CN107491812A - 基于实时电价的短期负荷预测方法 - Google Patents
基于实时电价的短期负荷预测方法 Download PDFInfo
- Publication number
- CN107491812A CN107491812A CN201610412702.XA CN201610412702A CN107491812A CN 107491812 A CN107491812 A CN 107491812A CN 201610412702 A CN201610412702 A CN 201610412702A CN 107491812 A CN107491812 A CN 107491812A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity price
- load
- neural network
- network model
- 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
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 230000005611 electricity Effects 0.000 claims abstract description 99
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 230000007935 neutral effect Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 21
- 239000010410 layer Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 7
- 108010074506 Transfer Factor Proteins 0.000 claims description 3
- 238000002945 steepest descent method Methods 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 239000011229 interlayer Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013499 data model Methods 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036316 preload 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
-
- 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)
Abstract
本发明公开了一种考虑实时电价的短期负荷预测方法，涉及电力系统规划与运行技术领域，本发明通过将负荷与电价的相关系数引入神经网络模型中，对神经网络隐含层的输入权重进行修正，体现出电价与负荷的关系；在神经网络的反馈环节引入PID控制，将预测残差反馈到输入层，对网络进行训练，使神经网络预测系统受到外部干扰时，系统仍具有良好的预测性能。
Description
技术领域
本发明涉及电力系统规划与运行技术领域，特别涉及一种基于实时电价的短期负荷预测方法。
背景技术
负荷预测是电力系统规划与运行的基础工作，它对国家的能源建设、人民生活和整个社会效益的发挥起着重要的作用。短期负荷预测是电力系统规划、计划、用电、调度等部门的基础工作。长期以来，相关专家和学者发表了大量负荷预测文献，并提出了一些行之有效的预测方法。在短期负荷预测中，传统的负荷预测方法有趋势外推法、时间序列法、灰色系统预测等；现代智能预测方法有模糊预测法、人工神经网络法、支持向量法、小波分析法等。
随着智能电网的快速发展，传统用电模式发生了重大变化，其中一个显著变化就是用户可以根据电能需求结合实时电价调整消费模式，甚至可以实现与电网的互动供电，使得负荷与电价在电力市场中的关系变得复杂，电价的变化导致电力需求的变化，电力需求的变化又会影响电价。所以，在短期负荷预测中，应将实时电价作为影响短期负荷预测的一个重要因素，忽略这一因素的影响将会导致不同程度的预测误差。同时，传统神经网络在负荷预测中也存在问题：不能及时学习电价变化和预测误差之间的关系，稳定性差。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于实时电价的短期负荷预测方法。
依据本发明的一个方面，提供了一种基于实时电价的短期负荷预测方法，所述方法包括：
获取历史电价数据及对应的历史负荷数据，并获取当前电价数据；
基于所述历史电价数据、对应的历史负荷数据及当前电价数据通过训练后的神经网络模型预测当前负荷数据，所述训练后的神经网络模型为当前电价数据与所述当前负荷数据之间的对应关系。
可选地，所述获取历史电价数据及对应的历史负荷数据，并获取当前电价数据之前，所述方法还包括：
构建由电价影响的神经网络模型，根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练。
可选地，所述由电价影响的神经网络模型为，
其中，为预测负荷数据，xi为第i个输入数据，wij和wjl均为权值，θj和θl均为阈值，ri为第i个负荷与对应电价的相关系数，ci为第v个历史电价数据，lv为第v个历史负荷数据，N为历史电价数据或历史负载数据的数量，f(·)为隐含层的激励函数，g(·)为输出层的激励函数。
可选地，所述根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练，具体包括：
将所述历史电价数据及对应的历史负荷数据进行归一化处理；
将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中，获得所述由电价影响的神经网络模型的预测负荷；
计算所述预测负荷与实际负荷之间的预测误差，将预测误差与误差阈值进行比较；
若所述预测误差超过所述误差阈值，则根据所述预测误差按照最速下降法修正所述由电价影响的神经网络模型中的各层间的权值和阈值，并基于修正前的权重，附加使搜索快速收敛全局绩效的惯性项，并根据所述预测误差调整所述反馈负荷，返回所述将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中的步骤；
若所述预测误差未超过所述误差阈值，则将修正后的权值和阈值代入所述由电价影响的神经网络模型，并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型。
可选地，根据所述预测误差通过下式调整所述反馈负荷，
u(t)＝u(t-1)+kp·(e(t)-e(t-1))+ki·e(t)+kd(e(t)-2e(t-1)+e(t-2))
其中，u(t)为本次调整后的反馈负荷；u(t-1)为上一次调整后的反馈负荷；e(t)为本次的预测误差；e(t-1)为上次的预测误差；e(t-2)为上上次的预测误差；kp为比例系数；ki为积分系数；kd为微分系数。
本发明通过将负荷与电价的相关系数引入神经网络模型中，对神经网络隐含层的输入权重进行修正，体现出电价与负荷的关系；在神经网络的反馈环节引入PID控制，将预测残差反馈到输入层，对网络进行训练，使神经网络预测系统受到外部干扰时，系统仍具有良好的预测性能。。
附图说明
图1是本发明一种实施方式的基于实时电价的短期负荷预测方法的流程图；
图2是2015年1月12日的每小时负荷和电价的关系曲线图；
图3是2015年2月(共672个小时)每小时负荷和电价的关系曲线图；
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1是本发明另一种实施方式的基于电价的短期负荷预测方法的流程图；参照图1，所述方法包括：
S100：构建由电价影响的神经网络模型，根据历史电价数据及对应的历史负荷数据对所述由电价影响的电价影响的神经网络模型为，
其中，为预测负荷数据，xi为第i个输入数据，wij和wjl均为权值，θj和θl均为阈值，ri为第i个相关系数， ci为第v个历史电价数据，lv为第v个历史负荷数据，N为历史电价数据或历史负载数据的数量，f(·)为隐含层的激励函数，g(·)为输出层的激励函数。
为进一步提高预测当前负荷数据的准确性，优选地，所述隐含层与输出层的激励函数分别采用sigmoid函数f(a)和线性函数g(a)，如下式：
g(a)＝a
为进一步提高预测当前负荷数据的准确性，优选地，步骤S200中，根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练，具体包括以下步骤S1001～S1004：
S1001：将所述历史电价数据及对应的历史负荷数据进行归一化处理；
本实施方式中，设神经网络模型有8个输入变量和1个输出变量。其中，8个输入变量分别为：提前1d负荷L(d-1,t)、提前1h负荷L(d,t-1)、提前2h负荷L(d,t-2)、当天电价C(d,t)，提前1d电价C(d-1,t)、提前1h电价C(d,t-1)、提前2h电价C(d,t-2)及反馈负荷u(t)。其中，1个输出变量为预测负荷
通过上述变量中的负荷和电价进行归一化处理，使其取值范围在[0,1]，形成规范化的输入变量和目标变量。
其中，为归一化后的第i个变量，maxX为同类(类别可分为：电价或负荷)变量中的最大值，minX为同类变量中的最小值，Xi为归一化前的第i个变量。
S1002：将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的电价影响的神经网络模型的预测负荷；
S1003：计算所述预测负荷与实际负荷之间的预测误差，将预测误差与误差阈值进行比较；
需要说明的是，可根据需要来设置所述误差阈值，本实施方式对此不加以限制。
S1004：若所述预测误差超过所述误差阈值，则根据所述预测误差按照最速下降法修正所述由电价影响的神经网络模型中的权值和阈值，附加使搜索快速收敛全局绩效的惯性项，并根据所述预测误差调整所述反馈负荷，返回步骤S1002；若所述预测误差未超过所述误差阈值，则将修正后的权值和阈值代入所述由电价影响的神经网络模型，并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型
可理解的是，在所述预测误差未超过所述误差阈值时，说明权值和阈值均已满足要求，故而，可将此时得到的权值和阈值代入神经网络模型，并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型。
需要说明的是，本实施方式中在神经网络的反馈环节引入一个PID控制器，根据所述预测误差产生一个反馈控制信息，将预测误差通过PID控制反馈到输入层，作为输入变量和其他输入变量一起继续训练网络，在本实施方式的预测方法受到外部干扰等影响时，也能使该预测方法具有良好的预测性能。
其中，PID控制器设计为：
u(t)＝u(t-1)+kp·(e(t)-e(t-1))+ki·e(t)+kd(e(t)-2e(t-1)+e(t-2))
其中，u(t)为本次调整后的反馈负荷，用于抑制干扰对预测方法的影响；u(t-1)为上一次调整后的反馈负荷；e(t)为本次的预测误差；e(t-1)为上次的预测误差；e(t-2)为上上次的预测误差；kp为比例系数；ki为积分系数；kd为微分系数。
S101：获取历史电价数据及对应的历史负荷数据，并获取当前电价数据；
S102：基于所述历史电价数据、对应的历史负荷数据及当前电价数据通过训练后的神经网络模型预测当前负荷数据，所述训练后的神经网络模型为当前电价数据与所述当前负荷数据之间的对应关系。
取美国PJM电力市场LMP提前1d电价(数据来源于Eastern Hub)及负荷数据为例进行分析。
用处理后数据分别绘制2015年1月12日、2015年2月(共672个小时)每小时负荷和电价关系曲线，见图2-3。
由图2-3可以看出，负荷和电价具有相同的变化趋势，两者之间存在着比较强的关联性，但关联性不一，因此，需要通过相关系数计算进一步确定相关程度的强弱。
利用公式，取1月12日-16日负荷与电价进行相关性计算，计算结果见表1。
表1负荷与电价的相关系数
| 日期 | 1月12日 | 1月13日 | 1月14日 | 1月15日 | 1月16日 |
| 相关系数r | 0.9241 | 0.9002 | 0.7699 | 0.8873 | 0.9352 |
由表1可以看出，负荷与电价有明显的相关性，但相关程度也有比较大的差异。将电价作为影响负荷预测的重要因素，提出将负荷与电价的相关系数r引入神经网络模型中，对网络的权值重新修正。
将相关系数r引入模型的改进公式为：
对式中的权值wij、wjl与阈值θj、θl进行修正，使误差函数E沿梯度方向下降：
式中，y为实际负荷，为预测负荷。
为保证系统的稳定性，在神经网络的反馈环节引入一个PID反馈控制器RC,根据神经网络预测值与目标值的误差产生一个反馈控制信号，在神经网络预测系统受到外部干扰等影响时，使系统仍具有良好的预测性能。PID控制器设计为：
u(t)＝u(t-1)+kp·(e(t)-e(t-1))+ki·e(t)+kd(e(t)-2e(t-1)+e(t-2))
调节PID控制器参数，使预测效果最佳。
本实施例的方法过程易于理解，通过分析负荷与电价的相关系数，将负荷与电价的相关系数引入神经网络模型中，对神经网络模型的权值重新修正，避免了直接引入电价数据所导致的预测误差。在此基础上，通过在神经网络的反馈环节引入一个PID控制器，在神经网络预测系统受到外部干扰等影响时，使系统仍具有良好的预测性能。
对于方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施方式并不受所描述的动作顺序的限制，因为依据本发明实施方式，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于优选实施方式，所涉及的动作并不一定是本发明实施方式所必须的。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。
Claims (5)
1.一种基于实时电价的短期负荷预测方法，其特征在于，所述方法包括：
获取历史电价数据及对应的历史负荷数据，并获取当前电价数据；
基于所述历史电价数据、对应的历史负荷数据及当前电价数据通过训练后的神经网络模型预测当前负荷数据，所述训练后的神经网络模型为当前电价数据与所述当前负荷数据之间的对应关系。
2.如权利要求1所述的方法，其特征在于，所述获取历史电价数据及对应的历史负荷数据，并获取当前电价数据之前，所述方法还包括：
构建由电价影响的神经网络模型，根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练。
3.如权利要求2所述的方法，其特征在于，所述由电价影响的神经网络模型为，
<mrow>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<mi>f</mi>
<mo>(</mo>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>j</mi>
</munder>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>l</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>&theta;</mi>
<mi>l</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，为预测负荷数据，xi为第i个输入数据，wij和wjl均为权值，θj和θl均为阈值，ri为第i个负荷与对应电价的相关系数，ci为第v个历史电价数据，lv为第v个历史负荷数据，N为历史电价数据或历史负载数据的数量，f(·)为隐含层的激励函数，g(·)为输出层的激励函数。
4.如权利要求3所述的方法，其特征在于，所述根据历史电价数据及对应的历史负荷数据对所述由电价影响的神经网络模型进行训练，具体包括：
将所述历史电价数据及对应的历史负荷数据进行归一化处理；
将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中，获得所述由电价影响的神经网络模型的预测负荷；
计算所述预测负荷与实际负荷之间的预测误差，将预测误差与误差阈值进行比较；
若所述预测误差超过所述误差阈值，则根据所述预测误差按照最速下降法修正所述由电价影响的神经网络模型中的各层间的权值和阈值，基于修正前的权重，附加使搜索快速收敛全局绩效的惯性项，并根据所述预测误差调整所述反馈负荷，返回所述将反馈负荷、归一化处理后的历史电价数据及对应的历史负荷数据代入所述由电价影响的神经网络模型中的步骤；
若所述预测误差未超过所述误差阈值，则将修正后的权值和阈值代入所述由电价影响的神经网络模型，并将代入权值和阈值的神经网络模型作为所述训练后的神经网络模型。
5.如权利要求4所述的方法，其特征在于，根据所述预测误差通过下式调整所述反馈负荷，
u(t)＝u(t-1)+kp·(e(t)-e(t-1))+ki·e(t)+kd(e(t)-2e(t-1)+e(t-2))
其中，u(t)为本次调整后的反馈负荷；u(t-1)为上一次调整后的反馈负荷；e(t)为本次的预测误差；e(t-1)为上次的预测误差；e(t-2)为上上次的预测误差；kp为比例系数；ki为积分系数；kd为微分系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610412702.XA CN107491812B (zh) | 2016-06-13 | 2016-06-13 | 基于实时电价的短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610412702.XA CN107491812B (zh) | 2016-06-13 | 2016-06-13 | 基于实时电价的短期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107491812A true CN107491812A (zh) | 2017-12-19 |
| CN107491812B CN107491812B (zh) | 2021-03-16 |
Family
ID=60642572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610412702.XA Active CN107491812B (zh) | 2016-06-13 | 2016-06-13 | 基于实时电价的短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107491812B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109878369A (zh) * | 2019-03-11 | 2019-06-14 | 三峡大学 | 一种基于模糊pid实时电价的电动汽车充放电优化调度方法 |
| CN111047191A (zh) * | 2019-12-12 | 2020-04-21 | 广东电网有限责任公司 | 一种电力市场的中长期负荷预测方法和装置 |
| CN111697570A (zh) * | 2020-05-25 | 2020-09-22 | 国网河北省电力有限公司石家庄市藁城区供电分公司 | 一种电网负荷预测方法 |
| CN116433276A (zh) * | 2023-06-09 | 2023-07-14 | 中网联合(北京)能源服务有限公司 | 基于相似日算法实现现货交易中电力价格预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101817163A (zh) * | 2010-03-25 | 2010-09-01 | 南京大学 | 一种基于神经网络的磨削加工工况检测方法 |
| CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
| CN103077267A (zh) * | 2012-12-28 | 2013-05-01 | 电子科技大学 | 一种基于改进bp神经网络的参量声源建模方法 |
| CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
| CN105115469A (zh) * | 2015-07-29 | 2015-12-02 | 华中农业大学 | 水稻稻穗表型参数自动测量和穗重预测方法 |
| CN105243454A (zh) * | 2015-11-06 | 2016-01-13 | 广州威沃电子有限公司 | 基于大数据的用电负荷预测系统 |
| CN105373855A (zh) * | 2015-11-19 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
| CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
| CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
-
2016
- 2016-06-13 CN CN201610412702.XA patent/CN107491812B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101817163A (zh) * | 2010-03-25 | 2010-09-01 | 南京大学 | 一种基于神经网络的磨削加工工况检测方法 |
| CN102930347A (zh) * | 2012-10-15 | 2013-02-13 | 河海大学 | 一种需求响应下的短期负荷预测方法 |
| CN103077267A (zh) * | 2012-12-28 | 2013-05-01 | 电子科技大学 | 一种基于改进bp神经网络的参量声源建模方法 |
| CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
| CN105115469A (zh) * | 2015-07-29 | 2015-12-02 | 华中农业大学 | 水稻稻穗表型参数自动测量和穗重预测方法 |
| CN105243454A (zh) * | 2015-11-06 | 2016-01-13 | 广州威沃电子有限公司 | 基于大数据的用电负荷预测系统 |
| CN105373855A (zh) * | 2015-11-19 | 2016-03-02 | 国网河南省电力公司电力科学研究院 | 一种用于特殊天气和特殊日期的电力系统日负荷预测方法 |
| CN105631483A (zh) * | 2016-03-08 | 2016-06-01 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
| CN105608512A (zh) * | 2016-03-24 | 2016-05-25 | 东南大学 | 一种短期负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 苏娟 等: "S变换在电力系统间谐波检测中的应用", 《测控技术》 * |
| 葛少云 等: "基于遗传灰色神经网络模型的实时电价条件下短期电力负荷预测", 《电网技术》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109878369A (zh) * | 2019-03-11 | 2019-06-14 | 三峡大学 | 一种基于模糊pid实时电价的电动汽车充放电优化调度方法 |
| CN111047191A (zh) * | 2019-12-12 | 2020-04-21 | 广东电网有限责任公司 | 一种电力市场的中长期负荷预测方法和装置 |
| CN111697570A (zh) * | 2020-05-25 | 2020-09-22 | 国网河北省电力有限公司石家庄市藁城区供电分公司 | 一种电网负荷预测方法 |
| CN116433276A (zh) * | 2023-06-09 | 2023-07-14 | 中网联合(北京)能源服务有限公司 | 基于相似日算法实现现货交易中电力价格预测方法 |
| CN116433276B (zh) * | 2023-06-09 | 2023-09-19 | 中网联合(北京)能源服务有限公司 | 基于相似日算法实现现货交易中电力价格预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107491812B (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Forecasting building energy consumption using neural networks and hybrid neuro-fuzzy system: A comparative study | |
| Law | Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting | |
| Padhan et al. | Application of firefly algorithm for load frequency control of multi-area interconnected power system | |
| Duru | A fuzzy integrated logical forecasting model for dry bulk shipping index forecasting: An improved fuzzy time series approach | |
| Kaya et al. | Multicriteria decision making in energy planning using a modified fuzzy TOPSIS methodology | |
| Al-Jabery et al. | Demand-side management of domestic electric water heaters using approximate dynamic programming | |
| CN105678404B (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
| Hadavandi et al. | An improved sales forecasting approach by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit board | |
| Yao et al. | Optimization analysis of supply chain scheduling in mass customization | |
| Debnath et al. | Application of hybrid differential evolution–grey wolf optimization algorithm for automatic generation control of a multi-source interconnected power system using optimal fuzzy–PID controller | |
| CN107491812A (zh) | 基于实时电价的短期负荷预测方法 | |
| CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
| Kumar et al. | Optimal sizing of stand alone hybrid renewable energy system with load shifting | |
| CN109685265A (zh) | 一种电力系统短期电力负荷的预测方法 | |
| Adedeji et al. | Adaptive Neuro-fuzzy Inference System (ANFIS) for a multi-campus institution energy consumption forecast in South Africa | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| UNUTMAZ et al. | Electrical energy demand forecasting using artificial neural network | |
| Uzlu | Application of Jaya algorithm-trained artificial neural networks for prediction of energy use in the nation of Turkey | |
| Talwariya et al. | Stackelberg game theory based energy management systems in the presence of renewable energy sources | |
| Liu et al. | PV-EV integrated home energy management considering residential occupant behaviors | |
| Sheikh et al. | An integrated decision support system for multi-target forecasting: A case study of energy load prediction for a solar-powered residential house | |
| Zaki et al. | A review of electricity tariffs and enabling solutions for optimal energy management | |
| Park et al. | A comparison of neural network-based methods for load forecasting with selected input candidates | |
| Safarinejadian et al. | An optimized model of electricity price forecasting in the electricity market based on fuzzy timeseries | |
| Souzanchi-K et al. | A multi adaptive neuro fuzzy inference system for short term load forecasting by using previous day features |
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 |