CN115937355B - 电力物联网负荷预测指纹图像构造方法、系统及介质 - Google Patents
电力物联网负荷预测指纹图像构造方法、系统及介质 Download PDFInfo
- Publication number
- CN115937355B CN115937355B CN202310108641.8A CN202310108641A CN115937355B CN 115937355 B CN115937355 B CN 115937355B CN 202310108641 A CN202310108641 A CN 202310108641A CN 115937355 B CN115937355 B CN 115937355B
- Authority
- CN
- China
- Prior art keywords
- training data
- things
- fingerprint
- power internet
- electric 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.)
- Active
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电力物联网负荷预测指纹图像构造方法、系统及介质,方法包括步骤1:在电力物联网感知层,利用气象传感器采集影响负荷消耗的气象数据,并与当前的时间信息一起构成一维训练数据指纹;步骤2:在电力物联网网络层进行一维训练数据指纹传输,送至电力物联网平台层;步骤3:利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层,在平台层对原始一维训练指纹进行数据预处理,得到训练指纹的二维矩阵表示形式;步骤4:利用图像处理技术,生成训练数据指纹图像。本申请能够将一维的训练数据指纹构造成图像格式,从而满足深度学习算法的输入需求,拓宽深度学习在电力物联网负荷预测领域的应用。
Description
技术领域
本申请涉及电力物联网与电力负荷预测应用领域,特别涉及一种电力物联网负荷预测指纹图像构造方法、系统及介质。
背景技术
随着万物互联时代的到来,未来电力物联网的数据传输量将会出现井喷式增长,电力物联网监控系统的监测点规模化、多维化、智能化的需求越来越迫切。电力物联网为了实现泛在物联,具有连接节点数量多、监测点分布广和采集的数据类型多的特点。如何实现海量传感器监测数据的预测功能是未来解决电力物联网部署的关键性问题。由于配电网拓扑结构及运行环境复杂,部件种类繁多,容易受到设备故障、恶劣环境等因素的影响。如何及时预测超负荷用电并制定有效的用电方案,指引企业合理调整用电负荷,保护用户安全用电、提升电网稳定性和安全性,是当前智能电网用电研究的重点。
目前,电力物联网中负荷预测方法刻分为统计学习法和机器学习法。统计学习法包括多元线性回归法、卡尔曼滤波法等;机器学习方法包括支持向量机、决策树、贝叶斯分类器等。 统计学习方法虽然在处理稳定序列时表现优异,但因无法解决非线性问题,导致该方法不适用于现阶段的负荷预测研究。机器学习方法能很好地解决非线性问题,因此在预测领域应用较为广泛。文献1结合天气因子、节假日因素、上一时隙负荷量等多维度数据特征作为输入,利用随机森林算法进行训练,获取短期电力负荷预测模型,最后利用训练好的模型对测试集进行预测.[1. 曾豪. 面向区域电力物联网的用户侧电力资源管理策略研究[D].北京邮电大学,2021.] 文献2提出了一种基于核密度的电力系统流量预测优化模型。用不同高斯核来估计每个区域的负荷运行趋势,优化负荷最优估计窗宽,精准预测流量需求迸发期。[2. 袁欣雨,刘玮,孙辰军,宋峥峥. 基于优化核函数的泛在电力物联网负荷预测模型修正研究.全国第四届“智能电网”会议论文集.]。
然而上述经典的机器学习算法通常比较适合处理小样本数据,当样本数据量显著增大时通常会出现性能下降。近年来,随着深度学习的发展和广泛运用,深度学习算法被运用到电力负荷预测当中。卷积神经网络(CNN)是一类经典的深度学习算法,该算法是一种模仿人脑的前馈神经网络,具有局部感知和权值共享的特点。该网络由输入层、卷积层、激活函数、池化层和全连接层组成。
CNN对于二维图像的处理具有得天得厚的优势,因此要提高基于CNN的负荷预测性能,加强对电力负荷训练数据指纹的图像化研究就显得尤其重要。但是现有电力负荷测量数据指纹都是向量,一维数据对目前深度学习网络的输入要求不具有通用性。
发明内容
本申请实施例的目的在于提供一种电力物联网负荷预测指纹图像构造方法、系统及介质,能够将一维的训练数据指纹构造成图像格式,从而满足深度学习算法的输入需求,拓宽深度学习在电力物联网负荷预测领域的应用。
为实现上述目的,本申请提供如下技术方案:
第一方面,本申请实施例提供一种电力物联网负荷预测指纹图像构造方法,包括以下步骤:
步骤1:电力物联网感知层构建数据库
在电力物联网感知层,利用气象传感器采集影响负荷消耗的气象数据,并与当前的时间信息一起构成一维训练数据指纹;
步骤2:电力物联网网络层传输训练数据
在电力物联网网络层进行一维训练数据指纹传输,送至电力物联网平台层;
步骤3:电力物联网平台层进行数据预处理
利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层,在平台层对原始一维训练指纹进行数据预处理,得到训练指纹的二维矩阵表示形式;
步骤4:电力物联网平台层进行生成训练数据指纹图像
利用图像处理技术,生成训练数据指纹图像。
所述步骤3中包括如下步骤:
步骤3-1:归一化处理
将一维训练指纹中时间信息和气象测量数据分别进行数据归一化,去除量纲的影响,增加数据的可比性;
步骤3-2:统计特征提取
对归一化后每个训练数据指纹,分别提取各自的最大值,最小值,平均值,中位数,方差和标准差;
步骤3-3:二维训练数据矩阵
将统计特征和原始训练数据指纹作为二维矩阵的元素,放在矩阵的响应位置。如果统计特征和原始训练数据指纹数目比矩阵元素数目少,通过补零操作,填充二维训练数据矩阵。
所述步骤4中包括如下步骤:
步骤4-1:生成训练数据指纹灰度图像
利用线性映射方法将二维训练数据指纹中每个元素值对应每一个灰度值,构建灰度图像;
步骤4-2:生成训练数据指纹彩色图像
利用灰度分层法,将灰度图像中每个灰度值对应不同颜色,得到训练数据指纹的伪彩色图像,对于获得的训练数据指纹,送到电力物联网的应用层进行负荷预测训练。
第二方面,本申请实施例提供一种电力物联网负荷预测指纹图像构造系统,包括,
数据库构建模块,用以在在电力物联网感知层,利用气象传感器采集影响负荷消耗的气象数据,并与当前的时间信息一起构成一维训练数据指纹;
训练数据传输模块,用以在电力物联网网络层进行一维训练数据指纹传输,送至电力物联网平台层;
数据预处理模块,用以利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层,在平台层对原始一维训练指纹进行数据预处理,得到训练指纹的二维矩阵表示形式;
训练数据指纹图像生成模块,用以利用图像处理技术,生成训练数据指纹图像。
第三方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如上所述的电力物联网负荷预测指纹图像构造方法的步骤。
与现有技术相比,本申请的有益效果是:
1.本申请提取训练数据指纹中的统计特征,不仅扩充训练数据指纹的维度,更加充分描述训练数据特征,而且能够为二维训练数据指纹矩阵的构建提供更多的数值信息。
2.本申请利用图像处理技术构建训练数据指纹彩色图像,能够克服现有训练数据指纹对某些深度学习网络的输入不匹配,拓宽深度学习算法在电力负荷领域的应用。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本申请的流程图;
图2是本申请的数据处理流程图;
图3是本申请二维训练数据指纹矩阵生成示意图;
图4是本申请基于灰度分层法的彩色图像生成方法示意图;
图5是本申请的系统图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来,而不能理解为指示或暗示相对重要性,也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
请参阅图1所示,本申请揭示了一种电力物联网负荷预测指纹图像构造方法。
包括以下步骤:
步骤1:电力物联网感知层构建数据库
在电力物联网感知层,利用气象传感器采集影响负荷消耗的气象数据,并与当前的时间信息一起构成一维训练数据指纹;
步骤2:电力物联网网络层传输训练数据
在电力物联网网络层进行一维训练数据指纹传输,送至电力物联网平台层;
步骤3:电力物联网平台层进行数据预处理
利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层,在平台层对原始一维训练指纹进行数据预处理,得到训练指纹的二维矩阵表示形式;
步骤4:电力物联网平台层进行生成训练数据指纹图像
利用图像处理技术,生成训练数据指纹图像。
如图5,一种电力物联网负荷预测指纹图像构造系统,包括,
数据库构建模块1,用以在在电力物联网感知层,利用气象传感器采集影响负荷消耗的气象数据,并与当前的时间信息一起构成一维训练数据指纹;
训练数据传输模块2,用以在电力物联网网络层进行一维训练数据指纹传输,送至电力物联网平台层;
数据预处理模块3,用以利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层,在平台层对原始一维训练指纹进行数据预处理,得到训练指纹的二维矩阵表示形式;
训练数据指纹图像生成模块4,用以利用图像处理技术,生成训练数据指纹图像。
电力物联网根据具体功能分布分为感知层、网络层、平台层和应用层。
感知层:感知层包括端侧设备和边侧设备,其中端侧设备负责向感知边侧或平台侧提供配电网的运行状态、设备状态、环境状态以及其它辅助信息等基础数据,执行决策命令或就地控制功能。端侧设备包括源网荷储各环节结构化数据采集的智能装置,通常部署在采集监控对象本体内部或附近,对设备或对象的状态量、电气量和环境量等进行采集量测。边侧设备采取按需部署、共享共用的原则,实现区域内各类感知数据就地汇聚,是数据汇聚、计算和应用集成的开放式平台和容器,可支持多容器、多通道、多协议方式。对下通过数据交换完成端边协同,实现数据全采集、全感知、全掌控,现数据就地处理和区域能源自治。
本申请在物联网感知层利用气象传感器测量气象数据,同时记录当前的时间信息,构成训练样本测量值。
网络层:网络层是电力物联网提供数据上下传输的通道,用于完成电网海量信息的高效传输,可划分为远程通信网和本地通信网两个部分。其中,远程通信网为源网荷储互动应用与边缘计算节点之间提供数据通信通道,本地通信网为边缘计算节点与终端单元之间提供数据通信通道。
本申请在物联网网络层将一维训练样本测量值进行传输,送入电力物联网平台层。
平台层:物联平台采用大数据、微服务、容器管理、人工智能等技术,实现主站全面云化和微服务化,满足海量末端设备即插即用、应用快速上线、多平台数据有效融合等业务需求。实现对各类感知层设备及物联APP的统一在线管理和远程运维,实现数据的统一接入和规范化,并向中台、业务系统开放接口提供标准化数据。
本申请在物联网平台层将一维训练样本测量值进行数据预处理和生成训练数据指纹图像。如图2所示的数据预处理框图,本申请的具体处理过程如下:
首先构建数据库,选取气象数据和时间信息作为测量数据,并把每次测量值排列成向量形式。由于每个测量数据的单位和大小不一致,我们对选取的测量值进行归一化处理,消除量纲因素的影响。具体过程如下:
通过归一化操作,我们可以将每类指纹数据缩放到了0-1的范围。然后我们对每组训练数据指纹进行统计特征提取,扩充训练数据指纹维度。我们选取的统计特征包括:每组数据的最大值,最小值,平均值,中位数,方差和标准差。
其中max()代表取所有元素的最大值。
其中min()代表取所有元素的最小值。
将训练数据指纹和各个统计参数合并形成一个新的训练数据指纹向量。如图3所示,将新的训练数据指纹向量中元素放在二维矩阵的相应元素位置上,形成二维训练数据指纹矩阵。其中矩阵中元素数目等于向量大小。如果向量元素小于矩阵中需要的元素数目,可以通过补零解决。
下面进行指纹图像的构造。我们首先将二维训练数据指纹矩阵通过线性映射的方法变成灰度图像。由于矩阵元素均在0-1之间,如果选择的灰度范围为256个灰度数量级。我们将矩阵元素乘以256,然后分别对应一个灰度值,输出为一个灰度图像。
对灰度图像通过灰度分层法对应各个彩色颜色,如图4所示,灰度分层法的原理是把灰度图像中灰度值分为N个区间,每个区间的灰度对应一种彩色。本专利采用的对应方法是将256个灰度数量级平均分为8个区间,每个区间的对应关系如下:0-31对应绿色,32-63对应紫色,64-95对应橘黄色,96-127对应浅黄色,128-159对应深蓝色,160-191对应浅红色,192-223对应棕色,224-256对应灰色。通过上述操作,就完成对训练数据指纹彩色图像的构造。
基于电力物联网的源网荷储协同互动应用的步骤可分为数据采集、数据上传、数据处理、业务应用四个环节。
(1)数据采集。该业务内容由物联网体系的感知层实现,通过边缘物联代理系统实现对当前环境下气象数据的采集,边缘物联代理应支持大量终端设备的并发连接,具备按需扩展性能。
(2)数据上传。将感知层数据通过边缘物联代理统一、实时上报物联平台,物联平台支持高并发的数据接入和高性能时序数据的处理。
(3)训练数据指纹图像生成。物联平台可根据负荷预测的实际需求,开展对一维训练数据预处理和图像指纹生成,下发至边缘物联代理和控制设备。
(4)平台应用。物联平台向上提供统一的数据接口,实现全网全要素在线,支撑关键指标的可视化管控和全网统一平衡调度。包含适用于电力负荷预测结果的高级应用。
本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如上所述的电力物联网负荷预测指纹图像构造方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (3)
1.一种电力物联网负荷预测指纹图像构造方法,其特征在于,包括以下步骤:
步骤1:电力物联网感知层构建数据库
在电力物联网感知层,利用气象传感器采集影响负荷消耗的气象数据,并与当前的时间信息一起构成一维训练数据指纹;
步骤2:电力物联网网络层传输训练数据
在电力物联网网络层进行一维训练数据指纹传输,送至电力物联网平台层;
步骤3:电力物联网平台层进行数据预处理
利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层,在平台层对原始一维训练指纹进行数据预处理,得到训练指纹的二维矩阵表示形式;
步骤4:电力物联网平台层进行生成训练数据指纹图像
利用图像处理技术,生成训练数据指纹图像;
所述步骤3中包括如下步骤:
步骤3-1:归一化处理
将一维训练指纹中时间信息和气象测量数据分别进行数据归一化,去除量纲的影响,增加数据的可比性;
步骤3-2:统计特征提取
对归一化后每个训练数据指纹,分别提取各自的最大值,最小值,平均值,中位数,方差和标准差;
步骤3-3:二维训练数据矩阵
将统计特征和原始训练数据指纹作为二维矩阵的元素,放在矩阵的响应位置;如果统计特征和原始训练数据指纹数目比矩阵元素数目少,通过补零操作,填充二维训练数据矩阵;
通过归一化操作,将每类指纹数据缩放到了0-1的范围,然后对每组训练数据指纹进行统计特征提取,扩充训练数据指纹维度,选取的统计特征包括:每组数据的最大值,最小值,平均值,中位数,方差和标准差,
其中max()代表取所有元素的最大值;
其中min()代表取所有元素的最小值;
所述步骤4中包括如下步骤:
步骤4-1:生成训练数据指纹灰度图像
利用线性映射方法将二维训练数据指纹中每个元素值对应每一个灰度值,构建灰度图像;
步骤4-2:生成训练数据指纹彩色图像
利用灰度分层法,将灰度图像中每个灰度值对应不同颜色,得到训练数据指纹的伪彩色图像,对于获得的训练数据指纹,送到电力物联网的应用层进行负荷预测训练。
2.一种电力物联网负荷预测指纹图像构造系统,用以实现如权利要求1所述的方法,其特征在于,包括,
数据库构建模块,用以在在电力物联网感知层,利用气象传感器采集影响负荷消耗的气象数据,并与当前的时间信息一起构成一维训练数据指纹;
训练数据传输模块,用以在电力物联网网络层进行一维训练数据指纹传输,送至电力物联网平台层;
数据预处理模块,用以利用电力物联网的网络层将一维训练数据传输给电力物联网的平台层,在平台层对原始一维训练指纹进行数据预处理,得到训练指纹的二维矩阵表示形式;
训练数据指纹图像生成模块,用以利用图像处理技术,生成训练数据指纹图像。
3.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如权利要求1所述的电力物联网负荷预测指纹图像构造方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310108641.8A CN115937355B (zh) | 2023-02-14 | 2023-02-14 | 电力物联网负荷预测指纹图像构造方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310108641.8A CN115937355B (zh) | 2023-02-14 | 2023-02-14 | 电力物联网负荷预测指纹图像构造方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937355A CN115937355A (zh) | 2023-04-07 |
CN115937355B true CN115937355B (zh) | 2023-06-06 |
Family
ID=85820279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310108641.8A Active CN115937355B (zh) | 2023-02-14 | 2023-02-14 | 电力物联网负荷预测指纹图像构造方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937355B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117692350B (zh) * | 2024-02-04 | 2024-04-30 | 中国人民解放军军事科学院系统工程研究院 | 一种基于指纹的流量预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN115169654A (zh) * | 2022-06-22 | 2022-10-11 | 国网青海省电力公司信息通信公司 | 基于无监督聚类和支持向量机的短期电力负荷预测方法 |
CN218446434U (zh) * | 2022-09-05 | 2023-02-03 | 国网青海省电力公司信息通信公司 | 一种电力负荷预测中指纹图像构造装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10797639B1 (en) * | 2011-07-25 | 2020-10-06 | Clean Power Research, L.L.C. | System and method for performing power utility remote consumer energy auditing with the aid of a digital computer |
US11321624B2 (en) * | 2018-09-19 | 2022-05-03 | Wipro Limited | Method and system for analyzing internet of things (IoT) data in real-time and providing predictions |
CN114154732A (zh) * | 2021-12-08 | 2022-03-08 | 国电南瑞科技股份有限公司 | 一种长期负荷预测方法及系统 |
CN114444821A (zh) * | 2022-04-12 | 2022-05-06 | 国网湖北省电力有限公司电力科学研究院 | 面向电力物联网的集成学习负荷预测方法、系统及介质 |
CN115222098A (zh) * | 2022-06-22 | 2022-10-21 | 国网青海省电力公司信息通信公司 | 一种基于分布式在线学习的短期电力负荷预测方法 |
CN115204467A (zh) * | 2022-06-22 | 2022-10-18 | 国电南瑞南京控制系统有限公司 | 一种电力负荷预测方法、装置及存储介质 |
-
2023
- 2023-02-14 CN CN202310108641.8A patent/CN115937355B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063689A1 (zh) * | 2018-09-25 | 2020-04-02 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN115169654A (zh) * | 2022-06-22 | 2022-10-11 | 国网青海省电力公司信息通信公司 | 基于无监督聚类和支持向量机的短期电力负荷预测方法 |
CN218446434U (zh) * | 2022-09-05 | 2023-02-03 | 国网青海省电力公司信息通信公司 | 一种电力负荷预测中指纹图像构造装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115937355A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210020360A1 (en) | Internal thermal fault diagnosis method of oil-immersed transformer based on deep convolutional neural network and image segmentation | |
Zhen | Using Big Data Fuzzy K‐Means Clustering and Information Fusion Algorithm in English Teaching Ability Evaluation | |
CN109347668A (zh) | 一种服务质量评估模型的训练方法及装置 | |
CN104408667B (zh) | 一种电能质量综合评估的方法和系统 | |
CN112287018B (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及系统 | |
KR101896015B1 (ko) | Ai형 원격 검침시스템 | |
CN115937355B (zh) | 电力物联网负荷预测指纹图像构造方法、系统及介质 | |
CN108960488B (zh) | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 | |
CN115859700B (zh) | 一种基于数字孪生技术的电网建模方法 | |
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN115986945B (zh) | 一种基于工业互联网的电力设备监测方法、设备及介质 | |
CN117110748A (zh) | 一种基于融合终端的变电站主设备运行状态异常检测方法 | |
CN112329973A (zh) | 一种基于图神经网络和区域网格化的时空负荷预测方法 | |
Zhu et al. | Solar power ramp event forewarning with limited historical observations | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
Dheeraj et al. | Detecting deepfakes using deep learning | |
CN116520074A (zh) | 一种基于云边协同的有源配电网故障定位方法与系统 | |
CN117254446A (zh) | 电力系统的异常源节点的确定方法和确定装置 | |
CN111492632B (zh) | 用于预测网络节点的状态改变的系统和方法 | |
Dong et al. | Image-based with peak load ensemble prediction system for demand response in smart grid | |
Dong et al. | Image-based processing mechanism for peak load forecasting in smart grids | |
Nandha Kishore et al. | Wind speed forecasting for grid code compliance | |
CN111597415B (zh) | 基于神经网络的配电网台账数据贯通方法及装置 | |
CN117834455B (zh) | 一种电力物联网数据传输仿真方法和系统 |
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 |