CN116307229A - 一种基于深度学习的需求响应预测系统 - Google Patents

一种基于深度学习的需求响应预测系统 Download PDF

Info

Publication number
CN116307229A
CN116307229A CN202310320393.3A CN202310320393A CN116307229A CN 116307229 A CN116307229 A CN 116307229A CN 202310320393 A CN202310320393 A CN 202310320393A CN 116307229 A CN116307229 A CN 116307229A
Authority
CN
China
Prior art keywords
data
module
energy
node
monitoring
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
CN202310320393.3A
Other languages
English (en)
Inventor
祁煜明
韩宪丛
朱聪
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202310320393.3A priority Critical patent/CN116307229A/zh
Publication of CN116307229A publication Critical patent/CN116307229A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的需求响应预测系统，属于能量调度领域，包括控制终端、储能设备、监控平台、采集分类模块、监测响应模块、参数优化模块、日志监测模块、告警模块以及区块存储模块；本发明能够自行建模与寻参，实现自动化操作，方便工作人员使用，减少工作人员工作量，同时能够精确地依据需求响应进行能量调度，保证供能稳定性，能够降低数据处理时的能耗，提高数据处理效率，同时防止数据被恶意篡改，保证后续工作人员分析数据时的真实性。

Description

一种基于深度学习的需求响应预测系统
技术领域
本发明涉及能量调度领域，尤其涉及一种基于深度学习的需求响应预测系统。
背景技术
需求响应即电力需求响应的简称，是指当电力批发市场价格升高或系统可靠性受威胁时，电力用户接收到供电方发出的诱导性减少负荷的直接补偿通知或者电力价格上升信号后，改变其固有的习惯用电模式，达到减少或者推移某时段的用电负荷而响应电力供应，从而保障电网稳定，并抑制电价上升的短期行为。它是需求侧管理的解决方案之一。其倾向于从市场情况的角度，特别是价格信号，来对负荷需求或者用电模式进行调整，进而促进市场稳定和电网可靠性。而需求侧管理中的负荷管理通常是在某合适时段使用负荷控制装置主动切断系统内部分电力供应，将负荷从高峰期转移至低谷期；是调整负荷的数量及类型的难以预测性的重要手段之一。
现有的基于深度学习的需求响应预测系统需要工作人员手动建模与寻参，不方便使用，同时无法精确地进行能量调度；此外，现有的基于深度学习的需求响应预测系统数据处理时的能耗较高，同时容易出现数据被恶意篡改的情况；为此，我们提出一种基于深度学习的需求响应预测系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于深度学习的需求响应预测系统。
为了实现上述目的，本发明采用了如下技术方案：
一种基于深度学习的需求响应预测系统，包括控制终端、储能设备、监控平台、采集分类模块、监测响应模块、参数优化模块、日志监测模块、告警模块以及区块存储模块；
所述控制终端用于工作人员对该响应预测系统下发控制指令；
所述储能设备用于存储采集的各组能量；
所述监控平台用于实时对储能设备的能量调度情况进行监测反馈；
所述采集分类模块用于实时采集各组能量信息进行采集并进行分类记录；
所述监测响应模块用于接收采集到的能量信以进行需求调配；
所述参数优化模块用于对监测响应模块参数信息进行调整优化；
所述日志监测模块用于采集监控平台日志信息并进行风险分析；
所述告警模块用于接收各子模块运行信息，并对异常数据发出声光报警；
所述区块存储模块用于将各组数据进行上链存储。
需要进一步说明的是，所述控制终端具体包括智能手机、平板电脑、台式电脑以及笔记本电脑；
所述储能设备具体用于存储风能、光能、热能、氢能以及电能。
需要进一步说明的是，所述监测响应模块需求调配具体步骤如下：
步骤一：需求调配模块接收各组能量数据，之后将各组能量数据预处理成统一格式的数据，再通过Max-Min归一化方法将其转换至0至1区间内，并计算各组数据的方差系数以筛选出符合预设表征能力的数据；
步骤二：构建调度模型并通过参数优化模块进行寻参，之后将筛选出的数据划分成训练集以及测试集，再将训练集通过标准化处理生成训练样本；
步骤三：将训练样本输送至调度模型中，并依据训练样本不断对该调度模型进行迭代训练，然后将测试集导入训练完成的调度模型，并输出各能力调度曲线以及需求响应曲线以供工作人员查看，同时反馈存在异常的调度需求。
需要进一步说明的是，步骤一所述Max-Min归一化方法
Figure BDA0004151555030000031
其中，xnew表示归一化后的数据；x表示提取的特征数据；xmax表示特征数据的最大值；xmin表示特征数据的最小值；
步骤一所述方差系数具体步骤如下：
Figure BDA0004151555030000032
其中，σ表示特征数据的标准差，μ表示特征数据的均值，CV表示特征数据的方差系数，若方差系数越大，则表示越重要，反之，则表示不重要，予以剔除；
步骤二所述标准化处理具体计算公式如下：
Figure BDA0004151555030000041
其中，x表示提取的特征数据；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。
需要进一步说明的是，所述参数优化模块调整优化具体步骤如下：
步骤(1)：对调度模型进行准确率、检出率和误报率评估，若评估结果不满足研究人员预设阈值，则从各组过往调度数据中选择一组作为验证数据，并使用剩余数据拟合一组测试模型；
步骤(2)：使用验证数据来验证测试模型的精度，并重复n次通过均方根误差对该测试模型的预测能力进行计算，再对生成的精度参数进行参数优化处理；
步骤(3)：依据预设的学习率以及步长列出所有可能的数据结果，且对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，统计检测结果的均方根误差；
步骤(4)：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换数据分析模块原有参数。
需要进一步说明的是，步骤(2)中所述均方根误差具体计算公式如下：
Figure BDA0004151555030000051
其中，E(yi)表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测样本总数。
需要进一步说明的是，所述日志监测模块风险分析具体步骤如下：
步骤Ⅰ：日志监测模块在不同的系统的监控平台部署相关的日志采集插件或者通过syslog服务器获取不同系统的监控平台中所记录的日志数据，并筛选出满足预设条件的日志信息；
步骤Ⅱ：将剩余日志数据处理为统一格式的日志信息，再将处理后的日志信息中记录的用户操作行为与异常行为特征进行匹配，并依据匹配结果生成相对应的告警信息，同时对各告警信息风险分数进行计算并输出计算结果，之后将该告警信息反馈给相关人员，并中断相关操作进程。
需要进一步说明的是，所述区块存储模块上链存储具体步骤如下：
步骤Ⅰ：将运行数据处理成符合条件的区块，之后在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送；
步骤Ⅱ：另一节点对收到的申请进行验证，验证通过则向候选节点返回相关验证数据，并使该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数；广播结束后，跟随节点使用重复次数最多的信息生成区块头，并向领导节点发送确认申请；
步骤Ⅲ：领导节点收到确认申请后检查验证数据正确性后，发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至链上并返回候选身份。
相比于现有技术，本发明的有益效果在于：
1、本发明通过需求调配模块接收各组能量数据，之后将各组能量数据预处理成统一格式的数据，再通过Max-Min归一化方法将其转换至0至1区间内，并计算各组数据的方差系数以筛选出符合预设表征能力的数据，构建调度模型并通过参数优化模块进行寻参，之后将筛选出的数据划分成训练集以及测试集，再将训练集通过标准化处理生成训练样本，将训练样本输送至调度模型中，并依据训练样本不断对该调度模型进行迭代训练，然后将测试集导入训练完成的调度模型，并输出各能力调度曲线以及需求响应曲线以供工作人员查看，同时反馈存在异常的调度需求，能够自行建模与寻参，实现自动化操作，方便工作人员使用，减少工作人员工作量，同时能够精确地依据需求响应进行能量调度，保证供能稳定性。
2、本发明通过区块存储模块将运行数据处理成符合条件的区块，之后在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，并选取一个候选节点成为领导节点后，其他节点成为跟随节点，之后领导节点以及跟随节点广播区块信息并记录重复次数，并使用重复次数最多的信息生成区块头，并向领导节点发送确认申请，申请通过后，领导节点发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至链上并返回候选身份，能够降低数据处理时的能耗，提高数据处理效率，同时防止数据被恶意篡改，保证后续工作人员分析数据时的真实性。
