CN106997495A - 一种电力负荷预测方法 - Google Patents
一种电力负荷预测方法 Download PDFInfo
- Publication number
- CN106997495A CN106997495A CN201710239874.6A CN201710239874A CN106997495A CN 106997495 A CN106997495 A CN 106997495A CN 201710239874 A CN201710239874 A CN 201710239874A CN 106997495 A CN106997495 A CN 106997495A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- electric load
- forecasting
- factor
- 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 50
- 238000013459 approach Methods 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 abstract description 15
- 238000013528 artificial neural network Methods 0.000 abstract description 10
- 238000012549 training Methods 0.000 abstract description 4
- 230000007935 neutral effect Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力信息技术领域，具体涉及一种电力负荷预测方法。智能化方法在建立统一合理的负荷预测模型方面具有很大的优势和潜力，但是当前广泛采用的人工神经网络方法不能对数据进行选择剔除，影响负荷预测结果的准确性。本申请提供一种电力负荷预测方法，所述预测方法包括以下步骤：(1)数据采集；(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；(3)对数据进行训练，建立RBF神经网络模型。使影响较大的因素作为RBF神经网络的训练数据，搭建起神经网络模型，并能够准确预测未来一天甚至多天的负荷，构建的网络可以直接应用于负荷预测中并获得较精确的预测结果。
Description
技术领域
本申请涉及电力信息技术领域，具体涉及一种电力负荷预测方法。
背景技术
用户的负荷特性是电力负荷预测的基础，电力负荷预测是以电力负荷为对象进行的一系列预测工作。从预测对象来看，电力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷曲线的预测。其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据，是实现电力系统安全、经济运行的基础，在电力市场交易中有着重要的意义。负荷预测的精度越高，越有利于提高发电设备的利用率和经济调度的有效性；反之，负荷预测误差较大时，不仅会造成大量运行成本和利润损失，甚至会影响电力系统运行的可靠性和电力市场的供需平衡。因此，对电力负荷进行准确预测非常重要。
由于影响电力负荷预测准确性的因素很多，现有的预测方法主要包括常规技术和人工智能方法，常规预测技术的原理比较简单且相对容易实现，但这些方法缺乏建立全面统一地准确描述负荷变化特征的预测模型的能力；与常规的预测方法相比，智能化方法在建立统一合理的负荷预测模型方面具有很大的优势和潜力，但是当前广泛采用的人工神经网络方法不能对数据进行选择剔除，影响负荷预测结果的准确性。
发明内容
本发明的目的是为了解决上述当前广泛采用的人工神经网络方法不能对数据进行选择剔除，影响负荷预测结果的准确性的问题。
为此，本发明实施例提供了如下技术方案：一种电力负荷预测方法，所述预测方法包括以下步骤：
(1)数据采集；
(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；
(3)对数据进行训练，建立RBF神经网络模型。
可选地，所述步骤(1)中数据采集包括该地区的电力负荷、气温、降雨量、湿度、风力和日期类型。
可选地，还包括对所述采集的数据进行归一化处理。
可选地，所述步骤(2)中参数辨识方法包括最小二乘法、最小方差或者遗传算法。
可选地，所述归一化处理后的数据输入总体测辨法模块进行参数辨识，得到不同影响因素与电力负荷之间的关系系数K1、K2…Kn,n≥6,n为整数；选取K值大的影响因素。
可选地，还包括将对电力负荷影响因素大的数据输入RBF神经网络模型，得到当日电力负荷预测值，绘制当日预测负荷与实际负荷曲线对比图。
本发明实施例提供的技术方案包括以下有益效果：本申请采用总体测辨法，首先通过参数辨识，得到气温、降雨量等各个影响因素与电力负荷的关系,根据参数辨识筛选得到与电力负荷相关性较大的影响因素，剔除影响较小的因素；使影响较大的因素作为RBF神经网络的训练数据，搭建起神经网络模型，并能够准确预测未来一天甚至多天的电力负荷，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中总体辨测法原理示意图；
图2为本发明实施例中RBF神经网络原理示意图；
图3为本发明实施例中预测负荷与实际负荷曲线对比图一；
图4为本发明实施例中预测负荷与实际负荷曲线对比图二。
具体实施方式
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
总体测辨法是一种可以一次性得到不同影响因素与负荷的相关系数的方法，其基本思想是不考虑负荷内部组成和具体结构，把综合负荷看作一个整体，从整体出发研究系统的输入-输出特性，其核心是通过总体参数辨识，通过最优化的方法确定各参数的值，能够一次性地得到电力负荷与各个影响因素的关系，从而为影响因素的选取以及负荷预测模型的建立提供依据。
由于电力负荷一般与各影响因素之间往往呈现出非线性的关系，采用传统的多元线性回归法难以实现对负荷的准确预测。而人工神经网络法对非线性问题具有很好的处理能力，广泛应用于电力负荷预测中，根据结构和数学模型的不同，人工神经网络又可分为BP神经网络、RBF神经网络，感知机网络等等。相比于其它人工神经网络，RBF神经网络具有收敛性好，全局最优等优点，因此非常适用于负荷的预测。
采用总体测辨法筛选出与负荷相关性较大的影响因素，利用RBF神经网络进行短期电力负荷预测对这些影响因素的历史数据进行自学习或者训练，神经网络对自身的权值进行调整，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。
RBF神经网络即径向基函数神经网络(Radical Basis Function)。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性，并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型。RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。
实施例一
参见图1～4，本申请提供一种电力负荷预测方法，所述预测方法包括以下步骤：
(1)数据采集；
(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；
(3)对数据进行训练，建立RBF神经网络模型。
本申请的基于总体测辨和人工神经网络的电力负荷预测模型主要包括数据采集、总体测辨法分析与RBF神经网络电力负荷预测三个部分。选取相关性大的影响因素，剔除相关性小的影响因素，对这些选取的影响因素的历史数据进行训练，建立起RBF神经网络；输入神经网络所需的特性指标，通过已建立起的神经网络来预测输出未来一天或多天的电力负荷，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。
实施例二
参见图1～4，本申请提供一种电力负荷预测方法，所述预测方法包括以下步骤：
(1)数据采集；
(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；
(3)对数据进行训练，建立RBF神经网络模型。
可选地，所述步骤(1)中数据采集包括该地区的电力负荷、气温、降雨量、湿度、风力和日期类型。
可选地，还包括对所述采集的数据进行归一化处理。
本申请的基于总体测辨和人工神经网络的电力负荷预测模型主要包括数据采集、总体测辨法分析与RBF神经网络负荷预测三个部分。数据采集部分包含了数据的收集与归一化两方面，主要收集该地区的电力负荷、气温、降雨量、湿度、风力、日期类型等历史数据，并对其进行归一化处理；总体测辨法部分主要对影响电力负荷的相关因素进行分析，筛选得到影响较大的因素；选取相关性大的影响因素，剔除相关性小的影响因素，对这些选取的影响因素的历史数据进行训练，建立起RBF神经网络；输入神经网络所需的特性指标，通过已建立起的神经网络来预测输出未来一天或多天的电力负荷，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。
实施例三
参见图1～4，本申请提供一种电力负荷预测方法，所述预测方法包括以下步骤：
(1)数据采集；
(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；
(3)对数据进行训练，建立RBF神经网络模型。
可选地，所述步骤(1)中数据采集包括该地区的电力负荷、气温、降雨量、湿度、风力和日期类型。
可选地，还包括对所述采集的数据进行归一化处理。
可选地，所述步骤(2)中参数辨识方法包括最小二乘法、最小方差或者遗传算法。
可选地，所述归一化处理后的数据输入总体测辨法模块进行参数辨识，得到不同影响因素与电力负荷之间的关系系数K1、K2…Kn,n≥6,n为整数；选取K值大的影响因素。
本申请的基于总体测辨和人工神经网络的电力负荷预测模型主要包括数据采集、总体测辨法分析与RBF神经网络电力负荷预测三个部分。数据采集部分包含了数据的收集与归一化两方面，主要收集该地区的电力负荷、气温、降雨量、湿度、风力、日期类型等历史数据，并对其进行归一化处理；本发明中总体测辨法通过总体参数辨识，能够一次性地得到电力负荷与各个影响因素的关系，参数辨识可选取的方法有最小二乘法、最小方差、遗传算法等等。通过将采集的归一化后的负荷、最高气温、最低气温、降雨量、风力、湿度、日期类型等影响因素的历史数据输入总体测辨法模块，进行参数辨识得到不同的影响因素与负荷之间的关系系数K1、K2……，选取系数K值大的影响因素。再根据总体测辨法最终得到的影响因素，对其历史数据进行训练，建立起RBF神经网络；输入神经网络所需的特性指标，通过已建立起的神经网络来预测输出未来一天或多天的电力负荷，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。
实施例四
参见图1～4，本申请提供一种电力负荷预测方法，所述预测方法包括以下步骤：
(1)数据采集；
(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；
(3)对数据进行训练，建立RBF神经网络模型。
可选地，所述步骤(1)中数据采集包括该地区的电力负荷、气温、降雨量、湿度、风力和日期类型。
可选地，还包括对所述采集的数据进行归一化处理。
可选地，所述步骤(2)中参数辨识方法包括最小二乘法、最小方差或者遗传算法。
可选地，所述归一化处理后的数据输入总体测辨法模块进行参数辨识，得到不同影响因素与电力负荷之间的关系系数K1、K2…Kn,n≥6,n为整数；选取K值大的影响因素。
可选地，还包括将对电力负荷影响因素大的数据输入RBF神经网络模型，得到当日电力负荷预测值，绘制当日预测负荷与实际负荷曲线对比图。
本申请的基于总体测辨和人工神经网络的电力负荷预测模型主要包括数据采集、总体测辨法分析与RBF神经网络电力负荷预测三个部分。数据采集部分包含了数据的收集与归一化两方面，主要收集该地区的电力负荷、气温、降雨量、湿度、风力、日期类型等历史数据，并对其进行归一化处理；本发明中总体测辨法通过总体参数辨识，能够一次性地得到电力负荷与各个影响因素的关系，参数辨识可选取的方法有最小二乘法、最小方差、遗传算法等等。通过将采集的归一化后的电力负荷、最高气温、最低气温、降雨量、风力、湿度、日期类型等影响因素的历史数据输入总体测辨法模块，进行参数辨识得到不同的影响因素与电力负荷之间的关系系数K1、K2……，选取系数K值大的影响因素。再根据总体测辨法最终得到的影响因素，对其历史数据进行训练，建立起RBF神经网络；输入神经网络所需的特性指标，通过RBF神经网络即可最终得到当日的预测电力负荷值；对比图3和图4中实际负荷与预测负荷，可以看出，该预测方法能够较为准确预测未来一天或多天的短期电力负荷，构建的网络可以直接应用于电力负荷预测中并获得较精确的预测结果。
以上所述仅是本发明实施例的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (6)
1.一种电力负荷预测方法，其特征在于，所述预测方法包括以下步骤：
(1)数据采集；
(2)采用总体测辨法对影响电力负荷的因素进行参数辨识分析，筛选得到影响因素较大的数据；
(3)对数据进行训练，建立RBF神经网络模型。
2.如权利要求1所述的预测方法，其特征在于，所述步骤(1)中数据采集包括该地区的电力负荷、气温、降雨量、湿度、风力和日期类型。
3.如权利要求2所述的预测方法，其特征在于，还包括对所述采集的数据进行归一化处理。
4.如权利要求1所述的预测方法，其特征在于，所述步骤(2)中参数辨识方法包括最小二乘法、最小方差或者遗传算法。
5.如权利要求3所述的预测方法，其特征在于，所述归一化处理后的数据输入总体测辨法模块进行参数辨识，得到不同影响因素与电力负荷之间的关系系数K1、K2…Kn,n≥6,n为整数；选取K值大的影响因素。
6.如权利要求1～5中任一项所述的预测方法，其特征在于，还包括将对电力负荷影响因素大的数据输入RBF神经网络模型，得到当日电力负荷预测值，绘制当日预测负荷与实际负荷曲线对比图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710239874.6A CN106997495A (zh) | 2017-04-13 | 2017-04-13 | 一种电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710239874.6A CN106997495A (zh) | 2017-04-13 | 2017-04-13 | 一种电力负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106997495A true CN106997495A (zh) | 2017-08-01 |
Family
ID=59433952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710239874.6A Pending CN106997495A (zh) | 2017-04-13 | 2017-04-13 | 一种电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106997495A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108335014A (zh) * | 2017-12-29 | 2018-07-27 | 国网北京市电力公司 | 负荷分析方法、装置、存储介质和处理器 |
| CN108830405A (zh) * | 2018-05-29 | 2018-11-16 | 东北电力大学 | 基于多指标动态匹配的实时电力负荷预测系统及其方法 |
| CN109085813A (zh) * | 2018-06-29 | 2018-12-25 | 国家能源投资集团有限责任公司 | 故障的诊断方法和装置 |
| CN109919352A (zh) * | 2018-12-30 | 2019-06-21 | 国网浙江省电力有限公司衢州供电公司 | 一种基于用户侧用电行为的配网负荷预测方法 |
| CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
| CN112183878A (zh) * | 2020-10-13 | 2021-01-05 | 东北大学 | 一种结合知识图谱与神经网络的电力负荷预测方法 |
| CN113254857A (zh) * | 2021-04-27 | 2021-08-13 | 安徽理工大学 | 一种基于ssa-elm的短期电力负荷预测方法 |
| CN113780600A (zh) * | 2021-11-11 | 2021-12-10 | 滨州学院 | 电力设备工作状态管理方法、系统及电子设备 |
| CN113988393A (zh) * | 2021-10-21 | 2022-01-28 | 青岛联众芯云科技有限公司 | 一种能源互联网负荷预测方法 |
| CN114139835A (zh) * | 2021-12-23 | 2022-03-04 | 深圳供电局有限公司 | 一种电力负荷预测关键因素的辨识方法及系统 |
| CN116029491A (zh) * | 2022-11-28 | 2023-04-28 | 国网河北省电力有限公司 | 一种电力调度管理系统及其控制方法 |
-
2017
- 2017-04-13 CN CN201710239874.6A patent/CN106997495A/zh active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108335014B (zh) * | 2017-12-29 | 2022-02-08 | 国网北京市电力公司 | 负荷分析方法、装置、存储介质和处理器 |
| CN108335014A (zh) * | 2017-12-29 | 2018-07-27 | 国网北京市电力公司 | 负荷分析方法、装置、存储介质和处理器 |
| CN108830405A (zh) * | 2018-05-29 | 2018-11-16 | 东北电力大学 | 基于多指标动态匹配的实时电力负荷预测系统及其方法 |
| CN108830405B (zh) * | 2018-05-29 | 2021-11-30 | 东北电力大学 | 基于多指标动态匹配的实时电力负荷预测系统及其方法 |
| CN109085813A (zh) * | 2018-06-29 | 2018-12-25 | 国家能源投资集团有限责任公司 | 故障的诊断方法和装置 |
| CN109919352A (zh) * | 2018-12-30 | 2019-06-21 | 国网浙江省电力有限公司衢州供电公司 | 一种基于用户侧用电行为的配网负荷预测方法 |
| CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
| CN112183878A (zh) * | 2020-10-13 | 2021-01-05 | 东北大学 | 一种结合知识图谱与神经网络的电力负荷预测方法 |
| CN112183878B (zh) * | 2020-10-13 | 2024-10-18 | 东北大学 | 一种结合知识图谱与神经网络的电力负荷预测方法 |
| CN113254857A (zh) * | 2021-04-27 | 2021-08-13 | 安徽理工大学 | 一种基于ssa-elm的短期电力负荷预测方法 |
| CN113988393A (zh) * | 2021-10-21 | 2022-01-28 | 青岛联众芯云科技有限公司 | 一种能源互联网负荷预测方法 |
| CN113780600A (zh) * | 2021-11-11 | 2021-12-10 | 滨州学院 | 电力设备工作状态管理方法、系统及电子设备 |
| CN114139835A (zh) * | 2021-12-23 | 2022-03-04 | 深圳供电局有限公司 | 一种电力负荷预测关键因素的辨识方法及系统 |
| CN116029491A (zh) * | 2022-11-28 | 2023-04-28 | 国网河北省电力有限公司 | 一种电力调度管理系统及其控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106997495A (zh) | 一种电力负荷预测方法 | |
| Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
| CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| Li et al. | Federated learning-based short-term building energy consumption prediction method for solving the data silos problem | |
| CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN108985965A (zh) | 一种结合神经网络和参数估计的光伏功率区间预测方法 | |
| CN107817404B (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
| CN110766212A (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
| CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
| Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
| CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
| CN102147839A (zh) | 一种光伏发电量预测方法 | |
| CN104820877A (zh) | 基于云自适应pso-snn的光伏系统发电功率预测方法 | |
| Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
| CN110135643A (zh) | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 | |
| CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
| CN115775045A (zh) | 一种基于历史相似日和实时多维研判的光伏平衡预测方法 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| Ko et al. | Feedforward error learning deep neural networks for multivariate deterministic power forecasting | |
| Ullah et al. | Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids | |
| CN104200106B (zh) | 广义负荷建模中基于季节性的纵向时间轴聚类方法 | |
| AU2021105453A4 (en) | Method for forecasting line loss rate in low-voltage station area based on extreme gradient lifting decision tree |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170801 |
|
| RJ01 | Rejection of invention patent application after publication |