CN116126827B - 一种同时实现电力生产数据建模与可视化分析的方法 - Google Patents
一种同时实现电力生产数据建模与可视化分析的方法 Download PDFInfo
- Publication number
- CN116126827B CN116126827B CN202310006938.3A CN202310006938A CN116126827B CN 116126827 B CN116126827 B CN 116126827B CN 202310006938 A CN202310006938 A CN 202310006938A CN 116126827 B CN116126827 B CN 116126827B
- Authority
- CN
- China
- Prior art keywords
- power production
- data
- production data
- points
- period
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 265
- 238000004458 analytical method Methods 0.000 title claims abstract description 94
- 230000000007 visual effect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000000737 periodic effect Effects 0.000 claims abstract description 95
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 62
- 238000012360 testing method Methods 0.000 claims description 58
- 238000010586 diagram Methods 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000010248 power generation Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 241001122767 Theaceae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000036962 time dependent 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24554—Unary operations; Data partitioning operations
-
- 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
- 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种同时实现电力生产数据建模与可视化分析的方法,包括:S1:基于分析需求在历史电力生产数据库中获取目标历史电力生产数据;S2:基于目标历史电力生产数据和初始模型,搭建出最佳周期分布特征预测模型,并基于最佳周期分布特征预测模型获得预测结果;S3:基于通信链路将最佳周期分布特征预测模型和预测结果进行可视化展示,获得可视化展示结果;S4:基于用户输入的二次分析指令对可视化展示结果进行分析处理,获得可视化分析结果;用以同时实现电力生产数据建模与可视化分析,不仅实现对现有电力生产数据的分析和未来周期分布特征的预测,也实现对电力生产数据的可视化展示。
Description
技术领域
本发明涉及数据建模技术领域,特别涉及一种同时实现电力生产数据建模与可视化分析的方法。
背景技术
目前,已经有电量分析、商旅主题和财务分析等模块提出了在可视化的基础上做一些趋势和预测的需求,该类需求会随着大数据平台的日益成熟而逐渐增多。电力生产数据的特点是具有周期性,所以关于如何分析出电力生产数据的周期分布特征并准确地预测出下一周期中的电量需求等电力生产数据的分布特征,需要在可视化分析的基础上对历史电力生产数据进行建模分析。
但是,目前的可视化工具仅仅提供对明细数据的作图与展示,并没有建立如线性回归、多项式回归、逻辑回归等模型的组件,不具备对现有数据进一步分析和对未来数据趋势的预测的能力,数据建模过程只能使用代码编程来实现。
因此,本发明提出一种同时实现电力生产数据建模与可视化分析的方法。
发明内容
本发明提供一种同时实现电力生产数据建模与可视化分析的方法,用以基于分析需求在历史电力生产数据库中获取目标历史电力生产数据,并基于目标历史电力生产数据和初始模型进行数据建模,获得可以准确预测出电力生产数据在下一周期内的随时间变化的情况的预测模型,并实现了对最佳周期分布特征预测模型获得的预测结果的可视化展示,还实现了基于用户输入的俄日此分析指令对可视化展示结果的进一步分析处理,同时实现了电力生产数据建模与可视化分析,不仅实现了对现有电力生产数据的分析和在未来的周期内随时间变化情况的预测,也实现了对电力生产数据的可视化展示。
本发明提供一种同时实现电力生产数据建模与可视化分析的方法,包括:
S1:基于分析需求在历史电力生产数据库中获取目标历史电力生产数据;
S2:基于目标历史电力生产数据和初始模型,搭建出最佳周期分布特征预测模型,并基于最佳周期分布特征预测模型获得预测结果;
S3:基于通信链路将最佳周期分布特征预测模型和预测结果进行可视化展示,获得可视化展示结果;
S4:基于用户输入的二次分析指令对可视化展示结果进行分析处理,获得可视化分析结果。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,S1:基于分析需求在历史电力生产数据库中获取目标历史电力生产数据,包括:
S101:基于用户输入的分析需求确定出目标分析数据种类和分析周期;
S102:基于目标分析数据种类,在历史电力生产数据库中获取分析周期内的目标历史电力生产数据。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,S2:基于目标历史电力生产数据和初始模型,搭建出最佳周期分布特征预测模型,并基于最佳周期分布特征预测模型获得预测结果,包括:
S201:将目标历史电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集;
S202:基于机器学习方法和调参电力生产数据训练初始模型,获得周期分布特征预测模型;
S203:基于测试电力生产数据集对周期分布特征预测模型进行评价,获得模型评价值;
S204:判断模型评价值是否不小于模型评价阈值,若是,则将周期分布特征预测模型作为最佳周期分布特征预测模型,否则,将目标历史电力生产数据进行重新分组,获得新的调参电力生产数据集和测试电力生产数据集,并基于新的调参电力生产数据集和测试电力生产数据集执行S202至S204,直至最新获得的周期分布特征预测模型的模型评价值不小于模型评价阈值时,则将最新获得的周期分布特征预测模型作为最佳周期分布特征预测模型;
S205:基于最佳周期分布特征预测模型获得预测结果。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,S201:将目标历史电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集,包括:
获取目标历史电力生产数据的数据折线图,识别出数据折线图中的周期变换点;
基于周期变换点将数据折线图划分为多个子折线图,基于子折线图确定出多组电力生产数据;
按照预设比例对多组电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,获取目标历史电力生产数据的数据折线图,识别出数据折线图中的周期变换点,包括:
依次将数据折线图中每个数据点作为参考数据点,计算出参考数据点和数据折线图中除参考数据点以外剩余的每个数据点的第一偏差比,将对应参考数据点对应的所有第一偏差比汇总,获得每个参考数据点的第一偏差比集合;
基于第一偏差比阈值在每个第一偏差比集合中筛选出第一偏差比子集合,按照从小达到的顺序将第一偏差比子集合中包含的第一偏差比排序,获得每个参考数据点的第一偏差比序列;
基于所有参考数据点的第一偏差比序列的相似评价度,识别出数据折线图中的周期变换点。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,基于所有参考数据点的第一偏差比序列的相似评价度,识别出数据折线图中的周期变换点,包括:
计算出所有参考数据点的第一偏差比序列的相似评价度,判断出相似评价度是否不小于相似评价度阈值时,若是,则将每个第一偏差比序列对应的参考数据点和计算出对应第一偏差比序列中所有第一偏差比的其他数据点标记于数据折线图中,获得每个参考数据点对应的标记折线图;
否则,将所有参考数据点的第一偏差比序列中最后一个第一偏差比删除,获得每个参考数据点的新的第一偏差比序列,并计算出所有参考数据点的新的第一偏差比序列的相似评价度,直至最新获得的相似评价度不小于相似评价度阈值时,则将最终获得的每个第一偏差比序列对应的参考数据点和计算出对应第一偏差比序列中所有第一偏差比的其他数据点标记于数据折线图中,获得每个参考数据点对应的标记折线图;
基于所有标记折线图识别出数据折线图中的周期变换点。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,基于所有标记折线图识别出数据折线图中的周期变换点,包括:
确定出每个标记折线图中相邻标记点之间的第一横坐标差值,将所有标记折线图的所有第一横坐标差值汇总,获得横坐标差值集合,判断横坐标差值集合中是否存在众数,若是,则将众数对应的第一横坐标差值作为间隔周期,否则,将删除离群点后的横坐标差值集合中所有第一横坐标差值的平均值作为间隔周期;
基于间隔周期识别出数据折线图中的周期变换点。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,基于间隔周期识别出数据折线图中的周期变换点,包括:
在数据折线图中筛选出与间隔周期对应的横坐标差值的差值最小的横坐标值对应的数据点,作为周期分割点;
将起始数据点至周期分割点的所有数据点作为假设周期起始点,在数据折线图中确定出每个数据点和假设周期起始点之间的第二横坐标差值,将假设周期起始点对应的所有第二横坐标差值中与间隔周期对应的横坐标差值的差值最小的第二横坐标差值对应的数据点,作为对应假设周期起始点的周期数据点;
计算出每个假设周期起始点和对应的周期数据点的差值,将所有差值汇总,获得差值集合;
基于差值集合识别出数据折线图中的周期变换点。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,基于差值集合识别出数据折线图中的周期变换点,包括:
将差值集合中的离群点删除,获得标准差值集合,将标准差值集合中横坐标值最小的假设周期起始点作为最终周期起始点;
在数据折线图中确定出在最终周期起始点对应的周期数据点之后的每个数据点和最终周期起始点对应的周期数据点之间的第三横坐标差值,将与间隔周期对应的横坐标差值的差值最小的第三横坐标差值对应的数据点作为新的周期数据点;
基于最新获得的周期数据点继续确定出新的周期数据点,直至确定出数据折线图中的所有周期数据点时,则将最终周期起始点和所有周期数据点作为数据折线图中的周期变换点。
优选的,所述的一种同时实现电力生产数据建模与可视化分析的方法,S203:基于测试电力生产数据集对周期分布特征预测模型进行评价,获得模型评价值,包括:
将测试电力生产数据集输入至周期分布特征预测模型,获得测试电力生产数据集中每个数值对应的模型预测值;
基于测试电力生产数据集中每组电力生产数据对应的所有模型预测值拟合出每组电力生产数据对应的模型预测折线图;
确定出测试电力生产数据集中每组电力生成数据的测试电力生产数据折线图;
计算出每组电力生产数据对应的模型预测折线图和测试电力生产数据折线图的重合度,基于所有重合度计算出模型评价值。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种同时实现电力生产数据建模与可视化分析的方法流程图;
图2为本发明实施例中又一种同时实现电力生产数据建模与可视化分析的方法流程图;
图3为本发明实施例中再一种同时实现电力生产数据建模与可视化分析的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供了一种同时实现电力生产数据建模与可视化分析的方法,参考图1,包括:
S1:基于分析需求在历史电力生产数据库中获取目标历史电力生产数据;
S2:基于目标历史电力生产数据和初始模型,搭建出最佳周期分布特征预测模型,并基于最佳周期分布特征预测模型获得预测结果;
S3:基于通信链路将最佳周期分布特征预测模型和预测结果进行可视化展示,获得可视化展示结果;
S4:基于用户输入的二次分析指令对可视化展示结果进行分析处理,获得可视化分析结果。
该实施例中,电力生产数据即为一定采样周期内的不同时刻时的电力生产量或者供电区域内的电力需求量。
该实施例中,分析需求即为用户对电力生产数据分析的需求,例如:预测某电厂的电力生产量的在未来周期内随时间变化的数据情况。
该实施例中,历史电力生产数据库即为用于存在分析对象的历史电力生产数据的数据库。
该实施例中,目标历史电力生产数据即为用于基于分析需求在历史电力生产数据库中获取的某个种类的历史电力生产数据,包含多个的数值(即不同时刻的电力生产量或电力需求量),也是用于后续数据建模过程并预测出电力生产数据在下一周期内随时间变化情况的原始数据。
该实施例中,初始模型即为用函数用Q(tT)表示,tT表示第T个周期内的时间变量,Q(tT)为对应种类的电力生产数据在第T个周期内的时刻t对应的数值。
该实施例中,最佳周期分布特征预测模型即为基于目标历史电力生产数据和初始模型进行数据建模后获得的最佳的可以预测出对应种类的电力生产数据的在未来周期内随时间变化的数据情况的模型。
该实施例中,预测结果即为基于最佳周期分布特征预测模型预测出的包含对应种类的电力生产数据在下一周期内的电力生产数据的峰值出现的时刻、电力生产数据在下一周期内随时间的变化数据、电力生产数据在下一周期的周期性等信息的结果。
该实施例中,通信链路即为用于将数据建模后获得的最佳周期分布特征预测模型实时传输至可视化展示工具(或组件)的通信通道。
该实施例中,可视化展示结果即为基于通信链路将最佳周期分布特征预测模型和预测结果进行可视化展示后获得的结果。
该实施例中,二次分析指令即为用户输入的用于对可视化展示结果进行进一步分析的指令,包含进一步分析的策略。
该实施例中,可视化分析结果即为基于用户输入的二次分析指令对可视化展示结果进行分析处理后获得的结果。
该实施例中,基于用户输入的二次分析指令对可视化展示结果进行分析处理,获得可视化分析结果,例如有:
在预测结果的电力生产数据在下一周期内随时间的变化数据中确定出下一周期中的电力生产数据峰值,或,下一周期中的电力生产数据总和。
以上技术的有益效果为:基于分析需求在历史电力生产数据库中获取目标历史电力生产数据,并基于目标历史电力生产数据和初始模型进行数据建模,获得可以准确预测出电力生产数据在下一周期内的随时间变化的情况的预测模型,并实现了对最佳周期分布特征预测模型获得的预测结果的可视化展示,还实现了基于用户输入的俄日此分析指令对可视化展示结果的进一步分析处理,同时实现了电力生产数据建模与可视化分析,不仅实现了对现有电力生产数据的分析和在未来的周期内随时间变化情况的预测,也实现了对电力生产数据的可视化展示。
实施例2:
在实施例1的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,S1:基于分析需求在历史电力生产数据库中获取目标历史电力生产数据,参考图2,包括:
S101:基于用户输入的分析需求确定出目标分析数据种类和分析周期;
S102:基于目标分析数据种类,在历史电力生产数据库中获取分析周期内的目标历史电力生产数据。
该实施例中,目标分析数据种类即为基于用户输入的分析需求确定出的需要被分析的电力生产数据种类,例如:电力生产量或者电力需求量等。
该实施例中,分析周期即为基于用于输入的分析需求确定出的获取目标历史电力生产数据的周期。
以上技术的有益效果为:实现基于用户输入的分析需求中的目标分析数据种类和分析周期,获取到目标历史电力生产数据。
实施例3:
在实施例1的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,S2:基于目标历史电力生产数据和初始模型,搭建出最佳周期分布特征预测模型,并基于最佳周期分布特征预测模型获得预测结果,参考图3,包括:
S201:将目标历史电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集;
S202:基于机器学习方法和调参电力生产数据训练初始模型,获得周期分布特征预测模型;
S203:基于测试电力生产数据集对周期分布特征预测模型进行评价,获得模型评价值;
S204:判断模型评价值是否不小于模型评价阈值,若是,则将周期分布特征预测模型作为最佳周期分布特征预测模型,否则,将目标历史电力生产数据进行重新分组,获得新的调参电力生产数据集和测试电力生产数据集,并基于新的调参电力生产数据集和测试电力生产数据集执行S202至S204,直至最新获得的周期分布特征预测模型的模型评价值不小于模型评价阈值时,则将最新获得的周期分布特征预测模型作为最佳周期分布特征预测模型;
S205:基于最佳周期分布特征预测模型获得预测结果。
该实施例中,调参电力生产数据集即为将目标历史电力生产数据按照8∶2进行分组后获得的多组电力生产数据(组数占目标历史电力生产数据中电力生产数据的总组数的0.8倍)汇总后用于对初始模型进行训练的电力生产数据集合。
该实施例中,测试电力生产数据集即为将目标历史电力生产数据进行分组后获得的多组电力生产数据(组数占目标历史电力生产数据中电力生产数据的总组数的0.2倍)汇总后用于对周期分布特征预测模型进行评价的电力生产数据集合。
该实施例中,基于机器学习方法和调参电力生产数据训练初始模型,获得周期分布特征预测模型,即为:
基于机器学习方法,将调参电力生产数据中包含的每组电力生产数据输入至初始模型进行不断训练,获得周期分布特征预测模型,周期分布特征预测模型用Q’(tT)表示,tT表示第T个周期内的时间变量,Q’(tT)为周期分布特征预测模型对应的表达式中对应种类的电力生产数据在第T个周期内的时刻t时对应的数值。
该实施例中,模型评价值即为基于测试电力生产数据对周期分布特征预测模型进行评价后获得的表征周期分布特征预测模型的预测准确性的评价值,模型评价值越大,表征周期分布特征预测模型的预测准确性越高。
该实施例中,模型评价阈值即为当判定周期分布特征预测模型为最佳周期分布特征预测模型时,需要达到的最低模型评价值。
该实施例中,最佳周期分布特征预测模型即为经过数据建模过程后获得的最佳的周期分布特征预测模型,也是模型评价值不小于模型评价阈值的周期分布特征预测模型。
该实施例中,将目标历史电力生产数据进行重新分组即为对目标历史电力生产数据中的多组电力生产数据进行重新排序,并基于重新排序后的多组电力生产数据进行重新按照8∶2进行分组。
以上技术的有益效果为:实现对目标历史生产数据的分组、训练调参、评价、直至完成数据建模过程,获得可以准确预测出电力生产数据在下一周期的随时间变化的变化数据,进而获得准确的预测结果。
实施例4:
在实施例3的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,S201:将目标历史电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集,包括:
获取目标历史电力生产数据的数据折线图,识别出数据折线图中的周期变换点;
基于周期变换点将数据折线图划分为多个子折线图,基于子折线图确定出多组电力生产数据;
按照预设比例对多组电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集。
该实施例中,数据折线图即为包含目标历史电力生产数据中所有数值的折线图。
该实施例中,周期变换点即为数据折线图中包含的目标历史电力生产数据中相邻周期的交点。
该实施例中,子折线图即为将周期变换点作为分割点,基于分割点将数据折线图分割后获得的部分折线图。
该实施例中,电力生产数据即为每个子折线图在目标历史电力生产数据中对应的电力生产数据(由多个数值组成),也是单个周期内的电力生产数据的变化数据。
该实施例中,预设比例即为8∶2,其中,分组后的调参电力生产数据集中包含的电力生产数据的总组数是目标历史电力生产数据中包含的电力生产数据的总组数的0.8倍,调参电力生产数据集中包含的电力生产数据的总组数是目标历史电力生产数据中包含的电力生产数据的总组数的0.2倍。
以上技术的有益效果为:实现通过识别出目标历史电力生产数据对应的数据折线图中的周期变换点,实现了确定出对目标历史电力生产数据按照周期划分的划分参考位置,进而获得多个周期的电力生产数据,并按照预设比例对划分后的多组电力生产数据进行分组,获得了数据建模所需的调参电力生产数据集和测试电力生产数据集。
实施例5:
在实施例4的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,获取目标历史电力生产数据的数据折线图,识别出数据折线图中的周期变换点,包括:
依次将数据折线图中每个数据点作为参考数据点,计算出参考数据点和数据折线图中除参考数据点以外剩余的每个数据点的第一偏差比,将对应参考数据点对应的所有第一偏差比汇总,获得每个参考数据点的第一偏差比集合;
基于第一偏差比阈值在每个第一偏差比集合中筛选出第一偏差比子集合,按照从小达到的顺序将第一偏差比子集合中包含的第一偏差比排序,获得每个参考数据点的第一偏差比序列;
基于所有参考数据点的第一偏差比序列的相似评价度,识别出数据折线图中的周期变换点。
该实施例中,参考数据点即为计算第一偏差比时,数据折线图中包含的当前计算的需要计算其与剩余每个数据点之间的第一偏差比的数据点。
该实施例中,第一偏差比即为数据折线图中除参考数据点以外剩余的每个数据点的数值和参考数据点的数值的差值与参考数据点的数值的比值。
该实施例中,第一偏差比集合即为将对应参考数据点对应的所有第一偏差比汇总后获得的集合。
该实施例中,第一偏差比阈值即为预设的用于在第一偏差比集合中筛选出第一偏差比子集合的阈值。
该实施例中,基于第一偏差比阈值在每个第一偏差比集合中筛选出第一偏差比子集合,即为:
在第一偏差比集合中筛选出第一偏差比不超过第一偏差比阈值的第一偏差比,将筛选出的不超过第一偏差比阈值的第一偏差比汇总后获得第一偏差比子集合。
该实施例中,第一偏差比序列即为按照从小达到的顺序将第一偏差比子集合中包含的第一偏差比排序后获得的序列。
该实施例中,相似评价值即为用于评价所有参考数据点的第一偏差比序列的相似程度的数值,相似评价值越大,则表征所有参考数据点的第一偏差比序列的相似程度越高,反之亦然。
以上技术的有益效果为:通过计算出数据折线图中每个数据点与剩余其他所有数据点的第一偏差比,并基于所有筛选出的不超过第一偏差比阈值的第三偏差比排序后获得序列之间的相似评价度,可以准确识别出数据折线图中的周期变换点。
实施例6:
在实施例5的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,基于所有参考数据点的第一偏差比序列的相似评价度,识别出数据折线图中的周期变换点,包括:
计算出所有参考数据点的第一偏差比序列的相似评价度,判断出相似评价度是否不小于相似评价度阈值时,若是,则将每个第一偏差比序列对应的参考数据点和计算出对应第一偏差比序列中所有第一偏差比的其他数据点标记于数据折线图中,获得每个参考数据点对应的标记折线图;
否则,将所有参考数据点的第一偏差比序列中最后一个第一偏差比删除,获得每个参考数据点的新的第一偏差比序列,并计算出所有参考数据点的新的第一偏差比序列的相似评价度,直至最新获得的相似评价度不小于相似评价度阈值时,则将最终获得的每个第一偏差比序列对应的参考数据点和计算出对应第一偏差比序列中所有第一偏差比的其他数据点标记于数据折线图中,获得每个参考数据点对应的标记折线图;
基于所有标记折线图识别出数据折线图中的周期变换点。
该实施例中,计算出所有参考数据点的第一偏差比序列的相似评价度,包括:
式中,pxs为所有参考数据点的第一偏差比序列的相似评价度,n为参考数据点的总数,m为第一偏差比序列中包含的数值的总个数,i为第i个参考数据点,j为第一偏差比序列中的第j个第一偏差比,pij为第i个参考数据点的第一偏差比序列中的第j个第一偏差比,pi(j-1)为第i个参考数据点的第一偏差比序列中的第(j-1)个第一偏差比;
基于以上公式可以准确计算出所有参考数据点的第一偏差比序列的相似评价度。
该实施例中,相似评价度阈值即为用于筛选出数据折线图中的标记点对应的数据点的阈值。
该实施例中,标记折线图即为将每个第三偏差比序列对应的参考数据点和计算出对应第三偏差比序列中所有第三偏差比的其他数据点标记于数据折线图中后获得的折线图。
以上技术的有益效果为:基于所有参考数据点的第三偏差比序列的相似评价度,实现对第三偏差比序列的进一步判断筛选,使得最后获得的标记折线图中的标记点为周期变换点的可能性更大,进而进一步提高了识别吓唬的周期变换点的准确性。
实施例7:
在实施例6的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,基于所有标记折线图识别出数据折线图中的周期变换点,包括:
确定出每个标记折线图中相邻标记点之间的第一横坐标差值,将所有标记折线图的所有第一横坐标差值汇总,获得横坐标差值集合,判断横坐标差值集合中是否存在众数,若是,则将众数对应的第一横坐标差值作为间隔周期,否则,将删除离群点后的横坐标差值集合中所有第一横坐标差值的平均值作为间隔周期;
基于间隔周期识别出数据折线图中的周期变换点。
该实施例中,第一横坐标差值即为标记折线图中相邻的标记点之间的横坐标差值,也是响铃的标记点之间的时间间隔。
该实施例中,标记点即为最终获得的对应的第三偏差比序列对应的参考数据点和计算出对应偏差比序列中所有第三拍你茶币的其他数据点。
该实施例中,横坐标差值集合即为将标记折线图中所有第一横坐标差值汇总后获得的集合。
该实施例中,间隔周期即为本发明分析的对应种类的电力生产数据的周期性对应的周期,也是众数对应的第一横坐标差值对应的间隔时间或删除离群点后的横坐标差值集合中所有第一横坐标差值对应的时间间隔的平均值。
以上技术的有益效果为:将所有标记折线图中所有相邻标记点之间的第一横坐标差值中的众数或删除离群点后的横坐标差值集合中所有第一横坐标差值的平均值作为间隔周期,实现对电力生产数据的周期性对应的周期的准确确定。
实施例8:
在实施例7的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,基于间隔周期识别出数据折线图中的周期变换点,包括:
在数据折线图中筛选出与间隔周期对应的横坐标差值的差值最小的横坐标值对应的数据点,作为周期分割点;
将起始数据点至周期分割点的所有数据点作为假设周期起始点,在数据折线图中确定出每个数据点和假设周期起始点之间的第二横坐标差值,将假设周期起始点对应的所有第二横坐标差值中与间隔周期对应的横坐标差值的差值最小的第二横坐标差值对应的数据点,作为对应假设周期起始点的周期数据点;
计算出每个假设周期起始点和对应的周期数据点的差值,将所有差值汇总,获得差值集合;
基于差值集合识别出数据折线图中的周期变换点。
该实施例中,周期分割点即为数据折线图中与间隔周期对应的横坐标差值的差值最小的横坐标对应的数据点。
该实施例中,假设周期起始点即为从起始数据点至周期分割点为止的所有数据点。
该实施例中,第二横坐标差值即为数据折线图中每个数据点和假设周期起始点的横坐标差值。
该实施例中,起始数据点即为数据折线图中的第一个数据点。
该实施例中,周期数据点即为:假设周期数据点对应的数据点在所属周期内的时刻为t0,则该数据点的周期数据点即为其他周期中在t0时刻时的数据点。
该实施例中,计算出每个假设周期起始点和对应的周期数据点的差值即为:
每个假设周期起始点对应的数值和对应的周期数据点对应的数值的差值。
该实施例中,差值集合即为将所有假设周期起始点和对应的周期数据点的差值汇总后获得的集合。
以上技术的有益效果为:通过将数据折线图中第一个间隔周期对应的持续时间内的所有数据点作为假设周期起始点,通过计算出每个数据点和假设周期起始点之间的第二横坐标差值,筛选出每个数据点的周期数据点,并基于每个假设周期起始点的数值和对应的周期数据点的数值的差值的集合,实现了在数据折线图中准确地识别出周期变换点。
实施例9:
在实施例8的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,基于差值集合识别出数据折线图中的周期变换点,包括:
将差值集合中的离群点删除,获得标准差值集合,将标准差值集合中横坐标值最小的假设周期起始点作为最终周期起始点;
在数据折线图中确定出在最终周期起始点对应的周期数据点之后的每个数据点和最终周期起始点对应的周期数据点之间的第三横坐标差值,将与间隔周期对应的横坐标差值的差值最小的第三横坐标差值对应的数据点作为新的周期数据点;
基于最新获得的周期数据点继续确定出新的周期数据点,直至确定出数据折线图中的所有周期数据点时,则将最终周期起始点和所有周期数据点作为数据折线图中的周期变换点。
该实施例中,标准差值集合即为将差值集合中的离群点删除后剩余所有差值汇总后的集合。
该实施例中,最终周期起始点即为标准差值集合中横坐标值最小的假设周期起始点,也是数据折线图中第一个完整周期的起始数据点。
该实施例中,第三横坐标差值即为在数据折线图中确定出的在最终周期起始点对应的周期数据点之后的每个数据点和最终周期起始点对应的周期数据点之间的横坐标差值。
以上技术的有益效果为:通过将差值集合中的离群点删除后获得的标准差值集合中横坐标值最小的假设周期起始点作为最终周期起始点,进而基于最终周期起始点及其周期数据点确定出数据折线图中所有对应的周期数据点,并将最终周期起始点和所有周期数据点作为数据折线图中的周期变换点,更进一步保证了确定出的周期变换点的准确性。
实施例10:
在实施例3的基础上,所述的一种同时实现电力生产数据建模与可视化分析的方法,S203:基于测试电力生产数据集对周期分布特征预测模型进行评价,获得模型评价值,包括:
将测试电力生产数据集输入至周期分布特征预测模型,获得测试电力生产数据集中每个数值对应的模型预测值;
基于测试电力生产数据集中每组电力生产数据对应的所有模型预测值拟合出每组电力生产数据对应的模型预测折线图;
确定出测试电力生产数据集中每组电力生成数据的测试电力生产数据折线图;
计算出每组电力生产数据对应的模型预测折线图和测试电力生产数据折线图的重合度,基于所有重合度计算出模型评价值。
该实施例中,将测试电力生产数据集输入至周期分布特征预测模型,获得测试电力生产数据集中每个数值对应的模型预测值,即为:
基于测试电力生产数据集中每组电力生产数据对应的周期序数(即表征下一周期为第几个周期的数值)和每组电力生产数据中每个数值对应的时刻确定出tT的具体数值,将tT的具体数值代入周期分布特征预测模型对应的函数Q’(tT)后,获得的测试电力生产数据集中对应组电力生产数据中对应数值对应的模型预测值,即Q’(tT)的数值。
该实施例中,模型预测值即为将测试电力生产数据集输入至周期分布特征预测模型后预测出的测试电力生产数据集中对应数值的预测值。
该实施例中,模型预测折线图即为由测试电力生产数据集中每组电力生产数据对应的所有模型预测值拟合出的折线图。
该实施例中,测试电力生产数据折线图即为基于测试电力生产数据集中每组电力生成数据中的数值拟合出的折线图。
该实施例中,计算出每组电力生产数据对应的模型预测折线图和测试电力生产数据折线图的重合度,包括:
式中,c为每组电力生产数据对应的模型预测折线图和测试电力生产数据折线图的重合度,p为每组电力生产数据中包含的第p个数值,q为每组电力生产数据中包含的数值的总个数,x1p为每组电力生产数据中包含的第p个数值在模型预测折线图中对应的数值,x2p为每组电力生产数据中包含的第p个数值在测试电力生产数据折线图对应的数值;
基于上述公式可以准确计算出每组电力生产数据对应的模型预测折线图和测试电力生产数据折线图的重合度。
该实施例中,基于所有重合度计算出模型评价值即为:将所有重合度的平均值作为模型评价值。
以上技术的有益效果为:实现基于将测试电力生产数据集输入至周期分布特征预测模型后获得的模型预测值拟合出的每组电力生产数据对应的模型预测折线图和测试电力生产数据集中每组电力生产数据对应的测试电力生产数据折线图之间的重合度,完成对周期分布特征预测模型的模型评价。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种同时实现电力生产数据建模与可视化分析的方法,其特征在于,包括:
S1:基于分析需求在历史电力生产数据库中获取目标历史电力生产数据;
S2:基于目标历史电力生产数据和初始模型,搭建出最佳周期分布特征预测模型,并基于最佳周期分布特征预测模型获得预测结果;
S3:基于通信链路将最佳周期分布特征预测模型和预测结果进行可视化展示,获得可视化展示结果;
S4:基于用户输入的二次分析指令对可视化展示结果进行分析处理,获得可视化分析结果;
步骤S2:基于目标历史电力生产数据和初始模型,搭建出最佳周期分布特征预测模型,并基于最佳周期分布特征预测模型获得预测结果,包括:
S201:将目标历史电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集;
S202:基于机器学习方法和调参电力生产数据训练初始模型,获得周期分布特征预测模型;
S203:基于测试电力生产数据集对周期分布特征预测模型进行评价,获得模型评价值;
S204:判断模型评价值是否不小于模型评价阈值,若是,则将周期分布特征预测模型作为最佳周期分布特征预测模型,否则,将目标历史电力生产数据进行重新分组,获得新的调参电力生产数据集和测试电力生产数据集,并基于新的调参电力生产数据集和测试电力生产数据集执行S202至S204,直至最新获得的周期分布特征预测模型的模型评价值不小于模型评价阈值时,则将最新获得的周期分布特征预测模型作为最佳周期分布特征预测模型;
S205:基于最佳周期分布特征预测模型获得预测结果;
步骤S201:将目标历史电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集,包括:
获取目标历史电力生产数据的数据折线图,识别出数据折线图中的周期变换点;
基于周期变换点将数据折线图划分为多个子折线图,基于子折线图确定出多组电力生产数据;
按照预设比例对多组电力生产数据进行分组,获得调参电力生产数据集和测试电力生产数据集。
2.根据权利要求1所述的一种同时实现电力生产数据建模与可视化分析的方法,其特征在于,S1:基于分析需求在历史电力生产数据库中获取目标历史电力生产数据,包括:
S101:基于用户输入的分析需求确定出目标分析数据种类和分析周期;
S102:基于目标分析数据种类,在历史电力生产数据库中获取分析周期内的目标历史电力生产数据。
3.根据权利要求1所述的一种同时实现电力生产数据建模与可视化分析的方法,其特征在于,获取目标历史电力生产数据的数据折线图,识别出数据折线图中的周期变换点,包括:
依次将数据折线图中每个数据点作为参考数据点,计算出参考数据点和数据折线图中除参考数据点以外剩余的每个数据点的第一偏差比,将对应参考数据点对应的所有第一偏差比汇总,获得每个参考数据点的第一偏差比集合;
基于第一偏差比阈值在每个第一偏差比集合中筛选出第一偏差比子集合,按照从小达到的顺序将第一偏差比子集合中包含的第一偏差比排序,获得每个参考数据点的第一偏差比序列;
基于所有参考数据点的第一偏差比序列的相似评价度,识别出数据折线图中的周期变换点。
4.根据权利要求3所述的一种同时实现电力生产数据建模与可视化分析的方法,其特征在于,基于所有参考数据点的第一偏差比序列的相似评价度,识别出数据折线图中的周期变换点,包括:
计算出所有参考数据点的第一偏差比序列的相似评价度,判断出相似评价度是否不小于相似评价度阈值时,若是,则将每个第一偏差比序列对应的参考数据点和计算出对应第一偏差比序列中所有第一偏差比的其他数据点标记于数据折线图中,获得每个参考数据点对应的标记折线图;
否则,将所有参考数据点的第一偏差比序列中最后一个第一偏差比删除,获得每个参考数据点的新的第一偏差比序列,并计算出所有参考数据点的新的第一偏差比序列的相似评价度,直至最新获得的相似评价度不小于相似评价度阈值时,则将最终获得的每个第一偏差比序列对应的参考数据点和计算出对应第一偏差比序列中所有第一偏差比的其他数据点标记于数据折线图中,获得每个参考数据点对应的标记折线图;
基于所有标记折线图识别出数据折线图中的周期变换点。
5.根据权利要求4所述的一种同时实现电力生产数据建模与可视化分析的方法,其特征在于,基于所有标记折线图识别出数据折线图中的周期变换点,包括:
确定出每个标记折线图中相邻标记点之间的第一横坐标差值,将所有标记折线图的所有第一横坐标差值汇总,获得横坐标差值集合,判断横坐标差值集合中是否存在众数,若是,则将众数对应的第一横坐标差值作为间隔周期,否则,将删除离群点后的横坐标差值集合中所有第一横坐标差值的平均值作为间隔周期;
基于间隔周期识别出数据折线图中的周期变换点。
6.根据权利要求5所述的一种同时实现电力生产数据建模与可视化分析的方法,其特征在于,基于间隔周期识别出数据折线图中的周期变换点,包括:
在数据折线图中筛选出与间隔周期对应的横坐标差值的差值最小的横坐标值对应的数据点,作为周期分割点;
将起始数据点至周期分割点的所有数据点作为假设周期起始点,在数据折线图中确定出每个数据点和假设周期起始点之间的第二横坐标差值,将假设周期起始点对应的所有第二横坐标差值中与间隔周期对应的横坐标差值的差值最小的第二横坐标差值对应的数据点,作为对应假设周期起始点的周期数据点;
计算出每个假设周期起始点和对应的周期数据点的差值,将所有差值汇总,获得差值集合;
基于差值集合识别出数据折线图中的周期变换点。
7.根据权利要求6所述的一种同时实现电力生产数据建模与可视化分析的方法,其特征在于,基于差值集合识别出数据折线图中的周期变换点,包括:
将差值集合中的离群点删除,获得标准差值集合,将标准差值集合中横坐标值最小的假设周期起始点作为最终周期起始点;
在数据折线图中确定出在最终周期起始点对应的周期数据点之后的每个数据点和最终周期起始点对应的周期数据点之间的第三横坐标差值,将与间隔周期对应的横坐标差值的差值最小的第三横坐标差值对应的数据点作为新的周期数据点;
基于最新获得的周期数据点继续确定出新的周期数据点,直至确定出数据折线图中的所有周期数据点时,则将最终周期起始点和所有周期数据点作为数据折线图中的周期变换点。
8.根据权利要求1所述的一种同时实现电力生产数据建模与可视化分析的方法,其特征在于,S203:基于测试电力生产数据集对周期分布特征预测模型进行评价,获得模型评价值,包括:
将测试电力生产数据集输入至周期分布特征预测模型,获得测试电力生产数据集中每个数值对应的模型预测值;
基于测试电力生产数据集中每组电力生产数据对应的所有模型预测值拟合出每组电力生产数据对应的模型预测折线图;
确定出测试电力生产数据集中每组电力生成数据的测试电力生产数据折线图;
计算出每组电力生产数据对应的模型预测折线图和测试电力生产数据折线图的重合度,基于所有重合度计算出模型评价值。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310006938.3A CN116126827B (zh) | 2023-01-04 | 2023-01-04 | 一种同时实现电力生产数据建模与可视化分析的方法 |
PCT/CN2023/124554 WO2024146200A1 (zh) | 2023-01-04 | 2023-10-13 | 一种同时实现电力生产数据建模与可视化分析的方法 |
US18/513,336 US20240220463A1 (en) | 2023-01-04 | 2023-11-17 | Method for simultaneously modeling electricity generation data and conducting visual analysis |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310006938.3A CN116126827B (zh) | 2023-01-04 | 2023-01-04 | 一种同时实现电力生产数据建模与可视化分析的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116126827A CN116126827A (zh) | 2023-05-16 |
CN116126827B true CN116126827B (zh) | 2023-08-04 |
Family
ID=86305941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310006938.3A Active CN116126827B (zh) | 2023-01-04 | 2023-01-04 | 一种同时实现电力生产数据建模与可视化分析的方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116126827B (zh) |
WO (1) | WO2024146200A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116126827B (zh) * | 2023-01-04 | 2023-08-04 | 三峡高科信息技术有限责任公司 | 一种同时实现电力生产数据建模与可视化分析的方法 |
CN118551167A (zh) * | 2024-07-26 | 2024-08-27 | 湖北华中电力科技开发有限责任公司 | 一种基于大数据处理的电网数据可视方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866645A (zh) * | 2019-11-15 | 2020-03-06 | 国网湖南省电力有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN114169645A (zh) * | 2021-12-31 | 2022-03-11 | 中国南方电网有限责任公司 | 一种智能电网短期负荷预测方法 |
CN115145993A (zh) * | 2022-07-05 | 2022-10-04 | 西南交通大学 | 基于自学习规则运算的铁路货运大数据可视化展示平台 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013102932A2 (en) * | 2011-12-23 | 2013-07-11 | Mzaya Private Limited | System and method facilitating forecasting, optimization and visualization of energy data for an industry |
US20210365643A1 (en) * | 2018-09-27 | 2021-11-25 | Oracle International Corporation | Natural language outputs for path prescriber model simulation for nodes in a time-series network |
CN113010595A (zh) * | 2021-03-18 | 2021-06-22 | 国网福建省电力有限公司宁德供电公司 | 一种电力能源数据分析与监控方法及系统 |
CN116126827B (zh) * | 2023-01-04 | 2023-08-04 | 三峡高科信息技术有限责任公司 | 一种同时实现电力生产数据建模与可视化分析的方法 |
-
2023
- 2023-01-04 CN CN202310006938.3A patent/CN116126827B/zh active Active
- 2023-10-13 WO PCT/CN2023/124554 patent/WO2024146200A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969285A (zh) * | 2019-10-29 | 2020-04-07 | 京东方科技集团股份有限公司 | 预测模型训练方法、预测方法、装置、设备及介质 |
CN110866645A (zh) * | 2019-11-15 | 2020-03-06 | 国网湖南省电力有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
CN114169645A (zh) * | 2021-12-31 | 2022-03-11 | 中国南方电网有限责任公司 | 一种智能电网短期负荷预测方法 |
CN115145993A (zh) * | 2022-07-05 | 2022-10-04 | 西南交通大学 | 基于自学习规则运算的铁路货运大数据可视化展示平台 |
Also Published As
Publication number | Publication date |
---|---|
CN116126827A (zh) | 2023-05-16 |
WO2024146200A1 (zh) | 2024-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116126827B (zh) | 一种同时实现电力生产数据建模与可视化分析的方法 | |
CN108596335B (zh) | 一种基于深度强化学习的自适应众包方法 | |
Erel* et al. | Stochastic assembly line balancing using beam search | |
EP2273431A1 (en) | Model determination system | |
CN113205203A (zh) | 基于cnn-lstm的建筑能耗预测方法和系统 | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
CN116384837B (zh) | 用于工程质量检测的信息处理方法、系统和检测员终端 | |
CN111680452A (zh) | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 | |
CN117952009A (zh) | 一种智能产线可试验数字孪生体建模方法 | |
CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
CN113361774B (zh) | 一种生态空间集约利用优化方法及系统 | |
CN110196456A (zh) | 一种基于相似年灰色关联分析的中长期降雨径流预报方法 | |
CN116629918A (zh) | 一种基于跨境电商的用户消费预测方法及系统 | |
CN109767263A (zh) | 营收数据预测方法、装置、计算机设备和存储介质 | |
CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
CN109829745A (zh) | 营收数据预测方法、装置、计算机设备和存储介质 | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
US20240220463A1 (en) | Method for simultaneously modeling electricity generation data and conducting visual analysis | |
CN114330818A (zh) | 一种基于主要驱动因子筛选和深度学习的动态需水预测方法 | |
CN112668784A (zh) | 基于大数据的区域宏观经济预测模型及方法 | |
Kovačević et al. | Effect of labeling algorithms on financial performance metrics | |
CN115249166B (zh) | 出清电价预测方法、装置、计算机设备和存储介质 | |
CN111898807A (zh) | 一种基于全基因组选择烟叶产量预测方法及应用 | |
CN111459996A (zh) | 对油枪在指定时间段内的工作状态进行检测的方法及装置 |
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 |