CN114676931A - 一种基于数据中台技术的电量预测系统 - Google Patents
一种基于数据中台技术的电量预测系统 Download PDFInfo
- Publication number
- CN114676931A CN114676931A CN202210377168.9A CN202210377168A CN114676931A CN 114676931 A CN114676931 A CN 114676931A CN 202210377168 A CN202210377168 A CN 202210377168A CN 114676931 A CN114676931 A CN 114676931A
- Authority
- CN
- China
- Prior art keywords
- data
- enterprise
- electric quantity
- source data
- power
- 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.)
- Granted
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 230000005611 electricity Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000033764 rhythmic process Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请属于企业电量预测技术领域,尤其涉及一种基于数据中台技术的电量预测系统。包括用于获取和存储企业用电源数据的数据中台模块,用于执行电量预测的计算中心,所述计算中心用于执行以下步骤:获取企业电量源数据;企业电量源数据的归一化处理;企业电量源数据失真处理;基于时间周期以及企业构成的分类;建立用电企业电量预测模型;基于前述用电企业电量预测模型对待预测用电企业未来电量进行预测。基于数据中台技术的电量预测系统,该系统元数据类型单一获取方便,但通过结合时间周期负荷变化特征和变化趋势预测,能够高效准确的实现异常数据的检测和处理,有效提高大批量数据的快速处理和分析,提高企业电量预测的效率和准确性。
Description
技术领域
本申请属于企业电量预测技术领域,尤其涉及一种基于数据中台技术的电量预测系统。
背景技术
随着电力企业用户服务和管理的复杂化,准确预测行业企业电量、电费是做好电力规划、计划、生产运行、财务统计工作的重要基础。目前电网预测研究主要侧重于区域的增长负荷特性研究,但是,在面临着经济产业结构发生调整的情况下,需要对行业、企业的用电量、电费进行预测、预警、分析及挖掘,减少企业经营风险,提高企业经济效益,但目前月度电费在每月底之前出账,出账日至月底的用户实际电费需要等到下个出账期获取,目前月度电费都是依靠人工经验预出账日之后的电费结合出账日之前的实际电费数据提供。其存在以下问题:一是人工预测客观性低,目前电量、电费的预测都是依靠人工经验预测,通过事后将人工预测与实际数据比对分析发现偏差值较大。二是人工预测复杂度高,人工预测需要财务、营销、调度等多部门合作,针对地区总体的电量、电费进行预测,完成区域内所有企业、所有行业的预测,需要大量的工作。三是人工预测纠错难度大,人工预测是针对行业级的预测,当发现预测与实际偏差率大时,无法准确定位异常企业用电量所造成的偏差率大的情况。
发明内容
本申请的目的在于,针对现有企业电量预测方法单一,局限性高的问题,提供一种充分考虑企业时序特征以及自身电量特征,具有较高的预测准确性以及适用性广的基于数据中台技术的电量预测系统。
为实现上述目的,本申请采用如下技术方案。
一种基于数据中台技术的电量预测系统,包括用于获取和存储企业用电源数据的数据中台模块,用于执行电量预测的计算中心,所述计算中心用于执行以下步骤:
步骤一、获取企业电量源数据
具体是指,从供电区域内用电企业的历史用电数据集合中,分别抽取对应的企业电量源数据,构建不同类型的企业电量源数据集合,所述企业电量源数据类型包括统计周期内每日的电量数据;
步骤二、企业电量源数据的归一化处理
对于任意企业的某项企业电量源数据值A={a1、a2...ai...aD-1、aD};计算其归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},其中a'i为数据ai的归一化值;amin为数据集A中元素的最小值;amax为数据集A中元素的最大值;
步骤三、企业电量源数据失真处理
包括对于归一化后的企业电量源数据进行修正处理,具体如下:
3.1、确定企业电量源数据中的失真项
对于任意企业的某项归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},从数据集A'中随机抽取一个企业电量源数据a'(a'min<a'<a'max)作为根形成二叉树,根据数据集A'中的企业电量源数据相对于a'数据值的大小进行分类,并分别作为二叉树的两个分支中的元素,对于每个分支,选取企业电量源数据作为主干并形成新的分支,重复上述步骤,直至数据集A'中所有的归一化数据均已存在于二叉树,且每个二叉树每个分支中只有一个归一化数据;遍历最终形成的二叉树中的每个企业电量源数据a'i,计算从根元素到该企业电量源数据对应节点需要的分支次数ti,计算其边缘系数
其中j(x)=ln(x)+γ;γ是指欧拉常数;
当s(a'i)≥0.6则可以判断该企业电量源数据存在失真;当s(a'i)<0.5则判定企业电量源数据为正常数据,
当0.5<s(a'i)<0.6为不确定项,需要进行进一步判断,具体是指:
根据前项归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},绘制其钟形曲线,基于钟形曲线,确定该归一化数据集中企业电量源数据取值的可信区间(μ-3σ,μ+3σ),使分布在可信区间(μ-3σ,μ+3σ)中的企业电量源数据数量占数据集中数据总量的0.9973,以取值位于可信区间内得企业电量源数据为可信数据,以取值位于可信区间之外的企业电量源数据为失真数据
3.2、企业电量源数据失真项处理
利用拟合曲线点值数据填补缺失值或替换异常数据以消除异常数据异常;
步骤四、基于时间周期以及企业构成的分类
不同行业生产节奏以及企业对于区域内电量的变化具有直接影响,在进行企业电量预测过程中,需要考虑待预测企业对应的行业特征以及不同时间周期下的特定需求,具体是通过考虑企业不同电量的特征与用电周期的相关性进行聚类,具体实施时,首先在所有用电企业中选择已知的若干典型企业类型形成已知负荷类别,可以分别以电量的平均值与时间周期的相关性、方差与时间周期的相关性进行聚类,将聚类结果与已知负荷类别的结果进行比较,选择分类结果与已知负荷类别的结果最接近的聚类方案,对所有的用电企业进行聚类划分,将其划分至对应的负荷类别中;
步骤五、建立用电企业电量预测模型
基于前述步骤获取了若干用电企业负荷类别的,收集并处理各类用电企业随影的源数据之后,将源数据进行分割,根据时间顺序,选取源数据中前m天的企业电量数据构成训练集,选取源数据中后n天的企业用电数据构成测试集,m≥0.6D、n≥0.2D;D为源数据记录的总天数;建立自回归滑动平均模型,对于用电波动性大,用将训练集中的数据进行代入后训练测试,得到优选模型,并使用测试集数据进行测试验证,直至测试结果满足准确性要求,否则修改模型参数;
步骤六、基于前述用电企业电量预测模型以及待预测企业历史电量数据,对待预测用电企业未来电量进行预测。
对前述基于数据中台技术的电量预测系统的进一步改进或者优选实施方案,所述步骤3.2还包括:
利用拟合曲线点值数据填补或替换缺失的者明显异常的数据,具体是指,对各企业统计周期内的源数据数据进行切割,获取若干稳定用电时间区段,选取存在异常数据所在的用电时间区段,在忽略该异常数据的情况下采用数据拟合算法获取该稳定用电时间区段的拟合曲线,并基于异常数据对应的时间节点,使用拟合曲线对应的数据值替换异常数据,修正企业电量源数据.
对前述基于数据中台技术的电量预测系统的进一步改进或者优选实施方案,所述步骤三还包括:
3.3、用于补充源数据的虚拟企业电量数据生产步骤
利用聚类均值补充丰富企业电量源数据库,具体是指,为便于数据计算,保证企业电量源数据中有足够的的基础数据供以使用,基于企业源数据,绘制企业电量变化曲线,根据特定周期的变化曲率进行聚类,获得若干具有相似电量变化特征的用电企业类,对于每个企业类中的若干企业,将其对应的企业电量源数据进行均值处理以形成新的虚拟企业的企业电量源数据,将新的虚拟企业的企业电量源数据补种至源数据中,重复记性聚类划分以及均值处理生成新的虚拟企业,直至训练集和测试集中企业电量源数据的总量达到需求。
其有益效果在于:
本发明是一种基于数据中台技术的电量预测系统,该系统元数据类型单一获取方便,但通过结合时间周期负荷变化特征和变化趋势预测,能够高效准确的实现异常数据的检测和处理,有效提高大批量数据的快速处理和分析,提高企业电量预测的效率和准确性。
附图说明
图1是基于数据中台技术的电量预测系统的原理示意图。
具体实施方式
以下结合具体实施例对本申请作详细说明。
本发明涉及一种基于数据中台技术的电量预测系统,该系统主要用于在现有企业电量的统计数据基础上,对已有或者新的企业未来的电量变化和分布进行预测分析,以实现区域电量的预测和规划,包括用于获取和存储企业用电源数据的数据中台模块,用于执行电量预测的计算中心,所述计算中心用于执行以下步骤:
其基本原理如图1所示,其具体步骤如下:
步骤一、获取企业电量源数据
具体是指,从供电区域内用电企业的历史用电数据集合中,分别抽取对应的企业电量源数据,构建不同类型的企业电量源数据集合,所述企业电量源数据类型包括统计周期内每日的电量数据;
在实际实施过程中,基于电网智能化数据收集终端、智能电表以及远程终端单元等已有设备,我们可以直接提取和利用企业历史电量信息,基于用电企业电量的特性,一般企业按照工作日的业务内容不同在单日内保持相对一致,因此通过每日内单位负荷作为基本元素收集用电数据
步骤二、企业电量源数据的归一化处理
可以获得必要的企业电量源数据,在后续处理过程中,为简化处理过程,消除数据单位和类型的影响,仅考虑数值大小,需要对原企业电量源数据进行归一化处理,具体是指,对于任意企业的某项企业电量源数据值A={a1、a2...ai...aD-1、aD};计算其归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},其中a'i为数据ai的归一化值;amin为数据集A中元素的最小值;amax为数据集A中元素的最大值;
步骤三、企业电量源数据失真处理
由于各类影响不确定因素的存在,企业电量源数据在产生、记录和存储或者处理过程中,均可能产生错误或者失真等现象,导致企业电量源数据中存在错误数据,因此对于归一化后的企业电量源数据,需要对其进行修正处理,具体步骤如下:
3.1、确定企业电量源数据中的失真项
对于任意企业的某项归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},从数据集A'中随机抽取一个企业电量源数据a'(a'min<a'<a'max)作为根形成二叉树,根据数据集A'中的企业电量源数据相对于a'数据值的大小进行分类,并分别作为二叉树的两个分支中的元素,对于每个分支,选取企业电量源数据作为主干并形成新的分支,重复上述步骤,直至数据集A'中所有的归一化数据均已存在于二叉树,且每个二叉树每个分支中只有一个归一化数据;
其中是指,j(x)=ln(x)+γ;γ是指欧拉常数;
基于边缘系数s(a'i),可以判断在数据集中某个企业电量源数据相对于总体数据分布特性的偏差值,根据企业用电用户的历史经验数据,当s(a'i)≥0.6则可以判断该企业电量源数据存在失真,包括但不限于异常情况导致的单日用电远高或者远低于历史同期数据;当s(a'i)<0.5则可以判定企业电量源数据为正常数据,当0.5<s(a'i)<0.6为不确定项,需要进行进一步判断;
企业电量企业电量源数据的失真主要由随机误差构成,处于行业特点,企业电量的测量数据在统计学上满足高斯分布,则可根据3σ法则对前述不确定项进行判断和修正,具体是指:
根据前项归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},绘制其钟形曲线,基于钟形曲线,确定该归一化数据集中企业电量源数据取值的可信区间(μ-3σ,μ+3σ),使分布在可信区间(μ-3σ,μ+3σ)中的企业电量源数据数量占数据集中数据总量的0.9973,以取值位于可信区间内得企业电量源数据为可信数据,以取值位于可信区间之外的企业电量源数据为失真数据
3.2、企业电量源数据失真项处理
利用拟合曲线点值数据填补或替换缺失的者明显异常的数据以消除少量企业因为临时时间导致的数据异常现象,利用均值补充丰富企业电量源数据库以保证企业电量源数据规模达到数据处理的最低需求;
利用拟合曲线点值数据填补或替换缺失的者明显异常的数据,具体是指,对各企业统计周期内的源数据数据进行切割,获取若干稳定用电时间区段,选取存在异常数据所在的用电时间区段,在忽略该异常数据的情况下采用数据拟合算法获取该稳定用电时间区段的拟合曲线,并基于异常数据对应的时间节点,使用拟合曲线对应的数据值替换异常数据,修正企业电量源数据;
3.3、用于补充源数据的虚拟企业电量数据生产步骤
利用聚类均值补充丰富企业电量源数据库,具体是指,为便于数据计算,保证企业电量源数据中有足够的的基础数据供以使用,基于企业源数据,绘制企业电量变化曲线,根据特定周期的变化曲率进行聚类,获得若干具有相似电量变化特征的用电企业类,对于每个企业类中的若干企业,将其对应的企业电量源数据进行均值处理以形成新的虚拟企业的企业电量源数据,将新的虚拟企业的企业电量源数据补种至源数据中,重复记性聚类划分以及均值处理生成新的虚拟企业,直至训练集和测试集中企业电量源数据的总量达到需求。
步骤四、基于时间周期以及企业构成
不同行业生产节奏以及企业对于区域内电量的变化具有直接影响,在进行企业电量预测过程中,需要考虑待预测企业对应的行业特征以及不同时间周期下的特定需求,具体是通过考虑企业不同电量的特征与用电周期的相关性进行聚类,具体实施时,首先在所有用电企业中选择已知的若干典型企业类型形成已知负荷类别,可以分别以电量的平均值与时间周期的相关性、方差与时间周期的相关性进行聚类,将聚类结果与已知负荷类别的结果进行比较,选择分类结果与已知负荷类别的结果最接近的聚类方案,对所有的用电企业进行聚类划分,将其划分至对应的负荷类别中;
步骤五、建立用电企业电量预测模型
基于前述步骤获取了若干用电企业负荷类别的,收集并处理各类用电企业随影的源数据之后,将源数据进行分割,根据时间顺序,选取源数据中前m天的企业电量数据构成训练集,选取源数据中后n天的企业用电数据构成测试集,m≥0.6D、n≥0.2D;D为源数据记录的总天数;建立自回归滑动平均模型,对于用电波动性大,用将训练集中的数据进行代入后训练测试,得到优选模型,并使用测试集数据进行测试验证,直至测试结果满足准确性要求,否则修改模型参数;
步骤六、基于前述用电企业电量预测模型以及待预测企业历史电量数据,对待预测用电企业未来电量进行预测。
最后应当说明的是,以上实施例仅用以说明本申请的技术方案,而非对本申请保护范围的限制,尽管参照较佳实施例对本申请作了详细地说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或者等同替换,而不脱离本申请技术方案的实质和范围。
Claims (3)
1.一种基于数据中台技术的电量预测系统,其特征在于,包括用于获取和存储企业用电源数据的数据中台模块,用于执行电量预测的计算中心,所述计算中心用于执行以下步骤:
步骤一、获取企业电量源数据
具体是指,从供电区域内用电企业的历史用电数据集合中,分别抽取对应的企业电量源数据,构建不同类型的企业电量源数据集合,所述企业电量源数据类型包括统计周期内每日的电量数据;
步骤二、企业电量源数据的归一化处理
对于任意企业的某项企业电量源数据值A={a1、a2...ai...aD-1、aD};计算其归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},其中a'i为数据ai的归一化值;amin为数据集A中元素的最小值;amax为数据集A中元素的最大值;
步骤三、企业电量源数据失真处理
包括对于归一化后的企业电量源数据进行修正处理,具体如下:
3.1、确定企业电量源数据中的失真项
对于任意企业的某项归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},从数据集A'中随机抽取一个企业电量源数据a'(a'min<a'<a'max)作为根形成二叉树,根据数据集A'中的企业电量源数据相对于a'数据值的大小进行分类,并分别作为二叉树的两个分支中的元素,对于每个分支,选取企业电量源数据作为主干并形成新的分支,重复上述步骤,直至数据集A'中所有的归一化数据均已存在于二叉树,且每个二叉树每个分支中只有一个归一化数据;遍历最终形成的二叉树中的每个企业电量源数据a'i,计算从根元素到该企业电量源数据对应节点需要的分支次数ti,计算其边缘系数
其中j(x)=ln(x)+γ;γ是指欧拉常数;
当s(a'i)≥0.6则可以判断该企业电量源数据存在失真;当s(a'i)<0.5则判定企业电量源数据为正常数据,
当0.5<s(a'i)<0.6为不确定项,需要进行进一步判断,具体是指:
根据前项归一化数据集A'={a'1、a'2...a'i...a'D-1、a'D},绘制其钟形曲线,基于钟形曲线,确定该归一化数据集中企业电量源数据取值的可信区间(μ-3σ,μ+3σ),使分布在可信区间(μ-3σ,μ+3σ)中的企业电量源数据数量占数据集中数据总量的0.9973,以取值位于可信区间内得企业电量源数据为可信数据,以取值位于可信区间之外的企业电量源数据为失真数据
3.2、企业电量源数据失真项处理
利用拟合曲线点值数据填补缺失值或替换异常数据以消除异常数据异常;
步骤四、基于时间周期以及企业构成
不同行业生产节奏以及企业对于区域内电量的变化具有直接影响,在进行企业电量预测过程中,需要考虑待预测企业对应的行业特征以及不同时间周期下的特定需求,具体是通过考虑企业不同电量的特征与用电周期的相关性进行聚类,具体实施时,首先在所有用电企业中选择已知的若干典型企业类型形成已知负荷类别,可以分别以电量的平均值与时间周期的相关性、方差与时间周期的相关性进行聚类,将聚类结果与已知负荷类别的结果进行比较,选择分类结果与已知负荷类别的结果最接近的聚类方案,对所有的用电企业进行聚类划分,将其划分至对应的负荷类别中;
步骤五、建立用电企业电量预测模型
基于前述步骤获取了若干用电企业负荷类别的,收集并处理各类用电企业随影的源数据之后,将源数据进行分割,根据时间顺序,选取源数据中前m天的企业电量数据构成训练集,选取源数据中后n天的企业用电数据构成测试集,m≥0.6D、n≥0.2D;D为源数据记录的总天数;建立自回归滑动平均模型,对于用电波动性大,用将训练集中的数据进行代入后训练测试,得到优选模型,并使用测试集数据进行测试验证,直至测试结果满足准确性要求,否则修改模型参数;
步骤六、基于前述用电企业电量预测模型以及待预测企业历史电量数据,对待预测用电企业未来电量进行预测。
2.根据权利要求1所述的一种基于数据中台技术的电量预测系统,其特征在于,所述步骤3.2还包括:
利用拟合曲线点值数据填补或替换缺失的者明显异常的数据,具体是指,对各企业统计周期内的源数据数据进行切割,获取若干稳定用电时间区段,选取存在异常数据所在的用电时间区段,在忽略该异常数据的情况下采用数据拟合算法获取该稳定用电时间区段的拟合曲线,并基于异常数据对应的时间节点,使用拟合曲线对应的数据值替换异常数据,修正企业电量源数据。
3.根据权利要求1所述的一种基于数据中台技术的电量预测系统,其特征在于,所述步骤三还包括:
3.3、用于补充源数据的虚拟企业电量数据生产步骤
利用聚类均值补充丰富企业电量源数据库,具体是指,为便于数据计算,保证企业电量源数据中有足够的的基础数据供以使用,基于企业源数据,绘制企业电量变化曲线,根据特定周期的变化曲率进行聚类,获得若干具有相似电量变化特征的用电企业类,对于每个企业类中的若干企业,将其对应的企业电量源数据进行均值处理以形成新的虚拟企业的企业电量源数据,将新的虚拟企业的企业电量源数据补种至源数据中,重复记性聚类划分以及均值处理生成新的虚拟企业,直至训练集和测试集中企业电量源数据的总量达到需求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377168.9A CN114676931B (zh) | 2022-04-12 | 2022-04-12 | 一种基于数据中台技术的电量预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210377168.9A CN114676931B (zh) | 2022-04-12 | 2022-04-12 | 一种基于数据中台技术的电量预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114676931A true CN114676931A (zh) | 2022-06-28 |
CN114676931B CN114676931B (zh) | 2024-02-20 |
Family
ID=82079118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210377168.9A Active CN114676931B (zh) | 2022-04-12 | 2022-04-12 | 一种基于数据中台技术的电量预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676931B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663747A (zh) * | 2023-07-19 | 2023-08-29 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110740333A (zh) * | 2019-08-01 | 2020-01-31 | 辽宁师范大学 | 基于小波模极大值重建的改进spiht图像编码和解码方法 |
CN113421263A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
CN114067444A (zh) * | 2021-10-12 | 2022-02-18 | 中新国际联合研究院 | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 |
-
2022
- 2022-04-12 CN CN202210377168.9A patent/CN114676931B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110740333A (zh) * | 2019-08-01 | 2020-01-31 | 辽宁师范大学 | 基于小波模极大值重建的改进spiht图像编码和解码方法 |
CN113421263A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 零件缺陷检测方法、设备、介质及计算机程序产品 |
CN114067444A (zh) * | 2021-10-12 | 2022-02-18 | 中新国际联合研究院 | 基于元伪标签和光照不变特征的人脸欺骗检测方法和系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663747A (zh) * | 2023-07-19 | 2023-08-29 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及系统 |
CN116663747B (zh) * | 2023-07-19 | 2024-04-12 | 广东云下汇金科技有限公司 | 一种基于数据中心基础设施的智能预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114676931B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN108830510B (zh) | 一种基于数理统计的电力数据预处理方法 | |
CN109308571B (zh) | 配电线路线变关系检测方法 | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN110119948B (zh) | 基于时变权重动态组合的电力用户信用评价方法及系统 | |
CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN114091980B (zh) | 基于分布式监测的碳排放量计算方法、装置及存储介质 | |
CN104992297A (zh) | 基于大数据平台聚类算法的电费回收风险评估装置及方法 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN114611738A (zh) | 一种基于用户用电行为分析的负荷预测方法 | |
CN112418545A (zh) | 一种基于负荷特征及模型融合的售电量预测方法及系统 | |
CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
CN115809719A (zh) | 一种基于形态聚类的短期负荷预测修正方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN104850612B (zh) | 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法 | |
CN113516192A (zh) | 一种用户用电异动识别方法、系统、装置及存储介质 | |
CN113962504A (zh) | 一种配电网规划方案成本效益比计算方法 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN107590747A (zh) | 基于综合能源大数据分析的电网资产周转率计算方法 | |
CN106651630A (zh) | 关键用电行业识别方法和系统 | |
CN115687788A (zh) | 一种智能化商机推荐方法和系统 |
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 |