CN113673846B - 一种电力物联网架构下的需量态势感知方法 - Google Patents
一种电力物联网架构下的需量态势感知方法 Download PDFInfo
- Publication number
- CN113673846B CN113673846B CN202110898414.0A CN202110898414A CN113673846B CN 113673846 B CN113673846 B CN 113673846B CN 202110898414 A CN202110898414 A CN 202110898414A CN 113673846 B CN113673846 B CN 113673846B
- Authority
- CN
- China
- Prior art keywords
- demand
- time
- data
- sequence
- current
- 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 36
- 238000010219 correlation analysis Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 238000011985 exploratory data analysis Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力物联网架构下的需量态势感知方法，包括以下步骤：构建混合传感器网络；配置中继节点；数据上传云端；构建多维时间序列；需量自相关性分析；多变量相关性分析；数据预处理；构建需量预测模型；进行超短期需量预测。本发明通过构建需量态势感知网络，采用需量态势感知方法对多维时间序列数据进行挖掘，首先通过电压、电流、功率传感器采集数据构建多维时间序列；然后利用中继节点、网关节点将数据传送到云端，并通过自协方差方程等进行相关性分析；最后设计长短期记忆网络需量预测模型结构，实现对需量的高精度态势感知，有效提高了需量的态势感知准确度。
Description
技术领域
本发明涉及需量态势感知技术领域，特别涉及一种电力物联网架构下的需量态势感知方法。
背景技术
近年来，我国对工业用户实行了实际最大需量的新型两部制电价，工业用户可选择按实际最大需量缴纳电费，因此削减用电高峰对工业用户来说是一项重要的节约成本措施，最大需量的控制也成为工业用户关注的主要问题之一，而准确的需量态势感知是需量控制的基础。
态势感知概念最早起源于军事领域，指在特定的时空条件下，认知、理解环境因素，并对未来的发展趋势进行预测。传统的需量态势感知方法大多是单维度、单个节点的系统级需量预测，未考虑外部因素变量及重要负荷设备对预测结果的影响，导致预测精度有限。
需量态势感知网络的建立大大提高了调度中心对需量的感知能力。测量点数量、信息采集频率、信息采集类型、数据质量将显著提高，所有这些变化导致了需求侧采集数据数量的快速增长，一般的神经网络也难以对其中的特征模式进行高效提取和学习。
发明内容
为了解决上述技术问题，本发明提供一种算法简单、预测精度高的电力物联网架构下的需量态势感知方法。
本发明解决上述问题的技术方案是：一种电力物联网架构下的需量态势感知方法，包括以下步骤：
步骤一，构建混合传感器网络：将具备有线或无线通信功能的传感器组成一个有线/无线混合传感器网络，采样节点的电压、电流、功率信号；
步骤二，配置中继节点：建立混合传感器网络模型，根据通信方式和地理位置配置混合型传感器网络中继节点，通过中继节点将所有传感器构造成一个传感器网络；
步骤三，数据上传云端：将传感器采集的电压、电流、功率数据通过中继节点传送到网关节点，网关节点将数据传送到云端；
步骤四，构建多维时间序列：云端将电压、电流、功率数据按列合并构建多维时间序列；
步骤五，需量自相关性分析：通过自协方差方程进行需量自相关性分析，得到输入时间步长；
步骤六，多变量相关性分析：通过探索性数据分析方法统计分析相关的外部因素变量与需量之间的相关关系，得到输入数据维度；
步骤七，数据预处理：对多维时间序列中的数据进行归一化；
步骤八，构建需量预测模型：需量预测模型第一层为输入层，第二层为长短期记忆网络层，第三层为Dropout层，第四层为全连接层，最后一层为输出层，模需量预测模型采用sigmoid激活函数和Adam优化器；
步骤九，进行超短期需量预测：将归一化后的数据结合输入时间步长和输入数据维度得到数据集，将数据集输入需量预测模型，进行超短期需量预测。
上述电力物联网架构下的需量态势感知方法，所述步骤一中，对每个传感器所监测负荷与总负荷的占比进行判断，将占比大于1％的传感器设置为传感器网络节点。
上述电力物联网架构下的需量态势感知方法，所述步骤二中，传感器网络节点配置模型为：
其中vs是传感器网络节点s，vt是传感器网络节点s的邻节点，R表示无线通信距离，当S(vs,vt)为1时，为传感器网络配置一个相应的中继节点。
上述电力物联网架构下的需量态势感知方法，所述步骤四中，通过需量计算构建多维需量时间序列，需量计算模式为滑动区块模式，计算公式为：
其中Pdemand,k为第k个计量时段内的需量，Wk为第k个计量时段内累计的电能，每个计量时段周期τ为15分钟。
上述电力物联网架构下的需量态势感知方法，所述步骤五中，需量自相关性分析公式为：
其中R(d)为自相关系数，d是时间滞后长度，xi表示时刻i的需量值，xi+d表示时刻i+d的需量值，是整个需量序列均值，n为总时刻，使得R(d)≥0.96的d的最大值确定为输入时间步长。
上述电力物联网架构下的需量态势感知方法，所述步骤六中，多变量相关性分析具体过程为：在x轴上放置当前时刻需量，在y轴上放置电压、电流、功率外部因素变量，在坐标系上绘制出当前时刻需量与电压、电流、功率外部因素变量的散点图，通过观察散点图的分布情况判断电压、电流、功率等外部因素变量与需量相关性，当前时刻需量变大时，电压、电流、功率外部因素变量随之变大，则为正相关，反之则为负相关，电压、电流、功率外部因素变量不随当前时刻需量的变化而变化则不相关，与需量正相关的外部因素变量计入输入数据维度。
上述电力物联网架构下的需量态势感知方法，所述步骤七中，对时间序列数据中的空值填充为0，并对时间序列数据进行归一化，公式为：
其中表示时刻i的归一化变量值，xi′表示时刻i的变量值，xmax和xmin分别表示各变量时间序列中的最大值和最小值。
上述电力物联网架构下的需量态势感知方法，所述步骤九具体步骤为：
9-1)对于时间序列数据，选定输入时间步长为j，输入数据维度为m，输出时间步长为f，即用j×m个历史数据，预测未来f个数据，构造数据集形如其中j通过需量自相关性分析产生，f根据实际需求确定，m通过多变量相关性分析产生；
其中对于时刻t，Ox＝{Ot-j,Ot-j+1,…,Ot}，…，Sx＝{St-j,St-j+1,…,St}，Ty＝{Tt+1,Tt+2,…,Tt+f}，其中Ox,Px,…,Sx是通过相关性分析得到的需量、电压、电流、功率等时间序列，Ot-j+1表示Ox序列t-j+1时刻的序列值，St-j+1表示Sx序列t-j+1时刻的序列值，Ty是输出的真实值时间序列，Tt+f表示Ty序列t+f时刻的序列值；
9-2)将Ox,Px,…,Sx等时间序列输入需量预测模型得到预测结果序列
本发明的有益效果在于：本发明提供了一种电力物联网架构下的需量态势感知方法，通过构建需量态势感知网络，采用需量态势感知方法对多维时间序列数据进行挖掘，首先通过电压、电流、功率传感器采集数据构建多维时间序列；然后利用中继节点、网关节点将数据传送到云端，并通过自协方差方程等进行相关性分析；最后设计长短期记忆网络需量预测模型结构，实现对需量的高精度态势感知，有效提高了需量的态势感知准确度。
附图说明
图1为本发明的流程图。
图2为本发明的需量态势感知网络结构图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1所示，需量态势感知分为三层模型，觉察层通过传感器网络采集电压、电流、功率等相关数据；理解层通过需量自相关性分析和多变量相关性分析对觉察层采集的多维时间序列数据进行相关性分析；预测层将经过数据预处理的多维时间序列数据输入构建的长短期记忆网络需量预测模型进行需量预测。
如图2所示，传感器将电压、电流等信号通过有线、无线、多步跳变、单步传输等多种通信方式，将信号传送给中继节点，在此基础提出了混合型传感器网络中继节点配置方法。主要通过计算无线传感器节点与中继节点形成的网络的欧氏距离配置。在此基础上，结合有线传感器网络节点通信的特性，进一步局部优化，减少中继节点布置数目。
一种电力物联网架构下的需量态势感知方法，具体的过程为：
步骤一，构建混合传感器网络：将具备有线或无线通信功能的传感器组成一个有线/无线混合传感器网络，采样节点的电压、电流、功率信号。对每个传感器所监测负荷与总负荷的占比进行判断，将占比大于1％的传感器设置为传感器网络节点。
步骤二，配置中继节点：建立混合传感器网络模型，根据通信方式和地理位置配置混合型传感器网络中继节点，通过中继节点将所有传感器构造成一个传感器网络。
传感器网络节点配置模型为：
其中vs是传感器网络节点s，vt是传感器网络节点s的邻节点，R表示无线通信距离，当S(vs,vt)为1时，为传感器网络配置一个相应的中继节点。
步骤三，数据上传云端：通过传感器网络采集2020年5月26日到2020年6月30日时间段的电压、电流、功率等数据，其数据按30s间隔采集，将所有传感器采集的电压、电流、功率数据通过中继节点传送到网关节点，网关节点将数据传送到云端。
步骤四，构建多维时间序列：云端将电压、电流、功率数据按列合并构建多维时间序列。云端通过需量计算构建多维需量时间序列，需量计算模式为滑动区块模式，计算公式为：
其中Pdemand,k为第k个计量时段内的需量，Wk为第k个计量时段内累计的电能，每个计量时段周期τ为15分钟。
步骤五，需量自相关性分析：通过自协方差方程进行需量自相关性分析，得到输入时间步长。
需量自相关性分析公式为：
其中R(d)为自相关系数，d是时间滞后长度，xi表示时刻i的需量值，xi+d表示时刻i+d的需量值，是整个需量序列均值，n为总时刻，使得R(d)≥0.96的d的最大值确定为输入时间步长。
步骤六，多变量相关性分析：通过探索性数据分析方法统计分析相关的外部因素变量与需量之间的相关关系，得到输入数据维度。
多变量相关性分析具体过程为：在x轴上放置当前时刻需量，在y轴上放置电压、电流、功率外部因素变量，在坐标系上绘制出当前时刻需量与电压、电流、功率外部因素变量的散点图，通过观察散点图的分布情况判断电压、电流、功率等外部因素变量与需量相关性，当前时刻需量变大时，电压、电流、功率外部因素变量随之变大，则为正相关，反之则为负相关，电压、电流、功率外部因素变量不随当前时刻需量的变化而变化则不相关，与需量正相关的外部因素变量计入输入数据维度。
步骤七，数据预处理：对多维时间序列中的数据进行归一化。
对时间序列数据中的空值填充为0，并对时间序列数据进行归一化，公式为：
其中表示时刻i的归一化变量值，xi′表示时刻i的变量值，xmax和xmin分别表示各变量时间序列中的最大值和最小值。
步骤八，构建需量预测模型：需量预测模型第一层为输入层，第二层为长短期记忆网络层，第三层为Dropout层，第四层为全连接层，最后一层为输出层，模需量预测模型采用sigmoid激活函数和Adam优化器。
步骤九，进行超短期需量预测：将归一化后的数据结合输入时间步长和输入数据维度得到数据集，将数据集输入需量预测模型，进行超短期需量预测。
对于时间序列数据，选定输入时间步长为6，输入数据维度为9，输出时间步长为6，即用6×9个历史数据，预测未来6个时间点数据，构造数据集形如其中输入时间步长通过需量自相关性分析产生，输出时间步长根据实际需求确定，输入数据维度通过多变量相关性分析产生。
其中对于时刻t，Ox＝{Ot-j,Ot-j+1,…,Ot}，…，Sx＝{St-j,St-j+1,…,St}，Ty＝{Tt+1,Tt+2,…,Tt+k}，其中Ox,Px,…,Sx是通过相关性分析得到的需量、电压、电流、功率等时间序列，Ot-j+1表示Ox序列t-j+1时刻的序列值，St-j+1表示Sx序列t-j+1时刻的序列值，Ty是输出的真实值时间序列，Tt+f表示Ty序列t+f时刻的序列值；
假设原数据集共L个点，维度为m，为L×m大小矩阵。此时数据集为(L-j-f+1)×(j×m+f)大小矩阵。
2020年5月26日到2020年6月30日时间段共106837个时间点，对此时间段序列进行如上处理后，得到106826×60大小矩阵。
其中2020年6月20日到2020年6月30日数据作为模型预测阶段使用数据，其他为模型训练阶段使用数据。
建立长短期记忆网络需量预测模型。第一层为Input输入层，输入形为74540×60的矩阵；第二层为长短期记忆网络层，输出维度设置为50；第三层为Dropout层，设置需要断开的神经元的比例为0.3，第四层为Dense全连接层，最后为Output预测结果输出层，采用sigmoid激活函数模型采用Adam优化器。最后输出形为74540×6矩阵。
Claims (6)
1.一种电力物联网架构下的需量态势感知方法，其特征在于，包括以下步骤：
步骤一，构建混合传感器网络：将具备有线或无线通信功能的传感器组成一个有线/无线混合传感器网络，采样节点的电压、电流、功率信号；
步骤二，配置中继节点：建立混合传感器网络模型，根据通信方式和地理位置配置混合型传感器网络中继节点，通过中继节点将所有传感器构造成一个传感器网络；
步骤三，数据上传云端：将传感器采集的电压、电流、功率数据通过中继节点传送到网关节点，网关节点将数据传送到云端；
步骤四，构建多维时间序列：云端将电压、电流、功率数据按列合并构建多维时间序列；
步骤五，需量自相关性分析：通过自协方差方程进行需量自相关性分析，得到输入时间步长；
所述步骤五中，需量自相关性分析公式为：
其中R(d)为自相关系数，d是时间滞后长度，xi表示时刻i的需量值，xi+d表示时刻i+d的需量值，是整个需量序列均值，n为总时刻，使得R(d)≥0.96的d的最大值确定为输入时间步长；
步骤六，多变量相关性分析：通过探索性数据分析方法统计分析相关的外部因素变量与需量之间的相关关系，得到输入数据维度；
所述步骤六中，多变量相关性分析具体过程为：在x轴上放置当前时刻需量，在y轴上放置电压、电流、功率外部因素变量，在坐标系上绘制出当前时刻需量与电压、电流、功率外部因素变量的散点图，通过观察散点图的分布情况判断电压、电流、功率等外部因素变量与需量相关性，当前时刻需量变大时，电压、电流、功率外部因素变量随之变大，则为正相关，反之则为负相关，电压、电流、功率外部因素变量不随当前时刻需量的变化而变化则不相关，与需量正相关的外部因素变量计入输入数据维度；
步骤七，数据预处理：对多维时间序列中的数据进行归一化；
步骤八，构建需量预测模型：需量预测模型第一层为输入层，第二层为长短期记忆网络层，第三层为Dropout层，第四层为全连接层，最后一层为输出层，模需量预测模型采用sigmoid激活函数和Adam优化器；
步骤九，进行超短期需量预测：将归一化后的数据结合输入时间步长和输入数据维度得到数据集，将数据集输入需量预测模型，进行超短期需量预测。
2.根据权利要求1所述的电力物联网架构下的需量态势感知方法，其特征在于，所述步骤一中，对每个传感器所监测负荷与总负荷的占比进行判断，将占比大于1％的传感器设置为传感器网络节点。
3.根据权利要求1所述的电力物联网架构下的需量态势感知方法，其特征在于，所述步骤二中，传感器网络节点配置模型为：
其中vs是传感器网络节点s，vt是传感器网络节点s的邻节点，R表示无线通信距离，当S(vs,vt)为1时，为传感器网络配置一个相应的中继节点。
4.根据权利要求1所述的电力物联网架构下的需量态势感知方法，其特征在于，所述步骤四中，通过需量计算构建多维需量时间序列，需量计算模式为滑动区块模式，计算公式为：
