CN113377841A - 一种基于大数据的能源负荷预测系统 - Google Patents

一种基于大数据的能源负荷预测系统 Download PDF

Info

Publication number
CN113377841A
CN113377841A CN202110683319.9A CN202110683319A CN113377841A CN 113377841 A CN113377841 A CN 113377841A CN 202110683319 A CN202110683319 A CN 202110683319A CN 113377841 A CN113377841 A CN 113377841A
Authority
CN
China
Prior art keywords
energy
sample
load
data
type
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
Application number
CN202110683319.9A
Other languages
English (en)
Inventor
马瑞
刘佳
朱东歌
沙江波
张爽
闫振华
黄鸣宇
高博
张庆平
罗海荣
李永亮
李学锋
王海龙
买波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Ningxia Electric Power Co Ltd
Priority to CN202110683319.9A priority Critical patent/CN113377841A/zh
Publication of CN113377841A publication Critical patent/CN113377841A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F16/2455—Query execution
    • G06F16/24552—Database cache management
    • 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
    • G06F16/2477—Temporal data queries
    • 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
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • 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
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的能源负荷预测系统，包括以下步骤：(1)通过大数据接收待检测区域内的能源使用情况；(2)把所有采集到的数据存放到Kafka缓存集群中，并将数据存放到Kafka缓存集群中的消息转发出去；(3)进行时刻、温度、负荷量任务分类，所述任务分类包括根据各个区域的工作状态向大数据库反馈任务领取请求；(4)获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量；(5)进行初始化任务步骤并进行分析信息；(6)将数据输入能源负荷预测模型中，得到待预测能源的预测负荷量；本发明的有益效果是，通过大数据处理能够有效地预测能源负荷，使用效果佳。

