | 0.788 |
使用GRUi构建的WGAN网络插值 | 0.809 |
通过本发明的实施步骤,由表3和图2可以看出本发明将实例中采集到的原始数据经过异常值剔除和缺失值填补之后,很好的解决了数据采集过程中多因素造成的误差,综合了风电数据的连续性和异常值的稀疏性,进一步提高了预测的准确性,为电力调度部门等提供了更准确的预测结果。
虽然本发明已经通过优选实施例进行了描述,然而本发明并非局限于这里所描述的实施例,在不脱离本发明范围的情况下还包括所作出的各种改变以及变化。
Claims (8)
1.一种基于孤立森林与WGAN网络的风电输出功率预测方法,其特征在于,包括如下步骤:
步骤1,将风电场传感器所接收的原始数据构成原始数据集,先在原始数据集中提取特征数据得到特征数据集,然后基于孤立森林的风电原始数据异常值检测方法,自适应检测并剔除特征数据集中的异常数据,得到含有缺失值的特征数据集;
步骤2,对步骤1中获取的含有缺失值的特征数据集进行插值操作,填补风电数据的缺失值和步骤1中剔除的异常值;
步骤3,将步骤2所生成的数据集归一化之后作为预测模型的输入数据,预测模型经过训练测试后输出预测结果。
2.根据权利要求1所述基于孤立森林与WGAN网络的风电输出功率预测方法,其特征在于,所述步骤1中,原始数据包括气象部门监测的温度、压强数据以及风电场监测的风速、风向数据。
3.根据权利要求1所述基于孤立森林与WGAN网络的风电输出功率预测方法,其特征在于,所述基于孤立森林的风电原始数据异常值检测方法如下:
步骤1.1,构建随机二叉树,在风电原始数据中选取一个特征,随机选择该特征下的一个值Value作为根节点,以此对该特征下其余值进行分类,当选取值小于根节点时,将该值放在Value值的左叶子上,大于根节点时,则放在右叶子上,以此递归剩下的数据集,直到传入的数据只有一条数据或二叉树的高度达到限定高度时结束执行,此时完成了一棵孤立树的构建;
步骤1.2,当一棵孤立树构建完成后,在特征数据集中采取同样方式重新构建新的孤立树,直到构建t棵树结束,对于数据x,令其遍历每一棵孤立树,并计算数据x在每一棵孤立树上的路径长度h(x),即叶子结点到根节点的距离;
步骤1.3,根据路径长度h(x)判断数据x是否为异常数据,若是,则将其剔除。
4.根据权利要求3所述基于孤立森林与WGAN网络的风电输出功率预测方法,其特征在于,所述限定高度在log(n)~log(n-1)之间,n为数据个数。
5.根据权利要求3所述基于孤立森林与WGAN网络的风电输出功率预测方法,其特征在于,计算数据x在所有孤立树上的平均路径长度c(n),使用平均路径长度c(n)来标准化数据长度h(x),从而形成最后完整的孤立森林;
所述平均路径长度c(n)的计算公式如下:
其中,H(n-1)为调节函数,H(n-1)=ln(n-1)+ζ,ζ为欧拉常数,ζ=0.5772156649,n为数据个数;c(n)是h(x)在n个数据的情况下的平均值,使用其来规范化h(x);
计算整个孤立森林的路径长度平均值E(h(x)),并通过下式计算异常分数s(x,n):
其中,E(h(x))为h(x)的期望;s(x,n)取值为[0,1],当s(x,n)为1时数据x为异常值;当s(x,n)小于0.5时数据x为正常值;当s(x,n)为0.5±0.01时当前特征数据集中无明显的异常值,此时得到含有缺失值的特征数据集。
6.根据权利要求1所述基于孤立森林与WGAN网络的风电输出功率预测方法,其特征在于,所述步骤2中,利用基于生成对抗网络的缺失值填补方法进行插值操作,所述生成对抗网络由一个生成器G和一个辨别器D构成,生成器G和辨别器D均由三个GRUI层、一个Dense层和一个dropout层构成,其中生成器用于寻找输入数据的真实分布,辨别器用来训练获取填补缺失值。
7.根据权利要求6所述基于孤立森林与WGAN网络的风电输出功率预测方法,其特征在于,所述插值操作的步骤如下:
步骤2.1,将随机噪声向量z输入到生成器G中,得到生成的时间序列G(z),G(z)是由WGAN网络生成器所生成的伪时间序列,创建一个掩蔽重建损失函数Lr(z),用来判断G(z)与不完整的原始时间序列X是否足够接近,原始时间序列X即异常值检测剔除后的剩余数据序列,Lr(z)仅计算原始时间序列X与生成的时间序列G(z)未缺失值的欧几里得范数,如下所示:
Lr(z)=||X·Q-G(z)·Q||2
其中Q为掩模矩阵,表示原始时间序列X中缺失值的位置,数据存在时该位置为1,反之为0;
步骤2.2,创建鉴别损失函数Ld(z),用来表示G(z)的真实程度,Ld(z)通过计算G(z)的方差D,以此判别损失:
Ld(z)=-D(G(z))
根据掩蔽重建损失函数Lr(z)和鉴别损失函数Ld(z)构建插值损失函数Limputation(z),Limputation(z)=Lr(z)+λLd(z),λ为超参数;
利用Limputation(z)对G(z)进行训练,得出收敛后的生成时间序列G(z)′,根据下式进行插值:
ximputed=X·Q+(1-Q)·G(z)'
qi,j为Q中第i行第j列的数据,当qi,j为0时表示xi,j为缺失值,其中xi,j为原始时间序列中第i行第j列的数据,即当qi,j为0时表示第i行第j列的值为缺失值,此时xi,j·qi,j为0,1-qi,j为1,ximputed即为相应位置缺失值生成的数据;
通过WGAN网络中生成器的不断生成,鉴别器的不断判别,进而获得最贴近原始真实风电数据的生成数据。在其中,WGAN网络的内部结构采用门控单元GRUI构成。
8.根据权利要求7所述基于孤立森林与WGAN网络的风电输出功率预测方法,其特征在于,所述步骤3中,预测模型由卷积神经网络和长短时记忆网络混合构成,训练步骤如下:
步骤3.1,对步骤2执行所得的处理数据进行主成分分析操作,选取出风电原始数据中对风电功率预测影响最大的几个特征,同时对数据集进行归一化操作,将不同特征值统一量纲,构成主要特征数据集;
