-
公开(公告)号：CN109308306B
公开(公告)日：2021-07-06
申请号：CN201811151326.9
申请日：2018-09-29
Applicant: 重庆大学
IPC: G06F16/2458 , G06F16/215 , G06Q50/06
Abstract: 本发明提供了一种基于孤立森林的用户用电异常行为检测方法，包括如下步骤：S1、通过数据采集方式获得用电时序数据；S2、对数据进行清洗，以将残缺数据、错误数据、重复数据清除；S3、基于统计的特征提取；S4、数据预处理；S5、对矩阵YM×K进行归一化处理得到新矩阵YM×K'；S6、采用孤立森林模型判断出是用电异常还是用电正常：S61、从新矩阵YM×K中提取，每个用户提取ψ个统计特征，设iTree树的数量t，yij是新矩阵YM×K中第i行第j列元素；S62、计算出yij的异常分值s(yij,ψ)；S63、判断s(yij,ψ)是否小于1‑Δe，Δe为0.22～0.07范围内的常数；若是，则为用电异常；若否，则用电正常。基于孤立森林的用户用电异常行为检测方法解决现有技术中因没有对数据进行处理导致后续运算较大而导致分析计算运行时间长的问题。
-
Patent Agency Ranking
公开(公告)号：CN111783953B
公开(公告)日：2023-08-11
申请号：CN202010616978.6
申请日：2020-06-30
Applicant: 重庆大学
Abstract: 本发明提供了一种基于优化LSTM网络的24点电力负荷值7日预测方法，包含数据采集、数据分析及数据预处理；划分数据集为训练集和验证集；基于训练集，利用粒子群优化算法PSO对长短期记忆神经网络LSTM进行参数优化，确定适用在本发明的24点电力负荷预测中LSTM网络的隐含层节点数、学习率和迭代次数这三个参数的最优值，并将训练集作为输入，基于优化的LSTM网络来预测未来7日24点的电力负荷值，根据模型输出的电力负荷数据与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，得到模型的预测准确度。通过本发明的预测方法，提高了预测准确性和时效性，预测效果较现有电力负荷预测方法更好。
-
公开(公告)号：CN111783953A
公开(公告)日：2020-10-16
申请号：CN202010616978.6
申请日：2020-06-30
Applicant: 重庆大学
Abstract: 本发明提供了一种基于优化LSTM网络的24点电力负荷值7日预测方法，包含数据采集、数据分析及数据预处理；划分数据集为训练集和验证集；基于训练集，利用粒子群优化算法PSO对长短期记忆神经网络LSTM进行参数优化，确定适用在本发明的24点电力负荷预测中LSTM网络的隐含层节点数、学习率和迭代次数这三个参数的最优值，并将训练集作为输入，基于优化的LSTM网络来预测未来7日24点的电力负荷值，根据模型输出的电力负荷数据与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，得到模型的预测准确度。通过本发明的预测方法，提高了预测准确性和时效性，预测效果较现有电力负荷预测方法更好。
-
公开(公告)号：CN109308306A
公开(公告)日：2019-02-05
申请号：CN201811151326.9
申请日：2018-09-29
Applicant: 重庆大学
IPC: G06F16/2458 , G06F16/215 , G06Q50/06
Abstract: 本发明提供了一种基于孤立森林的用户用电异常行为检测方法，包括如下步骤：S1、通过数据采集方式获得用电时序数据；S2、对数据进行清洗，以将残缺数据、错误数据、重复数据清除；S3、基于统计的特征提取；S4、数据预处理；S5、对矩阵YM×K进行归一化处理得到新矩阵YM×K'；S6、采用孤立森林模型判断出是用电异常还是用电正常：S61、从新矩阵YM×K中提取，每个用户提取ψ个统计特征，设iTree树的数量t，yij是新矩阵YM×K中第i行第j列元素；S62、计算出yij的异常分值s(yij,ψ)；S63、判断s(yij,ψ)是否小于1-Δe，Δe为0.22～0.07范围内的常数；若是，则为用电异常；若否，则用电正常。基于孤立森林的用户用电异常行为检测方法解决现有技术中因没有对数据进行处理导致后续运算较大而导致分析计算运行时间长的问题。
-
公开(公告)号：CN112734128B
公开(公告)日：2023-08-29
申请号：CN202110073909.X
申请日：2021-01-19
Applicant: 重庆大学
Abstract: 本发明提供了一种基于优化RBF的7日电力负荷峰值预测方法，包含数据采集、数据分析及数据预处理；划分数据集为训练集和验证集；基于训练集，利用遗传算法对RBF网络进行参数优化，确定适用在本发明的电力负荷峰值预测中RBF网络的中心向量、中心点宽度和权重这三个参数的最优值，并将训练集作为输入，基于优化的RBF网络来预测未来7日的电力负荷峰值，根据模型输出的7天的电力负荷峰值与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，得到模型的预测准确度。通过本发明的预测方法，提高了预测准确性和时效性，预测效果较现有电力负荷预测方法更好。
-
公开(公告)号：CN112734128A
公开(公告)日：2021-04-30
申请号：CN202110073909.X
申请日：2021-01-19
Applicant: 重庆大学
Abstract: 本发明提供了一种基于优化RBF的7日电力负荷峰值预测方法，包含数据采集、数据分析及数据预处理；划分数据集为训练集和验证集；基于训练集，利用遗传算法对RBF网络进行参数优化，确定适用在本发明的电力负荷峰值预测中RBF网络的中心向量、中心点宽度和权重这三个参数的最优值，并将训练集作为输入，基于优化的RBF网络来预测未来7日的电力负荷峰值，根据模型输出的7天的电力负荷峰值与验证集做比较，结合平均绝对误差MAE和均方根误差RMSE两个指标，得到模型的预测准确度。通过本发明的预测方法，提高了预测准确性和时效性，预测效果较现有电力负荷预测方法更好。
-
-
-
-
-
Search Results
6
records
(took 0.019 seconds)
