CN113779109B - 一种基于上下文环境的电力数据预处理方法 - Google Patents
一种基于上下文环境的电力数据预处理方法 Download PDFInfo
- Publication number
- CN113779109B CN113779109B CN202111081363.9A CN202111081363A CN113779109B CN 113779109 B CN113779109 B CN 113779109B CN 202111081363 A CN202111081363 A CN 202111081363A CN 113779109 B CN113779109 B CN 113779109B
- Authority
- CN
- China
- Prior art keywords
- data
- preprocessing
- values
- context
- module
- 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
- 238000007781 pre-processing Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000000203 mixture Substances 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 16
- 230000000295 complement effect Effects 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract 1
- 238000009412 basement excavation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- -1 and the wind power Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于上下文环境的电力数据预处理方法,具体涉及电力数据预处理技术领域,包括以下具体步骤:步骤一、构建预处理系统;步骤二、利用初始数据获取模块从国家气象局收集天级标准气象数据以及节假日数据;步骤三、利用特征处理和样本生成模块对步骤二获得的气象数据和节假日数据生成上下文特征;步骤四、利用算法模块对步骤四生成的样本进行使用高斯混合模型聚类;步骤五、利用数据预处理模块收集需要进行预处理的准实时用电数据、天级用电数据;对收集到的数据通过条件判断出空值和负值并去除成为空值。本发明通过利用上下文信息对电力数据中的缺失值进行合理的补缺,减少了数量可观的数据损失,也提高了数据统计中数据的精确度。
Description
技术领域
本发明涉及电力数据预处理技术领域,具体涉及一种基于上下文环境的电力数据预处理方法。
背景技术
由于电力数据的广泛性、真实性以及实用性,电力大数据在民生、征信、辅助政府管理等领域应用已经非常广泛,从原始电力数据中可以做的分析和挖掘工作很多,数据里埋藏了很多的宝藏,而挖掘宝藏的基础就是数据的预处理,只有预处理做得好,数据分析和挖掘的结果才更为可靠。在互联网大数据领域,数据预处理技术已经比较成熟了,APP每天可以直接从C端获取到数以亿计的数据返回到后台,因为数据链路短,所以如果数据字段有缺失或者数据有异常,直接后台查看数据生成的错误逻辑并修复即可维护后台数据的稳定。
但是对于能源互联网公司,由于数据链路较长,涉及到的设备很多,所以数据质量很难得到保障,并且因为数据链路的问题,异常逻辑的发现和修复需要一个漫长的过程。
目前采取的措施就是在软件端通过算法来进行数据预处理,最大限度的消除异常数据并进行补全尽量保留完整数据。现有的技术是通过简单排查就删除数据条目,这样一来,超过20%的数据因为细小的错误就被排除,会造成数据的浪费,也会对统计的结果造成很大的失准。
发明内容
为此,本发明提供一种基于上下文环境的电力数据预处理方法,通过利用上下文信息对电力数据中的缺失值进行合理的补缺,减少了数量可观的数据损失,也提高了数据统计中数据的精确度,以解决现有技术中由于简单排查删除数据导致的统计结果失准的问题。
为了实现上述目的,本发明实施例提供如下技术方案:一种基于上下文环境的电力数据预处理方法,包括以下具体步骤:
步骤一、构建预处理系统,所述预处理系统包括初始数据获取模块、特征处理和样本生成模块、算法模块和数据预处理模块,所述初始数据获取模块输出端与特征处理和样本生成模块输入端相连接,所述特征处理和样本生成模块输出端与算法模块输入端相连接,所述算法模块输出端与数据预处理模块输入端相连接;
步骤二、利用初始数据获取模块从国家气象局收集天级标准气象数据以及节假日数据;
步骤三、利用特征处理和样本生成模块对步骤二获得的气象数据和节假日数据生成上下文特征,其中包括温度、风力、气压、降水、湿度、周末、工作日、长假这些特征,并将这些特征结果生成样本;
步骤四、利用算法模块对步骤四生成的样本进行使用高斯混合模型聚类;
步骤五、利用数据预处理模块收集需要进行预处理的准实时用电数据、天级用电数据,然后对收集到的数据通过条件判断出空值和负值并去除成为空值,再对处理后的数据使用分位数统计方法判断出异常值并去除为空值,最后对处理后的数据进行补全,如果需要补全的数据前后相邻值波动小于阈值或者呈现波动规律,则使用相邻值规律、平均的方法补全;如果需要不全的数据前后相邻值波动大于阈值,则使用步骤四计算得到的同类上下文日子相同时间用电值平均的方法进行补全。
进一步地,在步骤二中,所述气象数据来自于国家气象局的数据,通过申请后获得;所述节假日数据来自于国务院发布的节假日安排信息。
进一步地,在步骤三中,温度、风力、气压、降水、湿度、周末、工作日、长假这些特征中温度、周末、工作日、节假日使用ONEHOT向量表示,风力、气压、降水、湿度使用等比分桶归一化的方式进行处理。
进一步地,在步骤四中,进行聚类时,各项特征的权重是通过一些历史数据统计结果人工进行赋值的。
进一步地,在步骤五中,准实时用电数据指的是15分钟更新一次的数据,一天有96个电量数据记录;天级用电数据指的是每天一个数据记录的条目。
进一步地,在步骤五中,分位数统计方法的具体步骤如下所示:S1、用Q1、Q2、Q3、Q4分别表示升序排列的四个四分位值;S2、令IQR=Q3-Q1;
S3、使阈值=平均值+20*IQR,如果用电高于阈值,则判断为异常值,进行去除。
进一步地,在步骤五中,对于准实时用电数据的补全如下所示:准实时数据前后相邻的10个值如果呈现规律波动,也就是每相邻两个点的波动的绝对值都相同,则按照波动规律进行数据补全;如果相邻值不呈现规律波动,则使用步骤四生成的同类日子相同用电时间的用电平均值进行补全。
进一步地,在步骤五中,对于天级用电数据的补全如下所示:天级数据前后相邻的4个值如果相邻差距绝对值均小于0.1,说明用电稳定,使用相邻值求平均值方法进行补全;如果前后相邻的值差距绝对值不稳定,则使用步骤四生成的同类日子的用电平均值进行补全。
进一步地,在步骤一中,所述初始数据获取模块用于获取用电数据、气象数据以及节假日数据,并对获取到的数据进行预处理;所述特征处理和样本生成模块负责生成上下文特征和对应样本;所述算法模块负责对样本进行聚类;所述数据预处理模块负责对用电数据进行预处理。
本发明具有如下优点:
1、本发明通过借助业界先进的统计算法,将电力数据中被忽视的用电异常值发掘出来并进行处理,提高了电力数据的质量,也为后续分析和挖掘工作奠定了良好的基础;
2、本发明通过对收集到的数据通过条件判断出空值和负值并去除成为空值,再对处理后的数据使用分位数统计方法判断出异常值并去除为空值,提高判断的准确性,避免造成有效数据的丢失,并利用数据预处理模块和上下文信息对电力数据中的缺失值进行合理的补缺,减少了数量可观的数据损失,也提高了数据统计中数据的精确度;
3、本发明通过选取从国家气象局收集的天级标准气象数据以及节假日数据进行验证处理,使用已有数据进行验证,确定了本发明提供的预处理系统的有效性和准确性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的流程图;
图2为本发明提供的预处理系统的结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照说明书附图1和2,该实施例的一种基于上下文环境的电力数据预处理方法,包括以下具体步骤:
步骤一、构建预处理系统,所述预处理系统包括初始数据获取模块、特征处理和样本生成模块、算法模块和数据预处理模块,所述初始数据获取模块输出端与特征处理和样本生成模块输入端相连接,所述特征处理和样本生成模块输出端与算法模块输入端相连接,所述算法模块输出端与数据预处理模块输入端相连接;
初始数据获取模块用于获取用电数据、气象数据以及节假日数据,并对获取到的数据进行预处理;特征处理和样本生成模块负责生成上下文特征和对应样本;算法模块负责对样本进行聚类;数据预处理模块负责对用电数据进行预处理;
步骤二、利用初始数据获取模块从国家气象局收集天级标准气象数据以及节假日数据,其中所获取的气象数据来自于国家气象局的数据,通过申请后获得;获取的节假日数据来自于国务院发布的节假日安排信息;
步骤三、利用特征处理和样本生成模块对步骤二获得的气象数据和节假日数据生成上下文特征,其中包括温度、风力、气压、降水、湿度、周末、工作日、长假这些特征,温度、风力、气压、降水、湿度、周末、工作日、长假这些特征中温度、周末、工作日、节假日使用ONEHOT向量表示,风力、气压、降水、湿度使用等比分桶归一化的方式进行处理,然后将这些特征结果生成样本;
其中,ONEHOT向量是一种词表征形式,将词从符号形式映射为向量形式;将词语从符号表示形式转换为了向量表示形式,方便了机器对自然语言的计算,词向量是所有自然语言处理和理解的下游任务的基础;利用ONEHOT向量表示温度、周末、工作日、节假日,能够方便预处理系统对其进行计算,而且能够有效的提高处理的速度;
步骤四、利用算法模块对步骤四生成的样本进行使用高斯混合模型聚类,进行聚类时,各项特征的权重是通过一些历史数据统计结果人工进行赋值的;
高斯混合模型就是用高斯概率密度函数(正态分布曲线)精确地量化事物,它是一个将事物分解为若干的基于高斯概率密度函数(正态分布曲线)形成的模型;高斯混合模型进行聚类的过程是利用高斯混合模型生成数据样本的“逆过程”:给定聚类簇数k,通过给定的数据集,以某一种参数估计的方法,推导出每一个混合成分的参数;均值向量μ,协方差矩阵Σ和混合系数α。每一个多元高斯分布成分即对应于聚类后的一个簇。利用高斯混合模型进行聚类的优点是投影后样本点不是得到一个确定的分类标记,而是得到每个类的概率,这是一个重要信息。高斯混合模型不仅可以用在聚类上,也可以用在概率密度估计上。
步骤五、利用数据预处理模块收集需要进行预处理的准实时用电数据、天级用电数据(准实时用电数据指的是15分钟更新一次的数据,一天有96个电量数据记录;天级用电数据指的是每天一个数据记录的条目);
然后对收集到的数据通过条件判断出空值和负值并去除成为空值,再对处理后的数据使用分位数统计方法判断出异常值并去除为空值,其中,分位数统计方法的具体步骤如下所示:S1、用Q1、Q2、Q3、Q4分别表示升序排列的四个四分位值;S2、令IQR=Q3-Q1;S3、使阈值=平均值+20*IQR,如果用电高于阈值,则判断为异常值,进行去除;
最后对处理后的数据进行补全:对于准实时用电数据的补全如下所示:准实时数据前后相邻的10个值如果呈现规律波动,也就是每相邻两个点的波动的绝对值都相同,则按照波动规律进行数据补全;如果相邻值不呈现规律波动,则使用步骤四生成的同类日子相同用电时间的用电平均值进行补全;对于天级用电数据的补全如下所示:天级数据前后相邻的4个值如果相邻差距绝对值均小于0.1,说明用电稳定,使用相邻值求平均值方法进行补全;如果前后相邻的值差距绝对值不稳定,则使用步骤四生成的同类日子的用电平均值进行补全;
如果需要补全的数据前后相邻值波动小于阈值或者呈现波动规律,则使用相邻值规律、平均的方法补全;如果需要不全的数据前后相邻值波动大于阈值,则使用步骤四计算得到的同类上下文日子相同时间用电值平均的方法进行补全。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种基于上下文环境的电力数据预处理方法,其特征在于:包括以下具体步骤:
步骤一、构建预处理系统,所述预处理系统包括初始数据获取模块、特征处理和样本生成模块、算法模块和数据预处理模块,所述初始数据获取模块输出端与特征处理和样本生成模块输入端相连接,所述特征处理和样本生成模块输出端与算法模块输入端相连接,所述算法模块输出端与数据预处理模块输入端相连接;
步骤二、利用初始数据获取模块从国家气象局收集天级标准气象数据以及节假日数据;
步骤三、利用特征处理和样本生成模块对步骤二获得的气象数据和节假日数据生成上下文特征,其中包括温度、风力、气压、降水、湿度、周末、工作日、长假这些特征,并将这些特征结果生成样本;
步骤四、利用算法模块对步骤三生成的样本进行使用高斯混合模型聚类;
步骤五、利用数据预处理模块收集需要进行预处理的准实时用电数据、天级用电数据,然后对收集到的数据通过条件判断出空值和负值并去除成为空值,再对处理后的数据使用分位数统计方法判断出异常值并去除为空值,最后对处理后的数据进行补全,如果需要补全的数据前后相邻值波动小于阈值或者呈现波动规律,则使用相邻值规律、平均的方法补全;如果需要补全的数据前后相邻值波动大于阈值,则使用步骤四计算得到的同类上下文日子相同时间用电值平均的方法进行补全。
2.根据权利要求1所述的一种基于上下文环境的电力数据预处理方法,其特征在于:在步骤二中,所述气象数据来自于国家气象局的数据,通过申请后获得;所述节假日数据来自于国务院发布的节假日安排信息。
3.根据权利要求1所述的一种基于上下文环境的电力数据预处理方法,其特征在于:在步骤三中,温度、风力、气压、降水、湿度、周末、工作日、长假这些特征中温度、周末、工作日、节假日使用ONEHOT向量表示,风力、气压、降水、湿度使用等比分桶归一化的方式进行处理。
4.根据权利要求1所述的一种基于上下文环境的电力数据预处理方法,其特征在于:在步骤四中,进行聚类时,各项特征的权重是通过一些历史数据统计结果人工进行赋值的。
5.根据权利要求1所述的一种基于上下文环境的电力数据预处理方法,其特征在于:在步骤五中,准实时用电数据指的是15分钟更新一次的数据,一天有96个电量数据记录;天级用电数据指的是每天一个数据记录的条目。
6.根据权利要求1所述的一种基于上下文环境的电力数据预处理方法,其特征在于:在步骤五中,分位数统计方法的具体步骤如下所示:S1、用Q1、Q2、Q3、Q4分别表示升序排列的四个四分位值;S2、令IQR=Q3-Q1;S3、使阈值=平均值+20*IQR,如果用电高于阈值,则判断为异常值,进行去除。
