CN108171382A - 一种基于fisher信息处理的单气象因素短期负荷预测方法 - Google Patents
一种基于fisher信息处理的单气象因素短期负荷预测方法 Download PDFInfo
- Publication number
- CN108171382A CN108171382A CN201711484634.9A CN201711484634A CN108171382A CN 108171382 A CN108171382 A CN 108171382A CN 201711484634 A CN201711484634 A CN 201711484634A CN 108171382 A CN108171382 A CN 108171382A
- Authority
- CN
- China
- Prior art keywords
- fisher information
- data
- window
- meteorologic factor
- fisher
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 230000010365 information processing Effects 0.000 title claims abstract description 13
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- 241001269238 Data Species 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 abstract description 18
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q10/04—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (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)
Abstract
本发明涉及一种基于fisher信息处理的单气象因素短期负荷预测方法,对历史样本数据进行分析,得到对应负荷的单气象因素Fisher信息窗口数据,以此为基础计算出单气象因素Fisher信息窗口数据的Fisher信息值,并通过对其加权处理获得Fisher信息加权的输入变量,输入变量和历史负荷数据输入人工智能预测模型,通过对单气象因素进行Fisher信息加权处理,使气象因素对负荷的累积效应体现得更加全面和合理,从而能够实现对气象敏感负荷的精确预测。
Description
技术领域
本发明涉及电力系统电网负荷预测技术领域,尤其是一种基于fisher信息处理的单气象因素短期负荷预测方法。
背景技术
短期负荷预测是电力系统安全经济运行的基础。其预测精度受到许多相互依存因素的影响,其中气象因素对于短期负荷预测影响巨大,气象因素的累积效应会使负荷预测结果产生较大的误差,因此,负荷预测时要考虑累积效应的影响。在所有的气象因素中尤以温度对负荷的影响最为严重。夏季高温天气时,电网负荷随着温度的升高急剧攀升,特别是持续的高温天气还会对电力负荷产生累积效应,而其它气象因素也有类似的现象。
文献“考虑夏季气象因素的短期负荷预测方法研究”《电力系统保护与控制,2010》给出了一种考虑温度累积效应的修正模型,但需要动态调整累积效应系数。文献“考虑积温效应的短期负荷组合预测方法”《电力自动化设备,2011》采用曲线拟合的方法得到了一种温度累积效应的量化公式,但持续高温天数与日最高气温对温度累积效应贡献的比重系数随不同地域或同一地域的不同季节变化而变化,并不具有普遍适用性。文献“短期负荷预测中实时气象因素的影响分析及其处理策略”《电网技术,2006》给出了一种神经网络预测模型中温度和湿度累积效应的处理方法,但需要增加大量的输入层变量,这无疑增加了网络的训练时间和预测时间。
Fisher信息是系统稳定性的一种度量,通过它能定量地反映出之前气象因素变化的稳定程度,能很好地刻画这种累积效应,符合人们通常情况下中对气象变化的“稳定低”或“稳定高”的描述,避免了惯常处理方法中需确定累积效应系数的主观性和随意性。
发明内容
本发明的目的是针对电力系统短期负荷预测中单气象因素的累积效应,为了解决该问题而提出一种基于fisher信息处理的单气象因素短期负荷预测方法。
为了实现上述目的,本发明采用如下技术方案:
步骤1:读取历史样本数据,所述历史数据为电力部门提供的预测日前以及预测日的单气象因素数据及历史负荷数据;
步骤2:对步骤1中的历史样本数据进行分析,得到一个对应负荷的单气象因素Fisher信息窗口数据;
步骤3:以步骤2中获得的负荷单气象因素Fisher信息窗口数据为基础,计算出单气象因素Fisher信息窗口数据的Fisher信息值,即FI值;
步骤4:对步骤3中单气象因素的Fisher信息值加权处理,获得Fisher信息加权的输入变量;
步骤5:将步骤4获得的Fisher信息加权的输入变量和历史负荷数据输入人工智能预测模型即可实现对气象敏感负荷的精确预测;
进一步,步骤2中以电网每5分钟采集1个数据点,对历史样本数据采集单变量气象因素,构建Fisher信息的窗口数据;
进一步,步骤2中构建Fisher信息的窗口数据步骤为:
2.1:以预测当日当前时段3小时内36个点气象采集数据,为第一部分Fisher信息的窗口数据:(XdtXdt-1、、、Xdt-35);
2.2:以预测前一日当前时段2小时内24个点气象采集数据,为第二部分Fisher信息的窗口数据:(Xd-1,tXd-1,t-1、、、Xd-1,t-23);
2.3:以预测前二日当前时段1小时内12个点气象采集数据,为第三部分Fisher信息的窗口数据:(Xd-2,tXd-2,t-1、、、Xd-2,t-11);
2.4:根据上述步骤获得72个数据点组成了单次计算Fisher信息的数据窗口:
{(Xd,tXd,t-1、、、Xd,t-35),(Xd-1,tXd-1,t-1、、、Xd-1,t-23),(Xd-2,tXd-2,t-1、、、Xd-2,t-11)},
其中X指的是单气象因素值,d是日期值,t是时刻值。
进一步,步骤3包括:
3.1:以Fisher信息的窗口数据为基础,构造一个基于观测气象因素变化状态的可能性的概率密度函数P(Zi),Zi为第i个区间;
3.2:根据步骤3.1中概率密度函数P(Zi),计算出变量的强度q(Zi),
3.3:将上述变量的强度q(Zi)代入Fisher信息实用计算公式中,计算出该数据窗口的Fisher信息值,即FI值:
FI=4∑[q(Zi)-q(Zi-1)]2。
进一步,步骤3.1中构造概率密度函数P(Zi)为:
3.1.1以Fisher信息的数据窗口集合做为观察数据序列集D={d(k),k=1,…,N},其中N为序列总长度,d(k)为气象因素的值,窗宽为w∈N,滑动因子为δ∈N,可把滑动窗W描述如下:
W(m,w,δ)={d(k),k=1+m*δ,…,w+m*δ}
式中m=1,2,…,M,M为窗口个数,M=(N-w)/δ;
3.1.2将每个滑动窗划分成如下I个区间:
式中{Zi=[Si-1,Si),i=1,2,…,I},互不相交;
S0<S1<S2<…<SI
S0=min[W(m,w,δ)]=min[{d(k),k=1+m*δ,…,w+m*δ}]
SI=max[W(m,w,δ)]=max[{d(k),k=1+m*δ,…,w+m*δ}]
其中,Si为代表系统即气象因素值所构成的某一特定状态,S0代表状态0,S1代表状态1,…,SI代表状态I;
3.1.3气象因素的值d(k)∈W(m,w,δ)落入区间Zi的概率P(Zi)等于d(k)∈W(m,w,δ)落入区间Zi的数目与W(m,w,δ)中总数据个数w之比值计算窗口中相应于Zi区间上的概率密度分布P(Zi):
进一步,步骤4包括:
对Fisher信息值加权处理,把步骤3中获得的Fisher信息值与当前气象变量相乘,获得Fisher信息加权的输入变量,即:Fisher信息加权的输入变量=FI*当前气象变量值。
进一步,所述步骤5中人工智能预测模型为BP神经网络预测模型。
本发明的有益效果:
本发明通过使用度量系统稳定性的Fisher信息来对气象变量加权的方式体现了负荷预测中气象因素的累积效应。对比已有方法具有以下特点:
1.通过构建Fisher信息的数据窗口,符合“近大远小”数据组成原则,使对气象因素对负荷的累积效应体现得更加完整,该气象因素累积效应处理方法不随地理空间和时间的变化而变化,具有普遍适应性。
2.构建Fisher信息的数据窗口,并且对单气象因素的Fisher信息值加权处理,减少了人工智能预测模型的输入层变量,从而减少了网络训练时间和预测时间。
3.Fisher信息是对系统稳定性的一种度量,通过它能定量地反映出之前气象因素变化的稳定程度,把它与当前气象因素相加权就能很好地刻画这种累积效应,物理意义明确,可解释性好。符合人们惯常思维中对气候变化累积效应的“稳定低”或“稳定高”的理解。
附图说明
图1是基于Fisher信息处理的单气象因素短期负荷预测的流程图;
图2是负荷预测效果图。
具体实施方式
下面结合附图及具体实施方式对本发明进行进一步说明,目的仅在于更好地理解本发明内容,因此,此举之例并不限制本发明的保护范围。
由于温度对负荷需求所产生的累积效应既有日内累积效应又有多日累积效应。日内温度累积效应指的是当日当前负荷要受到当日内以前各时段温度的影响,这种影响又以前一时段、前两时段的温度最为明显,而与前三时段的温度的相关性则减弱很多。多日温度累积效应指的是在持续多日低温或高温天气状况下,负荷出现一定程度的反常增长。一般来说当日温度比前两日有所提高,温度敏感负荷随之产生较大的提升,但当高温期持续3天及以上时,温度敏感负荷对气温增长的敏感度下降,增长趋于缓和,此时绝大部分降温负荷都已开启,电网负荷趋于饱和,其它气象因素对负荷的影响具有类似的情况。
参见附图1所示,一种基于Fisher信息处理的单气象因素短期负荷预测的流程图。具体包括如下步骤:
步骤1:读取采用镇江市电力公司2016.8.12-2016.8.14网供的预测日前以及预测日的单气象因素数据及历史负荷数据。
步骤2:对步骤1中的历史样本数据进行分析,得到一个对应负荷得单气象因素Fisher信息窗口数据。
所述步骤2包括:
2.1以电网每5分钟采集1个数据点,对历史样本数据采集单变量气象因素,构建Fisher信息的窗口数据;
2.2以预测当日当前时段3小时内36个点气象采集数据,为第一部分Fisher信息的窗口数据:(Xd,tXd,t-1、、、Xd,t-35),如预测日2016.8.15温度第一个点(30.1℃)所对应的第一个Fisher信息窗口的数据是2016.8.14的36点,即(29℃,28.925℃,28.85℃,28,775℃,…,29.3℃,29.7℃);
2.3以预测前一日当前时段2小时内24个点气象采集数据,为第二部分Fisher信息的窗口数据:(Xd-1,tXd-1,t-1、、、Xd-1,t-23),如预测日2016.8.15温度第一个点(30.1℃)所对应的第二个Fisher信息窗口的数据是2016.8.14的24点,即:
(28.7℃,28.575℃,28.45℃,28.325℃,…,29.85℃,30.175℃);
2.4以预测前二日当前时段1小时内12个点气象采集数据,为第三部分Fisher信息的窗口数据:(Xd-2,tXd-2,t-1、、、Xd-2,t-11),如预测日2016.8.15温度第一个点(30.1℃)所对应的第三个Fisher信息窗口的数据是2016.8.14的12点,即:
(27.5℃,27.525℃,27.55℃,27.575℃,…,30℃,30.2℃);
2.5根据上述步骤获得72个数据点组成了单次计算Fisher信息的数据窗口:
{(Xd,tXd,t-1、、、Xd,t-35),(Xd-1,tXd-1,t-1、、、Xd-1,t-23),(Xd-2,tXd-2,t-1、、、Xd-2,t-11)}
,X指的是温度值,d是日期值,T是时刻值,如预测日2016.8.15温度第一个点(30.1℃)所对应的三个Fisher信息窗口的数据,即:
(29℃,28.925℃,28.85℃,28,775℃,…,29.3℃,29.7℃),(28.7℃,28.575℃,28.45℃,28.325℃,…,29.85℃,30.175℃),(27.5℃,27.525℃,27.55℃,27.575℃,…,30℃,30.2℃)。
步骤3:以步骤2中获得的负荷单气象因素Fisher信息窗口数据为基础,计算出单气象因素Fisher信息窗口数据的Fisher信息值,即FI值。
所述步骤3包括:
3.1以上述Fisher信息的窗口数据为基础,构造一个基于观测气象因素变化状态的可能性的概率密度函数P(si),si为第i个可能的变化状态;
步骤3.1中构造概率密度函数P(Zi)为:
3.1.1以Fisher信息的数据窗口集合做为观察数据序列集D={d(k),k=1,…,N},其中N为序列总长度,d(k)为气象因素的值,窗宽为w∈N,滑动因子为δ∈N,可把滑动窗W描述如下:
W(m,w,δ)={d(k),k=1+m*δ,…,w+m*δ}
式中m=1,2,…,M,M为窗口个数,M=(N-w)/δ;
3.1.2将每个滑动窗划分成如下I个区间:
式中{Zi=[Si-1,Si),i=1,2,…,I},互不相交;
S0<S1<S2<…<SI
S0=min[W(m,w,δ)]=min[{d(k),k=1+m*δ,…,w+m*δ}]
SI=max[W(m,w,δ)]=max[{d(k),k=1+m*δ,…,w+m*δ}]
其中,Si为代表系统即气象因素值所构成的某一特定状态,S0代表状态0,S1代表状态1,…,SI代表状态I;
3.1.3气象因素的值d(k)∈W(m,w,δ)落入区间Zi的概率P(Zi)等于d(k)∈W(m,w,δ)落入区间Zi的数目与W(m,w,δ)中总数据个数w之比值计算窗口中相应于Zi区间上的概率密度分布P(Zi):
3.2根据步骤3.1中概率密度函数P(Zi),计算出变量的强度q(Zi),
3.3将上述变量的强度q(Zi)代入Fisher信息实用计算公式中,计算出该数据窗口的Fisher信息值,即FI值:
FI=4∑[q(Zi)-q(Zi-1)]2; (3-4)
以下是2016.8.12-2016.8.15温度的FI部分值:
步骤4:对步骤3中单气象因素的Fisher信息值加权处理,获得Fisher信息加权的输入变量。
进一步,所述步骤4包括:
Fisher信息值加权处理,把步骤3中获得的Fisher信息值与当前气象变量相乘,获得Fisher信息加权的输入变量,即:
Fisher信息加权的输入变量=FI*当前气象变量值
以下是2016.8.12-2016.8.15温度的FI信息加权后的气象因素的部分值:
日期 | Fisher信息加权后的输入变量值 |
2016.8.12 | 0.3536,0.3711,0.4246,0.5581,…,0.5658,0.4112 |
2016.8.13 | 0.3527,0.3439,0.3690,0.3944,…,0.4144,0.3484 |
2016.8.14 | 0.3438,0.3680,0.4207,0.5000,…,0.3672,0.3490 |
2016.8.15 | 0.4258,0.4569,0.4882,0.5720,…,0.5767,0.5111 |
步骤5:将步骤4获得的Fisher信息加权的输入变量输入人工智能预测模型即可实现对气象敏感负荷的精确预测。
参见附图2负荷预测效果图,本案例使用BP神经网络完成,对镇江市2016年8月15日的负荷进行全天96点预测。训练集对测试集的数据比为3:1,获得的预测结果的相关系数为0.98705,平均相对误差为1.5809%。在负荷预测系统中,短期负荷预测的误差一般不能超过3%。本次预测结果满足要求。
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (7)
1.一种基于fisher信息处理的单气象因素短期负荷预测方法,其特征在于,包括:
步骤1:读取历史样本数据,所述历史数据为电力部门提供的预测日前以及预测日的单气象因素数据及历史负荷数据;
步骤2:对步骤1中的历史样本数据进行分析,得到一个对应负荷的单气象因素Fisher信息窗口数据;
步骤3:以步骤2中获得的负荷单气象因素Fisher信息窗口数据为基础,计算出单气象因素Fisher信息窗口数据的Fisher信息值,即FI值;
步骤4:对步骤3中单气象因素的Fisher信息值加权处理,获得Fisher信息加权的输入变量;
步骤5:将步骤4获得的Fisher信息加权的输入变量和历史负荷数据输入人工智能预测模型即可实现对气象敏感负荷的精确预测。
2.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法,其特征在于,所述步骤2中以电网每5分钟采集1个数据点,对历史样本数据采集单变量气象因素,构建Fisher信息的窗口数据。
3.根据权利要求2所述的一种基于fisher信息处理的单气象因素短期负荷预测方法,其特征在于,所述步骤2中构建Fisher信息的窗口数据步骤为:
2.1:以预测当日当前时段3小时内36个点气象采集数据,为第一部分的Fisher信息窗口数据:(Xd,tXd,t-1、、、Xd,t-35);
2.2:以预测前一日当前时段2小时内24个点气象采集数据,为第二部分的Fisher信息窗口数据:(Xd-1,tXd-1,t-1、、、Xd-1,t-23);
2.3:以预测前二日当前时段1小时内12个点气象采集数据,为第三部分的Fisher信息的窗口数据:(Xd-2,tXd-2,t-1、、、Xd-2,t-11);
2.4:根据上述步骤获得72个数据点组成了单次计算Fisher信息的数据窗口:
{(Xd,tXd,t-1、、、Xd,t-35),(Xd-1,tXd-1,t-1、、、Xd-1,t-23),(Xd-2,tXd-2,t-1、、、Xd-2,t-11)},
其中X指的是单气象因素值,d是日期值,t是时刻值。
4.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法,其特征在于,所述步骤3包括:
3.1:以Fisher信息的窗口数据为基础,构造一个基于观测气象因素变化状态的可能性的概率密度函数P(Zi),Zi为第i个区间;
3.2:根据步骤3.1中概率密度函数P(Zi),计算出变量的强度q(Zi),
3.3:将上述变量的强度q(Zi)代入Fisher信息实用计算公式中,计算出该数据窗口的Fisher信息值,即FI值:
FI=4∑[q(Zi)-q(Zi-1)]2。
5.根据权利要求4所述的一种基于fisher信息处理的单气象因素短期负荷预测方法,其特征在于,所述步骤3.1中构造概率密度函数P(Zi)为:
3.1.1以Fisher信息的数据窗口集合做为观察数据序列集D={d(k),k=1,…,N},其中N为序列总长度,d(k)为气象因素的值,窗宽为w∈N,滑动因子为δ∈N,滑动窗W描述为:
W(m,w,δ)={d(k),k=1+m*δ,…,w+m*δ},
式中m=1,2,…,M,M为窗口个数,M=(N-w)/δ;
3.1.2将每个滑动窗划分成如下I个区间:
式中{Zi=[Si-1,Si),i=1,2,…,I},互不相交;
S0<S1<S2<…<SI,
S0=min[W(m,w,δ)]=min[{d(k),k=1+m*δ,…,w+m*δ}],
SI=max[W(m,w,δ)]=max[{d(k),k=1+m*δ,…,w+m*δ}],
其中,Si为代表系统即气象因素值所构成的某一特定状态,S0代表状态0,S1代表状态1,…,SI代表状态I;
3.1.3气象因素的值d(k)∈W(m,w,δ)落入区间Zi的概率P(Zi)等于d(k)∈W(m,w,δ)落入区间Zi的数目与W(m,w,δ)中总数据个数w之比值计算窗口中相应于Zi区间上的概率密度分布P(Zi):
。
6.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法,其特征在于,所述步骤4包括:
对Fisher信息值加权处理,将步骤3中获得的Fisher信息值与当前气象变量相乘,获得Fisher信息加权的输入变量,即:Fisher信息加权的输入变量=FI*当前气象变量值。
7.根据权利要求1所述的一种基于fisher信息处理的单气象因素短期负荷预测方法,其特征在于,所述步骤5中人工智能预测模型为BP神经网络预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711484634.9A CN108171382A (zh) | 2017-12-29 | 2017-12-29 | 一种基于fisher信息处理的单气象因素短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711484634.9A CN108171382A (zh) | 2017-12-29 | 2017-12-29 | 一种基于fisher信息处理的单气象因素短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108171382A true CN108171382A (zh) | 2018-06-15 |
Family
ID=62516275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711484634.9A Pending CN108171382A (zh) | 2017-12-29 | 2017-12-29 | 一种基于fisher信息处理的单气象因素短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108171382A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109861222A (zh) * | 2019-03-29 | 2019-06-07 | 国网湖南省电力有限公司 | 一种省级电网负荷分区预测方法及系统 |
CN113469413A (zh) * | 2021-06-04 | 2021-10-01 | 江苏大学 | 一种短期负荷预测中气象预报的误差校正方法 |
-
2017
- 2017-12-29 CN CN201711484634.9A patent/CN108171382A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109861222A (zh) * | 2019-03-29 | 2019-06-07 | 国网湖南省电力有限公司 | 一种省级电网负荷分区预测方法及系统 |
CN109861222B (zh) * | 2019-03-29 | 2022-12-06 | 国网湖南省电力有限公司 | 一种省级电网负荷分区预测方法及系统 |
CN113469413A (zh) * | 2021-06-04 | 2021-10-01 | 江苏大学 | 一种短期负荷预测中气象预报的误差校正方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
Catalao et al. | Hybrid wavelet-PSO-ANFIS approach for short-term wind power forecasting in Portugal | |
CN111428926B (zh) | 一种考虑气象因素的区域电力负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
Franz et al. | Addressing snow model uncertainty for hydrologic prediction | |
CN111815065B (zh) | 基于长短时记忆神经网络的短期电力负荷预测方法 | |
CN111795761B (zh) | 一种基于强化学习模型的预测机柜进风温度的方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
CN114021830A (zh) | 一种基于cnn-lstm的多时间范围风速预测方法 | |
CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
CN108171382A (zh) | 一种基于fisher信息处理的单气象因素短期负荷预测方法 | |
CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
CN108171380A (zh) | 一种基于fisher信息处理多维气象因素短期负荷处理方法 | |
CN110069750A (zh) | 基于四参数威布尔分布的非精确分析方法 | |
CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
Liu et al. | Dynamic economic dispatch with wind power penetration based on non-parametric kernel density estimation | |
CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN113591957A (zh) | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 | |
Manikumari et al. | Time series forecasting of daily reference evapotranspiration by neural network ensemble learning for irrigation system | |
JP7342369B2 (ja) | 予測システム、予測方法 | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
Tee et al. | Short-term load forecasting using artificial neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180615 |