CN114201547A - 一种基于区域电力数据与区域发展指数关联分析方法 - Google Patents

一种基于区域电力数据与区域发展指数关联分析方法 Download PDF

Info

Publication number
CN114201547A
CN114201547A CN202111441067.5A CN202111441067A CN114201547A CN 114201547 A CN114201547 A CN 114201547A CN 202111441067 A CN202111441067 A CN 202111441067A CN 114201547 A CN114201547 A CN 114201547A
Authority
CN
China
Prior art keywords
power data
regional
development index
regional power
development
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
CN202111441067.5A
Other languages
English (en)
Inventor
李雍睿
郭尚民
郭志彤
禹加
杨朔
王楚涵
刘馨然
窦文雷
宋卓然
王征
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.)
State Grid Liaoning Electric Power Co Ltd
Original Assignee
State Grid Liaoning 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 State Grid Liaoning Electric Power Co Ltd filed Critical State Grid Liaoning Electric Power Co Ltd
Priority to CN202111441067.5A priority Critical patent/CN114201547A/zh
Publication of CN114201547A publication Critical patent/CN114201547A/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
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • G06N3/08—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种基于区域电力数据与区域发展指数关联分析方法，通过建立区域电力数据挖掘模型，从而提高电力数据的准确性与利用率，其次采用灰色关联分析方法，对区域电力数据与发展指数之间关联性进行分析，并建立区域电力数据与发展指数间关联程度量化模型，然后，基于区域电力数据与发展指数之间关联性，采用大数据分析法对区域电力数据与发展指数模型进行发展指数评估。一种基于区域电力数据与区域发展指数关联分析方法，是对电力数据与区域发展分析的补充和完善，将在利用电力数据服务经济发展中得到应用，为政府提供电力数据以支撑宏观经济分析，间接了解产业结构、GDP走势。

Description

一种基于区域电力数据与区域发展指数关联分析方法
技术领域
本发明涉及区域数据分析技术领域，特别涉及一种基于区域电力数据与区域发展指数关联分析方法。
背景技术
当今社会，电气化水平的提高使得各种经济活动几乎都离不开电力，电力是国民经济发展中重要的生产资料及人民生活中必不可少的生活资料，电力作为关系国计民生的重要基础设施，在保障能源安全、促进节能减排、拉动经济增长、带动产业升级中的作用更加突出。全社会电力数据是通过发电侧表计与用电侧表计计量，经校合、计算而成，客观上保证了电力数据的实时性、可靠性及准确性，由此决定了电力生产、消费与区域发展的紧密相关性在宏观经济研究中的重要作用。各级政府已将全社会电力数据作为判断宏观经济发展的一个重要指数，电力数据已成为度量经济发展的温度计和晴雨表。在经济发展新常态下，区域发展与电力数据之间的弹性系数正在发生新的变化，一定程度上的背离恰恰反映了结构调整和转型升级取得积极进展。
发明内容
针对现有技术存在的问题及技术要求，本发明的目的是提供了一种基于区域电力数据与区域发展指数关联分析方法，建立区域电力数据挖掘模型，从而提高电力数据的准确性与利用率，其次采用灰色关联分析方法，对区域电力数据与发展指数之间关联性进行分析，建立区域电力数据与发展指数间关联程度量化模型，然后，基于区域电力数据与发展指数之间关联性，采用大数据分析法对区域电力数据与发展指数模型进行发展指数评估。
为了达到上述目的，本发明采用以下技术方案实现：
一种基于区域电力数据与区域发展指数关联分析方法，包括以下步骤：
(S1)区域电力数据挖掘；
(S2)建立区域电力数据与发展指数模型；
(S3)采用大数据分析法对区域电力数据与发展指数模型进行发展指数评估。
所述的步骤(S1)区域电力数据挖掘，包括以下步骤：
(S11)采集电力数据图片；
(S12)提取电力数据特征图片，将电力数据特征图片的像素矩阵I(x,y)数据挖掘算法，得到电力数据特征图片空间尺度的卷积，即：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
其中，G(x,y,σ)为尺度可变高斯函数，即：
Figure BDA0003382860280000021
其中，(x,y)为空间坐标，σ为尺度坐标；
(S13)计算高斯差分尺度空间，即：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
其中k为尺度常熟；
(S14)通过高斯差分尺度空间检测关键点，提取电力数据的特征，并进行分析；
(S15)提取电力数据的环境信息，并进行量化处理；
(S16)将量化处理后的环境信息带入卷积神经网络经过池化层，对单位像素迁移和亮度影响进行校正，设电力数据特征图片的大小为W×W,电力数据特征图片空间尺度卷积的大小为F×F,电力数据特征图片空间尺度卷积边缘填充P个像素，电力数据特征图片空间尺度卷积步长为S，则电力数据特征图片空间尺度卷积池化输出的大小N为：
Figure BDA0003382860280000022
(S17)对电力数据特征图片空间尺度卷积进行最大值池化，即：
Figure BDA0003382860280000023
其中，
Figure BDA0003382860280000024
为卷积核，aj为卷积核中的最大值。
所述的步骤(S2)建立区域电力数据与发展指数模型，包括以下步骤：
(S21)采用灰色关联分析方法，对区域电力数据与发展指数之间关联性进行分析；
(S22)建立区域电力数据与发展指数间关联程度量化模型，确定发展指数的初始权重；
(S23)建立区域电力数据与发展指数间关系模型。
所述的步骤(S21)中的灰色关联分析方法，包括以下步骤：
(S211)确定反映区域电力数据特征的参考数列和影响区域电力数据特征的比较数列，设参考数列为Y＝{Y(k)|k＝1,2,Λ,n}，比较数列Xi＝{Xi(k)|k＝1,2,Λ,n}，i＝1,2,Λ,m；
(S212)区域电力数据的无量纲化处理，即：
Figure BDA0003382860280000031
其中，y(k)为参考数列的评价值，y(l)为参考数列的阀值，xi(k)为比较数列的评价值， xi(l)比较数列的阀值；
(S213)计算y(k)与xi(k)的关联系数ζi，即：
Figure BDA0003382860280000032
其中，ρ为分辨系数，y(k)与xi(k)的关联系数ζi的分辨系数ρ的取值区间为(0,1)，当ρ≤0.5463时，分辨力最好，故通常取ρ＝0.5；
(S214)计算关联度ri，即：
Figure BDA0003382860280000033
(S215)关联度按照从大到小的顺序排列。
所述的步骤(S23)建立区域电力数据与发展指数间关系模型，即：
设离散随机变量X＝{x1,x2,…,xn}，单个离散随机变量所携带的信息量为：
Figure BDA0003382860280000034
其中，P(xi)为离散随机变量的发生概率，则离散随机变量的概率分布为：
P(X)＝{p(x1),p(x2),…,p(xN)}
其中，X＝{x1,x2,…,xN}为离散随机变量的运动状态，则所包含的不确定性用信息熵 H(X)来表示，即：
Figure BDA0003382860280000035
用信息熵H(X)的减少量来表示获得的信息量。
与现有技术相比，本发明的有益效果是：
本发明一种基于区域电力数据与区域发展指数关联分析方法，是对电力数据与区域发展分析的补充和完善，将在利用电力数据服务经济发展中得到应用，进一步提高数据分析能力及政府支撑度，在未来为政府提供电力数据以支撑宏观经济分析，政府利用电力数据间接了解产业结构、GDP走势。
上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，从而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下列举本发明的具体实施方法。
根据下文对本发明具体实施例的详细描述，本领域技术人员将会更加明了本发明的上述及其他目的、特征和优点，但不作为对本发明的限定。
具体实施方式
为了便于理解本发明，下面将对本发明进行更全面的描述。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
以下对本发明提供的具体实施方式进行详细说明。
一种基于区域电力数据与区域发展指数关联分析方法，包括以下步骤：
(S1)区域电力数据挖掘；
(S2)建立区域电力数据与发展指数模型；
(S3)采用大数据分析法对区域电力数据与发展指数模型进行发展指数评估。
其步骤(S1)区域电力数据挖掘，包括以下步骤：
(S11)采集电力数据图片；
(S12)提取电力数据特征图片，将电力数据特征图片的像素矩阵I(x,y)数据挖掘算法，得到电力数据特征图片空间尺度的卷积，即：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
其中，G(x,y,σ)为尺度可变高斯函数，即：
Figure BDA0003382860280000041
其中，(x,y)为空间坐标，σ为尺度坐标；
(S13)计算高斯差分尺度空间，即：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
其中k为尺度常熟；
(S14)通过高斯差分尺度空间检测关键点，提取电力数据的特征，并进行分析；
(S15)提取电力数据的环境信息，并进行量化处理；
(S16)将量化处理后的环境信息带入卷积神经网络经过池化层，对单位像素迁移和亮度影响进行校正，设电力数据特征图片的大小为W×W,电力数据特征图片空间尺度卷积的大小为F×F,电力数据特征图片空间尺度卷积边缘填充P个像素，电力数据特征图片空间尺度卷积步长为S，则电力数据特征图片空间尺度卷积池化输出的大小N为：
Figure BDA0003382860280000051
(S17)对电力数据特征图片空间尺度卷积进行最大值池化，即：
Figure BDA0003382860280000052
其中，
Figure BDA0003382860280000053
为卷积核，aj为卷积核中的最大值。
其步骤(S2)建立区域电力数据与发展指数模型，包括以下步骤：
(S21)采用灰色关联分析方法，对区域电力数据与发展指数之间关联性进行分析；
(S22)建立区域电力数据与发展指数间关联程度量化模型，确定发展指数的初始权重；
(S23)建立区域电力数据与发展指数间关系模型。
所述的步骤(S21)中的灰色关联分析方法，包括以下步骤：
(S211)确定反映区域电力数据特征的参考数列和影响区域电力数据特征的比较数列，设参考数列为Y＝{Y(k)|k＝1,2,Λ,n}，比较数列Xi＝{Xi(k)|k＝1,2,Λ,n}，i＝1,2,Λ,m；
(S212)区域电力数据的无量纲化处理，即：
Figure BDA0003382860280000054
其中，y(k)为参考数列的评价值，y(l)为参考数列的阀值，xi(k)为比较数列的评价值， xi(l)比较数列的阀值；
(S213)计算y(k)与xi(k)的关联系数ζi，即：
Figure BDA0003382860280000061
其中，ρ为分辨系数，y(k)与xi(k)的关联系数ζi的分辨系数ρ的取值区间为(0,1)，当ρ≤0.5463时，分辨力最好，故通常取ρ＝0.5；
(S214)计算关联度ri，即：
Figure BDA0003382860280000062
(S215)关联度按照从大到小的顺序排列。
其步骤(S23)建立区域电力数据与发展指数间关系模型，即：
设离散随机变量X＝{x1,x2,…,xn}，单个离散随机变量所携带的信息量为：
Figure BDA0003382860280000063
其中，P(xi)为离散随机变量的发生概率，则离散随机变量的概率分布为：
P(X)＝{p(x1),p(x2),…,p(xN)}
其中，X＝{x1,x2,…,xN}为离散随机变量的运动状态，则所包含的不确定性用信息熵 H(X)来表示，即：
Figure BDA0003382860280000064
用信息熵H(X)的减少量来表示获得的信息量。
以上所述实例的各技术特征可以进行任意组合，为使描述简洁，未对上述实例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和非实质性的改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。

Claims (5)

1.一种基于区域电力数据与区域发展指数关联分析方法，其特征在于，包括以下步骤：
(S1)区域电力数据挖掘；
(S2)建立区域电力数据与发展指数模型；
(S3)采用大数据分析法对区域电力数据与发展指数模型进行发展指数评估。
2.根据权利要求1所述的一种基于区域电力数据与区域发展指数关联分析方法，其特征在于，所述的步骤(S1)区域电力数据挖掘，包括以下步骤：
(S11)采集电力数据图片；
(S12)提取电力数据特征图片，将电力数据特征图片的像素矩阵I(x,y)数据挖掘算法，得到电力数据特征图片空间尺度的卷积，即：
L(x,y,σ)＝G(x,y,σ)*I(x,y)
其中，G(x,y,σ)为尺度可变高斯函数，即：
Figure FDA0003382860270000011
其中，(x,y)为空间坐标，σ为尺度坐标；
(S13)计算高斯差分尺度空间，即：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
其中k为尺度常熟；
(S14)通过高斯差分尺度空间检测关键点，提取电力数据的特征，并进行分析；
(S15)提取电力数据的环境信息，并进行量化处理；
(S16)将量化处理后的环境信息带入卷积神经网络经过池化层，对单位像素迁移和亮度影响进行校正，设电力数据特征图片的大小为W×W,电力数据特征图片空间尺度卷积的大小为F×F,电力数据特征图片空间尺度卷积边缘填充P个像素，电力数据特征图片空间尺度卷积步长为S，则电力数据特征图片空间尺度卷积池化输出的大小N为：
Figure FDA0003382860270000012
(S17)对电力数据特征图片空间尺度卷积进行最大值池化，即：
Figure FDA0003382860270000013
其中，
Figure FDA0003382860270000021
为卷积核，aj为卷积核中的最大值。
3.根据权利要求1所述的一种基于区域电力数据与区域发展指数关联分析方法，其特征在于，所述的步骤(S2)建立区域电力数据与发展指数模型，包括以下步骤：
(S21)采用灰色关联分析方法，对区域电力数据与发展指数之间关联性进行分析；
(S22)建立区域电力数据与发展指数间关联程度量化模型，确定发展指数的初始权重；
(S23)建立区域电力数据与发展指数间关系模型。
4.根据权利要求3所述的一种基于区域电力数据与区域发展指数关联分析方法，其特征在于，所述的步骤(S21)中的灰色关联分析方法，包括以下步骤：
(S211)确定反映区域电力数据特征的参考数列和影响区域电力数据特征的比较数列，设参考数列为Y＝{Y(k)|k＝1,2,Λ,n}，比较数列Xi＝{Xi(k)|k＝1,2,Λ,n}，i＝1,2,Λ,m；
(S212)区域电力数据的无量纲化处理，即：
Figure FDA0003382860270000022
其中，y(k)为参考数列的评价值，y(l)为参考数列的阀值，xi(k)为比较数列的评价值，xi(l)比较数列的阀值；
(S213)计算y(k)与xi(k)的关联系数ζi，即：
Figure FDA0003382860270000023
其中，ρ为分辨系数，y(k)与xi(k)的关联系数ζi的分辨系数ρ的取值区间为(0,1)，当ρ≤0.5463时，分辨力最好，故通常取ρ＝0.5；
(S214)计算关联度ri，即：
Figure FDA0003382860270000024
(S215)关联度按照从大到小的顺序排列。
5.根据权利要求3所述的一种基于区域电力数据与区域发展指数关联分析方法，其特征在于，所述的步骤(S23)建立区域电力数据与发展指数间关系模型，即：
设离散随机变量X＝{x1,x2,…,xn}，单个离散随机变量所携带的信息量为：
Figure FDA0003382860270000031
其中，P(xi)为离散随机变量的发生概率，则离散随机变量的概率分布为：
P(X)＝{p(x1),p(x2),…,p(xN)}
其中，X＝{x1,x2,…,xN}为离散随机变量的运动状态，则所包含的不确定性用信息熵H(X)来表示，即：
Figure FDA0003382860270000032
用信息熵H(X)的减少量来表示获得的信息量。
CN202111441067.5A 2021-11-30 2021-11-30 一种基于区域电力数据与区域发展指数关联分析方法 Pending CN114201547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111441067.5A CN114201547A (zh) 2021-11-30 2021-11-30 一种基于区域电力数据与区域发展指数关联分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111441067.5A CN114201547A (zh) 2021-11-30 2021-11-30 一种基于区域电力数据与区域发展指数关联分析方法

Publications (1)

Publication Number Publication Date
CN114201547A true CN114201547A (zh) 2022-03-18

Family

ID=80649706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111441067.5A Pending CN114201547A (zh) 2021-11-30 2021-11-30 一种基于区域电力数据与区域发展指数关联分析方法

Country Status (1)

Country Link
CN (1) CN114201547A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819404A (zh) * 2022-05-30 2022-07-29 黄小兵 智慧城市电能统一分配系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819404A (zh) * 2022-05-30 2022-07-29 黄小兵 智慧城市电能统一分配系统

Similar Documents

Publication Publication Date Title
CN108921339B (zh) 基于分位数回归的遗传支持向量机光伏功率区间预测方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN112365029B (zh) 用于空调负荷预测的缺失值处理方法及空调负荷预测系统
CN108009667A (zh) 一种能源需求总量及结构预测系统
CN112232543B (zh) 一种基于图卷积网络的多站点预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN111598224B (zh) 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法
CN115374995A (zh) 一种分布式光伏、小风电场站功率预测方法
CN111209968B (zh) 基于深度学习的多气象因子模式预报温度订正方法及系统
CN112183625A (zh) 一种基于深度学习的pm2.5高精度时空预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN116307287B (zh) 一种光伏发电有效时段的预测方法、系统及预测终端
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN114201547A (zh) 一种基于区域电力数据与区域发展指数关联分析方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
CN116401516A (zh) 一种基于深度学习的电力负荷异常数据检测与修正方法
CN115481788A (zh) 相变储能系统负荷预测方法及系统
CN111932081A (zh) 一种电力信息系统运行状态评估方法及系统
CN108830405B (zh) 基于多指标动态匹配的实时电力负荷预测系统及其方法
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
CN114254828B (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN115600498A (zh) 一种基于人工神经网络的风速预报订正方法
CN115511230A (zh) 一种电能替代潜力分析预测方法
Zhang et al. A hybrid load forecasting method based on neural network in smart grid
CN110852628A (zh) 考虑发展模式影响的农村中长期负荷预测方法

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