7.根据权利要求1所述的一种基于上下文环境的电力数据预处理方法,其特征在于:在步骤五中,对于准实时用电数据的补全如下所示:准实时数据前后相邻的10个值如果呈现规律波动,也就是每相邻两个点的波动的绝对值都相同,则按照波动规律进行数据补全;如果相邻值不呈现规律波动,则使用步骤四生成的同类日子相同用电时间的用电平均值进行补全。
8.根据权利要求1所述的一种基于上下文环境的电力数据预处理方法,其特征在于:在步骤五中,对于天级用电数据的补全如下所示:天级数据前后相邻的4个值如果相邻差距绝对值均小于0.1,说明用电稳定,使用相邻值求平均值方法进行补全;如果前后相邻的值差距绝对值不稳定,则使用步骤四生成的同类日子的用电平均值进行补全。
9.根据权利要求1所述的一种基于上下文环境的电力数据预处理方法,其特征在于:在步骤一中,所述初始数据获取模块用于获取用电数据、气象数据以及节假日数据,并对获取到的数据进行预处理;所述特征处理和样本生成模块负责生成上下文特征和对应样本;所述算法模块负责对样本进行聚类;所述数据预处理模块负责对用电数据进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081363.9A CN113779109B (zh) | 2021-09-15 | 2021-09-15 | 一种基于上下文环境的电力数据预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111081363.9A CN113779109B (zh) | 2021-09-15 | 2021-09-15 | 一种基于上下文环境的电力数据预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779109A CN113779109A (zh) | 2021-12-10 |
CN113779109B true CN113779109B (zh) | 2024-05-24 |
Family
ID=78844277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111081363.9A Active CN113779109B (zh) | 2021-09-15 | 2021-09-15 | 一种基于上下文环境的电力数据预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779109B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830510A (zh) * | 2018-07-16 | 2018-11-16 | 国网上海市电力公司 | 一种基于数理统计的电力数据预处理方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN110046152A (zh) * | 2019-04-19 | 2019-07-23 | 国网河南省电力公司经济技术研究院 | 一种处理用电数据缺失值的方法 |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
CN111429027A (zh) * | 2020-04-15 | 2020-07-17 | 国网福建省电力有限公司经济技术研究院 | 一种基于大数据的地区输电网运行多维度分析方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113298175A (zh) * | 2021-06-10 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于多场景和多元数据的独居老人用电监控方法和系统 |
CN113378102A (zh) * | 2021-05-31 | 2021-09-10 | 国网上海市电力公司 | 一种用于短期负荷预测数据缺失预处理方法、介质及应用 |
CN113377760A (zh) * | 2021-07-06 | 2021-09-10 | 国网江苏省电力有限公司营销服务中心 | 基于电力数据和多元数据建立低压居民特征画像的方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210092895A (ko) * | 2020-01-17 | 2021-07-27 | 한국전력공사 | 전력 데이터의 결측치 보완 서버 및 방법 |
-
2021
- 2021-09-15 CN CN202111081363.9A patent/CN113779109B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830510A (zh) * | 2018-07-16 | 2018-11-16 | 国网上海市电力公司 | 一种基于数理统计的电力数据预处理方法 |
CN109472404A (zh) * | 2018-10-31 | 2019-03-15 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
