CN106570618A - 一种基于聚类分析和神经网络的负荷同时系数预测方法 - Google Patents
一种基于聚类分析和神经网络的负荷同时系数预测方法 Download PDFInfo
- Publication number
- CN106570618A CN106570618A CN201610927609.2A CN201610927609A CN106570618A CN 106570618 A CN106570618 A CN 106570618A CN 201610927609 A CN201610927609 A CN 201610927609A CN 106570618 A CN106570618 A CN 106570618A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- simultaneity factor
- cluster analyses
- cluster
- 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 43
- 230000007935 neutral effect Effects 0.000 title claims abstract description 20
- 238000007621 cluster analysis Methods 0.000 title abstract 3
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 5
- 238000011002 quantification Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000013480 data collection Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 7
- 210000004218 nerve net Anatomy 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于聚类分析和神经网络的负荷同时系数预测方法，通过数据采集、建立影响因素指标体系、聚类分析和神经网络预测等步骤，最终得到馈线组负荷同时系数的最佳推荐值。该方法综合考虑多重影响因素，聚类后建立影响因素与负荷同时系数的非线性映射关系，求解精度较高，为进一步配电网的相关计算提供可靠参数。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种基于聚类分析和神经网络的负荷同时系数预测方法。
背景技术
近年来，随着我国经济的飞速发展，居民、企业用电量激增；同时，由于城市建设用地紧张，从配电系统的规划与改建中获得新变电站的站址和新馈线的地下通道非常困难，所以现有电网的供电能力和优化后的潜力受到了社会广泛关注。配电网供电能力的评估涉及到多维度的评估，馈线组负荷同时系数作为评估中的一个重要参数，其值直接影响馈线组负荷预测和馈线可装容量的分析，间接影响配电网中馈线组供电能力预测的准确性和配电网的建设与改造。
目前，国内外尚没有科学系统的负荷同时系数选取方案，也不能根据经验公式进行分析计算，仅依靠相关电网规划导则即规划人员意见进行选取，选取结果片面，不能适应不同区域、不同类别的馈线组区域。不同区域馈线组的负荷同时系数受各类影响因素的限制不同，其取值大小与馈线组负荷类型存在着一定的内在联系。因此，需要采取数据挖掘技术，在大容量复杂样本中寻求同时系数与其影响因素间的非线性映射关系，以达到准确预测馈线组负荷同时系数的目的。
发明内容
本发明所要解决的技术问题是：提供一种基于基于聚类分析和神经网络的负荷同时系数预测方法。
为了解决上述技术问题，本发明采用的技术方案为：一种基于聚类分析和神经网络的负荷同时系数预测方法，包括如下步骤：
S1、数据采集，包括日负荷曲线、最大接入负荷、负荷用电类型和负荷密度；
S2、根据采集的数据计算得到负荷同时系数，建立神经网络模型；
S3、利用神经网络模型进行新的负荷同时系数预测。
根据采集的数据计算得到负荷同时系数具体为：
统计各用户的最大接入容量P；
根据步骤S1采集得到的数据，统计负荷最大值Pmax；
根据计算负荷同时系数。
K-Means聚类算法比人工划分类别更专业有效，避免人工依据经验的偏向性。
利用神经网络模型进行新的负荷同时系数预测包括：运用误差反向传播学习算法的前馈多层网络和采用SCG算法进行预测计算。
采用算法，可以减少迭代的计算量，缩短学习时间，提高计算效率。
在步骤S1之后，还包括建立影响因素指标体系，包括负荷影响指标和用户影响指标，所述负荷影响指标包括日高峰负荷最大值、高峰负荷持续时间、高峰低谷负荷差值和高峰低谷时段差值，所述用户影响指标包括用户类型和负荷密度。
分类分层建立负荷同时系数主要影响因素的指标体系可以详细对各类影响因素进行分析，为后续步骤的进行提供基础。
在步骤S1之后，还包括进行数据预处理，得到指标数据。
进行数据预处理得到指标数据有利于后续工作的开展。
进行数据预处理，得到指标数据，具体包括：
提取日负荷曲线的最大值，取各日最大值的平均值获得日高峰负荷最大值数据；
采用建立模糊隶属函数的方法对用户类型这一定性数据进行量化处理；
对定性数据构建模糊隶属函数，转化为定量指标后采用最大值标准化方法将经得到的数据转化为0-1区间的无量纲数值。
在进行数据预处理之后，还包括根据指标数据进行聚类分析。
进行聚类可以将各种杂乱的数据利用数学方法划分为不同类别，避免进行神经网络预测的盲目性。
步骤S3之前，还包括进行神经网络训练，具体为：输入指标数据，直到输出的负荷同时系数符合同时系数误差精度要求为止。
进行神经网络训练是为了保证仿真结果符合精度误差要求，以提高新的负荷同时系数的预测精度。
所述聚类分析具体为：采用K-means算法进行聚类分析。
K-Means聚类算法比人工划分类别更专业有效，避免人工依据经验的偏向性。
所述聚类分析包括：给定聚类数，所述聚类数采用戴维斯-唐纳德有效性指标确定。
戴维斯-唐纳德有效性指标计算简便、曲线直观，适合作为聚类的有效性指标。
本发明的有益效果在于：首先采集相应的数据，通过相应的数据处理和计算后建立神经网络模型，最终通过神经网络模型得到负荷同时系数的最佳推荐值，该方法综合考虑多重影响因素，求解精度较高，可为配电网的相关计算提供可靠参数。
附图说明
图1为本发明实施例流程图；
图2为本发明实施例聚类效果图1；
图3为本发明实施例聚类效果图2；
图4为本发明实施例聚类效果图3
图5为本发明实施例经聚类分析和未经聚类分析的预测误差对比图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于：通过数据采集和建立神经网络模型，最终得到负荷同时系数的最佳推荐值，该方法综合考虑多重影响因素，求解精度较高，可为配电网的相关计算提供可靠参数。
请参照图1，一种基于聚类分析和神经网络的负荷同时系数预测方法，包括如下步骤：
S1、数据采集，包括日负荷曲线、最大接入负荷、负荷用电类型和负荷密度；
建立影响因素指标体系和进行数据预处理得到指标数据，建立影响因素指标体系包括负荷影响指标和用户影响指标，所述负荷影响指标包括日高峰负荷最大值、高峰负荷持续时间、高峰低谷负荷差值和高峰低谷时段差值，所述用户影响指标包括用户类型和负荷密度；在进行数据预处理之后，还包括根据指标数据进行聚类分析。进行数据预处理，得到指标数据，具体包括：
提取日负荷曲线的最大值，取各日最大值的平均值获得日高峰负荷最大值数据；
采用建立模糊隶属函数的方法对用户类型这一定性数据进行量化处理；
对定性数据构建模糊隶属函数，转化为定量指标后采用最大值标准化方法将经得到的数据转化为0-1区间的无量纲数值。
S2、根据采集的数据计算得到负荷同时系数，其具体为：
统计各用户的最大接入容量P；
根据步骤S1采集得到的数据，统计负荷最大值Pmax；
进一步的，所述聚类分析具体为：采用K-means算法进行聚类分析。所述聚类分析包括：给定聚类数，所述聚类数采用戴维斯-唐纳德有效性指标确定。建立神经网络模型；进行神经网络训练，具体为：输入指标数据，直到输出的负荷同时系数符合同时系数误差精度要求为止。
S3、利用神经网络模型进行新的负荷同时系数预测，运用误差反向传播学习算法的前馈多层网络和采用SCG算法进行预测计算。
首先进行数据采集。挖掘负荷同时系数的主要影响因素是科学合理的预测负荷同时系数的关键环节。在预测前，需进行必要的数据采集，包括近年来馈线组的日负荷曲线，最大接入负荷，负荷用电类型，负荷密度等。考虑到对于一个城区而言，其地理跨度较小，气象条件几乎相同，因此温度、风速等对负荷同时系数的影响可以忽略。
建立影响因素指标体系。结合电力公司可提供的数据和文献资料中对于负荷同时系数的相关研究成果，在详细分析其各类影响因素的基础上，分类分层建立负荷同时系数主要影响因素的指标体系。所述指标因素影响体系的一级指标包括：负荷影响指标和用户影响指标。考虑不同样本间的负荷构成比重不同，对两个一级指标进行进一步的的细化，其中，负荷影响指标包括：日高峰负荷最大值、高峰负荷持续时间、高峰低谷负荷差值和高峰低谷时段差值。由于不同馈线组的用户类型不同，同时达到用电高峰的时段不同，负荷分布的密集程度通常与区域社会经济发展相挂钩，所以将用户影响指标细化为用户类型和负荷密度，用户类型包括商业用户、工业用户、居民用户和市政工程用户；负荷密度从规划部门获取，具体通过用该用户的最大负荷除以其占地面积得到。
数据预处理。在建立影响因素指标体系后，需利用数据采集得到的数据，通过统计处理得到指标数据，比如提取日负荷曲线的最大值并取各日最大值的平均值获得日高峰负荷最大值数据；采用建立模糊隶属函数的方法对用户类型这一定性数据进行量化处理；对定性数据构建模糊隶属函数转化为定量指标后，采用最大值标准化方法将经上述处理后得到的数据转化为0-1区间的无量纲数值，便于后续数据处理工作的开展。
根据已有数据计算负荷同时系数。先计算已有的负荷同时系数数据，建立神经网络预测模型。负荷同时系数计算方法如下：
统计馈线组上各用户的最大接入容量P；
根据数据采集得到的数据，统计馈线组负荷最大值Pmax；
根据下式计算馈线组负荷同时系数
聚类分析。聚类分析的目的是为了划分不同负荷类型，对预处理后的数据进行聚类分析，按照相似性划分为不同的模式类别，为同时系数预测奠定基础。K-means算法是聚类分析中使用最广泛的算法之一，其对大型数据集的处理效率较高。本发明采用K-means算法进行聚类分析，经聚类可以将各种杂乱的数据利用数学方法划分为不同类别，避免下一步神经网络预测的盲目性。同时，K-Means聚类比人工划分类别更专业有效，避免人工依据经验的偏向性。
目前的聚类算法中，大部分需要预先给定聚类数，才能对样本进行聚类分析。在最佳聚类数未知的情况下，为评价不同聚类数条件下聚类结果的差异，需通过聚类有效性指标找到最佳聚类数。戴维斯-唐纳德(Davies-Bouldin,DB)有效性指标计算简便、曲线直观，适合作为聚类的有效性指标。由此，拟采用DB指标确定最佳聚类数。DB指标综合考虑样本的类内散度与各聚类中心间距的测度，指标值越小表示聚类效果越好。设Wi表示聚类Zj的所有样本到其聚类中的平均距离，Cij表示聚类Zi和聚类Zj中心之间的距离，DB指标的计算公式为：
通过神经网络预测新的负荷同时系数。运用误差反向传播学习算法的前馈多层网络，即BP网络；采用SCG(Scaled Conjugate Gradient)算法，减少迭代的计算量，缩短学习时间，提高计算效率。在预测新的负荷同时系数之前，还要进行神经网络训练，即输入量为每一类模式类别中的各样本在前述步骤中得到的指标体系中的数据，输出量为计算得到的负荷同时系数，直到仿真结果符合同时系数误差精度要求为止。针对聚类后得到的各类别建立神经网络后，若需要进行新的负荷同时系数预测，即可通过其所属类别的神经网络直接预测其负荷同时系数，预测精度较高。
下面以实际算例来说明本发明的预测精度。
以馈线组为单位，采集日负荷曲线，分析其用电趋势和对负荷同时系数的影响；统计接入该馈线组的用户类型和负荷密度。
结合日负荷曲线，提取每个馈线组的负荷最大值，高峰负荷持续时间，高峰低谷负荷差值，高峰低谷时段差值等负荷影响因素。采用建立模糊隶属函数的方法对用户类型这一定性数据进行量化处理；对定性数据构建模糊隶属函数转化为定量指标后，采用最大值标准化方法将指标体系中的数据转化为0-1区间的无量纲数值，尽量避免在预测模型的学习和训练过程中出现局部极小、收敛速度慢等问题。
计算用于神经网络预测的馈线组负荷同时系数。
将归一化后的数据进行聚类分析，经DB指标计算，当聚类数分别为2、3、4时，DB指标值分别为0.9347、0.6234和0.8342，因此确定最佳聚类数为3。当聚类数为3时，其聚类效果图如图2、图3和图4所示。对聚类结果进行相关评价可知，每个模式类别下，馈线组接入用户的类型呈现较大的相似性，用电负荷曲线差距较小。
通过K-means聚类分析将原始样本集进行分类后，针对每类样本集建立BP神经网络模型进行同时系数的预测。将指标集中的影响因素指标中经处理后得到的数据作为输入向量，计算得到的负荷同时系数作为输出向量。由各样本集同时系数预测的仿真结果可知，本发明方法预测的相对误差最大值为4.37％，满足计算精度要求。
图5比较了K-Means聚类后和未聚类直接进行神经网络预测负荷同时系数的误差，显然，本发明所提方法预测精度更高。
综上所述，本发明提供的一种基于聚类分析和神经网络的负荷同时系数预测方法，通过数据采集、建立影响因素指标体系、聚类分析和神经网络预测等步骤，最终得到馈线组负荷同时系数的最佳推荐值。该方法综合考虑多重影响因素，聚类后建立影响因素与负荷同时系数的非线性映射关系，求解精度较高，为进一步配电网的相关计算提供可靠参数；通过K-Means聚类分析和神经网络预测处理指标体系中的数据，相较于人工分类法更加科学合理，相较于直接神经网络预测计算精度更高，大大增强了配电网馈线组供电能力预测的准确性，为配电网的建设与改造提供间接数据支持。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
本实施例未述部分与现有技术相同。
Claims (10)
1.一种基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，包括如下步骤：
S1、数据采集，包括日负荷曲线、最大接入负荷、负荷用电类型和负荷密度；
S2、根据采集的数据计算得到负荷同时系数，建立神经网络模型；
S3、利用神经网络模型进行新的负荷同时系数预测。
2.根据权利要求1所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，根据采集的数据计算得到负荷同时系数具体为：
统计各用户的最大接入容量P；
根据步骤S1采集得到的数据，统计负荷最大值Pmax；
根据计算负荷同时系数。
3.根据权利要求1所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，利用神经网络模型进行新的负荷同时系数预测包括：运用误差反向传播学习算法的前馈多层网络和采用SCG算法进行预测计算。
4.根据权利要求1所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，在步骤S1之后，还包括建立影响因素指标体系，包括负荷影响指标和用户影响指标，所述负荷影响指标包括日高峰负荷最大值、高峰负荷持续时间、高峰低谷负荷差值和高峰低谷时段差值，所述用户影响指标包括用户类型和负荷密度。
5.根据权利要求1所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，在步骤S1之后，还包括进行数据预处理，得到指标数据。
6.根据权利要求5所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，进行数据预处理，得到指标数据，具体包括：
提取日负荷曲线的最大值，取各日最大值的平均值获得日高峰负荷最大值数据；
采用建立模糊隶属函数的方法对用户类型这一定性数据进行量化处理；
对定性数据构建模糊隶属函数，转化为定量指标后采用最大值标准化方法将经得到的数据转化为0-1区间的无量纲数值。
7.根据权利要求5所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，在进行数据预处理之后，还包括根据指标数据进行聚类分析。
8.根据权利要求1所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，步骤S3之前，还包括进行神经网络训练，具体为：输入指标数据，直到输出的负荷同时系数符合同时系数误差精度要求为止。
9.根据权利要求8所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，所述聚类分析具体为：采用K-means算法进行聚类分析。
10.根据权利要求9所述的基于聚类分析和神经网络的负荷同时系数预测方法，其特征在于，所述聚类分析包括：给定聚类数，所述聚类数采用戴维斯-唐纳德有效性指标确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610927609.2A CN106570618A (zh) | 2016-10-31 | 2016-10-31 | 一种基于聚类分析和神经网络的负荷同时系数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610927609.2A CN106570618A (zh) | 2016-10-31 | 2016-10-31 | 一种基于聚类分析和神经网络的负荷同时系数预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106570618A true CN106570618A (zh) | 2017-04-19 |
Family
ID=58533513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610927609.2A Pending CN106570618A (zh) | 2016-10-31 | 2016-10-31 | 一种基于聚类分析和神经网络的负荷同时系数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106570618A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
| CN112330028A (zh) * | 2020-11-08 | 2021-02-05 | 国网天津市电力公司 | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 |
-
2016
- 2016-10-31 CN CN201610927609.2A patent/CN106570618A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510006A (zh) * | 2018-04-08 | 2018-09-07 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
| CN108510006B (zh) * | 2018-04-08 | 2020-06-09 | 重庆邮电大学 | 一种基于数据挖掘的企业用电量分析与预测方法 |
| CN112330028A (zh) * | 2020-11-08 | 2021-02-05 | 国网天津市电力公司 | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | How does energy consumption affect China's urbanization? New evidence from dynamic threshold panel models | |
| Leng et al. | Do China's wind energy products have potentials for trade with the “Belt and Road” countries?--A gravity model approach | |
| CN104866692B (zh) | 一种基于自适应代理模型的飞行器多目标优化方法 | |
| CN106022509B (zh) | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 | |
| Xu et al. | Geographical analysis of CO2 emissions in China's manufacturing industry: A geographically weighted regression model | |
| CN103020459B (zh) | 一种多维度用电行为的感知方法及系统 | |
| CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
| CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
| CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
| CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
| CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
| CN110717619A (zh) | 一种自下而上配电网多尺度时空负荷预测方法及系统 | |
| CN105809277A (zh) | 一种电力营销稽查精益化管控主题大数据预测方法 | |
| Zhang | The regional disparity of influencing factors of technological innovation in China: Evidence from high-tech industry | |
| CN105447082A (zh) | 一种海量负荷曲线的分布式聚类方法 | |
| CN113393028A (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
| CN110276480A (zh) | 一种用于建筑能耗管理的分析预测方法及系统 | |
| Zhong et al. | Research on the technological innovation efficiency of China’s strategic emerging industries based on SBM: NDEA model and big data | |
| CN106570618A (zh) | 一种基于聚类分析和神经网络的负荷同时系数预测方法 | |
| CN104299167A (zh) | 一种智能用能系统用户电力数据的用能分析方法 | |
| Sun et al. | Research on the competitive and synergistic evolution of the water-energy-food system in China | |
| CN114239962A (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
| CN105335810A (zh) | 一种配电网单体项目投资效益评价方法 | |
| CN108053074A (zh) | 一种用电量影响率的计算方法及系统 | |
| Chen-xu et al. | Auto regressive moving average (ARMA) prediction method of bank cash flow time series |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zheng Peixiang Inventor after: Liu Kai Inventor after: Dong Xuesong Inventor after: Xia Shengfeng Inventor after: Zhuang Yulin Inventor after: Zheng Yong Inventor after: Chen Huihe Inventor after: Li Han Inventor after: Jiang Nan Inventor after: Huang Yibiao Inventor after: Chen Xiangwei Inventor before: Xia Shengfeng Inventor before: Dong Xuesong Inventor before: Zhuang Yulin Inventor before: Zheng Yong Inventor before: Chen Huihe Inventor before: Li Han Inventor before: Jiang Nan Inventor before: Huang Yibiao Inventor before: Chen Xiangwei Inventor before: Liu Kai |
|
| CB03 | Change of inventor or designer information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170419 |
|
| RJ01 | Rejection of invention patent application after publication |