Description

一种基于大数据的能源负荷预测系统
技术领域
本发明涉及电力技术领域，特别是一种基于大数据的能源负荷预测系统。
背景技术
随着生产、生活需求的增大，人们对能源负荷量的需求也随之增大，为了保证能源充足，并最大可能避免能源的浪费，供能公司的工作人员通常会预测未来时间段的能源负荷量，并根据预测的能源负荷量，调节未来时间段的能源负荷量。
目前，对能源负荷量的预测过程中，供能公司的工作人员一般都是根据特定种类能源的历史负荷量情况，预测下一阶段的能源负荷量情况；而实际生产、生活中，不同能源之间的负荷量会相互影响。例如，某地区的居民习惯使用热能，相对应的，此地区居民电能的负荷量就会比其他地区同期减少，这种只考虑单一种类能源历史负荷量情况的预测方法，导致对能源负荷量的预测精度偏低，无法准确预测未来时间段内特定种类能源的负荷量。
基于此，目前亟需一种区域内能源负荷量的预测方法，用于解决现有技术中预测区域内特定种类能源负荷量，精度偏低的问题。
发明内容
由于目前对于能源负荷进行预测通常是工作人员根据特定种类能源的历史负荷量情况，预测下一阶段的能源负荷量情况，该种预测方式对于能源负荷的监测不太确切，因此不同能源之间的负荷量会相互影响，因此在该条件下预测的能源负荷量精度偏低，为了解决该问题，我们设计了一种基于大数据对能源负荷进行预测的系统，对能源负荷量预测效果佳，精度比较高。
实现上述目的本发明的技术方案为，一种基于大数据的能源负荷预测系统，包括以下步骤：
(1)通过大数据接收待检测区域内的能源使用情况；
(2)把所有采集到的数据存放到Kafka缓存集群中，并将数据存放到Kafka缓存集群中的消息转发出去；
(3)进行时刻、温度、负荷量任务分类，所述任务分类包括根据各个区域的工作状态向大数据库反馈任务领取请求；
(4)获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量，第一类相关能源的多个第一类历史负荷量，第二类相关能源的多个第二类历史负荷量；所述第一类相关能源为已预先确定与所述待预测能源具有关联关系的一类能源；所述第二类相关能源为已预先确定与所述待预测能源具有关联关系的另一类能源；一个历史负荷量对应一个历史时刻；多个所述历史负荷量、多个所述第一类历史负荷量以及多个所述第二类历史负荷量对应的历史时刻相同；
(5)进行初始化任务步骤并进行分析信息，所述分析信息包括请求数据框架所需参数、框架构建上下文、数据存储与检索、数据分析对比、运行控制和执行任务；
(6)将所述待预测时刻、所述待预测时刻的预估温度、所述多个历史负荷量、所述多个第一类历史负荷量以及多个所述第二类历史负荷量输入能源负荷预测模型中，得到待预测能源的预测负荷量。
对本技术方案的进一步补充，步骤(2)中在数据存放步骤之前还包括数据采集步骤：与各业务系统中的数据源对接，判断数据的采集适配方式，并基于确定的采集适配方式进行数据采集，所述数据的采集适配方式包括：面向数据源采集、面向数据库采集和面向文件采集。
对本技术方案的进一步补充，所述能源负荷预测模型采用以下方法确定：
获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量；一个所述样本负荷量对应一个所述样本时刻；所述第一类样本相关能源为已预先确定与所述待训练能源具有关联关系的一类能源；所述第二类样本相关能源为已预先确定与所述待训练能源具有关联关系的另一类能源；多个所述样本负荷量、多个所述第一类样本负荷量以及多个所述第二类样本负荷量对应的所述样本时刻相同；
将X个所述第一类样本负荷量、X个所述第二类样本负荷量、X个所述样本负荷量、Y个所述样本时刻的样本温度以及Y个所述样本时刻作为输入，将Y个所述样本负荷量作为输出，训练得到所述能源负荷预测模型；Z＝X+Y，且X个所述样本时刻的任一样本时刻，早于Y个所述样本时刻的任一样本时刻。
对本技术方案的进一步补充，获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量，之前，还包括：
获取所述样本区域内所述待训练能源的多个抽样负荷量，以及其他类能源的其他类多个抽样负荷量；一类多个抽样负荷量对应一类能源；
将所述多个抽样负荷量，与所述其他类多个抽样负荷量，进行相关性分析，确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
对本技术方案的进一步补充，所述面向数据库采集采用数据库形式的系统接入，即关联以关系型数据库形式开放的外接系统，通过适配器对其系统下的数据库进行关联和监控，以实现相关业务信息与数据的实时或定时获取，在数据采集的实现上，采用通过ETL工具的方式提供数据库适配器进行完成：使用ETL工具提供的数据库适配器连接各接入业务系统数据库完成数据的采集与抽取，并可根据业务要求，以实时、定时的方式进行实现。
对本技术方案的进一步补充，在数据存放步骤中的数据转发包括全量数据转发和定制数据转发。
对本技术方案的进一步补充，电能源、气能源以及热能源。
对本技术方案的进一步补充，步骤(4)中数据存储与检索通过基于Hadoop的数据储存模块为运行载体，所述数据储存模块包括Hive系统、MapReduce系统、HBase系统、HDFS系统。
对本技术方案的进一步补充，步骤(3)中任务分类通过基于多任务学习机制和分布式深度学习模块构建多任务分类模型，并对各类任务通过共享编码器进行编码，根据多标签分类任务和层次分类任务交替对各类任务分类模型进行解码并得到分类标签；所述分布式深度学习模块涵盖自回馈学习模型、再学习模型、长记忆模型和聚类模型。
其有益效果在于，通过大数据处理能够有效地预测能源负荷，使用效果佳；在此过程中，能够根据样本温度、样本时刻、样本负荷全面对能源负荷进行预测，测试数据比较全面，预测精度比较高。
具体实施方式
由于目前对于能源负荷进行预测通常是工作人员根据特定种类能源的历史负荷量情况，预测下一阶段的能源负荷量情况，该种预测方式对于能源负荷的监测不太确切，因此不同能源之间的负荷量会相互影响，因此在该条件下预测的能源负荷量精度偏低，为了解决该问题，我们设计了一种基于大数据对能源负荷进行预测的系统，对能源负荷量预测效果佳，精度比较高。
一种基于大数据的能源负荷预测系统，包括以下步骤：
(1)通过大数据接收待检测区域内的能源使用情况；
(2)把所有采集到的数据存放到Kafka缓存集群中，并将数据存放到Kafka缓存集群中的消息转发出去；数据存放步骤之前还包括数据采集步骤：与各业务系统中的数据源对接，判断数据的采集适配方式，并基于确定的采集适配方式进行数据采集，所述数据的采集适配方式包括：面向数据源采集、面向数据库采集和面向文件采集。
(3)进行时刻、温度、负荷量任务分类，所述任务分类包括根据各个区域的工作状态向大数据库反馈任务领取请求；步骤(3)中任务分类通过基于多任务学习机制和分布式深度学习模块构建多任务分类模型，并对各类任务通过共享编码器进行编码，根据多标签分类任务和层次分类任务交替对各类任务分类模型进行解码并得到分类标签；所述分布式深度学习模块涵盖自回馈学习模型、再学习模型、长记忆模型和聚类模型。
(4)获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量，第一类相关能源的多个第一类历史负荷量，第二类相关能源的多个第二类历史负荷量；所述第一类相关能源为已预先确定与所述待预测能源具有关联关系的一类能源；所述第二类相关能源为已预先确定与所述待预测能源具有关联关系的另一类能源；一个历史负荷量对应一个历史时刻；多个所述历史负荷量、多个所述第一类历史负荷量以及多个所述第二类历史负荷量对应的历史时刻相同；数据存储与检索通过基于Hadoop的数据储存模块为运行载体，所述数据储存模块包括Hive系统、MapReduce系统、HBase系统、HDFS系统；
(5)进行初始化任务步骤并进行分析信息，所述分析信息包括请求数据框架所需参数、框架构建上下文、数据存储与检索、数据分析对比、运行控制和执行任务；
(6)将所述待预测时刻、所述待预测时刻的预估温度、所述多个历史负荷量、所述多个第一类历史负荷量以及多个所述第二类历史负荷量输入能源负荷预测模型中，得到待预测能源的预测负荷量。
所述能源负荷预测模型采用以下方法确定：获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、所述待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量；一个所述样本负荷量对应一个所述样本时刻；所述第一类样本相关能源为已预先确定与所述待训练能源具有关联关系的一类能源；所述第二类样本相关能源为已预先确定与所述待训练能源具有关联关系的另一类能源；多个所述样本负荷量、多个所述第一类样本负荷量以及多个所述第二类样本负荷量对应的所述样本时刻相同；将X个所述第一类样本负荷量、X个所述第二类样本负荷量、X个所述样本负荷量、Y个所述样本时刻的样本温度以及Y个所述样本时刻作为输入，将Y个所述样本负荷量作为输出，训练得到所述能源负荷预测模型；Z＝X+Y，且X个所述样本时刻的任一样本时刻，早于Y个所述样本时刻的任一样本时刻；获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量，之前，还包括：获取所述样本区域内所述待训练能源的多个抽样负荷量，以及其他类能源的其他类多个抽样负荷量；一类多个抽样负荷量对应一类能源；将所述多个抽样负荷量，与所述其他类多个抽样负荷量，进行相关性分析，确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
所述面向数据库采集采用数据库形式的系统接入，即关联以关系型数据库形式开放的外接系统，通过适配器对其系统下的数据库进行关联和监控，以实现相关业务信息与数据的实时或定时获取，在数据采集的实现上，采用通过ETL工具的方式提供数据库适配器进行完成：使用ETL工具提供的数据库适配器连接各接入业务系统数据库完成数据的采集与抽取，并可根据业务要求，以实时、定时的方式进行实现；在数据存放步骤中的数据转发包括全量数据转发和定制数据转发。
对本技术方案的进一步补充，电能源、气能源以及热能源。
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。

Claims (9)

1.一种基于大数据的能源负荷预测系统，其特征在于，包括以下步骤：
(1)通过大数据接收待检测区域内的能源使用情况；
(2)把所有采集到的数据存放到Kafka缓存集群中，并将数据存放到Kafka缓存集群中的消息转发出去；
(3)进行时刻、温度、负荷量任务分类，所述任务分类包括根据各个区域的工作状态向大数据库反馈任务领取请求；
(4)获取待预测区域内的待预测时刻、待预测时刻的预估温度、待预测能源的多个历史负荷量，第一类相关能源的多个第一类历史负荷量，第二类相关能源的多个第二类历史负荷量；所述第一类相关能源为已预先确定与所述待预测能源具有关联关系的一类能源；所述第二类相关能源为已预先确定与所述待预测能源具有关联关系的另一类能源；一个历史负荷量对应一个历史时刻；多个所述历史负荷量、多个所述第一类历史负荷量以及多个所述第二类历史负荷量对应的历史时刻相同；
(5)进行初始化任务步骤并进行分析信息，所述分析信息包括请求数据框架所需参数、框架构建上下文、数据存储与检索、数据分析对比、运行控制和执行任务；
(6)将所述待预测时刻、所述待预测时刻的预估温度、所述多个历史负荷量、所述多个第一类历史负荷量以及多个所述第二类历史负荷量输入能源负荷预测模型中，得到待预测能源的预测负荷量。
2.根据权利要求1所述的一种基于大数据的能源负荷预测系统，其特征在于，步骤(2)中在数据存放步骤之前还包括数据采集步骤：与各业务系统中的数据源对接，判断数据的采集适配方式，并基于确定的采集适配方式进行数据采集，所述数据的采集适配方式包括：面向数据源采集、面向数据库采集和面向文件采集。
3.根据权利要求2所述的一种基于大数据的能源负荷预测系统，其特征在于，所述能源负荷预测模型采用以下方法确定：
获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、待训练能源的Z个所述样本负荷量、第一类样本相关能源的Z个所述第一类样本负荷量、第二类样本相关能源的Z个所述第二类样本负荷量；一个所述样本负荷量对应一个所述样本时刻；所述第一类样本相关能源为已预先确定与所述待训练能源具有关联关系的一类能源；所述第二类样本相关能源为已预先确定与所述待训练能源具有关联关系的另一类能源；多个所述样本负荷量、多个所述第一类样本负荷量以及多个所述第二类样本负荷量对应的所述样本时刻相同；
将X个所述第一类样本负荷量、X个所述第二类样本负荷量、X个所述样本负荷量、Y个所述样本时刻的样本温度以及Y个所述样本时刻作为输入，将Y个所述样本负荷量作为输出，训练得到所述能源负荷预测模型；Z＝X+Y，且X个所述样本时刻的任一样本时刻，早于Y个所述样本时刻的任一样本时刻。
4.根据权利要求3所述的一种基于大数据的能源负荷预测系统，其特征在于，获取样本区域内Z个所述样本时刻、Z个所述样本时刻的样本温度、待训练能源的Z个所述样本负荷量、所述第一类样本相关能源的Z个所述第一类样本负荷量、所述第二类样本相关能源的Z个所述第二类样本负荷量，之前，还包括：
获取所述样本区域内所述待训练能源的多个抽样负荷量，以及其他类能源的其他类多个抽样负荷量；一类多个抽样负荷量对应一类能源；
将所述多个抽样负荷量，与所述其他类多个抽样负荷量，进行相关性分析，确定与所述待训练能源具有关联关系的所述第一类相关能源以及所述第二类相关能源。
5.根据权利要求2所述的一种基于大数据的能源负荷预测系统，其特征在于，所述面向数据库采集采用数据库形式的系统接入，即关联以关系型数据库形式开放的外接系统，通过适配器对其系统下的数据库进行关联和监控，以实现相关业务信息与数据的实时或定时获取，在数据采集的实现上，采用通过ETL工具的方式提供数据库适配器进行完成：使用ETL工具提供的数据库适配器连接各接入业务系统数据库完成数据的采集与抽取，并可根据业务要求，以实时、定时的方式进行实现。
6.根据权利要求5所述的一种基于大数据的能源负荷预测系统，其特征在于，在数据存放步骤中的数据转发包括全量数据转发和定制数据转发。
7.根据权利要求3所述的一种基于大数据的能源负荷预测系统，其特征在于，电能源、气能源以及热能源。
8.根据权利要求1所述的一种基于大数据的能源负荷预测系统，其特征在于，步骤(4)中数据存储与检索通过基于Hadoop的数据储存模块为运行载体，所述数据储存模块包括Hive系统、MapReduce系统、HBase系统、HDFS系统。
9.根据权利要求1所述的一种基于大数据的能源负荷预测系统，其特征在于，步骤(3)中任务分类通过基于多任务学习机制和分布式深度学习模块构建多任务分类模型，并对各类任务通过共享编码器进行编码，根据多标签分类任务和层次分类任务交替对各类任务分类模型进行解码并得到分类标签；所述分布式深度学习模块涵盖自回馈学习模型、再学习模型、长记忆模型和聚类模型。
CN202110683319.9A 2021-06-21 2021-06-21 一种基于大数据的能源负荷预测系统 Pending CN113377841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110683319.9A CN113377841A (zh) 2021-06-21 2021-06-21 一种基于大数据的能源负荷预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110683319.9A CN113377841A (zh) 2021-06-21 2021-06-21 一种基于大数据的能源负荷预测系统

Publications (1)

Publication Number Publication Date
CN113377841A true CN113377841A (zh) 2021-09-10

Family

ID=77577987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110683319.9A Pending CN113377841A (zh) 2021-06-21 2021-06-21 一种基于大数据的能源负荷预测系统

Country Status (1)

Country Link
CN (1) CN113377841A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235173A (zh) * 2023-11-14 2023-12-15 睿至科技集团有限公司 一种基于数字能源的分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881706A (zh) * 2014-12-31 2015-09-02 天津弘源慧能科技有限公司 一种基于大数据技术的电力系统短期负荷预测方法
CN109634757A (zh) * 2018-12-10 2019-04-16 南京云创大数据科技股份有限公司 一种地震行业大数据处理的数据采集方法
US20200161867A1 (en) * 2018-11-15 2020-05-21 Hefei University Of Technology Method, system and storage medium for load dispatch optimization for residential microgrid
CN111190704A (zh) * 2019-12-30 2020-05-22 盐城古卓科技有限公司 一种基于大数据处理框架的任务分类处理方法
CN112070307A (zh) * 2020-09-10 2020-12-11 云南电网有限责任公司电力科学研究院 一种区域内能源负荷量的预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881706A (zh) * 2014-12-31 2015-09-02 天津弘源慧能科技有限公司 一种基于大数据技术的电力系统短期负荷预测方法
US20200161867A1 (en) * 2018-11-15 2020-05-21 Hefei University Of Technology Method, system and storage medium for load dispatch optimization for residential microgrid
CN109634757A (zh) * 2018-12-10 2019-04-16 南京云创大数据科技股份有限公司 一种地震行业大数据处理的数据采集方法
CN111190704A (zh) * 2019-12-30 2020-05-22 盐城古卓科技有限公司 一种基于大数据处理框架的任务分类处理方法
CN112070307A (zh) * 2020-09-10 2020-12-11 云南电网有限责任公司电力科学研究院 一种区域内能源负荷量的预测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117235173A (zh) * 2023-11-14 2023-12-15 睿至科技集团有限公司 一种基于数字能源的分析方法及系统
CN117235173B (zh) * 2023-11-14 2024-02-20 睿至科技集团有限公司 一种基于数字能源的分析方法及系统

Similar Documents

Publication Publication Date Title
CN117239746B (zh) 一种基于机器学习的电力负荷预测方法及系统
CN117787838B (zh) 基于ai大模型的物流数字化管理系统及方法
CN105574612A (zh) 一种基于数据挖掘的光伏发电量预测方法
CN111177278A (zh) 一种网格用户短期负荷预测实时处理工具
CN111476397B (zh) 应用于中长期电量安全校核的母线负荷预测方法及系统
CN111428895A (zh) 一种智能电表故障诊断支撑中心
Dong et al. Forecasting smart meter energy usage using distributed systems and machine learning
CN113052389A (zh) 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN113377841A (zh) 一种基于大数据的能源负荷预测系统
Cao et al. Research and practice on Aluminum Industry 4.0
CN117458475A (zh) 基于用电时序数据的充电桩用电负荷预测方法及系统
CN112531679A (zh) 一种测负荷特征大数据监测设备及监测方法
CN112835949A (zh) 一种负荷预测的方法
CN115712636A (zh) 一种基于大数据分析的电力规划数据采集方法
Kang et al. Implementation of PV monitoring system using Python
Huaiying et al. Research on technical architecture and application of big data cloud platform for electric power measurement
CN117892212B (zh) 一种分布式异构能源站点态势感知监测方法
Dong et al. Nontechnical loss detection of electricity based on neural architecture search in distribution power networks
CN112165165A (zh) 一种面向配电自动化设备检测数据的多源信息融合方法
Zhou Numerical Analysis of Digital Twin System Modeling Methods Aided by Graph‐Theoretic Combinatorial Optimization
Xia et al. Research on short-term load forecasting of power system based on gradient lifting tree
Xiao Research on intelligent management platform for energy enterprises based on big data technology
Ku et al. Self-learning mechanism for prediction of energy consumption and generation
CN118554639B (zh) 一种跨平台储能通信互操作实现方法及系统
Ni Study of a quality monitoring system of electric power using internet of things technology

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

Application publication date: 20210910

RJ01 Rejection of invention patent application after publication