CN113377834A - 一种基于大数据技术的电力数据挖掘分析方法 - Google Patents
一种基于大数据技术的电力数据挖掘分析方法 Download PDFInfo
- Publication number
- CN113377834A CN113377834A CN202110637594.7A CN202110637594A CN113377834A CN 113377834 A CN113377834 A CN 113377834A CN 202110637594 A CN202110637594 A CN 202110637594A CN 113377834 A CN113377834 A CN 113377834A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- power data
- electric power
- layer
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 37
- 238000007418 data mining Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012800 visualization Methods 0.000 claims abstract description 11
- 238000007726 management method Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 28
- 230000000007 visual effect Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 10
- 210000004205 output neuron Anatomy 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013144 data compression Methods 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于大数据技术的电力数据挖掘分析方法,涉及电力数据处理领域,包括采用可视化技术以图表的形式展示电力数据;利用ARIMA模型将可视化电力数据的非平稳时间序列转化为稳定的时间序列,并建立平稳时间序列模型;使用神经网络模型对平稳时间序列模型的平稳电力数据进行反复优化,得到满足预定目标的优化结果;采用本发明方法构建的基于大数据技术的电力数据挖掘与分析方法,具备独立性、易度量性、即时性、灵活性和实用性,有助于可视化电力数据,直观了解电网的运行情况,对电网进行实时监控和管理,对大量数据进行分析,深入挖掘海量数据中的相互关系和内在联系,提高电网管理水平。
Description
技术领域
本发明涉及领域,具体的是一种基于大数据技术的电力数据挖掘分析方法。
背景技术
目前,数字电网建设正在逐步推进,积累了大量的电力数据。如何利用这些数据,已成为当前电网运行面临的重要挑战。可视化分析技术应用于电力系统,将电力数据以生动直观的图像或图形方式显示,可以帮助理解优化电力系统的行为和性能,造发生电力事故前进行预测和预防或在事故发生时快速做出快速反应,更好地理解用电客户的分布情况及发展趋势、用户用电行为等。从海量的电网数据中挖掘对电网企业有用的信息,是数据挖掘技术的一个新的应用领域。数据挖掘技术是对数字电网运营产生和积累的海量电力数据进行深度挖掘,从中发现数据之间的相关性,指导企业的业务发展。同时,大数据技术的运用也有利于电网智能云平台的建设和电网产业的现代化。在电网企业中,将数据可视化技术与数据挖掘技术相结合,不仅可以对大量数据进行深入分析,而且可以全面提高电网管理的业务水平。虽然该技术还处于起步阶段,但可以预见,它将有非常广泛的应用和非常广阔的应用前景。对于企业来说,经过长时间的信息化教育和建设准备,许多企业已经更加坚定地支持大数据的应用,希望提高业务效率,增强核心竞争力。但是目前对于电力数据的管理仍然比较混乱,展示的数据比较庞杂,对电网的监控与管理水平也比较低下。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种基于大数据技术的电力数据挖掘分析方法,本发明有助于可视化电力数据,直观了解电网的运行情况,对电网进行实时监控和管理,对大量数据进行分析,深入挖掘海量数据中的相互关系和内在联系,提高电网管理水平。
本发明的目的可以通过以下技术方案实现:
一种基于大数据技术的电力数据挖掘分析方法,包括以下步骤:
S1、采用可视化技术,获得可视化电力数据;
S2、利用ARIMA模型将所述可视化电力数据的非平稳时间序列转化为平稳的时间序列,并建立平稳时间序列模型;
S3、用神经网络模型对平稳时间序列模型中的平稳电力数据进行反复优化,得到满足预定目标的优化结果。
进一步地,获得可视化电力数据的具体步骤如下:
S1.1、采集电网运行数据、电力客户数据、电网企业管理数据、用户用电的数据,将多个数据合并形成一个数据仓库;通过聚类、删除数据仓库内的冗余数据实现数据压缩,形成电力数据;
S1.2、基于可视化技术的图表组件与电力数据进行可视化交互,获取可视化电力数据;基于可视化技术的图表组件包括饼图、散点图、漏斗图、气泡图、热力学图。
进一步地,所述S2的具体步骤为:
S2.1、识别模型
进行单位根检验和DF单侧检验;
统计量公式:
其中,τ为统计量,t为t分布,S为标准差,φ1为单位根;
利用自相关系数ACF和偏自相关系数PACF确定ARIMA模型的形式,计算公式如下:
ARIMA模型的判断公式决定了该模型是属于自回归AR模型还是移动平均 MA模型;
自回归AR模型如下所示:
yt=c+φ1yt-1+φ2yt-2+…+φpyt-p+et
其中,yt为第t个时间序列,φk为在第k个时间序列自回归系数,ek为第k 个时间序列的白噪声;
移动平均MA模型如下所示:
yt=c+θ1et-1+θ2et-2+…+θpet-q
结合上述公式得到自回归滑动平滑ARIMA模型公式:
yt=c+φ1yt-1+φ2yt-2+…+φpyt-p+et+θ1et-1+θ2et-2+…+θpet-q
模型的结构判断如下表所示:
模型结构 | AR模型 | MA模型 | ARIMA模型 |
ACF | 拖尾 | 截尾 | 拖尾 |
PACF | 截尾 | 拖尾 | 拖尾 |
S2.2、通过上述模型利用因变量的滞后值和随机误差项的现值对可视化电力数据进行回归分析,得到平稳电力数据,利用平稳电力数据建立平稳时间序列模型。
进一步地,所述S3中神经网络模型的神经元与外部神经元的输入信号相连,并通过权值连接进行传输,表达式为:
其中,f为神经元的激活函数,y为输出神经元,w为神经元的权重,x为输入神经元,θ是输出层偏置,i为神经元数量;
在将输入层神经元输入后,原始数据将逐层传输到最终的输出层结果,并计算输出层误差,将误差传播回隐含神经层后,不断调整连接权值和阈值,反复迭代后达到预期误差收敛;
隐含层bn的输入和输出表达式如下:
对于输出神经元k:
x是输入层,v是输入层的隐含层的权重值,,w是输出层权值,y是输出层神经元,θ是输出层的阈值。
一种用于电力数据挖掘的神经网络模型,包括输入层、隐含层以及输出层,所述神经网络模型实现上述分析方法。
本发明的有益效果:
本发明在数据挖掘和可视化之前,对源数据进行了预处理,实现对数据的业务理解,基于可视化技术将数据以图表的形式显示出来,利用ARIMA模型将非平稳时间序列转化为稳定时间序列,利用神经网络模型对原始数据进行反复优化,从而得到满足预定目标的优化结果,更好地实现数据挖掘和处理,采用本发明方法构建的数据挖掘与分析方法进行评估,具备独立性、易度量性、即时性、灵活性和实用性,有助于可视化电力数据,直观了解电网的运行情况,对电网进行实时监控和管理,对大量数据进行分析,深入挖掘海量数据中的相互关系和内在联系,提高电网管理水平。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明流程示意图;
图2是本发明虚拟数据集建模技术的流程图;
图3是本发明ARIMA模型图;
图4是本发明神经网络结构图;
图5是配变电时间节点的负荷趋势;
图6是时间节点负荷数据变化。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种基于大数据技术的电力数据挖掘分析方法,如图1和2所示,包括如下步骤:
S1:对原始的海量数据进行过滤,对数据进行预处理,包括数据类型的转换,数据的清洗、缺省值的处理和数据集成,明显错漏数据进行加权平均补全,选择典型的有代表性的数据,电网运行数据、电力客户数据、电网企业管理数据、用户用电等数据经采集设备采集后,存储在大数据平台中,对来自不同来源的数据进行识别、分析和合并,将多个数据继承并合并成一个统一的数据存储,形成一个数据仓库或数据方。通过聚类、删除冗余特征数据实现数据压缩;并采用可视化技术以图表的形式展示电力数据。信息可视化技术主要包括两个过程,一是将数据转换成人们容易理解和接受的可视化图形,二是利用人机交互使用户获取信息的各个阶段的信息数据转换。使用数据立方体建模技术实现电力系统数据信息的可视化,通过视图关联将所有的维度和指标关联到一个虚拟数据集中,并将视图中的列字段指定为指标或维度。使用海量数据全景实时回放技术,实现海量数据的高性能存储,并在服务端通过GPU并行计算实现索引映射,实现毫秒级的全景尺度数据可视化显示。可用于播放时间序列的全景热力图并显示动画效果。此外,可视化显示地图数据、地理位置坐标,利用数据分析结果实现可视化渲染显示。
S2:利用ARIMA模型将非平稳时间序列转化为平稳的时间序列,利用因变量的滞后值和随机误差项的现值对原有的电力数据进行回归分析,得到平稳电力数据。利用平稳电力数据可以建立平稳时间序列模型,主要有差分法和对数法;
首先进行单位根检验和DF单侧检验。设序列的非平稳状态为H0,表达式为|φ1|≥1,序列的平稳状态为H1,表达式为|φ1|<1。由此得出统计量公式:
其中,τ为统计量,t为t分布,S为标准差;
然后利用ACF和PACF确定ARIMA模型的形式,计算公式如下:
ARIMA模型的判断公式决定了该模型是属于AR模型还是MA模型。
AR模型如下所示:
yt=c+φ1yt-1+φ2yt-2+…+φpyt-p+et
MA模型如下所示:
yt=c+θ1et-1+θ2et-2+…+θpet-q
结合上述公式得到ARIMA模型公式:
yt=c+φ1yt-1+φ2yt-2+…+φpyt-p+et+θ1et-1+θ2et-2+…+θpet-q
模型的结构判断如下表所示:
S3:使用神经网络模型对数据进行反复优化,得到满足预定目标的优化结果。
以图4中的神经元为例,该结构中的神经元与外部三个神经元的输入信号相连,并通过权值连接进行传输。w1,w2,w3为神经元的权重,x1,x2,x3为输入神经元,y为输出神经元。设神经元的激活函数为f,输出神经元的表达式为:
将输入层神经元输入后,原始数据将逐层传输到最终的输出层结果,并计算输出层误差。将误差传播回隐含神经层后,不断调整连接权值和阈值,反复迭代后达到预期误差收敛。这个过程如图3所示。x1,x2,x3是输入层,v1,v2, v3是输入层的隐含层的权重值,w1,w2,w3是输出层权值,y1,y2,y3是输出层神经元,,θ1,θ2,θ3是输出层的阈值。隐含层bn的输入和输出表达式如下:
对于输出神经元k:
下面结合具体实施例采用本发明构建的基于大数据技术的电力数据挖掘与分析方法进行评估计算,以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
对某一区域的用电量进行实时负荷监控。监控结果以曲线图的方式显示,支持历史回放和按时间轴回放。可以对配电负荷进行多维统计,并以图表的形式展示给用户。用户还可以对热力图进行放大、缩小、翻译等操作,并在监控过程中实现热力图、统计图和总负荷曲线的联动。系统的热力图可以显示整个区域的负荷分布,查看历史负荷数据,并通过时间轴的调整播放历史负荷数据。本实施例计算2020年某一时间点的配电变压器测量点负荷亮度值,并按15min 显示具体变化趋势,如图5和图6所示。通过这些图标,可以监控不同的电压水平,并查看单个配电变压器的负荷。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于大数据技术的电力数据挖掘分析方法,其特征在于,包括以下步骤:
S1、采用可视化技术,获得可视化电力数据;
S2、利用ARIMA模型将所述可视化电力数据的非平稳时间序列转化为平稳的时间序列,并建立平稳时间序列模型;
S3、用神经网络模型对平稳时间序列模型中的平稳电力数据进行优化,得到满足预定目标的优化结果。
2.根据权利要求1所述的一种基于大数据技术的电力数据挖掘分析方法,其特征在于,获取可视化电力数据的具体步骤如下:
S1.1、采集电网运行数据、电力客户数据、电网企业管理数据、用户用电的数据,将多个数据合并形成一个数据仓库;通过聚类、删除数据仓库内的冗余数据实现数据压缩,形成电力数据;
S1.2、基于可视化技术的图表组件与电力数据进行可视化交互,获取可视化电力数据;基于可视化技术的图表组件包括饼图、散点图、漏斗图、气泡图、热力学图。
3.根据权利要求1所述的一种基于大数据技术的电力数据挖掘分析方法,其特征在于,所述S2的具体步骤为:
S2.1、识别模型
进行单位根检验和DF单侧检验;
统计量公式:
其中,τ为统计量,t为t分布,S为标准差,φ1为单位根;
利用自相关系数ACF和偏自相关系数PACF确定ARIMA模型的形式,计算公式如下:
ARIMA模型的判断公式决定了该模型是属于自回归AR模型还是移动平均MA模型;
自回归AR模型如下所示:
yt=c+φ1yt-1+φ2yt-2+…+φpyt-p+et
其中,yt为第t个时间序列,φk为在第k个时间序列自回归系数,ek为第k个时间序列的白噪声;
移动平均MA模型如下所示:
yt=c+θ1et-1+θ2et-2+…+θpet-q
结合上述公式得到自回归滑动平滑ARIMA模型公式:
yt=c+φ1yt-1+φ2yt-2+…+φpyt-p+et+θ1et-1+θ2et-2+…+θpet-q
模型的结构判断如下表所示:
S2.2、通过上述模型对可视化电力数据进行回归分析,得到平稳电力数据,利用平稳电力数据建立平稳时间序列模型。
5.一种基于大数据技术的电力数据挖掘分析装置,其特征在于,包括数据获取模块:采用可视化技术,获得可视化电力数据;
模型建立模块:利用ARIMA模型将所述可视化电力数据的非平稳时间序列转化为平稳的时间序列,并建立平稳时间序列模型;
数据优化模块:用神经网络模型对平稳时间序列模型中的平稳电力数据进行优化,得到满足预定目标的优化结果。
6.根据权利要求5所述的一种基于大数据技术的电力数据挖掘分析装置,其特征在于,所述数据获取模块通过采集电网运行数据、电力客户数据、电网企业管理数据、用户用电的数据,将多个数据合并形成一个数据仓库;通过聚类、删除数据仓库内的冗余数据实现数据压缩,形成电力数据;
基于可视化技术的图表组件与电力数据进行可视化交互,获取可视化电力数据;基于可视化技术的图表组件包括饼图、散点图、漏斗图、气泡图、热力学图。
7.根据权利要求5所述的一种基于大数据技术的电力数据挖掘分析装置,其特征在于,所述模型建立模块通过识别模型
进行单位根检验和DF单侧检验;
统计量公式:
其中,τ为统计量,t为t分布,S为标准差,φ1为单位根,电力数据时间序列的非平稳状态为H0,|φ1|≥1,序列的平稳状态为H1,|φ1|<1;
利用自相关系数ACF和偏自相关系数PACF确定ARIMA模型的形式,计算公式如下:
ARIMA模型的判断公式决定了该模型是属于自回归AR模型还是移动平均MA模型;
自回归AR模型如下所示:
yt=c+φ1yt-1+φ2yt-2+…+φpyt-p+et
其中,yt为第t个时间序列,φk为在第k个时间序列自回归系数,ek为第k个时间序列的白噪声;
移动平均MA模型如下所示:
yt=c+θ1et-1+θ2et-2+…+θpet-q
结合上述公式得到自回归滑动平滑ARIMA模型公式:
yt=c+φ1yt-1+φ2yt-2+…+φpyt-p+et+θ1et-1+θ2et-2+…+θpet-q
模型的结构判断如下表所示:
通过上述模型对可视化电力数据进行回归分析,得到平稳电力数据,利用平稳电力数据建立平稳时间序列模型。
8.根据权利要求5所述的一种基于大数据技术的电力数据挖掘分析装置,其特征在于,所述数据优化模块通过神经网络模型的神经元与外部神经元的输入信号相连,并通过权值连接进行传输,表达式为:
其中,f为神经元的激活函数,y为输出神经元,w为神经元的权重,x为输入神经元,θ是输出层偏置,i为神经元数量;
在将输入层神经元输入后,原始数据将逐层传输到最终的输出层结果,并计算输出层误差,将误差传播回隐含神经层后,不断调整连接权值和阈值,反复迭代后达到预期误差收敛;
隐含层bn的输入和输出表达式如下:
对于输出神经元k:
x是输入层,v是输入层的隐含层的权重值,w是输出层权值,y是输出层神经元,θ是输出层的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637594.7A CN113377834A (zh) | 2021-06-08 | 2021-06-08 | 一种基于大数据技术的电力数据挖掘分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637594.7A CN113377834A (zh) | 2021-06-08 | 2021-06-08 | 一种基于大数据技术的电力数据挖掘分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113377834A true CN113377834A (zh) | 2021-09-10 |
Family
ID=77576518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110637594.7A Pending CN113377834A (zh) | 2021-06-08 | 2021-06-08 | 一种基于大数据技术的电力数据挖掘分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377834A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651533A (zh) * | 2019-10-10 | 2021-04-13 | 中国石油大学(华东) | 整合移动平均自回归-反向传播神经网络预测方法 |
CN112819136A (zh) * | 2021-01-20 | 2021-05-18 | 南京邮电大学 | 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统 |
