CN104036356B - 一种利用分形算法对电网未来运行状态进行预测的方法 - Google Patents
一种利用分形算法对电网未来运行状态进行预测的方法 Download PDFInfo
- Publication number
- CN104036356B CN104036356B CN201410260697.6A CN201410260697A CN104036356B CN 104036356 B CN104036356 B CN 104036356B CN 201410260697 A CN201410260697 A CN 201410260697A CN 104036356 B CN104036356 B CN 104036356B
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- fractal
- day
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种利用分形算法对电网未来运行状态进行预测的方法,包括以下步骤:进行二维分形预测日内预测数据;以日内预测数据为基础数据进行三维分形预测;计算最终电网未来运行状态的预测数值。本发明提供的利用分形算法对电网未来运行状态进行预测的方法,在原有利用分形理论预测电网未来运行状态基础上扩展了长时间维度的分形插值数据集合的查找,由于新的数据集合充分考虑了天气、气候、经济、生活习惯等各项因素,将弱化日内曲线的波动性和不确定性,并由有学习机制的权重系数逐步优化趋势拟合结果,最终计算出来的电网未来运行状态准确度将有很大提高。
Description
技术领域
本发明属于电网稳定分析领域,具体涉及一种利用分形算法对电网未来运行状态进行预测的方法。
背景技术
分形几何是研究无限复杂但具有一定意义下的自相似图形和结构的几何学。要利用分形几何描述电网变化的趋势,首先需要找到电网变化规律的自相似性。电网的变化趋势大致有其自相似性,例如一年的春夏秋冬、一天的高峰、低谷、平峰等负荷及其发电的曲线都是有其内在变化规律的。以较长时间跨度的年为衡量单位时,过去几十年的历史数据中基本遵循未来电网增长趋势。以一年中天为时间衡量单位时,随着季节的变化每天的用电负荷将随着一定的规律进行变化。在每天的变化中,电网用电、发电基本遵守高峰、低谷和平峰等变化规律进行变化。
通常情况下无论是外推、分形插值都是以日内断面曲线数据为基础进行新数据的拟合,即以日内时间点为横坐标轴、负荷或者发电出力数值为纵坐标轴的二维拟合方法。本发明在二维分形插值拟合方法的基础上,增加了新的计算维度。以一年或者几年之内数据为基础,按照时间顺序、气候变化特点、节假日等相似因素找出一组新的相似日,以每个相似日固定时间点的数据为采样值、以24小时为采样间隔进行分形插值算法,计算其IFS吸引子,从而得出预测日某一时间点新维度上的预测值,根据权重系数计算最终趋势预测数值。
发明内容
为了克服上述现有技术的不足,本发明提供一种利用分形算法对电网未来运行状态进行预测的方法,在原有利用分形理论预测电网未来运行状态基础上扩展了长时间维度的分形插值数据集合的查找,由于新的数据集合充分考虑了天气、气候、经济、生活习惯等各项因素,将弱化日内曲线的波动性和不确定性,并由有学习机制的权重系数逐步优化趋势拟合结果,最终计算出来的电网未来运行状态准确度将有很大提高。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种利用分形算法对电网未来运行状态进行预测的方法,所述方法包括以下步骤:
步骤1:进行二维分形预测日内预测数据;
步骤2:以日内预测数据为基础数据进行三维分形预测;
步骤3:计算最终电网未来运行状态的预测数值。
所述步骤1中,对日内预测数据进行二维分形预测,具体为采用时间点为横坐标轴,负荷或者可调发电出力数值为纵坐标轴的二维分形预测。
所述步骤1具体包括以下步骤:
步骤1-1:负荷数据预处理,剔除或修补数据为零或尖刺的点;
步骤1-2:获取样本,根据预测日与历史日的天气情况,采用相似日算法从历史日中选取3~5天相同或相近的类型日的负荷历史记录,作为预测日的相似日;
步骤1-3:从所选择的相似日内选择相似性最大的一天作为基准日;
步骤1-4:分析基准日的负荷曲线特性,把曲线按发电用电特点分为四段,找出每段中的主要特征点共同组成基准插值点集合,将此集合中元素的时间坐标作为基准X轴;
所述主要特征点包括峰谷点、极值点和拐点;
步骤1-5:建立基准日负荷曲线的IFS;对基准日的负荷曲线采用步骤1-2的插值点集合,计算该基准日的分段分形插值参数;
步骤1-6:建立其他相似日负荷曲线的IFS;对其他的相似日也采用同样时间的基准点,进行分段分形插值参数的求取;
步骤1-7:对已求得的几个相似日的分段分形插值参数进行加权求均,得到统计意义上的IFS;考虑超短期预测,其已经发生的数据也可产生对于今天更具有意义的吸引子IFS,综合考虑其权重系数以今天发生的为最大。
所述步骤1-5具体包括以下步骤:
步骤1-5-1:选定初始点集合及最大迭代次数Nmax;
步骤1-5-2:顺次取集合x{x0,x1,...xk}内的端点xi,i=1,2,3......k-1;对所取的端点采用迭代函数系统{X:ω1,ω2,...ωn}依次进行迭代,每次产生的新点将取代端点xi,Nmax=Nmax-1;
步骤1-5-3:若Nmax=1,转到步骤1-5-4;否则,转到步骤1-5-2;
步骤1-5-4:顺次取集合x{x0,x1,...xk}内的端点xi,i=1,2,3......k-1,对所取的点采用迭代函数系统{X:ω1,ω2,...ωn}依次进行迭代,每次产生的新点将取代点xi,结束。
所述步骤2中,以日内预测数据为基础数据,即日内某时刻断面数据为基础进行三维分形预测;具体为在二维分形预测的基础上,以历年一系列与预测日相关的相似日历史断面中指定时间点的数据作为预测趋势的基础数据,形成准确反映天气、气候、经济、生活习惯等不确定因素的数据。
所述步骤2具体包括以下步骤:
步骤2-1:以某年或者几年之内数据为基础数据,按照时间顺序、气候变化特点、节假日等相似因素找出一组新的相似日,相似日的数目需要足够多以进行某个时间点的分形插值计算;
步骤2-2:以每个相似日固定时间点的数据为采样值按照时间顺序形成新的吸引子计算初值集合,以24小时为采样间隔进行分形插值算法,计算其IFS吸引子;
步骤2-3:通过IFS和由步骤2-1、步骤2-2得出的计算初值集合,按照步骤1的执行顺序对趋势数据进行预测,根据权重系数计算最终趋势预测数值。
所述步骤3中,根据某地区常年各季度运行经验,通过自适应算法总结适合此电力系统的日内分形预测计算的权重系数和历年数据分形预测计算的权重系数,计算最终电网未来运行状态的预测数值。
采用可调权重的方法进行电网未来运行状态中负荷或者可调发电出力数值的预测,基于历史的预测准确率,及时调整现有的两种电网未来运行状态预测方法的权重,从而找出比较适应某个区域的预测权重参数,进而自动提升预测准确率。
与现有技术相比,本发明的有益效果在于:
本发明在原有利用分形理论预测电网未来运行状态基础上扩展了长时间维度的分形插值数据集合的查找,由于新的数据集合充分考虑了天气、气候、经济、生活习惯等各项因素,将弱化日内曲线的波动性和不确定性,并由有学习机制的权重系数逐步优化趋势拟合结果,最终计算出来的电网未来运行状态准确度将有很大提高。
附图说明
图1是本发明实施例中分段分形插值曲线IFS拟合流程图;
图2是本发明实施例中电网未来运行状态潮流预测三维分段分形插值示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
负荷预测是根据系统的运行特性、增容决策、自然条件与社会影响等诸多因素,在满足一定精度要求的条件下,确定未来某特定时刻的负荷数据,其中负荷是指电力需求量(功率)或用电量;负荷预测是电力系统经济调度中的一项重要内容,是能量管理系统(EMS)的一个重要模块。
实时计划校核包括日内及实时发电计划、检修计划、并网发电厂运行及辅助服务管理等四个功能模块。实现了多时序发电计划(日前、日内和实时)的闭环管理,有效提升了计划编制的协调化、流程化、规范化和精细化。
数据整合是基础数据的在线整合程序,是整个数据整合系统的核心部分,也是数据维护的主要作业工具,其按一定规则将几套电网数据(一般分别为在线、离线数据)整合成一套数据供后续计算使用,通过引导的方式完成数据整合工作并生成后台配置文件。
分形插值算法是一种构造分形曲线的方法,是由M.F.Barnsley在迭代函数系统基础上提出来的。原理是对一组给定的插值点构造相应的迭代函数系统(Iterated FunctionSystem,以下简称IFS),使IFS的吸引子为通过这组插值点的函数图。分形几何实际上是大自然几何,分形插值函数则利用大自然中呈现出来的许多现象具有精细的自相似结构这个特性来拟合波动性很强的曲线,现已证明这是一个十分有效的工具。分形插值函数与初等函数一样也具有其本身的几何特征,它也能用“公式”来表示,能快速地被计算出来。它们之间的主要差别是分形插值函数的分形特征,如它有非整的维数,并且是针对集合而非针对点的。
外推指的是两个或多个变量在一定范围内生效的函数关系延伸到生效范围之外,或用来计算生效范围之外的函数值,在电力系统中,根据电网运行状态演变在短时间内具有一定连续性的原则,而把当前的趋势外延到以后一段时间的方法。
考虑历史负荷和预测负荷之间的气温、降水、风力等各种因素和以时间序列“计算距离”为基础的相似度进行比较,找出与预测日最为接近的一些历史日期,则这些历史日期为预测日的相似日,历史日数据作为相似日数据。
本发明提出的利用分形算法对电网未来运行状态进行预测的方法,其中X轴和Y轴为时间维度,X轴是传统电力系统日内分段分形插值预测方法的日内时间;Z轴为年内根据气候变化以天为单位的时间轴,Y轴为根据第三维分形算法计算出来的电网趋势预测数据。
以X轴为时间维度的,在整体二维分形插值的基础上推导出了分段的线性分形插值。整体线性分形插值法对于具有无穷层次的自仿射迭代结构的曲线的拟合具有很好的效果,但是对于电网趋势负荷和出力曲线来说,并不具有完全的自仿射结构,这时如果采用整体线性分形插值来拟合曲线必将产生较大的误差。同时如果电网趋势负荷和出力曲线的某一小段出现了误差,采取整体分形插值的方法迭代压缩后将会把这一小区间的误差映射到生成后的插值曲线的每一段上,这无形中增加了数据拟合的误差。为了减小这一误差,本文采取分段分形插值的方法对预测日的电网趋势负荷和出力曲线进行预测并拟合。
IFS的随机性迭代算法在计算机图形学中生成的复杂的分形图形中应用较多,可以选取任意点启动迭代,相对来说比较简单有效。但是也存在一些不足:由于引进了概率,所以不论概率如何选取,在迭代的过程中所生成的点落在各个区域的几率不尽相同,必然造成大量点的重复计算;而且在平时的计算中都只是有限次的迭代,并不能保证一定能够生成吸引子中的所有点。因此本算法不采用该方法,而采用如下的确定性算法。
IFS的确定性算法采用的初始集就是分形插值中的初始插值点集合。在本专利方法中,如果是当天开始时间将以前一天的结束时间段作为初始值,相似日相同时段吸引子IFS参数作为迭代计算参数。在迭代过程中,下一次迭代计算的初始集就是前一次迭代结果的集合。
本发明提供的利用分形算法对电网未来运行状态进行预测的方法具体包括以下步骤:
步骤1:进行二维分形预测日内预测数据;
对日内预测数据进行二维分形预测,具体为采用时间点为横坐标轴,负荷或者可调发电出力数值为纵坐标轴的二维分形预测。
分段线性分形插值是整体线性分形插值的一般推广,一个随机曲线的分段分形插值的基本思想是:把原曲线分成几段,可以沿X轴坐标方向等分或者不等分,也可以几个连续插值点为一组把曲线分段,然后对每段曲线按照整体分形插值的方法做曲线拟合,得到分段分形插值曲线。
分段分形插值的效果相比整体分形插值具有一定的优势。步骤1具体包括以下步骤:
步骤1-1:负荷数据预处理,剔除或修补数据为零或尖刺的点;
步骤1-2:获取样本,根据预测日与历史日的天气情况,采用相似日算法从历史日中选取3~5天相同或相近的类型日的负荷历史记录,作为预测日的相似日;
步骤1-3:从所选择的相似日内选择相似性最大的一天作为基准日;
步骤1-4:分析基准日的负荷曲线特性,把曲线按发电用电特点分为四段,找出每段中的主要特征点共同组成基准插值点集合,将此集合中元素的时间坐标作为基准X轴;
所述主要特征点包括峰谷点、极值点和拐点;
步骤1-5:建立基准日负荷曲线的IFS;对基准日的负荷曲线采用步骤1-2的插值点集合,计算该基准日的分段分形插值参数;
步骤1-5具体包括以下步骤:
步骤1-5-1:选定初始点集合及最大迭代次数Nmax;
步骤1-5-2:顺次取集合x{x0,x1,...xk}内的端点xi,i=1,2,3......k-1;对所取的端点采用迭代函数系统{X:ω1,ω2,...ωn}依次进行迭代,每次产生的新点将取代端点xi,Nmax=Nmax-1;
步骤1-5-3:若Nmax=1,转到步骤1-5-4;否则,转到步骤1-5-2;
步骤1-5-4:顺次取集合x{x0,x1,...xk}内的端点xi,i=1,2,3......k-1,对所取的点采用迭代函数系统{X:ω1,ω2,...ωn}依次进行迭代,每次产生的新点将取代点xi,结束。
步骤1-6:建立其他相似日负荷曲线的IFS;对其他的相似日也采用同样时间的基准点,进行分段分形插值参数的求取;
步骤1-7:对已求得的几个相似日的分段分形插值参数进行加权求均,得到统计意义上的IFS;考虑超短期预测,其已经发生的数据也可产生对于今天更具有意义的吸引子IFS,综合考虑其权重系数以今天发生的为最大。
由于所设计的趋势分析的模型是分时段分形插值模型,得到的是分段的IFS参数。在趋势分析曲线绘制的过程中,我们采用上一步得到的IFS参数进行插值迭代,同样也是分段进行的。故每一段的大区间即是按照电力系统负荷特性进行分段的分段区间,左端点为分段区间的左端点,右端点为分段区间的右端点。第一区间迭代完后,再进行第二区间的迭代,第二区间的初始点为第一区间的最末点,以此类推。图1为点x的迭代绘制流程图,其中N为分段的段数,Nmax为插值迭代次数,Nnm(x)为集合x的端点数。
步骤2:以日内预测数据为基础数据进行三维分形预测;
以日内预测数据为基础数据,即日内某时刻断面数据为基础进行三维分形预测;具体为在二维分形预测的基础上,以历年一系列与预测日相关的相似日历史断面中指定时间点的数据作为预测趋势的基础数据,形成准确反映天气、气候、经济、生活习惯等不确定因素的数据。
步骤2具体包括以下步骤:
步骤2-1:以某年或者几年之内数据为基础数据,按照时间顺序、气候变化特点、节假日等相似因素找出一组新的相似日,相似日的数目需要足够多以进行某个时间点的分形插值计算;
步骤2-2:以每个相似日固定时间点的数据为采样值按照时间顺序形成新的吸引子计算初值集合,以24小时为采样间隔进行分形插值算法,计算其IFS吸引子;
步骤2-3:通过IFS和由步骤2-1、步骤2-2得出的计算初值集合,按照步骤1的执行顺序对趋势数据进行预测,根据权重系数计算最终趋势预测数值。
步骤3:计算最终电网未来运行状态的预测数值;
根据某地区常年各季度运行经验,通过自适应算法总结适合此电力系统的日内分形预测计算的权重系数和历年数据分形预测计算的权重系数,计算最终电网未来运行状态的预测数值。
由于在不同时间维度上进行了相应的分形插值拟合计算,以日内断面时间点为横轴拟合的趋势值和以长时间序列中相似日时间跨度为横轴拟合的趋势值不会完全一致,会产生一些微小误差,需要进一步确定最终趋势数据。采用可调权重的方法进行电网未来运行状态中负荷或者可调发电出力数值的预测,基于历史的预测准确率,及时调整现有的两种电网未来运行状态预测方法的权重,从而找出比较适应某个区域的预测权重参数,进而自动提升预测准确率。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (1)
1.一种利用分形算法对电网未来运行状态进行预测的方法,其特征在于:所述方法包括以下步骤:
步骤1:进行二维分形预测日内预测数据;
步骤2:以日内预测数据为基础数据进行三维分形预测;
步骤3:计算最终电网未来运行状态的预测数值;
所述步骤1中,对日内预测数据进行二维分形预测,具体为采用时间点为横坐标轴,负荷或者可调发电出力数值为纵坐标轴的二维分形预测;
所述步骤1具体包括以下步骤:
步骤1-1:负荷数据预处理,剔除或修补数据为零或尖刺的点;
步骤1-2:获取样本,根据预测日与历史日的天气情况,采用相似日算法从历史日中选取3~5天相同或相近的类型日的负荷历史记录,作为预测日的相似日;
步骤1-3:从所选择的相似日内选择相似性最大的一天作为基准日;
步骤1-4:分析基准日的负荷曲线特性,把曲线按发电用电特点分为四段,找出每段中的主要特征点共同组成基准插值点集合,将此集合中元素的时间坐标作为基准X轴;
所述主要特征点包括峰谷点、极值点和拐点;
步骤1-5:建立基准日负荷曲线的IFS;对基准日的负荷曲线采用步骤1-2的插值点集合,计算该基准日的分段分形插值参数;
步骤1-6:建立其他相似日负荷曲线的IFS;对其他的相似日也采用同样时间的基准点,进行分段分形插值参数的求取;
步骤1-7:对已求得的几个相似日的分段分形插值参数进行加权求均,得到统计意义上的IFS;考虑超短期预测,其已经发生的数据也可产生对于今天更具有意义的吸引子IFS,综合考虑其权重系数以今天发生的为最大;
所述步骤1-5具体包括以下步骤:
步骤1-5-1:选定初始点集合及最大迭代次数Nmax;
步骤1-5-2:顺次取集合x{x0,x1,...xk}内的端点xi,i=1,2,3......k-1;对所取的端点采用迭代函数系统{X:ω1,ω2,...ωn}依次进行迭代,每次产生的新点将取代端点xi,Nmax=Nmax-1;
步骤1-5-3:若Nmax=1,转到步骤1-5-4;否则,转到步骤1-5-2;
步骤1-5-4:顺次取集合x{x0,x1,...xk}内的端点xi,i=1,2,3......k-1,对所取的点采用迭代函数系统{X:ω1,ω2,...ωn}依次进行迭代,每次产生的新点将取代点xi,结束;
所述步骤2中,以日内预测数据为基础数据,即日内某时刻断面数据为基础进行三维分形预测;具体为在二维分形预测的基础上,以历年一系列与预测日相关的相似日历史断面中指定时间点的数据作为预测趋势的基础数据,形成准确反映天气、气候、经济、生活习惯不确定因素的数据;
所述步骤2具体包括以下步骤:
步骤2-1:以某年或者几年之内数据为基础数据,按照时间顺序、气候变化特点、节假日相似因素找出一组新的相似日,相似日的数目需要足够多以进行某个时间点的分形插值计算;
步骤2-2:以每个相似日固定时间点的数据为采样值按照时间顺序形成新的吸引子计算初值集合,以24小时为采样间隔进行分形插值算法,计算其IFS吸引子;
步骤2-3:通过IFS和由步骤2-1、步骤2-2得出的计算初值集合,按照步骤1的执行顺序对趋势数据进行预测,根据权重系数计算最终趋势预测数值;
所述步骤3中,根据某地区常年各季度运行经验,通过自适应算法总结适合电力系统的日内分形预测计算的权重系数和历年数据分形预测计算的权重系数,计算最终电网未来运行状态的预测数值;
采用可调权重的方法进行电网未来运行状态中负荷或者可调发电出力数值的预测,基于历史的预测准确率,及时调整现有的两种电网未来运行状态预测方法的权重,从而找出比较适应某个区域的预测权重参数,进而自动提升预测准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410260697.6A CN104036356B (zh) | 2014-06-12 | 2014-06-12 | 一种利用分形算法对电网未来运行状态进行预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410260697.6A CN104036356B (zh) | 2014-06-12 | 2014-06-12 | 一种利用分形算法对电网未来运行状态进行预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104036356A CN104036356A (zh) | 2014-09-10 |
CN104036356B true CN104036356B (zh) | 2017-11-07 |
Family
ID=51467120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410260697.6A Active CN104036356B (zh) | 2014-06-12 | 2014-06-12 | 一种利用分形算法对电网未来运行状态进行预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036356B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106786519B (zh) * | 2016-12-12 | 2019-05-17 | 国网上海市电力公司 | 一种优化预测电网典型日负荷的方法 |
CN109214948A (zh) * | 2018-09-25 | 2019-01-15 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
WO2020237539A1 (zh) * | 2019-05-29 | 2020-12-03 | 西门子股份公司 | 电力负荷的预测方法、装置及存储介质 |
CN110489722B (zh) * | 2019-08-13 | 2022-11-18 | 宁波大学 | 一种基于分形插值的经济学数据频率转换方法 |
CN110533243A (zh) * | 2019-08-27 | 2019-12-03 | 西安建筑科技大学 | 一种基于分形理论的建筑能耗预测方法 |
CN114336792B (zh) * | 2022-02-14 | 2022-10-28 | 华北电力大学(保定) | 一种电网运行状态预测方法与系统 |
CN114546330B (zh) * | 2022-04-26 | 2022-07-12 | 成都登临科技有限公司 | 函数实现方法、逼近区间分段方法、芯片、设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567814A (zh) * | 2012-01-31 | 2012-07-11 | 河南省电力公司南阳供电公司 | 一种区域电网降温负荷预测的计算方法 |
-
2014
- 2014-06-12 CN CN201410260697.6A patent/CN104036356B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567814A (zh) * | 2012-01-31 | 2012-07-11 | 河南省电力公司南阳供电公司 | 一种区域电网降温负荷预测的计算方法 |
Non-Patent Citations (2)
Title |
---|
基于分形理论的电力负荷特性研究及预测;乔艳芬;《中国优秀硕士学位论文全文数据库经济与管理科学辑》;20060915(第9期);第J150-32页,第38-39页第5.2.3节 * |
考虑气象因素的电力系统短期负荷预测研究;李小燕;《中国优秀硕士学位论文全文数据库工程科技II辑》;20131215(第S2期);第C042-950页,第50页第5.5节 * |
Also Published As
Publication number | Publication date |
---|---|
CN104036356A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036356B (zh) | 一种利用分形算法对电网未来运行状态进行预测的方法 | |
Wang et al. | Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting | |
Dong et al. | Wind power day-ahead prediction with cluster analysis of NWP | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN112149879B (zh) | 一种计及宏观波动性分类的新能源中长期电量预测方法 | |
CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
CN113361766B (zh) | 一种集成机器学习的多模式降水预估方法 | |
CN103020743B (zh) | 风电场超短期风速预测方法 | |
Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
Mandal et al. | A new recursive neural network algorithm to forecast electricity price for PJM day‐ahead market | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN109345009A (zh) | 二阶灰色神经网络和马尔科夫链的短期风速区间预测方法 | |
CN106600055A (zh) | 一种基于自激励门限自回归模型的风速预测方法 | |
CN109242200A (zh) | 一种贝叶斯网络预测模型的风电功率区间预测方法 | |
CN116362138A (zh) | 基于大数据的人工智能园区碳监测方法 | |
Wang et al. | Probabilistic power curve estimation based on meteorological factors and density LSTM | |
CN104268635A (zh) | 一种基于再分析资料的测风网络布局优化方法 | |
CN110119842A (zh) | 一种微电网短期负荷预测方法 | |
CN105205572A (zh) | 基于EMD分解和Elman算法的光伏出力预测方法 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN116191412A (zh) | 电力负荷预测方法 | |
Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |