CN108846517A - 一种分位数概率性短期电力负荷预测集成方法 - Google Patents
一种分位数概率性短期电力负荷预测集成方法 Download PDFInfo
- Publication number
- CN108846517A CN108846517A CN201810600576.XA CN201810600576A CN108846517A CN 108846517 A CN108846517 A CN 108846517A CN 201810600576 A CN201810600576 A CN 201810600576A CN 108846517 A CN108846517 A CN 108846517A
- Authority
- CN
- China
- Prior art keywords
- quantile
- model
- load
- prediction
- estimate
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
本发明涉及一种分位数概率性短期电力负荷预测集成方法,属于电力系统分析技术领域。该方法包括:将历史负荷数据划分为两部分,第一部分用于训练单一的分位数概率预测模型,第二部分用于确定多种预测方法的权重从而集成负荷预测;对第一部分数据进行有放回采样得到多个新的训练数据集;对每个训练数据集训练神经网络分位数回归、随机森林分位数回归、渐进梯度回归树分位数回归三个回归模型;在第二部数据集上建立以分位数损失最小为目标函数的优化模型确定各种分位数回归模型的权重,从而最终得到分位数概率性集成负荷预测模型。本方法能够在各种单一预测模型的基础上,提高进一步提高概率性负荷预测的精度,有助于降低电力系统运行的成本。
Description
技术领域
本发明涉及一种分位数概率性短期电力负荷预测集成方法,属于电力系统分析技术领域。
背景技术
负荷预测是电力系统规划与运行的基础。高精度的负荷预测能够辅助电力系统做出更优的决策从而有效减小相应的规划和运行成本。传统的点预测只能提供未来负荷的一个估值,不能描述未来负荷存在的不确定性。然而近年来,随着分布式可再生能源的持续增长以及储能、电动汽车的接入,电力负荷表现出更强的不确定性。于是越来越多的学者开展概率性负荷预测的研究。概率性负荷预测能够通过置信区间、概率密度或者分位数的形式表征待预测负荷的不确定性,较点预测而言,能够提供未来负荷确定性的更多信息。
分位数作为概率预测的一种重要表现形式,已经得到了广泛的关注。目前相关的研究主要分为三种:1)直接将负荷预测模型利用分位数回归直接得到最终的概率预测结果,分位数回归模型包括线性分位数回归、随机森林分位数回归、支持向量机分位数回归、神经网络分位数回归等。2)首先利用多套数据训练或多个模型得到众多点预测的结果,再对这些点预测结果进行分位数回归平均(Quantile Regression Averaging),从而得到分位数预测结果。3)通过密度估计、统计历史点预测误差分布等手段先得到概率预测分布,然后将分布转换为分位数结果。
目前存在很多电力负荷预测模型和方法,但对于不同的问题或者数据集,不能保证某一种方法能够在所有数据集上都保证最优。于是,研究人员系统通过综合多种预测模型,构建集成预测方法,提升总体预测模型的泛化性能和预测精度。集成负荷预测就是确定不同预测模型的权重,然后根据确定的权重计算各预测结果的加权平均得到最终的集成预测结果。产生多种预测模型的方法可以针对一个特定的预测模型,对训练数据集进行有放回采样(Bootstrap Sampling)衍生不同的训练集,使得模型的参数具有多样性;也可以针对同一个训练数据集,直接训练线性回归、神经网络、支持向量机等多个预测模型。目前集成预测已经广泛应用于电力负荷的点预测中。在负荷多元化使得负荷不确定性增加的背景下,概率性电力负荷预测模型也越来越多地被提出来,而目前在电力负荷预测领域,还没有对分位数概率预测集成开展相关的研究。
已有的电力负荷预测的集成方法有:
1、分位数回归:分位数回归主要研究自变量与因变量的条件分位数之间的关系,得到的回归模型可以通过自变量估计因变量的条件分位数。分位数回归较传统最小二乘回归而言,不仅可以度量回归变量在分布中心的影响,还可以度量在分布上尾和下尾的影响,为因变量不确定性提供更加详尽的信息。分位数回归可以描述成为一个典型的优化模型,如下式所示:
上式中,i和N分别表示模型训练样本的编号和总数;xi和yi分别表示第i个训练样本的自变量和因变量;q表示待回归的分位数,其取值在0到1之间;β(q)表示q分位数回归模型待估计的参数;ρq表示q分位数回归的损失函数,其具体表现形式为:
通过一定的优化算法可以求解相应的分位数回归模型。特别地,当分位数回归模型β(q)为线性模型时,该分位数回归为传统的线性分位数回归;当分位数回归模型β(q)为神经网络模型、随机森林、渐进梯度回归树(GBRT)等时,该分位数回归则为神经网络分位数回归、随机森林分位数回归、渐进梯度回归树分位数回归等。
2、分位数损失(Pinball Loss)函数:弹球损失函数是衡量分位数概率性负荷预测精度的一个指标,其具体计算形式如下:
上式中,yi和分别表示在第i个负荷点的真实值和q分位数预测值。当一共需要预测N个负荷点的Q个分位数时,可以用平均分位数损失来综合衡量预测结果的精度:
2、线性规划优化求解技术:该技术能够通过计算机求解线性规划优化问题,给出模型的最优解。
发明内容
本发明的目的是提出一种分位数概率性短期电力负荷预测集成方法,解决如何集成综合已有的多个分位数概率性负荷预测的结果,提出一种以最小化弹球损失为目标函数的分位数负荷预测集成方法,进一步提高分位数概率性短期负荷预测精度。
本发明提出的分位数概率性短期电力负荷预测方法,包括以下步骤:
(1)将电力负荷数据长度为T的电力系统历史电力负荷数据D按照设定比例分为长度为T1和T2的两个数据集D1和D2;
(2)对上述电力负荷数据集D1进行有放回采样,形成M个数据集,分别为D11,D12,…D1m,…D1M,m=1、2、3…M;
(3)分别训练上述M个数据集D11,D12,…D1m,…D1M的神经网络分位数回归模型、随机森林分位数回归模型和渐进梯度回归树分位数回归模型,包括以下步骤;
(3-1)对M个数据集中的任意一个数据集D1m,向数据集D1m的神经网络分位数回归模型、随机森林分位数回归模型和渐进梯度回归树分位数回归模型分别输入一个自变量X1t,输出一个因变量y1t,其中:
X1t=[W,h,dt-H,dt-H-1,dt-2H+1,dt-2H,dt-2H-1,dt-3H],y1t=dt,
H表示一天内包括的时段数,h表示待预测电力负荷所在的时段,h=1,2,…,H,W表示待预测负荷所属日类型,定义W=1为工作日,W=0为非工作日,dt表示第t时段的电力负荷值,t=1,2,…,T1;
(3-2)根据上述自变量X1t和因变量y1t,分别优化训练上述三个q分位数预测模型,即神经网络q分位数回归模型g1,m,q、随机森林q分位数回归模型g2,m,q和渐进梯度回归树q分位数回归模型g3,m,q,得到上述三个q分位数预测模型的参数β1,m,q,β2,m,q,β3,m,q;
优化训练的过程为:
其中,q取值在0到1之间,ρq表示q分位数损失函数,计算式如下:
其中,为预测模型在t时刻的与q分位数相对应的电力负荷预测值;
遍历M个数据集中的所有数据集,重复本步骤,得到K=3M个q分位数预测模型;
(3-3)将上述K=3M个q分位数预测模型重新进行编号,得到训练好的分位数回归模型gk,q:
gk,q=gi,m,q
其中,k=m+i×M-M,i表示在每个数据集上训练的三个模型的编号,i=1,2,或3,m=1、2、3…M;
(4)利用上述K=3M个q分位数预测模型,在数据集D2上,建立以分位数损失最小为目标函数的优化模型,确定各种分位数回归模型的权重,计算得到与q分位数相对应的集成负荷预测模型,包括以下步骤:
(4-1)根据上述K=3M个q分位数预测模型,向上述电力负荷数据集D2的K=3M个q分位数预测模型分别输入一个自变量X2t,输出一个因变量y2t,其中:
X2t=[W,h,dt-H,dt-H-1,dt-2H+1,dt-2H,dt-2H-1,dt-3H],y2t=dt,
(4-2)向上述K个在数据集D1上训练好的分位数回归模型gk,q分别输入自变量X2t,计算得到与第k个训练好的分位数回归模型在时段t的q分位数相对应的电力负荷预测值
(4-3)利用上述步骤(4-2)得到的与K个模型的q分位数相对应的电力负荷预测值和电力负荷值y2t,确定各预测方法的权重ωq=[ωq1,ωq2,…ωqk,…ωqK]如下:
其中,表示K个在时段t的q分位数相对应的电力负荷预测值的加权平均值,ωqk表示与q分位数相对应的集成负荷预测模型中第k种预测模型gk,q的权重,表示所有K个预测模型的权重之和为1,ωqk≥0表示所有K个预测模型的权重都非负;
设定一个辅助决策变量,将上式改写为如下线性优化模型:
(4-4)根据上述得到的权重ωq=[ωq1,ωq2,…ωqk,…ωqK],建立q分位数概率性电力负荷预测集成模型如下:
(5)遍历q的取值集合{0.01,0.02,0.03,…0.98,0.99},重复步骤(3)和(4),得到不同分位数q的集成负荷预测方法。
本发明提出的分位数概率性短期电力负荷预测方法,其优点是:
本发明提出的分位数概率性短期电力负荷预测方法,以最小化分位数损失为目标函数的分位数负荷预测集成方法,首先通过训练集有放回采样(Bootstrap Sampling)和不同的回归模型训练得到多个分位数概率预测模型,然后基于训练好的分位数概率预测模型和结果构建分位数预测最优集成模型,确定不同分位数概率预测方法的权重,从而使得最终集成预测模型的弹球损失最小,本方法在最后转化成为一个线性规划问题,可以快速搜索到全局最优集成权重,进一步提高了分位数概率性短期负荷预测精度。本发明在现有各种单一分位数概率性短期负荷预测基础上,建立了一种分位数概率性短期负荷预测集成方法,相比于现有方法,本方法能够快速给各种单一预测方法赋予一定的权重,实现多种预测结果的集成。应用本方法,能够在单一预测模型基础上进一步改善概率性负荷预测精度,跟准确描述未来负荷的不确定性,进而减小电力系统运行的成本,因而具有重要的现实意义和良好的应用前景。
附图说明
图1为本发明提出的分位数概率性短期电力负荷预测方法的流程框图。
具体实施方式
本发明提出的分位数概率性短期电力负荷预测方法,其流程框图如图1所示,包括以下步骤:
(1)将电力负荷数据长度为T的电力系统历史电力负荷数据D按照设定比例分为长度为T1和T2的两个数据集D1和D2,本发明的一个实施例中比例为4:1;
(2)对上述电力负荷数据集D1进行有放回采样(bootstrap采样),形成M个数据集,分别为D11,D12,…D1m,…D1M,m=1,2,3,…,M;
(3)分别训练上述M个数据集D11,D12,…D1m,…D1M的神经网络分位数回归模型、随机森林分位数回归模型和渐进梯度回归树分位数回归模型,包括以下步骤;
(3-1)对M个数据集中的任意一个数据集D1m,向数据集D1m的神经网络分位数回归模型、随机森林分位数回归模型和渐进梯度回归树分位数回归模型分别输入一个自变量X1t,输出一个因变量y1t,其中:
X1t=[W,h,dt-H,dt-H-1,dt-2H+1,dt-2H,dt-2H-1,dt-3H],y1t=dt,
H表示一天内包括的时段数,(该时段可以任意设定,可以为1小时,15分钟等等),h表示待预测电力负荷所在的时段,h=1,2,…,H,W表示待预测负荷所属日类型,定义W=1为工作日,W=0为非工作日,dt表示第t时段的电力负荷值,t=1,2,…,T1;
(3-2)根据上述自变量X1t和因变量y1t,分别优化训练上述三个q分位数预测模型,即神经网络q分位数回归模型g1,m,q、随机森林q分位数回归模型g2,m,q和渐进梯度回归树q分位数回归模型g3,m,q,得到上述三个q分位数预测模型的参数β1,m,q,β2,m,q,β3,m,q;
优化训练的过程为:
其中,q取值在0到1之间,本发明的一个实施例中,q取值集合为{0.01,0.02,0.03,…0.98,0.99},ρq表示q分位数损失函数,计算式如下:
其中,为预测模型在t时刻的与q分位数相对应的电力负荷预测值;
遍历M个数据集中的所有数据集,重复本步骤,得到K=3M个q分位数预测模型;
(3-3)将上述K=3M个q分位数预测模型重新进行编号,得到训练好的分位数回归模型gk,q:
gk,q=gi,m,q,
其中,k=m+i×M-M,i表示在每个数据集上训练的三个模型的编号,i=1,2,或3,m=1,2,3,…,M;
(4)利用上述K=3M个q分位数预测模型,在数据集D2上,建立以分位数损失最小为目标函数的优化模型,确定各种分位数回归模型的权重,计算得到与q分位数相对应的集成负荷预测模型,包括以下步骤:
(4-1)根据上述K=3M个q分位数预测模型,向上述电力负荷数据集D2的K=3M个q分位数预测模型分别输入一个自变量X2t,输出一个因变量y2t,其中:
X2t=[W,h,dt-H,dt-H-1,dt-2H+1,dt-2H,dt-2H-1,dt-3H],y2t=dt,
(4-2)向上述K个在数据集D1上训练好的分位数回归模型gk,q分别输入自变量X2t,计算得到与第k个训练好的分位数回归模型在时段t的q分位数相对应的电力负荷预测值
(4-3)利用上述步骤(4-2)得到的与K个模型的q分位数相对应的电力负荷预测值和电力负荷值y2t,确定各预测方法的权重ωq=[ωq1,ωq2,…ωqk,…ωqK]如下:
其中,表示K个在时段t的q分位数相对应的电力负荷预测值的加权平均值,ωqk表示与q分位数相对应的集成负荷预测模型中第k种预测模型gk,q的权重,表示所有K个预测模型的权重之和为1,ωqk≥0表示所有K个预测模型的权重都非负;
设定一个辅助决策变量,将上式改写为如下线性优化模型:
上式是一个典型的线性规划模型,可以利用单纯形法求解该问题,给出模型的最优解,即K个单一预测模型的最优组合权重。
(4-4)根据上述得到的权重ωq=[ωq1,ωq2,…ωqk,…ωqK],建立q分位数概率性电力负荷预测集成模型如下:
(5)遍历q的取值集合{0.01,0.02,0.03,…0.98,0.99},重复步骤(3)和(4),得到不同分位数q的集成负荷预测方法。
Claims (1)
1.一种分位数概率性短期电力负荷预测方法,其特征在于该方法包括以下步骤:
(1)将电力负荷数据长度为T的电力系统历史电力负荷数据D按照设定比例分为长度为T1和T2的两个数据集D1和D2;
(2)对上述电力负荷数据集D1进行有放回采样,形成M个数据集,分别为D11,D12,…D1m,…D1M,m=1,2,3,…,M;
(3)分别训练上述M个数据集D11,D12,…D1m,…D1M的神经网络分位数回归模型、随机森林分位数回归模型和渐进梯度回归树分位数回归模型,包括以下步骤;
(3-1)对M个数据集中的任意一个数据集D1m,向数据集D1m的神经网络分位数回归模型、随机森林分位数回归模型和渐进梯度回归树分位数回归模型分别输入一个自变量X1t,输出一个因变量y1t,其中:
X1t=[W,h,dt-H,dt-H-1,dt-2H+1,dt-2H,dt-2H-1,dt-3H],y1t=dt,
其中,H表示一天内包括的时段数,h表示待预测电力负荷所在的时段,h=1,2,…,H,W表示待预测负荷所属日类型,定义W=1为工作日,W=0为非工作日,dt表示第t时段的电力负荷值,t=1,2,…,T1;
(3-2)根据上述自变量X1t和因变量y1t,分别优化训练上述三个q分位数预测模型,即神经网络q分位数回归模型g1,m,q、随机森林q分位数回归模型g2,m,q和渐进梯度回归树q分位数回归模型g3,m,q,得到上述三个q分位数预测模型的参数β1,m,q,β2,m,q,β3,m,q;
优化训练的过程为:
其中,q取值在0到1之间,ρq表示q分位数损失函数,计算式如下:
其中,为预测模型在t时刻的与q分位数相对应的电力负荷预测值;
遍历M个数据集中的所有数据集,重复本步骤,得到K=3M个q分位数预测模型;
(3-3)将上述K=3M个q分位数预测模型重新进行编号,得到训练好的分位数回归模型gk,q:
gk,q=gi,m,q
其中,k=m+i×M-M,i表示在每个数据集上训练的三个模型的编号,i=1,2,或3,m=1,2,3,…,M;
(4)利用上述K=3M个q分位数预测模型,在数据集D2上,建立以分位数损失最小为目标函数的优化模型,确定各种分位数回归模型的权重,计算得到与q分位数相对应的集成负荷预测模型,包括以下步骤:
(4-1)根据上述K=3M个q分位数预测模型,向上述电力负荷数据集D2的K=3M个q分位数预测模型分别输入一个自变量X2t,输出一个因变量y2t,其中:
X2t=[W,h,dt-H,dt-H-1,dt-2H+1,dt-2H,dt-2H-1,dt-3H],y2t=dt,
(4-2)向上述K个在数据集D1上训练好的分位数回归模型gk,q分别输入自变量X2t,计算得到与第k个训练好的分位数回归模型在时段t的q分位数相对应的电力负荷预测值
(4-3)利用上述步骤(4-2)得到的与K个模型的q分位数相对应的电力负荷预测值和电力负荷值y2t,确定各预测方法的权重ωq=[ωq1,ωq2,…ωqk,…ωqK]如下:
其中,表示K个在时段t的q分位数相对应的电力负荷预测值的加权平均值,ωqk表示与q分位数相对应的集成负荷预测模型中第k种预测模型gk,q的权重,表示所有K个预测模型的权重之和为1,ωqk≥0表示所有K个预测模型的权重都非负;
设定一个辅助决策变量,将上式改写为如下线性优化模型:
(4-4)根据上述得到的权重ωq=[ωq1,ωq2,…ωqk,…ωqK],建立q分位数概率性电力负荷预测集成模型如下:
(5)遍历q的取值集合{0.01,0.02,0.03,…0.98,0.99},重复步骤(3)和(4),得到不同分位数q的集成负荷预测方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810600576.XA CN108846517B (zh) | 2018-06-12 | 2018-06-12 | 一种分位数概率性短期电力负荷预测集成方法 |
PCT/CN2018/094551 WO2019237440A1 (zh) | 2018-06-12 | 2018-07-04 | 一种分位数概率性短期电力负荷预测集成方法 |
US17/118,922 US11488074B2 (en) | 2018-06-12 | 2020-12-11 | Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810600576.XA CN108846517B (zh) | 2018-06-12 | 2018-06-12 | 一种分位数概率性短期电力负荷预测集成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846517A true CN108846517A (zh) | 2018-11-20 |
CN108846517B CN108846517B (zh) | 2021-03-16 |
Family
ID=64210737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810600576.XA Active CN108846517B (zh) | 2018-06-12 | 2018-06-12 | 一种分位数概率性短期电力负荷预测集成方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11488074B2 (zh) |
CN (1) | CN108846517B (zh) |
WO (1) | WO2019237440A1 (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558975A (zh) * | 2018-11-21 | 2019-04-02 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN109816164A (zh) * | 2019-01-16 | 2019-05-28 | 国网信通亿力科技有限责任公司 | 一种电力负荷预测方法 |
CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
CN110837915A (zh) * | 2019-09-29 | 2020-02-25 | 浙江大学 | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 |
CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
CN111612233A (zh) * | 2020-05-13 | 2020-09-01 | 云南电网有限责任公司电力科学研究院 | 一种配电网线路重跳影响因素重要性得分获取方法及装置 |
CN111860977A (zh) * | 2020-06-30 | 2020-10-30 | 清华大学 | 短期负荷的概率预测方法和概率预测装置 |
CN112232561A (zh) * | 2020-10-13 | 2021-01-15 | 三峡大学 | 基于约束并行lstm分位数回归的电力负荷概率预测方法 |
CN112258251A (zh) * | 2020-11-18 | 2021-01-22 | 北京理工大学 | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 |
CN112308337A (zh) * | 2020-11-19 | 2021-02-02 | 国网北京市电力公司 | 电力系统概率性短期负荷的预测方法、预测装置与处理器 |
CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
CN113936803A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备 |
CN115409296A (zh) * | 2022-11-02 | 2022-11-29 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242210A (zh) * | 2020-01-09 | 2020-06-05 | 南京工程学院 | 基于改进Shapley值模型的短期负荷预测方法 |
CN112611584B (zh) * | 2020-05-18 | 2023-06-02 | 北京金风慧能技术有限公司 | 风力发电机组的疲劳失效检测方法、装置、设备及介质 |
CN112085111B (zh) * | 2020-09-14 | 2024-01-23 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
US20220147816A1 (en) * | 2020-11-10 | 2022-05-12 | International Business Machines Corporation | Divide-and-conquer framework for quantile regression |
CN112348101B (zh) * | 2020-11-16 | 2023-04-07 | 中冶赛迪信息技术(重庆)有限公司 | 一种基于异常数据分析的轧钢燃耗预警方法及系统 |
CN113516276A (zh) * | 2021-04-09 | 2021-10-19 | 国网安徽省电力有限公司铜陵供电公司 | 一种基于数据挖掘处理框架的中短期负荷预测方法 |
CN113240193A (zh) * | 2021-06-03 | 2021-08-10 | 安徽理工大学 | 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 |
CN113256018B (zh) * | 2021-06-08 | 2022-09-02 | 河海大学 | 一种基于条件分位数回归模型的风电功率超短期概率预测方法 |
CN113256695B (zh) * | 2021-06-23 | 2021-10-08 | 武汉工程大学 | 一种基于随机森林的硫酸钾生产盐池地形预测模型方法 |
CN113435664A (zh) * | 2021-07-15 | 2021-09-24 | 广东电网有限责任公司 | 一种电费异常数据分析方法、装置、终端设备及介质 |
CN113496315B (zh) * | 2021-09-08 | 2022-01-25 | 广东电网有限责任公司湛江供电局 | 基于分位数梯度提升决策树的负荷区间预测方法及系统 |
CN114019371B (zh) * | 2021-10-15 | 2023-06-16 | 上海交通大学 | 一种基于高斯过程回归的电机极端工况的温度预测系统 |
CN114077874A (zh) * | 2022-01-17 | 2022-02-22 | 广东工业大学 | 基于分段采样的段域神经网络回归方法、系统及存储介质 |
CN114564883B (zh) * | 2022-02-11 | 2023-05-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 融合机理与ML的湖泊叶绿素a短期集合预报方法及系统 |
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 |
CN116682505B (zh) * | 2023-06-14 | 2023-11-21 | 东北大学 | 一种基于分位数回归森林的hrb400e钢材力学性能预测方法 |
CN116956594B (zh) * | 2023-07-25 | 2024-02-09 | 广州锐兴科技有限公司 | 一种基于拓扑结构的农村电网优化方法、装置及设备 |
CN116663865B (zh) * | 2023-07-31 | 2023-11-14 | 山东建筑大学 | 考虑源荷不确定性的综合能源系统日前调度方法及系统 |
CN117332908B (zh) * | 2023-12-01 | 2024-02-13 | 长江水利委员会水文局 | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
US20170236136A1 (en) * | 2016-02-12 | 2017-08-17 | Fujitsu Limited | Probabilistic price and spike forecasting |
CN107506868A (zh) * | 2017-08-31 | 2017-12-22 | 广东工业大学 | 一种短时电力负荷预测的方法及装置 |
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 |
CN107704953A (zh) * | 2017-09-20 | 2018-02-16 | 河海大学 | Ewt分位数回归森林的短期风电功率概率密度预测方法 |
CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
WO2014075108A2 (en) * | 2012-11-09 | 2014-05-15 | The Trustees Of Columbia University In The City Of New York | Forecasting system using machine learning and ensemble methods |
CN104217258B (zh) * | 2014-09-15 | 2017-09-05 | 国家电网公司 | 一种电力负荷条件密度预测方法 |
US9926852B2 (en) * | 2015-03-03 | 2018-03-27 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
-
2018
- 2018-06-12 CN CN201810600576.XA patent/CN108846517B/zh active Active
- 2018-07-04 WO PCT/CN2018/094551 patent/WO2019237440A1/zh active Application Filing
-
2020
- 2020-12-11 US US17/118,922 patent/US11488074B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
US20170236136A1 (en) * | 2016-02-12 | 2017-08-17 | Fujitsu Limited | Probabilistic price and spike forecasting |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
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 |
CN107506868A (zh) * | 2017-08-31 | 2017-12-22 | 广东工业大学 | 一种短时电力负荷预测的方法及装置 |
CN107704953A (zh) * | 2017-09-20 | 2018-02-16 | 河海大学 | Ewt分位数回归森林的短期风电功率概率密度预测方法 |
CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
Non-Patent Citations (6)
Title |
---|
DAHUA GAN等: "Embedding Based Quantile Regression Neural Network for Probabilistic load Forecasting", 《JOURNAL OF MODERN POWER SYSTEMS AND CLEAN ENERGY》 * |
JIAWEI ZHANG等: "Constructing Probabilistic Load Forecast From Multiple Point Forecasts:A Bootstrap Based Approach", 《RESEARCHGATE》 * |
WANG YI等: "Dependent Discrete Convolution Based Probabilistic Load Flow for the Active Distribution System", 《IEEE》 * |
何耀耀等: "基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法", 《中国电机工程学报》 * |
康重庆等: "短期负荷的标准化定义模型", 《电力科学与技术学报》 * |
罗敏等: "基于小波去噪和决策树的个性化大用户负荷预测", 《南方电网技术》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558975A (zh) * | 2018-11-21 | 2019-04-02 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN109558975B (zh) * | 2018-11-21 | 2021-04-13 | 清华大学 | 一种电力负荷概率密度多种预测结果的集成方法 |
CN109816164A (zh) * | 2019-01-16 | 2019-05-28 | 国网信通亿力科技有限责任公司 | 一种电力负荷预测方法 |
CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
CN110837915B (zh) * | 2019-09-29 | 2022-06-17 | 浙江大学 | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 |
CN110837915A (zh) * | 2019-09-29 | 2020-02-25 | 浙江大学 | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 |
CN111080477A (zh) * | 2019-12-06 | 2020-04-28 | 北京国电通网络技术有限公司 | 一种家庭电力负荷预测方法及系统 |
CN111612233A (zh) * | 2020-05-13 | 2020-09-01 | 云南电网有限责任公司电力科学研究院 | 一种配电网线路重跳影响因素重要性得分获取方法及装置 |
CN111860977A (zh) * | 2020-06-30 | 2020-10-30 | 清华大学 | 短期负荷的概率预测方法和概率预测装置 |
CN111860977B (zh) * | 2020-06-30 | 2022-07-01 | 清华大学 | 短期负荷的概率预测方法和概率预测装置 |
CN112232561A (zh) * | 2020-10-13 | 2021-01-15 | 三峡大学 | 基于约束并行lstm分位数回归的电力负荷概率预测方法 |
CN112232561B (zh) * | 2020-10-13 | 2024-03-15 | 三峡大学 | 基于约束并行lstm分位数回归的电力负荷概率预测方法 |
CN112258251A (zh) * | 2020-11-18 | 2021-01-22 | 北京理工大学 | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 |
CN112258251B (zh) * | 2020-11-18 | 2022-12-27 | 北京理工大学 | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 |
CN112308337A (zh) * | 2020-11-19 | 2021-02-02 | 国网北京市电力公司 | 电力系统概率性短期负荷的预测方法、预测装置与处理器 |
CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
CN113936803A (zh) * | 2021-12-17 | 2022-01-14 | 北京因数健康科技有限公司 | 胰岛素抵抗指数的确定方法、装置、存储介质及电子设备 |
CN115409296A (zh) * | 2022-11-02 | 2022-11-29 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108846517B (zh) | 2021-03-16 |
US20210097453A1 (en) | 2021-04-01 |
US11488074B2 (en) | 2022-11-01 |
WO2019237440A1 (zh) | 2019-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517A (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN109829604A (zh) | 一种电网侧储能电站运行效果综合评估方法 | |
CN109858758A (zh) | 一种配电网电能质量的组合赋权评估方法及系统 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN109558975A (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN105160441B (zh) | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 | |
CN108898259A (zh) | 基于多因素综合的自适应进化规划电力负荷预测方法及系统 | |
CN108537379A (zh) | 自适应变权重组合负荷预测方法及装置 | |
CN108564205A (zh) | 一种基于实测数据的负荷模型及参数辨识优化方法 | |
CN106980910A (zh) | 中长期电力负荷测算系统及方法 | |
CN107909221A (zh) | 基于组合神经网络的电力系统短期负荷预测方法 | |
CN101916335A (zh) | 城市需水量时间序列-指数平滑模型预测方法 | |
CN103530700B (zh) | 城区配电网饱和负荷综合预测方法 | |
CN109325880A (zh) | 一种基于Verhulst-SVM的中长期负荷预测方法 | |
CN112330045A (zh) | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
CN103489037B (zh) | 一种可发电风资源的预测方法 | |
Yang et al. | China’s energy demand forecasting based on the hybrid PSO-LSSVR model | |
Liang et al. | Household power consumption prediction method based on selective ensemble learning | |
Zhang et al. | Load characteristics analysis based on improved k-means clustering algorithm | |
Shi et al. | Research on long term load forecasting based on improved genetic neural network |
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 |