CN109242169B - 一种面向电力大客户的短期负荷预测方法 - Google Patents
一种面向电力大客户的短期负荷预测方法 Download PDFInfo
- Publication number
- CN109242169B CN109242169B CN201810985306.5A CN201810985306A CN109242169B CN 109242169 B CN109242169 B CN 109242169B CN 201810985306 A CN201810985306 A CN 201810985306A CN 109242169 B CN109242169 B CN 109242169B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- training
- value
- short
- 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 22
- 238000012549 training Methods 0.000 claims abstract description 72
- 230000005611 electricity Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000004566 building material Substances 0.000 claims abstract description 6
- 239000000126 substance Substances 0.000 claims abstract description 6
- 239000004753 textile Substances 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 229910001021 Ferroalloy Inorganic materials 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 abstract description 4
- 238000004880 explosion Methods 0.000 abstract description 4
- 238000013277 forecasting method Methods 0.000 abstract description 4
- 229910000640 Fe alloy Inorganic materials 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical class CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向电力大客户的短期负荷预测方法，它包括对大客户用电负荷数据集进行处理；在大客户用电负荷数据集上添加上天气数据；将包含时间、负荷值和温度值三个维度的数据集转换为标准训练集；根据每个大客户的用电特性，划分为铁合金用电企业类型、建材用电企业类型、化工用电企业类型和纺织业用电企业类型；对每个类型的大客户分别进行负荷预测模型训练；通过训练好的负荷预测模型对对应类型的大客户进行负荷值预测；最后负荷值由各个模型每个相同时间点预测的负荷值进行叠加得到；解决了现有技术针对电力大客户的短期负荷预测采用传统短期负荷预测模型，存在由于梯度消失或梯度爆炸对负荷预测引起干扰，降低了精确度等技术问题。
Description
技术领域
本发明属于电力负荷预测技术，尤其涉及一种面向电力大客户的短期负荷预测方法。
背景技术
随着经济和社会的稳定发展，建设全球能源互联网变得越来越重要。电力大数据的研究是一个对智能电网技术的重要课题。随着从监控数据的数据挖掘，可以有效改善对电力调度控制系统的决策。电力大客户负荷预测对电网规划建设和调度运行管理具有针对性指导意见，在当前配网发展趋势下显得非常重要。
相对稳定可靠的电力大客户短期负荷记录为负荷管理提供了大量的基础数据，这些数据的精确度对负荷预测有着较为显著的影响，进一步对负荷管理的效果有着直接的影响。如果预测结果过剩于实际需求，则会造成用电利用率低，提高发电成本，资源浪费，反之预测结果不能满足实际需求，则会引起供电负荷小甚至拉闸限电影响工业、经济有序的发展，因此对电力大客户短期负荷预测的精确度地把握显得尤为重要；而现有技术没有针对电力大客户的短期负荷预测模型，普遍采用传统短期负荷预测模型来进行负荷预测，采用这些传统的负荷预测方法，存在由于梯度消失或梯度爆炸对负荷预测引起干扰，降低了短期负荷预测的精确度。
发明内容
本发明要解决的技术问题是：提供一种面向电力大客户的短期负荷预测方法，以解决现有技术没有针对电力大客户的短期负荷预测模型，普遍采用传统短期负荷预测模型来进行负荷预测，采用这些传统的负荷预测方法，存在由于梯度消失或梯度爆炸对负荷预测引起干扰，降低了短期负荷预测的精确度等技术问题。
本发明的技术方案是：
一种面向电力大客户的短期负荷预测方法，它包括：
步骤1、对大客户用电负荷数据集进行处理；
步骤2、在大客户用电负荷数据集上添加上天气数据；
步骤3、将包含时间、负荷值和温度值三个维度的数据集转换为标准训练集；
步骤4、根据每个大客户的用电特性，划分为铁合金用电企业类型、建材用电企业类型、化工用电企业类型和纺织业用电企业类型；
步骤5、对每个类型的大客户分别进行负荷预测模型训练；
步骤6、通过训练好的负荷预测模型对对应类型的大客户进行负荷值预测；最后负荷值由各个模型每个相同时间点预测的负荷值进行叠加得到。
