CN106779147A - 一种基于自适应层次时间序列聚类的用电负荷预测方法 - Google Patents

一种基于自适应层次时间序列聚类的用电负荷预测方法 Download PDF

Info

Publication number
CN106779147A
CN106779147A CN201611018576.6A CN201611018576A CN106779147A CN 106779147 A CN106779147 A CN 106779147A CN 201611018576 A CN201611018576 A CN 201611018576A CN 106779147 A CN106779147 A CN 106779147A
Authority
CN
China
Prior art keywords
load
sequence
prediction
load sequence
clustering
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.)
Granted
Application number
CN201611018576.6A
Other languages
English (en)
Other versions
CN106779147B (zh
Inventor
向敏
田力
胡向东
屈琴芹
许珑璋
王在乾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Shengfulun Electric Technology Co ltd
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201611018576.6A priority Critical patent/CN106779147B/zh
Publication of CN106779147A publication Critical patent/CN106779147A/zh
Application granted granted Critical
Publication of CN106779147B publication Critical patent/CN106779147B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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—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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明请求保护一种基于自适应层次时间序列聚类的用电负荷预测方法。1)根据量化后用电负荷的上升、减少和持平特征在窗口时间段上依次划分出负荷序列；2)采用层次聚类法对负荷序列特性进行凝聚层次聚类；3)利用分层的思想对负荷进行预测，将预测负荷序列组中的后一负荷序列作为下一时段的预测负荷，然后将预测出的负荷序列作为当前最新的负荷序列；4)通过反馈方法动态调整量化因子、时间窗口及分簇参数，完成用电负荷预测。从而提供了一种在超短期内更加精准的用电负荷预测方法，并有效降低负荷预测中对原始数据的存储代价，为科学、准确实现智能电网中电力调配起到支撑作用。

Description

一种基于自适应层次时间序列聚类的用电负荷预测方法
技术领域
本发明涉及智能电网的用电信息处理领域，具体涉及一种基于自适应层次时间序列聚类的用电负荷预测方法。
背景技术
智能电网条件下，各种先进计量装置(如传感器、智能仪表)被越来越多地安装在配电网中，以监测、控制和预测电能使用，那些收集到的不同时间间隔的变压器或电力用户日消费数据，构成了各监测点的负荷曲线。这些准确而详细的电力消费信息为配电企业通过专门的分析获取负荷模式提供了基础。目前，国内外关于负荷模式提取的技术主要运用各种聚类分析技术获取电力用户典型负荷曲线和负荷特性可用于预测和估计未来电力需求，同时使用负荷模式分类还可以减少信息系统的负荷数据存储。但是目前聚类技术无法满足时间序列上负荷的准确分簇，从而使得聚类技术针对短时期内的负荷预测存在一定局限性。目前，尚未有一种基于自适应参数调整的层次时间序列聚类的负荷预测方法。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于自适应层次时间序列聚类的用电负荷预测方法。本发明的技术方案如下：
一种基于自适应层次时间序列聚类的用电负荷预测方法，其包括以下步骤；1)获取用电负荷并划分负荷序列；2)采用层次聚类法对负荷序列特性进行凝聚层次聚类；3)利用分层的思想对负荷进行预测；4)通过反馈方法动态调整量化因子、时间窗口及分簇参数，完成用电负荷预测。
进一步的，所述步骤1)划分负荷序列的步骤之前还包括对用户用电负荷进行量化的步骤，所述划分负荷序列步骤包括：根据用电负荷的上升、减少和持平特征在窗口时间段上进行划分。
进一步的，步骤2)采用层次聚类法对负荷序列特性进行凝聚层次聚类包括：步骤S2.1：设置单位时刻距离dis_t、单位时刻负荷距离dis_p及序列长度距离dis_len，对负荷序列进行初始凝聚分簇；
步骤S2.2：对序列中心时刻距离dis_Tc和负荷总量距离dis_sum进行设置，将极大簇分裂成多个较小的簇，不同的负荷序列簇为序列的第一层；
步骤S2.3：将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二层。
进一步的，步骤3)利用分层的思想对负荷进行预测包括步骤：在负荷预测过程中，寻找当前最新负荷序列所属域，并在域中寻找匹配的预侧负荷序列组，将预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷，然后将预测出的负荷序列作为当前最新的负荷序列，重复该步骤继续进行预测。
进一步的，所述负荷预测过程具体包括以下步骤：
步骤S3.1：在负荷预测过程中，寻找当前最新负荷序列所属预测负荷序列域；
步骤S3.2：若未发现所属预测负荷序列域，则寻找离该负荷序列邻域半径上最近的负荷序列簇，找出该簇表征的预测负荷序列域，并寻找域中各个预侧负荷序列组中后一负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一时段的预测负荷；
步骤S3.3：若发现所属预测负荷序列域，当域中有多个预测负荷序列组中的起始负荷序列与当前负荷序列匹配，则使用发生时间最晚的预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷；
步骤S3.4：若域中无起始负荷序列与当前负荷序列匹配，则寻找域中各个预侧负荷序列组中后一负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一时段的预测负荷；
步骤S3.5：将预测出的负荷序列作为最新的负荷序列重复该步骤进行后续负荷的预测。
进一步的，步骤4)通过反馈方法动态调整量化因子、时间窗口及分簇参数包括步骤S4：在当前实际最新序列更新后，使用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一次预测。
进一步的，使用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一次预测具体包括：
单次预测结束后，当前预测时段内对量化因子、窗口大小、序列长度距离、单位时刻距离、序列中心时刻距离、单位时刻负荷距离、负荷总量距离分别进行迭代运算，在单个参数迭代过程中，产生不同的预测序列，并与实际序列进行对比，选取准确率最高且误差率最低时的参数值作为下一次预测的次优参数。
进一步的，所述负荷序列特性包括序列长度、单位时刻、序列中心时刻、单位时刻负荷、负荷总量五个负荷序列特性。
本发明的优点及有益效果如下：
本发明的目的在于提供一种基于自适应层次时间序列聚类的用电负荷预测方法，该预测方法利用层次聚类的思想，针对时间序列负荷量，使用负荷序列长度、单位时刻、序列中心时刻、单位时刻负荷、负荷总量五个特性对负荷序列特性进行凝聚-分裂的层次聚类，利用分层的思想对负荷进行预测，通过反馈方法动态调整量化因子、时间窗口及分簇参数，从而供了一种在超短期内更加精准的用电负荷预测方法，并有效降低负荷预测中对原始数据的存储代价，为科学、准确实现智能电网中电力调配起到支撑作用。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于自适应层次时间序列聚类的用电负荷预测方法。根据量化后用电负荷的上升、减少和持平特征在窗口时间段上依次划分出负荷序列。根据负荷序列长度、时间段与负荷段对负荷序列进行层次时间序列聚类，得到不同负荷序列簇，并作为序列的第一层。将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二层。在负荷预测过程中，寻找当前最新负荷序列所属域，并在域中寻找匹配的预侧负荷序列组，将预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷，然后将预测出的负荷序列作为当前最新的负荷序列，重复该步骤继续进行预测。在当前实际最新序列更新后，使用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一次预测。该预测方法利用层次时间序列聚类的思想，使用序列长度、单位时刻、序列中心时刻、单位时刻负荷、负荷总量五个特性对负荷序列特性进行描述，利用分层的机制对负荷进行预测，通过反馈方法动态调整量化因子、时间窗口及分簇参数，从而提供了一种在超短期内更加精准的用电负荷预测方法，并有效降低负荷预测中对原始数据的存储代价，为科学、准确实现智能电网中电力调配起到支撑作用。
附图说明
图1是本发明提供优选实施例基于自适应层次时间序列聚类的用电负荷预测方法流程图；
图2为步骤S1所述的负荷序列划分流程图；
图3为步骤S2.1所述的层次时间序列凝聚分簇流程图；
图4为步骤S2.2所述的层次时间序列分裂簇流程图；
图5为步骤S2.3所述的负荷序列分层流程图；
图6为步骤S3.2所述的分层负荷预测示意图；
图7为步骤S3.3所述的分层负荷预测示意图；
图8为步骤S3.4所述的分层负荷预测示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明的技术方案如下：
本发明公开提供了一种基于自适应层次时间序列聚类的用电负荷预测方法。根据量化后用电负荷的上升、减少和持平特征在窗口时间段上依次划分出负荷序列。根据负荷序列长度、时间段与负荷段对负荷序列进行层次时间序列聚类，得到不同负荷序列簇，并作为序列的第一层。将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二层。在负荷预测过程中，寻找当前最新负荷序列所属域，并在域中寻找匹配的预侧负荷序列组，将预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷，然后将预测出的负荷序列作为当前最新的负荷序列，重复该步骤继续进行预测。在当前实际最新序列更新后，使用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一次预测。该预测方法利用层次时间序列聚类的思想，使用序列长度、单位时刻、序列中心时刻、单位时刻负荷、负荷总量五个特性对负荷序列特性进行描述，利用分层的机制对负荷进行预测，通过反馈方法动态调整量化因子、时间窗口及分簇参数，从而提供了一种在超短期内更加精准的用电负荷预测方法，并有效降低负荷预测中对原始数据的存储代价，为科学、准确实现智能电网中电力调配起到支撑作用。下面结合附图，对本发明作进一步的详细说明。
如图1所示，本发明的实现流程图包括如下：
步骤S1：根据量化后用电负荷的上升、减少和持平特征在窗口时间段上依次划分出负荷序列。
本步骤具体实施方式可参照图2。
步骤S2：根据负荷序列长度、时间段与负荷段对负荷序列进行层次时间序列聚类，得到不同负荷序列簇，并作为序列的第一层。将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二层。具体分为以下几个步骤：
步骤S2.1：设置单位时刻距离dis_t、单位时刻负荷距离dis_p及序列长度距离dis_len，对负荷序列进行初始凝聚分簇。
步骤S2.1实施方式可参照图3。
步骤S2.2：由于负荷序列进行凝聚分簇时在时间尺度上前后滑动，在负荷区间上下滑动，会出现极大簇，其时间尺度较长或负荷区间较宽，使负荷序列簇无法准确描述簇中负荷序列特征，需对序列中心时刻距离dis_Tc和负荷总量距离dis_sum进行设置，将极大簇分裂成多个较小的簇。步骤S2.1和S2.2中的起始参数设置为经验值后续均可由预测反馈进行动态调整，不同的负荷序列簇为序列的第一层。
步骤S2.2实施方式可参照图4。
步骤S2.3：将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二层。
步骤S2.3示意图可参照图5。
步骤S3：在负荷预测过程中，寻找当前最新负荷序列所属域，并在域中寻找匹配的预侧负荷序列组，将预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷，然后将预测出的负荷序列作为当前最新的负荷序列，重复该步骤继续进行预测，具体分为以下几个步骤：
步骤S3.1：在负荷预测过程中，寻找当前最新负荷序列所属预测负荷序列域。
步骤S3.2：若未发现所属预测负荷序列域，则寻找离该负荷序列邻域半径上最近的负荷序列簇，找出该簇表征的预测负荷序列域，并寻找域中各个预侧负荷序列组中后一负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一时段的预测负荷。
本步骤具体实施方式可参照图6。
步骤S3.3：若发现所属预测负荷序列域，当域中有多个预测负荷序列组中的起始负荷序列与当前负荷序列匹配，则使用发生时间最晚的预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷。
本步骤具体实施方式可参照图7。
步骤S3.4：若域中无起始负荷序列与当前负荷序列匹配，则寻找域中各个预侧负荷序列组中后一负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一时段的预测负荷。
本步骤具体实施方式可参照图8。
步骤S3.5：将预测出的负荷序列作为最新的负荷序列重该步骤进行后续负荷的预测。
步骤S4：在当前实际最新序列更新后，使用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一次预测。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (8)

1.一种基于自适应层次时间序列聚类的用电负荷预测方法，其特征在于，包括以下步骤；1)获取用电负荷并划分负荷序列；2)采用层次聚类法对负荷序列特性进行凝聚层次聚类；3)利用分层的思想对负荷进行预测；，分层思想主要体现在负荷组分簇->合并成域->组成预测组的步骤；4)通过反馈方法动态调整量化因子、时间窗口及分簇参数，完成用电负荷预测。
2.根据权利要求1所述的基于自适应层次时间序列聚类的用电负荷预测方法，其特征在于，所述步骤1)划分负荷序列的步骤之前还包括对用户用电负荷进行量化的步骤，所述划分负荷序列步骤包括：根据用电负荷的上升、减少和持平特征在窗口时间段上进行划分。
3.根据权利要求1或2所述的基于自适应层次时间序列聚类的用电负荷预测方法，其特征在于，步骤2)采用层次聚类法对负荷序列特性进行凝聚层次聚类包括：步骤S2.1：设置单位时刻距离dis_t、单位时刻负荷距离dis_p及序列长度距离dis_len，对负荷序列进行初始凝聚分簇；
步骤S2.2：对序列中心时刻距离dis_Tc和负荷总量距离dis_sum进行设置，将极大簇分裂成多个较小的簇，不同的负荷序列簇为序列的第一层；
步骤S2.3：将两个时间相邻的负荷序列组成预测负荷序列组，将组中起始负荷序列所属同一簇的预测负荷序列组合并为负荷序列域，不同的预测负荷序列域为序列的第二层。
4.根据权利要求3所述的基于自适应层次时间序列聚类的用电负荷预测方法，其特征在于，步骤3)利用分层的思想对负荷进行预测包括步骤：在负荷预测过程中，寻找当前最新负荷序列所属域，并在域中寻找匹配的预侧负荷序列组，将预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷，然后将预测出的负荷序列作为当前最新的负荷序列，重复该步骤继续进行预测。
5.根据权利要求4所述的基于自适应层次时间序列聚类的用电负荷预测方法，其特征在于，所述负荷预测过程具体包括以下步骤：
步骤S3.1：在负荷预测过程中，寻找当前最新负荷序列所属预测负荷序列域；
步骤S3.2：若未发现所属预测负荷序列域，则寻找离该负荷序列邻域半径上最近的负荷序列簇，找出该簇表征的预测负荷序列域，并寻找域中各个预侧负荷序列组中后一负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一时段的预测负荷；
步骤S3.3：若发现所属预测负荷序列域，当域中有多个预测负荷序列组中的起始负荷序列与当前负荷序列匹配，则使用发生时间最晚的预侧负荷序列组中的后一负荷序列作为下一时段的预测负荷；
步骤S3.4：若域中无起始负荷序列与当前负荷序列匹配，则寻找域中各个预侧负荷序列组中后一负荷序列所属簇中拥有序列数量最多的簇，并使用该簇的质心序列作为一时段的预测负荷；
步骤S3.5：将预测出的负荷序列作为最新的负荷序列重复该步骤进行后续负荷的预测。
6.根据权利要求5所述的基于自适应层次时间序列聚类的用电负荷预测方法，其特征在于，步骤4)通过反馈方法动态调整量化因子、时间窗口及分簇参数包括步骤S4：在当前实际最新序列更新后，使用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一次预测。
7.根据权利要求5所述的基于自适应层次时间序列聚类的用电负荷预测方法，其特征在于，使用准确率与误差率作为评判当前预测结果的指标，分别对量化因子、窗口大小以及分簇参数进行迭代计算，对当前负荷序列预测的参数进行修正，并进行下一次预测具体包括：
单次预测结束后，当前预测时段内对量化因子、窗口大小、序列长度距离、单位时刻距离、序列中心时刻距离、单位时刻负荷距离、负荷总量距离分别进行迭代运算，在单个参数迭代过程中，产生不同的预测序列，并与实际序列进行对比，选取准确率最高且误差率最低时的参数值作为下一次预测的次优参数。
8.根据权利要求3所述的基于自适应层次时间序列聚类的用电负荷预测方法，其特征在于，所述负荷序列特性包括序列长度、单位时刻、序列中心时刻、单位时刻负荷、负荷总量五个负荷序列特性。
CN201611018576.6A 2016-11-18 2016-11-18 一种基于自适应层次时间序列聚类的用电负荷预测方法 Active CN106779147B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611018576.6A CN106779147B (zh) 2016-11-18 2016-11-18 一种基于自适应层次时间序列聚类的用电负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611018576.6A CN106779147B (zh) 2016-11-18 2016-11-18 一种基于自适应层次时间序列聚类的用电负荷预测方法

Publications (2)

Publication Number Publication Date
CN106779147A true CN106779147A (zh) 2017-05-31
CN106779147B CN106779147B (zh) 2020-09-29

Family

ID=58969062

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611018576.6A Active CN106779147B (zh) 2016-11-18 2016-11-18 一种基于自适应层次时间序列聚类的用电负荷预测方法

Country Status (1)

Country Link
CN (1) CN106779147B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596654A (zh) * 2018-04-10 2018-09-28 广州供电局有限公司 用电信息采集方法、装置、计算机设备和存储介质
CN109390938A (zh) * 2018-11-13 2019-02-26 国网天津市电力公司电力科学研究院 一种智能园区需求侧短期负荷预测方法及其装置
CN112256766A (zh) * 2020-11-02 2021-01-22 浙江八达电子仪表有限公司 用于能源采集终端的用电行为分析方法
CN114549095A (zh) * 2022-04-25 2022-05-27 江西师范大学 一种基于时间序列的滑动窗口式售电量预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102999791A (zh) * 2012-11-23 2013-03-27 广东电网公司电力科学研究院 一种电力行业中基于客户分群的电力负荷预测方法
CN103218675A (zh) * 2013-05-06 2013-07-24 国家电网公司 一种基于聚类和滑动窗口的短期负荷预测方法
US20140156322A1 (en) * 2012-08-10 2014-06-05 Itron, Inc. Unified Framework for Electrical Load Forecasting
CN104881706A (zh) * 2014-12-31 2015-09-02 天津弘源慧能科技有限公司 一种基于大数据技术的电力系统短期负荷预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140156322A1 (en) * 2012-08-10 2014-06-05 Itron, Inc. Unified Framework for Electrical Load Forecasting
CN102999791A (zh) * 2012-11-23 2013-03-27 广东电网公司电力科学研究院 一种电力行业中基于客户分群的电力负荷预测方法
CN103218675A (zh) * 2013-05-06 2013-07-24 国家电网公司 一种基于聚类和滑动窗口的短期负荷预测方法
CN104881706A (zh) * 2014-12-31 2015-09-02 天津弘源慧能科技有限公司 一种基于大数据技术的电力系统短期负荷预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596654A (zh) * 2018-04-10 2018-09-28 广州供电局有限公司 用电信息采集方法、装置、计算机设备和存储介质
CN109390938A (zh) * 2018-11-13 2019-02-26 国网天津市电力公司电力科学研究院 一种智能园区需求侧短期负荷预测方法及其装置
CN112256766A (zh) * 2020-11-02 2021-01-22 浙江八达电子仪表有限公司 用于能源采集终端的用电行为分析方法
CN114549095A (zh) * 2022-04-25 2022-05-27 江西师范大学 一种基于时间序列的滑动窗口式售电量预测方法
CN114549095B (zh) * 2022-04-25 2022-08-09 江西师范大学 一种基于时间序列的滑动窗口式售电量预测方法

Also Published As

Publication number Publication date
CN106779147B (zh) 2020-09-29

Similar Documents

Publication Publication Date Title
Lin et al. An improved moth-flame optimization algorithm for support vector machine prediction of photovoltaic power generation
Ye et al. A data-driven bottom-up approach for spatial and temporal electric load forecasting
Xu et al. A hybrid machine learning model for demand prediction of edge-computing-based bike-sharing system using Internet of Things
Macedo et al. Demand side management using artificial neural networks in a smart grid environment
Ge et al. Data-driven spatial-temporal prediction of electric vehicle load profile considering charging behavior
CN106779147A (zh) 一种基于自适应层次时间序列聚类的用电负荷预测方法
CN102402726B (zh) 一种基于区域负荷分析的大规模配电网电力电量预测方法
Hong et al. A decision support model for improving a multi-family housing complex based on CO2 emission from gas energy consumption
CN103218675A (zh) 一种基于聚类和滑动窗口的短期负荷预测方法
CN109508835A (zh) 一种融合环境反馈的智慧电网短期电力负荷预测方法
CN108256724B (zh) 一种基于动态行业系数的配电网可开放容量规划方法
Dong et al. Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting
TWI540533B (zh) 智慧型短期電力發電量預測方法
Liu et al. Edge sensing data-imaging conversion scheme of load forecasting in smart grid
CN106980874B (zh) 一种面向配网大数据的多时态维度数据融合方法
CN108596407B (zh) 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Nagaraja et al. A survey on wind energy, load and price forecasting:(Forecasting methods)
CN105488598A (zh) 一种基于模糊聚类的中长期电力负荷预测方法
CN110533247A (zh) 一种采用气温数据异常点补偿的月度用电量预测方法
CN107330538A (zh) 一种气候变化条件下水库适应性调度规则编制的方法
Filipova-Petrakieva et al. Short-Term Forecasting of Hourly Electricity Power Demand: Reggresion and Cluster Methods for Short-Term Prognosis
CN108694475A (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN104252647A (zh) 基于反距离权重插值法的用电负荷预测方法
CN105976101A (zh) 一种基于svm与dpy的预报-决策耦合水库调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220424

Address after: 158100 No. 140, group 2, Jiguanshan Committee, Jiguan District, Jixi City, Heilongjiang Province

Patentee after: Bai Peng

Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing

Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230823

Address after: Room 602, 6th Floor, Building 29, Yard 1, Jinghai Fifth Road, Beijing Economic and Technological Development Zone (Tongzhou), Daxing District, Beijing, 101100

Patentee after: Beijing shengfulun Electric Technology Co.,Ltd.

Address before: 158100 No. 140, group 2, Jiguanshan Committee, Jiguan District, Jixi City, Heilongjiang Province

Patentee before: Bai Peng