CN108596407B - 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 - Google Patents
一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 Download PDFInfo
- Publication number
- CN108596407B CN108596407B CN201810461530.4A CN201810461530A CN108596407B CN 108596407 B CN108596407 B CN 108596407B CN 201810461530 A CN201810461530 A CN 201810461530A CN 108596407 B CN108596407 B CN 108596407B
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- historical
- value
- predicted
- 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 58
- 238000001914 filtration Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000008054 signal transmission Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009897 systematic 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (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
一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法,包括以下步骤:1)历史负荷数据预处理,补全在信号传输中丢失的数据;2)选定数据匹配周期,计算当前的负荷时间序列与历史负荷时间系列的曼哈顿距离,得到小于设定阈值的集合;3)计算该集合内历史负荷时间系列与当前负荷时间序列的欧氏距离,得到欧氏距离最小的历史时间序列在对应预测点的负荷值;4)基于时间序列集合采用无迹卡尔曼滤波方法求出预测时刻的负荷值;5)将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入,采用神经网络算法进行训练得到当前两个预测值的权重;6)数据整理得出微电网下一时刻日常负荷短期预测结果。本发明预测精度较高。
Description
技术领域
本发明涉及电力系统负荷预测领域,尤其涉及微电网日常综合负荷短时预测方法。
背景技术
随着分布式能源的迅速发展,微电网作为分布式能源的主要利用形式也得以迅速推广开来。微电网系统内负荷预测不仅是微电网系统规划设计的基础,也是是实现微电网源荷供需关系平衡的重要手段之一。
传统大电网短期负荷预测的常见方法为以自回归滑动平均方法为代表的时间序列法,及以支持向量机和神经网络和等人工智能方法为代表的非参数模型预测方法等。与传统大电网负荷预测相比,微电网系统内的日常负荷具有地理区域小、负荷容量相对较小、随机性强、负荷总体波动较大等特点。直接将传统大电网中的负荷预测方法应用于微电网负荷预测会导致预测精度难以保证,同时过于复杂的预测模型带来的硬件资源提升,难以在微电网系统内推广应用的困难。
目前,常用的微电网负荷预测方法主要包括双层预测方法、遗传算法与径向基函数神经网络组合预测方法、前馈神经网络负荷预测方法、基于小波变换和支持向量机的短期负荷预测方法,每种方法各有优劣之处。其中,双层预测方法、遗传算法与径向基函数神经网络组合预测方法仅适用于负荷容量达到MW级的微电网,而且单次计算时间较长,只能用于日前负荷预测;前馈神经网络负荷预测方法的预测精度较低,仅能用于高负荷时期;基于小波变换和支持向量机的短期负荷预测方法首先需要分析用小波方法得到负荷时间序列的高低频分量,再用支持向量机分别建立预测模型,在这一过程中由于微电网负荷的随机性和波动性较大,在小波分析阶段产生的误差累积到预测模型中,导致该方法预测精度不高。
发明内容
为了克服已有微电网负荷预测方法的预测精度不高的不足,本发明提出一种可以快速准确预测微电网短时日常综合负荷的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法,该方法计算快速、准确,可以用于微电网系统内源荷调度,保证微电网运行的安全性和稳定性。
本发明解决其技术问题所采用的技术方案是:
一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法,包括以下步骤:
1)历史负荷数据预处理,补全在信号传输中丢失的数据;
2)选定数据匹配周期,计算当前的负荷时间序列与历史负荷时间系列的曼哈顿距离,得到曼哈顿距离小于设定阈值的集合;
3)计算该集合内历史负荷时间系列与当前负荷时间序列的欧氏距离,得到欧氏距离最小的历史时间序列在对应预测点的负荷值;
4)基于步骤2)中的到的时间序列集合采用无迹卡尔曼滤波方法求出预测时刻的负荷值;
5)将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入,采用神经网络算法进行训练,得到当前两个预测值的权重;
6)数据整理,得出微电网下一时刻日常负荷短期预测结果。
进一步,所述步骤1)为历史负荷数据预处理,使用牛顿插值法补全在信号传输中丢失的数据。
再进一步,所述步骤2)为,设当前采样时间序列为xi,当前时刻为T,数据的采样周期为Δt,根据实际需求取nΔt为数据匹配的周期,计算当前的负荷时间序列xi与历史同期负荷时间序列yi对应点的曼哈顿距离:
得到曼哈顿距离小于设定阈值ε的时间序列集合C1。
更进一步,所述步骤3)为步骤2)中得到的曼哈顿距离小于设定阈值的集合 C1内历史负荷时间系列与当前负荷时间序列的欧氏距离Deuc:
并由此得到欧氏距离最小的历史时间序列在对应预测点的负荷值L1。
所述步骤4)为基于步骤2)中得到的时间序列集合C1采用无迹卡尔曼滤波方法求出预测点的负荷值L2,其求解步骤为:
(a)基于步骤2)中得到的时间序列集合建立无迹卡尔曼滤波预测模型;
(b)采用基于对称分布采样法的无迹变换获取一组Sigma点集并求出其权值,同时计算系统状态向量的一步预测值和协方差矩阵;
(c)利用步骤(b)得到的一步预测值,采用基于对称分布采样法的无迹变换获取新的Sigma点集,将该Sigma点集代入观测方程求出预测的观测值,根据预测的观测值求出系统预测的均值和协方差;
(d)利用步骤(c)得到的系统预测协方差求出系统的卡尔曼增益矩阵,再结合预测的观测值可求出系统状态预测量即微电网负荷下一时刻的预测值L2;
所述步骤5)为将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入,采用神经网络算法进行训练,得到当前两个预测值的权重k1和k2,其中k1和k2满足条件k1+k2=1,第一次计算时,k1和k2取权重均为0.5。
所述步骤6)为数据整理,将步骤3)和步骤4)得出的预测值按照步骤5) 所得权重k1和k2进行分配,得出下一时刻微电网日常负荷短期预测结果为 L=k1L1+k2L2。
本发明的有益效果主要表现在:
1、该方法采用曼哈顿距离求取了与待预测负荷时间序列相似的历史负荷时间序列集合,在此基础上采用无迹卡尔曼滤波预测方法进行微电网负荷预测,提高了微电网负荷的预测精度,同时大大缩小了计算所需的时间;
2、利用对应的历史负荷数据对无迹卡尔曼滤波预测的结果进行加权,进一步修正预测的结果,提高预测精度;
3、该方法不仅可以用于离线微电网短期负荷预测,由于计算步骤简单、快速,也可以用于在线微电网短期负荷预测。
附图说明
图1是基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法的示意图。
图2是数据匹配过程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法,包括以下步骤:
1)历史负荷数据预处理,补全在信号传输中丢失的数据;
2)选定数据匹配周期,计算当前的负荷时间序列与历史负荷时间系列的曼哈顿距离,得到曼哈顿距离小于设定阈值的集合;
3)计算该集合内历史负荷时间系列与当前负荷时间序列的欧氏距离,得到欧氏距离最小的历史时间序列在对应预测点的负荷值;
4)基于步骤2)中的到的时间序列集合采用无迹卡尔曼滤波方法求出预测时刻的负荷值;
5)将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入,采用神经网络算法进行训练,得到当前两个预测值的权重(第一次计算时,取权重均为0.5);
6)数据整理,得出微电网下一时刻日常负荷短期预测结果。
进一步,所述步骤1)为历史负荷数据预处理,使用牛顿插值法补全在信号传输中丢失的数据。
再进一步,所述步骤2)为,设当前采样时间序列为xi,当前时刻为T,数据的采样周期为Δt,根据实际需求取nΔt为数据匹配的周期,计算当前的负荷时间序列xi与历史同期负荷时间序列yi对应点的曼哈顿距离:
得到曼哈顿距离小于设定阈值ε的时间序列集合C1。
更进一步,所述步骤3)为步骤2)中得到的曼哈顿距离小于设定阈值的集合 C1内历史负荷时间系列与当前负荷时间序列的欧氏距离Deuc:
并由此得到欧氏距离最小的历史时间序列在对应预测点的负荷值L1。
所述步骤4)为基于步骤2)中得到的时间序列集合C1采用无迹卡尔曼滤波方法求出预测点的负荷值L2,其求解步骤为:
(a)基于步骤2)中得到的时间序列集合建立无迹卡尔曼滤波预测模型;
(b)采用基于对称分布采样法的无迹变换获取一组Sigma点集并求出其权值,同时计算系统状态向量的一步预测值和协方差矩阵;
(c)利用步骤(b)得到的一步预测值,采用基于对称分布采样法的无迹变换获取新的Sigma点集,将该Sigma点集代入观测方程求出预测的观测值,根据预测的观测值求出系统预测的均值和协方差;
(d)利用步骤(c)得到的系统预测协方差求出系统的卡尔曼增益矩阵,再结合预测的观测值可求出系统状态预测量即微电网负荷下一时刻的预测值L2。
所述步骤5)为将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入,采用神经网络算法进行训练,得到当前两个预测值的权重k1和k2,其中k1和k2满足条件k1+k2=1,第一次计算时,k1和k2取权重均为0.5。
所述步骤6)为数据整理,将步骤3)和步骤4)得出的预测值按照步骤5) 所得权重k1和k2进行分配,得出下一时刻微电网日常负荷短期预测结果为 L=k1L1+k2L2。
本实施例的微电网日常综合负荷短时预测方法,包括以下步骤:
步骤1,历史负荷数据预处理
本实例以某微电网系统采集到的历史负荷数据为基础,对微电网下一时刻的负荷进行预测,采样周期为15min/次,一天(24h)采样数据为96个。利用牛顿插值法补全在信号传输中丢失的历史负荷数据,得到预处理后的历史负荷数据集 Lh。
步骤2,以一天(24h)为数据匹配周期,从当前时刻开始每96个数据点为一个负荷时间序列,计算当前的负荷时间序列与历史同期负荷时间序列对应点的曼哈顿距离,得到曼哈顿距离小于设定阈值α的负荷时间序列集合Cm。
步骤3,计算集合Cm内历史负荷时间系列与当前负荷时间序列的欧氏距离,得到欧氏距离最小的历史时间序列在对应预测点的负荷值Lf1;
步骤4,首先,基于负荷时间序列集合Cm建立无迹卡尔曼滤波预测模型;
其中Xk为状态变量,Zk为观测变量,Xk和Zk均为维数n=1的1维向量,f(xk)、 h(zk)为非线性向量方程,qk为系统误差,rk+1为观测误差,
然后根据一步预测值采用基于对称分布采样法的无迹变换获取新的Sigma点集X(i)(k+1|k)(i=1,2,…2n+1),将该Sigma点集X(i)(k+1|k)代入观测方程求出预测的观测值Z(i)(k+1|k)=h(X(i)(k+1|k))(i=1,2,…2n+1),根据预测的观测值求出系统预测的均值和协方差
步骤5,将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入,采用神经网络算法进行训练,得到当前两个预测值的权重kf1和kf2,其中kf1和kf2满足条件kf1+kf2=1(第一次计算时,取权重均为0.5);
步骤6,将预测值Lf1、Lf2按照步骤5)所得权重kf1和kf2进行分配,得出下一时刻微电网日常负荷短期预测结果为Lf=kf1Lf1+kf2Lf2。
最后,还需要注意的是,以上列举的仅是本发明的一个具体实施例。显然,本发明不限于以上实施例,还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形,均应认为是本发明的保护范围。
Claims (5)
1.一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法,其特征在于,所述方法包括以下步骤:
1)历史负荷数据预处理,补全在信号传输中丢失的数据;
2)选定数据匹配周期,计算当前的负荷时间序列与历史负荷时间序列的曼哈顿距离,得到曼哈顿距离小于设定阈值的集合;
3)计算该集合内历史负荷时间序列与当前负荷时间序列的欧氏距离,得到欧氏距离最小的历史时间序列在对应预测点的负荷值;
4)基于步骤2)中得到的时间序列集合采用无迹卡尔曼滤波方法求出预测时刻的负荷值;
基于步骤2)中得到的时间序列集合C1采用无迹卡尔曼滤波方法求出预测点的负荷值L2,其求解步骤为:
(a)基于步骤2)中得到的时间序列集合建立无迹卡尔曼滤波预测模型;
(b)采用基于对称分布采样法的无迹变换获取一组Sigma点集并求出其权值,同时计算系统状态向量的一步预测值和协方差矩阵;
(c)利用步骤(b)得到的一步预测值,采用基于对称分布采样法的无迹变换获取新的Sigma点集,将该Sigma点集代入观测方程求出预测的观测值,根据预测的观测值求出系统预测的均值和协方差;
(d)利用步骤(c)得到的系统预测协方差求出系统的卡尔曼增益矩阵,再结合预测的观测值可求出系统状态预测量即微电网负荷下一时刻的预测值L2;
5)将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入,采用神经网络算法进行训练,得到当前两个预测值的权重;
6)数据整理,得出微电网下一时刻日常负荷短期预测结果;将步骤3)和步骤4)得出的预测值按照步骤5)所得权重k1和k2进行分配,得出下一时刻微电网日常负荷短期预测结果为L=k1L1+k2L2。
2.如权利要求1所述的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法,其特征在于,所述步骤1)为历史负荷数据预处理,使用牛顿插值法补全在信号传输中丢失的数据。
5.如权利要求1所述的基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法,其特征在于,所述步骤5)为将之前各时刻计算得到两个预测值和相对应时刻的历史真值作为输入,采用神经网络算法进行训练,得到当前两个预测值的权重k1和k2,其中k1和k2满足条件k1+k2=1,第一次计算时,k1和k2取权重均为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810461530.4A CN108596407B (zh) | 2018-05-15 | 2018-05-15 | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810461530.4A CN108596407B (zh) | 2018-05-15 | 2018-05-15 | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596407A CN108596407A (zh) | 2018-09-28 |
CN108596407B true CN108596407B (zh) | 2021-08-03 |
Family
ID=63631003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810461530.4A Active CN108596407B (zh) | 2018-05-15 | 2018-05-15 | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596407B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242340A (zh) * | 2018-11-28 | 2020-06-05 | 顺丰科技有限公司 | 一种新增网点历史件量数据的补全方法及系统 |
CN112414462A (zh) * | 2020-11-16 | 2021-02-26 | 贵州电网有限责任公司 | 一种变压器负载状况监控中多级异常数据处理方法 |
CN112990557A (zh) * | 2021-02-25 | 2021-06-18 | 国网河北省电力有限公司保定供电分公司 | 基于数据驱动集合卡尔曼滤波的电力负荷预测方法和装置 |
CN113706014A (zh) * | 2021-08-27 | 2021-11-26 | 广东电网有限责任公司 | 一种停电工期的编排方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514488A (zh) * | 2013-10-08 | 2014-01-15 | 哈尔滨工程大学 | 基于组合预测模型的电力系统短期负荷预测装置及方法 |
CN103617467A (zh) * | 2013-12-13 | 2014-03-05 | 重庆大学 | 一种短期组合负荷预测方法 |
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9946767B2 (en) * | 2016-01-19 | 2018-04-17 | Conduent Business Services, Llc | Smoothed dynamic modeling of user traveling preferences in a public transportation system |
-
2018
- 2018-05-15 CN CN201810461530.4A patent/CN108596407B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514488A (zh) * | 2013-10-08 | 2014-01-15 | 哈尔滨工程大学 | 基于组合预测模型的电力系统短期负荷预测装置及方法 |
CN103617467A (zh) * | 2013-12-13 | 2014-03-05 | 重庆大学 | 一种短期组合负荷预测方法 |
CN106600050A (zh) * | 2016-12-10 | 2017-04-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的超短期负荷预测方法 |
Non-Patent Citations (4)
Title |
---|
Vision-Based Road Boundary Tracking System for Unstructured Roads;David E. Hernandez;;《2017 IEEE International Conference on Unmanned Systems (ICUS)》;20180201;全文 * |
基于IGA_PSO径向基神经网络的微电网短期负荷预测研究;熊榆;《中国优秀硕士学位论文全文数据库》;20170228;全文 * |
基于卡尔曼滤波的短期负荷预测;陈军,陶巍,吕英飞,何建平;《电气开关》;20140415;全文 * |
无迹卡尔曼滤波算法在短期负荷预测中的应用;何平; 吉培荣; 陈军;《电气开关》;20150415;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596407A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596407B (zh) | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 | |
Wu et al. | A data mining approach combining $ K $-means clustering with bagging neural network for short-term wind power forecasting | |
Mao et al. | Schedulable capacity forecasting for electric vehicles based on big data analysis | |
CN105512808A (zh) | 一种面向大数据的电力系统暂态稳定评估方法 | |
CN109657882A (zh) | 基于vmd-pso-lssvm的短期电力负荷预测模型建立方法 | |
CN107749638B (zh) | 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 | |
CN108171379A (zh) | 一种用电负荷预测方法 | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
Xiao et al. | Online sequential extreme learning machine algorithm for better predispatch electricity price forecasting grids | |
Ghofrani et al. | Hybrid clustering-time series-bayesian neural network short-term load forecasting method | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Rahman et al. | An efficient electricity generation forecasting system using artificial neural network approach with big data | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
Eissa et al. | Assessment of wind power prediction using hybrid method and comparison with different models | |
Zhang et al. | A short-term user load forecasting with missing data | |
CN109412152B (zh) | 一种基于深度学习与弹性网正则化的电网网损计算方法 | |
Cheng et al. | Short-term power load forecasting based on improved online ELM-K | |
Fu et al. | A spatial forecasting method for photovoltaic power generation combined of improved similar historical days and dynamic weights allocation | |
Zhao et al. | A fast and accurate transient stability assessment method based on deep learning: Wecc case study | |
Hu et al. | Power grid's Intelligent Stability Analysis based on big data technology | |
Huang et al. | Predicting of the short term wind speed by using a real valued genetic algorithm based least squared support vector machine |
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 |