步骤3.2,将主要特征数据集作为预测模型的输入数据,预测模型由卷积层、LSTM层和Dropout层及Dense层构成,以此进行数据间隔为15分钟的超短期风电功率预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110503783.5A CN113298297B (zh) | 2021-05-10 | 2021-05-10 | 一种基于孤立森林与wgan网络的风电输出功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110503783.5A CN113298297B (zh) | 2021-05-10 | 2021-05-10 | 一种基于孤立森林与wgan网络的风电输出功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298297A true CN113298297A (zh) | 2021-08-24 |
CN113298297B CN113298297B (zh) | 2022-03-25 |
Family
ID=77321842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110503783.5A Active CN113298297B (zh) | 2021-05-10 | 2021-05-10 | 一种基于孤立森林与wgan网络的风电输出功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298297B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113516A (zh) * | 2021-10-27 | 2022-03-01 | 内蒙古工业大学 | 一种基于gan的水质异常数据检测方法 |
CN114509283A (zh) * | 2022-01-05 | 2022-05-17 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
CN114925808A (zh) * | 2022-04-15 | 2022-08-19 | 北京理工大学 | 一种基于云网端资源中不完整时间序列的异常检测方法 |
CN115345319A (zh) * | 2022-08-11 | 2022-11-15 | 黑龙江大学 | 基于缺失率与异常度度量的不完备数据集建模及处理方法 |
CN116627953A (zh) * | 2023-05-24 | 2023-08-22 | 首都师范大学 | 一种地下水位监测数据缺失的修复方法 |
CN117292709A (zh) * | 2023-11-23 | 2023-12-26 | 中瑞恒(北京)科技有限公司 | 一种暖通机房异常音频识别方法及装置 |
CN117332341A (zh) * | 2023-11-28 | 2024-01-02 | 贵州空港智能科技有限公司 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
CN109145957A (zh) * | 2018-07-26 | 2019-01-04 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配电网异常指标的识别与处理方法及装置 |
US20190354850A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Identifying transfer models for machine learning tasks |
CN110837301A (zh) * | 2019-11-16 | 2020-02-25 | 北京华严互娱科技有限公司 | 一种用于手势识别的数据手套及手势识别方法 |
CN111027768A (zh) * | 2019-12-10 | 2020-04-17 | 内蒙古工业大学 | 数据处理方法、装置和应用平台 |
CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
CN111738520A (zh) * | 2020-06-24 | 2020-10-02 | 中国电子科技集团公司第二十八研究所 | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 |
CN111968053A (zh) * | 2020-08-13 | 2020-11-20 | 南京邮电大学 | 基于门控卷积生成对抗网络的图像修复方法 |
US20210049517A1 (en) * | 2019-08-13 | 2021-02-18 | Sony Corporation | Method and apparatus for generating a combined isolation forest model for detecting anomalies in data |
CN112464051A (zh) * | 2020-12-08 | 2021-03-09 | 深圳市金证优智科技有限公司 | 一种异常数据检测方法、装置及计算机可读存储介质 |
-
2021
- 2021-05-10 CN CN202110503783.5A patent/CN113298297B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
US20190354850A1 (en) * | 2018-05-17 | 2019-11-21 | International Business Machines Corporation | Identifying transfer models for machine learning tasks |
CN109145957A (zh) * | 2018-07-26 | 2019-01-04 | 国网浙江省电力有限公司温州供电公司 | 基于大数据的配电网异常指标的识别与处理方法及装置 |
US20210049517A1 (en) * | 2019-08-13 | 2021-02-18 | Sony Corporation | Method and apparatus for generating a combined isolation forest model for detecting anomalies in data |
CN110837301A (zh) * | 2019-11-16 | 2020-02-25 | 北京华严互娱科技有限公司 | 一种用于手势识别的数据手套及手势识别方法 |
CN111027768A (zh) * | 2019-12-10 | 2020-04-17 | 内蒙古工业大学 | 数据处理方法、装置和应用平台 |
CN111666276A (zh) * | 2020-06-11 | 2020-09-15 | 上海积成能源科技有限公司 | 一种电力负荷预测中应用孤立森林算法剔除异常数据处理的方法 |
CN111738520A (zh) * | 2020-06-24 | 2020-10-02 | 中国电子科技集团公司第二十八研究所 | 一种融合孤立森林与长短期记忆网络的系统负载预测方法 |
CN111968053A (zh) * | 2020-08-13 | 2020-11-20 | 南京邮电大学 | 基于门控卷积生成对抗网络的图像修复方法 |
CN112464051A (zh) * | 2020-12-08 | 2021-03-09 | 深圳市金证优智科技有限公司 | 一种异常数据检测方法、装置及计算机可读存储介质 |
Non-Patent Citations (6)
Title |
---|
HAODONG LU等: "GAN-based Data Augmentation Strategy for Sensor Anomaly Detection in Industrial Robots", 《IEEE SENSORS JOURNAL ( EARLY ACCESS )》 * |
WANG YONGSHEGN: "Analysis on power setback and safety-stability control strategy coordination in Jinhua converter station", 《ZHEJIANG ELECTRIC POWER》 * |
张俭: "基于深度学习的风功率预测模型的研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
张倩等: "频域分解和深度学习算法在短期负荷及光伏功率预测中的应用", 《中国电机工程学报》 * |
梁宇轩: "基于多层注意力神经网络的地理传感器时间序列预测", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
苏晓明等: "基于PCA-UPF的风力机轴承剩余寿命预测方法", 《太阳能学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114113516A (zh) * | 2021-10-27 | 2022-03-01 | 内蒙古工业大学 | 一种基于gan的水质异常数据检测方法 |
CN114509283A (zh) * | 2022-01-05 | 2022-05-17 | 中车唐山机车车辆有限公司 | 系统故障监测方法、装置、电子设备和存储介质 |
CN114925808A (zh) * | 2022-04-15 | 2022-08-19 | 北京理工大学 | 一种基于云网端资源中不完整时间序列的异常检测方法 |
CN114925808B (zh) * | 2022-04-15 | 2023-10-10 | 北京理工大学 | 一种基于云网端资源中不完整时间序列的异常检测方法 |
CN115345319A (zh) * | 2022-08-11 | 2022-11-15 | 黑龙江大学 | 基于缺失率与异常度度量的不完备数据集建模及处理方法 |
CN115345319B (zh) * | 2022-08-11 | 2023-12-08 | 黑龙江大学 | 基于缺失率与异常度度量的不完备数据集建模及处理方法 |
CN116627953A (zh) * | 2023-05-24 | 2023-08-22 | 首都师范大学 | 一种地下水位监测数据缺失的修复方法 |
CN116627953B (zh) * | 2023-05-24 | 2023-10-27 | 首都师范大学 | 一种地下水位监测数据缺失的修复方法 |
CN117292709A (zh) * | 2023-11-23 | 2023-12-26 | 中瑞恒(北京)科技有限公司 | 一种暖通机房异常音频识别方法及装置 |
CN117292709B (zh) * | 2023-11-23 | 2024-02-09 | 中瑞恒(北京)科技有限公司 | 一种暖通机房异常音频识别方法及装置 |
CN117332341A (zh) * | 2023-11-28 | 2024-01-02 | 贵州空港智能科技有限公司 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
CN117332341B (zh) * | 2023-11-28 | 2024-02-02 | 贵州空港智能科技有限公司 | 基于物联网的飞机轮挡数据智能管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113298297B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN107909212B (zh) | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN110659672B (zh) | 一种风电机组出力分步不确定性预测方法及装置 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN112181706A (zh) | 一种基于对数区间隔离的电力调度数据异常检测方法 | |
CN114548509A (zh) | 一种多能源系统多类型负荷联合预测方法及系统 | |
CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN113112188B (zh) | 一种基于预筛选动态集成的电力调度监控数据异常检测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN115496264A (zh) | 一种风电机组发电功率的预测方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 |
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 |