-
2021
- 2021-06-08 CN CN202110637594.7A patent/CN113377834A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651533A (zh) * | 2019-10-10 | 2021-04-13 | 中国石油大学(华东) | 整合移动平均自回归-反向传播神经网络预测方法 |
CN112819136A (zh) * | 2021-01-20 | 2021-05-18 | 南京邮电大学 | 基于cnn-lstm神经网络模型与arima模型的时间序列预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
胡志朝: "基于电力物联网的数据可视化分析", 中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑), no. 04, 15 April 2021 (2021-04-15), pages 5 - 38 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11599892B1 (en) | Methods and systems to extract signals from large and imperfect datasets | |
CN105868334A (zh) | 一种基于特征递增型的电影个性化推荐方法及系统 | |
CN111612346A (zh) | 消防安全监测方法、装置、计算机设备和存储介质 | |
CN114862656A (zh) | 基于多gpu的分布式深度学习模型训练代价的获取方法 | |
CN113420009B (zh) | 一种基于大数据的电磁数据分析装置、系统及方法 | |
Yang et al. | A new algorithm of stock data mining in Internet of Multimedia Things | |
CN115310638A (zh) | 基于数字孪生的变电站运维方法及系统 | |
CN114138868B (zh) | 空气质量统计分布图绘制方法和装置 | |
CN110991915A (zh) | 基于数据包络分析电网核心指标综合效益方法 | |
CN113408808A (zh) | 训练方法、数据生成方法、装置、电子设备以及存储介质 | |
CN113377834A (zh) | 一种基于大数据技术的电力数据挖掘分析方法 | |
CN111127186A (zh) | 一种基于大数据技术的客户信用等级评价体系的使用方法 | |
CN115409541A (zh) | 基于数据血缘的卷烟品牌数据处理方法 | |
Zheng et al. | Stock trend prediction based on ARIMA-LightGBM hybrid model | |
CN108920810A (zh) | 基于大数据架构的电力仿真方法 | |
CN114419182A (zh) | 图像处理方法和装置 | |
Li et al. | Drawing and studying on histogram | |
Tian et al. | Real-time Multidimensional Data Mining and Analysis Technology Based on Big Data | |
CN114860563A (zh) | 应用程序测试方法、装置、计算机可读存储介质及设备 | |
Bi et al. | Adaptive prediction of resources and workloads for cloud computing systems with attention-based and hybrid LSTM | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN116467610B (zh) | 基于5g消息的数据拓扑分析方法、装置、设备及存储介质 | |
CN114925888A (zh) | 一种基于大数据技术的电力数据挖掘分析方法 | |
CN115718664B (zh) | 一种边缘计算平台算力分配调度方法及系统 | |
CN113673828B (zh) | 一种基于知识图谱及大数据的审计数据处理方法、系统、介质及装置 |
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 |