CN109063889A - 一种主动配电网的负荷功率预测方法 - Google Patents
一种主动配电网的负荷功率预测方法 Download PDFInfo
- Publication number
- CN109063889A CN109063889A CN201810635283.5A CN201810635283A CN109063889A CN 109063889 A CN109063889 A CN 109063889A CN 201810635283 A CN201810635283 A CN 201810635283A CN 109063889 A CN109063889 A CN 109063889A
- Authority
- CN
- China
- Prior art keywords
- sequence
- load power
- data
- group
- prediction
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004088 simulation Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 206010016256 fatigue Diseases 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 210000004218 nerve net Anatomy 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005457 optimization 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
- 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
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种主动配电网的负荷功率预测方法,考虑负荷功率的波动性,对波动较大的原始负荷序列进行平滑处理,增强了预测模型的鲁棒性,提高了预测精度,适用于处理变化较大的主动配电网数据;使用灰色神经网络组合模型对负荷功率进行预测,模型非线性映射能力强。本发明预测结果可为主动配电网调度提供决策信息,对保证电网安全运行具有重要意义。
Description
技术领域
本发明涉及负荷预测技术领域,具体涉及一种主动配电网的负荷功率预测方法。
背景技术
目前,电力需求的持续增长、传统能源的短缺以及电力市场的开放正驱动电网朝着高效、灵活、智能和可持续方式发展,以适应未来的技术需求。可持续性是未来电网的基础特征,其本质表现为分布式电源以及分布式储能的规模化接入与应用。分布式电源、分布式储能与可控负荷共同构成了分布式能源(distributed energy resource,DER)。由于DER的接入,传统配电系统的设计方法和运行控制模式无法适应,基于信息与通信技术及高级测量设备的主动配电网为此提供了一种解决方案。主动配电网中的运行负荷变化大、波动性强,对安全运行带来了不稳定性。如何有效对主动配电网的负荷功率进行预测,是优化主动配电网工作运行需要重点关注的问题之一。
发明内容
为解决现有技术中的不足,本发明提供一种主动配电网的负荷功率预测方法,解决了主动配电网中的运行负荷变化大、波动性强,对安全运行带来了不稳定性、负荷功率预测不准的问题。
为了实现上述目标,本发明采用如下技术方案:一种主动配电网的负荷功率预测方法,其特征在于:包括步骤:
步骤1:提取主动配电网历史负荷功率序列,得到m组长度为n的原始样本序列X1~Xm;
步骤2:判断原始样本序列是否为准平滑序列,若满足准平滑条件,则为准平滑序列;
步骤3:若不满足准平滑条件则对每组原始样本序列进行平滑化,最终得到m组准平滑序列;
步骤4:利用m组准平滑序列或者满足准平滑条件的m组原始样本序列构建m个灰色模型,分别辨识m个灰色模型参数获得m个求解公式,利用求解公式得到m组原始样本序列的模拟负荷功率数据和预测日的负荷功率预测数据;
步骤5:建立三层BP神经网络模型,将m个灰色模型得到的m组原始样本序列的模拟负荷功率数据作为BP神经网络的训练样本,将m组准平滑序列或者满足准平滑条件的m组原始样本序列作为输出,对三层BP神经网络进行训练,得到训练好的BP神经网络;
步骤6:将灰色模型得到的预测日的负荷功率预测数据输入到训练好的BP神经网络中,得到的输出即为预测日的主动配电网的负荷功率预测值。
前述的一种主动配电网的负荷功率预测方法,其特征是:所述步骤1具体为:
选取与预测时段日的季节特征相同、温度特征相似的负荷功率历史数据,以周为单位划分为m周,根据所需进行负荷功率预测的时间间隔,得到预测点个数n,提取负荷功率历史数据,得到m组长度为n的原始样本序列X1~Xm,每组原始样本序列是在时间跨度上与预测时段相同、处于预测时段之前的负荷功率历史数据。
前述的一种主动配电网的负荷功率预测方法,其特征是:所述步骤2中,准平滑条件具体内容如下:
定义平滑比Pk衡量原始样本序列的平稳性:
若满足下面准平滑条件,则为准平滑序列:
其中,xk表示分为m组后的原始样本序列中的第k个元素,k=2~n,xi是累加过程中原始样本序列的第i个元素,i=1~k-1,δ是平滑率。
前述的一种主动配电网的负荷功率预测方法,其特征是:所述步骤3中,对每组原始样本序列进行平滑化,具体为:
其中,xsk为准平滑序列Xs的第k个元素,Xs为对每组原始样本序列进行平滑化得到准平滑序列,xsn为准平滑序列Xs的第n个元素,xs1为准平滑序列Xs的第1个元素,x1为分为m组后的原始样本序列中的第1个元素,xn为分为m组后的原始样本序列中的第n个元素。
前述的一种主动配电网的负荷功率预测方法,其特征是:所述步骤4中,灰色模型建立方法如下所示:
①建立灰色模型GM(1,1):
首先将长度为n的准平滑序列Xs作为原始数据序列X(0),对原始数据序列X(0)进行一次累加操作,生成一次累加序列X(1):
其中,X(0)(j)为原始数据序列X(0)中第j个元素,X(1)(t)表示生成一次累加序列X(1)中第t个元素,t=1~n,j=1~t,X(0)(t)表示原始数据序列X(0)中第t个元素,X(1)(t-1)表示生成一次累加序列X(1)中第t-1个元素;
对一次累加序列X(1)建立下述白化形式的的微分方程,即灰色模型GM(1,1):
a和u为灰色模型参数;
上述灰色模型的解为:
式中,表示灰色模型的解中第t个元素,t=1~n,X(0)(1)表示原始数据序列X(0)的第一个元素;
②辨识灰色模型中的参数a和u;
记参数序列为可用下式求解:
式中:
Yn=[X(0)(2),X(0)(3),...,X(0)(n)]T (9)
③还原预测值,将灰色模型参数辨识所得的a,u代入公式(6),获得进行模拟数据与预测数据的求解公式;将t=1~2n代入求解公式(6)计算,获得原始数据序列的模拟负荷功率数据与预测负荷功率数据
前述的一种主动配电网的负荷功率预测方法,其特征是:将所得数据经过逆生成,即一次累减生成还原为原始样本序列模拟负荷功率数据与预测负荷功率数据
其中为原始样本序列的模拟负荷功率数据,为未来n个时刻的预测负荷功率数据。
本发明所达到的有益效果:本发明提供的主动配电网负荷预测方法,使用灰色神经网络组合模型对负荷功率进行预测,模型非线性映射能力强。考虑到负荷功率的波动性,对不满足灰色模型建立条件的原始负荷序列进行平滑处理,增强了预测模型的鲁棒性,提高了预测精度,适用于处理变化较大的主动配电网数据。预测结果可为主动配电网调度提供决策信息,对保证电网安全运行具有重要意义。
附图说明
图1是本发明预测方法的流程图;
图2是本发明预测方法的BP神经网络结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,一种主动配电网的负荷功率预测方法,包括以下步骤:
步骤1:主动配电网历史负荷功率序列提取:提取主动配电网的负荷功率历史数据,选取与预测时段日的季节特征相同、温度特征相似的负荷功率历史数据,以周为单位划分为m周。获取m组原始样本序列X1~Xm,每组原始数据序列X是在时间跨度上与预测时段相同、处于预测时段之前的负荷功率历史数据。根据所需进行负荷功率预测的时间间隔,得到预测点个数n,提取负荷功率历史数据,得到m组长度为n原始样本序列X1~Xm;
举例如下:
预测某周周五至周日三天的负荷功率:
①提取该预测时段之前同季节,温度相似的m周负荷功率历史数据;
②提取这m周中在时间跨度上与预测时段相同、处于预测时段之前的负荷功率历史数据,即m组个周五前三天(周二至周四)的负荷功率历史数据。若超出单周范围,则向前一周延伸提取。
③根据所需进行负荷功率预测的时间间隔,得到预测点个数n,提取负荷功率历史数据,得到m组长度为n原始样本序列X1~Xm。若预测间隔为1小时,则预测点个数n为72,则在m组周二至周四的负荷功率历史数据中按照1小时间隔提取72个负荷功率历史数据。
步骤2:判断原始样本序列是否为准平滑序列,由于外部条件不断变化,负荷功率也是随机变化的,而当原始样本序列中的负荷功率数据的离散度较大时,可能无法满足灰色模型的建立条件,导致预测精度不够。
定义平滑比Pk衡量原始样本序列的平稳性:
若满足下面准平滑条件,则为准平滑序列:
其中,xk表示分为m组后的原始样本序列中的第k个元素,k=2~n,xi是累加过程中原始样本序列的第i个元素,i=1~k-1,δ是平滑率;
步骤3:若不满足准平滑条件则使用以下公式对每组原始样本序列进行平滑化,得到准平滑序列Xs,最终得到m组准平滑序列:
其中,xsk为准平滑序列Xs的第k个元素,xsn为准平滑序列Xs的第n个元素,xs1为准平滑序列Xs的第1个元素,x1为分为m组后的原始样本序列中的第1个元素,xn为分为m组后的原始样本序列中的第n个元素;
步骤4:利用m组准平滑序列或者满足准平滑条件的m组原始样本序列构建m个灰色模型,分别辨识m个灰色模型参数获得m个求解公式,利用求解公式得到m组原始样本序列的模拟负荷功率数据和预测日的负荷功率预测数据;
步骤5:建立如图2所示的三层BP神经网络模型,将m个灰色模型得到的m组原始样本序列的模拟负荷功率数据作为BP神经网络的训练样本,将m组准平滑序列或者满足准平滑条件的m组原始样本序列作为输出,对三层BP神经网络进行训练,得到训练好的BP神经网络;
步骤6:将灰色模型得到的预测日的负荷功率预测数据输入到训练好的BP神经网络中,得到的输出即为预测日的主动配电网的负荷功率预测值。
所述步骤4中的灰色模型指对系统行为特征值的发展变化的预测,对既含有已知信息又含有不确定信息的系统进行的预测,也就是对在一定范围内变化的、与时间序列有关的灰过程进行预测。本发明灰色模型构建方法如下:
①建立灰色模型GM(1,1):
首先将长度为n的准平滑序列Xs作为原始数据序列X(0),对原始数据序列X(0)进行一次累加操作,生成一次累加序列X(1):
其中,X(0)(j)为原始数据序列X(0)中第j个元素,X(1)(t)表示生成一次累加序列X(1)中第t个元素,t=1~n,j=1~t,X(0)(t)表示原始数据序列X(0)中第t个元素,X(1)(t-1)表示生成一次累加序列X(1)中第t-1个元素;
对一次累加序列X(1)可建立下述白化形式的的微分方程,即灰色模型GM(1,1):
a和u为灰色模型参数。
上述灰色模型的解为:
式中,表示灰色模型的解中第t个元素,t=1~n,X(0)(1)表示原始数据序列X(0)的第一个元素。
公式(6)可作为求解公式求解模拟负荷功率数据与预测负荷功率数据,将t=1,2,…,n代入公式(6)可获得原始数据序列的模拟负荷功率数据,将t=n+1,n+2,…,2n代入公式(6)可获得未来n个时刻的负荷功率预测数据。
②辨识灰色模型中的参数a和u;
记参数序列为可用下式求解:
式中:
Yn=[X(0)(2),X(0)(3),...,X(0)(n)]T (9)
③还原预测值,将灰色模型参数辨识所得的a,u代入公式(6),获得进行模拟数据与预测数据的求解公式;
将t=1~2n代入求解公式(6)计算,获得原始数据序列的模拟负荷功率数据与预测负荷功率数据
由于求解公式(6)得到的是模拟负荷功率数据与预测负荷功率数据的一次累加量,必须将所得数据经过逆生成,即一次累减生成还原为原始样本序列模拟负荷功率数据与预测负荷功率数据
其中为原始样本序列的模拟负荷功率数据,为未来n个时刻的预测负荷功率数据。
综上所述,本发明使用灰色神经网络组合模型对负荷功率进行预测,模型非线性映射能力强。考虑到负荷功率的波动性,对不满足灰色模型建立条件的原始负荷序列进行平滑处理,增强了预测模型的鲁棒性,提高了预测精度,适用于处理变化较大的主动配电网数据。预测结果可为主动配电网调度提供决策信息,对保证电网安全运行具有重要意义。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种主动配电网的负荷功率预测方法,其特征在于:包括步骤:
步骤1:提取主动配电网历史负荷功率序列,得到m组长度为n的原始样本序列X1~Xm;
步骤2:判断原始样本序列是否为准平滑序列,若满足准平滑条件,则为准平滑序列;
步骤3:若不满足准平滑条件则对每组原始样本序列进行平滑化,最终得到m组准平滑序列;
步骤4:利用m组准平滑序列或者满足准平滑条件的m组原始样本序列构建m个灰色模型,分别辨识m个灰色模型参数获得m个求解公式,利用求解公式得到m组原始样本序列的模拟负荷功率数据和预测日的负荷功率预测数据;
步骤5:建立三层BP神经网络模型,将m个灰色模型得到的m组原始样本序列的模拟负荷功率数据作为BP神经网络的训练样本,将m组准平滑序列或者满足准平滑条件的m组原始样本序列作为输出,对三层BP神经网络进行训练,得到训练好的BP神经网络;
步骤6:将灰色模型得到的预测日的负荷功率预测数据输入到训练好的BP神经网络中,得到的输出即为预测日的主动配电网的负荷功率预测值。
2.根据权利要求1所述的一种主动配电网的负荷功率预测方法,其特征是:所述步骤1具体为:
选取与预测时段日的季节特征相同、温度特征相似的负荷功率历史数据,以周为单位划分为m周,根据所需进行负荷功率预测的时间间隔,得到预测点个数n,提取负荷功率历史数据,得到m组长度为n的原始样本序列X1~Xm,每组原始样本序列是在时间跨度上与预测时段相同、处于预测时段之前的负荷功率历史数据。
3.根据权利要求1所述的一种主动配电网的负荷功率预测方法,其特征是:所述步骤2中,准平滑条件具体内容如下:
定义平滑比Pk衡量原始样本序列的平稳性:
若满足下面准平滑条件,则为准平滑序列:
其中,xk表示分为m组后的原始样本序列中的第k个元素,k=2~n,xi是累加过程中原始样本序列的第i个元素,i=1~k-1,δ是平滑率。
4.根据权利要求1所述的一种主动配电网的负荷功率预测方法,其特征是:所述步骤3中,对每组原始样本序列进行平滑化,具体为:
其中,xsk为准平滑序列Xs的第k个元素,Xs为对每组原始样本序列进行平滑化得到准平滑序列,xsn为准平滑序列Xs的第n个元素,xs1为准平滑序列Xs的第1个元素,x1为分为m组后的原始样本序列中的第1个元素,xn为分为m组后的原始样本序列中的第n个元素。
5.根据权利要求4所述的一种主动配电网的负荷功率预测方法,其特征是:所述步骤4中,灰色模型建立方法如下所示:
①建立灰色模型GM(1,1):
首先将长度为n的准平滑序列Xs作为原始数据序列X(0),对原始数据序列X(0)进行一次累加操作,生成一次累加序列X(1):
其中,X(0)(j)为原始数据序列X(0)中第j个元素,X(1)(t)表示生成一次累加序列X(1)中第t个元素,t=1~n,j=1~t,X(0)(t)表示原始数据序列X(0)中第t个元素,X(1)(t-1)表示生成一次累加序列X(1)中第t-1个元素;
对一次累加序列X(1)建立下述白化形式的的微分方程,即灰色模型GM(1,1):
a和u为灰色模型参数;
上述灰色模型的解为:
式中,表示灰色模型的解中第t个元素,t=1~n,X(0)(1)表示原始数据序列X(0)的第一个元素;
②辨识灰色模型中的参数a和u;
记参数序列为可用下式求解:
式中:
Yn=[X(0)(2),X(0)(3),...,X(0)(n)]T (9)
③还原预测值,将灰色模型参数辨识所得的a,u代入公式(6),获得进行模拟数据与预测数据的求解公式;将t=1~2n代入求解公式(6)计算,获得原始数据序列的模拟负荷功率数据与预测负荷功率数据
6.根据权利要求5所述的一种主动配电网的负荷功率预测方法,其特征是:将所得数据经过逆生成,即一次累减生成还原为原始样本序列模拟负荷功率数据与预测负荷功率数据
其中为原始样本序列的模拟负荷功率数据,为未来n个时刻的预测负荷功率数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635283.5A CN109063889A (zh) | 2018-06-20 | 2018-06-20 | 一种主动配电网的负荷功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810635283.5A CN109063889A (zh) | 2018-06-20 | 2018-06-20 | 一种主动配电网的负荷功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063889A true CN109063889A (zh) | 2018-12-21 |
Family
ID=64820663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810635283.5A Pending CN109063889A (zh) | 2018-06-20 | 2018-06-20 | 一种主动配电网的负荷功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063889A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113316A (zh) * | 2020-09-18 | 2020-12-22 | 国网辽宁省电力有限公司电力科学研究院 | 一种空调负荷提取的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN103778486A (zh) * | 2014-02-28 | 2014-05-07 | 国家电网公司 | 一种配电网负荷预测方法 |
CN105976057A (zh) * | 2016-05-04 | 2016-09-28 | 三峡大学 | 一种基于改进灰色理论的中长期负荷预测方法 |
CN107239849A (zh) * | 2017-04-17 | 2017-10-10 | 西安电子科技大学 | 一种基于改进的指数平滑灰色模型电力负荷预测方法 |
-
2018
- 2018-06-20 CN CN201810635283.5A patent/CN109063889A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
CN103778486A (zh) * | 2014-02-28 | 2014-05-07 | 国家电网公司 | 一种配电网负荷预测方法 |
CN105976057A (zh) * | 2016-05-04 | 2016-09-28 | 三峡大学 | 一种基于改进灰色理论的中长期负荷预测方法 |
CN107239849A (zh) * | 2017-04-17 | 2017-10-10 | 西安电子科技大学 | 一种基于改进的指数平滑灰色模型电力负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
卢建昌 等: "《基于灰色神经网络组合模型的日最高负荷预测》", 《华东电力》 * |
徐涛 等: "《灰色模型数据序列光滑比的改进及应用》", 《山东工程学院学报》 * |
马洪松: "《基于改进灰色模型的电力负荷预测方法研究及应用》", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113316A (zh) * | 2020-09-18 | 2020-12-22 | 国网辽宁省电力有限公司电力科学研究院 | 一种空调负荷提取的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | A combined model based on multiple seasonal patterns and modified firefly algorithm for electrical load forecasting | |
Song et al. | Short-term load forecasting for the holidays using fuzzy linear regression method | |
CN111489036B (zh) | 基于电器负荷特性和深度学习的居民负荷预测方法、装置 | |
CN109902874A (zh) | 一种基于深度学习的微电网光伏发电短期预测方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN104636822A (zh) | 一种基于elman神经网络的居民负荷预测方法 | |
CN104680339B (zh) | 一种基于实时电价的家用电器调度方法 | |
CN105608333B (zh) | 一种考虑多区域差异的气象敏感电量挖掘方法 | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
Zhaoyu et al. | The application of the PSO based BP network in short-term load forecasting | |
CN112990597B (zh) | 一种工业园区工厂用电负荷的超短期预测方法 | |
CN106355285A (zh) | 一种基于参数修正的用电负荷预测方法 | |
Inage | Development of an advection model for solar forecasting based on ground data first report: Development and verification of a fundamental model | |
CN108053066A (zh) | 工业生产用户能源管理系统中可调电力负荷的预测方法 | |
CN116384583A (zh) | 一种基于多神经网络的光伏功率预测方法 | |
Mellios et al. | A multivariate analysis of the daily water demand of Skiathos Island, Greece, implementing the artificial neuro-fuzzy inference system (ANFIS) | |
Kim et al. | Time-series clustering and forecasting household electricity demand using smart meter data | |
Mishra et al. | Performance evaluation of prophet and STL-ETS methods for load forecasting | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
Şeker | Long term electricity load forecasting based on regional load model using optimization techniques: A case study | |
CN109063889A (zh) | 一种主动配电网的负荷功率预测方法 | |
Biyun et al. | A Reliability Forecasting Method for Distribution Network Based on Data Mining | |
Taieb et al. | Probabilistic time series forecasting with boosted additive models: an application to smart meter data | |
Xypolytou et al. | Short-term electricity consumption forecast with artificial neural networks—A case study of office buildings | |
CN115511218A (zh) | 基于多任务学习与深度学习的间歇型电器负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |