CN108229754B - 基于相似日分段和lm-bp网络的短期负荷预测方法 - Google Patents
基于相似日分段和lm-bp网络的短期负荷预测方法 Download PDFInfo
- Publication number
- CN108229754B CN108229754B CN201810095496.3A CN201810095496A CN108229754B CN 108229754 B CN108229754 B CN 108229754B CN 201810095496 A CN201810095496 A CN 201810095496A CN 108229754 B CN108229754 B CN 108229754B
- Authority
- CN
- China
- Prior art keywords
- load
- day
- historical
- similarity
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000011218 segmentation Effects 0.000 title claims description 15
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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
本发明公开了一种基于相似日分段和LM‑BP网络的短期负荷预测方法;本发明根据气象因素与待预测日对应历史负荷曲线之间综合相关系数的定量计算,将待预测日负荷曲线分段,针对不同时段的预测负荷曲线分别求取对应的相似日;并综合考虑了基于历史日气象相似度和历史负荷数据的趋势相似度和形状相似度的多特征相似度判断标准来进行相似日的选择,从同一类历史数据中选取出相似度最高的相似日样本;并对预测负荷不同时段,通过不同的训练样本建立不同的神经网络模型模型,从而进一步提高了神经网络模型的预测精度。本发明提高了预测算法的计算速度和收敛速度。
Description
技术领域
本发明属于电力系统负荷预测领域,具体涉及一种基于相似日分段和LM-BP神经网络的短期负荷预测方法。
背景技术
电力系统短期负荷预测作为负荷预测工作的重要组成部分,主要是对未来几小时、1天或几天的负荷进行预测。其预测精度对提高发电设备的利用率和经济调度的有效性,发展和完善当前电力市场具有重要的意义。短期负荷预测的方法按其发展历程可以分为经典预测方法和现代预测方法。传统预测方法主要是基于概率统计理论,常见的有时间序列法、回归分析法等。而现代预测方法常用的有人工神经网络方法、小波分析法、支持向量机等。
基于相似日理论,可以利用较少的历史数据,获得较高的预测精度。但由于待预测日的真实负荷曲线不可预知,因此不能通过直接比较负荷曲线的相似性来选择相似日,因此现有的文献几乎都是通过气象条件的相似性来进行相似日的选择。但由于现有的气象数据不够全面,再加上待预测日的气象数据也是预测得到的,本身就存在一定的误差,从而影响了负荷预测的准确性。由于相似日的选取会直接影响负荷预测的精度,因此国内外出现了较多基于相似日选取的短期负荷预测方法。
文献[1]对相似日选取方法进行了研究,提出了从趋势相似日和形状相似日两个方面考虑的相似日选取算法。但是该文没有考虑气象因素对负荷的重要影响。文献[2]分析了影响负荷预测因素的一般规律,提出了一种便于识别主导负荷变化因素的相似日选取方法。文献[3]以气象因素的误差和最小为目标来选择相似日,并利用小波分解和神经网络得到负荷低频和高频分量的主要特征。文献[4]利用灰色关联度法求历史日与预测日的气象关联系数,再考虑时间因素,得到综合匹配系数,按照综合匹配系数求取相似日,以相似日的综合匹配系数为权重求负荷加权和作为预测日负荷。该文献虽然考虑了气象因素和时间因素,但是对历史负荷数据缺少足够的分析。文献[5]考虑了温度变化趋势对负荷预测的影响,但是该文献对气象因素的考虑仅局限于温度,没有考虑湿度和降雨量等因素的影响。文献[6]通过定性分析负荷波动规律将每天负荷进行分段,根据曲线形状相似度、曲线差异度和气象因素相似度等多种目标相似的方法来选取相似日。文献[7]综合考虑气象、日类型等影响因素,建立曲线辨析函数选择相似日,并利用分形特性对相似日选取的范围进行修正。文献[8]介绍了相似日选取算法中,求取动态误差权值的计算方法,这种方法在相似日选取时能够根据气象因素的变化动态调整误差权值。
上述文献中绝大多数都是根据气象、时间等因素选择选择历史日中的某一天作为待预测日的相似日,然后在此基础上再进行预测和修正。尽管文献[6]提出了将每日负荷曲线进行分段,然后分段选取相似日的方法,但是该文献没有提出具体负荷曲线分段定量计算的方法,只是简单的根据负荷曲线进行了定性的分段。因此如何准确的选择相似日仍是电力系统短期负荷预测中急需解决的问题。
参考文献
[1]莫维仁,张伯明.短期负荷预测中选择相似日的探讨[J].清华大学学报(自然科学版),2004,44(1):106-109.
[2]黎灿兵,李晓辉,赵瑞,等.电力短期负荷预测相似日选取算法[J].电力系统自动化,2008,32(9):69-73.
[3]Ying Chen,Peter B.Luh,Che Guan,et al.Short-term load forecasting:similar day-based wavelet neural networks[J].IEEE Transactions on PowerSystems,2010,25(1):322-330.
[4]林辉,刘晶,郝志峰,等.基于相似日负荷修正的节假日短期负荷预测[J].电力系统保护与控制,2010,38(7):47-51.
[5]李小燕,文福拴,卢恩,等.基于相似日负荷修正的台风期间短期负荷预测[J].电力系统及其自动化学报,2013,25(3):82-89.
[6]王剑锋,向铁元,徐富祥,等.基于分段多目标相似日选取法的短期负荷预测[J].武汉大学学报(工学版),2016,49(3):435-440.
[7]李滨,黄佳,吴茵,等.基于分形特性修正气象相似日的节假日短期负荷预测方法[J].电网技术.2017,41(6):1949-1955.
[8]李啸骢,李春涛,从兰美.基于动态权值相似日选取算法的短期负荷预测[J].电力系统保护与控制,2017,45(6):1-8.
发明内容
本发明针对现有技术的不足,提出了一种基于相似日分段和LM-BP网络的短期负荷预测方法。
研究表明不同星期的同一天历史日负荷曲线每天的波峰和波谷出现的时间段相近,有一定的规律性。因此气象因素与待预测日负荷之间的关系可由历史数据中每个星期同一天的气象因素与历史负荷之间的关系来表征。此外,在同一天内,不同时段气象因素对负荷的影响不同,因此为了更加精确的求取待预测日的相似日,可以根据与待预测日对应的历史负荷数据在不同时刻与气象数据之间相关性的差异,来对待预测日负荷进行分段,然后对每段负荷分别求取对应的相似日。基于此,本发明提出了多相似度相似日分段选取的短期负荷预测方法。首先用相关系数确定气象相似度,并利用综合相关系数正负取值的不同将日负荷曲线进行分段处理。然后综合考虑气象相似度、趋势相似度和形状相似度这三个影响因素,找出与待预测日不同分段分别对应的相似日负荷数据作为训练样本,每个时段均利用基于Levenberg-Marquardt(LM)算法优化的BP神经网络得到对应的待预测日的负荷数据。通过与其他预测方法的仿真测试对比表明本文的算法预测精度更高,多次预测结果更加稳定。具体按照以下步骤实施:
步骤1、对于给定的历史数据,选用每日的最高温度、最低温度、平均温度、平均相对湿度和降雨量这5个气象数据作为相似日选取需考虑的气象特征因素。
选取n个除节假日外每个星期同一天的历史日负荷数据,则所组成的历史气象特征向量矩阵为W=[wi,j]i=1,2,...n;j=1,2,...5。n个历史日中第j个气象特征向量W:,j=[w1,j,w2,j,…,wn,j]T(j=1,2,···,5)与k时刻负荷向量Lk={lk(1),lk(2),…,lk(n)}(k=1,2,···,96)之间的相关系数αjk为
其中var(Lk)和var(W:,j)分别为Lk和W:,j的方差,cov(Lk,W:,j)为Lk和W:,j的协方差。
对k时刻的5个气象因素与负荷数据之间的相关系数求和,即可得到每个时刻对应的综合气象相关系数βk:
通过计算不难发现,不同时刻的综合气象相关系数的取值有正有负,而且在一段时间为正值,一段时间为负值,正负交替出现,因此可以选择正负交替的时刻作为负荷曲线的分段点。
步骤2:计算气象相似度。选取n个除节假日外每个星期同一天的历史日负荷数据,构成日平均负荷向量待预测日气象特征向量为Wo,:=[wo,1,wo,2,wo,3,wo,4,wo,5];第i个历史日气象数据构成的序列为Wi,:=[wi,1,wi,2,wi,3,wi,4,wi,5](i=1,2···n)。利用式(1)可得历史负荷日平均负荷向量与第j个气象特征向量之间的相关系数为
由于不同的气象因子对负荷数据的影响效果不同,相关系数在一定程度上反映出不同气象因子对负荷的影响程度,相关系数较大的气象因子对负荷变化具有更重要的影响,因此利用改进的曼哈顿距离公式计算气象相似度。第i个历史日与预测日的气象因子间,以相关系数为权重的曼哈顿距离表达式为:
上述偏差权重之和反映了历史日和预测日的气象因子相似程度。偏差越小,说明相似程度越高。为了让相似程度与气象相似度成正相关,于是确定的气象相似度Oi为:
Oi=1-Di (4)
步骤3:计算趋势相似度。由于随着经济和社会的发展,日负荷水平会随时间波动,只考虑气象因素选取相似日会导致预测的负荷水平与实际存在较大差异。选取的相似日负荷随时间波动的趋势还应与待预测日的相似。
式中E(·)为对相应的序列求数学期望。
步骤4、计算历史日与预测日的日负荷曲线的形状相似度。由于预测日负荷是未知的,因此以预测日前一星期同一天的历史日负荷代替预测日负荷为形状相似度的判断基准。
设第i个历史日的96点负荷序列为Li={li(1),li(2),…,li(96)}则预测基准日96点负荷序列为L0={l0(1),l0(2),…,l0(96)}。则第i个历史日与预测日的形状相似度为:
步骤5、计算综合相似度。由于气象相似度考虑的是气象数据对负荷的影响,是负荷预测的间接因素,而趋势相似度和形状相似度描述的是负荷自身的增长和波动情况,负荷预测必须综合考虑气象因素和负荷自身因素对负荷预测的影响。因此综合步骤2,3,4计算得到的三种相似度值来量化气象因素和负荷自身因素对负荷预测的影响。定义历史日与待预测日之间的综合相似度Ri为:
Ri=Oi+Pi+Qi (7)
求取历史日的综合相似度后,按照其从大到小的顺序排序,选取前p个历史日作为相似日。
步骤6、将选取相似日的历史负荷数据和气象数据进行归一化。两类数据方法相同,以负荷数据的归一化为例,其归一化公式为:
其中,L*(t)为96个时刻对应的归一化负荷值,Lmax和Lmin分别为选取的历史负荷数据的最大值和最小值。
步骤7、针对负荷曲线不同的时间分段,将对应选择好的p个历史相似日的天气数据和对应时间段负荷数据进行分类,将除了相似度最高的历史日对应时间段的负荷数据作为预测日相应时间段的输入,其他的所有数据作为训练样本。以相似度排序最后一天的历史相似日对应的负荷数据和相似度排序倒数第二的天气数据BP神经网络模型的输入变量,以相似度排序倒数第二的历史相似日对应的负荷数据作为神经网络模型的输出变量。以此类推,直至该时间段内训练样本中所有的负荷数据都已用来训练神经网络模型,即完成了该时间段内神经网络模型的训练。重复上述过程直到所有分段对应的神经网络模型都训练完毕。
Bp神经网络训练的计算过程如下:设输入训练样本向量为X=(x1,x2,...,xm)T,隐含层输出向量为Y=(y1,y2,...,yl)T,输出层输出向量为Z=(z1,z2,...,zq)T,目标输出向量为T=(t1,t2,...,tq)T。其中,ωij和θij(i=1,2,…,m;j=1,2,…l)分别为输入层到隐含层连接权值和阈值。ωjk和λjk(j=1,2,…l;k=1,2,…,q)分别为隐含层到输出层连接权值和阈值,m表示输出层输出向量个数,l表示隐含层输出向量个数,q表示输出层向量的个数。
给定网络的输入数据,BP神经网络经输入层和隐含层对输入数据逐个处理,然后再由输出层处理后输出。从输入层经隐含层再到输出层的过程,称为正向传播过程。其中,隐含层第j个神经元的输出为输出层第k个神经元的输出为
如果输出实际值和输出期望值之间的误差超过规定值,就要进行误差反向传播过程。输出误差△E定义为各节点实际输出值与理想输出值之差的平方和:
从式(11)中可以看出,误差△E是ωij、ωjk、θij和λjk的函数。误差反向传播的过程就是使误差函数△E的值达到最小。
标准的BP算法一般采用梯度下降法来调整权值和阈值。因此在网络训练过程中容易发生振荡,收敛缓慢。Levenberg-Marquardt算法(简称LM算法)是对高斯-牛顿法的改进,可缩短学习时间、提高网络精度。LM算法权值的调整规则为:
△ω=[JTJ+μI]-1JT△e (12)
式中:J为误差对权值微分的Jacobian矩阵;I是单位矩阵;△e是误差向量;μ是一个标量,在LM算法中,μ为自适应调节。
神经网络模型的层数和隐含层节点数经过试凑法经过多次仿真实验计算后选择误差最小的,而给定节点数和层数的BP网络的权值和阈值根据(11)和(12)即可计算出得出。至此,不同时段对应的神经网络训练完成。
步骤8、将相似度最高的历史相似日的负荷数据和对应的天气数据作为输入变量,输入步骤7中训练好的BP神经网络,得到待预测日的负荷预测的结果。
步骤9、预测得到的数据需反归一化后才能得到真正的负荷数据。但由于待预测日的负荷是未知的,因此不能将其作为反归一化的基准。由于不同星期同一天的历史日负荷曲线有一定的相似性,故选择待预测日前一周同一天的负荷作为反归一化的基准。
本发明方法具有的优点及有益结果为:
1)气象因素与待预测日负荷之间的关系可由历史数据中每个星期同一天的气象因素与历史负荷之间的关系来表征,因此可以根据气象因素与待预测日对应历史负荷曲线之间综合相关系数的定量计算,将待预测日负荷曲线分段,从而针对不同时间段内的预测负荷分别求取对应的相似日。跟现有的通过定性分析负荷波动规律将负荷曲线进行分段的方法相比,能进一步提高相似日选取的精度。
2)为了使选择出的相似日更接近待预测日,综合考虑了多特征相似度判断标准来进行相似日的选择。利用气象数据求出历史日的气象相似度,利用历史负荷数据求出的趋势相似度和形状相似度,从同一类历史数据中选取出相似度最高的相似日样本。
3)对应负荷曲线不同的时间段,通过不同的训练样本建立不同的神经网络模型,从而进一步提高了神经网络模型的预测精度。
3)为了提高BP神经网络的学习速度和收敛性,采用LM算法对BP神经网络进行优化。15组101维的输入样本数据,LM算法只需要迭代2次,训练目标误差就达到了0.0009,从而提高了算法的计算速度和收敛速度。
附图说明
图1是本发明的一个具体实例中2015年1月5日气象数据与负荷数据的相关系数图;
图2是本发明的一个具体实例中2015年1月5日负荷预测结果的比较图。
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
本发明提出的基于相似日分段和LM-BP神经网络的短期负荷预测方法,按照以下步骤实施。
步骤1、选取过去一年内每日的最高温度、最低温度、平均温度、平均相对湿度和降雨量作为历史气象数据,每隔15分钟的日负荷数据作为历史负荷数据。为了使预测结果更加准确,按照对应一个星期的第几天(除节假日外)对历史气象数据和负荷数据进行分类,对应作为不同待预测日的历史数据样本。
步骤2、选取历史气象数据和负荷数据的最大值和最小值为归一化的基准,按照公式(10)分别对气象数据和负荷数据样本进行归一化处理。
步骤3、对于每一类历史气象数据和负荷数据,通过公式(2)计算出所有对应类型历史日96点负荷向量与对应的5个气象特征向量之间的相关系数和综合相关系数。选择综合相关系数正负交替的时刻作为负荷曲线的分段点,从而确定待预测日负荷曲线的分段情况。
步骤4、根据步骤3中确定的待预测日负荷曲线的分段情况,根据公式(3)和(4)分别对相应的历史数据求取气象相似度;计算历史日i前k个历史日的平均负荷序列和预测日前k个历史日的平均负荷序列,并根据公式(5)计算历史日i与预测日的趋势相似;以预测日前一星期同一天的历史日负荷代替预测日负荷为形状相似度的判断基准,利用公式(6)计算历史日i与预测日前一星期同一天历史日负荷的形状相似度。在此基础上,利用公式(7)得到历史日i与待预测日之间的综合相似度。求取历史日的综合相似度后,按照其从大到小的顺序排序,选取前p个历史日作为相似日。这样选出的历史日与待预测日具有相似的气象特征和负荷变动规律,故而能够大大提高预测精度。按照根据相似日得到综合相似度后选取待预测日每段对应的相似日。
步骤5、针对负荷曲线不同的时间分段,将对应选择好的p个历史相似日的天气数据和对应时间段负荷数据进行分类,将除了相似度最高的历史日对应时间段的负荷数据作为预测日相应时间段的输入,其他的所有数据作为训练样本。以相似度排序最后一天的历史相似日对应的负荷数据和相似度排序倒数第二的天气数据作为基于LM算法优化的BP神经网络模型的输入变量,以相似度排序倒数第二的历史相似日对应的负荷数据作为神经网络模型的输出变量。神经网络模型的层数和隐含层节点数经过试凑法经过多次仿真实验计算后选择误差(11)最小的。以此类推,直至该时间段内训练样本中所有的负荷数据都已用来训练神经网络模型,即完成了该时间段内神经网络模型的训练。重复上述过程直到所有分段对应的神经网络模型都训练完毕。
步骤6、针对负荷曲线不同的分段,选用相似度最高的历史相似日对应时段的负荷数据和待预测日对应的天气数据作为输入变量,输入该时段训练好的BP神经网络即可得到负荷预测的结果。重复上述过程直到得到待预测日所有时间段对应的负荷预测结果。
实施例
以某地2014年全年的历史负荷数据和气象数据作为短期负荷预测的样本,分别对2015年1月4日-10日进行负荷预测。样本数据包括历史气象数据,即每日的最高温度、最低温度、平均温度、平均相对湿度和降雨量,以及每隔15分钟的日负荷数据作为历史负荷数据。
以2015年1月5日的负荷预测为例进行详细介绍。2015年1月5日是周一,因此首先把历史数据中所有周一的历史负荷分段。所有周一历史日96点负荷向量与对应的5个气象特征向量之间的相关系数和综合相关系数的计算结果如图1所示。
通过比较发现,综合相关系数的值大致在0:00-5:45之间为正,6:00-12:30为负,12:45-16:00为正,16:15-23:00为负,23:15-23:45为正。根据综合相关系数正负值的交替,可以将历史负荷分为对应的五段,分别是凌晨段、上午段、下午段、晚间段和午夜段。因此在选择2015年1月5日的相似日时也分别按照这5段选取对应的相似日。
分别计算各分段的气象相似度、趋势相似度和形状相似度,并得到对应的综合相似度。根据综合相似度的值,选择出15组相似程度最高的相似日作为负荷预测的训练样本。选取的相似日日期如表1所示,日期的顺序是按照从上到下相似度逐渐增高来排序的。
表1 2015年1月5日相似日选取结果
针对负荷曲线不同的时间分段,将对应选择好的15个历史相似日的天气数据和对应时间段负荷数据进行分类。每个相似日数据包括最高温度、最低温度、平均温度、相对湿度和降雨量这5个气象数据。而对于不同的待预测日负荷分段的结果不同,每个相似日中每段负荷包含的数据个数也不同,但负荷数据总数为96个。将除了相似度最高的历史日对应时间段的负荷数据作为预测日相应时间段的输入,其他的所有数据作为训练样本。以相似度排序最后一天的历史相似日对应的负荷数据和相似度排序倒数第二的天气数据作为BP神经网络模型的输入变量,以相似度排序倒数第二的历史相似日对应的负荷数据作为神经网络模型的输出变量。以此类推,直至该时间段内训练样本中所有的负荷数据都已用来训练神经网络模型,即完成了该时间段内神经网络模型的训练。重复上述过程直到所有分段对应的神经网络模型都训练完毕。经过多次试验发现,采用双隐层有较好的预测效果,第一层隐含层节点数为7,第二层节点数为1时负荷预测精度较高。
为了提高神经网络的收敛速度和精度,利用Levenberg-Marquardt(LM)算法对BP神经网络进行优化,仿真结果表明LM算法只需要迭代2次,训练目标误差就达到了0.0009。而传统的基于梯度下降法需要迭代1000多次,训练目标误差才达到0.002。
将综合相似度最高的相似日负荷数据和气象数据作为已训练好BP神经网络的输入,得到待预测日的负荷预测结果,并将其反归一化。
为了对比验证本发明所提预测方法的有效性,将提出的方法与基于传统时间顺序的BP神经网络预测方法、基于不分段相似日预测的BP神经网络预测方法进行比较,为了便于表达,分布记为模型三、模型一和模型二,以2015年1月5日的预测结果为例进行分析对比,三种预测方法的预测结果如表2和图2所示。
表2 2015年1月5日96个时刻的预测误差比较
从表2中可以看出,对应于2015年1月5日96个时刻点的负荷预测结果,模型二和模型三的平均相对误差分别为0.0121和0.0176,与模型一的0.0247相比,具有明显优势。而且由于分段考虑了同一天的负荷特性,所以模型三的预测误差比模型二的更小,也就是基于特征多相似度相似日分段选取LM-BP神经网络预测方法得到的结果是三种方法中与真实值最为接近的。
为了进一步验证本发明方法的准确性和鲁棒性,对周一到周日7个不同星期日类型的预测日都独立进行了5次负荷预测,得到的5次负荷预测的平均相对误差的平均值和标准差如表3所示。从表3中可以看出,通过综合相似度分段选取相似日作为训练样本即模型三得到的MRE平均值和标准差都最小。其中MRE平均值的最大值是0.0317,预测日是2015年1月4日周日这一天,而周一到周六,MRE平均值的最大值均未超过0.018。而模型一种MRE平均值的最大值达到了0.0493。说明模型三的预测精度不仅高,而且多次预测的鲁棒性也是最好的。不分段的综合相似日法即模型二的效果次之。这说明本发明所提出的基于多相似度分段相似日选取的LM-BP神经网络进行的负荷预测,不仅具有很好的准确率,而且多次预测结果的稳定性也更高。
表3 2015年1月4日-10日负荷预测的平均相对误差
Claims (1)
1.基于相似日分段和LM-BP网络的短期负荷预测方法,其特征在于,该方法具体包括以下步骤:
步骤1、对于给定的历史数据,选用每日的最高温度、最低温度、平均温度、平均相对湿度和降雨量这5个气象数据作为相似日选取需考虑的气象特征因素;
选取n个除节假日外每个星期同一天的历史日负荷数据,则所组成的历史气象特征向量矩阵为W=[wi,j]i=1,2,...n;j=1,2,...5;n个历史日中第j个气象特征向量W:,j=[w1,j,w2,j,…,wn,j]T与k时刻负荷向量Lk={lk(1),lk(2),…,lk(n)}之间的相关系数αjk为
其中var(Lk)和var(W:,j)分别为Lk和W:,j的方差,cov(Lk,W:,j)为Lk和W:,j的协方差,k=1,2,···,96;
对k时刻的5个气象因素与负荷数据之间的相关系数求和,即可得到每个时刻对应的综合气象相关系数βk:
选择正负交替的时刻作为负荷曲线的分段点;
步骤2:计算气象相似度;
选取n个除节假日外每个星期同一天的历史日负荷数据,构成日平均负荷向量待预测日气象特征向量为Wo,:=[wo,1,wo,2,wo,3,wo,4,wo,5];第i个历史日气象数据构成的序列为Wi,:=[wi,1,wi,2,wi,3,wi,4,wi,5];利用式(1)可得历史负荷日平均负荷向量与第j个气象特征向量之间的相关系数为
利用改进的曼哈顿距离公式计算气象相似度;第i个历史日与预测日的气象因子间,以相关系数为权重的曼哈顿距离Di表达式为:
上述偏差权重之和反映了历史日和预测日的气象因子相似程度;偏差越小,说明相似程度越高;为了让相似程度与气象相似度成正相关,于是确定的气象相似度Oi为:
Oi=1-Di (4)
步骤3:计算趋势相似度;
选取的相似日负荷随时间波动的趋势应与待预测日的相似;
式中E(·)为对相应的序列求数学期望;
步骤4、计算历史日与预测日的日负荷曲线的形状相似度;
由于预测日负荷是未知的,因此以预测日前一星期同一天的历史日负荷代替预测日负荷为形状相似度的判断基准;
设第i个历史日的96点负荷序列为Li={li(1),li(2),…,li(96)},则预测基准日96点负荷序列为L0={l0(1),l0(2),…,l0(96)};则第i个历史日与预测日的形状相似度Qi为:
步骤5、计算综合相似度;
由于气象相似度考虑的是气象数据对负荷的影响,是负荷预测的间接因素,而趋势相似度和形状相似度描述的是负荷自身的增长和波动情况,负荷预测必须综合考虑气象因素和负荷自身因素对负荷预测的影响;因此综合步骤2,3,4计算得到的三种相似度值来量化气象因素和负荷自身因素对负荷预测的影响;定义历史日与待预测日之间的综合相似度Ri为:
Ri=Oi+Pi+Qi (7)
求取历史日的综合相似度后,按照其从大到小的顺序排序,选取前p个历史日作为相似日;
步骤6、将选取相似日的历史负荷数据和气象数据进行归一化;两类数据方法相同,以负荷数据的归一化为例,其归一化公式为:
其中,L(t)表示负荷数据,L*(t)为96个时刻对应的归一化负荷值,Lmax和Lmin分别为选取的历史负荷数据的最大值和最小值;
步骤7、针对负荷曲线不同的时间分段,将对应选择好的p个历史相似日的天气数据和对应时间段负荷数据进行分类,将除了相似度最高的历史日对应时间段的负荷数据作为预测日相应时间段的输入,其他的所有数据作为训练样本;以相似度排序最后一天的历史相似日对应的负荷数据和相似度排序倒数第二的天气数据BP神经网络模型的输入变量,以相似度排序倒数第二的历史相似日对应的负荷数据作为神经网络模型的输出变量;以此类推,直至该时间段内训练样本中所有的负荷数据都已用来训练神经网络模型,即完成了该时间段内神经网络模型的训练;重复上述过程直到所有分段对应的神经网络模型都训练完毕;
Bp神经网络训练的计算过程如下:设输入训练样本向量为X=(x1,x2,...,xm)T,隐含层输出向量为Y=(y1,y2,...,yl)T,输出层输出向量为Z=(z1,z2,...,zq)T,目标输出向量为T=(t1,t2,...,tq)T;其中,ωij和θij分别为输入层到隐含层连接权值和阈值,i=1,2,…,m;j=1,2,…l;ωjk和λjk分别为隐含层到输出层连接权值和阈值,j=1,2,…l;k=1,2,…,q;m表示输出层输出向量个数,l表示隐含层输出向量个数,q表示输出层向量的个数;
给定网络的输入数据,BP神经网络经输入层和隐含层对输入数据逐个处理,然后再由输出层处理后输出;从输入层经隐含层再到输出层的过程,称为正向传播过程;其中,隐含层第j个神经元的输出为输出层第k个神经元的输出为
如果输出实际值和输出期望值之间的误差超过规定值,就要进行误差反向传播过程;输出误差ΔE定义为各节点实际输出值与理想输出值之差的平方和:
其中,tk表示输出层第k个目标输出;△ek表示第k个神经元的输出误差;xij表示第j个神经元的输入;从式(11)中可以看出,误差ΔE是ωij、ωjk、θij和λjk的函数;误差反向传播的过程就是使误差函数ΔE的值达到最小;
LM算法权值的调整规则为:
Δω=[JTJ+μI]-1JTΔe (12)
式中:J为误差对权值微分的Jacobian矩阵;I是单位矩阵;Δe是误差向量;μ是一个标量,在LM算法中,μ为自适应调节;
神经网络模型的层数和隐含层节点数经过试凑法经过多次仿真实验计算后选择误差最小的,而给定节点数和层数的BP网络的权值和阈值根据(11)和(12)即可计算出得出;至此,不同时段对应的神经网络训练完成;
步骤8、将相似度最高的历史相似日的负荷数据和对应的天气数据作为输入变量,输入步骤7中训练好的BP神经网络,得到待预测日的负荷预测的结果;
步骤9、预测得到的数据需反归一化后才能得到真正的负荷数据;但由于待预测日的负荷是未知的,因此不能将其作为反归一化的基准;由于不同星期同一天的历史日负荷曲线有一定的相似性,故选择待预测日前一周同一天的负荷作为反归一化的基准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810095496.3A CN108229754B (zh) | 2018-01-31 | 2018-01-31 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810095496.3A CN108229754B (zh) | 2018-01-31 | 2018-01-31 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229754A CN108229754A (zh) | 2018-06-29 |
CN108229754B true CN108229754B (zh) | 2021-12-10 |
Family
ID=62670121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810095496.3A Active CN108229754B (zh) | 2018-01-31 | 2018-01-31 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229754B (zh) |
Families Citing this family (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108873705A (zh) * | 2018-07-19 | 2018-11-23 | 杭州电子科技大学 | 一种基于非线性pid的hh神经元同步控制方法 |
CN109146063B (zh) * | 2018-08-27 | 2022-02-11 | 广东工业大学 | 一种基于重要点分割的多分段短期负荷预测方法 |
CN109309382B (zh) * | 2018-09-13 | 2022-03-04 | 广东工业大学 | 一种短期电力负荷预测方法 |
CN109214948A (zh) * | 2018-09-25 | 2019-01-15 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
CN109377060B (zh) * | 2018-10-29 | 2022-05-24 | 东北电力大学 | 基于相似度的bp神经网络电采暖设备调节能力评估方法 |
CN109583629A (zh) * | 2018-11-09 | 2019-04-05 | 广东电网有限责任公司电力调度控制中心 | 基于偏差自校正的改进相似日短期负荷预测方法及装置 |
CN109636003A (zh) * | 2018-11-14 | 2019-04-16 | 北京电力经济技术研究院有限公司 | 一种高预测精度的电力系统短期负荷预测方法 |
CN109636010B (zh) * | 2018-11-23 | 2022-12-02 | 国网湖北省电力有限公司 | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 |
CN109657844B (zh) * | 2018-11-28 | 2022-08-16 | 国电南瑞科技股份有限公司 | 电力短期负荷预测方法和装置 |
CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
CN109726858A (zh) * | 2018-12-21 | 2019-05-07 | 新奥数能科技有限公司 | 基于动态时间规整的热负荷预测方法及装置 |
CN109886567B (zh) * | 2019-01-31 | 2022-09-30 | 国电南瑞科技股份有限公司 | 一种考虑体感温度和辐射强度的短期负荷预测方法 |
EP3926427A4 (en) * | 2019-02-13 | 2022-04-20 | Panasonic Intellectual Property Management Co., Ltd. | WORK EFFICIENCY EVALUATION METHOD, WORK EFFICIENCY EVALUATION SYSTEM AND PROGRAM |
CN110084403B (zh) * | 2019-03-27 | 2022-03-01 | 山东信通电子股份有限公司 | 架空导线载流量的多时段联合概率密度预测方法及系统 |
CN110111036A (zh) * | 2019-03-28 | 2019-08-09 | 跨越速运集团有限公司 | 基于lstm模型融合的物流货量预测方法及系统 |
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 |
CN110163429B (zh) * | 2019-05-10 | 2023-06-09 | 湖南大学 | 一种基于相似日优化筛选的短期负荷预测方法 |
CN110348592A (zh) * | 2019-05-21 | 2019-10-18 | 华电电力科学研究院有限公司 | 一种基于人工神经网络的负荷模型预测方法及预测系统 |
CN110648011B (zh) * | 2019-08-07 | 2022-06-24 | 广东工业大学 | 考虑光伏用户的馈线短期负荷预测方法 |
CN110503251B (zh) * | 2019-08-12 | 2022-06-07 | 江苏方天电力技术有限公司 | 一种基于Stacking算法的非节假日负荷预测方法 |
CN110570023B (zh) * | 2019-08-16 | 2023-05-16 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
CN110490488B (zh) * | 2019-08-27 | 2023-02-07 | 深圳供电局有限公司 | 基于大数据分析技术的电力企业主网规划数据分析系统 |
CN110648248B (zh) * | 2019-09-05 | 2023-04-07 | 广东电网有限责任公司 | 一种发电站的控制方法、装置及设备 |
CN111027318B (zh) * | 2019-10-12 | 2023-04-07 | 中国平安财产保险股份有限公司 | 基于大数据的行业分类方法、装置、设备及存储介质 |
CN110852511B (zh) * | 2019-11-13 | 2023-09-22 | 苏文电能科技股份有限公司 | 基于天气温度与k邻近理论的居民短期用电预测方法 |
CN111105073B (zh) * | 2019-11-22 | 2023-01-24 | 广东电网有限责任公司 | 基于转供电等效替换的电网10kV馈线负荷预测方法 |
CN110929941A (zh) * | 2019-11-26 | 2020-03-27 | 广东电网有限责任公司 | 基于多负荷模式的短期电力负荷预测方法及系统 |
CN111127248B (zh) * | 2019-12-03 | 2023-05-02 | 江苏智臻能源科技有限公司 | 基于关联分析与卡尔曼滤波法的短期负荷预测方法 |
CN111105104A (zh) * | 2020-02-20 | 2020-05-05 | 河南理工大学 | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 |
CN111242393A (zh) * | 2020-03-09 | 2020-06-05 | 南京中电科能技术有限公司 | 一种自适应权重的综合短期用电负荷预测方法 |
CN111915092B (zh) * | 2020-08-11 | 2023-08-22 | 东北大学 | 基于长短时记忆神经网络的超短期风电功率预测方法 |
CN111932402B (zh) * | 2020-08-13 | 2023-05-30 | 河南理工大学 | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 |
CN112001554B (zh) * | 2020-08-26 | 2022-08-19 | 山东德佑电气股份有限公司 | 一种基于参数自适应相似日法的短期负荷预测方法 |
CN112183849A (zh) * | 2020-09-25 | 2021-01-05 | 贵州乌江水电开发有限责任公司 | 一种基于人工神经网络的短期电力电量预测方法 |
CN112465196A (zh) * | 2020-11-12 | 2021-03-09 | 云南电网有限责任公司 | 一种系统负荷预测方法、装置、设备和存储介质 |
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 |
CN113112085A (zh) * | 2021-04-22 | 2021-07-13 | 国网山东省电力公司德州市陵城区供电公司 | 一种基于bp神经网络的新能源场站发电负荷预测方法 |
CN113159438A (zh) * | 2021-04-30 | 2021-07-23 | 国网湖北省电力有限公司武汉供电公司 | 一种基于差异化多模融合的负荷加权集成预测方法 |
CN113449904A (zh) * | 2021-05-12 | 2021-09-28 | 国网河北省电力有限公司衡水供电分公司 | 多能负荷预测方法、装置及设备 |
CN113222270A (zh) * | 2021-05-25 | 2021-08-06 | 苏州沃联新能源有限公司 | 耗电负荷的预测方法、装置、电子设备及存储介质 |
CN113591926A (zh) * | 2021-07-02 | 2021-11-02 | 华中科技大学 | 一种基于lstm网络的空调开关状态预测方法及装置 |
CN113505923B (zh) * | 2021-07-08 | 2022-06-17 | 广西大学 | 一种地区电网短期负荷预测方法及系统 |
CN113489005B (zh) * | 2021-07-22 | 2023-07-25 | 云南电网有限责任公司昆明供电局 | 配电网潮流计算的配变负荷估算方法及系统 |
CN113536695B (zh) * | 2021-08-06 | 2022-12-23 | 广东电网有限责任公司 | 一种基于时段划分的日负荷预测方法及相关装置 |
CN113610319A (zh) * | 2021-08-20 | 2021-11-05 | 西安石油大学 | 一种配电网自动化的分析方法 |
CN113706337A (zh) * | 2021-09-06 | 2021-11-26 | 天津宏达瑞信科技有限公司 | 一种基于相似时段的供热负荷预测方法 |
CN113743673B (zh) * | 2021-09-09 | 2023-12-22 | 中国南方电网有限责任公司 | 一种台风期间的电力负荷预测方法 |
CN113705929B (zh) * | 2021-09-15 | 2024-05-07 | 中国南方电网有限责任公司 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
CN113610850B (zh) * | 2021-10-09 | 2021-12-07 | 江苏绿泉装饰工程有限公司 | 一种基于图像处理的装饰纸纹理异常检测方法 |
CN114994264B (zh) * | 2022-07-28 | 2022-11-08 | 江苏荣泽信息科技股份有限公司 | 基于区块链企业级台账的园区数字化监控平台 |
CN116032190B (zh) * | 2023-03-29 | 2023-05-30 | 海澜智云科技有限公司 | 利用神经网络的电机负荷管理系统 |
CN116258280B (zh) * | 2023-05-12 | 2023-08-11 | 国网湖北省电力有限公司经济技术研究院 | 一种基于时间序列聚类的短期负荷预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
JP2018011494A (ja) * | 2016-07-15 | 2018-01-18 | 関西電力株式会社 | 太陽光発電出力推定装置及び太陽光発電出力推定方法 |
CN107609716A (zh) * | 2017-10-12 | 2018-01-19 | 华中科技大学 | 一种水电站负荷区间预测方法 |
CN107633316A (zh) * | 2017-03-31 | 2018-01-26 | 北京清能互联科技有限公司 | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 |
-
2018
- 2018-01-31 CN CN201810095496.3A patent/CN108229754B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
JP2018011494A (ja) * | 2016-07-15 | 2018-01-18 | 関西電力株式会社 | 太陽光発電出力推定装置及び太陽光発電出力推定方法 |
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 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN107633316A (zh) * | 2017-03-31 | 2018-01-26 | 北京清能互联科技有限公司 | 自适应局部非线性回归偏差补偿的电网短期负荷预测方法 |
CN107220723A (zh) * | 2017-04-20 | 2017-09-29 | 华北电力大学 | 一种光伏电站功率预测方法 |
CN107609716A (zh) * | 2017-10-12 | 2018-01-19 | 华中科技大学 | 一种水电站负荷区间预测方法 |
Non-Patent Citations (1)
Title |
---|
基于负荷特性分析的短期负荷预测相似日选择方法;钱卫华等;《华中电力》;20071231 * |
Also Published As
Publication number | Publication date |
---|---|
CN108229754A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229754B (zh) | 基于相似日分段和lm-bp网络的短期负荷预测方法 | |
CN106485262B (zh) | 一种母线负荷预测方法 | |
CN111160625B (zh) | 电力负荷预测方法、装置、计算机设备及存储介质 | |
CN107730031B (zh) | 一种超短期高峰负荷预测方法及其系统 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN111783953A (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN109376953B (zh) | 一种中长期电量预测方法及系统 | |
CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN111260116A (zh) | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 | |
CN110610225A (zh) | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 | |
CN113408869A (zh) | 一种配电网建设目标风险评估方法 | |
CN111539657B (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN111310990A (zh) | 一种基于改进灰色组合模型的轨道质量预测方法及系统 | |
CN113393028A (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
CN115907611B (zh) | 一种基于配件市场价值的配件库存管控方法 | |
CN112330027A (zh) | 一种基于搜索引擎指数的电力负荷预测方法 | |
CN110991815A (zh) | 一种台区电力能量调度方法及系统 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN115186872A (zh) | 一种短期用电负荷预测方法 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN115018200A (zh) | 一种基于深度学习并考虑多种影响因素的电力负荷预测方法及系统 | |
CN111652422A (zh) | 基于建筑物分类的供热系统负荷预测方法、装置及系统 | |
CN113591957B (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 |
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 |