CN110046152A (zh) * | 2019-04-19 | 2019-07-23 | 国网河南省电力公司经济技术研究院 | 一种处理用电数据缺失值的方法 |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
CN111429027A (zh) * | 2020-04-15 | 2020-07-17 | 国网福建省电力有限公司经济技术研究院 | 一种基于大数据的地区输电网运行多维度分析方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN113378102A (zh) * | 2021-05-31 | 2021-09-10 | 国网上海市电力公司 | 一种用于短期负荷预测数据缺失预处理方法、介质及应用 |
CN113298175A (zh) * | 2021-06-10 | 2021-08-24 | 国网江苏省电力有限公司营销服务中心 | 基于多场景和多元数据的独居老人用电监控方法和系统 |
CN113377760A (zh) * | 2021-07-06 | 2021-09-10 | 国网江苏省电力有限公司营销服务中心 | 基于电力数据和多元数据建立低压居民特征画像的方法和系统 |
Non-Patent Citations (2)
Title |
---|
基于自编码算法聚类的城镇住宅建筑日用电典型模式分析;晋远;燕达;安晶晶;张行星;韩梦捷;;建筑科学;20200215(02);4-10+46 * |
气象因素对淮北市电力负荷的影响及其预测研究;汪付华;周后福;张屏;靳继斌;孙金贺;王苏瑶;;气象与环境学报;20200815(04);106-113 * |
Also Published As
Publication number | Publication date |
---|---|
CN113779109A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428201B (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
CN108345670B (zh) | 一种用于95598电力工单的服务热点发现方法 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN111767521A (zh) | 一种基于卷积神经网络与长短期记忆网络的输油泵滚动轴承状态评估方法 | |
CN116881718A (zh) | 一种基于大数据清洗的人工智能训练方法及系统 | |
CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估系统和方法 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN116187838A (zh) | 一种电力设备的质量评估方法、系统、装置及存储介质 | |
CN113779109B (zh) | 一种基于上下文环境的电力数据预处理方法 | |
CN113391256B (zh) | 一种现场作业终端的电能表计量故障分析方法及系统 | |
CN116304721A (zh) | 基于数据类别的大数据治理中数据标准制定方法及系统 | |
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 | |
CN110781959A (zh) | 基于birch算法和随机森林算法的电力客户分群方法 | |
CN115935061A (zh) | 一种基于大数据分析的专利评估系统及评估方法 | |
CN114612460A (zh) | 一种输电故障类型自动识别判断方法 | |
CN114399407A (zh) | 一种基于动静态选择集成的电力调度监控数据异常检测方法 | |
CN109189775B (zh) | 一种工业监控平台海量数据处理系统及方法 | |
CN112541833A (zh) | 基于特征匹配知识库的电力系统远动数据质量治理方法及其系统 | |
CN112200219B (zh) | 一种超大规模晶圆缺陷数据的特征提取方法 | |
CN114490836B (zh) | 一种适用于电动汽车充电故障的数据挖掘处理方法 | |
CN113487080B (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 | |
CN111626586B (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
CN117437050A (zh) | 交易风险分析方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |