CN113657682B - 一种停电数据分类预测方法、系统、存储介质及计算设备 - Google Patents
一种停电数据分类预测方法、系统、存储介质及计算设备 Download PDFInfo
- Publication number
- CN113657682B CN113657682B CN202110975903.1A CN202110975903A CN113657682B CN 113657682 B CN113657682 B CN 113657682B CN 202110975903 A CN202110975903 A CN 202110975903A CN 113657682 B CN113657682 B CN 113657682B
- Authority
- CN
- China
- Prior art keywords
- areas
- classification prediction
- data
- power outage
- power failure
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008878 coupling Effects 0.000 claims description 27
- 238000010168 coupling process Methods 0.000 claims description 27
- 238000005859 coupling reaction Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 5
- 230000009977 dual effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种停电数据分类预测方法、系统、存储介质及计算设备,本发明基于停电数据获取停电特征和电气耦合特征,通过分类预测模型实现停电数据分类预测,为用电企业提供规划基础,为电网公司提供决策参考。
Description
技术领域
本发明涉及一种停电数据分类预测方法、系统、存储介质及计算设备,属于输配电技术与信息科学的交叉领域。
背景技术
电网在运行过程中,电网企业的智慧电力大数据平台会存储相应的数据,通过存储的数据,能够查看和追溯电网状况;停电数据是其中一种常见的电网数据,目前针对停电数据,主要用以故障判断,对数据分类预测研究相对较少。现在很多用电企业为了提前做好停电规划,急需停电数据分类预测技术。
发明内容
本发明提供了一种停电数据分类预测方法、系统、存储介质及计算设备,解决了背景技术中披露的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
一种停电数据分类预测方法,包括:
从停电数据中提取停电特征;
基于停电数据,根据区域间的电气耦合关系,构建区域间的关系矩阵;
对区域间的关系矩阵进行分解,获得区域间的电气耦合特征;
将停电特征和电气耦合特征输入预先训练的分类预测模型,获得停电数据分类预测结果。
从停电数据中提取停电特征,具体过程为:
利用决策树算法,计算停电数据各特征与停电问题的皮尔逊相关系数;
将皮尔逊相关系数绝对值大于阈值的特征作为停电特征。
区域间的关系矩阵为:
其中,为区域间的关系矩阵,Pij,k′为区域i和区域j同时发生第k′种故障的概率,i∈[1,n],j∈[1,n],n为区域数量。
的具体公式为:
其中,fi.k′为停电数据中区域i发生第k′种故障的次数,M为故障种类,fij.k′为停电数据中区域i和区域j同时发生第k′种故障的次数,Ni为与区域i存在断面的区域集合。
对区域间的关系矩阵进行LU分解,获得区域间的电气耦合特征。
分类预测模型为因子分解机模型,因子分解机模型中加入L2-范数正则化,采用交替方向乘子法进行训练。
加入L2-范数正则化后的优化目标函数为:
其中,Θ为因子分解机模型参数,为损失函数,为输入向量xi′时的输出预测值,y(xi′)为输入向量xi′时的输出真实值,λθ为L2-范数正则化系数,N为输入向量的总数,θ为L2-范数正则化参数,Φ为θ的集合。
一种停电数据分类预测系统,包括:
特征提取模块:从停电数据中提取停电特征;
关系矩阵构建模块:基于停电数据,根据区域间的电气耦合关系,构建区域间的关系矩阵;
特征获取模块:对区域间的关系矩阵进行分解,获得区域间的电气耦合特征;
分类预测模块:将停电特征和电气耦合特征输入预先训练的分类预测模型,获得停电数据分类预测结果。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行停电数据分类预测方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行停电数据分类预测方法的指令。
本发明所达到的有益效果:本发明基于停电数据获取停电特征和电气耦合特征,通过分类预测模型实现停电数据分类预测,为用电企业提供规划基础,为电网公司提供决策参考。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。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。
如图1所示,一种停电数据分类预测方法,包括以下步骤:
步骤1,从停电数据中提取停电特征;
步骤2,基于停电数据,根据区域间的电气耦合关系,构建区域间的关系矩阵;
步骤3,对区域间的关系矩阵进行分解,获得区域间的电气耦合特征;
步骤4,将停电特征和电气耦合特征输入预先训练的分类预测模型,获得停电数据分类预测结果。
上述方法基于停电数据获取停电特征和电气耦合特征,通过分类预测模型实现停电数据分类预测,为用电企业提供规划基础,为电网公司提供决策参考。
停电数据中包含多个停电特征,分类预测之前需要对这些停电特征进行筛选,不能选择太多或太少,如果选择太少,则信息内容可能会很低,如果选择了太多,不相关的特征会增加计算复杂度和成本,因此这里采用决策树算法提取停电特征,即采用皮尔逊相关系数衡量不同特征在决策树上做的贡献,通过贡献度的大小选择特征,具体过程如下:
11)利用决策树算法,计算停电数据各特征与停电问题的皮尔逊相关系数;
假设停电数据中包含c个特征X1、X2、...、Xc,特征与停电问题的皮尔逊相关系数计算如下:
其中,ρX,Y为皮尔逊相关系数,cov(X,Y)为X与Y的协方差,σX为X的标准差,σY为Y的标准差,μX为X的平均值,μY为Y的平均值,E()表示期望;
12)将皮尔逊相关系数绝对值大于阈值的特征作为停电特征;
皮尔逊相关系数的取值范围为[-1,1],皮尔逊相关系数绝对值越大,则表明X与Y相关度越高,即X的贡献越大;因此可将皮尔逊相关系数进行排序,筛选出将大于阈值的皮尔逊相关系数,将这些皮尔逊相关系数相应的特征作为停电特征。
为了利用更多的有效特征,可在停电数据的基础上获得更多空间特征,即根据区域间的电气耦合关系,获得区域间的电气耦合特征。
假设两个区域之间存在断面,则定义这两个区域为电力系统上的相邻区域,相邻区域间具有极高的电气耦合关系,若一个区域发生停电,其相邻的区域也极有可能停电,因造构建区域间的关系矩阵具体如下:
其中,Pij,k′为区域i和区域j同时发生第k′种故障的概率,i∈[1,n],j∈[1,n],n为区域数量;
其中,fi.k′为停电数据中区域i发生第k′种故障的次数,fij.k′为停电数据中区域i和区域j同时发生第k′种故障的次数,Ni为与区域i存在断面的区域集合,M为故障种类,即影响电力系统暂态稳定的故障,主要有4种,分别为三相故障、单相接地故障、两相接地故障和两相故障。
上述矩阵无法作为停电的特征,因此需要对上述矩阵进行分解,这里采用LU分解,通过LU分解获得区域间的电气耦合特征。
LU分解是将矩阵变成为下三角矩阵和上三角矩阵的乘积,其公式如下:
其中,L为下三角矩阵,U为上三角矩阵;
对于停电数据,每一行代表一个区域的停电情况,一共有n个区域,根据LU分解可将分解成n×n矩阵L和n×n矩阵U的乘积,假如数据的第i行是区域i的停电情况,那么该行对应的空间位置构造特征就是矩阵L的第i行数据。通过矩阵分解的方式构造不同区域的电气耦合特征,可以为模型提供更多的有效特征,提高模型的分类准确度。
步骤4中的分类预测模型采样的是因子分解机模型,将支持向量机的优点与因子分解模型结合在一起。它是可与任何实值特征向量一起使用的通用预测模型。
FM(因子分解机)的机制是使用分解参数对变量之间的交互进行建模。这意味着即使在具有稀疏性的问题中也可以估计交互,也就是说适用于稀疏特征,对于停电数据中存在大量的稀疏特征,譬如月份、年份、周等,因此因子分解机可以用来对停电情况做分类预测。此外,由于因子分解机的模型方程可以在其因子数量和特征数量方面都降低为线性复杂度,因此因子分解机的计算效率是很高的。这也意味着因子分解机模型的预测时间是线性的,并且减少了训练阶段要学习的参数数量。
假设X∈Rn表示n维的特征向量,<·,·>表示两个大小为k的向量的点积,向量的点积计算如下:
其中,vi表示xi的特征向量,vj表示xj的特征向量,xi和xj分别为X中的第i个和第j个元素,该元素是一条记录,不是一个一维的值,vif、vjf分别为vi和vj中的第f个元素。
因子分解机能够通过使用因子分解模型来建模不同特征之间的交互。尤其是,因子分解机模型通过分解交互特征以估计交互来打破交互特征之间的独立性。也就是说因子分解机模型能考虑到了不同特征之间的关联关系。对于二阶交叉的因子分解机模型方程如下所示:
其中,表示预测值,X∈Rn为上述模型的输入,xi为X的第i个元素,xj为X的第j个元素,w0∈R表示全局的偏差,w∈Rn表示输入的权重向量,wi为w的第i个元素;
计算上述模型方程的时间复杂度O(kn2),进行进一步优化:
将上式带入模型公式可得:
通过数学变换,因子分解机模型的时间复杂度被降为O(kn),这也说明了因子分解机模型的计算成本相对于潜在特征的维数和特征是线性的。
对于停电的分类预测属于二分类问题,采用如下函数作为因子分解机模型的损失函数:
其中,y表示真实值,loge()表示对数运算,由上式可以看出,当模型的预测值和真实值越接近,那么损失函数的值也就越小。
因子分解机模型的目标是使得总得的损失函数越小越好,总的损失函数计算如下所示:
那么,针对因子分解机模型的优化,优化目标如下所示:
为找到防止因子分解机模型过拟合,因子分解机模型中加入L2-范数正则化。L2-范数正则化的基本思想是在原始成本函数中添加一个额外的项,称为正则项,其中仅包含L2范数误差项,并带有一个用于控制正则化相对量的超参数。可以将L2-范数正则化视为在原始L2范数误差项和L2范数正则项之间折衷的一种方法,这使得因子分解机模型在推广训练数据之外的能力更强。
加入L2-范数正则化后的优化目标函数为:
其中,Θ为因子分解机模型参数,为损失函数,为输入向量xi′时的输出预测值,y(xi′)为输入向量xi′时的输出真实值,λθ为L2-范数正则化系数,N为输入向量的总数,θ为L2-范数正则化参数,Φ为θ的集合。
上述模型采用交替方向乘子法(ADMM)进行训练,ADMM是融合了对偶上升法的可分解性以及乘子法较好的收敛性,将一个大的问题分解成若干个小问题,交替迭代进行求解的核心思想,实现分布式求解,具体算法如下:
输入:训练数据集S,正则化参数λ,最大迭代个数max_iter,惩罚系数ρ,辅助变量z,k1为迭代次数,第k1次迭代过程中的拉格朗日乘子向量uk1,原始残差收敛精度εprim,对偶残差收敛精度εdual,初始化参数σ;
输出:模型的参数Θ=(w0,w,V)
1.w0,w,V←Initialization(0,0,σ)j←1
2.FOR k1=1 to max_iter DO
3.FOR(x,y)∈S DO
4.
5.FOR i=1 to p∧xi≠0 DO
6.
7.FOR f=1 to k1 DO
8.
9.END FOR
10.END FOR
11.END FOR
12.
13.
14.IF
15.
16.||zk1+1-zk1||≤εdual
17.BREAK
18.END
19.END FOR
20.RETURNΘ
通过ADMM去训练因子分解机模型。首先对因子分解机模型中的参数进行初始化操作,接着,利用ADMM对因子分解机中的参数进行更新,每次更新后计算给定条件是否满足,如果满足则停止迭代如果不满足,则继续迭代更新直到满足更新条件为止,最后返回停止迭代后的模型参数值。
对分类预测模型训练后,可将分类预测模型输入,获得停电数据分类预测结果。
上述方法相应的软件系统,即一种停电数据分类预测系统,包括:
特征提取模块:从停电数据中提取停电特征;
关系矩阵构建模块:基于停电数据,根据区域间的电气耦合关系,构建区域间的关系矩阵;
特征获取模块:对区域间的关系矩阵进行分解,获得区域间的电气耦合特征;
分类预测模块:将停电特征和电气耦合特征输入预先训练的分类预测模型,获得停电数据分类预测结果。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行停电数据分类预测方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行停电数据分类预测方法的指令。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
以上仅为本发明的实施例而已,并不用于限制本发明,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,均包含在申请待批的本发明的权利要求范围之内。
Claims (8)
1.一种停电数据分类预测方法,其特征在于,包括:
从停电数据中提取停电特征;
基于停电数据,根据区域间的电气耦合关系,构建区域间的关系矩阵;
其中,区域间的关系矩阵为:
其中,为区域间的关系矩阵,Pij,k′为区域i和区域j同时发生第k′种故障的概率,i∈[1,n],j∈[1,n],n为区域数量;
对区域间的关系矩阵进行分解,获得区域间的电气耦合特征;
将停电特征和电气耦合特征输入预先训练的分类预测模型,获得停电数据分类预测结果;其中,分类预测模型为因子分解机模型,因子分解机模型中加入L2-范数正则化,采用交替方向乘子法进行训练。
2.根据权利要求1所述的一种停电数据分类预测方法,其特征在于,从停电数据中提取停电特征,具体过程为:
利用决策树算法,计算停电数据各特征与停电问题的皮尔逊相关系数;
将皮尔逊相关系数绝对值大于阈值的特征作为停电特征。
3.根据权利要求1所述的一种停电数据分类预测方法,其特征在于,的具体公式为:
其中,fi.k′为停电数据中区域i发生第k′种故障的次数,M为故障种类,fij.k′为停电数据中区域i和区域j同时发生第k′种故障的次数,Ni为与区域i存在断面的区域集合。
4.根据权利要求1所述的一种停电数据分类预测方法,其特征在于,对区域间的关系矩阵进行LU分解,获得区域间的电气耦合特征。
5.根据权利要求1所述的一种停电数据分类预测方法,其特征在于,加入L2-范数正则化后的优化目标函数为:
其中,Θ为因子分解机模型参数,为损失函数,
为输入向量xi′时的输出预测值,y(xi′)为输入向量xi′时的输出真实值,λθ为L2-范数正则化系数,N为输入向量的总数,θ为L2-范数正则化参数,Φ为θ的集合。
6.一种停电数据分类预测系统,其特征在于,包括:
特征提取模块:从停电数据中提取停电特征;
关系矩阵构建模块:基于停电数据,根据区域间的电气耦合关系,构建区域间的关系矩阵;其中,区域间的关系矩阵为:
其中,为区域间的关系矩阵,Pij,k′为区域i和区域j同时发生第k′种故障的概率,i∈[1,n],j∈[1,n],n为区域数量;
特征获取模块:对区域间的关系矩阵进行分解,获得区域间的电气耦合特征;
分类预测模块:将停电特征和电气耦合特征输入预先训练的分类预测模型,获得停电数据分类预测结果;其中,分类预测模型为因子分解机模型,因子分解机模型中加入L2-范数正则化,采用交替方向乘子法进行训练。
7.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至5所述的方法中的任一方法。
8.一种计算设备,其特征在于,包括:
一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至5所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975903.1A CN113657682B (zh) | 2021-08-24 | 2021-08-24 | 一种停电数据分类预测方法、系统、存储介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110975903.1A CN113657682B (zh) | 2021-08-24 | 2021-08-24 | 一种停电数据分类预测方法、系统、存储介质及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657682A CN113657682A (zh) | 2021-11-16 |
CN113657682B true CN113657682B (zh) | 2023-12-29 |
Family
ID=78481824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110975903.1A Active CN113657682B (zh) | 2021-08-24 | 2021-08-24 | 一种停电数据分类预测方法、系统、存储介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657682B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108521125A (zh) * | 2018-04-27 | 2018-09-11 | 长沙理工大学 | 一种电-气耦合系统概率连续潮流建模及其求解方法 |
CN110232203A (zh) * | 2019-04-22 | 2019-09-13 | 山东大学 | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 |
CN111325315A (zh) * | 2019-11-22 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于深度学习的配变停电电量损失预测的方法 |
CN112862172A (zh) * | 2021-01-29 | 2021-05-28 | 国网河南省电力公司漯河供电公司 | 国网95598停电投诉预测方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-24 CN CN202110975903.1A patent/CN113657682B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108521125A (zh) * | 2018-04-27 | 2018-09-11 | 长沙理工大学 | 一种电-气耦合系统概率连续潮流建模及其求解方法 |
CN110232203A (zh) * | 2019-04-22 | 2019-09-13 | 山东大学 | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 |
CN111325315A (zh) * | 2019-11-22 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于深度学习的配变停电电量损失预测的方法 |
CN112862172A (zh) * | 2021-01-29 | 2021-05-28 | 国网河南省电力公司漯河供电公司 | 国网95598停电投诉预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
基于深度学习的配变停电电量损失预测;罗晨;山宪武;张冬冬;孙羽森;;水电能源科学(04);全文 * |
基于负荷点聚类分区的配电网网架规划方法;肖白;郭蓓;姜卓;施永刚;焦明曦;;电力建设(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657682A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7169369B2 (ja) | 機械学習アルゴリズムのためのデータを生成する方法、システム | |
Wang et al. | A compound framework for wind speed forecasting based on comprehensive feature selection, quantile regression incorporated into convolutional simplified long short-term memory network and residual error correction | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
Yoo et al. | Prediction of golden time using SVR for recovering SIS under severe accidents | |
Zhou et al. | A novel grey seasonal model based on cycle accumulation generation for forecasting energy consumption in China | |
CN108776673A (zh) | 关系模式的自动转换方法、装置及存储介质 | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN116227180A (zh) | 基于数据驱动的机组组合智能决策方法 | |
CN114595635A (zh) | 火电机组主汽温度数据的特征选择方法、系统及设备 | |
Shouman et al. | A hybrid machine learning model for reliability evaluation of the reactor protection system | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、系统、设备及介质 | |
CN113657682B (zh) | 一种停电数据分类预测方法、系统、存储介质及计算设备 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
CN112100617A (zh) | 一种异常sql检测方法及装置 | |
Liu et al. | A hybrid deep learning model based on parallel architecture TCN-LSTM with Savitzky-Golay filter for wind power prediction | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
CN115129504A (zh) | 基于云边端一体化的智慧电网数据处理方法及服务器 | |
Yan et al. | Comparative study of electricity-theft detection based on gradient boosting machine | |
Franco et al. | Very short-term bus reactive load forecasting models based on KDD approach | |
CN111783827A (zh) | 一种基于负荷数据的企业用户分类方法和装置 | |
Zhang | The estimation of M4 processes with geometric moving patterns | |
CN117172232B (zh) | 审计报告生成方法、装置、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 |