CN117895511B - 一种数据智能传输方法、系统及存储介质 - Google Patents

一种数据智能传输方法、系统及存储介质 Download PDF

Info

Publication number
CN117895511B
CN117895511B CN202410288947.0A CN202410288947A CN117895511B CN 117895511 B CN117895511 B CN 117895511B CN 202410288947 A CN202410288947 A CN 202410288947A CN 117895511 B CN117895511 B CN 117895511B
Authority
CN
China
Prior art keywords
power consumption
ith
time
real
load data
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
Application number
CN202410288947.0A
Other languages
English (en)
Other versions
CN117895511A (zh
Inventor
孙皓月
刘雅军
刘晓群
王姣
张建芳
余志成
张碧宁
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.)
Hebei University of Architecture
Original Assignee
Hebei University of Architecture
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 Hebei University of Architecture filed Critical Hebei University of Architecture
Priority to CN202410288947.0A priority Critical patent/CN117895511B/zh
Publication of CN117895511A publication Critical patent/CN117895511A/zh
Application granted granted Critical
Publication of CN117895511B publication Critical patent/CN117895511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及数据传输领域，更具体涉及一种数据智能传输方法、系统及存储介质。该方法包括：步骤S1：中继单元的深度学习部基于每一耗电设备的历史负荷数据训练每一耗电设备对应的负荷预测模型；步骤S2：在第i耗电设备启动时，发送启动信号至中继单元，并接收中继单元在接收到启动信号后发送的第i通信控制信息；步骤S3：中继单元通过将全部第i耗电设备进行分组生成并发送第i通信控制信息至第i耗电设备；步骤S4：第i耗电设备基于第i通信控制信息发送预设时间T内全部第一实时负荷数据至中继单元。本发明解决了高耗电负荷异常耗电设备第一实时负荷数据发送实时性差的问题，提高耗电负荷异常耗电设备第一实时负荷数据的实时性。

Description

一种数据智能传输方法、系统及存储介质
技术领域
本发明涉及数据传输技术领域，更具体涉及一种数据智能传输方法、系统及存储介质。
背景技术
随着全球对能源资源的不断需求增加及能源价格的波动，企业和组织对于更有效的管理能源消耗的需求不断上升和，并对节能减排高度重视，目前，传统的监测方法数据采集存在实时性差、效率低及准确率不高的问题，例如：中国专利CN107147613B，一种制造物联实时数据传输方法，包括以下步骤：首先，将制造物联实时数据传输方法参数初始化；然后，根据数据包格式封装数据；其次，开启数据发送过程；再次，开启数据接收过程；最后，数据发送和数据接受交换数据。应用该发明的制造物联实时数据传输方法，不仅提高了数据传输的效率，而且保证了数据传输的准确性。还例如美国专利US11627152B,该发明涉及数据传输中内容的实时分类。计算平台可以通过计算设备实时检测应用程序之间通过通信网络的多个数据传输。然后，计算平台可以针对多个数据传输中的特定数据传输检索该特定数据传输的内容。计算平台然后可以经由计算设备分析内容。随后，计算平台可以通过计算设备并基于分析实时地确定内容的安全分类。然后，计算平台可以通过计算设备实时地使内容被标记有确定的安全分类。上述两篇专利都涉及到多数据传输，都是解决传输效率的问题，即数据的实时性问题，但是上述两篇专利没有考虑到在通信条件一定的情况下，通过将数据发送设备进行分组，进而提高部分实时性要求较高的设备的数据发送效率。
发明内容
为了更好的解决上述问题，本发明提供一种数据智能传输方法，所述方法包括如下步骤：
步骤S1：中继单元的深度学习部基于每一耗电设备的历史负荷数据训练每一所述耗电设备对应的负荷预测模型；
步骤S2：在第i耗电设备启动时，发送启动信号至所述中继单元，并接收所述中继单元在接收到所述启动信号后发送的初始通信控制信息，并将所述初始通信控制信息作为所述第i耗电设备的第i通信控制信息，所述第i耗电设备基于所述第i通信控制信息采集并发送第一实时负荷数据至所述中继单元；
步骤S3：所述中继单元接收所述第i耗电设备的所述第一实时负荷数据，并通过第i负荷预测模型基于所述第i通信控制信息进行预测所述第i耗电设备的第二实时负荷数据，还将所述第i耗电设备的所述第一实时负荷数据和所述第二实时负荷数据进行比较，获取第i比较结果，根据全部所述耗电设备的所述第i比较结果将全部所述第i耗电设备进行分组，并确定每一分组中所述第i耗电设备的发送时间，所述中继单元按照所述分组并基于预设时间T为每一所述分组中的所述第i耗电设备生成对应的所述第i通信控制信息，并将所述第i通信控制信息发送至所述第i耗电设备，其中，所述第i通信控制信息包括所述初始通信控制信息且控制时间段为所述预设时间T；
步骤S4：所述第i耗电设备接收所述第i通信控制信息，并基于所述第i通信控制信息发送所述预设时间T内全部所述第一实时负荷数据至所述中继单元；
其中，i的取值范围为大于等于2小于等于N的正整数，N为全部运行状态下所述耗电设备的总数量。
作为一种更优选的技术方案，所述启动信号包括：所述第i耗电设备的编号和启动时间；所述第i耗电设备的所述第一实时负荷数据的采集时间和所述第二实时负荷数据的预测时间之间的时间差小于等于预设时差，其中，所述预设时差小于等于第二阈值；所述第i通信控制信息包括：在所述预设时间T内所述第i耗电设备对应第一实时负荷数据的全部发送时间。
作为一种更优选的技术方案，所述步骤S3包括如下步骤：
步骤S31：所述中继单元接收所述第i耗电设备的第一实时负荷数据，并基于所述第i通信控制信息通过所述第i负荷预测模型预测所述第i耗电设备的所述第二实时负荷数据；
步骤S32：所述第i耗电设备的所述第一实时负荷数据在所述第i通信控制信息对应的所述预设时间T内发送次数等于1时，将所述第i耗电设备的所述第一实时负荷数据和所述第一实时负荷数据对应的所述第二实时负荷数据进行比较，获取所述第i比较结果，在所述发送次数大于1时，将所述预设时间T内所述第i耗电设备的全部所述第一实时负荷数据与所述第一实时负荷数据对应的所述第一实时负荷数据差值的平均值作为所述第i比较结果，将所述第i比较结果大于等于第一阈值的所述第i比较结果对应的全部所述第i耗电设备按照所述第i比较结果从大到小进行排序并划分成j-1个分组，将所述第i比较结果小于所述第一阈值的全部所述第i耗电设备作为第j组，其中，j的取值范围为大于等于1小于N的正整数，N为全部运行状态下所述耗电设备的总数量；
步骤S33：在预设时间T内分配每一分组的数据发送时间和数据发送顺序，并设置每一分组在所述预设时间T内的数据发送次数，其中，同一所述分组不能进行连续发送，第1分组至所述第j分组的数据发送次数依次为，并以所述预设时间T为周期循环发送，其中，/>依次减小并且取值范围分别为大于等于1小于等于M的正整数，/>为1，M的取值为小于等于5；
步骤S34：通过所述步骤S3获取所述第i耗电设备所在分组的发送时间，并根据所述第i耗电设备在所属分组的数据发送顺序，获取所述第i耗电设备的所述第一实时负荷数据在所述预设时间T内的全部发送时间，并将所述全部发送时间作为所述第i耗电设备的所述第i通信控制信息发送至所述第i耗电设备。
作为一种更优选的技术方案，所述步骤S32还包括：在所述第i比较结果小于所述第一阈值时，还将所述第i耗电设备的所述第一实时负荷数据与所述第i耗电设备的负荷极值进行比较，获取极值比较结果，在所述极值比较结果小于等于设定极值差值时，将所述第i耗电设备划分到第m耗电设备所在分组，其中，所述第m耗电设备对应的第m比较结果在全部所述第i比较结果中最大且大于等于所述第一阈值。
作为一种更优选的技术方案，所述步骤S3还包括：所述中继单元基于所述第i耗电设备的所述第i通信控制信息，在所述第i耗电设备的所述第一实时负荷数据的采集时间和所述第二实时负荷数据的预测时间差连续k次大于第一时间差时，发送时间校正信号至所述第i耗电设备，并计算本次发送所述时间校正信号至下次发送所述时间校正信号之间的第二时间差，并每间隔设定时间段发送所述时间校正信号，其中，所述设定时间段小于所述第二时间差，k的取值为大于等于1的正整数。
作为一种更优选的技术方案，所述步骤S4包括如下步骤：
步骤S41：所述第i耗电设备获取所述第i通信控制信息，并获取所述第i耗电设备所在的分组及在所述分组内的所述第一实时负荷数据的发送时间和发送顺序；
步骤S42：所述第i耗电设备基于所述发送时间和所述发送顺序计算所述预设时间T内全部所述第一实时负荷数据的发送时间。
作为一种更优选的技术方案，所述步骤S4之后还包括步骤S5：所述中继单元接收到每一分组中全部所述第i耗电设备的第一实时负荷数据后，将每一分组全部所述第i耗电设备的第一实时负荷数据组合成分组数据帧，并将所述分组数据帧发送至接收单元，所述中继单元还接收所述第i耗电设备的停止信号，并通过所述停止信号中所述第i耗电设备的编号来停止所述第i通信控制信息的生成，并重新调整所述预设时间T，所述停止信号包括所述第i耗电设备的编号和运行状态。
本法明还提供一种数据智能传输系统，用于实现上述的数据智能传输方法，所述系统包括：
中继单元还配置为：通过内部的深度学习部基于每一耗电设备的历史负荷数据训练每一所述耗电设备对应的负荷预测模型；接收所述第i耗电设备的所述第一实时负荷数据，并通过第i负荷预测模型基于第i通信控制信息进行预测所述第i耗电设备的所述第二实时负荷数据，还将所述第i耗电设备的所述第一实时负荷数据和所述第二实时数据进行比较，获取第i比较结果，根据全部耗电设备的所述第i比较结果将全部所述第i耗电设备进行分组，并确定每一分组中所述第i耗电设备的发送时间，所述中继单元按照所述分组并基于预设时间T为每一所述分组中的所述第i耗电设备生成对应的所述第i通信控制信息，并将所述第i通信控制信息发送至所述第i耗电设备,其中，所述第i通信控制信息包括所述初始通信控制信息且控制时间段为所述预设时间T；
第i耗电设备配置为：启动时，发送启动信号至所述中继单元，并接收所述中继单元在接收到所述启动信号后发送的初始通信控制信息，并将所述初始通信控制信息作为所述第i耗电设备的第i通信控制信息，所述第i耗电设备基于所述第i通信控制信息采集并发送第一实时负荷数据至所述中继单元；所述第i耗电设备接收所述第i通信控制信息，并基于所述第i通信控制信息发送所述预设时间T内全部所述第一实时负荷数据至所述中继单元；
其中，i的取值范围为大于等于2小于等于N的正整数，N为全部运行状态下所述耗电设备的总数量。
本发明还提供一种存储介质，所述存储介质存储有程序指令，其中在所述程序指令运行时控制所述存储介质所在设备执行上述的数据智能传输方法。
与现有技术相比，本发明的有益效果至少如下所述：
本发明通过在上述第i耗电设备启动时，向上述中继单元发送启动信号可以使中继单元获取上述第i耗电设备的启动状态和编号，在初始状态下，认为上述第i耗电设备的第一实时负载数据和通过预测模型预测的第二实时负荷数据相同，因此，上述第i耗电设备的初始通信控制信息即上述第i耗电设备的第一实时负荷数据发送时间也在正常分组的数据发送时间段内，还通过将上述第i耗电设备的第一实时负荷和对应的第二实时负荷数据进行比较，获取第i比较结果，其中上述第一实时负荷数据的采集时间和上述第二实时负荷数据的预测时间对应，通过上述第i比较结果，可以判断上述第i耗电设备的耗电负荷状态是否正常，其中，在第i比较结果大于等于第一阈值时，上述第i耗电设备的耗电负荷状态异常，反之，在上述第i比较结果小于上述第一阈值时，上述第i耗电设备的负荷状态正常，在上述第i比较结果小于上述第一阈值时，尽管第i耗电设备的第一实时负荷数据和第二实时负荷数据的差值较小，第i耗电设备的耗电状态正常，但是如果第i耗电设备的第一实时负荷数据与其负荷极值较接近时，也需要提高上述第i耗电设备对应第一实时负载数据的实时性，将上述第i耗电设备添加到第m耗电设备所在分组中，又由于耗电设备对应的比较结果越大对应分组在上述预定时间T内的发送次数越多，实时性越好，因此通过上述技术方案，能够提高负荷状态异常耗电设备的第一实时负荷数据实时性，进而提高监测精度，还能在第一实时负荷数据超出负荷极值时，及时采取相应措施，从而防止能源浪费及耗电设备损坏。
附图说明
图1为本发明一种数据智能传输方法的流程图；
图2为本发明一种数据智能传输系统的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种数据智能传输方法，通过将全部耗电设备按照实时采集的第一实时负荷数据和预测模型实时预测的第二实时负荷数据之间差值划分分组，并根据分组分配不同的通信控制信息，其中，上述通信控制信息包括在预设时间T内耗电设备的第一实时负荷数据的全部发送时间，上述耗电设备对应的上述差值越大在预设时间T内的发送次数越多，该发明不仅能够提高耗电设备在耗电负荷异常状态下的实时性，同时还能够提高数据的收集效率和准确性，如图1所示，本发明包括如下步骤：
步骤S1：中继单元的深度学习部基于每一耗电设备的历史负荷数据训练每一所述耗电设备对应的负荷预测模型；
具体的，现代电力系统通常由各种不同类型的负载、能源来源和能耗设备组成，管理这些复杂系统的负荷，为了实现更改级别的智能和自适应性，通常采用非侵入式负荷监测系统来解决这一问题，同时为了能够更加高效、准确、实时的获取各个耗电设备的负荷数据，因此采用本发明的技术方案来获取各个耗电设备的实时负荷数据。上述技术方案通过上述深度学习部根据每一耗电设备的历史负荷数据并基于机器学习算法训练每一耗电设备对应的负荷预测模型，并通过上述负荷预测模型可以预测通信控制信息中任意时间的第一实时负荷数据，其中，上述通信控制信息中包括对应耗电设备的数据发送时间，上述技术方案，为将耗电设备对应负荷预测模型实时预测的第一实时负荷数据与实时采集的第一实时负荷数据进行比较，并通过比较结果判断上述耗电设备耗电是否异常奠定基础。
步骤S2：在第i耗电设备启动时，发送启动信号至所述中继单元，并接收所述中继单元在接收到所述启动信号后发送的初始通信控制信息，并将所述初始通信控制信息作为所述第i耗电设备的第i通信控制信息，所述第i耗电设备基于所述第i通信控制信息采集并发送第一实时负荷数据至所述中继单元；
具体的，在上述第i耗电设备启动时，通过向上述中继单元发送启动信号可以使中继单元获取上述第i耗电设备的启动状态和编号，进而为上述第i耗电设备分配第一实时负荷数据发送时间提供识别信息，在初始状态下，认为上述第i耗电设备的第一实时负载数据和通过预测模型预测的第二实时负荷数据相等，因此，上述第i耗电设备的初始通信控制信息即第一实时负荷数据发送时间在耗电负荷正常分组的数据发送时间段内，上述分组的划分方法将在下文详述，其中，在上述第i耗电设备在停止运行时，向上述中继单元发送停止信号，上述中继单元接收到上述停止信号后，不再为上述第i耗电设备生成并发送第i通信控制信息，通过上述技术方案，为在上述第i耗电设备启动时，开始发送第一实时负荷数据提供通信控制信息。
步骤S3：所述中继单元接收所述第i耗电设备的所述第一实时负荷数据，并通过第i负荷预测模型基于所述第i通信控制信息进行预测所述第i耗电设备的第二实时负荷数据，还将所述第i耗电设备的所述第一实时负荷数据和所述第二实时负荷数据进行比较，获取第i比较结果，根据全部所述耗电设备的所述第i比较结果将全部所述第i耗电设备进行分组，并确定每一分组中所述第i耗电设备的发送时间，所述中继单元按照所述分组并基于预设时间T为每一所述分组中的所述第i耗电设备生成对应的所述第i通信控制信息，并将所述第i通信控制信息发送至所述第i耗电设备，其中，所述第i通信控制信息包括所述初始通信控制信息且控制时间段为所述预设时间T；
具体的，通过将上述第i耗电设备的第一实时负荷和上述第i耗电设备对应的第一实时负荷数据进行比较，获取第i比较结果，其中上述第一实时负荷数据的采集时间和上述第二实时负荷数据的预测时间对应，通过上述第i比较结果，可以判断上述第i耗电设备的耗电负荷状态是否正常，其中，在第i比较结果大于等于第一阈值时，上述第i耗电设备的耗电负荷状态异常，反之，在上述第i比较结果小于上述第一阈值时，上述第i耗电设备的耗电负荷状态正常，为了实时获取耗电负荷状态异常的耗电设备的负荷情况，因此，需要提高耗电负荷状态异常耗电设备的第一实时负荷数据实时性，进而提高监测精度，还将上述负荷异常状态下的耗电设备按照上述第i比较结果从大到小进行排序，并将负荷异常状态下的耗电设备划分成j-1个分组，将耗电负荷状态正常的耗电设备作为第j分组，并在预设时间T内，分配各个分组对应第i耗电设备对应第一实时负荷数据的发送时间段和发送次数，由于在企业生产过程中，对耗电设备都会定期的养护，因此，处于异常负荷状态的耗电设备在总耗电设备中占比较少，故第j分组中耗电设备最多，上述第j分组对应全部耗电设备的第一实时负荷数据发送总时间较长，发送次数比其他分组的发送次数较少，因此在上述预设时间T内，上述第j分组的发送次数为1，其他分组的发送次数大于等于2，上述预设时间T为大于小于等于2/>，其中，/>为依次发送运行状态下全部耗电设备所需的最短时间，全部分组对应的耗电设备的发送次数/>依次为/>，其中，依次减小，每一分组中第i耗电设备的发送顺序按照第i比较结果进行排序，其中，第i比较结果越大，对应的第i耗电设备的发送顺序越靠前，上述中继单元基于上述分组、上述预设时间T及上述第i耗电设备的发送顺序生成每一分组中第i耗电设备的第i通信控制信息，并将上述第i通信控制信息发送至上述第i耗电设备，通过上述技术方案，不仅能够监测全部耗电设备的负荷状态，还提高了处于异常耗电状态耗电设备的实时性。
步骤S4：所述第i耗电设备接收所述第i通信控制信息，并基于所述第i通信控制信息发送所述预设时间T内全部所述第一实时负荷数据至所述中继单元；
其中，i的取值范围为大于等于2小于等于N的正整数，N为全部所述耗电设备的总数量。
具体的，通过上述第i通信控制信息可以获取上述第i耗电设备在上述预设时间T内全部第一实时负荷数据的采集发送时间，由于耗电设备的耗电负荷异常状态越严重对应第一实时负荷数据与第二实时负荷数据差值越大，因此耗电设备在上述预设时间T内第一实时负荷数据的发送次数越多，从而提高耗电负荷异常状态下，耗电设备的第一实时负荷数据的实时性。
进一步地，所述启动信号包括：所述第i耗电设备的编号和启动时间；所述第i耗电设备的所述第一实时负荷数据的采集时间和所述第二实时负荷数据的预测时间之间的时间差小于等于预设时差，其中，所述预设时差小于等于第二阈值；所述第i通信控制信息包括：在所述预设时间T内所述第i耗电设备对应第一实时负荷数据的全部发送时间。
具体的，上述中继单元基于上述第i耗电设备的启动信号获取该耗电设备的运行状态和设备编号，在上述第i耗电设备处于运行状态时，通过上述步骤S2生成上述第i耗电设备的通信控制信息，上述中继单元还在上述第i耗电设备停止时，接收上述第i耗电设备发送的停止信号，同时上述步骤S2停止生成上述第i耗电设备的第i通信控制信息；上述第i耗电设备的第一实时负荷数据和上述第二实时负荷数据分别是同一时间的采集数据和预测数据，并通过两者之间的第i比较结果判断上述第i耗电设备的耗电负荷是否异常,还基于全部上述第i比较结果进行分组并生成上述第i通信控制信息。
进一步地，所述步骤S3包括如下步骤：
步骤S31：所述中继单元接收所述第i耗电设备的第一实时负荷数据，并基于所述第i通信控制信息通过所述第i负荷预测模型预测所述第i耗电设备的所述第二实时负荷数据；
具体的，上述中继单元通过上述第i耗电设备的上述第i通信控制信息获取上述第i耗电设备的上述第i耗电设备的第一实时负荷数据的采集时间，同时还基于上述第i通信控制信息获取预测上述第二实时负荷数据的预测时间，使得上述第一实时负荷数据的采集时间和上述第二实时负荷数据的预测时间相对应，进而能够通过比较第i通信控制信息中第i耗电设备的第一实时负荷数据对应的第二实时负荷数据准确的判断上述第i耗电设备在耗电负荷是否异常，为进一步通过调整第i通信控制信息中第i耗电设备对应第一实时负荷数据的发送时间和发送次数来提高耗电负荷异常的第i耗电设备对应第一实时负荷数据的实时性提供依据。
步骤S32：所述第i耗电设备的所述第一实时负荷数据在所述第i通信控制信息对应的所述预设时间T内发送次数等于1时，将所述第i耗电设备的所述第一实时负荷数据和所述第一实时负荷数据对应的所述第二实时负荷数据进行比较，获取所述第i比较结果，在所述发送次数大于1时，将所述预设时间T内所述第i耗电设备的全部所述第一实时负荷数据与所述第一实时负荷数据对应的所述第一实时负荷数据差值的平均值作为所述第i比较结果，将所述第i比较结果大于等于第一阈值的所述第i比较结果对应的全部所述第i耗电设备按照所述第i比较结果从大到小进行排序并划分成j-1个分组，将所述第i比较结果小于所述第一阈值的全部所述第i耗电设备作为第j组，其中，j的取值范围为大于等于1小于N的正整数，N为全部运行状态下所述耗电设备的总数量；
具体的，上述第一实时负荷数据对应的第二实时负荷数据是指预测时间与第i耗电设备采集的第一实时负荷数据采集时间相同的第二实时负荷数据，计算在上述预设时间段内全部运行状态下第i耗电设备对应的第i比较结果，在上述第i比较结果大于等于上述第一阈值时，对应第i耗电设备耗电负荷异常，并将全部的耗电负荷异常设备按照上述第i比较结果按照从大到小排序后划分为j-1组，分组越靠前即对应分组编号越小，对应该分组内的第i耗电设备的第i比较结果越大，在上述第i比较结果小于上述第一阈值时，对应第i耗电设备耗电负荷正常，并将全部耗电负荷正常的设备作为第j组,通过上述技术方案，为上述分组为不同分组在预设时间T内划分不同的发送时间奠定基础。
步骤S33：在预设时间T内分配每一分组的数据发送时间和数据发送顺序，并设置每一分组在所述预设时间T内的数据发送次数，其中，同一所述分组不能进行连续发送，第1分组至所述第j分组的数据发送次数依次为，并以所述预设时间T为周期循环发送，其中，/>依次减小并且取值范围分别为大于等于1小于等于M的正整数，/>为1，M的取值为小于等于5；
具体的，通过在预设时间T内给每一分组分配数据发送顺序和数据发送时间，其中，第1分组至上述第j分组对应分组的编号越小分组中耗电设备的第一实时负载数据与第二实时负载数据差值越大，越需要较高的实时性，因此第1分组至上述第j分组对应的数据发送次数依次减少，分组编号越小，分组中耗电设备的第一实时负载数据的实时性越好，从而提高了耗电设备耗电负荷的监控灵敏性。
步骤S34：通过所述步骤S3获取所述第i耗电设备所在分组的发送时间，并根据所述第i耗电设备在所属分组的数据发送顺序，获取所述第i耗电设备的所述第一实时负荷数据在所述预设时间T内的全部发送时间，并将所述全部发送时间作为所述第i耗电设备的所述第i通信控制信息发送至所述第i耗电设备。
具体的，通过上述技术方案，根据上述第i耗电设备所在分组的发送时间及上述第i耗电设备在上述分组中的发送顺序，其中，第i耗电设备对应的上述第i比较结果越大，上述第i耗电设备在上述分组中的发送顺序越靠前，从而使得中继单元及接收单元能够快速获取耗电负荷处于异常状态的耗电设备及其第一实时负荷数据，从而进一步提高耗电负荷异常状态下耗电设备第一实时负荷数据的实时性。
进一步地，所述步骤S32还包括：在所述第i比较结果小于所述第一阈值时，还将所述第i耗电设备的所述第一实时负荷数据与所述第i耗电设备的负荷极值进行比较，获取极值比较结果，在所述极值比较结果小于等于设定极值差值时，将所述第i耗电设备划分到第m耗电设备所在分组，其中，所述第m耗电设备对应的第m比较结果在全部所述第i比较结果中最大且大于等于所述第一阈值。
具体的，在上述第i比较结果小于上述第一阈值时，尽管第i耗电设备的第一实时负荷数据和第二实时负荷数据的差值较小，第i耗电设备的耗电负荷状态正常，但是如果第i耗电设备的第一实时负荷数据与其负荷极值较接近时，也比较危险，也需要提高上述第i耗电设备对应第一实时负载数据的实时性，又由于在上述第m耗电设备大于等于上述第一阈值时，上述第m耗电设备的耗电负荷异常，又由于第m耗电设备对应的第m比较结果越大对应分组在上述预定时间T内的发送次数越多，实时性越好，因此通过上述技术方案，能够在第一实时负荷数据超出负荷极值时，及时采取相应措施，从而防止能源浪费及耗电设备损坏。
进一步地，所述步骤S3还包括：所述中继单元基于所述第i耗电设备的所述第i通信控制信息，在所述第i耗电设备的所述第一实时负荷数据的采集时间和所述第二实时负荷数据的预测时间差连续k次大于第一时间差时，发送时间校正信号至所述第i耗电设备，并计算本次发送所述时间校正信号至下次发送所述时间校正信号之间的第二时间差，并每间隔设定时间段发送所述时间校正信号，其中，所述设定时间段小于所述第二时间差，k的取值为大于等于1的正整数。
具体的，由于上述第i耗电设备的耗电负荷是否异常是通过比较同一时刻实时采集的第一实时负荷数据和通过第i负荷预测模型预测的第二实时负荷数据两者之间的差值来判断的，而且不同时间对应的耗电负荷是不同的，因此保证上述第一实时负荷数据和上述第二实时负荷数据的时间同步是准确判断上述第i耗电设备耗电负荷是否正常的基础，又由于不同的耗电设备内部时钟单元的误差会导致第一实时负荷数据的采集时间和第二实时负荷数据的预测时间之间时间差大于第一时间差，其中，由于第一实时负荷数据是采集后实时发送的，而且采集速率较快，因此可以认为第i通信控制信息中第i耗电设备第一实时负荷数据的发送时间与第一实时数据的采集时间相同，在上述时间差大于第一时间差时，中继单元和第i耗电设备的时间不同步，因此，需要通过发送时间同步信号即时间校正信号来校正上述第i耗电设备的时钟单元，并且通过计算相邻两次发送时间校正信号之间的第二时间差，并间隔设定时间段发送上述时间校正信号，确保上述第一实时负荷数据和上述第二实时负荷数据的时间同步，进而确保获取准确的耗电设备耗电负荷状态，从而提高耗电负荷异常的耗电设备对应第一实时负荷数据的实时性。
进一步地，所述步骤S4包括如下步骤：
步骤S41：所述第i耗电设备获取所述第i通信控制信息，并获取所述第i耗电设备所在的分组及在所述分组内的所述第一实时负荷数据的发送时间和发送顺序；
步骤S42：所述第i耗电设备基于所述发送时间和所述发送顺序计算所述预设时间T内全部所述第一实时负荷数据的发送时间。
进一步地，所述步骤S4之后还包括步骤S5：所述中继单元接收到每一分组中全部所述第i耗电设备的第一实时负荷数据后，将每一分组全部所述第i耗电设备的第一实时负荷数据组合成分组数据帧，并将所述分组数据帧发送至接收单元。
进一步地，所述中继单元还接收所述第i耗电设备的停止信号，并通过所述停止信号中所述第i耗电设备的编号来停止所述第i通信控制信息的生成，并重新调整所述预设时间T，所述停止信号包括所述第i耗电设备的编号和运行状态。
具体的，上述中继单元在完成一个分组中全部耗电设备的第一实时负荷数据后，将上述分组中全部耗电设备对应的第一实时负荷数据组合成分组数据帧并发送至接收单元，提高了数据的发送效率，上述中继单元还通过接收第i耗电设备的停止信号，通过上述停止信号识别第i耗电设备的编号，及时停止生成上述第i耗电设备的第i通信控制信息,减少了中继单元的工作量，还及时的调整上述预设时间T的值，由于上述预设时间T为全部运行中的上述第i耗电设备依次发送对应第一实时负荷数据的最小发送时间，在运行状态下的耗电设备减少，则上述预设时间T的值也减少，由于后续分组数据是按照以预设时间T为周期进行循环发送，因此进一步提高了数据的发送效率。
本发明还提供一种数据智能传输系统，用于实现上述的一种数据智能传输方法，如图2所示，所述系统包括：
中继单元还配置为：通过内部的深度学习部基于每一耗电设备的历史负荷数据训练每一所述耗电设备对应的负荷预测模型；接收所述第i耗电设备的所述第一实时负荷数据，并通过第i负荷预测模型基于第i通信控制信息进行预测所述第i耗电设备的所述第二实时负荷数据，还将所述第i耗电设备的所述第一实时负荷数据和所述第二实时数据进行比较，获取第i比较结果，根据全部耗电设备的所述第i比较结果将全部所述第i耗电设备进行分组，并确定每一分组中所述第i耗电设备的发送顺序，所述中继单元按照所述分组并基于预设时间T为每一所述分组中的所述第i耗电设备生成对应的所述通信控制信息，并将所述第i耗电设备对应的所述第i通信控制信息发送至所述第i耗电设备,其中，所述第i通信控制信息包括所述初始通信控制信息且控制时间段为所述预设时间T；
第i耗电设备配置为：启动时，发送启动信号至所述中继单元，并接收所述中继单元在接收到所述启动信号后发送的初始通信控制信息，并将所述初始通信控制信息作为所述第i耗电设备的第i通信控制信息，所述第i耗电设备基于所述第i通信控制信息采集并发送第一实时负荷数据至所述中继单元；所述第i耗电设备接收所述第i通信控制信息，并基于所述第i通信控制信息发送所述预设时间T内全部所述第一实时负荷数据至所述中继单元；
其中，i的取值范围为大于等于2小于等于N的正整数，N为全部运行状态下所述耗电设备的总数量。
综上所述，本发明通过在上述第i耗电设备启动时，向上述中继单元发送启动信号可以使中继单元获取上述第i耗电设备的启动状态和编号，在初始状态下，认为上述第i耗电设备的第一实时负载数据和通过预测模型预测的第二实时负荷数据相同，因此，上述第i耗电设备的初始通信控制信息即上述第i耗电设备的第一实时负荷数据发送时间也在正常分组的数据发送时间段内，还通过将上述第i耗电设备的第一实时负荷和对应的第二实时负荷数据进行比较，获取第i比较结果，其中上述第一实时负荷数据的采集时间和上述第二实时负荷数据的预测时间对应，通过上述第i比较结果，可以判断上述第i耗电设备的耗电负荷状态是否正常，其中，在第i比较结果大于等于第一阈值时，上述第i耗电设备的耗电负荷状态异常，反之，在上述第i比较结果小于上述第一阈值时，上述第i耗电设备的负荷状态正常，在上述第i比较结果小于上述第一阈值时，尽管第i耗电设备的第一实时负荷数据和第二实时负荷数据的差值较小，第i耗电设备的耗电状态正常，但是如果第i耗电设备的第一实时负荷数据与其负荷极值较接近时，也需要提高上述第i耗电设备对应第一实时负载数据的实时性，将上述第i耗电设备添加到第m耗电设备所在分组中，又由于耗电设备对应的比较结果越大对应分组在上述预定时间T内的发送次数越多，实时性越好，因此通过上述技术方案，能够提高负荷状态异常耗电设备的第一实时负荷数据实时性，进而提高监测精度，还能在第一实时负荷数据超出负荷极值时，及时采取相应措施，从而防止能源浪费及耗电设备损坏。
以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上上述的仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种数据智能传输方法，其特征在于，所述方法包括如下步骤：
步骤S1：中继单元的深度学习部基于每一耗电设备的历史负荷数据训练每一所述耗电设备对应的负荷预测模型；
步骤S2：在第i耗电设备启动时，发送启动信号至所述中继单元，并接收所述中继单元在接收到所述启动信号后发送的初始通信控制信息，并将所述初始通信控制信息作为所述第i耗电设备的第i通信控制信息，所述第i耗电设备基于所述第i通信控制信息采集并发送第一实时负荷数据至所述中继单元；
步骤S3：所述中继单元接收所述第i耗电设备的所述第一实时负荷数据，并通过第i负荷预测模型基于所述第i通信控制信息进行预测所述第i耗电设备的第二实时负荷数据，还将所述第i耗电设备的所述第一实时负荷数据和所述第二实时负荷数据进行比较，获取第i比较结果，根据全部所述耗电设备的所述第i比较结果将全部所述第i耗电设备进行分组，并确定每一分组中所述第i耗电设备的发送时间，所述中继单元按照所述分组并基于预设时间T为每一所述分组中的所述第i耗电设备生成对应的所述第i通信控制信息，并将所述第i通信控制信息发送至所述第i耗电设备，其中，所述第i通信控制信息包括所述初始通信控制信息且控制时间段为所述预设时间T；
步骤S4：所述第i耗电设备接收所述第i通信控制信息，并基于所述第i通信控制信息发送所述预设时间T内全部所述第一实时负荷数据至所述中继单元；
其中，i的取值范围为大于等于2小于等于N的正整数，N为全部运行状态下所述耗电设备的总数量。
2.根据权利要求1所述一种数据智能传输方法，其特征在于，所述启动信号包括：所述第i耗电设备的编号和启动时间；所述第i耗电设备的所述第一实时负荷数据的采集时间和所述第二实时负荷数据的预测时间之间的时间差小于等于预设时差；所述第i通信控制信息包括：在所述预设时间T内所述第i耗电设备对应所述第一实时负荷数据的全部发送时间。
3.根据权利要求2所述一种数据智能传输方法，其特征在于，所述步骤S3包括如下步骤：
步骤S31：所述中继单元接收所述第i耗电设备的所述第一实时负荷数据，并基于所述第i通信控制信息通过所述第i负荷预测模型预测所述第i耗电设备的所述第二实时负荷数据；
步骤S32：所述第i耗电设备的所述第一实时负荷数据在所述第i通信控制信息对应的所述预设时间T内发送次数等于1时，将所述第i耗电设备的所述第一实时负荷数据和所述第一实时负荷数据对应的所述第二实时负荷数据进行比较，获取所述第i比较结果，在所述发送次数大于1时，将所述预设时间T内所述第i耗电设备的全部所述第一实时负荷数据与所述第一实时负荷数据对应的所述第二实时负荷数据差值的平均值作为所述第i比较结果，将所述第i比较结果大于等于第一阈值的所述第i比较结果对应的全部所述第i耗电设备按照所述第i比较结果从大到小进行排序并划分成j-1个分组，将所述第i比较结果小于所述第一阈值的全部所述第i耗电设备作为第j组，其中，j的取值范围为大于等于1小于N的正整数，N为全部运行状态下所述耗电设备的总数量；
步骤S33：在所述预设时间T内分配每一所述分组的数据发送时间和数据发送顺序，并设置每一所述分组在所述预设时间T内的数据发送次数，其中，同一所述分组不能进行连续发送，第1分组至第j分组的数据发送次数依次为，并以所述预设时间T为周期循环发送，其中，/>依次减小并且取值范围分别为大于等于1小于等于M的正整数，/>为1，M的取值为小于等于5；
步骤S34：通过所述步骤S3获取所述第i耗电设备所在分组的发送时间，并根据所述第i耗电设备在所属分组的数据发送顺序，获取所述第i耗电设备的所述第一实时负荷数据在所述预设时间T内的全部发送时间，并将所述全部发送时间作为所述第i耗电设备的所述第i通信控制信息发送至所述第i耗电设备。
4.根据权利要求3所述一种数据智能传输方法，其特征在于，所述步骤S32还包括：在所述第i比较结果小于所述第一阈值时，还将所述第i耗电设备的所述第一实时负荷数据与所述第i耗电设备的负荷极值进行比较，获取极值比较结果，在所述极值比较结果小于等于设定极值差值时，将所述第i耗电设备划分到第m耗电设备所在分组，其中，所述第m耗电设备对应的第m比较结果在全部所述第i比较结果中最大且大于等于所述第一阈值。
5.根据权利要求1所述一种数据智能传输方法，其特征在于，所述步骤S3还包括：所述中继单元基于所述第i耗电设备的所述第i通信控制信息，在所述第i耗电设备的所述第一实时负荷数据的采集时间和所述第二实时负荷数据的预测时间差连续k次大于第一时间差时，发送时间校正信号至所述第i耗电设备，并计算本次发送所述时间校正信号至下次发送所述时间校正信号之间的第二时间差，并每间隔设定时间段发送所述时间校正信号，其中，所述设定时间段小于所述第二时间差，k的取值为大于等于1的正整数。
6.根据权利要求1所述一种数据智能传输方法，其特征在于，所述步骤S4包括如下步骤：
步骤S41：所述第i耗电设备获取所述第i通信控制信息，并获取所述第i耗电设备所在的分组及在所述分组内的所述第一实时负荷数据的发送时间和发送顺序；
步骤S42：所述第i耗电设备基于所述发送时间和所述发送顺序计算所述预设时间T内全部所述第一实时负荷数据的发送时间。
7.根据权利要求1所述一种数据智能传输方法，其特征在于，所述步骤S4之后还包括步骤S5：所述中继单元接收到每一分组中全部所述第i耗电设备的第一实时负荷数据后，将每一分组全部所述第i耗电设备的第一实时负荷数据组合成分组数据帧，并将所述分组数据帧发送至接收单元。
8.根据权利要求1所述一种数据智能传输方法，其特征在于，所述中继单元还接收所述第i耗电设备的停止信号，并通过所述停止信号中所述第i耗电设备的编号来停止所述第i通信控制信息的生成，并重新调整所述预设时间T，所述停止信号包括所述第i耗电设备的编号和运行状态。
9.一种数据智能传输系统，其特征在于，用于实现如权利要求1-8任一项所述的数据智能传输方法，所述系统包括：
中继单元还配置为：通过内部的深度学习部基于每一耗电设备的历史负荷数据训练每一所述耗电设备对应的负荷预测模型；接收所述第i耗电设备的所述第一实时负荷数据，并通过第i负荷预测模型基于第i通信控制信息进行预测所述第i耗电设备的所述第二实时负荷数据，还将所述第i耗电设备的所述第一实时负荷数据和所述第二实时数据进行比较，获取第i比较结果，根据全部耗电设备的所述第i比较结果将全部所述第i耗电设备进行分组，并确定每一分组中所述第i耗电设备的发送时间，所述中继单元按照所述分组并基于预设时间T为每一所述分组中的所述第i耗电设备生成对应的所述第i通信控制信息，并将所述第i通信控制信息发送至所述第i耗电设备，其中，所述第i通信控制信息包括所述初始通信控制信息且控制时间段为所述预设时间T；
第i耗电设备配置为：启动时，发送启动信号至所述中继单元，并接收所述中继单元在接收到所述启动信号后发送的初始通信控制信息，并将所述初始通信控制信息作为所述第i耗电设备的第i通信控制信息，所述第i耗电设备基于所述第i通信控制信息采集并发送第一实时负荷数据至所述中继单元；所述第i耗电设备接收所述第i通信控制信息，并基于所述第i通信控制信息发送所述预设时间T内全部所述第一实时负荷数据至所述中继单元；
其中，i的取值范围为大于等于2小于等于N的正整数，N为全部运行状态下所述耗电设备的总数量。
10.一种存储介质，其特征在于，所述存储介质存储有程序指令，其中在所述程序指令运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的数据智能传输方法。
CN202410288947.0A 2024-03-14 2024-03-14 一种数据智能传输方法、系统及存储介质 Active CN117895511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410288947.0A CN117895511B (zh) 2024-03-14 2024-03-14 一种数据智能传输方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410288947.0A CN117895511B (zh) 2024-03-14 2024-03-14 一种数据智能传输方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN117895511A CN117895511A (zh) 2024-04-16
CN117895511B true CN117895511B (zh) 2024-05-14

Family

ID=90644339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410288947.0A Active CN117895511B (zh) 2024-03-14 2024-03-14 一种数据智能传输方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN117895511B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997044A (zh) * 2014-05-29 2014-08-20 中冶京诚工程技术有限公司 电力负荷控制方法及系统
CN107395397A (zh) * 2017-06-23 2017-11-24 深圳市盛路物联通讯技术有限公司 一种基于物联网的耗电控制方法和装置
CN111681133A (zh) * 2020-06-19 2020-09-18 国网北京市电力公司 电负荷信息的处理方法和装置
CN116484302A (zh) * 2022-09-21 2023-07-25 浙江图盛输变电工程有限公司温州科技分公司 一种基于电量数据分析的企业异常用电判别算法
CN117039910A (zh) * 2023-10-09 2023-11-10 国网浙江省电力有限公司宁波供电公司 一种基于多模型的电力能源需求的管理方法及管理装置
CN117096867A (zh) * 2023-08-25 2023-11-21 国网湖北省电力有限公司电力科学研究院 一种短期电力负荷预测方法、装置、系统及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102291869B1 (ko) * 2019-12-31 2021-08-19 아주대학교산학협력단 비정상 트래픽 패턴의 탐지 방법 및 장치
KR20240003469A (ko) * 2022-07-01 2024-01-09 한국수력원자력 주식회사 원전설비의 예측진단방법 및 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103997044A (zh) * 2014-05-29 2014-08-20 中冶京诚工程技术有限公司 电力负荷控制方法及系统
CN107395397A (zh) * 2017-06-23 2017-11-24 深圳市盛路物联通讯技术有限公司 一种基于物联网的耗电控制方法和装置
CN111681133A (zh) * 2020-06-19 2020-09-18 国网北京市电力公司 电负荷信息的处理方法和装置
CN116484302A (zh) * 2022-09-21 2023-07-25 浙江图盛输变电工程有限公司温州科技分公司 一种基于电量数据分析的企业异常用电判别算法
CN117096867A (zh) * 2023-08-25 2023-11-21 国网湖北省电力有限公司电力科学研究院 一种短期电力负荷预测方法、装置、系统及存储介质
CN117039910A (zh) * 2023-10-09 2023-11-10 国网浙江省电力有限公司宁波供电公司 一种基于多模型的电力能源需求的管理方法及管理装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Improving the Accuracy of Clustering Electric Utility Net Load Data using Dynamic Time Warping;Jason R. Ausmus 等;《2020 IEEE/PES Transmission and Distribution Conference and Exposition (T&D)》;20201015;1-5 *
基于复杂系统的短期负荷预测研究及系统设计;孙大帅 等;《上海理工大学学报》;20110215;第33卷(第1期);39-43页 *
潍坊地区电力负荷预测及电网规划的研究;丁方;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190115;C042-2209 *
短期电力负荷预报中异常负荷数据的识别和修正;田增尧, 张明理, 赵瑞;吉林电力;20041230(第06期);25-27 *

Also Published As

Publication number Publication date
CN117895511A (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN108491305B (zh) 一种服务器故障的检测方法及系统
CN103036974B (zh) 基于隐马尔可夫模型的云计算资源调度方法和系统
WO2022237086A1 (zh) 一种基于机器学习模型的控制方法和装置
CN111795488A (zh) 一种分布式机房温度的智能调控系统及方法
CN111564053A (zh) 车辆调度方法、装置、车辆调度设备和存储介质
CN112449362B (zh) 基于信物模型的智能传感器自适应配置方法、装置及系统
CN116980284B (zh) 一种基于物联网的光缆分纤箱运维信息传输方法和系统
CN103699433A (zh) 一种于Hadoop平台中动态调整任务数目的方法及系统
CN116227757A (zh) 一种基于智慧云网关的综合能源管控方法及系统
CN117791596A (zh) 故障电网的电力调度方法、系统、电子设备及存储介质
CN117895511B (zh) 一种数据智能传输方法、系统及存储介质
CN117370138A (zh) 大容量分布式存储系统
CN117811935A (zh) 一种基于无线通信的智慧城市物联网系统及运行方法
CN117056420A (zh) 基于增量分块同步的计量数据高可用流通方法及系统
CN111757443A (zh) 节点休眠方法、系统、终端设备及计算机可读存储介质
KR101960688B1 (ko) 사물지능통신 기기의 전원 관리 방법，및 사물지능통신 기기의 전원 관리를 위한 네트워크 서버
Liu et al. Efficient detection of cloned attacks for large-scale RFID systems
Zhang et al. Maintenance of large scale wireless sensor networks
CN114629234A (zh) 一种基于多站融合的时段调控系统和方法
CN115225986A (zh) 一种osu带宽自适应调整的方法和装置
CN112990274A (zh) 一种基于大数据的风电场异常数据自动辨识方法
CN108009686B (zh) 一种光伏发电功率预测方法、装置及系统
CN113141588A (zh) 一种低功耗物联网的边缘数据查询、计算的方法及系统
Dai et al. Research on Data Fusion Scheme of WSNs Based on DGM Prediction Model
CN115425734B (zh) 一种具有自动化节能运行程序运维箱

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