CN117878929A - 基于多源数据融合的负荷控制终端预测方法 - Google Patents
基于多源数据融合的负荷控制终端预测方法 Download PDFInfo
- Publication number
- CN117878929A CN117878929A CN202410275185.0A CN202410275185A CN117878929A CN 117878929 A CN117878929 A CN 117878929A CN 202410275185 A CN202410275185 A CN 202410275185A CN 117878929 A CN117878929 A CN 117878929A
- Authority
- CN
- China
- Prior art keywords
- power load
- missing data
- sequence
- data value
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 31
- 238000010606 normalization Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 19
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- G06F18/25—Fusion 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
- 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
- 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
-
- 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
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电数字数据处理技术领域,尤其涉及一种基于多源数据融合的负荷控制终端预测方法,该方法分别获取至少两个负荷控制终端的历史电力负荷时序数据,针对任一历史电力负荷时序数据,检测历史电力负荷时序数据是否存在缺失数据值,当检测到历史电力负荷时序数据存在缺失数据值时,针对任一缺失数据值,获取缺失数据值的拟合值,对拟合值进行迭代获取,得到缺失数据值的最终填充值,以获取填充后的历史电力负荷时序数据,根据所有填充后的历史电力负荷时序数据构建预测模型,利用预测模型对任一负荷控制终端进行电力负荷预测,提高了预测模型的预测能力,使得电力负荷的预测结果更加严谨。
Description
技术领域
本发明涉及电数字数据处理技术领域,尤其涉及一种基于多源数据融合的负荷控制终端预测方法。
背景技术
在基于时序特征提取的短期电力负荷预测过程中,需要对采集到的负荷控制终端的电力负荷监测时序数据进行预处理过程,使得预测过程中提取到的时序变化特征信息更加准确,从而提高了对负荷控制终端的电力负荷进行预测的结果。
现有技术中,对采集到的负荷控制终端的电力负荷监测时序数据进行预处理包括缺失值补全,对于缺失值较少的电力负荷监测时序数据,通过缺失数据点的前后数据进行平均拟合,从而完成对电力负荷监测时序数据的缺失值填充;对于缺失值较多的电力负荷监测时序数据,通过负荷控制终端的相邻单位时间内的电力负荷监测时序数据的变化趋势进行等比率填充,例如:假设电力负荷监测时序数据属于一天采集的时序数据,则针对任一天的电力负荷监测时序数据,可根据其前一天或后一天的电力负荷监测时序数据的变化趋势进行等比率的缺失值填充。
在缺失值的填充过程中,当电力负荷监测时序数据是由于数据采集故障或者环境问题所导致的连续缺失时,如果仅通过单个负荷控制终端的前序日期或是后序日期进行数值拟合填充,这就会导致在特殊日期(例如节假日停工或者负荷低的时期)时出现缺失值填充错误的情况,这会导致后续对电力负荷监测时序数据进行时序特征提取的过程中,缺失值所对应的填充后的电力负荷数据会成为特征提取过程中的噪声数据,从而影响预测过程中对负荷控制终端的电力负荷的预测精度。
因此,如何提高对电力负荷监测时序数据中的缺失值进行填充的精度,以减少填充后的电力负荷监测时序数据对负荷控制终端的电力负荷预测的精度影响成为亟需解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种基于多源数据融合的负荷控制终端预测方法,以解决如何提高对电力负荷监测时序数据中的缺失值进行填充的精度,以减少填充后的电力负荷监测时序数据对负荷控制终端的电力负荷预测的精度影响的问题。
本发明实施例中提供了一种基于多源数据融合的负荷控制终端预测方法,该方法包括以下步骤:
分别获取至少两个负荷控制终端的历史电力负荷时序数据,根据预设的单位时间分别将每个所述历史电力负荷时序数据划分为至少两个电力负荷子序列;
针对任一历史电力负荷时序数据,检测所述历史电力负荷时序数据是否存在缺失数据值,当检测到所述历史电力负荷时序数据存在缺失数据值时,针对任一缺失数据值,将所述缺失数据值所属的电力负荷子序列对应的单位时间作为目标单位时间,对属于所述目标单位时间内的所有电力负荷子序列进行聚类,得到所述缺失数据值所属的目标聚类簇;
在所述目标聚类簇中确定所述缺失数据值的预设数量个近邻电力负荷子序列,根据所述目标聚类簇中的电力负荷子序列之间的差异,分别获取所述缺失数据值所属的电力负荷子序列与每个所述近邻电力负荷子序列之间的近邻优化权重;
根据所述缺失数据值的采样时间分别确定每个所述近邻电力负荷子序列中的目标数据值,根据所有目标数据值、所有近邻优化权重以及所述缺失数据值的初始填充值,获取所述缺失数据值的拟合值,对所述拟合值进行迭代获取,得到所述缺失数据值的最终填充值;
根据所述历史电力负荷时序数据中的每个缺失数据值的最终填充值,获取填充后的历史电力负荷时序数据,根据所有填充后的历史电力负荷时序数据构建预测模型,利用所述预测模型对任一负荷控制终端进行电力负荷预测。
进一步的,所述在所述目标聚类簇中确定所述缺失数据值的预设数量个近邻电力负荷子序列,包括:
在所述目标聚类簇中确定所述缺失数据值对应的电力负荷子序列与每个其他电力负荷子序列之间的欧式距离,对所有欧式距离进行从小到大的排序,将排序后的前N个欧式距离对应的其他电力负荷子序列作为所述缺失数据值的预设数量个近邻电力负荷子序列。
进一步的,所述根据所述目标聚类簇中的电力负荷子序列之间的差异,分别获取所述缺失数据值所属的电力负荷子序列与每个所述近邻电力负荷子序列之间的近邻优化权重,包括:
针对任一近邻电力负荷子序列,利用DTW算法获取所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的相似度,对所述相似度进行归一化处理,得到对应的归一化值,将常数1与所述归一化值之间的差值作为所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的初始近邻权重;
获取所述目标聚类簇的簇类中心点所对应的电力负荷子序列作为中心电力负荷子序列,根据所述中心电力负荷子序列与所有近邻电力负荷子序列之间的差异以及所述中心电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的差异,对所述初始近邻权重进行优化,得到所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的近邻优化权重。
进一步的,所述根据所述中心电力负荷子序列与所有近邻电力负荷子序列之间的差异以及所述中心电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的差异,对所述初始近邻权重进行优化,得到所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的近邻优化权重,包括:
对所有近邻电力负荷子序列进行均值化,得到平均近邻电力负荷子序列,利用DTW算法获取所述平均近邻电力负荷子序列与所述中心电力负荷子序列之间的第一相似度,利用DTW算法获取所述缺失数据值所属的电力负荷子序列与所述中心电力负荷子序列之间的第二相似度;
获取所述第一相似度和所述第二相似度之间的相似度差值,对所述相似度差值进行归一化处理,得到对应的归一化结果,获取常数1与所述归一化结果之间的相减结果,将所述相减结果与所述初始近邻权重之间的乘积作为所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的近邻优化权重。
进一步的,所述根据所有目标数据值、所有近邻优化权重以及所述缺失数据值的初始填充值,获取所述缺失数据值的拟合值,包括:
在所述历史电力负荷时序数据中获取所述缺失数据值的前相邻数据值和后相邻数据值,将所述前相邻数据值和所述后相邻数据值之间的均值作为所述缺失数据值的初始填充值;
利用所有近邻优化权重对所有目标数据值进行加权求和并求均值,将所述均值与所述初始填充值之间的平均值作为所述缺失数据值的拟合值。
进一步的,所述对所述拟合值进行迭代获取,得到所述缺失数据值的最终填充值,包括:
将每次迭代过程中获取的拟合值作为下一次迭代过程中所述缺失数据值的初始填充值,当相邻两次迭代过程之间的所述缺失数据值的所有近邻电力负荷子序列完全相同时,停止对所述缺失数据值的拟合值的获取,并将所述相邻两次迭代过程中的前一个迭代过程中获取的拟合值作为所述缺失数据值的最终填充值。
进一步的,所述根据所述缺失数据值的采样时间分别确定每个所述近邻电力负荷子序列中的目标数据值,包括:
针对任一近邻电力负荷子序列,将所述近邻电力负荷子序列中与所述缺失数据值的采样时间相同的数据值作为目标数据值。
进一步的,所述对属于所述目标单位时间内的所有电力负荷子序列进行聚类,得到所述缺失数据值所属的目标聚类簇,包括:
分别获取所述目标单位时间内的每两个电力负荷子序列之间的差异距离,基于所述差异距离,利用K-means聚类算法对属于所述目标单位时间内的所有电力负荷子序列进行聚类,得到对应的聚类结果,根据所述聚类结果确定所述缺失数据值所属的目标聚类簇。
进一步的,所述分别获取至少两个负荷控制终端的历史电力负荷时序数据,包括:
针对任一负荷控制终端,获取所述负荷控制终端的初始历史电力负荷时序数据,对所述初始历史电力负荷时序数据进行线性归一化处理,得到所述负荷控制终端的历史电力负荷时序数据。
本发明实施例与现有技术相比存在的有益效果是:
本发明分别获取至少两个负荷控制终端的历史电力负荷时序数据,根据预设的单位时间分别将每个所述历史电力负荷时序数据划分为至少两个电力负荷子序列;针对任一历史电力负荷时序数据,检测所述历史电力负荷时序数据是否存在缺失数据值,当检测到所述历史电力负荷时序数据存在缺失数据值时,针对任一缺失数据值,将所述缺失数据值所属的电力负荷子序列对应的单位时间作为目标单位时间,对属于所述目标单位时间内的所有电力负荷子序列进行聚类,得到所述缺失数据值所属的目标聚类簇;在所述目标聚类簇中确定所述缺失数据值的预设数量个近邻电力负荷子序列,根据所述目标聚类簇中的电力负荷子序列之间的差异,分别获取所述缺失数据值所属的电力负荷子序列与每个所述近邻电力负荷子序列之间的近邻优化权重;根据所述缺失数据值的采样时间分别确定每个所述近邻电力负荷子序列中的目标数据值,根据所有目标数据值、所有近邻优化权重以及所述缺失数据值的初始填充值,获取所述缺失数据值的拟合值,对所述拟合值进行迭代获取,得到所述缺失数据值的最终填充值;根据所述历史电力负荷时序数据中的每个缺失数据值的最终填充值,获取填充后的历史电力负荷时序数据,根据所有填充后的历史电力负荷时序数据构建预测模型,利用所述预测模型对任一负荷控制终端进行电力负荷预测。