CN105825040A - 短期电力负荷预测方法 - Google Patents
短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN105825040A CN105825040A CN201511015928.8A CN201511015928A CN105825040A CN 105825040 A CN105825040 A CN 105825040A CN 201511015928 A CN201511015928 A CN 201511015928A CN 105825040 A CN105825040 A CN 105825040A
- Authority
- CN
- China
- Prior art keywords
- value
- error
- sequence
- state
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000011159 matrix material Substances 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims description 14
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 11
- 238000013459 approach Methods 0.000 claims description 9
- 238000013277 forecasting method Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000033772 system development Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 241000222065 Lycoperdon Species 0.000 description 2
- 241000768494 Polymorphum Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种短期电力负荷预测方法，所述方法包括：采用小波阈值处理法将获取的原始负荷数据进行噪声处理；以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态模型，所述灰色动态模型的输出为负荷数据序列；将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。本发明实施例的方法，在短期电力负荷的预测精度上有很大的提高。
Description
技术领域
本发明涉及短期电力负荷预测技术领域，特别是涉及一种短期电力负荷预测方法。
背景技术
由于短期电力负荷预测容易被很多不确定的因素所影响，如历史负荷数据、温度、相对湿度、风速等；信道噪声等因素会对历史负荷数据产生锯齿状波动，影响预测的精度；并且现少有对预测后结果的修正，因此需要一种基于小波转换法处理数据且通过马尔科夫法对预测结果修正的多变量灰色预测方法。
发明内容
为解决现有存在的技术问题，本发明实施例提供一种短期电力预测方法。
为达到上述目的，本发明实施例的技术方案是这样实现的：
一种短期电力负荷预测方法，所述方法包括：
采用小波阈值处理法将获取的原始负荷数据进行噪声处理；
以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态模型，所述灰色动态模型的输出为负荷数据序列；
将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。
其中，所述方法包括：
选择预测日前m个同类型日期的负荷信号；
获取针对所选择m个日期及预测日的气象特征数据；
对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阈值处理，利用处理后的小波系数重构所述负荷信号；
以小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征数据序列作为输入，预测的负荷信号序列作为输出，建立灰色动态GM(1，N)模型，预测第m+1天各时刻的灰色预测负荷值；
将前m天的灰色预测负荷值与实际负荷值构成误差序列，通过马尔科夫方法分析所述误差序列，将误差分为n个状态，每个状态取一个误差的修正值ei，i＝1,2,…,n，分析待预测时刻的误差状态，将所述待预测时刻的灰色预测负荷值和误差的修正值相加得到实际负荷预测值。
其中，所述的阈值处理表达式为：
其中，为经过阈值处理过后的小波系数；ωj,k为第j层分解后的第k个高频系数；λ为加权因子；T为阈值；
加权因子λ的表达式为：
其中，所述阈值T的计算方式：
其中，σ为噪声标准方差；L为信号的尺寸或长度；
σ通过分解的高频系数的绝对值来求得：
其中，所述预测的负荷信号序列为：
其中，X1,t(k)是第k天第t时刻的负荷信号值；X1,t(m)是预测日前一天第t时刻的负荷信号值。
其中，所述建立GM(1，N)模型的过程，包括：
将处理后的预测日前m天的负荷信号和气象特征数据构成输入变量序列：
其中，序列为预测日前第k天任一时刻的负荷信号序列，为气象特征数据序列；
将做累加生成，得到新的数据序列：
由紧邻均值生成 其中，
用最小二乘法的途径对式的参数进行估计确认；
其中，
其中，α为系统发展系数，为驱动项，bi为驱动系数；
得到G(1，N)模型的时间表达式为：
还原负荷信号的模拟值：
当k＝m时，即为该时刻的灰色预测值。
其中，将灰色预测负荷值与实际负荷值构成误差序列通过马尔科夫法，将误差序列划分为n个状态区间，并在每个区间取一个修正误差值eii＝1,2,…,n；通过统计状态转移概率矩阵P，预测出m+1天的误差状态，则最终的预测值为：其中，表示最终的预测值，为第m+1天的灰色预测负荷值，ei为第m天的误差所在的状态i对应的修正误差值。
其中，所述转移概率矩阵P为：
其中，pij为由状态i一步转移到状态j的概率；ni为状态i出现的次数；nij为由状态i一步转移到状态j的次数；所述i、j表示修正误差值所处的不同状态，误差分为n个状态时i、j的取值范围为1、2、3、……、n。
本发明实施例提供一种短期电力负荷预测方法，将短期电力负荷预测分为三个部分，其中第一部分为数据处理部分，数据处理对预测的精度有着重要的作用，本发明实施例采用小波阈值处理法，将获取的原始负荷数据进行噪声处理；将处理后的数据以及获取的天气特征数据作为输入，建立一个多变量的灰色动态模型GM(1，N)，其中输出为负荷数据的序列，将这个输出的序列与原始的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵，预测出预测日的误差状态，最终的预测值就是灰色预测负荷值和马尔科夫法修正值的加和。最终的预测精度有很大的提高。
附图说明
在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。具有不同字母后缀的相似附图标记可表示相似部件的不同示例。附图以示例而非限制的方式大体示出了本发明实施例中所讨论的各个实施例。
图1为本发明实施例短期电力负荷预测方法的流程图；
图2为本发明实施例GM(1，N)模型建立过程示意图。
具体实施方式
本发明实施例提供一种短期电力负荷预测方法，具体是一种小波去噪的灰色马尔科夫短期电力负荷预测方法，灰色马尔科夫是灰色预测与马尔科夫方法组合预测的方法，如图1所示，本发明实施例的具体流程可以包括如下步骤：
步骤101，选择预测日前m个同类型日期的48点(每30min采样一次)的负荷信号；
这里，同类型日期包括：工作日、双休日和重大节假日等。其中，重大节日包括春节、中秋节等。实际应用中，m为不小于1的整数，经过多次试验验证m取6或7时，预测的精度较高。
这里，短期负荷一般指采样时间为1h，24点或30Min，48点，此处选择48点是为了采样时间更小，预测的范围更广。
步骤102，获取针对所选择m个日期及预测日的气象特征数据；
其中，所述气象特征数据可以包括平均温度、平均相对湿度、平均风速等。
步骤103，对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阈值处理，利用处理后的小波系数重构所述负荷信号；
步骤104，以小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征数据序列作为输入，预测的负荷信号序列作为输出，建立灰色动态模型GM(1，N)，预测第m+1天各时刻的灰色预测负荷值；
步骤105，通过马尔科夫方法修正阈值：将前m天的灰色预测负荷值与实际负荷值构成误差序列，通过马尔科夫方法分析所述误差序列，将误差分为n个状态(n≥0)，每个状态取一个误差的修正值ei，分析待预测时刻的误差状态，将所述待预测时刻的灰色预测负荷值和误差的修正值相加得到实际负荷预测值。
这里，n>＝0，n的取值取决于误差值的分布。
其中，步骤103中所述的阈值处理通过如下式(1)～(4)实现：
其中，为经过阈值处理过后的小波系数；ωj,k为第j层分解后的第k个高频系数，根据本发明所采用采样频率，层数j取3.；λ为加权因子；T为阈值；
其中，加权因子λ的表达式为下式(2)：
其中，阈值T的计算方式下式(3)：
其中，σ为噪声标准方差；L为信号的尺寸或长度。
这里，σ可以通过分解的高频系数的绝对值来求得，即根据下式(4)得到：
利用阈值处理后的小波系数对历史的负荷信号进行重构，得到去噪后的负荷信号。使用经过处理的历史负荷信号建模，会使负荷预测的精度提高。
其中，如图2所示，步骤104中GM(1，N)模型建立的过程可以包括如下步骤：
步骤a1，将处理后的预测日前m天的负荷信号和天气特征数据构成如下式(5)所示的输入变量序列：
其中，序列为预测日前第k天某一时刻的负荷信号，为天气特征信号序列。其中，k＝1,2,3,…,m。
步骤a2，将输入变量序列进行累加生成，得到新的数据序列，如下式(6)、(7)所示：
具体的，预测日前m天的平均温度序列为：预测日前m天的平均相对湿度序列为：以此类推，加入其它影响负荷预测的其它因素信号：
步骤a3，由新的数据序列紧邻均值生成如下式(8)所示：
其中，可以通过下式(9)计算得到：
步骤a4，用最小二乘法的途径对式的参数α,bi进行估计确认。
其中，
步骤a5，灰色动态模型GM(1，N)的时间表达式为下式(10)：
其中，α为系统发展系数，为驱动项，bi为驱动系数。
步骤a6，根据下式(11)还原负荷信号的模拟值：
其中，当k＝m时，即为该时刻的灰色预测负荷值。
本发明实施例中，步骤105中马尔科夫方法修正预测值的过程可以包括：首先将灰色预测的负荷值与实际负荷值构成误差序列通过马尔科夫法将误差序列划分为n个状态区间，并在每个区间取一个修正误差值ei，其中，i＝1,2,…,n，通过统计状态转移概率矩阵P，预测出m+1天的误差状态。
其中，转移概率矩阵P的表达式为式(12)：
其中，式(12)中pij为由状态i一步转移到状态j的概率；ni为状态i出现的次数；nij为由状态i一步转移到状态j的次数。此处的i、j表示修正误差值所处于的不同状态。将误差分为n个状态(状态是一个取值的区间)，则i、j可取1、2、3、……、n。例如，将误差分为4个状态时，则i、j可取1,2,3,4，此时，
其中，在得到第m天的误差后，判断其在状态i，统计状态矩阵maxpij，maxpij指pij中最大的值，则可判断预测日(第m+1天)的误差状态。将该状态所对应的修正误差值与灰色预测负荷值相加得到最终预测值。最终的预测值为式(13)：
其中，表示最终预测值，为第m+1天的灰色预测负荷值，ei为得到第m天误差所在的状态i对应的修正误差值。
小波转换法可以同时在时域和频域上对信号进行分析，能够区分信号中的噪声，从而对信号去噪。这种方法在数据处理中广泛应用，本发明将此方法引入负荷数据处理中，实现负荷数据的预处理工作。
多变量的灰色预测方法，区别于传统的灰色预测只考虑历史负荷一个因素，多变量的灰色预测法，把对负荷影响较大的其它因素如温度、相对湿度、风速等加入模型中，使预测精度更加准确。
马尔科夫法具有无后效性，对于预测波动性较强的序列效果较好，因此将该方法用于预测灰色预测负荷值与实际负荷值之间的误差具有很好的效果，该方法优化并修正了灰色预测负荷值，使预测的精度得到了提高。
本发明实施例的方法将短期电力负荷预测分为三个部分，其中第一部分为数据处理部分，数据处理对预测的精度有着重要的作用，本发明实施例采用小波阈值处理法，将获取的原始负荷数据进行噪声处理。将处理后的数据以及获取的天气特征数据作为输入，建立一个多变量的灰色动态模型GM(1，N)，其中输出为负荷数据的序列，将这个输出的序列与原始的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵，预测出预测日的误差状态，最终的预测值就是灰色预测负荷值和马尔科夫法修正值的加和。最终的预测精度有很大的提高。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (8)
1.一种短期电力负荷预测方法，其特征在于，所述方法包括：
采用小波阈值处理法将获取的原始负荷数据进行噪声处理；
以处理后的原始负荷数据以及获取的天气特征数据作为输入，建立多变量的灰色动态模型，所述灰色动态模型的输出为负荷数据序列；
将该负荷数据序列与原始负荷数据的序列构成一个误差序列，通过马尔科夫法，将误差分为多个状态，并在每个状态区间取一个修正误差值，通过状态转移矩阵预测出待测日的误差状态，最终的预测值为灰色预测负荷值和马尔科夫法修正值的加和。
2.根据权利要求1所述的方法，其特征在于，所述方法包括：
选择预测日前m个同类型日期的负荷信号；
获取针对所选择m个日期及预测日的气象特征数据；
对选择的所述负荷信号进行小波分解，将分解后得到的小波系数进行阈值处理，利用处理后的小波系数重构所述负荷信号；
以小波处理过后的m天历史负荷信号序列和历史m天及预测日气象特征数据序列作为输入，预测的负荷信号序列作为输出，建立灰色动态GM(1，N)模型，预测第m+1天各时刻的灰色预测负荷值；
将前m天的灰色预测负荷值与实际负荷值构成误差序列，通过马尔科夫方法分析所述误差序列，将误差分为n个状态，每个状态取一个误差的修正值ei，i＝1,2,…,n，分析待预测时刻的误差状态，将所述待预测时刻的灰色预测负荷值和误差的修正值相加得到实际负荷预测值。
3.根据权利要求2所述的方法，其特征在于，所述的阈值处理表达式为：
其中，为经过阈值处理过后的小波系数；ωj,k为第j层分解后的第k个高频系数；λ为加权因子；T为阈值；
加权因子λ的表达式为：
4.根据权利要求3所述的方法，其特征在于，所述阈值T的计算方式：
其中，σ为噪声标准方差；L为信号的尺寸或长度；
σ通过分解的高频系数的绝对值来求得：
5.根据权利要求2所述的方法，其特征在于，所述预测的负荷信号序列为：
其中，X1,t(k)是第k天第t时刻的负荷信号值；X1,t(m)是预测日前一天第t时刻的负荷信号值。
6.根据权利要求2所述的方法，其特征在于，所述建立GM(1，N)模型的过程，包括：
将处理后的预测日前m天的负荷信号和气象特征数据构成输入变量序列：
其中，序列为预测日前第k天任一时刻的负荷信号序列，为气象特征数据序列；
将做累加生成，得到新的数据序列：
由紧邻均值生成 其中，
用最小二乘法的途径对式的参数进行估计确认；
其中，
其中，α为系统发展系数，为驱动项，bi为驱动系数；
得到G(1，N)模型的时间表达式为：
还原负荷信号的模拟值：
当k＝m时，即为该时刻的灰色预测值。
7.根据权利要求6所述的方法，其特征在于：
将灰色预测负荷值与实际负荷值构成误差序列通过马尔科夫法，将误差序列划分为n个状态区间，并在每个区间取一个修正误差值eii＝1,2,…,n；通过统计状态转移概率矩阵P，预测出m+1天的误差状态，则最终的预测值为：其中，表示最终的预测值，为第m+1天的灰色预测负荷值，ei为第m天的误差所在的状态i对应的修正误差值。
8.根据权利要求7所述的方法，其特征在于，所述转移概率矩阵P为：
其中，pij为由状态i一步转移到状态j的概率；ni为状态i出现的次数；nij为由状态i一步转移到状态j的次数；所述i、j表示修正误差值所处的不同状态，误差分为n个状态时i、j的取值范围为1、2、3、……、n。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511015928.8A CN105825040A (zh) | 2015-12-29 | 2015-12-29 | 短期电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511015928.8A CN105825040A (zh) | 2015-12-29 | 2015-12-29 | 短期电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105825040A true CN105825040A (zh) | 2016-08-03 |
Family
ID=56514912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511015928.8A Pending CN105825040A (zh) | 2015-12-29 | 2015-12-29 | 短期电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105825040A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038279A (zh) * | 2017-03-08 | 2017-08-11 | 北京航空航天大学 | 一种湍流信号的预测方法及装置 |
| CN107563544A (zh) * | 2017-08-16 | 2018-01-09 | 江苏方天电力技术有限公司 | 一种基于日特征向量优化的灰色模型电量预测方法 |
| CN107977742A (zh) * | 2017-11-28 | 2018-05-01 | 中国科学院广州能源研究所 | 一种中长期电力负荷预测模型的构建方法 |
| CN108365608A (zh) * | 2018-01-05 | 2018-08-03 | 中国电力科学研究院有限公司 | 一种区域能源互联网不确定优化调度方法及系统 |
| CN108489636A (zh) * | 2018-03-08 | 2018-09-04 | 广东电网有限责任公司珠海供电局 | 一种电缆导体温度预测方法 |
| CN109100429A (zh) * | 2018-06-26 | 2018-12-28 | 武汉大学 | 一种组合预测残差修正的油中气体预测方法 |
| CN109117595A (zh) * | 2018-09-25 | 2019-01-01 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
| CN109274124A (zh) * | 2018-11-22 | 2019-01-25 | 国网黑龙江省电力有限公司电力科学研究院 | 基于场景马尔科夫法的风电就地消纳能力预测方法 |
| CN109816165A (zh) * | 2019-01-16 | 2019-05-28 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
| CN109889391A (zh) * | 2019-03-13 | 2019-06-14 | 南京理工大学 | 一种基于组合模型的网络短时流量预测方法 |
| CN111428932A (zh) * | 2020-03-27 | 2020-07-17 | 中国民航大学 | 基于小波变换和灰色预测的中长期空中交通流量预测方法 |
| CN111461462A (zh) * | 2020-04-29 | 2020-07-28 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
| CN112100867A (zh) * | 2020-11-10 | 2020-12-18 | 南昌工程学院 | 电网负荷预测方法 |
| CN115859554A (zh) * | 2022-10-08 | 2023-03-28 | 常熟理工学院 | 基于大数据的民用天然气动态智能调配方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
| CN103996071A (zh) * | 2014-02-25 | 2014-08-20 | 沈阳理工大学 | 一种基于马尔科夫理论的风电场风速预测方法 |
-
2015
- 2015-12-29 CN CN201511015928.8A patent/CN105825040A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013005465A (ja) * | 2011-06-10 | 2013-01-07 | Azbil Corp | 負荷量予測装置、負荷量予測方法および負荷量予測プログラム |
| CN103996071A (zh) * | 2014-02-25 | 2014-08-20 | 沈阳理工大学 | 一种基于马尔科夫理论的风电场风速预测方法 |
Non-Patent Citations (9)
| Title |
|---|
| 张昀: "电力系统短期负荷智能化预测方法", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 * |
| 朱军桃: "小波去噪的灰色动态模型在变形预测中的应用", 《地理空间信息》 * |
| 朱艳芹: "几种基于小波阈值去噪的改进方法", 《电子测试》 * |
| 李树钰: "改进的小波阈值去噪方法及其在MATLAB中的仿真", 《噪声与振动控制》 * |
| 沈艳: "基于自相关的GM（1，1）与GM（1，N）联合模型优化及应用", 《应用科技》 * |
| 王正新: "灰色多变量GM（1，N）幂模型及其应用", 《系统工程理论与实践》 * |
| 童述林: "电力负荷数据预处理的二维小波阈值去噪方法", 《电力系统自动化》 * |
| 蔚清: "边坡监测数据预处理方法比较及建模研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
| 陈焕珍: "基于灰色马尔科夫模型的青岛市粮食产量预测", 《计算机仿真》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107038279A (zh) * | 2017-03-08 | 2017-08-11 | 北京航空航天大学 | 一种湍流信号的预测方法及装置 |
| CN107563544A (zh) * | 2017-08-16 | 2018-01-09 | 江苏方天电力技术有限公司 | 一种基于日特征向量优化的灰色模型电量预测方法 |
| CN107977742B (zh) * | 2017-11-28 | 2021-07-13 | 中国科学院广州能源研究所 | 一种中长期电力负荷预测模型的构建方法 |
| CN107977742A (zh) * | 2017-11-28 | 2018-05-01 | 中国科学院广州能源研究所 | 一种中长期电力负荷预测模型的构建方法 |
| CN108365608A (zh) * | 2018-01-05 | 2018-08-03 | 中国电力科学研究院有限公司 | 一种区域能源互联网不确定优化调度方法及系统 |
| CN108365608B (zh) * | 2018-01-05 | 2022-01-18 | 中国电力科学研究院有限公司 | 一种区域能源互联网不确定优化调度方法及系统 |
| CN108489636A (zh) * | 2018-03-08 | 2018-09-04 | 广东电网有限责任公司珠海供电局 | 一种电缆导体温度预测方法 |
| CN108489636B (zh) * | 2018-03-08 | 2020-02-04 | 广东电网有限责任公司珠海供电局 | 一种电缆导体温度预测方法 |
| CN109100429A (zh) * | 2018-06-26 | 2018-12-28 | 武汉大学 | 一种组合预测残差修正的油中气体预测方法 |
| CN109117595A (zh) * | 2018-09-25 | 2019-01-01 | 新智数字科技有限公司 | 一种热负荷预测方法、装置、可读介质及电子设备 |
| US11887020B2 (en) | 2018-09-25 | 2024-01-30 | Ennew Technology Co., Ltd. | Thermal load prediction method and apparatus, readable medium, and electronic device |
| CN109274124B (zh) * | 2018-11-22 | 2022-08-12 | 国网黑龙江省电力有限公司电力科学研究院 | 基于场景马尔科夫法的风电就地消纳能力预测方法 |
| CN109274124A (zh) * | 2018-11-22 | 2019-01-25 | 国网黑龙江省电力有限公司电力科学研究院 | 基于场景马尔科夫法的风电就地消纳能力预测方法 |
| CN109816165B (zh) * | 2019-01-16 | 2020-09-25 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
| CN109816165A (zh) * | 2019-01-16 | 2019-05-28 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
| CN109889391A (zh) * | 2019-03-13 | 2019-06-14 | 南京理工大学 | 一种基于组合模型的网络短时流量预测方法 |
| CN109889391B (zh) * | 2019-03-13 | 2022-03-18 | 南京理工大学 | 一种基于组合模型的网络短时流量预测方法 |
| CN111428932A (zh) * | 2020-03-27 | 2020-07-17 | 中国民航大学 | 基于小波变换和灰色预测的中长期空中交通流量预测方法 |
| CN111428932B (zh) * | 2020-03-27 | 2022-12-06 | 中国民航大学 | 基于小波变换和灰色预测的中长期空中交通流量预测方法 |
| CN111461462A (zh) * | 2020-04-29 | 2020-07-28 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
| CN111461462B (zh) * | 2020-04-29 | 2023-11-21 | 南京工程学院 | 基于TrellisNet-LSTM的日负荷预测方法 |
| CN112100867A (zh) * | 2020-11-10 | 2020-12-18 | 南昌工程学院 | 电网负荷预测方法 |
| CN115859554A (zh) * | 2022-10-08 | 2023-03-28 | 常熟理工学院 | 基于大数据的民用天然气动态智能调配方法 |
| CN115859554B (zh) * | 2022-10-08 | 2024-04-26 | 常熟理工学院 | 基于大数据的民用天然气动态智能调配方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105825040A (zh) | 短期电力负荷预测方法 | |
| CN109657937B (zh) | 一种基于退化数据的产品可靠性评估与寿命预测方法 | |
| CN108920863B (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
| CN103310051B (zh) | 一种全寿命周期内的车载信息终端故障率预测方法 | |
| Zhang et al. | CPU load predictions on the computational grid | |
| CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
| CN114239718B (zh) | 基于多元时序数据分析的高精度长期时间序列预测方法 | |
| CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
| CN111832176B (zh) | 降雨条件下全极化微波辐射计海面风场反演方法及系统 | |
| CN114066052A (zh) | 基于改进tcn修正累积误差的可调节负荷功率多步预测方法 | |
| CN115630490A (zh) | 基于多性能参数退化的电机可靠性建模与寿命预测方法 | |
| CN105550457A (zh) | 动态演化模型校正方法及系统 | |
| CN109814101B (zh) | 一种航空器位置预测的方法及装置 | |
| CN111738530B (zh) | 河流的水质预测方法、装置以及计算机可读存储介质 | |
| CN112529209A (zh) | 模型训练方法、装置以及计算机可读存储介质 | |
| CN117035155A (zh) | 一种水质预测方法 | |
| CN111612648A (zh) | 光伏发电预测模型的训练方法、装置和计算机设备 | |
| CN106153046B (zh) | 一种基于自适应Kalman滤波的陀螺随机噪声AR建模方法 | |
| CN109239006B (zh) | 一种基于湿度补偿模型的物质识别方法、装置及存储介质 | |
| CN103607219A (zh) | 一种电力线通信系统的噪声预测方法 | |
| CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
| Sommer et al. | Multistage acceptance sampling under nonparametric dependent sampling designs | |
| CN114897047B (zh) | 基于深度字典的多传感器数据漂移检测方法 | |
| Xin et al. | Short-term load forecasting for electric vehicle charging stations based on time series distance measuring | |
| CN113569324A (zh) | 边坡形变监测异常数据分析与优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |
|
| RJ01 | Rejection of invention patent application after publication |