CN108416366A - 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 - Google Patents
一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 Download PDFInfo
- Publication number
- CN108416366A CN108416366A CN201810115289.XA CN201810115289A CN108416366A CN 108416366 A CN108416366 A CN 108416366A CN 201810115289 A CN201810115289 A CN 201810115289A CN 108416366 A CN108416366 A CN 108416366A
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- load
- power
- drosophila
- 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 17
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 61
- 239000002131 composite material Substances 0.000 claims abstract description 52
- 238000012706 support-vector machine Methods 0.000 claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 26
- 239000000796 flavoring agent Substances 0.000 claims description 18
- 235000019634 flavors Nutrition 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012098 association analyses Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 28
- 230000005611 electricity Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于气象指数的加权LS‑SVM的电力系统短期负荷预测方法,包括以下步骤:S1、获取原始数据的样本;S2、根据原始数据计算气象综合指数;S3、对日期类型数据和气象综合指数进行数据预处理;S4、根据得到的无量纲负荷特征量与电力系统负荷之间进行灰色关联分析,并通过灰色关联分析得到的关联度计算特征量权重;S5、建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型,采用果蝇优化算法进行参数优化,通过模型输出得到待预测日的电力系统负荷预测数据。本发明具有很好的全局优化性能、调整参数少且不易陷入局部极小值,可以有效提高电力系统短期负荷的预测精度。
Description
技术领域
本发明涉及电力系统工程领域,尤其涉及一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法。
背景技术
随着我国新电力行业体制改革的日益深入,电力相关企业逐步走入市场,电力系统短期负荷预测对电网系统调控和电力市场运营都具有重要意义。但是电力负荷受到很多如温度、历史负荷、用电日期等因素的影响,存在较强的不确定性和非线性特征,增加了负荷预测的难度,造成短期负荷预测结果精度偏低。目前短期负荷预测方法主要有回归分析法、时间序列法、人工神经网络法等,这些传统的预测方法优点在于技术成熟算法简单,缺点是学习速度慢、泛化能力弱、预测精度不高。
支持向量机已被广泛应用于负荷预测领域,并且成为一种解决非线性回归问题的有效方法,与传统的预测方法相比,支持向量机在预测精度以及算法的有效性上有着明显的优势。在现有的电力系统短期电力负荷预测方法中,大多数方法只考虑了气象因素、日期因素、历史负荷等单一因素对负荷的因素。本发明在此基础上提出气象综合指数来综合各因素对电力负荷的耦合作用,相比温度、湿度等单一因素对负荷的影响,气象综合指数对电力系统短期负荷的变化有更好的描述效果;其次,为了弥补其它短期预测方法不能区别对待每个样本重要性的缺陷,本发明通过灰色关联分析得到电力系统负荷与负荷特征量之间的关联度来计算特征量权重,并在负荷预测模型中提出了高斯核函数和特征量权重系数结合的加权最小二乘支持向量机,可以有效提高负荷的预测精度;最后,鉴于支持向量机核函数及其参数的选择直接决定了它的学习性能,本发明采用兼具全局性搜索与群智能思想的果蝇优化算法来优化选取模型相关的最优参数组合,然后将训练好的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型用于负荷预测,进一步提高了模型的学习能力和预测精度。
发明内容
本发明要解决的技术问题在于针对现有技术中学习速度慢、泛化能力弱、预测精度不高的缺陷,提供一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,包括以下步骤:
S1、获取原始数据的样本,原始数据包括:电力系统历史负荷数据、气象数据、日期类型数据;
S2、根据原始数据计算气象综合指数,气象综合指数包括:实感温度、人体舒适度指数和温湿指数;
S3、对日期类型数据和气象综合指数进行数据预处理,得到无量纲负荷特征量,预处理过程包括:首先对日期类型数据进行分组映射,然后对气象综合指数数据进行归一化处理;
S4、根据得到的无量纲负荷特征量与电力系统负荷之间进行灰色关联分析,并通过灰色关联分析得到的关联度计算特征量权重;
S5、根据预处理的结果和特征量权重建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型,并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化,通过模型输出得到待预测日的电力系统负荷预测数据。
进一步地,本发明的步骤S2中计算气象综合指数的方法具体为:
根据如下公式计算实感温度:
式中,ET为实感温度,T为日平均气温,H为日平均相对湿度;V为日平均风速;
根据如下公式计算人体舒适度指数:
式中,HCI为人体舒适度指数值,T为日平均气温,H为日平均相对湿度,V为日平均风速;
根据如下公式计算温湿指数:
THI=Td-0.55(1-Hd)(58-Td)
式中,THI为温湿指数,Td为当天14时的温度,Hd为当天14时的相对湿度。
进一步地,本发明的步骤S3中对日期类型数据进行分组映射和对气象综合指数数据进行归一化处理,具体步骤包括:
S31、对于连续变化的气象综合指数数据,根据如下公式线性映射到[0,1]区间来归一化处理数据;
式中,d是归一化后的值,ti是第i个特征量原始数据,tmax和tmin分别是该特征量样本中的最大值和最小值,n为该特征量样本总数;
S32、根据分组映射的方法将日期类型数据映射到[0,2.5]的区间中,将日期类型分为三类:第一类是周一至周五为工作日,线性映射到[0,0.5]范围内;第二类是周六,介于节假日与工作日之间的日期类型,映射到1.6;第三类是周日及节假日,是正常休息日,映射到2.5。
进一步地,本发明的步骤S4中各负荷特征量与电力系统负荷进行灰色关联分析并通过灰色关联分析得到的关联度计算特征量权重,具体包括以下步骤:
S41、根据如下公式计算电力系统负荷与特征量指标i的差值Δi(k),得到差值序列矩阵Δi(k):
Δi(k)=|z'(k)-p'i(k)|(i=1,2,3,4)
式中,{z'(k)|k=1,2,...,n}为电力系统负荷在第k天的归一化数据,{p'i(k)|k=1,2,...,n},i=1,2,3,4为第i个特征量在第k天的数据,Δi(k)为特征量指标i与对应负荷序列的差值,i为特征量指标个数,k为数据样本序数,n为样本总数;
S42、根据如下公式计算电力系统负荷与特征量指标i在第k天的关联系数λi(k)并得到其关联系数矩阵λi(k):
式中,Δmin为差值序列矩阵λi(k)中元素的最小值,Δmax为差值序列矩阵λi(k)中元素的最大值,ρ为分辨系数,取值为0.5;
S43、根据如下公式计算电力系统负荷与特征量指标i的灰色关联度Ri:
S44、根据如下公式计算第i个特征量指标对电力系统负荷的权重si:
式中,m=1/lnq,为关联度系数,q=4为负荷特征量总数。
进一步地,本发明的步骤S5中基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型包括:
输入层:输入变量为n个与电力系统短期负荷预测相关的气象综合指数数据、日分类数据和负荷数据的训练集部分,其中输入变量构成向量x=[x(i)|i=1,2,...,n],n为输入变量的维数;
训练层:采用高斯核函数与步骤S4获得的负荷特征量权重结合的加权最小二乘支持向量机,并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化,使输入样本非线性变换到一个高维的线性特征空间,并在此空间中使用训练样本对所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型进行训练,决策函数描述为:
式中,y为输出预测负荷值,x*为预测输入向量,C为惩罚参数,ξi为松弛变量,b为偏置常量,σ为核函数参数。
进一步地,本发明的步骤S5中短期负荷预测模型采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化,具体包括以下步骤:
S51、以n个待预测日的负荷预测数据与待预测日的实际数据的平均平方误差作为适应度函数,在所述的原始数据的电力系统电力负荷中选取n组数据 其中xi为所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型的第i组输入数据,为对应xi的期望输出,建立适应度函数:
式中,g(σ,C)为适应度函数,yi为第i个已知样本的负荷值,为第i个样本的预测输出值;
S52、将所述的适应度函数作为目标函数,利用迭代优化算法对目标函数进行参数寻优;
S53、根据历史数据建立训练样本集和测试样本集;
S54、随机初始化果蝇群体位置作为(σ,C)的初始参数,根据参数变化范围初始化果蝇个体的初始位置(X0,Y0);
S55、对每个果蝇个体的飞行方向λ和距离R随机赋值,n次迭代寻优后的果蝇位置坐标为:
Xn=X0+R(λ-0.5)
Yn=Y0+R(λ-0.5)
式中,λ为[0,1]的随机值,Xn,Yn为n次迭代寻优后果蝇个体位置;
S56、计算各个果蝇个体与原点之间的距离D,再取D的倒数为味道浓度判定值S:
Si=1/Di
式中,i为果蝇群体中个体的序数,Si为第i个果蝇个体对应的味道浓度判定值;
S57、将S代入适应度函数,计算各个果蝇味道浓度Sfi:
Sfi=f(Si)
S58、遍历搜索出群体中最佳味道浓度Sbest及其对应的最佳果蝇位置坐标(Xbest,Ybest),此时果蝇群体内各个体果蝇向目标位置移动并进行全局搜索Sbest=max(Sfi);
S59、进行迭代寻优,果蝇最佳位置坐标(Xbest,Ybest)作为下一次迭代的果蝇群体初始位置,判断最佳味道浓度是否优于前一次最佳味道浓度,若是,则执行步骤S58,迭代结束,输出最优参数(σbest,Cbest);若否,则返回步骤S55。
本发明产生的有益效果是:本发明的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,具有以下优点:
1、对影响电力系统短期负荷的特征因素中,不再仅仅局限于考虑单一气象因素对短期负荷的作用,而是采用气象综合指数来考虑各气象因素的综合作用。相比温度、湿度等单一因素对负荷的影响,气象综合指数对电力系统短期负荷的变化有更好的描述效果;
2、通过灰色关联分析判断电力系统负荷与各特征量之间的关联程度,并计算得到特征量权重,进一步在支持向量机中采用了高斯核函数和按照特征量权重系数结合的加权最小二乘支持向量机,使得该模型可以很好地处理具有多种来源的数据组成或是异构数据集,也可以很好地弥补最小二乘支持向量机不能区别对待每个样本重要性的缺陷,在实际应用中可以有效提高电力系统短期负荷的预测精度;
3、在加权最小二乘支持向量机的参数选择上,采用兼具全局性搜索与群智能思想的新型优化算法—果蝇优化算法。该算法通过对果蝇群体进行划分,使各个果蝇个体分工明确,不仅增加了种群的多样性,而且提高了果蝇的参数寻优效率,同时也提高了模型的学习能力和预测精度。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明基于气象综合指数和加权最小二乘支持向量机的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法的流程示意图。
图2是本发明加权最小二乘支持向量机的模型结构图。
图3是本发明果蝇优化算法对模型参数寻优的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明基于气象综合指数和加权最小二乘支持向量机的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法的流程示意图,一种基于气象综合指数和加权最小二乘支持向量机的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,具体包括以下步骤:
S1、获取电力系统短期负荷预测相关的历史数据包括电力系统历史负荷数据、气象数据、日期类型数据等;
S2、根据原始数据计算气象综合指数,气象综合指数包括:实感温度、人体舒适度指数和温湿指数;
计算气象综合指数的方法具体为:
根据如下公式计算实感温度:
式中,ET为实感温度,T(℃)为日平均气温,H(%)为日平均相对湿度;V(m/s)为日平均风速;
根据如下公式计算人体舒适度指数:
式中,HCI为人体舒适度指数值,T(℃)为日平均气温,H(%)为日平均相对湿度,V(m/s)为日平均风速;
根据如下公式计算温湿指数:
THI=Td-0.55(1-Hd)(58-Td)
式中,THI为温湿指数,Td(℃)为14时的温度,Hd(%)为14时的相对湿度;
S3、对日期类型数据和气象综合指数进行数据预处理,得到无量纲负荷特征量,预处理过程包括:首先对日期类型数据进行分组映射,然后对气象综合指数数据进行归一化处理;具体步骤包括:
S31、对于连续变化的气象综合指数数据,根据如下公式线性映射到[0,1]区间来归一化处理数据;
式中,d是归一化后的值,ti是第i个特征量原始数据,tmax和tmin分别是该特征量样本中的最大值和最小值,n为该特征量样本总数;
S32、日分类属性在短期负荷预测中是占主导因素的影响因素,特别是对于双休和节假日以及节假日前后几天的影响较大,若不加考虑必然会大大降低预测结果的精确度。
根据分组映射的方法将日期类型数据映射到[0,2.5]的区间中,将日期类型分为三类:第一类是周一至周五为工作日,线性映射到[0,0.5]范围内;第二类是周六,介于节假日与工作日之间的日期类型,映射到1.6;第三类是周日及节假日,是正常休息日,映射到2.5。
这样三类日期之间有较大差别,能很好地区分开工作日与休息日。
S4、根据得到的无量纲负荷特征量与电力系统负荷之间进行灰色关联分析,并通过灰色关联分析得到的关联度计算特征量权重;具体包括以下步骤:
S41、根据如下公式计算电力系统负荷与特征量指标i的差值Δi(k),得到差值序列矩阵Δi(k):
Δi(k)=|z'(k)-p'i(k)|(i=1,2,3,4)
式中,{z'(k)|k=1,2,...,n}为电力系统负荷在第k天的归一化数据,{p'i(k)|k=1,2,...,n},i=1,2,3,4为第i个特征量在第k天的数据,Δi(k)为特征量指标i与对应负荷序列的差值,i为特征量指标个数,k为数据样本序数,n为样本总数;
S42、根据如下公式计算电力系统负荷与特征量指标i在第k天的关联系数λi(k)并得到其关联系数矩阵λi(k):
式中,Δmin为差值序列矩阵λi(k)中元素的最小值,Δmax为差值序列矩阵λi(k)中元素的最大值,ρ为分辨系数,取值为0.5;
S43、根据如下公式计算电力系统负荷与特征量指标i的灰色关联度Ri:
S44、根据如下公式计算第i个特征量指标对电力系统负荷的权重si:
式中,m=1/lnq,为关联度系数,q=4为负荷特征量总数。
S5、利用上述的短期负荷预测相关的历史数据,建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型,模型输出为待预测日的负荷预测数据。如图2所示,为本发明加权最小二乘支持向量机的模型结构图,作为其中的一个实施例,所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型有三层结构:
根据预处理的结果和特征量权重建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型,并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化,通过模型输出得到待预测日的电力系统负荷预测数据。
基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型包括:
输入层:输入变量为n个与电力系统短期负荷预测相关的气象综合指数数据、日分类数据和负荷数据的训练集部分,其中输入变量构成向量x=[x(i)|i=1,2,...,n],n为输入变量的维数;
训练层:采用高斯核函数与步骤S4获得的负荷特征量权重结合的加权最小二乘支持向量机,并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化,使输入样本非线性变换到一个高维的线性特征空间,并在此空间中使用训练样本对所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型进行训练,决策函数描述为:
式中,y为输出预测负荷值,x*为预测输入向量,C为惩罚参数,ξi为松弛变量,b为偏置常量,σ为核函数参数。
利用果蝇优化算法对目标函数进行参数寻优,该算法具有很好的全局优化性能、调整参数少且不易陷入局部极小值。如图3所示,为本发明果蝇优化算法对模型参数寻优的流程示意图,作为其中的一个实施例,果蝇优化算法通过模仿果蝇凭借其超强的嗅觉和视觉成群觅食的过程构建参数优化过程,所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型需要选取的模型参数有惩罚参数C和高斯核函数参数σ。其参数寻优过程具体包括以下步骤:
S51、以n个待预测日的负荷预测数据与待预测日的实际数据的平均平方误差作为适应度函数,在所述的原始数据的电力系统电力负荷中选取n组数据 其中xi为所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型的第i组输入数据,为对应xi的期望输出,建立适应度函数:
式中,g(σ,C)为适应度函数,yi为第i个已知样本的负荷值,为第i个样本的预测输出值;
S52、将所述的适应度函数作为目标函数,利用迭代优化算法对目标函数进行参数寻优;
S53、根据历史数据建立训练样本集和测试样本集;
S54、随机初始化果蝇群体位置作为(σ,C)的初始参数,根据参数变化范围初始化果蝇个体的初始位置(X0,Y0);
S55、对每个果蝇个体的飞行方向λ和距离R随机赋值,n次迭代寻优后的果蝇位置坐标为:
Xn=X0+R(λ-0.5)
Yn=Y0+R(λ-0.5)
式中,λ为[0,1]的随机值,Xn,Yn为n次迭代寻优后果蝇个体位置;
S56、计算各个果蝇个体与原点之间的距离D,再取D的倒数为味道浓度判定值S:
Si=1/Di
式中,i为果蝇群体中个体的序数,Si为第i个果蝇个体对应的味道浓度判定值;
S57、将S代入适应度函数,计算各个果蝇味道浓度Sfi:
Sfi=f(Si)
S58、遍历搜索出群体中最佳味道浓度Sbest及其对应的最佳果蝇位置坐标(Xbest,Ybest),此时果蝇群体内各个体果蝇向目标位置移动并进行全局搜索Sbest=max(Sfi);
S59、进行迭代寻优,果蝇最佳位置坐标(Xbest,Ybest)作为下一次迭代的果蝇群体初始位置,判断最佳味道浓度是否优于前一次最佳味道浓度,若是,则执行步骤S58,迭代结束,输出最优参数(σbest,Cbest);若否,则返回步骤S55。
与一般技术方法相比,本发明基于气象综合指数和加权最小二乘支持向量机的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,在电力系统短期电力负荷预测中考虑了气象因素、日期因素、历史负荷等对负荷有较大影响的因素,在此基础上进一步采用气象综合指数来考虑各气象因素对负荷的综合作用,相比温度、湿度等单一因素对负荷的影响,气象综合指数对电力系统短期负荷的变化有更好的描述效果;另外,通过灰色关联分析得到电力系统负荷与负荷特征量之间的关联度来计算特征量权重,进一步在支持向量机中采用了高斯核函数和特征量权重系数结合的加权最小二乘支持向量机,使得本方法可以很好地弥补支持向量机不能区别对待每个样本重要性的缺陷,在实际应用中可以有效提高电力系统短期负荷的预测精度;同时,采用兼具全局性搜索与群智能思想的果蝇优化算法来优化选取加权最小二乘支持向量机的惩罚参数C和高斯核函数参数σ,进一步提高了模型的学习能力和预测精度。本发明算法理论基础完善,模型参数选择快速,运行效率高,提高了短期负荷预测的精度,能够为电网调度、安全运行提供有效保障,为电力部门及售电公司报价提供辅助决策,具有很好的实际应用前景。
在流程图中表示或在此以其他方式描述的步骤,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本发明而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
在本发明的描述中,参考术语“一个实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本发明中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,其特征在于,包括以下步骤:
S1、获取原始数据的样本,原始数据包括:电力系统历史负荷数据、气象数据、日期类型数据;
S2、根据原始数据计算气象综合指数,气象综合指数包括:实感温度、人体舒适度指数和温湿指数;
S3、对日期类型数据和气象综合指数进行数据预处理,得到无量纲负荷特征量,预处理过程包括:首先对日期类型数据进行分组映射,然后对气象综合指数数据进行归一化处理;
S4、根据得到的无量纲负荷特征量与电力系统负荷之间进行灰色关联分析,并通过灰色关联分析得到的关联度计算特征量权重;
S5、根据预处理的结果和特征量权重建立基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型,并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化,通过模型输出得到待预测日的电力系统负荷预测数据。
2.根据权利要求1所述的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,其特征在于,步骤S2中计算气象综合指数的方法具体为:
根据如下公式计算实感温度:
式中,ET为实感温度,T为日平均气温,H为日平均相对湿度;V为日平均风速;
根据如下公式计算人体舒适度指数:
式中,HCI为人体舒适度指数值,T为日平均气温,H为日平均相对湿度,V为日平均风速;
根据如下公式计算温湿指数:
THI=Td-0.55(1-Hd)(58-Td)
式中,THI为温湿指数,Td为当天14时的温度,Hd为当天14时的相对湿度。
3.根据权利要求1所述的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,其特征在于,步骤S3中对日期类型数据进行分组映射和对气象综合指数数据进行归一化处理,具体步骤包括:
S31、对于连续变化的气象综合指数数据,根据如下公式线性映射到[0,1]区间来归一化处理数据;
式中,d是归一化后的值,ti是第i个特征量原始数据,tmax和tmin分别是该特征量样本中的最大值和最小值,n为该特征量样本总数;
S32、根据分组映射的方法将日期类型数据映射到[0,2.5]的区间中,将日期类型分为三类:第一类是周一至周五为工作日,线性映射到[0,0.5]范围内;第二类是周六,介于节假日与工作日之间的日期类型,映射到1.6;第三类是周日及节假日,是正常休息日,映射到2.5。
4.根据权利要求1所述的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,其特征在于,步骤S4中各负荷特征量与电力系统负荷进行灰色关联分析并通过灰色关联分析得到的关联度计算特征量权重,具体包括以下步骤:
S41、根据如下公式计算电力系统负荷与特征量指标i的差值Δi(k),得到差值序列矩阵Δi(k):
Δi(k)=|z'(k)-p'i(k)|(i=1,2,3,4)
式中,{z'(k)|k=1,2,...,n}为电力系统负荷在第k天的归一化数据,{p'i(k)|k=1,2,...,n},i=1,2,3,4为第i个特征量在第k天的数据,Δi(k)为特征量指标i与对应负荷序列的差值,i为特征量指标个数,k为数据样本序数,n为样本总数;
S42、根据如下公式计算电力系统负荷与特征量指标i在第k天的关联系数λi(k)并得到其关联系数矩阵λi(k):
式中,Δmin为差值序列矩阵λi(k)中元素的最小值,Δmax为差值序列矩阵λi(k)中元素的最大值,ρ为分辨系数,取值为0.5;
S43、根据如下公式计算电力系统负荷与特征量指标i的灰色关联度Ri:
S44、根据如下公式计算第i个特征量指标对电力系统负荷的权重si:
式中,m=1/lnq,为关联度系数,q=4为负荷特征量总数。
5.根据权利要求1所述的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,其特征在于,步骤S5中基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型包括:
输入层:输入变量为n个与电力系统短期负荷预测相关的气象综合指数数据、日分类数据和负荷数据的训练集部分,其中输入变量构成向量x=[x(i)|i=1,2,...,n],n为输入变量的维数;
训练层:采用高斯核函数与步骤S4获得的负荷特征量权重结合的加权最小二乘支持向量机,并采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化,使输入样本非线性变换到一个高维的线性特征空间,并在此空间中使用训练样本对所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型进行训练,决策函数描述为:
式中,y为输出预测负荷值,x*为预测输入向量,C为惩罚参数,ξi为松弛变量,b为偏置常量,σ为核函数参数。
6.根据权利要求1所述的基于气象指数的加权LS-SVM的电力系统短期负荷预测方法,其特征在于,步骤S5中短期负荷预测模型采用果蝇优化算法对加权最小二乘支持向量机的核函数参数σ和惩罚参数C进行参数优化,具体包括以下步骤:
S51、以n个待预测日的负荷预测数据与待预测日的实际数据的平均平方误差作为适应度函数,在所述的原始数据的电力系统电力负荷中选取n组数据其中xi为所述的基于气象综合指数和加权最小二乘支持向量机的电力系统短期负荷预测模型的第i组输入数据,为对应xi的期望输出,建立适应度函数:
式中,g(σ,C)为适应度函数,yi为第i个已知样本的负荷值,为第i个样本的预测输出值;
S52、将所述的适应度函数作为目标函数,利用迭代优化算法对目标函数进行参数寻优;
S53、根据历史数据建立训练样本集和测试样本集;
S54、随机初始化果蝇群体位置作为(σ,C)的初始参数,根据参数变化范围初始化果蝇个体的初始位置(X0,Y0);
S55、对每个果蝇个体的飞行方向λ和距离R随机赋值,n次迭代寻优后的果蝇位置坐标为:
Xn=X0+R(λ-0.5)
Yn=Y0+R(λ-0.5)
式中,λ为[0,1]的随机值,Xn,Yn为n次迭代寻优后果蝇个体位置;
S56、计算各个果蝇个体与原点之间的距离D,再取D的倒数为味道浓度判定值S:
Si=1/Di
式中,i为果蝇群体中个体的序数,Si为第i个果蝇个体对应的味道浓度判定值;
S57、将S代入适应度函数,计算各个果蝇味道浓度Sfi:
Sfi=f(Si)
S58、遍历搜索出群体中最佳味道浓度Sbest及其对应的最佳果蝇位置坐标(Xbest,Ybest),此时果蝇群体内各个体果蝇向目标位置移动并进行全局搜索Sbest=max(Sfi);
S59、进行迭代寻优,果蝇最佳位置坐标(Xbest,Ybest)作为下一次迭代的果蝇群体初始位置,判断最佳味道浓度是否优于前一次最佳味道浓度,若是,则执行步骤S58,迭代结束,输出最优参数(σbest,Cbest);若否,则返回步骤S55。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810115289.XA CN108416366B (zh) | 2018-02-06 | 2018-02-06 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810115289.XA CN108416366B (zh) | 2018-02-06 | 2018-02-06 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108416366A true CN108416366A (zh) | 2018-08-17 |
CN108416366B CN108416366B (zh) | 2021-09-21 |
Family
ID=63127759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810115289.XA Expired - Fee Related CN108416366B (zh) | 2018-02-06 | 2018-02-06 | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108416366B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
CN109116833A (zh) * | 2018-08-31 | 2019-01-01 | 重庆邮电大学 | 基于改进果蝇-蝙蝠算法的机械故障诊断方法 |
CN109345027A (zh) * | 2018-10-25 | 2019-02-15 | 国网江苏省电力有限公司盐城供电分公司 | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 |
CN109684668A (zh) * | 2018-11-26 | 2019-04-26 | 国网江苏省电力有限公司检修分公司 | 一种考虑气象要素的变压器负荷分析方法 |
CN109740812A (zh) * | 2018-12-28 | 2019-05-10 | 广州供电局有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN110263452A (zh) * | 2019-06-25 | 2019-09-20 | 华电国际电力股份有限公司技术服务分公司 | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 |
CN110309988A (zh) * | 2019-07-12 | 2019-10-08 | 广东电网有限责任公司 | 一种基于灰色关联度和支持向量机的电力负荷预测方法 |
CN110503251A (zh) * | 2019-08-12 | 2019-11-26 | 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 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
CN110688622A (zh) * | 2019-09-17 | 2020-01-14 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于人体舒适度的电力负荷预测方法 |
CN110826601A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
CN111027760A (zh) * | 2019-11-28 | 2020-04-17 | 广东工业大学 | 一种基于最小二乘向量机的电力负荷预测方法 |
CN111091217A (zh) * | 2018-10-23 | 2020-05-01 | 中国电力科学研究院有限公司 | 一种楼宇短期负荷预测方法及系统 |
CN111160626A (zh) * | 2019-12-10 | 2020-05-15 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
CN111259341A (zh) * | 2020-01-18 | 2020-06-09 | 杭州电子科技大学 | 一种计算雾霾对光伏发电量定量影响的方法 |
CN111311025A (zh) * | 2020-03-17 | 2020-06-19 | 南京工程学院 | 一种基于气象相似日的负荷预测方法 |
CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
CN112365280A (zh) * | 2020-10-20 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN112949207A (zh) * | 2021-03-25 | 2021-06-11 | 上海电机学院 | 一种基于改进最小二乘支持向量机的短期负荷预测方法 |
CN113256016A (zh) * | 2021-06-04 | 2021-08-13 | 广东电网有限责任公司珠海供电局 | 基于虚拟电厂运营的负荷预测方法及系统 |
CN113673579A (zh) * | 2021-07-27 | 2021-11-19 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于小样本的用电负荷分类算法 |
CN115828437A (zh) * | 2023-02-17 | 2023-03-21 | 中汽研汽车检验中心(天津)有限公司 | 汽车性能指标综合优化方法、计算设备 |
CN113673579B (zh) * | 2021-07-27 | 2024-05-28 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于小样本的用电负荷分类算法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154504A1 (en) * | 2012-12-17 | 2015-06-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Support vector machine enhanced models for short-term wind farm generation forecasting |
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
CN106447085A (zh) * | 2016-09-05 | 2017-02-22 | 华北电力大学 | 一种短期电力负荷预测方法、装置及计算设备 |
CN107527116A (zh) * | 2017-08-28 | 2017-12-29 | 山东科技大学 | 基于支持向量回归的短期负荷预测方法 |
-
2018
- 2018-02-06 CN CN201810115289.XA patent/CN108416366B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154504A1 (en) * | 2012-12-17 | 2015-06-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Support vector machine enhanced models for short-term wind farm generation forecasting |
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
CN106447085A (zh) * | 2016-09-05 | 2017-02-22 | 华北电力大学 | 一种短期电力负荷预测方法、装置及计算设备 |
CN107527116A (zh) * | 2017-08-28 | 2017-12-29 | 山东科技大学 | 基于支持向量回归的短期负荷预测方法 |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116833A (zh) * | 2018-08-31 | 2019-01-01 | 重庆邮电大学 | 基于改进果蝇-蝙蝠算法的机械故障诊断方法 |
CN109116833B (zh) * | 2018-08-31 | 2021-04-16 | 重庆邮电大学 | 基于改进果蝇-蝙蝠算法的机械故障诊断方法 |
CN109002937A (zh) * | 2018-09-07 | 2018-12-14 | 深圳供电局有限公司 | 电网负荷预测方法、装置、计算机设备和存储介质 |
CN111091217B (zh) * | 2018-10-23 | 2022-07-08 | 中国电力科学研究院有限公司 | 一种楼宇短期负荷预测方法及系统 |
CN111091217A (zh) * | 2018-10-23 | 2020-05-01 | 中国电力科学研究院有限公司 | 一种楼宇短期负荷预测方法及系统 |
CN109345027A (zh) * | 2018-10-25 | 2019-02-15 | 国网江苏省电力有限公司盐城供电分公司 | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 |
CN109345027B (zh) * | 2018-10-25 | 2021-11-23 | 国网江苏省电力有限公司盐城供电分公司 | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 |
CN109684668A (zh) * | 2018-11-26 | 2019-04-26 | 国网江苏省电力有限公司检修分公司 | 一种考虑气象要素的变压器负荷分析方法 |
CN109684668B (zh) * | 2018-11-26 | 2023-06-06 | 国网江苏省电力有限公司检修分公司 | 一种考虑气象要素的变压器负荷分析方法 |
CN109740812A (zh) * | 2018-12-28 | 2019-05-10 | 广州供电局有限公司 | 电力负荷预测方法、装置、计算机设备和存储介质 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
CN110263452B (zh) * | 2019-06-25 | 2023-04-07 | 华电国际电力股份有限公司技术服务分公司 | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 |
CN110263452A (zh) * | 2019-06-25 | 2019-09-20 | 华电国际电力股份有限公司技术服务分公司 | 一种烟道内烟气时间分布特性分析方法、系统及脱硝系统 |
CN110309988A (zh) * | 2019-07-12 | 2019-10-08 | 广东电网有限责任公司 | 一种基于灰色关联度和支持向量机的电力负荷预测方法 |
CN110503251A (zh) * | 2019-08-12 | 2019-11-26 | 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 |
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 |
CN110688622A (zh) * | 2019-09-17 | 2020-01-14 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于人体舒适度的电力负荷预测方法 |
CN110826601B (zh) * | 2019-10-23 | 2023-07-11 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
CN110826601A (zh) * | 2019-10-23 | 2020-02-21 | 上海理工大学 | 基于改进的支持向量机算法的林火预测方法 |
CN111027760A (zh) * | 2019-11-28 | 2020-04-17 | 广东工业大学 | 一种基于最小二乘向量机的电力负荷预测方法 |
CN111160626A (zh) * | 2019-12-10 | 2020-05-15 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
CN111160626B (zh) * | 2019-12-10 | 2024-02-02 | 天津大学 | 一种基于分解融合的电力负荷时间序列控制方法 |
CN111259341A (zh) * | 2020-01-18 | 2020-06-09 | 杭州电子科技大学 | 一种计算雾霾对光伏发电量定量影响的方法 |
CN111259341B (zh) * | 2020-01-18 | 2022-07-12 | 杭州电子科技大学 | 一种计算雾霾对光伏发电量定量影响的方法 |
CN111340273B (zh) * | 2020-02-17 | 2022-08-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN111340273A (zh) * | 2020-02-17 | 2020-06-26 | 南京邮电大学 | 一种基于GEP参数优化XGBoost的电力系统短期负荷预测方法 |
CN111311025A (zh) * | 2020-03-17 | 2020-06-19 | 南京工程学院 | 一种基于气象相似日的负荷预测方法 |
CN111311025B (zh) * | 2020-03-17 | 2023-08-08 | 南京工程学院 | 一种基于气象相似日的负荷预测方法 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
CN112365280A (zh) * | 2020-10-20 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN112365280B (zh) * | 2020-10-20 | 2024-04-19 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN112949207A (zh) * | 2021-03-25 | 2021-06-11 | 上海电机学院 | 一种基于改进最小二乘支持向量机的短期负荷预测方法 |
CN113256016A (zh) * | 2021-06-04 | 2021-08-13 | 广东电网有限责任公司珠海供电局 | 基于虚拟电厂运营的负荷预测方法及系统 |
CN113673579A (zh) * | 2021-07-27 | 2021-11-19 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于小样本的用电负荷分类算法 |
CN113673579B (zh) * | 2021-07-27 | 2024-05-28 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于小样本的用电负荷分类算法 |
CN115828437A (zh) * | 2023-02-17 | 2023-03-21 | 中汽研汽车检验中心(天津)有限公司 | 汽车性能指标综合优化方法、计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108416366B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416366A (zh) | 一种基于气象指数的加权ls-svm的电力系统短期负荷预测方法 | |
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 | |
CN108877905A (zh) | 一种基于Xgboost框架的医院门诊就诊量预测方法 | |
CN111371607A (zh) | 一种基于决策灰狼算法优化lstm的网络流量预测方法 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
CN107506843A (zh) | 一种短期负荷预测方法及装置 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN101824807A (zh) | 一种潮汐河流地区取水口咸潮短期预测方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN110059867A (zh) | 一种swlstm结合gpr的风速预测方法 | |
CN110363349A (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
CN109242169A (zh) | 一种面向电力大客户的短期负荷预测方法 | |
CN106600070A (zh) | 基于ipso‑bp神经网络的短期股价预测算法 | |
CN104820877A (zh) | 基于云自适应pso-snn的光伏系统发电功率预测方法 | |
CN108229750A (zh) | 一种股票收益率预测方法 | |
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 | |
CN108446771A (zh) | 一种防止销售预测模型过拟合的方法 | |
CN115310782A (zh) | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210921 Termination date: 20220206 |
|
CF01 | Termination of patent right due to non-payment of annual fee |