步骤1所述对大客户用电负荷数据集进行处理包括数据清理和数据规范化；大客户用电负荷值数据清理操作包括噪声数据处理和具有遗漏值的数据处理，对于错误数据采取整条删除的方式，对于不完整的缺失数据采取插值法补齐数据；对负荷值数据进行标准化操作，包括最大最小化、小数定标规范化和区域归一化。
步骤2所述天气数据为温度值，温度值的频率和负荷值的采集频率保持一致，并对温度值进行分段和量化处理。
步骤3所述标准训练集为：前k天同一个时间点上的负荷值、温度值数据为训练数据，第k+1天同一个时间点上的负荷数据为训练标签，每天p个时间点为一个子段，总数据集按这个子段进行切分，最终的训练集为四个维度，第一个维度是天数，第二个维度是一天的采集密度个数，第三个维度是前六天同一个时间点的负荷、温度值，第四个维度是第七天同一个时间点所对应负荷值。
步骤5所述对每个类型的大客户分别进行负荷预测模型训练的方法包括：
步骤5.1、取出标准训练集中的m个子段作为输入数据D1，经过一个隐藏层映射到深度神经网络中，IN＝D1×W1+B1,其中W1是输入层的权重，B1为输入层偏置，IN为隐藏层的输出数据；
步骤5.2、取出隐藏层的输出数据IN的一行数据INt作为一个神经元的输入数据；根据上一次历史预测值Ht-1和当前数据INt决定从上一次历史训练记录St-1需要被舍弃的部分，被重新修改后的历史训练记录为SXt，SXt＝St-1×σ(Wf[Ht-1，INt]+bf),Wf为深度神经网络输入选择的权重，其中bf为深度神经网络输入选择的偏置，σ为sigmoid函数，对(Wf[Ht-1，INt]+bf)进行非线性映射得到一个0到1开区间的概率选择函数；
步骤5.3、确定好参与此次神经网络训练的历史记录数据SXt后，根据参与此训练的当前数据INt和上一次预测数据Ht-1确定当前训练记录选择率it，it＝σ(Wi[Ht-1，INt]+bi)，Wi、bi为本次训练记录选择率的权重和偏置；根据选择率it确定当前训练数据SNt中需要被记录到训练历史记录中的数据SHt，SNt＝tanh(Wc[Ht-1，INt]+bc)，式中：tanh为激活函数双曲正切函数，需要记录的数据SHt，SHt＝it×St；
步骤5.4、本次训练的最终训练记录St由上次被删选后的历史记录SXt和本次的训练记录中被选中的内容SHt构成,St＝SXt+SHt；
步骤5.5、基于当前的最终训练记录St得到本次的训练结果Ht，根据输出选择率Ot确定输出结果Ht，Ht＝Ot*tanh(St)；Ot＝σ(Wo[Ht-1，INt]+bo),其中Wo、bo为输出选择率的的权重和偏置；
步骤5.6、对于隐藏层的输出数据IN的每一行数据重新跳转到步骤5.1，得到一个有m个元素的输出结果集合,Hm根据真实值Ym计算损失函数E，
步骤5.7、对于训练集中每m个子段跳入步骤5.1，直至没有子段为止则输出训练好的模型。
步骤5所述通过训练好的负荷预测模型对对应类型的大客户进行负荷值预测的方法为：根据预测时间d日t1时刻的负荷，先选取d日前六日t1时刻的负荷值和天气值进行数据预处理作为输入值，输入训练好的训练模型中，通过训练好的隐藏层与输入层进行加权计算从而得到目标时段的负荷预测值。
本发明有益效果：
本发明根据每个大客户的用电特性，划分为铁合金用电企业类型、建材用电企业类型、化工用电企业类型、纺织业等用电企业类型，并对这些类型逐一进行模型训练。总模型的最后负荷值由子模型每个相同时间点预测的负荷值进行叠加得到。
本发明降低了传统大客户短期负荷预测模型中由于梯度消失或梯度爆炸对负荷预测引起的干扰，提高了短期负荷预测模型的精确度，并由经过客户细分后，分别训练出不同类别的大用户短期负荷预测子模型，由子模型集成得到的大客户短期负荷预测模型具有更高的适应度，降低了因用电大客户受政策、市场影响而造成的波动。
本发明采用基于深度神经网络的回归预测模型可以很好的处理包含时序信息的负荷预测问题，该模型可以充分挖掘负荷数据之间的相关性，从而提高负荷预测的精确度，同时降低所需历史数据的维度大小。在单个类型大客户短期负荷预测的基础上，通过集成各个子模型合成总的大客户负荷预测方法可以进一步提高模型的适应度。由于大客户相对容易受政策市场的影响，这种由子模型集成的大客户短期负荷预测模型可以根据实际现场的需求灵活变更；解决了现有技术没有针对电力大客户的短期负荷预测模型，普遍采用传统短期负荷预测模型来进行负荷预测，采用这些传统的负荷预测方法，存在由于梯度消失或梯度爆炸对负荷预测引起干扰，降低了短期负荷预测的精确度等技术问题。
具体实施方式
本发明一种面向大客户短期负荷预测方法，它包括：
步骤1、大客户负荷数据集的处理：主要包括数据清理和数据规范化。大客户用电负荷值数据清理操作主要包括噪声数据处理和具有遗漏值的数据处理，这些数据会降低短期负荷预测结果的准确性。为了保证数据集的连贯性，对于错误数据采取整条删除的方式，对于不完整的缺失数据采取插值法，采取缺失值附近值的平均值作为补齐数据。为了避免大客户用电负荷值数据集对单位设定的依赖，需要对负荷值数据进行标准化操作，主要包括最大最小化、小数定标规范化和区域归一化。
步骤2、为了提高短期负荷预测的精确度，要在大客户用电负荷数据集的基础上添加上天气数据。影响用电负荷值变化的主要天气数据为温度值，温度值的频率和负荷值的采集频率保持一致，并对温度值进行分段和量化处理。
步骤3、添加温度值后的大客户用电负荷数据集包含时间、负荷值、温度值三个维度。对该数据集进一步处理转换成标准训练集，前k天同一个时间点上的负荷值、温度值等数据为训练数据，第k+1天同一个时间点上的负荷数据为训练标签，每天p个时间点为一个子段，总数据集按这个子段进行切分，最终的训练集为四个维度，第一个维度是天数，第二个维度是一天的采集密度个数，第三个维度是前六天同一个时间点的负荷、温度值，第四个维度是第七天同一个时间点所对应负荷值。
步骤4、根据每个大客户的用电特性，划分为铁合金用电企业类型、建材用电企业类型、化工用电企业类型和纺织业用电企业类型；
步骤5、对每个类型的大客户分别进行负荷预测模型训练；它包括：
S201:取出样本中的m个子段作为输入数据D1，经过一个隐藏层映射到深度神经网络中，IN＝D1×W1+B1,其中W1是输入层的权重，B1为输入层偏置，IN为隐藏层的输出数据。
S202:取出隐藏层的输出数据IN的一行数据为INt作为一个神经元的输入数据。需要根据上一次历史预测值Ht-1(第一次历史预测值为随机初始值)和当前数据数据INt决定从上一次历史训练记录St-1(第一次为随机初始值)需要被舍弃的部分，被重新修改后的历史训练记录SXt，SXt＝St-1×σ(Wf[Ht-1，INt]+bf),其中Wf为深度神经网络输入选择的权重，其中bf为深度神经网络输入选择的偏置，σ为sigmoid函数，对(Wf[Ht-1，INt]+bf)进行非线性映射得到一个0到1开区间的概率选择函数。
S203:确定好参与此次神经网络训练的历史记录数据SXt后，需要根据参与此训练的当前数据数据INt和上一次预测数据Ht-1确定当前训练记录选择率it,it＝σ(Wi[Ht-1，INt]+bi),Wi、bi为本次训练记录选择率的权重和偏置。根据选择率it确定当前训练数据SNt中的哪些部分(SHt)需要被记录到训练历史记录中,SNt＝tanh(Wc[Ht-1，INt]+bc),其中tanh为激活函数双曲正切函数，此次需要记录的内容SHt，SHt＝it×St。
S204:本次训练的最终训练记录St由上次被删选后的历史记录SXt和本次的训练记录中被选中的内容SHt构成,St＝SXt+SHt。
S205:基于当前的最终训练记录St得到本次的训练结果Ht，在得到训练结果Ht
之前要先确定哪些结果被输出，其中选择率Ot用来决定当前哪些部分被输出，Ot＝σ(Wo[Ht-1，INt]+bo),其中Wo、bo为输出选择率的的权重和偏置。根据输出选择率Ot确定输出结果Ht，Ht＝Ot*tanh(St)。
S206:对于隐藏层的输出数据IN的每一行数据为INt重新跳转到S202步骤，得到一个有m个元素的输出结果集合,Hm根据真实值Ym计算损失函数E，
由根据梯度下降法调整神经元权重。
S207:对于训练集中每m个子段跳入S201步骤中，直至没有子段为止则输出训练好的模型M。
步骤6通过训练好的负荷预测模型对对应类型的大客户进行负荷值预测；最后负荷值由各个模型每个相同时间点预测的负荷值进行叠加得到。具体包括：
要预测时间d日t1时刻的负荷，先选取d日前六日t1时刻的负荷值和天气值进行数据预处理作为输入值，输入S207中训练好的训练模型M中，通过训练好的隐藏层与输入层进行加权计算从而得到目标时段的负荷预测值。
根据每个大客户的用电特性，划分为铁合金用电企业类型、建材用电企业类型、化工用电企业类型、纺织业等用电企业类型，并对这些类型逐一建模。总模型的最后负荷值由子模型每个相同时间点预测的负荷值进行叠加得到。
Claims (5)
1.一种面向电力大客户的短期负荷预测方法，它包括：
步骤1、对大客户用电负荷数据集进行处理；
步骤2、在大客户用电负荷数据集上添加上天气数据；
步骤3、将包含时间、负荷值和温度值三个维度的数据集转换为标准训练集；
步骤4、根据每个大客户的用电特性，划分为铁合金用电企业类型、建材用电企业类型、化工用电企业类型和纺织业用电企业类型；
步骤5、对每个类型的大客户分别进行负荷预测模型训练；
步骤5所述对每个类型的大客户分别进行负荷预测模型训练的方法包括：
步骤5.1、取出标准训练集中的m个子段作为输入数据D1，经过一个隐藏层映射到深度神经网络中，IN＝D1×W1+B1,其中W1是输入层的权重，B1为输入层偏置，IN为隐藏层的输出数据；
步骤5.2、取出隐藏层的输出数据IN的一行数据INt作为一个神经元的输入数据；根据上一次历史预测值Ht-1和当前数据INt决定从上一次历史训练记录St-1需要被舍弃的部分，被重新修改后的历史训练记录为SXt，SXt＝St-1×σ(Wf[Ht-1,INt]+bf),Wf为深度神经网络输入选择的权重，其中bf为深度神经网络输入选择的偏置，σ为sigmoid函数，对(Wf[Ht-1,INt]+bf)进行非线性映射得到一个0到1开区间的概率选择函数；
步骤5.3、确定好参与此次神经网络训练的历史记录数据SXt后，根据参与此训练的当前数据INt和上一次预测数据Ht-1确定当前训练记录选择率it，it＝σ(Wi[Ht-1,INt]+bi)，Wi、bi为本次训练记录选择率的权重和偏置；根据选择率it确定当前训练数据SNt中需要被记录到训练历史记录中的数据SHt，SHt＝tanh(Wc[Ht-1,INt]+bc)，式中：tanh为激活函数双曲正切函数，需要记录的数据SHt，SHt＝it×St；
步骤5.4、本次训练的最终训练记录St由上次被删选后的历史记录SXt和本次的训练记录中被选中的内容SHt构成,St＝SXt+SHt；
步骤5.5、基于当前的最终训练记录St得到本次的训练结果Ht，根据输出选择率Ot确定输出结果Ht，Ht＝Ot*tanh(St)；Ot＝σ(WO[Ht-1,INt]+bo),其中WO、bO为输出选择率的权重和偏置；
步骤5.6、对于隐藏层的输出数据IN的每一行数据重新跳转到步骤5.1，得到一个有m个元素的输出结果集合,Hm根据真实值Ym计算损失函数E，
步骤5.7、对于训练集中每m个子段跳入步骤5.1，直至没有子段为止则输出训练好的模型；
步骤6、通过训练好的负荷预测模型对对应类型的大客户进行负荷值预测；最后负荷值由各个模型每个相同时间点预测的负荷值进行叠加得到。
2.根据权利要求1所述的一种面向电力大客户的短期负荷预测方法，其特征在于：步骤1所述对大客户用电负荷数据集进行处理包括数据清理和数据规范化；大客户用电负荷值数据清理操作包括噪声数据处理和具有遗漏值的数据处理，对于错误数据采取整条删除的方式，对于不完整的缺失数据采取插值法补齐数据；对负荷值数据进行标准化操作，包括最大最小化、小数定标规范化和区域归一化。
3.根据权利要求1所述的一种面向电力大客户的短期负荷预测方法，其特征在于：步骤2所述天气数据为温度值，温度值的频率和负荷值的采集频率保持一致，并对温度值进行分段和量化处理。
4.根据权利要求1所述的一种面向电力大客户的短期负荷预测方法，其特征在于：步骤3所述标准训练集为：前k天同一个时间点上的负荷值、温度值数据为训练数据，第k+1天同一个时间点上的负荷数据为训练标签，每天p个时间点为一个子段，总数据集按这个子段进行切分，最终的训练集为四个维度，第一个维度是天数，第二个维度是一天的采集密度个数，第三个维度是前六天同一个时间点的负荷、温度值，第四个维度是第七天同一个时间点所对应负荷值。
5.根据权利要求1所述的一种面向电力大客户的短期负荷预测方法，其特征在于：步骤6所述通过训练好的负荷预测模型对对应类型的大客户进行负荷值预测的方法为：根据预测时间d日t1时刻的负荷，先选取d日前六日t1时刻的负荷值和天气值进行数据预处理作为输入值，输入训练好的训练模型中，通过训练好的隐藏层与输入层进行加权计算从而得到目标时段的负荷预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810985306.5A CN109242169B (zh) | 2018-08-28 | 2018-08-28 | 一种面向电力大客户的短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810985306.5A CN109242169B (zh) | 2018-08-28 | 2018-08-28 | 一种面向电力大客户的短期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109242169A CN109242169A (zh) | 2019-01-18 |
| CN109242169B true CN109242169B (zh) | 2021-11-02 |
Family
ID=65069679
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810985306.5A Active CN109242169B (zh) | 2018-08-28 | 2018-08-28 | 一种面向电力大客户的短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242169B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815060A (zh) * | 2020-07-16 | 2020-10-23 | 广东电网有限责任公司 | 一种用电地区短期负荷预测方法及装置 |
| CN112034302A (zh) * | 2020-07-17 | 2020-12-04 | 贵州电网有限责任公司 | 利用微气象实时监测信息强化架空线路输送安全性的方法 |
| CN113450141B (zh) * | 2021-06-09 | 2023-09-01 | 重庆锦禹云能源科技有限公司 | 一种基于电力大客户群体售电量特征的智能预测方法及装置 |
| CN114118580B (zh) * | 2021-11-29 | 2023-04-07 | 国网山东省电力公司东营供电公司 | 一种电力-环保数据融合分析的黄河流域污染源监测预警方法 |
| CN114970939B (zh) * | 2022-03-14 | 2024-08-20 | 长沙理工大学 | 一种工业企业用电需求短期智能预测方法 |
| CN116205355B (zh) * | 2023-02-22 | 2023-12-01 | 正泰电气股份有限公司 | 电力负荷的预测方法、装置以及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0883075A2 (en) * | 1997-06-05 | 1998-12-09 | Nortel Networks Corporation | A method and apparatus for forecasting future values of a time series |
| 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 |
| CN104794201A (zh) * | 2015-04-22 | 2015-07-22 | 哈尔滨工业大学深圳研究生院 | 一种基于Voronoi图与地标的层次化空间位置描述方法及装置 |
| CN106909727A (zh) * | 2017-02-20 | 2017-06-30 | 武汉理工大学 | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 |
| CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
| CN107478963A (zh) * | 2017-09-30 | 2017-12-15 | 山东海兴电力科技有限公司 | 基于电网大数据的小电流接地系统单相接地故障选线方法 |
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
-
2018
- 2018-08-28 CN CN201810985306.5A patent/CN109242169B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0883075A2 (en) * | 1997-06-05 | 1998-12-09 | Nortel Networks Corporation | A method and apparatus for forecasting future values of a time series |
| 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 |
| CN104794201A (zh) * | 2015-04-22 | 2015-07-22 | 哈尔滨工业大学深圳研究生院 | 一种基于Voronoi图与地标的层次化空间位置描述方法及装置 |
| CN106909727A (zh) * | 2017-02-20 | 2017-06-30 | 武汉理工大学 | 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法 |
| CN107145846A (zh) * | 2017-04-26 | 2017-09-08 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于深度学习的绝缘子识别方法 |
| CN107478963A (zh) * | 2017-09-30 | 2017-12-15 | 山东海兴电力科技有限公司 | 基于电网大数据的小电流接地系统单相接地故障选线方法 |
| CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109242169A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242169B (zh) | 一种面向电力大客户的短期负荷预测方法 | |
| Tan et al. | Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning | |
| Li et al. | Attention-based interpretable neural network for building cooling load prediction | |
| Cui et al. | Research on power load forecasting method based on LSTM model | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN103985000B (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 | |
| WO2015081660A1 (zh) | 一种居民小区短期负荷预测方法 | |
| CN114119273B (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| CN109447332A (zh) | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 | |
| CN112085285A (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
| CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| 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 | |
| CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
| CN113762591A (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 | |
| Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
| CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
| CN109146191B (zh) | 一种基于泛蕴涵模型的短期电力负荷预测方法及系统 | |
| CN111027612A (zh) | 基于加权熵fcm的能源计量数据特征约简方法及装置 | |
| Grandon et al. | Electricity demand forecasting with hybrid statistical and machine learning algorithms: Case study of ukraine | |
| CN107464015B (zh) | 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |