CN115049107A - 一种基于物联采集边缘计算的电量预测系统 - Google Patents
一种基于物联采集边缘计算的电量预测系统 Download PDFInfo
- Publication number
- CN115049107A CN115049107A CN202210550520.4A CN202210550520A CN115049107A CN 115049107 A CN115049107 A CN 115049107A CN 202210550520 A CN202210550520 A CN 202210550520A CN 115049107 A CN115049107 A CN 115049107A
- Authority
- CN
- China
- Prior art keywords
- equipment
- electric quantity
- data
- historical
- edge calculation
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 36
- 230000005611 electricity Effects 0.000 claims abstract description 68
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 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
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种基于物联采集边缘计算的电量预测系统,所述电量预测系统包括对应电力用户的用电设备数量部署的数据采集设备、对应电力用户数量部署的一级边缘计算设备,以及与各个一级边缘计算设备通信的二级边缘计算设备、与二级边缘计算设备通信的业务总站;数据采集设备用于获取用电设备的历史用电特征数据;一级边缘计算设备用于根据历史用电特征数据计算电力用户电量走势的初预测结果,并对初预测结果进行分类;二级边缘计算设备用于基于分类结果结合历史用电特征数据输出电量综合预测结果。本发明利用物联网边缘计算的本地数据处理能力,针对不同类型调用对应的预测模型,提高了对不同类型用户进行电量预测的效率。
Description
技术领域
本发明属于用户终端电量预测领域,尤其涉及一种基于物联采集边缘计算的电量预测系统。
背景技术
各用电主体为了提高运行效益,通常需要对社会面上各个用电用户进行电量预测。随着社会生产力的快速发展,以及以新能源为主的用电终端的广泛应用,其计算量大大增加。为了提高用户电量相关数据的计算速度,物联网边缘计算技术在用电终端的电量预测领域得到广泛运用。物联网边缘计算是一种部署在近场侧的高可用的软硬一体产品,通过平台化的网络、计算、存储和应用解决方案,为系统提供响应速度更快、带宽成本更低的计算环境,能够在用户侧基于物联网边缘计算技术,提高电量预测的效率。
然而用电主体中的用户类型多样,导致用电习惯的差异性较大,因此在现有方法中,物联网边缘计算设备在针对不同类型的用户可能需要不断训练预测算法的相关参数,以满足预测精度,不仅对边缘计算的能力提出了更高的要求,也降低了预测效率。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提出了一种基于物联采集边缘计算的电量预测系统,所述电量预测系统包括对应用户的用电设备数量部署的数据采集设备、对应用户数量部署的一级边缘计算设备,以及与各个一级边缘计算设备通信的二级边缘计算设备、与二级边缘计算设备通信的业务总站;
所述数据采集设备用于获取各个用电设备的历史用电特征数据;所述一级边缘计算设备用于根据历史用电特征数据计算每个用户电量走势的初预测结果,并对初预测结果进行分类;所述二级边缘计算设备用于基于分类结果结合历史用电特征数据输出对各类用户的电量综合预测结果;所述业务总站用于对所有用户的电量综合预测结果进行汇总。
可选的,在所述电量预测系统中,同属一个用户的用电设备对应的数据采集设备与同一个一级边缘计算设备建立通信连接;同属一个用电主体的用户对应的一级边缘计算设备与同一个二级边缘计算设备建立通信连接。
可选的,所述数据采集设备包括计量模块、数据清洗模块以及数据预处理模块;
所述计量模块用于采集用电设备的历史用电数据,所述历史用电数据包括历史日间电量、历史夜间电量、日间运行环境、夜间运行环境、用电日期类型以及峰谷电价;
所述数据清洗模块用于筛除历史用电数据中的异常值与缺失值;
所述数据预处理模块用于对筛除的异常值与缺失值进行数值填补,以及将填补后的历史用电数据归一化处理为历史用电特征数据。
可选的,所述一级边缘计算设备包括基于线性回归模型建立的初预测模块,以及基于随机森林回归模型建立的分类模块;
所述初预测模块用于根据历史用电特征数据,对用户在未来时序的电量进行预测,生成预测结果的时序曲线图作为电量走势的初预测结果;
所述分类模块用于提取初预测结果的时序特征,根据时序特征识别用户的类型。
可选的,所述用户的类型包括工厂、企业、公共设施以及居民。
可选的,所述二级边缘计算设备中部署了基于LSTM神经网络模型构建的综合预测模块;
所述综合预测模块用于根据用户的不同类型调用不同网络参数的LSTM神经网络模型,将不同类型对应的历史用电特征数据输入调用的LSTM神经网络模型中,得到电量综合预测结果。
可选的,所述综合预测模块为基于kubernetes构建的容器云平台,所述不同网络参数的LSTM神经网络模型基于容器技术部署在综合预测模块中。
可选的,所述业务总站还用于根据电量预测结果,对异常的用电行为进行告警。
本发明提供的技术方案带来的有益效果是:
(1)利用物联网边缘计算的本地数据处理能力,针对用户的不同用电习惯预先分类,再针对不同类型分别调用对应的预测模型,提高了对不同类型用户进行电量预测的效率。
(2)在物联网边缘计算设备中,基于容器技术部署多个针对不同类型的预测模型,从而充分利用了本地边缘计算资源,并能够针对用户的类型灵活加载对应的预测算法。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提出的一种基于物联采集边缘计算的电量预测系统的架构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例
如图1所示,本实施例提出了一种基于物联采集边缘计算的电量预测系统,所述电量预测系统包括对应用户的用电设备数量部署的数据采集设备、对应用户数量部署的一级边缘计算设备,以及与各个一级边缘计算设备通信的二级边缘计算设备、与二级边缘计算设备通信的业务总站;
所述数据采集设备用于获取各个用电设备的历史用电特征数据;所述一级边缘计算设备用于根据历史用电特征数据计算每个用户电量走势的初预测结果,并对初预测结果进行分类;所述二级边缘计算设备用于基于分类结果结合历史用电特征数据输出对各类用户的电量综合预测结果;所述业务总站用于对所有用户的电量综合预测结果进行汇总。
由图1可知本实施例中数据采集设备、一级边缘计算设备、二级边缘计算设备一级用户之间的对应关系。分别为每个用户在本地部署一级边缘计算设备,同时针对每个用户内部的数据采集设备,同属一个用户的用电设备对应的数据采集设备与同一个一级边缘计算设备建立通信连接。再为每个用电主体在本地部署至少一个二级边缘计算设备,以图1中用电主体1和用电主体2为例,同属一个用电主体的用户对应的一级边缘计算设备与同一个二级边缘计算设备建立通信连接。本实施例中,所述用电主体可包括各个园区、商圈等用电区域为单位的配电区域。
由上述对应可知,一级边缘计算设备能够在用户的本地实现边缘计算,并在本地分析用户的类型。二级边缘计算设备则可以在用电主体侧对供电区域内所有用户进行电量预测。
在本实施例中,利用所述电量预测系统提供了的具有本地数据处理能力的边缘计算环境,通过平台化的网络、计算、存储和应用解决方案,完成用电数据的采集、清洗、存储,结合算法对电量进行预测。
本实施例通过数据采集设备实现数据采集、清洗、存储阶段,具体的,所述数据采集设备包括计量模块、数据清洗模块以及数据预处理模块;
所述计量模块用于采集用电设备的历史用电数据,所述历史用电数据包括历史日间电量、历史夜间电量、日间运行环境、夜间运行环境、用电日期类型以及峰谷电价;
所述数据清洗模块用于筛除历史用电数据中的异常值与缺失值;
所述数据预处理模块用于对筛除的异常值与缺失值进行数值填补,以及将填补后的历史用电数据归一化处理为历史用电特征数据。
在本实施例中,数据采集设备具有本地存储功能,能够存储历史用电特征数据以供一级边缘计算设备调用。
所述计量模块采集的历史用电数据中,包含了可能成为影响用户用电行为的因素,这些因素能够直接影响到用户需求的电量。例如,对于工厂类型的用户,其生产线可能全天运行,因此其历史日间电量与历史夜间电量的波动不大;对于居民类型的用户,其历史日间电量、历史夜间电量受到日间运行环境、夜间运行环境、用电日期类型以及峰谷电价的影响,会产生规律性的波动。
所述数据清洗模块能够提高采集的历史用电数据的质量,所述数据预处理模块能够使可能成为影响用户用电行为的因素具有统一的量纲,通过数据清洗模块和数据预处理模块对历史用电数据的处理,有利于后续得到更准确的电量预测结果。
在本实施例中,所述一级边缘计算设备包括基于线性回归模型建立的初预测模块,以及基于随机森林回归模型建立的分类模块。
所述初预测模块用于根据历史用电特征数据,对用户在未来时序的电量进行预测,生成预测结果的时序曲线图作为电量走势的初预测结果;在本实施例中,所述初预测模块基于线性回归算法实现预测结果的时序曲线图的拟合。
所述分类模块用于提取初预测结果的时序特征,根据时序特征识别用户的类型。
其中,所述用户的类型包括工厂、企业、公共设施以及居民。
所述初预测模块用于预测用户的电量总体变化趋势,同时所述分类模块在预测的电量总体变化趋势的基础上进行分类,相比利用历史电量变化趋势进行分类的方式,更具有分类参考性。
所述分类模型基于随机森林回归模型,所述随机森林回归模型由多颗决策树构成,每颗决策树在建立时随机选取部分时序特征作为候选属性,从而分裂节点以得到用户的类型的投票,最终根据所有决策树的投票结果,确定用户的类型。
所述一级边缘计算设备部署在用户侧,因此在用户本地即可确定其对应的类型,在本实施例中,将根据用户的类型生成对应的标签,与其历史用电特征数据进行绑定后共同传输给二级边缘计算设备。
所述二级边缘计算设备中部署了基于LSTM神经网络模型构建的综合预测模块;
所述综合预测模块用于根据用户的不同类型调用不同网络参数的LSTM神经网络模型,将不同类型对应的历史用电特征数据输入调用的LSTM神经网络模型中,得到电量综合预测结果。
其中,所述综合预测模块为基于kubernetes构建的容器云平台,所述不同网络参数的LSTM神经网络模型基于容器技术部署在综合预测模块中。容器技术是一种有效的将单个操作系统的资源划分到孤立的组中,以便更好的在孤立的组之间平衡有冲突的资源使用需求的虚拟化技术,kubernetes则是一个开源的容器编排引擎,其支持自动化部署、大规模可伸缩一级应用容器化管理。本实施例利用容器技术,针对不同类型的用户,在二级边缘计算平台上部署多个不同网络参数的LSTM神经网络模型,从而充分利用了本地边缘计算资源,并能够针对用户的类型灵活加载对应的预测算法。可以看出,由于容器之间彼此独立,即使对某一个LSTM神经网络模型的网络参数进行调整,也不影响其他LSTM神经网络模型的预测精度。
在本实施例中,所述业务总站可部署于需要进行电量预测的用电调控平台上,用于接收各个二级边缘计算设备输出的电量预测结果,并在业务总站进行汇总以得到所有用电主体的电量预测情况,以此生成电量预测日志,并在业务总站进行本地存储。后续业务总站还用于根据电量预测结果,对异常的用电行为进行告警,具体的,通过查阅存储的电量预测日志,监测是否由电量预测结果明显异常的记录,将其视为对应的用户存在异常用电行为的风险。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于物联采集边缘计算的电量预测系统,其特征在于,所述电量预测系统包括对应用户的用电设备数量部署的数据采集设备、对应用户数量部署的一级边缘计算设备,以及与各个一级边缘计算设备通信的二级边缘计算设备、与二级边缘计算设备通信的业务总站;
所述数据采集设备用于获取各个用电设备的历史用电特征数据;所述一级边缘计算设备用于根据历史用电特征数据计算每个用户电量走势的初预测结果,并对初预测结果进行分类;所述二级边缘计算设备用于基于分类结果结合历史用电特征数据输出对各类用户的电量综合预测结果;所述业务总站用于对所有用户的电量综合预测结果进行汇总。
2.根据权利要求1所述的一种基于物联采集边缘计算的电量预测系统,其特征在于,在所述电量预测系统中,同属一个用户的用电设备对应的数据采集设备与同一个一级边缘计算设备建立通信连接;同属一个用电主体的用户对应的一级边缘计算设备与同一个二级边缘设备建立通信连接。
3.根据权利要求1所述的一种基于物联采集边缘计算的电量预测系统,其特征在于,所述数据采集设备包括计量模块、数据清洗模块以及数据预处理模块;
所述计量模块用于采集用电设备的历史用电数据,所述历史用电数据包括历史日间电量、历史夜间电量、日间运行环境、夜间运行环境、用电日期类型以及峰谷电价;
所述数据清洗模块用于筛除历史用电数据中的异常值与缺失值;
所述数据预处理模块用于对筛除的异常值与缺失值进行数值填补,以及将填补后的历史用电数据归一化处理为历史用电特征数据。
4.根据权利要求1所述的一种基于物联采集边缘计算的电量预测系统,其特征在于,所述一级边缘计算设备包括基于线性回归模型建立的初预测模块,以及基于随机森林回归模型建立的分类模块;
所述初预测模块用于根据历史用电特征数据,对用户在未来时序的电量进行预测,生成预测结果的时序曲线图作为电量走势的初预测结果;
所述分类模块用于提取初预测结果的时序特征,根据时序特征识别用户的类型。
5.根据权利要求4所述的一种基于物联采集边缘计算的电量预测系统,其特征在于,所述用户的类型包括工厂、企业、公共设施以及居民。
6.根据权利要求1所述的一种基于物联采集边缘计算的电量预测系统,其特征在于,所述二级边缘计算设备中部署了基于LSTM神经网络模型构建的综合预测模块;
所述综合预测模块用于根据用户的不同类型调用不同网络参数的LSTM神经网络模型,将不同类型对应的历史用电特征数据输入调用的LSTM神经网络模型中,得到电量综合预测结果。
7.根据权利要求6所述的一种基于物联采集边缘计算的电量预测系统,其特征在于,所述综合预测模块为基于kubernetes构建的容器云平台,所述不同网络参数的LSTM神经网络模型基于容器技术部署在综合预测模块中。
8.根据权利要求1所述的一种基于物联采集边缘计算的电量预测系统,其特征在于,所述业务总站还用于根据电量预测结果,对异常的用电行为进行告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550520.4A CN115049107A (zh) | 2022-05-18 | 2022-05-18 | 一种基于物联采集边缘计算的电量预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550520.4A CN115049107A (zh) | 2022-05-18 | 2022-05-18 | 一种基于物联采集边缘计算的电量预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049107A true CN115049107A (zh) | 2022-09-13 |
Family
ID=83159176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210550520.4A Pending CN115049107A (zh) | 2022-05-18 | 2022-05-18 | 一种基于物联采集边缘计算的电量预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049107A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115459459A (zh) * | 2022-11-10 | 2022-12-09 | 北京笔新互联网科技有限公司 | 一种基于区块链的电力信息处理系统 |
-
2022
- 2022-05-18 CN CN202210550520.4A patent/CN115049107A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115459459A (zh) * | 2022-11-10 | 2022-12-09 | 北京笔新互联网科技有限公司 | 一种基于区块链的电力信息处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN112766550B (zh) | 基于随机森林的停电敏感用户预测方法、系统、存储介质及计算机设备 | |
CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
CN113064866B (zh) | 一种电力业务数据整合系统 | |
CN109636482B (zh) | 基于相似度模型的数据处理方法及系统 | |
CN115423289A (zh) | 智能板材加工车间数据处理方法及终端 | |
CN115564071A (zh) | 一种电力物联网设备数据标签生成方法及系统 | |
CN109344990A (zh) | 一种基于dfs和svm特征选择的短期负荷预测方法及系统 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN115049107A (zh) | 一种基于物联采集边缘计算的电量预测系统 | |
CN105528669B (zh) | 用于电力系统的负荷预测系统 | |
CN111178722B (zh) | 适用于销售线索评级和分配的机器学习系统、方法及介质 | |
CN117353306A (zh) | 一种光储充放电调度方法、系统、电子设备、存储介质 | |
US11956138B1 (en) | Automated detection of network anomalies and generation of optimized anomaly-alleviating incentives | |
CN116302835A (zh) | 一种运维数据异常检测装置、方法及存储介质 | |
CN115358755A (zh) | 一种网格精细化分层的方法及装置 | |
CN115687788A (zh) | 一种智能化商机推荐方法和系统 | |
CN114048978A (zh) | 一种基于机器学习模型的供需调度策略融合应用 | |
CN114493262A (zh) | 一种电力大数据的处理系统、方法、装置及计算机设备 | |
CN113778681A (zh) | 基于云计算的数据处理方法、装置及存储介质 | |
CN112330136A (zh) | 一种大用户异常用电分析数据集的关联性挖掘方法和装置 | |
CN112926803A (zh) | 基于lstm网络的客户存款流失情况预测方法及装置 | |
CN112256735A (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN111931966A (zh) | 基于决策树回归的供电可靠性预测方法 |
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 |