其中Pdemand,k为第k个计量时段内的需量，Wk为第k个计量时段内累计的电能，每个计量时段周期τ为15分钟。
5.根据权利要求1所述的电力物联网架构下的需量态势感知方法，其特征在于，所述步骤七中，对时间序列数据中的空值填充为0，并对时间序列数据进行归一化，公式为：
其中表示时刻i的归一化变量值，x′i表示时刻i的变量值，xmax和xmin分别表示各变量时间序列中的最大值和最小值。
6.根据权利要求1所述的电力物联网架构下的需量态势感知方法，其特征在于，所述步骤九具体步骤为：
9-1)对于时间序列数据，选定输入时间步长为j，输入数据维度为m，输出时间步长为f，即用j×m个历史数据，预测未来f个数据，构造数据集形如其中j通过需量自相关性分析产生，f根据实际需求确定，m通过多变量相关性分析产生；
其中对于时刻t，Ox＝{Ot-j,Ot-j+1,···,Ot}，···，Sx＝{St-j,St-j+1,···,St}，Ty＝{Tt+1,Tt+2,···,Tt+f}，其中Ox,Px,···,Sx是通过相关性分析得到的需量、电压、电流、功率等时间序列，Ot-j+1表示Ox序列t-j+1时刻的序列值，St-j+1表示Sx序列t-j+1时刻的序列值，Ty是输出的真实值时间序列，Tt+f表示Ty序列t+f时刻的序列值；
9-2)将Ox,Px,···,Sx等时间序列输入需量预测模型得到预测结果序列
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898414.0A CN113673846B (zh) | 2021-08-05 | 2021-08-05 | 一种电力物联网架构下的需量态势感知方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898414.0A CN113673846B (zh) | 2021-08-05 | 2021-08-05 | 一种电力物联网架构下的需量态势感知方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113673846A CN113673846A (zh) | 2021-11-19 |
| CN113673846B true CN113673846B (zh) | 2023-09-12 |
Family
ID=78541624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110898414.0A Active CN113673846B (zh) | 2021-08-05 | 2021-08-05 | 一种电力物联网架构下的需量态势感知方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673846B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116089847B (zh) * | 2023-04-06 | 2023-06-23 | 国网湖北省电力有限公司营销服务中心(计量中心) | 基于协方差代理的分布式可调资源聚类方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108879692A (zh) * | 2018-06-26 | 2018-11-23 | 湘潭大学 | 一种区域综合能源系统能流分布预测方法及系统 |
| CN111105321A (zh) * | 2019-12-03 | 2020-05-05 | 湘潭大学 | 一种基于eemd二次分解的电力负荷预测方法 |
| EP3674988A1 (en) * | 2018-12-31 | 2020-07-01 | Tata Consultancy Services Limited | Method and system for prediction of correct discrete sensor data based on temporal uncertainty |
| CN111651312A (zh) * | 2020-07-28 | 2020-09-11 | 南京宏声科技有限公司 | 一种基于边缘计算的设备故障三级双向预警方法及系统 |
| KR20210004057A (ko) * | 2019-07-03 | 2021-01-13 | 인하대학교 산학협력단 | 기계 학습 및 의미론적 지식 기반 빅데이터 분석으로 웨어러블 센서와 소셜 네트워킹 데이터를 이용한 새로운 의료 모니터링 방법 및 장치 |
| CN112381171A (zh) * | 2020-11-25 | 2021-02-19 | 河海大学 | 一种基于组合模型的多传感器节点缺失数据填充方法 |
| CN112966714A (zh) * | 2021-02-02 | 2021-06-15 | 湖南大学 | 一种边缘时序数据异常检测和网络可编程控制方法 |
-
2021
- 2021-08-05 CN CN202110898414.0A patent/CN113673846B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108879692A (zh) * | 2018-06-26 | 2018-11-23 | 湘潭大学 | 一种区域综合能源系统能流分布预测方法及系统 |
| EP3674988A1 (en) * | 2018-12-31 | 2020-07-01 | Tata Consultancy Services Limited | Method and system for prediction of correct discrete sensor data based on temporal uncertainty |
| KR20210004057A (ko) * | 2019-07-03 | 2021-01-13 | 인하대학교 산학협력단 | 기계 학습 및 의미론적 지식 기반 빅데이터 분석으로 웨어러블 센서와 소셜 네트워킹 데이터를 이용한 새로운 의료 모니터링 방법 및 장치 |
| CN111105321A (zh) * | 2019-12-03 | 2020-05-05 | 湘潭大学 | 一种基于eemd二次分解的电力负荷预测方法 |
| CN111651312A (zh) * | 2020-07-28 | 2020-09-11 | 南京宏声科技有限公司 | 一种基于边缘计算的设备故障三级双向预警方法及系统 |
| CN112381171A (zh) * | 2020-11-25 | 2021-02-19 | 河海大学 | 一种基于组合模型的多传感器节点缺失数据填充方法 |
| CN112966714A (zh) * | 2021-02-02 | 2021-06-15 | 湖南大学 | 一种边缘时序数据异常检测和网络可编程控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 康治平.无线传感器网络链路数据故障诊断与网络连通恢复方法研究.万方.2016,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113673846A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| Li et al. | Predicting short-term electricity demand by combining the advantages of arma and xgboost in fog computing environment | |
| CN107808212B (zh) | 基于灰色神经网络的太阳能收集功率预测方法 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
| CN114722873A (zh) | 一种基于残差卷积和注意力机制的非侵入式负荷分解方法 | |
| CN103268519A (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
| CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
| CN113673846B (zh) | 一种电力物联网架构下的需量态势感知方法 | |
| CN115859792A (zh) | 基于注意力机制的中期电力负荷预测方法及系统 | |
| CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
| CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
| CN116384583A (zh) | 一种基于多神经网络的光伏功率预测方法 | |
| CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
| CN114994537A (zh) | 一种基于ekf-lstm的锂电池荷电状态联合预测测量方法 | |
| CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
| CN114498634A (zh) | 一种基于电表数据的电动汽车充电负荷预测方法 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN113919594A (zh) | 一种基于深度森林的需求响应潜力评估方法 | |
| CN113902183B (zh) | 基于bert的非侵入式台区充电桩状态监测与电价调整方法 | |
| CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| Chen et al. | A transformer vibration amplitude prediction method via fusion of multi-signals | |
| CN110633794A (zh) | 一种基于Elman神经网络的高压电缆导体温度动态计算方法 |
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 |