其中,通过对任一缺失数据值所属的电力负荷子序列对应的单位时间内的所有电力负荷子序列进行聚类,并通过以聚类中心为目标的近邻优化权重分配完成对该缺失数据值的拟合值的获取,通过对拟合值的迭代获取,可以在相似的负荷控制终端的拟合过程中降低因为不同设备之间的差异导致得填充误差,进一步提高该缺失数据值的最终填充值的精度,进而在后续基于时序特征的电力负荷预测模型的训练过程中降低所有历史电力负荷时序数据中的缺失数据值的影响,避免利用填充后的历史电力负荷时序数据所建立的预测模型的预测精度下降。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于多源数据融合的负荷控制终端预测方法的方法流程图;
图2是本发明实施例一提供的一种目标聚类簇中的电力负荷子序列的分布示意图。
具体实施方式
下面详细描述本公开的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本公开,而不能理解为对本公开的限制。
需要说明的是,本公开的说明书及上述附图中的术语“第一”、“第二”等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,以便这里描述的本公开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。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与本公开的一些方面相一致的装置和方法的例子。
为了说明本发明的技术方案,下面通过具体实施例来进行说明。
本发明所针对的具体场景为:在获取到可用于预测模型建立的所有负荷控制终端的历史电力负荷时序数据之后,对每个历史电力负荷时序数据进行缺失数据值的填充,从而利用填充后的历史电力负荷时序数据进行预测模型的建立,并用建立好的预测模型进行任一负荷控制终端的电力负荷预测。
参见图1,是本发明实施例一提供的一种基于多源数据融合的负荷控制终端预测方法的方法流程图,如图1所示,该方法可以包括:
步骤S101,分别获取至少两个负荷控制终端的历史电力负荷时序数据,根据预设的单位时间分别将每个历史电力负荷时序数据划分为至少两个电力负荷子序列。
在建立预测模型之前,需要对每个负荷控制终端进行电力负荷数据的采集,本发明实施例中采集全部可用于建立对负荷控制终端的电力负荷进行预测的预测模型的终端设备的电力负荷时序数据。针对任一负荷控制终端,通过预设的采样频率,获取预设时段内的初始历史电力负荷时序数据,其中,初始历史电力负荷时序数据中的每个电力负荷数据都对应一个时间戳,也即是采样时间。同理,能够获取每个负荷控制终端在预设时段内的初始历史电力负荷时序数据。优选的,本发明实施例中的预设时段为一个月,此处不做限制。
对于采集到的多个负荷控制终端的初始历史电力负荷时序数据,为了保证负荷控制终端之间的电力负荷相似性的评估过程中,能够避免负荷控制终端之间的数值基线差异带来的影响,所以针对任一负荷控制终端,获取所述负荷控制终端的初始历史电力负荷时序数据,对所述初始历史电力负荷时序数据进行线性归一化处理,得到所述负荷控制终端的历史电力负荷时序数据。其中线性归一化处理通过max-min归一化进行处理,max-min归一化属于现有技术,此处不再赘述。
进一步的,对于每个历史电力负荷时序数据,根据预设的单位时间分别将每个历史电力负荷时序数据划分为至少两个电力负荷子序列,则一个历史电力负荷时序数据至少对应两个电力负荷子序列,例如:预设的单位时间为一天,则将每个历史电力负荷时序数据中属于一天内的电力负荷数据划分为一个电力负荷子序列,进而能够得到多个电力负荷子序列,还可以将预设的单位时间设置为一星期或一个月,实施者可根据历史电力负荷时序数据的采集时段进行选择。
步骤S102,针对任一历史电力负荷时序数据,检测历史电力负荷时序数据是否存在缺失数据值,当检测到历史电力负荷时序数据存在缺失数据值时,针对任一缺失数据值,将缺失数据值所属的电力负荷子序列对应的单位时间作为目标单位时间,对属于目标单位时间内的所有电力负荷子序列进行聚类,得到缺失数据值所属的目标聚类簇。
由于历史电力负荷时序数据中的每个电力负荷数据都对应一个采样时间,采样时间是由采样频率固定的,因此,历史电力负荷时序数据的长度是固定值,如果历史电力负荷时序数据中的长度小于固定值,则说明历史电力负荷时序数据中存在缺失数据值,故针对任一历史电力负荷时序数据,首先根据一个采样时间对应一个电力负荷数据的对应关系,检测历史电力负荷时序数据中是否存在缺失数据值,当检测到历史电力负荷时序数据中存在缺失数据值时,需要对历史电力负荷时序数据中的缺失数据值进行填充,以使得历史电力负荷时序数据的长度等于固定值,因此,针对历史电力负荷时序数据中的任一缺失数据值,首先确定该缺失数据值的采样时间,进而根据采样时间确定其所属的电力负荷子序列,在确定了该缺失数据值所属的电力负荷子序列之后,即可确定该缺失数据值所属的电力负荷子序列对应的单位时间并作为目标单位时间,目标单位时间也即是该缺失数据值所属的电力负荷子序列对应的日期。
在确定了该缺失数据值所属的目标单位时间之后,由于在对该缺失数据值的评估过程中,需要通过该缺失数据值所属的电力负荷子序列进行相似负荷控制终端的评估,因此,对于该缺失数据值所属的电力负荷子序列,首先,在历史电力负荷时序数据中获取该缺失数据值的前相邻数据值和后相邻数据值,将前相邻数据值和后相邻数据值之间的均值作为该缺失数据值的初始填充值,利用初始填充值初次补全该缺失数据值所属的电力负荷子序列,然后,根据每个负荷控制终端的历史电力负荷时序数据的所有电力负荷子序列所对应的单位时间,获取属于目标单位时间内的所有电力负荷子序列,每个负荷控制终端都存在一个电力负荷子序列属于目标单位时间,至此获取了与该缺失数据值所属的电力负荷子序列属于同期数据的其他电力负荷子序列。进而对属于目标单位时间内的所有电力负荷子序列进行聚类,得到该缺失数据值所属的目标聚类簇,具体的,分别获取所述目标单位时间内的每两个电力负荷子序列之间的差异距离,基于所述差异距离,利用K-means聚类算法对属于所述目标单位时间内的所有电力负荷子序列进行聚类,得到对应的聚类结果,根据所述聚类结果确定所述缺失数据值所属的目标聚类簇。
在一实施方式中,根据实际场景中已知的负荷控制终端的数量可以对于聚类过程中的簇类数量的设定进行调整,优选的,本发明实施例中通过K=20的K-means聚类算法,将属于所述目标单位时间内的所有电力负荷子序列划分为20个聚类簇,将缺失数据值所属的电力负荷子序列所在的聚类簇作为目标聚类簇。值得说明的是,对目标单位时间内的所有电力负荷子序列进行聚类的目的是为了将同期数据划分为不同的聚类簇,以确定负荷控制终端之间的相似性和关联性,从而在确定了所有负荷控制终端之间的相似性和关联性之后,在聚类簇中进行缺失数据值的近邻拟合评估。
值得说明的是,缺失数据值所属的电力负荷子序列进行聚类前都是经过填充补全的,也即是缺失数据值所属的电力负荷子序列是指填充后的电力负荷子序列。
步骤S103,在目标聚类簇中确定缺失数据值的预设数量个近邻电力负荷子序列,根据目标聚类簇中的电力负荷子序列之间的差异,分别获取缺失数据值所属的电力负荷子序列与每个近邻电力负荷子序列之间的近邻优化权重。
在确定了缺失数据值所属的目标聚类簇之后,即可通过缺失数据值所属的电力负荷子序列在目标聚类簇中的变化信息进行缺失数据值的拟合,因此,在本发明实施例中,首先,在目标聚类簇中确定缺失数据值的预设数量个近邻电力负荷子序列,具体为:在所述目标聚类簇中确定所述缺失数据值对应的电力负荷子序列与每个其他电力负荷子序列之间的欧式距离,对所有欧式距离进行从小到大的排序,将排序后的前N个欧式距离对应的其他电力负荷子序列作为所述缺失数据值的预设数量个近邻电力负荷子序列。
在一实施方式中,利用DTW算法获取目标聚类簇中的所述缺失数据值对应的电力负荷子序列与每个其他电力负荷子序列之间的欧式距离,将所有欧式距离从小到大排列,获取排列后的前10个欧式距离对应的其他电力负荷子序列作为缺失数据值的10个近邻电力负荷子序列。
由于在对目标单位时间内的所有电力负荷子序列进行聚类时,存在电力负荷子序列中的缺失数据值导致的差异距离误差,因此,对于缺失数据值所属的电力负荷子序列,需要通过目标聚类簇中的近邻负荷控制终端所对应的电力负荷子序列,也即是近邻电力负荷子序列,进行缺失数据值的拟合。但是因为在数据空间中的分布中,近邻电力负荷子序列之间是具有电力负荷差异的,所以对于缺失数据值的拟合就需要通过目标聚类簇中的电力负荷子序列的分布进行这些近邻电力负荷子序列的重要性评估,从而通过加权平均的方式完成缺失数据值的拟合。故,根据所述目标聚类簇中的电力负荷子序列之间的差异,分别获取所述缺失数据值所属的电力负荷子序列与每个所述近邻电力负荷子序列之间的近邻优化权重,具体获取过程如下:
(1)针对任一近邻电力负荷子序列,利用DTW算法获取所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的相似度,对所述相似度进行归一化处理,得到对应的归一化值,将常数1与所述归一化值之间的差值作为所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的初始近邻权重。
在一实施方式中,以第m个负荷控制终端的历史电力负荷时序数据中的第i个缺失数据值为例,将其所属的电力负荷子序列记为,将第n个近邻负荷控制终端对应的近邻电力负荷子序列记为/>为例,则缺失数据值所属的电力负荷子序列/>和近邻电力负荷子序列/>之间的初始近邻权重的计算表达式为:
其中,表示缺失数据值所属的电力负荷子序列/>和其近邻电力负荷子序列/>之间的初始近邻权重,1表示常数,/>表示归一化函数,/>表示动态时间规整函数。
需要说明的是,利用DTW算法分析缺失数据值所属的电力负荷子序列和其近邻电力负荷子序列/>之间的相似度,相似度越大,近邻电力负荷子序列/>和缺失数据值所属的电力负荷子序列/>之间的差异越小,近邻电力负荷子序列/>对缺失数据值所属的电力负荷子序列/>的影响越小,对应初始近邻权重越小。
(2)获取所述目标聚类簇的簇类中心点所对应的电力负荷子序列作为中心电力负荷子序列,根据所述中心电力负荷子序列与所有近邻电力负荷子序列之间的差异以及所述中心电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的差异,对所述初始近邻权重进行优化,得到所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的近邻优化权重。
具体的,考虑到在拟合过程中,存在着缺失数据值所属的电力负荷子序列的近邻电力负荷子序列向着目标聚类簇的簇类中心点的反方向进行偏离,参照附图2,其示出了一种目标聚类簇中的电力负荷子序列的分布示意图,在图2中点1为带有缺失数据值的电力负荷子序列,点2为目标聚类簇的中心电力负荷子序列,剩余为点1的近邻电力负荷子序列,在图2所示的情况中会存在当前迭代过程中,对于缺失数据值的拟合结果会将点1向着远离点2的方向进行移动,因此,在对缺失数据值拟合时,为了保证缺失数据值所在的目标聚类簇的稳定性,需要通过近邻电力负荷子序列在目标聚类簇中与缺失数据值所属的电力负荷子序列之间的相对分布关系进行初始近邻权重的优化,从而保证后续迭代过程中可以获取到准确的缺失数据值的拟合值。
首先,将目标聚类簇的簇类中心点所对应的电力负荷子序列作为中心电力负荷子序列,然后,对所有近邻电力负荷子序列进行均值化,得到平均近邻电力负荷子序列,利用DTW算法获取所述平均近邻电力负荷子序列与所述中心电力负荷子序列之间的第一相似度,利用DTW算法获取所述缺失数据值所属的电力负荷子序列与所述中心电力负荷子序列之间的第二相似度,最后,获取所述第一相似度和所述第二相似度之间的相似度差值,对所述相似度差值进行归一化处理,得到对应的归一化结果,获取常数1与所述归一化结果之间的相减结果,将所述相减结果与所述初始近邻权重之间的乘积作为所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的近邻优化权重。
在一实施方式中,对缺失数据值所属的电力负荷子序列和近邻电力负荷子序列/>之间的初始近邻权重进行优化,得到近邻优化权重的计算表达式为:
其中,表示缺失数据值所属的电力负荷子序列/>和近邻电力负荷子序列之间的近邻优化权重,1表示常数,/>表示归一化函数,/>表示动态时间规整函数,/>表示缺失数据值所属的电力负荷子序列所在的目标聚类簇中的中心电力负荷子序列,也即是目标聚类簇的聚类中心点对应的电力负荷子序列,/>表示第m个负荷控制终端的历史电力负荷时序数据中的第i个缺失数据值的近邻电力负荷子序列的集合,表示近邻电力负荷子序列的数量,/>表示缺失数据值所属的电力负荷子序列和近邻电力负荷子序列/>之间的初始近邻权重。
需要说明的是,利用表征整体的近邻电力负荷子序列与中心电力负荷子序列之间的差异,/>的值越大,说明整体的近邻电力负荷子序列与中心电力负荷子序列之间的差异越小;/>用于表征缺失数据值所属的电力负荷子序列/>与中心电力负荷子序列之间的差异,的值越大,说明缺失数据值所属的电力负荷子序列/>与中心电力负荷子序列之间的差异越小,越靠近目标聚类簇的簇类中心点,因此,利用分析整体的近邻电力负荷子序列以及缺失数据值所属的电力负荷子序列/>分别对中心电力负荷子序列之间的差异,差异越大,说明通过当前的近邻电力负荷子序列对缺失数据值所属的电力负荷子序列/>进行缺失补全出现了较大的误差,从而需要降低近邻电力负荷子序列的权重影响,以在后续迭代过程中避免缺失数据值的拟合结果远离簇类中心点。
至此,根据上述近邻优化权重的获取方法,能够获取缺失数据值所属的电力负荷子序列与每个近邻电力负荷子序列之间的近邻优化权重。
步骤S104,根据缺失数据值的采样时间分别确定每个近邻电力负荷子序列中的目标数据值,根据所有目标数据值、所有近邻优化权重以及缺失数据值的初始填充值,获取缺失数据值的拟合值,对拟合值进行迭代获取,得到缺失数据值的最终填充值。
在得到缺失数据值所属的电力负荷子序列与每个近邻电力负荷子序列之间的近邻优化权重之后,根据缺失数据值的采样时间分别确定每个近邻电力负荷子序列中的目标数据值,也即是针对任一近邻电力负荷子序列,将所述近邻电力负荷子序列中与所述缺失数据值的采样时间相同的数据值作为目标数据值。进而根据所有目标数据值、所有近邻优化权重以及缺失数据值的初始填充值,获取缺失数据值的拟合值,则缺失数据值的拟合值的获取方法为:
在所述历史电力负荷时序数据中获取所述缺失数据值的前相邻数据值和后相邻数据值,将所述前相邻数据值和所述后相邻数据值之间的均值作为所述缺失数据值的初始填充值;
利用所有近邻优化权重对所有目标数据值进行加权求和并求均值,将所述均值与所述初始填充值之间的平均值作为所述缺失数据值的拟合值。
在一实施方式中,考虑到在第一次获取缺失数据值的拟合值时,没有先验的拟合值,因此,利用传统的前序后序均值方法进行缺失数据值的初始填充值的获取,也即是针对第m个负荷控制终端的历史电力负荷时序数据中的第i个缺失数据值,分别在第m个负荷控制终端的历史电力负荷时序数据中获取第i+1个数据值和第i-1个数据值,将第i+1个数据值和第i-1个数据值之间的均值作为第i个缺失数据值的初始填充值。同时将每个近邻电力负荷子序列对应的近邻优化权重作为对应近邻电力负荷子序列中的目标数据值的权重,对所有目标数据值进行加权求和并求均值,结合均值和初始填充值获取缺失数据值的拟合值,也即是第一次拟合值,则缺失数据值的拟合值的计算表达式为:
其中,表示第m个负荷控制终端的历史电力负荷时序数据中的第i个缺失数据值的拟合值,/>表示第m个负荷控制终端的历史电力负荷时序数据中的第i个缺失数据值的近邻电力负荷子序列的集合,/>表示近邻电力负荷子序列的数量,/>表示缺失数据值所属的电力负荷子序列/>和近邻电力负荷子序列/>之间的近邻优化权重,表示近邻电力负荷子序列/>中的目标数据值,/>表示第m个负荷控制终端的历史电力负荷时序数据中的第i个缺失数据值的初始填充值。
需要说明的是,通过该缺失数据值所在的电力负荷子序列与近邻电力负荷子序列之间的相似性进行加权拟合,能够得到更加准确的拟合结果。
在缺失数据值的拟合过程中,当缺失数据值通过拟合发生变化时,更新后的缺失数据值所在的电力负荷子序列对应的近邻电力负荷子序列也可能发生变化,所以在缺失数据值更新之后,还需要继续通过近邻电力负荷子序列的拟合继续进行缺失数据值的更新,直到更新后的缺失数据值所属的电力负荷子序列的近邻电力负荷子序列不再发生变化,从而可以得到具有稳定信息的缺失数据值的补全结果,故,本发明实施例中,在得到拟合值之后,对拟合值进行迭代获取,得到缺失数据值的最终填充值,其中,迭代获取的方法为:将每次迭代过程中获取的拟合值作为下一次迭代过程中所述缺失数据值的初始填充值,当相邻两次迭代过程之间的所述缺失数据值的所有近邻电力负荷子序列完全相同时,停止对所述缺失数据值的拟合值的获取,并将所述相邻两次迭代过程中的前一个迭代过程中获取的拟合值作为所述缺失数据值的最终填充值。
至此,根据缺失数据值的最终填充值的获取方法,分别获取历史电力负荷时序数据中的每个缺失数据值的最终填充值。
步骤S105,根据历史电力负荷时序数据中的每个缺失数据值的最终填充值,获取填充后的历史电力负荷时序数据,根据所有填充后的历史电力负荷时序数据构建预测模型,利用预测模型对任一负荷控制终端进行电力负荷预测。
在得到历史电力负荷时序数据中的每个缺失数值的最终填充值之后,将每个最终填充值填充在历史电力负荷时序数据中的对应位置处,得到填充后的历史电力负荷时序数据。同理,对每个历史电力负荷时序数据进行缺失数据值的填充,得到所有填充后的历史电力负荷时序数据。
在得到所有填充后的历史电力负荷时序数据之后,基于CNN-GRU的时序特征提取方法获取填充后的历史电力负荷时序数据中的电力负荷特征,之后通过基于Attention制的CNN-GRU电力负荷预测方法建立预测模型,其中,时序特征提取方法与预测模型建立过程为已知方法,此处不进行详细步骤说明。在得到预测模型之后,对于每个负荷控制终端,即可根据负荷控制终端的实时电力负荷监测数据,利用该预测模型进行电力负荷的预测,从而通过预测结果进行终端的电力负荷控制,例如:电力负荷调峰、平移等过程。此处不属于本发明的重点,不再详细赘述。
综上所述,本发明实施例分别获取至少两个负荷控制终端的历史电力负荷时序数据,根据预设的单位时间分别将每个历史电力负荷时序数据划分为至少两个电力负荷子序列;针对任一历史电力负荷时序数据,检测历史电力负荷时序数据是否存在缺失数据值,当检测到历史电力负荷时序数据存在缺失数据值时,针对任一缺失数据值,将缺失数据值所属的电力负荷子序列对应的单位时间作为目标单位时间,对属于目标单位时间内的所有电力负荷子序列进行聚类,得到缺失数据值所属的目标聚类簇;在目标聚类簇中确定缺失数据值的预设数量个近邻电力负荷子序列,根据目标聚类簇中的电力负荷子序列之间的差异,分别获取缺失数据值所属的电力负荷子序列与每个近邻电力负荷子序列之间的近邻优化权重;根据缺失数据值的采样时间分别确定每个近邻电力负荷子序列中的目标数据值,根据所有目标数据值、所有近邻优化权重以及缺失数据值的初始填充值,获取缺失数据值的拟合值,对拟合值进行迭代获取,得到缺失数据值的最终填充值;根据历史电力负荷时序数据中的每个缺失数据值的最终填充值,获取填充后的历史电力负荷时序数据,根据所有填充后的历史电力负荷时序数据构建预测模型,利用预测模型对任一负荷控制终端进行电力负荷预测。其中,通过对任一缺失数据值所属的电力负荷子序列对应的单位时间内的所有电力负荷子序列进行聚类,并通过以聚类中心为目标的近邻优化权重分配完成对该缺失数据值的拟合值的获取,通过对拟合值的迭代获取,可以在相似的负荷控制终端的拟合过程中降低因为不同设备之间的差异导致得填充误差,进一步提高该缺失数据值的最终填充值的精度,进而在后续基于时序特征的电力负荷预测模型的训练过程中降低所有历史电力负荷时序数据中的缺失数据值的影响,避免利用填充后的历史电力负荷时序数据所建立的预测模型的预测精度下降。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (9)
1.基于多源数据融合的负荷控制终端预测方法,其特征在于,所述基于多源数据融合的负荷控制终端预测方法包括:
分别获取至少两个负荷控制终端的历史电力负荷时序数据,根据预设的单位时间分别将每个所述历史电力负荷时序数据划分为至少两个电力负荷子序列;
针对任一历史电力负荷时序数据,检测所述历史电力负荷时序数据是否存在缺失数据值,当检测到所述历史电力负荷时序数据存在缺失数据值时,针对任一缺失数据值,将所述缺失数据值所属的电力负荷子序列对应的单位时间作为目标单位时间,对属于所述目标单位时间内的所有电力负荷子序列进行聚类,得到所述缺失数据值所属的目标聚类簇;
在所述目标聚类簇中确定所述缺失数据值的预设数量个近邻电力负荷子序列,根据所述目标聚类簇中的电力负荷子序列之间的差异,分别获取所述缺失数据值所属的电力负荷子序列与每个所述近邻电力负荷子序列之间的近邻优化权重;
根据所述缺失数据值的采样时间分别确定每个所述近邻电力负荷子序列中的目标数据值,根据所有目标数据值、所有近邻优化权重以及所述缺失数据值的初始填充值,获取所述缺失数据值的拟合值,对所述拟合值进行迭代获取,得到所述缺失数据值的最终填充值;
根据所述历史电力负荷时序数据中的每个缺失数据值的最终填充值,获取填充后的历史电力负荷时序数据,根据所有填充后的历史电力负荷时序数据构建预测模型,利用所述预测模型对任一负荷控制终端进行电力负荷预测。
2.根据权利要求1所述的基于多源数据融合的负荷控制终端预测方法,其特征在于,所述在所述目标聚类簇中确定所述缺失数据值的预设数量个近邻电力负荷子序列,包括:
在所述目标聚类簇中确定所述缺失数据值对应的电力负荷子序列与每个其他电力负荷子序列之间的欧式距离,对所有欧式距离进行从小到大的排序,将排序后的前N个欧式距离对应的其他电力负荷子序列作为所述缺失数据值的预设数量个近邻电力负荷子序列。
3.根据权利要求1所述的基于多源数据融合的负荷控制终端预测方法,其特征在于,所述根据所述目标聚类簇中的电力负荷子序列之间的差异,分别获取所述缺失数据值所属的电力负荷子序列与每个所述近邻电力负荷子序列之间的近邻优化权重,包括:
针对任一近邻电力负荷子序列,利用DTW算法获取所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的相似度,对所述相似度进行归一化处理,得到对应的归一化值,将常数1与所述归一化值之间的差值作为所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的初始近邻权重;
获取所述目标聚类簇的簇类中心点所对应的电力负荷子序列作为中心电力负荷子序列,根据所述中心电力负荷子序列与所有近邻电力负荷子序列之间的差异以及所述中心电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的差异,对所述初始近邻权重进行优化,得到所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的近邻优化权重。
4.根据权利要求3所述的基于多源数据融合的负荷控制终端预测方法,其特征在于,所述根据所述中心电力负荷子序列与所有近邻电力负荷子序列之间的差异以及所述中心电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的差异,对所述初始近邻权重进行优化,得到所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的近邻优化权重,包括:
对所有近邻电力负荷子序列进行均值化,得到平均近邻电力负荷子序列,利用DTW算法获取所述平均近邻电力负荷子序列与所述中心电力负荷子序列之间的第一相似度,利用DTW算法获取所述缺失数据值所属的电力负荷子序列与所述中心电力负荷子序列之间的第二相似度;
获取所述第一相似度和所述第二相似度之间的相似度差值,对所述相似度差值进行归一化处理,得到对应的归一化结果,获取常数1与所述归一化结果之间的相减结果,将所述相减结果与所述初始近邻权重之间的乘积作为所述近邻电力负荷子序列与所述缺失数据值所属的电力负荷子序列之间的近邻优化权重。
5.根据权利要求1所述的基于多源数据融合的负荷控制终端预测方法,其特征在于,所述根据所有目标数据值、所有近邻优化权重以及所述缺失数据值的初始填充值,获取所述缺失数据值的拟合值,包括:
在所述历史电力负荷时序数据中获取所述缺失数据值的前相邻数据值和后相邻数据值,将所述前相邻数据值和所述后相邻数据值之间的均值作为所述缺失数据值的初始填充值;
利用所有近邻优化权重对所有目标数据值进行加权求和并求均值,将所述均值与所述初始填充值之间的平均值作为所述缺失数据值的拟合值。
6.根据权利要求1所述的基于多源数据融合的负荷控制终端预测方法,其特征在于,所述对所述拟合值进行迭代获取,得到所述缺失数据值的最终填充值,包括:
将每次迭代过程中获取的拟合值作为下一次迭代过程中所述缺失数据值的初始填充值,当相邻两次迭代过程之间的所述缺失数据值的所有近邻电力负荷子序列完全相同时,停止对所述缺失数据值的拟合值的获取,并将所述相邻两次迭代过程中的前一个迭代过程中获取的拟合值作为所述缺失数据值的最终填充值。
7.根据权利要求1所述的基于多源数据融合的负荷控制终端预测方法,其特征在于,所述根据所述缺失数据值的采样时间分别确定每个所述近邻电力负荷子序列中的目标数据值,包括:
针对任一近邻电力负荷子序列,将所述近邻电力负荷子序列中与所述缺失数据值的采样时间相同的数据值作为目标数据值。
8.根据权利要求1所述的基于多源数据融合的负荷控制终端预测方法,其特征在于,所述对属于所述目标单位时间内的所有电力负荷子序列进行聚类,得到所述缺失数据值所属的目标聚类簇,包括:
分别获取所述目标单位时间内的每两个电力负荷子序列之间的差异距离,基于所述差异距离,利用K-means聚类算法对属于所述目标单位时间内的所有电力负荷子序列进行聚类,得到对应的聚类结果,根据所述聚类结果确定所述缺失数据值所属的目标聚类簇。
9.根据权利要求1所述的基于多源数据融合的负荷控制终端预测方法,其特征在于,所述分别获取至少两个负荷控制终端的历史电力负荷时序数据,包括:
针对任一负荷控制终端,获取所述负荷控制终端的初始历史电力负荷时序数据,对所述初始历史电力负荷时序数据进行线性归一化处理,得到所述负荷控制终端的历史电力负荷时序数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275185.0A CN117878929B (zh) | 2024-03-12 | 2024-03-12 | 基于多源数据融合的负荷控制终端预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275185.0A CN117878929B (zh) | 2024-03-12 | 2024-03-12 | 基于多源数据融合的负荷控制终端预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117878929A true CN117878929A (zh) | 2024-04-12 |
CN117878929B CN117878929B (zh) | 2024-06-11 |
Family
ID=90579523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410275185.0A Active CN117878929B (zh) | 2024-03-12 | 2024-03-12 | 基于多源数据融合的负荷控制终端预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117878929B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096324A (zh) * | 2016-08-26 | 2016-11-09 | 清华大学 | 基于k近邻回归的输变电主设备负荷数据缺失填补算法 |
CN111199016A (zh) * | 2019-09-29 | 2020-05-26 | 国网湖南省电力有限公司 | 一种基于DTW的改进K-means的日负荷曲线聚类方法 |
CN111768034A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 |
CN114818925A (zh) * | 2022-04-26 | 2022-07-29 | 广西电网有限责任公司 | 一种风电场出力数据缺失值填补方法及系统 |
CN114970712A (zh) * | 2022-05-24 | 2022-08-30 | 山西省交通建设工程质量检测中心(有限公司) | 基于邻域样本特征对比学习的时序数据异常点监测方法 |
US11544419B1 (en) * | 2021-07-26 | 2023-01-03 | Pointlab, Inc. | Subsampling method for converting 3D scan data of an object for marine, civil, and architectural works into smaller densities for processing without CAD processing |
CN117077871A (zh) * | 2023-10-17 | 2023-11-17 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
-
2024
- 2024-03-12 CN CN202410275185.0A patent/CN117878929B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096324A (zh) * | 2016-08-26 | 2016-11-09 | 清华大学 | 基于k近邻回归的输变电主设备负荷数据缺失填补算法 |
CN111199016A (zh) * | 2019-09-29 | 2020-05-26 | 国网湖南省电力有限公司 | 一种基于DTW的改进K-means的日负荷曲线聚类方法 |
CN111768034A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 |
US11544419B1 (en) * | 2021-07-26 | 2023-01-03 | Pointlab, Inc. | Subsampling method for converting 3D scan data of an object for marine, civil, and architectural works into smaller densities for processing without CAD processing |
CN114818925A (zh) * | 2022-04-26 | 2022-07-29 | 广西电网有限责任公司 | 一种风电场出力数据缺失值填补方法及系统 |
CN114970712A (zh) * | 2022-05-24 | 2022-08-30 | 山西省交通建设工程质量检测中心(有限公司) | 基于邻域样本特征对比学习的时序数据异常点监测方法 |
CN117077871A (zh) * | 2023-10-17 | 2023-11-17 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117878929B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113516012B (zh) | 一种基于多层级特征融合的行人重识别方法及系统 | |
CN116361679B (zh) | 基于数据驱动的电缆寿命智能预测方法及系统 | |
CN111368890A (zh) | 故障检测方法及装置、信息物理融合系统 | |
CN107909212B (zh) | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 | |
CN113626502B (zh) | 基于集成学习的电网数据异常检测方法及装置 | |
CN116522268B (zh) | 一种配电网的线损异常识别方法 | |
CN114997321A (zh) | 一种台区户变关系识别方法、装置、电子设备及存储介质 | |
CN118051800B (zh) | 基于云边协同的矿内监测数据智能处理方法 | |
CN113010504A (zh) | 基于LSTM和改进K-means算法的电力数据异常检测方法及系统 | |
CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
CN117878929B (zh) | 基于多源数据融合的负荷控制终端预测方法 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN116341770B (zh) | 基于聚苯乙烯生产数据的生产能力预测方法及系统 | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 | |
CN115203873A (zh) | 应用于配电网的拓扑关系构建方法、装置、设备及介质 | |
CN115905360A (zh) | 一种基于随机构建矩阵的异常数据量测辨识方法和装置 | |
CN113377630A (zh) | 一种通用的kpi异常检测框架实现方法 | |
CN111861798A (zh) | 一种基于近邻算法的居民用电数据缺失值插补方法 | |
CN118013447B (zh) | 基于模式识别的电能表监测数据的处理方法 | |
CN115658990B (zh) | 一种用于目标空间分群的数据处理方法及装置 | |
CN117333219B (zh) | 一种交易电量预测方法、装置、设备及存储介质 | |
CN117473345B (zh) | 基于数据分析的法兰锻造缺陷检测方法 | |
CN117037887B (zh) | 固态硬盘寿命预测方法及装置 | |
CN116796213B (zh) | 一种基于聚类算法的配电网线变关系辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |