CN108615091A - 基于聚类筛选和神经网络的电力气象负荷数据预测方法 - Google Patents
基于聚类筛选和神经网络的电力气象负荷数据预测方法 Download PDFInfo
- Publication number
- CN108615091A CN108615091A CN201810359961.XA CN201810359961A CN108615091A CN 108615091 A CN108615091 A CN 108615091A CN 201810359961 A CN201810359961 A CN 201810359961A CN 108615091 A CN108615091 A CN 108615091A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- prediction
- day
- neural network
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Abstract
本发明公开了一种基于聚类筛选和神经网络的电力气象负荷数据预测方法。从电力数据中提取原始数据,采用聚类算法和主成分分析法相结合的方式对原始数据简化,再作标准化处理,将标准化后的气象数据和负荷数据输入神经网络进行训练;训练完成后,预测处理输出获得预测负荷数据,计算并判断预测负荷数据的预测精度,然后不断调整内部参数获得神经网络预测模型,用于预测待预测时间段各天的负荷数据。本发明充分考虑气象数据对负荷波动的影响,充分考虑数据的规模,通过聚类算法和主成分分析法,同时降低负荷和气象数据量,提出的算法组合预测模型,通过定义的预测精度计算公式,保证了神经网络模型的预测精度,提高了预测效率和预测精度。
Description
技术领域
本发明涉及了一种负荷预测方法,尤其是涉及了一种基于聚类筛选和神经网络的电力气象负荷数据预测方法。
背景技术
电力系统由电力网和电力用户组成,其作用就是对电力系统的各类用户尽可能经济地提供可靠而合乎标准要求的电能,以随时满足各类用户的要求,即满足负荷要求。但是,在目前情况下电能还不能够大量储存,这就要求系统发电应该随时都和系统负荷的变化保持动态平衡,否则,轻则会影响供用电的质量,重则会危及系统的安全与稳定。而系统未来负荷变化的获取是通过负荷预测来实现的,这样电力系统负荷预测就因此发展起来,成为工程科学中重要的研究领域,是电力系统自动化中的一项重要内容。
电力系统负荷预测是以准确的统计数据和调查资料为依据,从用电量的历史和现状出发,在充分考虑一些重要的系统运行特性、增容决策,自然条件与社会影响的条件下,研究或利用一套系统地处理过去与未来负荷的数学方法。在满足一定精度要求的意义下,确定未来某特定时刻的负荷数值。
电力负荷预测的目的就是提供负荷的发展状况和水平,为电力生产部门和管理部门制订生产计划和发展规划提供依据,确定各供电地区的供电电量,生产规划等等。
电力负荷预测的结果除了由负荷本身的历史规律决定外,还受众多非负荷因素的影响,同时和所应用的预测理论、采用的预测方法直接相关。多年来,许多学者对这一课题进行了深入研究,提出了许多方法。
现有技术的缺点:
1.现有技术大多数没有充分考虑气象数据对负荷波动的影响,没有将气象因素和负荷参数相结合。
2.现有技术的负荷预测即使考虑了气象因素,也会由于庞大的气象数据和负荷数据,而使预测效率低下。
3.现有技术的负荷预测即使考虑了气象因素,也会由于庞大的气象数据和负荷数据,而使预测精度低
4.现有的负荷预测算法中,对数据的简化处理,只针对负荷数据或者气象数据,并没有同时简化处理负荷数据和气象数据。
发明内容
为了解决背景技术中存在的问题,本发明提出了一种基于聚类筛选和神经网络的电力气象负荷数据预测方法。
如图1所示,本发明的技术方案包括如下步骤:
第一步:从电力数据中提取获得第一历史气象数据、第一历史负荷数据、第二历史气象数据和第二历史负荷数据,由第一历史气象数据和第一历史负荷数据构成第一原始数据,由第二历史气象数据和第二历史负荷数据构成第二原始数据,由第一历史气象数据和第二历史气象数据构成原始气象数据,由第一历史负荷数据和第二历史负荷数据构成原始负荷数据;其中,第一历史气象数据是指前n年各天的气象数据,第一历史负荷数据是指前n年各天的负荷数据,第二历史气象数据是指第n+1年各天的气象数据,第二历史负荷数据是指第n+1年各天的负荷数据,每天的气象数据由多项气象参数构成,每天的负荷数据由多项负荷参数构成;
负荷数据是由负荷参数组成,气象数据是由气象参数组成。
第二步:采用聚类算法和主成分分析法相结合的方式对第一原始数据和第二原始数据进行简化处理,获得保留下来的代表天对应的原始数据,简化数据量;
第三步:对第二步处理得到的第一原始数据和第二原始数据作标准化处理,对其中的负荷数据和气象数据分别以每一天的数据为单位采用以下公式作标准化处理:
Xi=Xi实际/Xi平均
其中,Xi表示经标准化处理后的第i代表天的气象/负荷参数,Xi实际表示第i代表天的某气象/负荷参数,Xi平均表示第i代表天所有气象/负荷参数的平均值;
第四步:以标准化后的第一历史气象数据作为输入层,以标准化后的第一历史负荷数据作为输出层,采用神经网络进行训练;训练完成后,将第二历史气象数据输入到训练后的神经网络,输出获得预测负荷数据,计算并判断预测负荷数据的预测精度E作为神经网络内部的精度判断标准,然后不断调整神经网络预测模型内部的参数使得预测精度E大于等于90%,则认为神经网络满足精度要求,并作为神经网络预测模型;
神经网络是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
第五步:将待预测时间段的气象数据输入已训练完成的神经网络预测模型,预测得到待预测时间段各天的负荷数据。
所述第二步,采用聚类算法和主成分分析法相结合的方式对第一原始数据和第二原始数据均分别采用以下方式进行处理:以平均负荷参数作为第二步聚类算法简化处理所需要的代表负荷参数,以第n+1年的代表负荷参数的负荷数据作为第二步聚类算法简化处理所需要的数据;选取第二步聚类算法简化处理得到的代表负荷参数的代表天作为前n+1年每年的全部负荷参数的代表天;选取前n+1年每年的代表天的气象数据作为第二步主成分分析法简化处理所需要的数据;
S1:先采用聚类算法以天的负荷数据为单位对各天的负荷数据进行聚类,针对聚类后的每一类,选择该一类中位于中间的一天的负荷数据保留,从原始数据去掉不位于中间的一天的负荷数据,从而大大减少负荷数据量,并将保留得到的各天称为代表天;所述的聚类算法采用K聚类算法。
S2:然后采用主成分分析法对气象数据中的所有气象参数进行处理获得各个气象参数的累积贡献率,选择累积贡献率达到80%的气象参数保留,从各天的气象数据中去掉贡献率未达到80%的气象参数,从而减少气象数据量。
本发明通过上述两个步骤减少气象数据量和负荷数据量,从而缓解由于考虑气象因素而带来的大数据计算复杂的难题。
所述第四步中,神经网络具体为:神经网络分为输入层、隐含层和输出层三层:其中输入层含有a个单元,a为第二步简化处理得到的气象参数个数,每个输入单元代表一个气象参数;输出层为b个单元,b为第二步简化得到的负荷参数个数,每一个输出单元代表一个负荷参数;隐含层有b个单元,每个单元均由sigmoid函数;输入数据均为经过第二步简化和第三步标准化处理后得到的气象和负荷数据,以天为单位,将第二步简化和第三步标准化处理后得到的前n+1年的各个代表天的第一历史气象和第一历史负荷数据依次代入神经网络进行训练,共需训练c次,c次后停止训练神经网络,c为前n+1年的代表天总天数。
以代表天为单位,依次输入第三步标准化处理后得到的第二历史气象数据,利用训练完成的神经网络预测得到预测负荷数据。依据公式计算预测精度E,若预测精度E满足要求,则认为神经网络预测精度满足要求,进入下一步。否则,调整网络连接权重,网络连接阈值,重新训练神经网络,直至满足预测精度要求。
所述第四步中,预测负荷数据的预测精度采用以下公式计算:
将神经网络模型预测得到的第n+1年的预测负荷数据和第二历史负荷数据代入以下公式,计算第n+1年每一代表天的中间精度D:
其中,D为中间精度,n表示负荷参数的个数,即日最高负荷、日最低负荷、日峰谷差和日平均负荷,表示负荷参数i的第二历史负荷数据,表示负荷参数i的预测负荷数据;
若在第n+1年中满足D小于等于7%的代表天天数占第n+1年代表天总天数的90%以上,即预测精度E大于等于90%,如下公式,则认为预测满足精度要求,否则需要调整神经网络相关参数,直到预测满足精度要求;
然后再采用以下公式计算预测精度:
其中,E为预测精度,A表示第n+1年中满足中间精度D小于等于7%的代表天总天数,B表示第n+1年中代表天总天数。
所述气象数据中的多项气象参数包括最高温度、最低温度、平均温度、相对湿度和降雨量;
所述负荷数据中的多项负荷参数包括日最高负荷、日最低负荷、日峰谷差和日平均负荷。
本发明中,选择这四项负荷参数能够精确的表示出在一天内负荷的大致变化情况,选择这五个气象因素能够大致反映一天内气象的变化特性。
具体实施中,所用气象数据比负荷数据多出来的一个月并没有负荷数据,作为待预测时间段。
本发明的有益效果是:
相对于现有技术,本发明充分考虑气象数据对负荷波动的影响,充分考虑数据的规模,通过聚类算法和主成分分析法,同时降低负荷和气象数据量,提出的算法组合预测模型,通过定义的预测精度计算公式,保证了神经网络模型的预测精度,提高了预测效率和预测精度。
现有技术的电力预测方法一般是减少气象参数,没有简化负荷参数,本发明通过聚类分析和主成分分析法同时大大减少气象数据和负荷参数,从而缓解由于考虑气象因素而带来的巨大的数据量,并且定义神经网络模型的预测精度计算公式来保证计算精度,从而在大大提高预测效率的同时实现了高精确度,解决了考虑气象因素而带来的预测精度低的难题。
附图说明
图1是本发明方法逻辑流程框图。
图2是实施例聚类结果图。
图3是实施例根据神经网络预测模型的2015年预测功率与实际功率的对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例如下:
第一步:提取获得第一历史气象数据、第一历史负荷数据、第二历史气象数据和第二历史负荷数据。
已知某地区从2010年1月1日至2015年12月31日的电力负荷数据(每15min一个采样点,每日96点,量纲为MW)以及2010年1月1日至2016年1月31日的气象数据(日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量)。经统计得到该地区全年的日最高负荷、日最低负荷、日峰谷差、日负荷率参数的负荷数据情况。
由第一历史气象数据和第一历史负荷数据构成第一原始数据,由第二历史气象数据和第二历史负荷数据构成第二原始数据;其中,第一历史气象数据是指前5年各天的气象数据,第一历史负荷数据是指前5年各天的负荷数据,第二历史气象数据是指第6年各天的气象数据,第二历史负荷数据是指第6年各天的负荷数据,每天的气象数据由多项气象参数构成,每天的负荷数据由多项负荷参数构成。待预测时间段为2016年1月1号到2016年1月31号。
第二步:采用聚类算法以负荷参数为依据,依次对一个月中的天数进行聚类,选择每一类包含天数的中间值作为该类天的代表天,从而大大减少负荷数据量。
先采用K-means聚类算法以天的负荷数据为单位对各天的负荷数据进行聚类,针对聚类后的每一类,选择该一类中位于中间的一天的负荷数据保留,从原始数据去掉不位于中间的一天的负荷数据;
具体实施以日最高负荷、日最低负荷、日峰谷差、日负荷率,日平均负荷为参数,挑出每一个月中负荷有代表性的天数来代替该月的负荷变化,从而可以大大减少数据量。以2012年1月的聚类为例,用线条相连的天数即代表这几天可以归为一类,由图2可知,2012年1月5,13,16,20,25,27号为该月的代表天。
第三步:采用主成分分析法,采用主成分分析法对每一代表天下的气象参数的所有气象数据进行处理获得各个气象参数的累积贡献率,选择累积贡献率达到80%的气象参数保留,从各天的气象数据中去掉贡献率未达到80%的气象参数。
表1为各参数所占的权重,由主成分分析可知,最高温度和最低温度所占的贡献率最高,且和超过了0.8,所以选“最高温度,最低温度”作为主要气象因素加以考虑。
表1:各个气象因素所占的权重
权重 | 最高温度 | 最低温度 | 平均温度 | 相对湿度 | 降雨量 |
贡献率 | 0.651 | 0.2182 | 0.1236 | 0.0066 | 0.0006 |
第四步:以标准化后的第一历史气象数据作为输入层,以标准化后的第一历史负荷数据作为输出层,采用神经网络进行训练;
训练完成后,将第二历史气象数据输入到训练后的神经网络,输出获得预测负荷数据,计算并判断预测负荷数据的预测精度,然后不断调整神经网络预测模型内部的参数使得预测精度E大于等于90%,则认为神经网络满足精度要求,并作为神经网络预测模型。
其网络训练预测结果以2015年日最高负荷数据为例,如图3所示。
有上图可以看出,预测出的2015年的数据变化趋势与实际2015年的变化趋势基本保持一致,这表明预测的数据与实际符合,具有很高的可靠性。且神经网络预测的预测精度为97.5%,表明预测精确度很高与实际吻合度高。
通过聚类算法和主成分分析两大算法,同时考虑气象数据和负荷数据的简化处理,从而可以大大减少神经网络预测中的数据负担,加快预测效率,由最后的预测精度可知,即使采用相应简化算法减少了数据数量,但是气象因素对负荷参数的影响以及符负荷参数的整体变化趋势得到了保留,从而保证了计算精度,并且定义神经网络模型的预测精度计算公式来保证计算精度,从而在大大提高预测效率的同时实现了高精确度,解决了考虑气象因素而带来的预测精度低的难题。
第五步:将待预测时间段的气象数据输入已训练完成的神经网络预测模型,预测得到待预测时间段整月各天的负荷数据。
其中待预测时间段第11-17号的平均负荷的预测结果如表2所示:
表2:待预测时间段第11-17号的平均负荷的预测结果
日期 | 平均负荷(MW) |
20160111 | 6383.225 |
20160112 | 6286.483 |
20160113 | 6121.903 |
20160114 | 6097.036 |
20160115 | 6130.437 |
20160116 | 5939.897 |
20160117 | 6015.302 |
Claims (6)
1.一种基于聚类筛选和神经网络的电力气象负荷数据预测方法,其特征在于:第一步:从电力数据中提取获得第一历史气象数据、第一历史负荷数据、第二历史气象数据和第二历史负荷数据,由第一历史气象数据和第一历史负荷数据构成第一原始数据,由第二历史气象数据和第二历史负荷数据构成第二原始数据;其中,第一历史气象数据是指前n年各天的气象数据,第一历史负荷数据是指前n年各天的负荷数据,第二历史气象数据是指第n+1年各天的气象数据,第二历史负荷数据是指第n+1年各天的负荷数据,每天的气象数据由多项气象参数构成,每天的负荷数据由多项负荷参数构成;
第二步:采用聚类算法和主成分分析法相结合的方式对第一原始数据和第二原始数据进行简化处理,获得保留下来的代表天对应的原始数据;
第三步:对第二步处理得到的第一原始数据和第二原始数据作标准化处理,对其中的负荷数据和气象数据分别以每一天的数据为单位采用以下公式作标准化处理:
Xi=Xi实际/Xi平均
其中,Xi表示经标准化处理后的第i代表天的气象/负荷参数,Xi实际表示第i代表天的某气象/负荷参数,Xi平均表示第i代表天所有气象/负荷参数的平均值;
第四步:以标准化后的第一历史气象数据作为输入层,以标准化后的第一历史负荷数据作为输出层,采用神经网络进行训练;训练完成后,将第二历史气象数据输入到训练后的神经网络,输出获得预测负荷数据,计算并判断预测负荷数据的预测精度E,然后不断调整神经网络预测模型内部的参数使得预测精度E大于等于90%,则认为神经网络满足精度要求,并作为神经网络预测模型;
第五步:将待预测时间段的气象数据输入已训练完成的神经网络预测模型,预测得到待预测时间段各天的负荷数据。
2.根据权利要求1所述的一种基于聚类筛选和神经网络的电力气象负荷数据预测方法,其特征在于:所述第二步,采用聚类算法和主成分分析法相结合的方式对第一原始数据和第二原始数据均分别采用以下方式进行处理:
S1:先采用聚类算法以天的负荷数据为单位对各天的负荷数据进行聚类,针对聚类后的每一类,选择该一类中位于中间的一天的负荷数据保留,并将保留得到的各天称为代表天;
S2:然后采用主成分分析法对气象数据中的所有气象参数进行处理获得各个气象参数的累积贡献率,选择累积贡献率达到80%的气象参数保留。
3.根据权利要求1所述的一种基于聚类筛选和神经网络的电力气象负荷数据预测方法,其特征在于:所述第四步中,神经网络具体为:神经网络分为输入层、隐含层和输出层三层:其中输入层含有a个单元,a为第二步简化处理得到的气象参数个数,每个输入单元代表一个气象参数;输出层为b个单元,b为第二步简化得到的负荷参数个数,每一个输出单元代表一个负荷参数;隐含层有b个单元,每个单元均由sigmoid函数;以天为单位,将第二步简化和第三步标准化处理后得到的前n+1年的各个代表天的第一历史气象和第一历史负荷数据依次代入神经网络进行训练,共需训练c次,c次后停止训练神经网络,c为前n+1年的代表天总天数。
4.根据权利要求1所述的一种基于聚类筛选和神经网络的电力气象负荷数据预测方法,其特征在于:所述第四步中,预测负荷数据的预测精度采用以下公式计算:将神经网络模型预测得到的第n+1年的预测负荷数据和第二历史负荷数据代入以下公式,计算第n+1年每一代表天的中间精度D:
其中,D为中间精度,n表示负荷参数的个数,即日最高负荷、日最低负荷、日峰谷差和日平均负荷,表示负荷参数i的第二历史负荷数据,表示负荷参数i的预测负荷数据;
若在第n+1年中满足D小于等于7%的代表天天数占第n+1年代表天总天数的90%以上,即预测精度E大于等于90%,如下公式,则认为预测满足精度要求,否则需要调整神经网络相关参数,直到预测满足精度要求;
然后再采用以下公式计算预测精度:
其中,E为预测精度,A表示第n+1年中满足中间精度D小于等于7%的代表天总天数,B表示第n+1年中代表天总天数。
5.根据权利要求1所述的一种基于聚类筛选和神经网络的电力气象负荷数据预测方法,其特征在于:所述气象数据中的多项气象参数包括最高温度、最低温度、平均温度、相对湿度和降雨量。
6.根据权利要求1所述的一种基于聚类筛选和神经网络的电力气象负荷数据预测方法,其特征在于:所述负荷数据中的多项负荷参数包括日最高负荷、日最低负荷、日峰谷差和日平均负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359961.XA CN108615091B (zh) | 2018-04-20 | 2018-04-20 | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359961.XA CN108615091B (zh) | 2018-04-20 | 2018-04-20 | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108615091A true CN108615091A (zh) | 2018-10-02 |
CN108615091B CN108615091B (zh) | 2021-02-19 |
Family
ID=63660726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810359961.XA Active CN108615091B (zh) | 2018-04-20 | 2018-04-20 | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108615091B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
CN112418533A (zh) * | 2020-11-25 | 2021-02-26 | 江苏电力交易中心有限公司 | 一种清洁能源电量分解预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005122517A (ja) * | 2003-10-17 | 2005-05-12 | Fuji Electric Holdings Co Ltd | エネルギー需要予測方法、エネルギー需要予測装置、エネルギー需要予測プログラムおよび記録媒体 |
CN102982387A (zh) * | 2012-10-18 | 2013-03-20 | 安徽工程大学 | 一种短期电力负荷预测方法 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
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 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
-
2018
- 2018-04-20 CN CN201810359961.XA patent/CN108615091B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005122517A (ja) * | 2003-10-17 | 2005-05-12 | Fuji Electric Holdings Co Ltd | エネルギー需要予測方法、エネルギー需要予測装置、エネルギー需要予測プログラムおよび記録媒体 |
CN102982387A (zh) * | 2012-10-18 | 2013-03-20 | 安徽工程大学 | 一种短期电力负荷预测方法 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
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 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
李慧姣: "基于主成分分析法的遗传神经网络短期负荷预测的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王建军: "基于知识挖掘技术的智能协同电力负荷预测研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
黄磊 等: "基于k-means聚类和BP神经网络组合模型的用电负荷预测", 《电力与能源》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144650A (zh) * | 2019-12-26 | 2020-05-12 | 南京工程学院 | 电力负荷预测方法、装置、计算机可读存储介质及设备 |
CN112418533A (zh) * | 2020-11-25 | 2021-02-26 | 江苏电力交易中心有限公司 | 一种清洁能源电量分解预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108615091B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
Wang et al. | Hour-ahead photovoltaic generation forecasting method based on machine learning and multi objective optimization algorithm | |
CN107730054B (zh) | 一种基于支持向量回归的燃气负荷组合预测方法 | |
CN101551884B (zh) | 面向大规模样本的cvr电力负荷快速预测方法 | |
CN110222882A (zh) | 一种电力系统中长期负荷的预测方法和装置 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
US20210326696A1 (en) | Method and apparatus for forecasting power demand | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
CN111325315A (zh) | 基于深度学习的配变停电电量损失预测的方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN106980910A (zh) | 中长期电力负荷测算系统及方法 | |
CN115470962A (zh) | 一种基于LightGBM的企业失信风险预测模型构建方法 | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
CN115186857A (zh) | 一种基于集成学习的神经网络水库水位预测方法 | |
CN106548285A (zh) | 计及小水电出力的趸售电量预测方法 | |
CN115205068A (zh) | 计及净负荷需求分布式的储能最优峰谷时段划分方法 | |
CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN113570132A (zh) | 一种时空气象特征提取与深度学习的风电功率预测方法 | |
CN105447767A (zh) | 一种基于联合矩阵分解模型的电力用户细分方法 | |
CN112418485A (zh) | 基于负荷特性和用电行为模式的家庭负荷预测方法及系统 | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 |
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 |