CN104376371B - 一种基于拓扑的配网分层负荷预测方法 - Google Patents
一种基于拓扑的配网分层负荷预测方法 Download PDFInfo
- Publication number
- CN104376371B CN104376371B CN201410601822.5A CN201410601822A CN104376371B CN 104376371 B CN104376371 B CN 104376371B CN 201410601822 A CN201410601822 A CN 201410601822A CN 104376371 B CN104376371 B CN 104376371B
- Authority
- CN
- China
- Prior art keywords
- load
- platform area
- day
- data
- training sample
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008569 process 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
- 230000036039 immunity Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于拓扑的配网分层负荷预测方法,将配网按拓扑连接关系分层,先分别进行预测,再寻优求和得到总的预测结果,读取10kV出线开关的汇总负荷数据,与预测结果进行对比分析,明显改进了预测精确度,有效地利用了智能化的配网系统,实现基于大数据的深度挖掘,提高了对数据的免疫力,有助于实现配网的精益化管理。
Description
技术领域
本发明属于电力系统领域,具体涉及一种基于拓扑的配网分层负荷预测方法。
背景技术
精准的短期电力负荷预测对电力部门的日常调度有重要的参考意义。现有负荷预测方法多是针对母线、变压器,通过分析其历史负荷数据,加以气象因素影响,直接对母线、变压器等电力设备进行负荷预测。为提高预测准确度,研究人员针对负荷预测的算法改进做了大量工作,比如结合神经网络和遗传算法,再如使用改进的最小二乘支持向量机方法,等等,这些改进方法取得了一定的效果。但是,由于数据在采集、层层传递中存在遗漏、误差,且负荷预测一般直接基于所在变压器或母线的负荷数据,电力设备的数据样本来源较单一,这种预测方法无疑会有较大误差。此外,由于现有电力部门信息采集系统的运行模式,导致负荷样本的不足,尤其是特殊情况如节假日类型的负荷样本本来就较少,采用现有的方法进行负荷预测,如神经网络训练时,样本数量难以满足精度要求。一方面,不准确的数据直接影响预测结果;另一方面,数据样本来源单一使预测时对数据的容错性和免疫能力不够,有局限性,一旦样本数据有较大误差会直接影响预测结果;影响了准确度的改善。
发明内容
本发明的目的是针对现有预测方法的不足,提供一种基于电网拓扑关系的,配网分层短期负荷预测方法。基于数据源头,将配网按拓扑关系即电气连接关系分层,先对低层次分别进行预测,再汇总拟合至其上一层次,提高了预测精确度。
一种基于拓扑的配网分层负荷预测方法,包括以下步骤:
步骤1:从智能电表读取电力用户历史用电信息,从台区表读取台区历史负荷信息;
步骤2:基于电力用户的历史用电信息,采用现有的负荷预测方法获得每个电力用户日负荷预测功率初始值;
步骤3:根据配电网络的拓扑连接关系,计算台区j的负荷预测结果sj:
其中,为台区j下所连的第i个电力用户的日负荷预测功率初始值,n为台区j下所连的电力用户数量,j为整数;
α为调节系数,修正台区负荷预测结果,α的初始值为随机值,以台区预测训练样本的负荷预测值与台区预测训练样本的实际负荷数据的各对应时间点的差值的平均值达到最小为目标函数,采用PSO粒子群寻优方法在设定的迭代次数内确定调节系数α;
其中,台区预测训练样本的负荷预测值的获取过程如下:
从台区历史负荷信息中选取与待预测日为相似日的台区负荷数据作为台区训练样本数据和台区预测训练样本;
所述相似日是指,对日类型相同的台区日负荷数据,依据气象数据根据灰色关联度分析得到关联度大于或等于0.6,且按关联度从大到小排列在前3-10的样本日;
其中,日类型包括工作日、非节假休息日、节假日;
采用BP神经网络训练样本数据,得到样本日类型及天气与台区负荷之间的关系函数;
将台区预测训练样本所属的日类型和天气代入上述的日类型及天气与台区负荷之间的关系函数得到台区预测训练样本的台区负荷预测值;
台区负荷预测结果与台区历史负荷数据均包括一天各个时间点的负荷值,在计算台区预测训练样本的负荷预测值与台区预测训练样本的实际负荷数据的各对应时间点的差值的平均值达到最小时,需要计算各个对应时间点之间差值的平均值最小。
训练样本预测时,把样本数据分组,两组可以有重叠但不完全一致,用于训练和训练预测;比如说样本日期是1、2、3、4日,将1、2、3日为一组,根据1、2、3日训练预测4日,然后根据4日的真实数据修正调节系数,最后根据2、3、4日预测未知的5日,误差会有96个点的序列,选用的是各点差值的平均值最小为目标函数。
步骤4:根据配电网络的拓扑连接关系,将台区的负荷预测结果sj上汇至对应10kV出线开关a,获得10kV出线开关a的总负荷预测结果
其中,m为10kV出线开关a下所连的台区数目。
所述步骤3中台区j的负荷预测结果sj依据台区历史负荷信息,采用现有的负荷预测方法进行预测获得。
根据配电网络的拓扑连接关系,将台区的负荷预测结果sj乘以加权系数wj再累加,上汇至对应10kV出线开关a,获得10kV出线开关a的总负荷预测结果ka,其中m为10kV出线开关a下所连的台区数目;
wj为台区j的加权系数,修正台区负荷预测结果,wj的初始值为随机值,以台区预测训练样本的负荷预测值与台区预测训练样本的实际负荷数据的各对应时间点的差值的平均值达到最小为目标函数,采用PSO粒子群寻优方法在设定的迭代次数内确定调节系数wj。
有益效果
与现有预测方法相比,本发明的优点有:
(1)根据拓扑关系对配网进行分层次的负荷预测,有效地利用了智能化的配网系统,实现基于大数据的深度挖掘;
(2)分层预测的方法更精细,对数据的免疫力更高,当某组数据有问题时,还有其他数据源相辅佐,预测结果更可靠,有利于实现配网精益化管理的要求。
(3)采用分层预测的方式,扩大了日负荷的样本数量,尤其对于节假日等特殊日类型的负荷预测有积极意义;相对于现有技术中直接对出线开关数据进行样本采集的方式,大大降低了误差率,利用位于配网最底层的用户数据,对底层数据进行准确预测后,层层累加,得到精准的出线开关的负荷预测结果。
附图说明
图1为本发明提供的分层负荷预测方法的流程图;
图2为一种配网拓扑结构示意图;
图3为采用现有方法和本发明所述方法对某台区进行负荷预测对比图。
具体实施方式
下面将结合实施例对本发明做进一步的说明。
如图1所示,一种基于拓扑的配网分层负荷预测方法,包括以下步骤:
步骤1:从智能电表读取电力用户历史用电信息,从台区表读取台区历史负荷信息;
步骤2:基于电力用户的历史用电信息,采用现有的负荷预测方法获得每个电力用户日负荷预测功率初始值;
a.将日类型分为工作日、非节假休息日、节假日,并结合气象数据的影响,根据灰色关联度分析,从同类型日样本中选取关联度较高的几日作为相似日,从而得到相似度高的负荷日作为样本,减少样本数量;
b.基于BP神经网络训练样本数据,得到样本日及天气与用户日负荷之间的关系函数;
c.根据指定的待预测日期,气象预报数据,自动获取相似日,进行BP网络训练,按照b得到的关系函数,得到初步负荷预测结果。
步骤3:根据配电网络的拓扑连接关系,计算台区j的负荷预测结果sj:
其中,为台区j下所连的第i个电力用户的日负荷预测功率初始值,n为台区j下所连的电力用户数量,j为整数;
α为调节系数,修正台区负荷预测结果,α的初始值为随机值,以台区预测训练样本的负荷预测值与台区预测训练样本的实际负荷数据的各对应时间点的差值的平均值达到最小为目标函数,采用PSO粒子群寻优方法在设定的迭代次数内确定调节系数α;
其中,台区预测训练样本的负荷预测值的获取过程如下:
从台区历史负荷信息中选取与待预测日为相似日的台区负荷数据作为台区训练样本数据和台区预测训练样本;
所述相似日是指,对日类型相同的台区日负荷数据,依据气象数据根据灰色关联度分析得到关联度大于或等于0.6,且按关联度从大到小排列在前3-10的样本日;
其中,日类型包括工作日、非节假休息日、节假日;
采用BP神经网络训练样本数据,得到样本日类型及天气与台区负荷之间的关系函数;
将台区预测训练样本所属的日类型和天气代入上述的日类型及天气与台区负荷之间的关系函数得到台区预测训练样本的台区负荷预测值;
步骤4:根据配电网络的拓扑连接关系,将台区的负荷预测结果sj上汇至对应10kV出线开关a,获得10kV出线开关a的总负荷预测结果
其中,m为10kV出线开关a下所连的台区数目。
所述步骤3中台区j的负荷预测结果sj依据台区历史负荷信息,采用现有的负荷预测方法进行预测获得。
根据配电网络的拓扑连接关系,将台区的负荷预测结果sj乘以加权系数wj再累加,上汇至对应10kV出线开关a,获得10kV出线开关a的总负荷预测结果ka,其中m为10kV出线开关a下所连的台区数目;
wj为台区j的加权系数,修正台区负荷预测结果,wj的初始值为随机值,以台区预测训练样本的负荷预测值与台区预测训练样本的实际负荷数据的各对应时间点的差值的平均值达到最小为目标函数,采用PSO粒子群寻优方法在设定的迭代次数内确定调节系数wj。
接下来以一个实际的配网拓扑结构为例进行说明。如图2所示,110kV电压经变电站后由10kV出线开关引出,经台区变压器连接低压电力用户,包括居民小区、餐饮商业区、政府用电、学校用电等,部分诸如工业用电连接专用变压器的也属于一个台区。图2中圈出的I属于步骤2中的电力用户,以电网开户信息计;II属于步骤3所述的台区;III属于步骤4所述的10kV出线开关;IV属于所述10kV出现开关的上一级。对I进行初步负荷预测,按步骤3求和加权可得到归于II处的负荷预测结果;对II进行初步负荷预测,按步骤4加权求和得到归于III处的负荷预测结果。
在本发明所举实例中,为了进一步说明本发明的有效性,对比了采用常规方法进行负荷预测与本发明所提方法预测下,某简单台区的负荷预测结果。其待预测日的日类型为样本数据不多的节假日(端午节),利用气象数据中的温湿指数作为相似日选取的依据,选取关联度高的3天为样本日,进行负荷预测。一天24个时刻负荷实际值与常规神经网络下的预测值、本发明所提方法求和未加权后的预测值、本发明所提方法求和并加权后的负荷预测值对比如下表1,见图3。
表1负荷预测结果对比分析表
分析可知,采用现有常规负荷预测方法对该台区进行负荷预测的平均相对误差绝对值(MAPE)为8.76%,而采用本发明所提方法分层预测,即对该台区下用户分别进行预测,先直接求和后,有预测值的平均相对误差绝对值为4.24%,进一步采用本发明所提方法,优化加权系数,得到加权系数为0.95,最终的平均相对误差绝对值为1.81%。从而可得,本发明对提高负荷预测精确度有了极大改善。
需要强调的是,本发明所述的实例是说明性的,而不是限定性的,因此本发明不限于具体实施方式中所述的实例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,不脱离本发明宗旨和范围的,不论是修改还是替换,同样属于本发明的保护范围。
Claims (3)
1.一种基于拓扑的配网分层负荷预测方法,其特征在于,包括以下步骤:
步骤1:从智能电表读取电力用户历史用电信息,从台区表读取台区历史负荷信息;
步骤2:基于电力用户的历史用电信息,采用现有的负荷预测方法获得每个电力用户日负荷预测功率初始值;
步骤3:根据配电网络的拓扑连接关系,计算台区j的负荷预测结果sj:
<mrow>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>p</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
</mrow>
其中,为台区j下所连的第i个电力用户的日负荷预测功率初始值,n为台区j下所连的电力用户数量,j为整数;
α为调节系数,修正台区负荷预测结果,α的初始值为随机值,以台区预测训练样本的负荷预测值与台区预测训练样本的实际负荷数据的各对应时间点的差值的平均值达到最小为目标函数,采用PSO粒子群寻优方法在设定的迭代次数内确定调节系数α;
其中,台区预测训练样本的负荷预测值的获取过程如下:
从台区历史负荷信息中选取与待预测日为相似日的台区负荷数据作为台区训练样本数据和台区预测训练样本;
所述相似日是指,对日类型相同的台区日负荷数据,依据气象数据根据灰色关联度分析得到关联度大于或等于0.6,且按关联度从大到小排列在前3-10的样本日;
其中,日类型包括工作日、非节假休息日、节假日;
采用BP神经网络训练样本数据,得到样本日类型及天气与台区负荷之间的关系函数;
将台区预测训练样本所属的日类型和天气代入上述的日类型及天气与台区负荷之间的关系函数得到台区预测训练样本的台区负荷预测值;
步骤4:根据配电网络的拓扑连接关系,将台区的负荷预测结果sj上汇至对应10kV出线开关a,获得10kV出线开关a的总负荷预测结果ka,
其中,m为10kV出线开关a下所连的台区数目。
2.根据权利要求1所述的基于拓扑的配网分层负荷预测方法,其特征在于,所述步骤3中台区j的负荷预测结果sj依据台区历史负荷信息,采用现有的负荷预测方法进行预测获得。
3.根据权利要求2所述的基于拓扑的配网分层负荷预测方法,其特征在于,根据配电网络的拓扑连接关系,将台区的负荷预测结果sj乘以加权系数wj再累加,上汇至对应10kV出线开关a,获得10kV出线开关a的总负荷预测结果ka,其中m为10kV出线开关a下所连的台区数目;
wj为台区j的加权系数,修正台区负荷预测结果,wj的初始值为随机值,以台区预测训练样本的负荷预测值与台区预测训练样本的实际负荷数据的各对应时间点的差值的平均值达到最小为目标函数,采用PSO粒子群寻优方法在设定的迭代次数内确定调节系数wj。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410601822.5A CN104376371B (zh) | 2014-10-31 | 2014-10-31 | 一种基于拓扑的配网分层负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410601822.5A CN104376371B (zh) | 2014-10-31 | 2014-10-31 | 一种基于拓扑的配网分层负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104376371A CN104376371A (zh) | 2015-02-25 |
CN104376371B true CN104376371B (zh) | 2017-10-31 |
Family
ID=52555266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410601822.5A Active CN104376371B (zh) | 2014-10-31 | 2014-10-31 | 一种基于拓扑的配网分层负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104376371B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106934497B (zh) * | 2017-03-08 | 2021-04-16 | 青岛卓迅电子科技有限公司 | 基于深度学习的智慧小区用电量实时预测方法及装置 |
CN107977737B (zh) * | 2017-11-19 | 2021-06-08 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
CN111191811A (zh) * | 2018-11-14 | 2020-05-22 | 中兴通讯股份有限公司 | 集群负荷预测方法、装置及存储介质 |
CN109546652B (zh) * | 2018-12-24 | 2022-04-08 | 国网湖南省电力有限公司 | 配变台区的电力负荷预测方法 |
CN110363326B (zh) * | 2019-05-31 | 2022-02-11 | 广东电网有限责任公司 | 一种电网110kV线路短期负荷曲线预测方法 |
CN111553536A (zh) * | 2020-05-06 | 2020-08-18 | 国网安徽省电力有限公司滁州供电公司 | 一种基于多种能源结构下的电网负荷预测方法 |
CN114915546B (zh) * | 2022-06-20 | 2023-05-30 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
CN115051912B (zh) * | 2022-06-20 | 2023-11-03 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184337A (zh) * | 2011-06-07 | 2011-09-14 | 中国电力科学研究院 | 一种受气象信息影响的新能源发电能力动态组合分析方法 |
CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
CN103123665A (zh) * | 2012-07-31 | 2013-05-29 | 上海交通大学 | 基于模糊聚类相似日的短期电力负荷预测方法 |
CN103455857A (zh) * | 2013-09-13 | 2013-12-18 | 国网天津市电力公司 | 对用户需求精细分类进行电网负荷分析和负荷预测的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010081165A2 (en) * | 2009-01-12 | 2010-07-15 | Battelle Memorial Institute | Nested, hierarchical resource allocation schema for management and control of an electric power grid |
-
2014
- 2014-10-31 CN CN201410601822.5A patent/CN104376371B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184337A (zh) * | 2011-06-07 | 2011-09-14 | 中国电力科学研究院 | 一种受气象信息影响的新能源发电能力动态组合分析方法 |
CN103123665A (zh) * | 2012-07-31 | 2013-05-29 | 上海交通大学 | 基于模糊聚类相似日的短期电力负荷预测方法 |
CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
CN103455857A (zh) * | 2013-09-13 | 2013-12-18 | 国网天津市电力公司 | 对用户需求精细分类进行电网负荷分析和负荷预测的方法 |
Non-Patent Citations (2)
Title |
---|
"基于相似日负荷修正算法的短期负荷预测";刘晶等;《计算机工程与设计》;20100328;期刊第1279-1282页 * |
"母线负荷预测系统的研究与实现";王健;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20100115;第C042-93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104376371A (zh) | 2015-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN107516170A (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
CN109409770A (zh) | 一种基于神经网络的农村电网智能水平评价方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN104537432B (zh) | 基于证据推理的电力系统多目标优化调度的决策方法 | |
CN104933505A (zh) | 一种基于模糊评估的智能配电网群决策评价方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN106651225A (zh) | 智能电网示范工程综合评估方法和系统 | |
CN102063563A (zh) | 网省地一体化的母线负荷预测方法 | |
CN106779478A (zh) | 一种负荷调度价值评估方法 | |
CN110119888A (zh) | 一种基于分布式电源接入的有源网格化规划方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN104036364A (zh) | 一种配电网网络结构水平评价方法 | |
CN104899689A (zh) | 基于dbcc优化算法与熵权理论的配电网故障恢复方法 | |
CN108122173A (zh) | 一种基于深度信念网络的多行业负荷预测方法 | |
CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
CN103745274A (zh) | 一种用于分散式风电的短期功率预测方法 | |
CN112307675B (zh) | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 | |
CN109978236A (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
CN112949938B (zh) | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 | |
CN104036433A (zh) | 一种配电网运行管理水平评价方法 |
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 |