CN106127303A - 一种面向多源数据的短期负荷预测方法 - Google Patents
一种面向多源数据的短期负荷预测方法 Download PDFInfo
- Publication number
- CN106127303A CN106127303A CN201610429619.3A CN201610429619A CN106127303A CN 106127303 A CN106127303 A CN 106127303A CN 201610429619 A CN201610429619 A CN 201610429619A CN 106127303 A CN106127303 A CN 106127303A
- Authority
- CN
- China
- Prior art keywords
- day
- model
- load
- training
- predicted
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 42
- 230000005611 electricity Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 7
- 230000001932 seasonal effect Effects 0.000 claims description 2
- 238000005314 correlation function Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 241001269238 Data Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001839 systemic circulation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种面对多源数据的短期负荷预测方法,包括收集数据;通过AR法预测待预测时间段的首个待测值;结合步骤二AR得到的首个待测值,通过BP‑ANN法得到所有待测值。本发明以增加少量预测处理时间为代价,有效地实现了准确、高效的面向多源数据的短期负荷预测的技术效果。
Description
技术领域
本发明属于负荷预测领域,涉及涉及一种基于AR(Auto Regressive,自回归)模型与BP(Back Propagation,反向传播)人工神经网络(简称BP-ANN)的短期负荷预测方法。
背景技术
短期负荷预测是电力系统经济调度、实时控制、制定运行计划的前提,预测数据是电网调度机构所需的必要信息,对电网安全稳定经济运行有重要作用。在短期负荷预测方法中常用的有以AR为代表的时间序列法和以BP-ANN神经网络法为代表的智能预测算法。AR时间序列法将连续时间断面负荷数据视为稳定时间序列,在环境变化不大的情况下预测精度较高;BP-ANN法可以在预测过程中引入负荷影响因素等多源数据,并建立与实际情况更接近的非线性模型。
但这两种方法有各自的局限性:AR方法预测超短期预测精度虽高但难以处理负荷影响因素等多源数据,且在外界因素波动剧烈时预测误差显著变大;BP-ANN法虽可以处理多源数据、模型中非线性环节更贴近实际情况,但短期负荷预测过于依赖训练数据的选取,预测精度受训练数据影响大。
发明内容
本发明提出一种面对多源数据的短期负荷预测方法,将AR预测值作为BP-ANN训练数据的修正量来进行短期负荷预测,从而将两种基础算法的优势互补。
本发明的技术解决方案如下:
一种面对多源数据的短期负荷预测方法,包括如下步骤:
步骤一:收集数据。对于某一待预测负荷,根据选定的待预测时间段(一般多为预测次日全天的负荷),收集其相似日(本发明中相似日的选定采用待预测日(简称待测日)的去年同期)和待测日前一日的负荷数据及相关影响负荷的多源数据(气温及电价)。具体数据设定为:相似日和待测日前一日的各时段的负荷值以及对应的电价;待测日和相似日的最高、最低气温。
步骤二:利用已有的负荷值数据,通过AR法预测下一时间点的待预测值(简称待测值)。
这一步骤利用AR法在超短期预测中有高精度的特点,根据已有负荷值数据来预测出下一时间点的待测值。AR时间序列法认为,时间序列中下一时刻t的未知值Yt是前p个时刻的已知值(Yt-1,Yt-2...,Yt-p)的线性组合。AR模型如公式所示:
Yt=c+φ1Yt-1+…+φpYt-p+εt (1)
AR模型的建立需求取εt、阶数p与系数φ1,...,φp(c代表模型自相关系数常量,默认为0)。εt常用其均值0代替;阶数p可根据偏相关函数截尾性初步判断,再计算模型残差方差,应用AIC准则确定模型的阶数p;最后,根据所求特定阶数下的偏相关函数值得到相应系数φ1,...,φp。在确定AR模型后,根据已有的前p个负荷值,通过公式(1)可以求得在下一时间点的待测值Yt。
步骤三:结合步骤二AR所得预测值,通过BP-ANN法预测。
BP-ANN法基于人工神经网络结构,对已知的输出输入对(为训练数据),通过对模型中权值参数的若干次反向矫正得到输入与输出量的非线性关系函数(该训练过程要求满足达到训练最大循环次数或训练结果误差小于最大允许误差),从而在输入待预测数据后通过该函数计算得出预测的负荷值。BP-ANN法的基本结构如图7所示。网状式有向线段表示每层节点与左侧所有节点的非线性关系,该非线性关系由线性部分层间权值之和与非线性部分激励函数组成。输入层I与隐层J线性关系如公式(2)所示。
其中,yi代表节点i的输出值,xj代表上层节点j的输出值,wij代表节点i与节点j的层间权值,f为已知的激励函数。隐层J与输出层K之间的线性关系式与式(2)类似,相应的权值为图3中的wjk。通过训练求得满足要求的各个wij和wjk从而确定输入与输出之间的关系函数。
BP-ANN算法通过对输入的需要设定的参数有很多,包括隐层的数目(可以设定多个隐层),训练最大循环次数(即迭代计算权值的最大次数),最大允许误差,激励函数f等等。本发明采用的BP-ANN法的参数设定如下表所示。网络层数采用的基本的3层式(输入层,隐层和输出层)。输入层节点数设定为96,具体由时间点序列(24个)、每个时间点的气温组数据(最高温和最低温,24×2个)及每个时间点的电价(24个)构成,其形式可参考下面的训练输入单元。其中,时间点序列为一个从1到24的序列(1:00到24:00)。每过一小时则待测值个数随之递减1个,易知1号时间点有24个待测值,而24号时间点有1个待测值。隐层节点数目采用(2×输入节点数+1);输出节点数为24(1个负荷值或预测值/小时);激励函数f为最为常用的标准sigmoid函数。公式(2)在sigmoid激励函数函数下的表达式如公式(3)所示
表1 BP-ANN参数表
BP-ANN能够处理多源数据,因而可以将历史负荷值对应的多源数据(时间,温度,电价等)整理为训练输入单元,结合历史负荷值构成的训练输出单元来训练BP-ANN模型。其中历史负荷值采用相似日的负荷值。经典BP-ANN法下,采用的训练输入单元为:
[时间点序列;(相似日各时间点的)最高与最低气温组数据;(相似日各时间点的)电价]
而训练输出单元为:
[(相似日各时间点的)实际负荷值]
考虑到步骤二中采用AR法得到的预测值相较于去年同期负荷值更加精确、更具有参考意义,从而将其与与之对应的气温、电价数据一起替换原数据训练单元内对应时间点的数据。以AR预测值为待测日的1号时间点(即1:00)为例,采用的训练输入单元变为:
[时间点序列;(待测日1:00)最高、最低气温,(相似日2:00-24:00)最高、最低气温组数据;(待测日1:00)电价,(相似日2:00-24:00)电价]
而训练输出单元则变为:
[(待测日1:00)AR预测值,(相似日2:00-24:00)实际负荷值]
同理,若AR预测值为待测日的2号时间点(即2:00),1号时间点的负荷值为已知量,则采用的训练输入单元为:
[时间点序列;(待测日1:00-2:00)最高、最低气温,(相似日3:00-24:00)最高、最低气温组数据;(待测日1:00-2:00)电价,(相似日2:00-24:00)电价]
此时的训练输出单元变为:
[(待测日1:00)实际负荷值,(待测日2:00)AR预测值,(相似日3:00-24:00)实际负荷值]
训练输入与输出单元用以训练BP-ANN模型求得各个wij和wjk,从而最终计算得到所有待测值。
与现有技术相比,本发明的有益效果如下:
通过在超短期负荷预测中有高精度的AR法,预测得到相较于传统BP-ANN法采用的训练单元更为精确的首个预测值,提高了初步预测的精度;再用修正后的训练单元对BP-ANN模型进行训练,弥补了AR法在全天预测的时间范畴内精确性不足以及无法处理非线性和多源数据的缺陷,同时提高了BP-ANN训练结果的准确有效性。本发明通过以上方式,以增加少量预测处理时间为代价,有效地实现了准确、高效的面向多源数据的短期负荷预测的技术效果。
附图说明
图1本发明预测值与实际负荷值比较图
图2本发明预测相对误差示意图
图3本发明与传统BP-ANN预测结果比较图
图4本发明与传统BP-ANN预测相对误差比较图
图5实施例中最大相对误差图
图6实施例中平均相对误差图
图7 BP-ANN法的基本结构
具体实施方式
下面结合实施例和附图对本发明作进一步说明,但不应以此限制本发明的保护范围。
实施例
将美国PJM电力交易平台AP公司运行区域内所有负荷视为整体进行预测。设定当日为2014年12月31日,待预测时间段为次日即2015年1月1日全天,共有24个待预值(一个待测值/小时)。
具体实施过程如下:
步骤1、收集整理有关数据
根据实施例所设定的待预测时间段(2015年1月1日全天),选择去年同期即2014年1月1日作为相似日。从PJM平台上获取当日(即2014年12月31日)所有时间点的负荷值(共24个)和相似日所有时间点的负荷值(共24个)。由于气温数据来源有限,待预测时间段和相似日的每个时间点的气象数据均采用当地该日的最高温和最低温,由网络平台所得。
步骤2、AR法预测待测时间段的首个待测值
根据如下的AR模型公式(1),利用待预测时间段的前24个已知负荷值(对应公式(1)中的Yt-1,...,Yt-p,...,Yt-24)来确定该模型(即求出公式(1)中的εt、阶数p及系数φ1,...,φp),并由该模型得到下一时间点(即待预测时间段的首个时间点)的待测值(对应公式(1)中的Yt)。
Yt=c+φ1Yt-1+...+φpYt-p+εt (4)
具体实现步骤为:
2A.从PJM平台收集AP公司运行区域在的全天负荷值(共24个),形成负荷的时间序列。
2B.对上述负荷的时间序列通过相邻项取差进行两次差分处理以增加其稳定性,再进行标准化处理。
2C.计算处理后的时间序列的自相关系数。为了确定阶数,计算从1阶到10阶(即公式(1)中的p=1,...,10)的各阶情形下的偏相关系数。
2D.根据偏相关函数的截尾性(相对截尾)和AIC准则,选取使AIC值为最小的阶数作为模型的阶数(此实施例中p=5),用最小二乘法估计模型系数(公式(1)中的φ1,...,φp)。
2E.计算模型的白噪声序列(公式(1)中的εt)的自相关系数以验证模型精度。
2F.采用所得模型进行单步预测,再通过两次反差分处理得到首个待测值。
步骤3、BP-ANN训练单元修正以及BP-ANN训练与预测
将步骤2求得的AR预测值及对应时间点的气温、电价替代原BP-ANN模型的训练输出、输入单元中同一时间点的相应数据,得到修正的训练单元。
以待预测时间段为待测日全天(即1:00-24:00)为例,通过步骤2求得的是待测日1号时间点(即1:00)的AR预测值。此时训练输入、输出单元应分别修正为:
[时间点序列;(待测日1:00)最高、最低气温,(相似日2:00-24:00)最高、最低气温组数据;(待测日1:00)电价,(相似日2:00-24:00)电价]
和
[(待测日1:00)AR预测值,(相似日2:00-24:00)实际负荷值]
应当注意到,待预测时间段之前的均为已知条件,应根据待预测时间段的变化实时更新训练单元。例如当待预测时间段变为待测日的2:00-24:00时,训练输入、输出单元应再次修正为:
[时间点序列;(待测日1:00-2:00)最高、最低气温,(相似日3:00-24:00)最高、最低气温组数据;(待测日1:00-2:00)电价,(相似日2:00-24:00)电价]
和
[(待测日1:00)实际负荷值,(待测日2:00)AR预测值,(相似日3:00-24:00)实际负荷值]
采用的BP-ANN模型涉及的各项结构性参数如表1所示(如下),同时采用标准sigmoid函数(公式(3))作为隐层和输出层的激励函数。
表1 BP-ANN参数表
使用已修正的训练单元来训练BP-ANN模型,再根据该模型求出待预测时间段内的各待测值。具体可以分为如下:
3A.将训练单元的数据进行归一化处理,并设定各权值的初始值。
3B.训练输入单元通过隐层、输出层的含权值的激励函数得到隐层、输出层的输出单元。
3C.判断输出单元与训练输出单元之间的误差是否小于设定的“最大允许误差”(0.0001),若不满足则计算各层局部梯度,逆向迭代计算新的权值。
3D.重复步骤3B、3C直到误差小于“最大允许误差”或循环训练次数达到设定的“最大循环次数”(1000次)。BP-ANN模型训练结束。
3E.读取待预测数据构成的输入单元,并通过训练所得的BP-ANN模型进行预测。
3F.反归一化处理,得到最终各预测值。
步骤4、带预测时间段减少1小时,重复步骤1至步骤3,直至待预测时间段为空。
采用上述步骤1至步骤3,对实施例中待测日全天进行日前负荷预测,得到的预测值曲线如图1所示。为量化预测精度,分别计算预测相对误差和预测平均误差。预测相对误差由如下公式所求:
预测平均误差为相对误差的平均值。图2显示了采用本发明的AR-ANN法预测后的相对误差和平均相对误差(约为3.2333%)。
为比较说明,将BP-ANN预测算法应用,得到相应的负荷预测结果,与本发明预测结果相对比,对比图分别由图3与图4所示。其中图4的BP-ANN预测平均相对误差为3.3792%。
采用上述步骤1至步骤4,预测待测日余下若干时间点(图中称为时间断面,也即余下的待测值)的负荷,总计24种预测情形。该过程除了训练单元有所不同外其余都相同。训练单元的不同之处在于,每增加一个时间点的真实负荷值,BP-ANN模型的输出层节点数减1,输入层节点数不变,但数据整体对应的时间窗口需相应前进1个断面(即待预测时间段减少1小时)。
将此24种预测情形分别使用BP-ANN与本发明算法,所得误差(计算方法同前)分别如图5与图6所示,具体数据由表2展示。
表2 实例预测误差数据表
实践证明,本发明提出的基于AR与BP人工神经网络的AR-ANN短期负荷预测方法,较传统BP人工神经网络在不同预测情形下具有普遍的减小预测误差的效果。误差减小的同时,对电网运行方式安排、经济安全运行具有重要意义。
Claims (4)
1.一种面对多源数据的短期负荷预测方法,其特征在于,包括如下步骤:
步骤1:收集数据:对于某一待预测负荷,根据选定的待预测时间段,收集其相似日和待预测时间段前一日的负荷数据及影响负荷的多源数据;
步骤2:通过AR法预测待预测时间段的首个待测值Yt,模型如下:
Yt=c+φ1Yt-1+…+φpYt-p+εt
式中,c代表模型自相关系数常量,默认为0,εt用其均值0代替,
p代表特定阶数,根据的负荷的时间序列Y1,Y2,...,计算该序列的偏相关函数,根据偏相关函数的截尾性初步判断,再计算模型残差方差,最后用AIC准则确定;
根据所求特定阶数下的偏相关函数值,用最小二乘法估计相应模型系数φ1,...,φp;
步骤3:结合步骤二AR得到的首个待测值,通过BP-ANN法得到所有待测值:
采用训练输入单元为:
[时间点序列;(相似日各时间点的)最高与最低气温组数据;(相似日各时间点的)电价]
训练输出单元为:
[(相似日各时间点的)实际负荷值]
训练输入与输出单元用以训练BP-ANN模型,最终得到待预测时间段的所有待测值。
2.根据权利要求1所述的面对多源数据的短期负荷预测方法,其特征在于,所述的步骤2通过AR法预测待预测时间段的首个待测值,具体步骤包括:
2A.收集全天负荷值,形成负荷的时间序列;
2B.对上述负荷的时间序列通过相邻项取差进行两次差分处理以增加其稳定性,再进行标准化处理;
2C.计算处理后的时间序列的自相关系数;
2D.根据偏相关函数的截尾性和AIC准则,选取使AIC值为最小的阶数作为模型的阶数,用最小二乘法估计模型系数;
2E.计算模型的白噪声序列的自相关系数以验证模型精度。
2F.采用所得模型进行单步预测,再通过两次反差分处理得到首个待测值。
3.根据权利要求1所述的面对多源数据的短期负荷预测方法,其特征在于,所述的步骤3结合步骤二AR得到的首个待测值,通过BP-ANN法得到所有待测值具体包括步骤如下:
3A.将训练单元的数据进行归一化处理,并设定各权值的初始值。
3B.训练输入单元通过隐层、输出层的含权值的激励函数得到隐层、输出层的输出单元;
3C.判断输出单元与训练输出单元之间的误差是否小于设定的最大允许误差:
若不满足,则计算各层局部梯度,逆向迭代计算新的权值,进入步骤3D;
若满足,则BP-ANN模型训练结束,进入步骤3E;
3D.循环训练次数自加1,判断循环训练次数是否达到设定的最大循环次数,如没有达到,则返回步骤3B,如达到,则BP-ANN模型训练结束,进入步骤3E;
3E.读取待预测数据构成的输入单元,并通过训练所得的BP-ANN模型进行预测;
3F.反归一化处理,得到最终各预测值。
4.根据权利要求1所述的面对多源数据的短期负荷预测方法,其特征在于,所述的影响负荷的多源数据为相似日和待测日前一日的各时段的负荷值以及对应的电价,待测日和相似日的最高、最低气温。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610429619.3A CN106127303A (zh) | 2016-06-15 | 2016-06-15 | 一种面向多源数据的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610429619.3A CN106127303A (zh) | 2016-06-15 | 2016-06-15 | 一种面向多源数据的短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127303A true CN106127303A (zh) | 2016-11-16 |
Family
ID=57469626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610429619.3A Pending CN106127303A (zh) | 2016-06-15 | 2016-06-15 | 一种面向多源数据的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127303A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107730046A (zh) * | 2017-10-23 | 2018-02-23 | 上海积成能源科技有限公司 | 一种电力短期负荷预测系统及方法 |
CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和系统 |
CN108196957A (zh) * | 2017-12-28 | 2018-06-22 | 福州大学 | 一种云环境下的主机负载预测方法 |
CN108537327A (zh) * | 2018-03-28 | 2018-09-14 | 北京航空航天大学 | 一种基于时间序列bp神经网络预测方法及装置 |
CN108539738A (zh) * | 2018-05-10 | 2018-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于梯度提升决策树的短期负荷预测方法 |
CN108872665A (zh) * | 2018-09-20 | 2018-11-23 | 广东石油化工学院 | 一种基于最小信息准则的负载开关事件检测方法及系统 |
CN109274110A (zh) * | 2018-11-23 | 2019-01-25 | 国网上海市电力公司 | 一种基于误差调整的电力系统不平衡率预测方法 |
CN109524961A (zh) * | 2018-11-23 | 2019-03-26 | 国网上海市电力公司 | 一种基于时间序列的电力系统不平衡率预测方法 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060184472A1 (en) * | 2005-02-03 | 2006-08-17 | Dingguo Chen | Identify data sources for neural network |
US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
CN103593718A (zh) * | 2013-11-26 | 2014-02-19 | 国家电网公司 | 一种负荷组合预测方法及装置 |
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
-
2016
- 2016-06-15 CN CN201610429619.3A patent/CN106127303A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060184472A1 (en) * | 2005-02-03 | 2006-08-17 | Dingguo Chen | Identify data sources for neural network |
US20070185823A1 (en) * | 2005-07-28 | 2007-08-09 | Dingguo Chen | Load prediction based on-line and off-line training of neural networks |
CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
CN103093285A (zh) * | 2013-01-22 | 2013-05-08 | 清华大学 | 基于人工神经网络的短期负荷预测方法 |
CN103593718A (zh) * | 2013-11-26 | 2014-02-19 | 国家电网公司 | 一种负荷组合预测方法及装置 |
CN104408529A (zh) * | 2014-11-21 | 2015-03-11 | 广东工业大学 | 电网短期负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
卢建昌 等: "基于时序分析的神经网络短期负荷预测模型研究", 《中国电力》 * |
吕福琴: "基于自回归和神经网络算法加权组合的负荷预测", 《广东电力》 * |
陈伟 等: "基于累积式自回归动平均法和反向传播神经网络的短期负荷预测模型", 《电网技术》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239859B (zh) * | 2017-06-05 | 2018-05-08 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107239859A (zh) * | 2017-06-05 | 2017-10-10 | 国网山东省电力公司电力科学研究院 | 基于串联长短期记忆循环神经网络的供热负荷预测方法 |
CN107730046A (zh) * | 2017-10-23 | 2018-02-23 | 上海积成能源科技有限公司 | 一种电力短期负荷预测系统及方法 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN107895211A (zh) * | 2017-11-27 | 2018-04-10 | 上海积成能源科技有限公司 | 一种基于大数据的中长期电力负荷预测方法和系统 |
CN108196957A (zh) * | 2017-12-28 | 2018-06-22 | 福州大学 | 一种云环境下的主机负载预测方法 |
CN108537327A (zh) * | 2018-03-28 | 2018-09-14 | 北京航空航天大学 | 一种基于时间序列bp神经网络预测方法及装置 |
CN108539738A (zh) * | 2018-05-10 | 2018-09-14 | 国网山东省电力公司电力科学研究院 | 一种基于梯度提升决策树的短期负荷预测方法 |
CN108539738B (zh) * | 2018-05-10 | 2020-04-21 | 国网山东省电力公司电力科学研究院 | 一种基于梯度提升决策树的短期负荷预测方法 |
CN108872665A (zh) * | 2018-09-20 | 2018-11-23 | 广东石油化工学院 | 一种基于最小信息准则的负载开关事件检测方法及系统 |
CN108872665B (zh) * | 2018-09-20 | 2020-07-03 | 广东石油化工学院 | 一种基于最小信息准则的负载开关事件检测方法及系统 |
CN109274110A (zh) * | 2018-11-23 | 2019-01-25 | 国网上海市电力公司 | 一种基于误差调整的电力系统不平衡率预测方法 |
CN109524961A (zh) * | 2018-11-23 | 2019-03-26 | 国网上海市电力公司 | 一种基于时间序列的电力系统不平衡率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127303A (zh) | 一种面向多源数据的短期负荷预测方法 | |
CN104636823B (zh) | 一种风电功率预测方法 | |
Lee | Efficiency of research performance of Australian universities: A reappraisal using a bootstrap truncated regression approach. | |
CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN110232400A (zh) | 一种梯度提升决策神经网络分类预测方法 | |
CN104008164A (zh) | 基于广义回归神经网络的短期腹泻病多步预测方法 | |
CN108711847A (zh) | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 | |
CN106251008A (zh) | 一种基于组合权重相似日选取的光伏功率预测方法 | |
CN105760952A (zh) | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 | |
CN106203683A (zh) | 一种电力客户用电负荷预测系统的建模方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN105139093A (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
CN106650979A (zh) | 一种馈线基线负荷预测方法 | |
KR20200008621A (ko) | 인공지능기법을 이용한 전기설비 안전도 평가 시스템 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN105868865A (zh) | 基于多元线性回归与比例替代法的电动汽车保有量预测方法 | |
CN105404932A (zh) | 基于智能电网创新示范区的能源互联网综合评估与优化配置方法 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
CN112330012B (zh) | 一种基于迁移学习的建筑能耗预测方法及设备 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN111340236A (zh) | 一种基于债券估值数据与集成机器学习的债券违约预测方法 | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
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: 20161116 |
|
RJ01 | Rejection of invention patent application after publication |