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。
图1为本发明提出的一种基于深度学习的需求响应预测系统的系统框图。
具体实施方式
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。
实施例1
参照图1，一种基于深度学习的需求响应预测系统，包括控制终端、储能设备、监控平台、采集分类模块、监测响应模块、参数优化模块、日志监测模块、告警模块以及区块存储模块。
控制终端用于工作人员对该响应预测系统下发控制指令；储能设备用于存储采集的各组能量。
本实施例中，控制终端具体包括智能手机、平板电脑、台式电脑以及笔记本电脑，储能设备具体用于存储风能、光能、热能、氢能以及电能。
监控平台用于实时对储能设备的能量调度情况进行监测反馈；采集分类模块用于实时采集各组能量信息进行采集并进行分类记录；监测响应模块用于接收采集到的能量信以进行需求调配。
具体的，需求调配模块接收各组能量数据，之后将各组能量数据预处理成统一格式的数据，再通过Max-Min归一化方法将其转换至0至1区间内，并计算各组数据的方差系数以筛选出符合预设表征能力的数据，构建调度模型并通过参数优化模块进行寻参，之后将筛选出的数据划分成训练集以及测试集，再将训练集通过标准化处理生成训练样本，将训练样本输送至调度模型中，并依据训练样本不断对该调度模型进行迭代训练，然后将测试集导入训练完成的调度模型，并输出各能力调度曲线以及需求响应曲线以供工作人员查看，同时反馈存在异常的调度需求。
需要进一步说明的是，Max-Min归一化方法
Figure BDA0004151555030000081
其中，xnew表示归一化后的数据；x表示提取的特征数据；xmax表示特征数据的最大值；xmin表示特征数据的最小值；
方差系数具体步骤如下：
Figure BDA0004151555030000092
其中，σ表示特征数据的标准差，μ表示特征数据的均值，CV表示特征数据的方差系数，若方差系数越大，则表示越重要，反之，则表示不重要，予以剔除；
标准化处理具体计算公式如下：
Figure BDA0004151555030000093
其中，x表示提取的特征数据；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。
实施例2
参照图1，一种基于深度学习的需求响应预测系统，包括控制终端、储能设备、监控平台、采集分类模块、监测响应模块、参数优化模块、日志监测模块、告警模块以及区块存储模块。
参数优化模块用于对监测响应模块参数信息进行调整优化。
具体的，参数优化模块对调度模型进行准确率、检出率和误报率评估，若评估结果不满足研究人员预设阈值，则从各组过往调度数据中选择一组作为验证数据，并使用剩余数据拟合一组测试模型，使用验证数据来验证测试模型的精度，并重复n次通过均方根误差对该测试模型的预测能力进行计算，再对生成的精度参数进行参数优化处理，依据预设的学习率以及步长列出所有可能的数据结果，且对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，统计检测结果的均方根误差，将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换数据分析模块原有参数。
本实施例中，均方根误差具体计算公式如下：
Figure BDA0004151555030000101
其中，E(yi)表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测样本总数。
日志监测模块用于采集监控平台日志信息并进行风险分析。
具体的，日志监测模块在不同的系统的监控平台部署相关的日志采集插件或者通过syslog服务器获取不同系统的监控平台中所记录的日志数据，并筛选出满足预设条件的日志信息，将剩余日志数据处理为统一格式的日志信息，再将处理后的日志信息中记录的用户操作行为与异常行为特征进行匹配，并依据匹配结果生成相对应的告警信息，同时对各告警信息风险分数进行计算并输出计算结果，之后将该告警信息反馈给相关人员，并中断相关操作进程。
告警模块用于接收各子模块运行信息，并对异常数据发出声光报警；区块存储模块用于将各组数据进行上链存储。
具体的，区块存储模块将运行数据处理成符合条件的区块，之后在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送，另一节点对收到的申请进行验证，验证通过则向候选节点返回相关验证数据，并使该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数；广播结束后，跟随节点使用重复次数最多的信息生成区块头，并向领导节点发送确认申请，领导节点收到确认申请后检查验证数据正确性后，发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至链上并返回候选身份。

Claims (8)

1.一种基于深度学习的需求响应预测系统，其特征在于，包括控制终端、储能设备、监控平台、采集分类模块、监测响应模块、参数优化模块、日志监测模块、告警模块以及区块存储模块；
所述控制终端用于工作人员对该响应预测系统下发控制指令；
所述储能设备用于存储采集的各组能量；
所述监控平台用于实时对储能设备的能量调度情况进行监测反馈；
所述采集分类模块用于实时采集各组能量信息进行采集并进行分类记录；
所述监测响应模块用于接收采集到的能量信以进行需求调配；
所述参数优化模块用于对监测响应模块参数信息进行调整优化；
所述日志监测模块用于采集监控平台日志信息并进行风险分析；
所述告警模块用于接收各子模块运行信息，并对异常数据发出声光报警；
所述区块存储模块用于将各组数据进行上链存储。
2.根据权利要求1所述的一种基于深度学习的需求响应预测系统，其特征在于，所述控制终端具体包括智能手机、平板电脑、台式电脑以及笔记本电脑；
所述储能设备具体用于存储风能、光能、热能、氢能以及电能。
3.根据权利要求2所述的一种基于深度学习的需求响应预测系统，其特征在于，所述监测响应模块需求调配具体步骤如下：
步骤一：需求调配模块接收各组能量数据，之后将各组能量数据预处理成统一格式的数据，再通过Max-Min归一化方法将其转换至0至1区间内，并计算各组数据的方差系数以筛选出符合预设表征能力的数据；
步骤二：构建调度模型并通过参数优化模块进行寻参，之后将筛选出的数据划分成训练集以及测试集，再将训练集通过标准化处理生成训练样本；
步骤三：将训练样本输送至调度模型中，并依据训练样本不断对该调度模型进行迭代训练，然后将测试集导入训练完成的调度模型，并输出各能力调度曲线以及需求响应曲线以供工作人员查看，同时反馈存在异常的调度需求。
4.根据权利要求3所述的一种基于深度学习的需求响应预测系统，其特征在于，步骤一所述Max-Min归一化方法
Figure FDA0004151555020000021
其中，xnew表示归一化后的数据；x表示提取的特征数据；xmax表示特征数据的最大值；xmin表示特征数据的最小值；
步骤一所述方差系数具体步骤如下：
Figure FDA0004151555020000022
其中，σ表示特征数据的标准差，μ表示特征数据的均值，CV表示特征数据的方差系数，若方差系数越大，则表示越重要，反之，则表示不重要，予以剔除；
步骤二所述标准化处理具体计算公式如下：
Figure FDA0004151555020000031
其中，x表示提取的特征数据；mean(x)表示对所提特征参数进行平均处理；std(x)表示对特征参数求标准差。
5.根据权利要求3所述的一种基于深度学习的需求响应预测系统，其特征在于，所述参数优化模块调整优化具体步骤如下：
步骤(1)：对调度模型进行准确率、检出率和误报率评估，若评估结果不满足研究人员预设阈值，则从各组过往调度数据中选择一组作为验证数据，并使用剩余数据拟合一组测试模型；
步骤(2)：使用验证数据来验证测试模型的精度，并重复n次通过均方根误差对该测试模型的预测能力进行计算，再对生成的精度参数进行参数优化处理；
步骤(3)：依据预设的学习率以及步长列出所有可能的数据结果，且对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练测试模型后对测试集进行检测，统计检测结果的均方根误差；
步骤(4)：将测试集更换为另一子集，再取剩余子集作为训练集，再次统计均方根误差，直至对所有数据都进行一次预测，通过选取均方根误差最小时对应的组合参数作为数据区间内最优的参数并替换数据分析模块原有参数。
6.根据权利要求5所述的一种基于深度学习的需求响应预测系统，其特征在于，步骤(2)中所述均方根误差具体计算公式如下：
Figure FDA0004151555020000041
其中，E(yi)表示第i个实际观测值，yi为模型反演出的第i个预测值，n是观测样本总数。
7.根据权利要求1所述的一种基于深度学习的需求响应预测系统，其特征在于，所述日志监测模块风险分析具体步骤如下：
步骤Ⅰ：日志监测模块在不同的系统的监控平台部署相关的日志采集插件或者通过syslog服务器获取不同系统的监控平台中所记录的日志数据，并筛选出满足预设条件的日志信息；
步骤Ⅱ：将剩余日志数据处理为统一格式的日志信息，再将处理后的日志信息中记录的用户操作行为与异常行为特征进行匹配，并依据匹配结果生成相对应的告警信息，同时对各告警信息风险分数进行计算并输出计算结果，之后将该告警信息反馈给相关人员，并中断相关操作进程。
8.根据权利要求1所述的一种基于深度学习的需求响应预测系统，其特征在于，所述区块存储模块上链存储具体步骤如下：
步骤Ⅰ：将运行数据处理成符合条件的区块，之后在入网时，区块链网络中各节点生成本地的公私钥对作为自己在网络中的标识，当某一节点等待本地角色成为候选节点时，向网络中其他节点广播领导申请并发送；
步骤Ⅱ：另一节点对收到的申请进行验证，验证通过则向候选节点返回相关验证数据，并使该候选节点成为领导节点，其他节点成为跟随节点，之后领导节点广播区块记录信息，跟随节点收到信息以后向其他跟随节点广播收到的信息并记录重复次数；广播结束后，跟随节点使用重复次数最多的信息生成区块头，并向领导节点发送确认申请；
步骤Ⅲ：领导节点收到确认申请后检查验证数据正确性后，发送添加命令并进入沉睡期，在沉睡期内不能再次申请成为领导节点，直到结束沉睡期，跟随节点收到确认信息后,将新生成的各组区块添加至链上并返回候选身份。
CN202310320393.3A 2023-03-27 2023-03-27 一种基于深度学习的需求响应预测系统 Pending CN116307229A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310320393.3A CN116307229A (zh) 2023-03-27 2023-03-27 一种基于深度学习的需求响应预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310320393.3A CN116307229A (zh) 2023-03-27 2023-03-27 一种基于深度学习的需求响应预测系统

Publications (1)

Publication Number Publication Date
CN116307229A true CN116307229A (zh) 2023-06-23

Family

ID=86777912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310320393.3A Pending CN116307229A (zh) 2023-03-27 2023-03-27 一种基于深度学习的需求响应预测系统

Country Status (1)

Country Link
CN (1) CN116307229A (zh)

Similar Documents

Publication Publication Date Title
WO2019196869A1 (zh) 一种确定巡检基站列表的方法以及巡检装置
CN109787846A (zh) 一种5g网络服务质量异常监测和预测方法及系统
CN115170000B (zh) 一种基于电能表通信模块的远程监测方法及系统
CN112114986B (zh) 数据异常识别方法、装置、服务器和存储介质
CN110929918A (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN113298422A (zh) 一种基于用电数据的污染源企业违规生产监控方法
CN115865649B (zh) 一种智能运维管理控制方法、系统和存储介质
CN111160791A (zh) 一种基于gbdt算法及因素融合的异常用户识别方法
CN111506635A (zh) 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法
CN117391292A (zh) 碳排放节能管理分析系统及方法
CN111524026A (zh) 一种电力资源分配方法及装置
CN112365186A (zh) 一种电力信息系统健康度评估方法及其评估系统
CN117792864A (zh) 一种告警处理方法、装置、存储介质及电子装置
CN117353315B (zh) 基于光伏、风力发电电压暂态波动控制发电电压的装置
CN110647086B (zh) 一种基于运行大数据分析的智能运维监控系统
CN114518723B (zh) 一种用于智能楼宇数据的能耗监控系统及方法
CN116307229A (zh) 一种基于深度学习的需求响应预测系统
CN116756505A (zh) 一种基于大数据的光伏设备智能管理系统及方法
CN114726096B (zh) 一种基于ims的智慧电网中的应急指挥集控系统及监控方法
CN113591909B (zh) 电力系统的异常检测方法、异常检测装置以及存储介质
CN115658772A (zh) 一种无人机光伏巡检数据类资产管理方法及系统
CN115361311A (zh) 互联网区块链数字标志传输识别方法
CN112307271A (zh) 一种配电自动化系统遥控业务的安全监测方法及装置
CN113537519A (zh) 一种识别异常设备的方法和装置
CN117347791B (zh) 基于大数据的电力电网故障在线识别系统及方法

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