CN105023054A - 一种基于单类支持向量机的电力负荷分析、预测方法 - Google Patents
一种基于单类支持向量机的电力负荷分析、预测方法 Download PDFInfo
- Publication number
- CN105023054A CN105023054A CN201510354781.9A CN201510354781A CN105023054A CN 105023054 A CN105023054 A CN 105023054A CN 201510354781 A CN201510354781 A CN 201510354781A CN 105023054 A CN105023054 A CN 105023054A
- Authority
- CN
- China
- Prior art keywords
- load
- day
- support vector
- sigma
- peak
- 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.)
- Pending
Links
Abstract
本发明公开了一种基于单类支持向量机的电力负荷分析、预测方法,包括以下步骤:获取电力负荷历史监测数据,构建训练样本集合;利用单类支持向量机理论,在训练样本中进行典型日的选取;利用典型日负荷曲线表示用户的随机变量之间线性关系的强度和方向;将用户负荷的时间序列作为离散采样点,对其进行傅里叶变换,进行频谱分析;结合用户的实际需求,构建负荷特性指标。本发明根据电力系统历史数据,能够有效预测负荷指数,指导电力系统运营;本发明可以实现具体到对某行业、某客户的负荷特性的分析,以及对负荷特性变化引起的原因具体分析。
Description
技术领域
本发明涉及一种基于单类支持向量机的电力负荷分析、预测方法。
背景技术
随着经济的发展,用电量逐年攀升,电力市场的多元化与复杂化,对电力市场的决策理论、管理手段和技术支持提出了更高的要求,但目前的工作中仍存在诸多不合理、不尽如人意的问题,如数据库的灵活运用,只能对用电数据的事后分析,不能事前准确预测、事中精确控制,只能定性的粗犷的分析;由于对用户数据的事后分析,只能从宏观层面上把握整体的用电规律变化,不能做到从因果分析到时空关联,从不同维度、不同角度对需求特性精准的分析,这种较强的滞后性、不精确性会对用电规律的把握失准等等。究其原因,缺乏对电力市场的需求特性、各种立体化指标、效益指标等等做精益化的分析与研究。
新型能源的崛起以及分布式发电技术的日趋成熟,打破了固有的源网荷属性,源荷界限的模糊化加剧了负荷预测的难度。基于山东电网营销业务管理机制和955598客户中心现有的基础与实际需求,目前只能做到对用户数据的事后分析,只能粗犷的从宏观层面上把握整体的负荷规律变化,不能具体到对某行业、某客户的负荷特性的分析,也不能对负荷特性变化引起的原因具体分析。
发明内容
本发明为了解决上述问题,提出了一种基于单类支持向量机的电力负荷分析、预测方法,该方法对传统SVM的扩展和延伸,是将统计学习理论引入到无监督学习,能够有效解决现有负荷规律无法掌握的问题。
为了实现上述目的,本发明采用如下技术方案:
一种基于单类支持向量机的电力负荷分析、预测方法,包括以下步骤:
(1)获取电力负荷历史监测数据,构建训练样本集合;
(2)利用单类支持向量机理论,在训练样本中进行典型日的选取;
(3)利用典型日负荷曲线表示用户的随机变量之间线性关系的强度和方向;
(4)将用户负荷的时间序列作为离散采样点,对其进行傅里叶变换,进行频谱分析;
(5)结合用户的实际需求,构建负荷特性指标。
所述步骤(1)中,具体方法为:将数据库中的数据导入文本文档,然后读取文本文档中的96点数据保存成矩阵的形式,分别给出行号及其对应的用户编号,并将缺失的量测量补0,将96点数据转化为24点数据。
所述步骤(2)中,对样本集聚类,并通过调节参数改变模型的结构风险,从而在经验风险和置信风险中间进行折衷,将每一天的量测数据作为一个样本,则样本就是24维空间中的一点,使用一个超球面使得覆盖住所有样本点,则超球的圆心也就是量测数据的中心,也就是典型日数据所在的地方。
所述步骤(2)中,具体方法为:运用分支算法单类支持向量机进行典型日的选取,用超球面代替超平面来划分数据,目标函数的初始问题为:
(1)
s.t. ||xi-c||2≤R2+ξi
ξi≥0,i=1,2,…,l
通过设定参数0≤ν≤1,使超球面的半径和它所能包含的训练样本数目之间进行折衷;当ν小的时候,尽量把数据放进球里面,当ν大的时候,尽量压缩球的尺寸,其中,R代表超球面的半径,超球面半径越小,分类的泛化风险越小,对可能出现的不良数据抵制能力强,但是,可能会产生欠学习的现象;l是样本总量;c是超球面球心;v表示在支持向量和错分向量之间的折中,能够从某种程度上控制超球面半径;xi表示样本,ξi示松弛变量。
所述步骤(2)中,利用拉格朗日函数求解目标函数,
式中L代表朗格朗日函数,αi、βi代表拉格朗日乘子。
则
带入得到对偶问题为:
通过QP优化方法解这个对偶问题得到优化解α;将α带入式(4)可得到圆心c的值,即待求典型日,αi、aj代表拉格朗日乘子。l是样本总量;v表示在支持向量和错分向量之间的折中,能够从某种程度上控制超球面半径;xi、xj表示样本。
所述步骤(3)中,相关系数的计算公式如下式所示:
式中,rXY代表随机变量X、Y的相关系数,N是指随机变量的样本总数,Xi、Yi分别指第i个X、Y变量,分别指随机变量X、Y的平均数。
通过各用户的典型日负荷曲线,分别求取n个用户典型日负荷曲线间的相关系数,结果可存放在n*n的对角线元素为1的对称矩阵中,非对角元素表示两用户典型日负荷曲线的相关系数。
所述步骤(3)中,相关系数显示两个随机变量之间线性关系的强度和方向,相关系数的绝对值不超过1,当两个变量的线性关系增强时,相关系数趋于1或-1,(因为是绝对值为1,所以当两个变量的正线性关系强时,相关系数趋于1,反之趋于-1)当一个变量增加而另一变量也增加时,相关系数大于0,当一个变量的增加而另一变量减少时,相关系数小于0;当两个变量独立时,相关系数为0,但反之并不成立。
所述步骤(4)中,将用户负荷的时间序列看作是傅里叶变换的离散采样点,进而可对其进行离散傅里叶变换,对用户24点数据进行离散傅里叶变换后对其频谱进行分析,以把握用户用电波动的频率特性。
所述步骤(5)中,对月负荷率进行统计的方法为:月负荷率又称月不均衡系数,是由用电部门在月、周内的停工休息、设备检修、生产作业顺序以及有无新用户投入生产所引起的,同时,该指标也反映了用户因设备小修、生产作业顺序不协调、或因停电而引起的停工休息等的影响;其表达式为:
所述步骤(5)中,统计峰谷差,峰谷差指的是电力系统某一时间周期内最大负荷与最小负荷之差,通常以日为单位,峰谷差够反映出用户负荷在日能的波动情况,
由于峰谷差反映的是日内负荷波动的绝对值,并不能很好地反应波动的相对大小,而峰谷差率能反映出日内波动的相对情况,峰谷差率的计算式为:
峰谷差的大小直接反映了电网所需要的调峰能力。
所述步骤(5)中,日最大负荷指的是电力系统日内的最大负荷功率,日最小负荷指的是电力系统日内的最小负荷功率。
日负荷率为日平均负荷与最大负荷之比值;
日最小负荷率为日最小负荷与最大负荷之比值,即:
日负荷率和日最小负荷率是用于描述日负荷曲线特性,表征一天中的不均衡性。
本发明的有益效果为:
(1)本发明根据电力系统历史数据,能够有效预测负荷指数,指导电力系统运营;
(2)本发明可以实现具体到对某行业、某客户的负荷特性的分析,以及对负荷特性变化引起的原因具体分析;
(3)本发明建立负荷变化规律指标,能够反映客户宏观政策、客户生产规模对电力市场营销制定电价的影响,实现从全社会的异常能够推导出具体某行业的异常甚至具体到某客户的异常,分析出负荷异常变化引起的主要因素。
附图说明
图1是本发明的流程图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
1.1.1典型日的选取模型
本项目的主要创新点之一是运用分支算法单类支持向量机(one-classsvm)进行典型日的选取,此方法是对传统SVM的扩展和延伸,是将统计学习理论引入到无监督学习理论,下面介绍一下one-class svm并简要说明一下其能用于进行典型日选择的原理。
One-class svm的本质是用超球面代替超平面来划分数据的想法。目标函数的初始问题为:
s.t. ||xi-c||2≤R2+ξi
ξi≥0,i=1,2,…,l (3.1)
通过设定参数0≤ν≤1,使超球面的半径和它所能包含的训练样本数目之间进行折衷。当ν小的时候,尽量把数据放进球里面,当ν大的时候,尽量压缩球的尺寸。
使用拉格朗日函数来解这个问题:
则
带入得到对偶问题为:
通过QP优化方法解这个对偶问题得到优化解α。
将α带入式(3.4)可得到圆心c的值,即待求典型日。
可以看到,one-class svm主要功能是对样本集的聚类,并通过调节参数v改变模型的结构风险,从而在经验风险和置信风险中间进行折衷,而典型日的选择本身也是一种聚类,如果将每一天的量测数据作为一个样本,则样本就是24维空间中的一点,使用一个超球面使得其可以尽量覆盖住所有样本点,则超球的圆心也就是量测数据的中心,也就是典型日数据所在的地方。
通过各用户的典型日负荷曲线我们可以分析用户间的用电规律以及用户与该行业总体用电规律间的关联特性。
1.1.2相关系数
相关系数显示两个随机变量之间线性关系的强度和方向。相关系数的绝对值不超过1。当两个变量的线性关系增强时,相关系数趋于1或-1。当一个变量增加而另一变量也增加时,相关系数大于0。当一个变量的增加而另一变量减少时,相关系数小于0。当两个变量独立时,相关系数为0,但反之并不成立。相关系数的计算公式如下式所示。
通过各用户的典型日负荷曲线,我们可以分析用户间的用电规律以及用户与该行业总体用电规律间的关联特性。分别求取n个用户典型日负荷曲线间的相关系数,结果可存放在n*n的对角线元素为1的对称矩阵中。非对角元素表示两用户典型日负荷曲线的相关系数。通过绘制相关系数曲线能够更加直观地观测各用户典型日负荷曲线的相似性。图中若某用户A坐标上相关系数为1附近有多条相关系数曲线汇集,记这些汇集曲线对应的用户集合为S,说明用户A的负荷曲线与集合S中用户的负荷曲线形状相近。
1.1.3频谱分析
快速傅里叶变换(FFT)是计算DFT的一种快速高效的算法。有限长序列在数字技术中占有很重要的地位,主要原因是由于其频谱可以离散化。有限长序列的DFT本身可以完全表达序列的频谱,所以DFT也可以直接对信号进行频谱分析。FFT可以将一个信号变换到频域,可以将一个信号的频谱提取出来。有些信号在时域上是很难看出其特征的,但若将信号变换到频域之后,就能较容易看出其具有的周期特性。
有限长序列x(n)进行一次DFT运算所需的运算量:
由这种方法计算DFT对于X(K)的每个K值,需要进行4N次实数相乘和(4N-2)次相加,对于N个k值,共需N*N乘和N(4N-2)次实数相加。改进DFT算法,减小它的运算量,利用DFT中的周期性和对称性,使整个DFT的计算变成一系列迭代运算,可大幅度提高运算过程和运算量,这就是FFT的基本思想。
这里我们将用户负荷的时间序列看作是傅里叶变换的离散采样点,进而可对其进行离散傅里叶变换。对用户24点数据进行离散傅里叶变换后对其频谱进行分析,以把握用户用电波动的频率特性。
1.1.4负荷特性指标体系
在负荷特性分析研究当中,涉及到的负荷特性指标数量较多,包括日、月、年等不同时间段的特性指标,有的是数值型,有的是曲线类;有的是反映负荷特性总体状况的,用于进行各地区横向比较;有的是在电力系统规划设计中需要用于进行分析计算的;有的是用于调度运行时作为参考依据。本报告根考虑到用户的实际需要,仅对其主要的负荷特性指标进行分析研究。
1、月负荷率:
月负荷率又称月不均衡系数,是由用电部门在月、周内的停工休息、设备检修、生产作业顺序以及有无新用户投入生产等所引起的,同时,该指标也反映了用户因设备小修、生产作业顺序不协调、或因停电而引起的停工休息等的影响。其表达式为:
月负荷率主要与用电构成、季节性变化和节假日有关。企业内部月内生产任务的均衡性情况。生产任务越不均衡,月负荷率值越低。随着生产组织计划的科学性,月内生产安排的均衡,月负荷率值会得到改善,其数值会进一步提高。
2、峰谷差、峰谷差率:
峰谷差指的是电力系统某一时间周期内最大负荷与最小负荷之差,通常以日为单位。峰谷差够反映出用户负荷在日能的波动情况。
由于峰谷差反映的是日内负荷波动的绝对值,并不能很好地反应波动的相对大小。而峰谷差率能较好的反映出日内波动的相对情况。峰谷差率的计算式为:
峰谷差的大小直接反映了电网所需要的调峰能力。峰谷差主要是用来安排调峰措施、调整负荷及电源规划的研究。
3、日最大负荷、日最小负荷、日负荷率、日最小负荷率:
日最大负荷指的是电力系统日内的最大负荷功率,日最小负荷指的是电力系统日内的最小负荷功率。
日负荷率为日平均负荷与最大负荷之比值,
日最小负荷率为日最小负荷与最大负荷之比值,即:
日负荷率和日最小负荷率是用于描述日负荷曲线特性,表征一天中的不均衡性,较高的负荷率有利于电力系统的经济运行。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:包括以下步骤:
(1)获取电力负荷历史监测数据,构建训练样本集合;
(2)利用单类支持向量机理论,在训练样本中进行典型日的选取;
(3)利用典型日负荷曲线表示用户的随机变量之间线性关系的强度和方向;
(4)将用户负荷的时间序列作为离散采样点,对其进行傅里叶变换,进行频谱分析;
(5)结合用户的实际需求,构建负荷特性指标。
2.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(1)中,具体方法为:将数据库中的数据导入文本文档,然后读取文本文档中的96点数据保存成矩阵的形式,分别给出行号及其对应的用户编号,并将缺失的量测量补0,将96点数据转化为24点数据。
3.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(2)中,对样本集聚类,并通过调节参数改变模型的结构风险,从而在经验风险和置信风险中间进行折衷,将每一天的量测数据作为一个样本,则样本就是24维空间中的一点,使用一个超球面使得覆盖住所有样本点,则超球的圆心也就是量测数据的中心,也就是典型日数据所在的地方。
4.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(2)中,具体方法为:运用分支算法单类支持向量机进行典型日的选取,用超球面代替超平面来划分数据,目标函数的初始问题为:
s.t. ||xi-c||2≤R2+ξi (1)
ξi≥0,i=1,2,…,l
通过设定参数0≤ν≤1,使超球面的半径和它所能包含的训练样本数目之间进行折衷;
其中,R代表超球面的半径,l是样本总量;c是超球面球心;v表示在支持向量和错分向量之间的折中,能够从某种程度上控制超球面半径;xi表示样本,ξi示松弛变量。
5.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(2)中,利用拉格朗日函数求解目标函数,
式中L代表朗格朗日函数,αi、βi代表拉格朗日乘子;
则
带入得到对偶问题为:
通过QP优化方法解这个对偶问题得到优化解α;将α带入式(4)可得到圆心c的值,即待求典型日,αi、aj代表拉格朗日乘子,l是样本总量;v表示在支持向量和错分向量之间的折中,能够从某种程度上控制超球面半径;xi、xj表示样本。
6.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(3)中,相关系数的计算公式如下式所示:
式中,rXY代表随机变量X、Y的相关系数,N是指随机变量的样本总数,Xi、Yi分别指第i个X、Y变量,X、Y分别指随机变量X、Y的平均数;
通过各用户的典型日负荷曲线,分别求取n个用户典型日负荷曲线间的相关系数,结果可存放在n*n的对角线元素为1的对称矩阵中,非对角元素表示两用户典型日负荷曲线的相关系数。
7.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(3)中,相关系数显示两个随机变量之间线性关系的强度和方向,相关系数的绝对值不超过1,当两个变量的线性关系增强时,相关系数趋于1或-1,当一个变量增加而另一变量也增加时,相关系数大于0,当一个变量的增加而另一变量减少时,相关系数小于0;当两个变量独立时,相关系数为0,但反之并不成立。
8.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(4)中,将用户负荷的时间序列看作是傅里叶变换的离散采样点,进而可对其进行离散傅里叶变换,对用户24点数据进行离散傅里叶变换后对其频谱进行分析,以把握用户用电波动的频率特性。
9.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(5)中,对月负荷率进行统计的方法为:月负荷率又称月不均衡系数,是由用电部门在月、周内的停工休息、设备检修、生产作业顺序以及有无新用户投入生产所引起的,同时,该指标也反映了用户因设备小修、生产作业顺序不协调、或因停电而引起的停工休息等的影响;其表达式为:
10.如权利要求1所述的一种基于单类支持向量机的电力负荷分析、预测方法,其特征是:所述步骤(5)中,统计峰谷差,峰谷差指的是电力系统某一时间周期内最大负荷与最小负荷之差,通常以日为单位,峰谷差够反映出用户负荷在日能的波动情况,
由于峰谷差反映的是日内负荷波动的绝对值,并不能很好地反应波动的相对大小,而峰谷差率能反映出日内波动的相对情况,峰谷差率的计算式为:
峰谷差的大小直接反映了电网所需要的调峰能力;
所述步骤(5)中,日最大负荷指的是电力系统日内的最大负荷功率,日最小负荷指的是电力系统日内的最小负荷功率;
日负荷率为日平均负荷与最大负荷之比值;
日最小负荷率为日最小负荷与最大负荷之比值,即:
日负荷率和日最小负荷率是用于描述日负荷曲线特性,表征一天中的不均衡性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510354781.9A CN105023054A (zh) | 2015-06-24 | 2015-06-24 | 一种基于单类支持向量机的电力负荷分析、预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510354781.9A CN105023054A (zh) | 2015-06-24 | 2015-06-24 | 一种基于单类支持向量机的电力负荷分析、预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105023054A true CN105023054A (zh) | 2015-11-04 |
Family
ID=54413007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510354781.9A Pending CN105023054A (zh) | 2015-06-24 | 2015-06-24 | 一种基于单类支持向量机的电力负荷分析、预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105023054A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930930A (zh) * | 2016-04-21 | 2016-09-07 | 国家电网公司 | 基于负荷特性分析与负荷预测技术的负荷数据校准方法 |
CN106529060A (zh) * | 2016-11-15 | 2017-03-22 | 中国电力科学研究院 | 一种负荷序列建模方法及系统 |
CN107391439A (zh) * | 2017-07-11 | 2017-11-24 | 创达特(苏州)科技有限责任公司 | 一种可配置快速傅里叶变换的处理方法 |
CN108169621A (zh) * | 2017-12-05 | 2018-06-15 | 国电南瑞科技股份有限公司 | 基于支持向量机的台区停电事件补全方法 |
CN109598642A (zh) * | 2018-12-10 | 2019-04-09 | 国网山东省电力公司电力科学研究院 | 一种精准切负荷系统可中断负荷评估机制的建立方法 |
CN110163508A (zh) * | 2019-05-23 | 2019-08-23 | 上海申瑞继保电气有限公司 | 计量区域用电需量的错峰计算方法 |
CN110671740A (zh) * | 2019-10-17 | 2020-01-10 | 北京邮电大学 | 一种集中供热系统生产自动调节方法 |
CN111324790A (zh) * | 2020-02-20 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于支持向量机分类的负荷类型识别方法 |
CN111461208A (zh) * | 2020-03-31 | 2020-07-28 | 贵州电网有限责任公司 | 一种适用于分布式供能系统的发展规模预测方法及系统 |
CN111768020A (zh) * | 2019-04-02 | 2020-10-13 | 卜晓阳 | 基于svm算法的客户用电需求识别方法 |
CN113037523A (zh) * | 2019-12-24 | 2021-06-25 | 中国电信股份有限公司 | 网络流量流向预测方法、装置以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
CN104091293A (zh) * | 2014-07-30 | 2014-10-08 | 国家电网公司 | 基于用电结构变动的电网长期负荷特性预测方法 |
-
2015
- 2015-06-24 CN CN201510354781.9A patent/CN105023054A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
CN104091293A (zh) * | 2014-07-30 | 2014-10-08 | 国家电网公司 | 基于用电结构变动的电网长期负荷特性预测方法 |
Non-Patent Citations (2)
Title |
---|
刘超男 等: "基于无监督支持向量机的相似日选择", 《国网技术学院学报》 * |
耿艳: "基于最小二乘支持向量机的短期负荷预测方法及应用研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105930930A (zh) * | 2016-04-21 | 2016-09-07 | 国家电网公司 | 基于负荷特性分析与负荷预测技术的负荷数据校准方法 |
CN106529060A (zh) * | 2016-11-15 | 2017-03-22 | 中国电力科学研究院 | 一种负荷序列建模方法及系统 |
CN107391439B (zh) * | 2017-07-11 | 2020-08-14 | 创耀(苏州)通信科技股份有限公司 | 一种可配置快速傅里叶变换的处理方法 |
CN107391439A (zh) * | 2017-07-11 | 2017-11-24 | 创达特(苏州)科技有限责任公司 | 一种可配置快速傅里叶变换的处理方法 |
CN108169621A (zh) * | 2017-12-05 | 2018-06-15 | 国电南瑞科技股份有限公司 | 基于支持向量机的台区停电事件补全方法 |
CN109598642A (zh) * | 2018-12-10 | 2019-04-09 | 国网山东省电力公司电力科学研究院 | 一种精准切负荷系统可中断负荷评估机制的建立方法 |
CN111768020A (zh) * | 2019-04-02 | 2020-10-13 | 卜晓阳 | 基于svm算法的客户用电需求识别方法 |
CN110163508A (zh) * | 2019-05-23 | 2019-08-23 | 上海申瑞继保电气有限公司 | 计量区域用电需量的错峰计算方法 |
CN110163508B (zh) * | 2019-05-23 | 2023-05-02 | 上海申瑞继保电气有限公司 | 计量区域用电需量的错峰计算方法 |
CN110671740A (zh) * | 2019-10-17 | 2020-01-10 | 北京邮电大学 | 一种集中供热系统生产自动调节方法 |
CN113037523A (zh) * | 2019-12-24 | 2021-06-25 | 中国电信股份有限公司 | 网络流量流向预测方法、装置以及存储介质 |
CN111324790A (zh) * | 2020-02-20 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于支持向量机分类的负荷类型识别方法 |
CN111461208A (zh) * | 2020-03-31 | 2020-07-28 | 贵州电网有限责任公司 | 一种适用于分布式供能系统的发展规模预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105023054A (zh) | 一种基于单类支持向量机的电力负荷分析、预测方法 | |
CN105023092A (zh) | 一种基于电量特性分析的用电负荷监测方法 | |
Wang et al. | A novel hybrid system based on a new proposed algorithm—Multi-Objective Whale Optimization Algorithm for wind speed forecasting | |
Yan et al. | Reviews on uncertainty analysis of wind power forecasting | |
CN103440541B (zh) | 多风电场短期输出功率的联合概率密度预测方法 | |
CN102231144B (zh) | 一种基于Boosting算法的配电网理论线损预测方法 | |
CN102792542A (zh) | 发电量预测装置和其方法及程序 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN104992239A (zh) | 一种基于相关系数的行业用电量规律预测方法 | |
Zhu et al. | Short-term electricity consumption forecasting based on the EMD-fbprophet-LSTM method | |
CN102930352A (zh) | 基于多核支持向量回归机的电网基建工程造价预测方法 | |
Atanasovski et al. | K-nearest neighbor regression for forecasting electricity demand | |
CN109711612A (zh) | 一种优化回声状态网络的风力发电功率预测方法及装置 | |
Pang et al. | Generative adversarial learning based commercial building electricity time series prediction | |
Talwariya et al. | Machine learning based renewable energy generation and energy consumption forecasting | |
Zhou et al. | Seasonal classification and RBF adaptive weight based parallel combined method for day-ahead electricity price forecasting | |
Zhang et al. | Transfer learning featured combining short-term load forecast with small-sample conditions | |
Ogihara et al. | A study of risk reduction for daily peak load demand forecasting | |
Azadeh et al. | An integrated multivariate approach for performance assessment and optimisation of electricity transmission systems | |
Song et al. | Power supply, coal price, and economic growth in China | |
Wang et al. | A novel approach to forecast electricity consumption based on fractional grey model | |
Yan et al. | Short-term Electricity Price Prediction Based on CEEMD-TCN-ATTENTION | |
CN105260789A (zh) | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 | |
Li | An empirical study of knowledge discovery on daily electrical peak load using decision tree | |
Yan et al. | Water demand forecast model of least squares support vector machine based on particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151104 |
|
RJ01 | Rejection of invention patent application after publication |