CN107506843A - 一种短期负荷预测方法及装置 - Google Patents

一种短期负荷预测方法及装置 Download PDF

Info

Publication number
CN107506843A
CN107506843A CN201710532134.1A CN201710532134A CN107506843A CN 107506843 A CN107506843 A CN 107506843A CN 201710532134 A CN201710532134 A CN 201710532134A CN 107506843 A CN107506843 A CN 107506843A
Authority
CN
China
Prior art keywords
day
mrow
cold
msub
weather data
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
Application number
CN201710532134.1A
Other languages
English (en)
Inventor
成岭
唐跃中
金璐
张宇
钟鸣
方陈
蒋利民
时珊珊
覃剑
王皓靖
郭炳庆
闫华光
黄伟
屈博
孟珺遐
张新鹤
何桂雄
唐艳梅
刘铠诚
房方
申思
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shanghai Electric Power Co Ltd
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710532134.1A priority Critical patent/CN107506843A/zh
Publication of CN107506843A publication Critical patent/CN107506843A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种短期负荷预测方法包括：获取冷热电负荷的历史数据及其对应的天气数据；对冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据；根据预测日特征选择历史特征日，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量；利用改进熵权法确定误差绝对值向量中各元素的权重，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差；根据相似误差选择预测日的相似日，并根据相似日对应的相似误差确定预测日的负荷。本发明提供的技术方案，解决了当前的短期负荷预测方法存在的运算速度慢的问题。

Description

一种短期负荷预测方法及装置
技术领域
本发明涉及负荷预测技术领域，具体涉及一种短期负荷预测方法及装置。
背景技术
随着国民经济的快速增长和人们生活水平的提高，当今世界能源利用形势日益严峻，由此带来的环境问题也不容忽视。如何做到能源的高效、环保利用已成为全球性热点问题。采用分布式供能系统已成为实现经济与能源协调发展的一种重要途径和有效手段。
负荷预测是分布式能源系统规划的一个重要组成部分，对于了解用户负荷变化规律、制定合理的发展战略有着重要作用。负荷预测的精准度保证了分布式能源系统的经济安全运行，是能量管理系统中一个重要模块。负荷预测一般可分为超短期、短期、中期和长期负荷预测四种类型，负荷预测中短期负荷预测是指提前几小时、1天到1周的负荷预测，也即日负荷预测和周负荷预测，分别用于安排日调度计划和周调度计划。对于分布式能源系统中的运行人员来讲，短期负荷预测结果能够保证运行人员大致了解用户的负荷需求，在保证系统安全、稳定、优质运行的前提下，选择最优的运行方式，通过合理安排机组的运行状态来实现机组的优化组合，进而达到分布式能源系统资源的优化配置。
在园区天然气能源的利用方式中，冷热电联供系统(Combined Cooling Heatingand Power,简称CCHP)是一种先进的能量供给系统。由于其能有效提高一次能源利用率，实现能量的梯级利用，在世界范围内受到了广泛的重视，是分布式供能系统中应用前景最为广阔，最具实用性和发展活力的技术。冷热电短期负荷预测是CCHP系统优化调度的基础，准确的短期负荷预测是调度机构制定供能计划、合理安排机组启停和做好供需平衡的关键。
目前负荷预测方法主要分为两种，一种是数学统计方法也称经典负荷预测方法，另一种是人工智能方法也称现代负荷预测方法，这两种方法均以大量的历史负荷数据为基础，预测过程中需对大量的参数进行辨识或采用复杂的智能算法训练预测模型，运算速度慢，在工程应用中难以快速预测负荷，及时调整调度计划。
可见，当前的冷热电短期负荷预测方法存在运算速度慢的问题。
发明内容
本发明提供一种短期负荷预测方法及装置，其目的是解决当前的短期负荷预测方法存在的运算速度慢的问题。
本发明的目的是采用下述技术方案实现的：
一种短期负荷预测方法，其改进之处在于，包括：
获取冷热电负荷的历史数据及其对应的天气数据；
对所述冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据；
根据预测日特征选择历史特征日，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量；
确定所述误差绝对值向量中各元素的权重，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差；
根据所述相似误差选择预测日的相似日，并根据所述相似日对应的相似误差确定预测日的负荷。
优选的，冷热电负荷的历史数据包括距预测日一年的8760个小时的逐时冷热电历史负荷数据，所述天气数据包括：干球温度数据、露点温度数据、相对湿度数据、太阳辐射数据和风速数据。
优选的，所述对所述冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据，包括：
按下式确定所述冷热电负荷的历史数据与其对应的天气数据的相关系数：
上式中，rij为第i种负荷与第j种天气数据的相关系数，xit为第t个时间点第i种负荷的负荷量，为第i种负荷的平均负荷量，yjt为第t个时间点第j种天气数据值，为第j种天气数据平均值，s为历史数据时间点总数；
选择所述冷热电负荷分别对应的前v大相关系数对应的天气数据作为影响冷热电负荷的相关天气数据，其中，v小于等于天气数据种类数。
优选的，所述根据预测日特征选择历史特征日，包括：
若所述预测日为工作日，则将历史数据中工作日作为历史特征日；
若所述预测日为双休日，则将历史数据中双休日作为历史特征日。
优选的，所述确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量，包括：
按下式确定历史特征日中第m个时间点影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量δm：
δm＝(|Xm(1)-X0(1)|,…,|Xm(z)-X0(z)|,…|Xm(Z)-X0(Z)|)
上式中，Xm(z)为历史特征日中第m个时间点第z个影响冷热电负荷的相关天气数据值，X0(z)为预测日中第z个影响冷热电负荷的相关天气数据值，Z为影响冷热电负荷的相关天气数据种类数，m∈[1,M]，M为历史特征日时间点总数。
优选的，所述确定所述误差绝对值向量中各元素的权重，包括：
建立历史特征日中各时间点对应的影响冷热电负荷的相关天气数据评价矩阵A＝[amz]M×Z，其中，M为历史特征日时间点总数，Z为影响冷热电负荷的相关天气数据种类数；
将M个历史特征日时间点作为M个评价对象，将Z个影响冷热电负荷的相关天气数据作为Z个评价指标，对A进行标准化，获取标准化矩阵S＝[smz]M×Z；
按下式确定第z个评价指标下第m个评价对象的比重Pmz：
上式中，smz为第z个评价指标下第m个评价对象；
按下式确定第z个评价指标的熵Hz：
按下式确定第z个评价指标的权重向量ωz，即第z个影响冷热电负荷的相关天气数据的权重向量ωz：
上式中，为Z个影响冷热电负荷的相关天气数据的熵的平均值，
优选的，所述确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差，包括：
按下式确定历史特征日中第m个时间点影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差ξm：
ξm＝ω1×|Xi(1)-X0(1)|+…,ωz×|Xm(z)-X0(z)|,…+ωZ×|XM(Z)-X0(Z)|
上式中，ωz为第z个影响冷热电负荷的相关天气数据的权重向量，Xm(z)为历史特征日中第m个时间点第z个影响冷热电负荷的相关天气数据值，X0(z)为预测日中第z个影响冷热电负荷的相关天气数据值，z∈[1,Z]，Z为影响冷热电负荷的相关天气数据种类数，m∈[1,M]，M为历史特征日时间点总数。
优选的，所述根据所述相似误差选择预测日的相似日，并根据所述相似日对应的相似误差确定预测日的负荷，包括：
将所述相似误差按从小到大顺序排列，选择前三个所述相似误差对应的历史特征日作为预测日的相似日，并将三个相似日的相似误差归一化值作为熵值，按下式确定三个相似日的权重：
上式中，ωx为第x个相似日的权重，为熵的平均值，Lx为第x个相似日的相似误差归一化值， 其中，x＝1、2或3；
按下式确定预测日的负荷Lforecast：
Lforecast＝ω1×L1+ω2×L2+ω3×L3。
一种短期负荷预测装置，其改进之处在于，所述装置包括：
历史数据获取单元，用于获取冷热电负荷的历史数据及其对应的天气数据；
特征选取单元，用于对所述冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据；
误差绝对值确定单元，用于根据预测日特征选择历史特征日，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量；
相似误差确定单元，用于确定所述误差绝对值向量中各元素的权重，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差；
短期负荷预测单元，用于根据所述相似误差选择预测日的相似日，并根据所述相似日对应的相似误差确定预测日的负荷。
本发明的有益效果：
本发明提供的技术方案，以少量历史负荷数据及其对应的天气数据为基础，通过相似系数判断影响冷热电负荷的主要影响因素，能够排除与冷热电负荷无关的天气数据，避免无关数据对负荷预测的影响，同时将历史特征日时间点作为评价对象，影响冷热电负荷的相关天气数据作为评价指标，进一步获取影响冷热电负荷的主要影响因素的权重，根据冷热电负荷的主要影响因素的权重选择预测日的相似日，通过相似日对应的相似误差计算预测日的负荷预测值，不仅提高了短期负荷预测精度，且运算速度更快，解决当前的短期负荷预测方法存在的运算速度慢的问题。
附图说明
图1是本发明一种短期负荷预测方法的流程图；
图2是本发明一种短期负荷预测装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提供的一种短期负荷预测方法，主要是使用改进熵权法来确定特征点与相似日的权重，熵权法是一种客观权重方法，在建立关于评价对象和评价指标的评价矩阵的基础上，确定各个评价指标在综合处理过程中的权重。信息熵可用来度量数据中包含的有用信息量，从而确定该信息所占权重。如果指标信息熵越小，则该指标提供的信息量越大，在综合评价中所起的作用理当越大，权重就应该越高。传统熵权法在计算熵值H→1的指标的权重时，其微小的变化将引起熵权成倍数变化，导致部分指标被赋予了与其重要性不符合的权重，影响了最终结果的判断。改进熵权法根据下述公式确定指标的熵权：
其中，ω表示指标的权重；H是指标的熵值；是所有不为1的熵值的平均值，
改进熵权法可以在熵值无论是离散分布、两极分布还是数据偏小的情况下得到更加合理的权重分配结果，与传统熵权法的比较如果如下表1所示：
表1改进熵权法与传统熵权法的比较如果
基于改进熵权法，本发明提供的技术方案，如图1所示，具体包括：
101.获取冷热电负荷的历史数据及其对应的天气数据；
102.对所述冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据；
103.根据预测日特征选择历史特征日，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量；
104.确定所述误差绝对值向量中各元素的权重，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差；
105.根据所述相似误差选择预测日的相似日，并根据所述相似日对应的相似误差确定预测日的负荷。
其中，冷热电负荷的历史数据包括距预测日一年的8760个小时的逐时冷热电历史负荷数据，所述天气数据包括：干球温度数据、露点温度数据、相对湿度数据、太阳辐射数据和风速数据。
具体的，首先需要对数据进行相关性分析，计算各数据间相关系数，所述步骤101中，包括：
按下式确定所述冷热电负荷的历史数据与其对应的天气数据的相关系数：
上式中，rij为第i种负荷与第j种天气数据的相关系数，xit为第t个时间点第i种负荷的负荷量，为第i种负荷的平均负荷量，yjt为第t个时间点第j种天气数据值，为第j种天气数据平均值，s为历史数据时间点总数；
选择所述冷热电负荷分别对应的前v大相关系数对应的天气数据作为影响冷热电负荷的相关天气数据，其中，v小于等于天气数据种类数。
本发明提供的实施例中，需选取相关系数较大的因素作为主要因素构成历史日与预测日的日特征向量，例如，对电负荷进行预测时，取每隔4小时的当日、前一日干球温度、前一日电负荷共18个特征作为日特征向量；对冷负荷进行预测时，取每隔4小时的干球温度、总辐射、前一日冷负荷、共18个特征作为日特征向量；对热负荷进行预测时，取每隔4小时的当日与前一日干球温度、前一日热负荷共18个特征作为日特征向量。
所述步骤102中，需根据预测日特征选择历史特征日，包括：
若所述预测日为工作日，则将历史数据中工作日作为历史特征日；
若所述预测日为双休日，则将历史数据中双休日作为历史特征日。
例如：所述负荷预测分为两部分进行，分别为工作日负荷预测与周末负荷预测；所述工作日负荷预测中历史日可以为待预测日前两个月内所有的工作日，即m＝43，但不仅局限于此；所述周末负荷预测中历史日可以为待预测日前两个月内所有的周末，即m＝19；
所述步骤102还需确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量，包括：
按下式确定历史特征日中第m个时间点影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量δm：
δm＝(|Xm(1)-X0(1)|,…,|Xm(z)-X0(z)|,…|Xm(Z)-X0(Z)|)
上式中，Xm(z)为历史特征日中第m个时间点第z个影响冷热电负荷的相关天气数据值，X0(z)为预测日中第z个影响冷热电负荷的相关天气数据值，Z为影响冷热电负荷的相关天气数据种类数，m∈[1,M]，M为历史特征日时间点总数。
进一步的，所述步骤103中，利用改进熵权法确定所述误差绝对值向量中各元素的权重，包括：
建立历史特征日中各时间点对应的影响冷热电负荷的相关天气数据评价矩阵A＝[amz]M×Z，其中，M为历史特征日时间点总数，Z为影响冷热电负荷的相关天气数据种类数；
将M个历史特征日时间点作为M个评价对象，将Z个影响冷热电负荷的相关天气数据作为Z个评价指标，对A进行标准化，获取标准化矩阵S＝[smz]M×Z；
按下式确定第z个评价指标下第m个评价对象的比重Pmz：
上式中，smz为第z个评价指标下第m个评价对象；
按下式确定第z个评价指标的熵Hz：
按下式确定第z个评价指标的权重向量ωz，即第z个影响冷热电负荷的相关天气数据的权重向量ωz：
上式中，为Z个影响冷热电负荷的相关天气数据的熵的平均值，
确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差，包括：
按下式确定历史特征日中第m个时间点影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差ξm：
ξm＝ω1×|Xi(1)-X0(1)|+…,ωz×|Xm(z)-X0(z)|,…+ωZ×|XM(Z)-X0(Z)|
上式中，ωz为第z个影响冷热电负荷的相关天气数据的权重向量，Xm(z)为历史特征日中第m个时间点第z个影响冷热电负荷的相关天气数据值，X0(z)为预测日中第z个影响冷热电负荷的相关天气数据值，z∈[1,Z]，Z为影响冷热电负荷的相关天气数据种类数，m∈[1,M]，M为历史特征日时间点总数。
所述步骤104，包括：
将所述相似误差按从小到大顺序排列，选择前三个所述相似误差对应的历史特征日作为预测日的相似日，并将三个相似日的相似误差归一化值作为熵值，按下式确定三个相似日的权重：
上式中，ωx为第x个相似日的权重，为熵的平均值，Lx为第x个相似日的相似误差归一化值，其中，x＝1、2或3；
按下式确定预测日的负荷Lforecast：
Lforecast＝ω1×L1+ω2×L2+ω3×L3。
在本发明实施例中，采用改进熵权法确定权重、传统熵权法确定权重、相似日等权重三种方法对春、夏、冬三季的各一个典型日与周末进行冷热电负荷预测，相似日选取结果及各相似日权重如下表2所示：
表2
其中，RMSE为均方根误差。
同时采用本发明所提方法、广义回归神经网络、支持向量机三种方法对春、夏、冬三季的各一个典型日与周末进行冷热电负荷预测，预测精度与运算时间如下表3所示：
表3
本发明实施例提供的方法，首先获取冷热电负荷的历史数据以及所述冷热电负荷的历史数据对应的天气信息的历史数据；对所述数据之间进行相关性分析，将冷热电三种负荷分别的主要影响因素构成历史日与预测日的日特征向量；根据改进熵权法，确定日特征向量中各个特征点的权重，判断各历史日与预测日的相近程度，选取相似日；根据改进熵权法，确定各个相似日的权重，求取加权和得到预测日的预测负荷；该方法能够在不同的情况下更好地找到相似日或找到与传统熵权法一样的相似日，不仅预测精度高，运算速度也快。
本发明利用改进熵权法进行短期负荷预测，改进熵权法是一种客观权重方法，在建立关于评价对象和评价指标的评价矩阵的基础上，确定各个评价指标在综合处理过程中的权重。信息熵可用来度量数据中包含的有用信息量，从而确定该信息所占权重。如果指标信息熵越小，则该指标提供的信息量越大，在综合评价中所起的作用理当越大，权重就应该越高。与传统熵权法比较，改进熵权法可以在熵值无论是离散分布、两极分布还是数据偏小的情况下均能得到更加合理的权重分配结果，利用改进熵权法进行短期负荷预测，不仅预测精度高，且运算速度快，工程适应性较强。
本发明还提供一种短期负荷预测装置，如图2所示，所述装置包括：
历史数据获取单元，用于获取冷热电负荷的历史数据及其对应的天气数据；
特征选取单元，用于对所述冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据；
误差绝对值确定单元，用于根据预测日特征选择历史特征日，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量；
相似误差确定单元，用于确定所述误差绝对值向量中各元素的权重，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差；
短期负荷预测单元，用于根据所述相似误差选择预测日的相似日，并根据所述相似日对应的相似误差确定预测日的负荷。
其中，冷热电负荷的历史数据包括距预测日一年的8760个小时的逐时冷热电历史负荷数据，所述天气数据包括：干球温度数据、露点温度数据、相对湿度数据、太阳辐射数据和风速数据。
具体的，所述特征选取单元，包括：
按下式确定所述冷热电负荷的历史数据与其对应的天气数据的相关系数：
上式中，rij为第i种负荷与第j种天气数据的相关系数，xit为第t个时间点第i种负荷的负荷量，为第i种负荷的平均负荷量，yjt为第t个时间点第j种天气数据值，为第j种天气数据平均值，s为历史数据时间点总数；
选择所述冷热电负荷分别对应的前v大相关系数对应的天气数据作为影响冷热电负荷的相关天气数据，其中，v小于等于天气数据种类数。
所述误差绝对值确定单元，包括：
若所述预测日为工作日，则将历史数据中工作日作为历史特征日；
若所述预测日为双休日，则将历史数据中双休日作为历史特征日。
所述误差绝对值确定单元还包括：
按下式确定历史特征日中第m个时间点影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量δm：
δm＝(|Xm(1)-X0(1)|,…,|Xm(z)-X0(z)|,…|Xm(Z)-X0(Z)|)
上式中，Xm(z)为历史特征日中第m个时间点第z个影响冷热电负荷的相关天气数据值，X0(z)为预测日中第z个影响冷热电负荷的相关天气数据值，Z为影响冷热电负荷的相关天气数据种类数，m∈[1,M]，M为历史特征日时间点总数。
所述相似误差确定单元，包括：
建立历史特征日中各时间点对应的影响冷热电负荷的相关天气数据评价矩阵A＝[amz]M×Z，其中，M为历史特征日时间点总数，Z为影响冷热电负荷的相关天气数据种类数；
将M个历史特征日时间点作为M个评价对象，将Z个影响冷热电负荷的相关天气数据作为Z个评价指标，对A进行标准化，获取标准化矩阵S＝[smz]M×Z；
按下式确定第z个评价指标下第m个评价对象的比重Pmz：
上式中，smz为第z个评价指标下第m个评价对象；
按下式确定第z个评价指标的熵Hz：
按下式确定第z个评价指标的权重向量ωz，即第z个影响冷热电负荷的相关天气数据的权重向量ωz：
上式中，为Z个影响冷热电负荷的相关天气数据的熵的平均值，
所述相似误差确定单元还包括：
按下式确定历史特征日中第m个时间点影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差ξm：
ξm＝ω1×|Xi(1)-X0(1)|+…,ωz×|Xm(z)-X0(z)|,…+ωZ×|XM(Z)-X0(Z)|
上式中，ωz为第z个影响冷热电负荷的相关天气数据的权重向量，Xm(z)为历史特征日中第m个时间点第z个影响冷热电负荷的相关天气数据值，X0(z)为预测日中第z个影响冷热电负荷的相关天气数据值，z∈[1,Z]，Z为影响冷热电负荷的相关天气数据种类数，m∈[1,M]，M为历史特征日时间点总数。
所述短期负荷预测单元，包括：
将所述相似误差按从小到大顺序排列，选择前三个所述相似误差对应的历史特征日作为预测日的相似日，并将三个相似日的相似误差归一化值作为熵值，按下式确定三个相似日的权重：
上式中，ωx为第x个相似日的权重，为熵的平均值，Lx为第x个相似日的相似误差归一化值，其中，x＝1、2或3；
按下式确定预测日的负荷Lforecast：
Lforecast＝ω1×L1+ω2×L2+ω3×L3。
与传统熵权法比较，改进熵权法可以在熵值无论是离散分布、两极分布还是数据偏小的情况下均能得到更加合理的权重分配结果，利用改进熵权法进行短期负荷预测，不仅预测精度高，且运算速度快，工程适应性较强。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (9)

1.一种短期负荷预测方法，其特征在于，所述方法包括：
获取冷热电负荷的历史数据及其对应的天气数据；
对所述冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据；
根据预测日特征选择历史特征日，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量；
确定所述误差绝对值向量中各元素的权重，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差；
根据所述相似误差在所述历史特征日中选择预测日的相似日，并根据所述相似日对应的相似误差确定预测日的负荷。
2.如权利要求1所述的方法，其特征在于，冷热电负荷的历史数据包括距预测日一年的8760个小时的逐时冷热电历史负荷数据，所述天气数据包括：干球温度数据、露点温度数据、相对湿度数据、太阳辐射数据和风速数据。
3.如权利要求1所述的方法，其特征在于，所述对所述冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据，包括：
按下式确定所述冷热电负荷的历史数据与其对应的天气数据的相关系数：
<mrow> <msub> <mi>r</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mrow> <mo>|</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mi>t</mi> <mi>s</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mrow> <mi>j</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> <msqrt> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>s</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>i</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>s</mi> </munderover> <msup> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mrow> <mi>j</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>y</mi> <mo>&amp;OverBar;</mo> </mover> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mfrac> <mo>|</mo> </mrow> </mrow>
上式中，rij为第i种负荷与第j种天气数据的相关系数，xit为第t个时间点第i种负荷的负荷量，为第i种负荷的平均负荷量，yjt为第t个时间点第j种天气数据值，为第j种天气数据平均值，s为历史数据时间点总数；
选择所述冷热电负荷分别对应的前v大相关系数对应的天气数据作为影响冷热电负荷的相关天气数据，其中，v小于等于天气数据种类数。
4.如权利要求1所述的方法，其特征在于，所述根据预测日特征选择历史特征日，包括：
若所述预测日为工作日，则将历史数据中工作日作为历史特征日；
若所述预测日为双休日，则将历史数据中双休日作为历史特征日。
5.如权利要求1所述的方法，其特征在于，所述确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量，包括：
按下式确定历史特征日中第m个时间点影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量δm：
δm＝(|Xm(1)-X0(1)|,…,|Xm(z)-X0(z)|,…|Xm(Z)-X0(Z)|)
上式中，Xm(z)为历史特征日中第m个时间点第z个影响冷热电负荷的相关天气数据值，X0(z)为预测日中第z个影响冷热电负荷的相关天气数据值，Z为影响冷热电负荷的相关天气数据种类数，m∈[1,M]，M为历史特征日时间点总数。
6.如权利要求1所述的方法，其特征在于，所述确定所述误差绝对值向量中各元素的权重，包括：
建立历史特征日中各时间点对应的影响冷热电负荷的相关天气数据评价矩阵A＝[amz]M×Z，其中，M为历史特征日时间点总数，Z为影响冷热电负荷的相关天气数据种类数；
将M个历史特征日时间点作为M个评价对象，将Z个影响冷热电负荷的相关天气数据作为Z个评价指标，对A进行标准化，获取标准化矩阵S＝[smz]M×Z；
按下式确定第z个评价指标下第m个评价对象的比重Pmz：
<mrow> <msub> <mi>P</mi> <mrow> <mi>m</mi> <mi>z</mi> </mrow> </msub> <mo>=</mo> <mfrac> <msub> <mi>s</mi> <mrow> <mi>m</mi> <mi>z</mi> </mrow> </msub> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>s</mi> <mrow> <mi>m</mi> <mi>z</mi> </mrow> </msub> </mrow> </mfrac> </mrow>
上式中，smz为第z个评价指标下第m个评价对象；
按下式确定第z个评价指标的熵Hz：
<mrow> <msub> <mi>H</mi> <mi>z</mi> </msub> <mo>=</mo> <mo>-</mo> <mfrac> <mn>1</mn> <mrow> <mi>l</mi> <mi>n</mi> <mi> </mi> <mi>m</mi> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>P</mi> <mrow> <mi>z</mi> <mi>m</mi> </mrow> </msub> <mi>l</mi> <mi>n</mi> <mi> </mi> <msub> <mi>P</mi> <mrow> <mi>z</mi> <mi>m</mi> </mrow> </msub> </mrow>
按下式确定第z个评价指标的权重向量ωz，即第z个影响冷热电负荷的相关天气数据的权重向量ωz：
<mrow> <msub> <mi>&amp;omega;</mi> <mi>z</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mover> <mi>H</mi> <mo>&amp;OverBar;</mo> </mover> <mn>35.35</mn> </msup> <mo>)</mo> <msub> <mi>&amp;omega;</mi> <mrow> <mn>0</mn> <mi>z</mi> </mrow> </msub> <mo>+</mo> <msup> <mover> <mi>H</mi> <mo>&amp;OverBar;</mo> </mover> <mn>35.35</mn> </msup> <msub> <mi>&amp;omega;</mi> <mrow> <mn>3</mn> <mi>z</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>H</mi> <mi>z</mi> </msub> <mo>&lt;</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>H</mi> <mi>z</mi> </msub> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
上式中，为Z个影响冷热电负荷的相关天气数据的熵的平均值，
7.如权利要求1所述的方法，其特征在于，所述确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差，包括：
按下式确定历史特征日中第m个时间点影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差ξm：
ξm＝ω1×|Xi(1)-X0(1)|+…,ωz×|Xm(z)-X0(z)|,…+ωZ×|XM(Z)-X0(Z)|
上式中，ωz为第z个影响冷热电负荷的相关天气数据的权重向量，Xm(z)为历史特征日中第m个时间点第z个影响冷热电负荷的相关天气数据值，X0(z)为预测日中第z个影响冷热电负荷的相关天气数据值，z∈[1,Z]，Z为影响冷热电负荷的相关天气数据种类数，m∈[1,M]，M为历史特征日时间点总数。
8.如权利要求1所述的方法，其特征在于，所述根据所述相似误差在所述历史特征日中选择预测日的相似日，并根据所述相似日对应的相似误差确定预测日的负荷，包括：
将所述相似误差按从小到大顺序排列，选择前三个所述相似误差对应的历史特征日作为预测日的相似日，并将三个相似日的相似误差归一化值作为熵值，按下式确定三个相似日的权重：
<mrow> <msub> <mi>&amp;omega;</mi> <mi>x</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msup> <mover> <mi>L</mi> <mo>&amp;OverBar;</mo> </mover> <mn>35.35</mn> </msup> <mo>)</mo> <msub> <mi>&amp;omega;</mi> <mrow> <mn>0</mn> <mi>x</mi> </mrow> </msub> <mo>+</mo> <msup> <mover> <mi>L</mi> <mo>&amp;OverBar;</mo> </mover> <mn>35.35</mn> </msup> <msub> <mi>&amp;omega;</mi> <mrow> <mn>3</mn> <mi>x</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>L</mi> <mi>x</mi> </msub> <mo>&lt;</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>L</mi> <mi>x</mi> </msub> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
上式中，ωx为第x个相似日的权重，为熵的平均值，Lx为第x个相似日的相似误差归一化值，其中，x＝1、2或3；
按下式确定预测日的负荷Lforecast：
Lforecast＝ω1×L1+ω2×L2+ω3×L3。
9.一种短期负荷预测装置，其特征在于，所述装置包括：
历史数据获取单元，用于获取冷热电负荷的历史数据及其对应的天气数据；
特征选取单元，用于对所述冷热电负荷的历史数据与其对应的天气数据进行相关性分析，获取影响冷热电负荷的相关天气数据；
误差绝对值确定单元，用于根据预测日特征选择历史特征日，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的误差绝对值向量；
相似误差确定单元，用于确定所述误差绝对值向量中各元素的权重，并确定各历史特征日的影响冷热电负荷的相关天气数据与预测日的影响冷热电负荷的相关天气数据的相似误差；
短期负荷预测单元，用于根据所述相似误差在所述历史特征日中选择预测日的相似日，并根据所述相似日对应的相似误差确定预测日的负荷。
CN201710532134.1A 2017-07-03 2017-07-03 一种短期负荷预测方法及装置 Pending CN107506843A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710532134.1A CN107506843A (zh) 2017-07-03 2017-07-03 一种短期负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710532134.1A CN107506843A (zh) 2017-07-03 2017-07-03 一种短期负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN107506843A true CN107506843A (zh) 2017-12-22

Family

ID=60679715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710532134.1A Pending CN107506843A (zh) 2017-07-03 2017-07-03 一种短期负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN107506843A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921376A (zh) * 2018-05-24 2018-11-30 华南理工大学 一种智能配电网用电可靠性提升对象的优选方法及系统
CN109344990A (zh) * 2018-08-02 2019-02-15 中国电力科学研究院有限公司 一种基于dfs和svm特征选择的短期负荷预测方法及系统
CN109995599A (zh) * 2019-04-28 2019-07-09 武汉烽火技术服务有限公司 一种网络性能异常的智能告警方法
CN110472777A (zh) * 2019-07-29 2019-11-19 上海电力大学 一种基于经验模态分解的微电网短期负荷预测方法
CN111008351A (zh) * 2019-11-05 2020-04-14 新奥数能科技有限公司 一种冷热电短期负荷预测方法及系统
CN111047089A (zh) * 2019-12-10 2020-04-21 新奥数能科技有限公司 一种负荷预测的方法、装置及电子设备
CN111797917A (zh) * 2020-06-30 2020-10-20 深圳供电局有限公司 一种根据气象因素选取短期相似日的方法
CN111985689A (zh) * 2020-07-17 2020-11-24 江苏方天电力技术有限公司 一种短时负荷预测方法及系统
CN112465215A (zh) * 2020-11-24 2021-03-09 西安热工研究院有限公司 一种分布式能源用户侧冷热电短期负荷预测方法及系统
CN112700043A (zh) * 2020-12-31 2021-04-23 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备
CN113360553A (zh) * 2020-03-03 2021-09-07 中国移动通信集团贵州有限公司 一种数据冷热程度评估方法及服务器
CN113887833A (zh) * 2021-10-28 2022-01-04 西安热工研究院有限公司 一种分布式能源用户侧逐时负荷预测方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2769129A1 (en) * 2011-02-28 2012-08-28 General Electric Company System and method for load forecasting
CN103268524A (zh) * 2013-06-03 2013-08-28 国家电网公司 一种提高电网短期负荷预测准确度的方法
CN104123591A (zh) * 2014-07-14 2014-10-29 上海师范大学 基于智能网格分类和模糊神经网络的天然气负荷预测方法
CN104616075A (zh) * 2015-01-30 2015-05-13 广西大学 一种适合于台风天气下的短期负荷预测方法
CN105069525A (zh) * 2015-07-30 2015-11-18 广西大学 全天候96点日负荷曲线预测及优化修正系统
CN105069519A (zh) * 2015-07-16 2015-11-18 国网天津市电力公司 一种智能电网园区终端用户能源需求状况动态预测系统及方法
CN105205547A (zh) * 2015-08-25 2015-12-30 广西电网有限责任公司 一种基于多种不确定因素相似度匹配的母线负荷预测算法
CN105678426A (zh) * 2016-02-01 2016-06-15 江苏省电力公司电力科学研究院 一种基线预测中相似日最优天数组合的选取方法
CN106251008A (zh) * 2016-07-25 2016-12-21 南京工程学院 一种基于组合权重相似日选取的光伏功率预测方法
CN106408119A (zh) * 2016-09-09 2017-02-15 国网安徽省电力公司电力科学研究院 基于类气象分区综合评价的大电网负荷预测方法
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2769129A1 (en) * 2011-02-28 2012-08-28 General Electric Company System and method for load forecasting
CN103268524A (zh) * 2013-06-03 2013-08-28 国家电网公司 一种提高电网短期负荷预测准确度的方法
CN104123591A (zh) * 2014-07-14 2014-10-29 上海师范大学 基于智能网格分类和模糊神经网络的天然气负荷预测方法
CN104616075A (zh) * 2015-01-30 2015-05-13 广西大学 一种适合于台风天气下的短期负荷预测方法
CN105069519A (zh) * 2015-07-16 2015-11-18 国网天津市电力公司 一种智能电网园区终端用户能源需求状况动态预测系统及方法
CN105069525A (zh) * 2015-07-30 2015-11-18 广西大学 全天候96点日负荷曲线预测及优化修正系统
CN105205547A (zh) * 2015-08-25 2015-12-30 广西电网有限责任公司 一种基于多种不确定因素相似度匹配的母线负荷预测算法
CN105678426A (zh) * 2016-02-01 2016-06-15 江苏省电力公司电力科学研究院 一种基线预测中相似日最优天数组合的选取方法
CN106251008A (zh) * 2016-07-25 2016-12-21 南京工程学院 一种基于组合权重相似日选取的光伏功率预测方法
CN106408119A (zh) * 2016-09-09 2017-02-15 国网安徽省电力公司电力科学研究院 基于类气象分区综合评价的大电网负荷预测方法
CN106408223A (zh) * 2016-11-30 2017-02-15 华北电力大学（保定） 基于气象相似日及误差校正的短期负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
欧阳森 等: "改进熵权法及其在电能质量评估中的应用", 《电力系统自动化》, vol. 37, no. 21, pages 156 - 159 *
詹源;李昭廷;: "基于单纯历史负荷数据的短期负荷预测的探讨", no. 32, pages 112 - 113 *
赵峰;孙波;张承慧;: "基于多变量相空间重构和卡尔曼滤波的冷热电联供系统负荷预测方法", vol. 36, no. 02, pages 399 - 406 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921376A (zh) * 2018-05-24 2018-11-30 华南理工大学 一种智能配电网用电可靠性提升对象的优选方法及系统
CN108921376B (zh) * 2018-05-24 2022-02-15 华南理工大学 一种智能配电网用电可靠性提升对象的优选方法及系统
CN109344990A (zh) * 2018-08-02 2019-02-15 中国电力科学研究院有限公司 一种基于dfs和svm特征选择的短期负荷预测方法及系统
CN109995599A (zh) * 2019-04-28 2019-07-09 武汉烽火技术服务有限公司 一种网络性能异常的智能告警方法
CN110472777A (zh) * 2019-07-29 2019-11-19 上海电力大学 一种基于经验模态分解的微电网短期负荷预测方法
CN111008351A (zh) * 2019-11-05 2020-04-14 新奥数能科技有限公司 一种冷热电短期负荷预测方法及系统
CN111047089A (zh) * 2019-12-10 2020-04-21 新奥数能科技有限公司 一种负荷预测的方法、装置及电子设备
CN113360553A (zh) * 2020-03-03 2021-09-07 中国移动通信集团贵州有限公司 一种数据冷热程度评估方法及服务器
CN111797917A (zh) * 2020-06-30 2020-10-20 深圳供电局有限公司 一种根据气象因素选取短期相似日的方法
CN111985689A (zh) * 2020-07-17 2020-11-24 江苏方天电力技术有限公司 一种短时负荷预测方法及系统
CN112465215A (zh) * 2020-11-24 2021-03-09 西安热工研究院有限公司 一种分布式能源用户侧冷热电短期负荷预测方法及系统
CN112700043A (zh) * 2020-12-31 2021-04-23 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备
CN112700043B (zh) * 2020-12-31 2024-03-08 新奥数能科技有限公司 负荷预测方法、装置、计算机可读存储介质及电子设备
CN113887833A (zh) * 2021-10-28 2022-01-04 西安热工研究院有限公司 一种分布式能源用户侧逐时负荷预测方法及系统

Similar Documents

Publication Publication Date Title
CN107506843A (zh) 一种短期负荷预测方法及装置
Niu et al. Short-term multi-energy load forecasting for integrated energy systems based on CNN-BiGRU optimized by attention mechanism
Agrawal et al. Long term load forecasting with hourly predictions based on long-short-term-memory networks
Tang et al. Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
Ayub et al. Electricity load forecasting in smart grids using support vector machine
CN105069525A (zh) 全天候96点日负荷曲线预测及优化修正系统
CN110148068A (zh) 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法
CN105719028A (zh) 一种基于多因素混沌支持向量机的空调负荷动态预测方法
Tian et al. An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting
Li et al. Day-ahead hourly photovoltaic generation forecasting using extreme learning machine
Sari et al. New optimized configuration for a hybrid PV/diesel/battery system based on coyote optimization algorithm: A case study for Hotan county
CN106503833A (zh) 基于支持向量机算法的光伏发电短期功率滚动预测方法
Aslan Archimedes optimization algorithm based approaches for solving energy demand estimation problem: a case study of Turkey
CN109426901A (zh) 一种中长期用电预测方法及装置
Kumar et al. Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach
Chen et al. Probabilistic Prediction of Photovoltaic Power Using Bayesian Neural Network-LSTM Model
CN116436085A (zh) 一种基于场景构建的微能源网群分层优化控制方法及系统
CN114358382B (zh) 电力系统等效惯量概率预测方法、装置、产品及存储介质
CN109767037A (zh) 一种夏季日最大负荷的预测方法
Narayanaswamy et al. Hedging strategies for renewable resource integration and uncertainty management in the smart grid
Zhuang et al. Performance prediction model based on multi-task learning and co-evolutionary strategy for ground source heat pump system
Bousnina et al. Deep Reinforcement Learning for optimal energy management of multi-energy Smart Grids
Balaji et al. Comparative Study of Various Machine Learning and Deep Learning Techniques for Energy Prediction and Consumption Using IoT Modules
Chen et al. Prediction method of intelligent building electricity consumption based on deep learning

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: 20171222

RJ01 Rejection of invention patent application after publication