CN109636003A - 一种高预测精度的电力系统短期负荷预测方法 - Google Patents
一种高预测精度的电力系统短期负荷预测方法 Download PDFInfo
- Publication number
- CN109636003A CN109636003A CN201811356210.9A CN201811356210A CN109636003A CN 109636003 A CN109636003 A CN 109636003A CN 201811356210 A CN201811356210 A CN 201811356210A CN 109636003 A CN109636003 A CN 109636003A
- Authority
- CN
- China
- Prior art keywords
- day
- prediction
- factor
- history
- dbn
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 52
- 239000002245 particle Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000019771 cognition Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 28
- 210000002569 neuron Anatomy 0.000 description 11
- 101000742844 Homo sapiens RNA-binding motif protein, Y chromosome, family 1 member A1 Proteins 0.000 description 5
- 102100038040 RNA-binding motif protein, Y chromosome, family 1 member A1 Human genes 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 101001046999 Homo sapiens Kynurenine-oxoglutarate transaminase 3 Proteins 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 230000008555 neuronal activation Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 230000003442 weekly effect Effects 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于电力系统负荷预测领域的一种高预测精度的电力系统短期负荷预测方法。该方法是一种基于相似日法和PSO‑DBN的电力系统短期负荷预测方法，包括步骤：提供相似日选取方法，根据日期距离远近、星期类型和气象特征计算相似度，根据相似度的大小筛选相似日；以及构建深度信念网络DBN预测模型，用相似日负荷代替传统的历史日负荷作为部分输入量；并利用粒子群PSO优化DBN算法，优化权重系数，减少算法受初值的影响程度和迭代次数。本发明方法在预测过程中具有很好的预测精度，非常适宜于实际工程应用。解决了模型构造上存在太多人为决定的因素，至少提供一种有用的商业选择，具有良好的工程应用价值。
Description
技术领域
本发明属于电力系统负荷预测领域，特别涉及一种高预测精度的电力系统短期负荷预测方法。
背景技术
短期电力负荷预测是指从电力负荷历史数据及其影响因素数据出发，运用某种数学方法去推测未来几天或几小时的电力负荷需求情况，对电力系统的运行、控制和计划都有着非常重要的影响。因此，有必要对短期负荷预测进行研究，提高负荷预测精度与可靠性，满足工程技术要求。
已有的负荷预测方法可以概括为以数理统计学为基础的传统预测方法和以人工智能为基础的现代预测方法。传统的短期负荷预测方法是以时间序列预测原理为基础建立起来的预测方法，以自回归方法、自回归滑动平均方法、累积式自回归滑动平均方法等为代表。该类方法具有所需数据少、模型简单且应用广泛的特点，但其对原始时间序列的平稳性要求较高，预测误差较大。人工智能方法主要包括模糊逻辑方法、人工神经网络方法、粒子群法和支持向量机法等。神经网络负荷预测模型，能够同时考虑多种输入影响因素，但网络结构和参数设置会对模型性能产生很大影响，制约了神经网络的应用。支持向量机预测模型与人工神经网络方法相比不存在容易陷入局部最优等问题，并且提高了泛化能力。但是，模型构造上存在太多人为决定的因素，不利于预测精度和速度的进一步提高。
发明内容
本发明的目的是提出一种高预测精度的电力系统短期负荷预测方法，其特征在于，该方法是基于相似日法和PSO-DBN的电力系统短期负荷预测方法(Short-term loadforecasting method for power system based on similar day method and PSO-DBN)，包括如下步骤：
步骤A.提供相似日选取方法，根据相似度大小选取相似日；
步骤B.构建深度信念网络(deep belief networkDBN)预测模型，用相似日负荷代替传统的历史日负荷作为部分输入量。
步骤C.利用粒子群(particle swarm optimizationPSO)算法优化DBN算法。
所述步骤A包括：
步骤A1：将影响电力系统日负荷的各因素构成一个日特征向量,用以描述该日的特征；选取日期差距、星期类型、气象因素作为日特征向量；其中，气象因素包括温度、降雨量和日相对湿度；
步骤A2：将日特征向量分成三类，时间因子、星期因子和气象因子，然后通过关联度计算时间因子、星期因子和气象因子匹配系数，通过相乘得出总相似度，即综合匹配系数；
时间因子匹配系数τi(t)表示预测日与历史日在时间因素上的相似程度，由下式进行计算：式中，mod是取余函数；t是第i个历史日距离预测日的天数；int是取整运算；Si是一个0、1变量，当第i个历史日与预测日为同一节假日时，Si取值1，否则取值为0；β1，β2是衰减系数，取值范围为0.90～0.98，分别表示历史日与预测日的距离每增加一天、一周和一年的相似缩减比例；N1，N2是常数，N1，N2的取值为一周的天数7；星期因子匹配系数是表示历史日与预测日在星期类型上的相似程度，将第i个历史日与预测日的星期因子匹配系数αi定义为αi＝1-|f(Xi)-f(X0)|，式中，Xi，X0分别是第i个历史日和预测日的星期类型，取值为1、2、3、4、5、6、7；)f(Xi)，f(X0)为Xi、X0映射后的值；气象因子匹配系数是表示预测日与历史日在气象上的相似程度，设Qi(i＝1,…,n)，Q0分别为历史日与预测日的气象因素特征向量，预测日的气象因素特征向量Q0＝(Q0(1),…,Q0(m))，m为气象因素的个数，m＝5；预测日与第i个历史日在第k个特征的差异Δi(k)为Δi(k)＝|Qi(k)-Q0(k)|，则预测日与第i个历史日在第k个特征的的关联系数δi(k)为式中，为第一级最小差，表示在第i个历史日中，找与预测日差异最小的特征值；为第二级最小差，表示所有历史日中差异最小的特征值；ρ是一个介于0与1之间的常数，取ρ＝0.5；综合各个特征的关联系数，得到预测日与第i个历史日的气象因子匹配系数为综合考虑上述的匹配系数，采用相乘的方法，得到第i个历史日与预测日的综合匹配系数Fi：Fi＝τiαiχi。
所述步骤B包括：运用DBN进行预测时，需要先对其网络结构进行训练，训练过程包括预训练和反向微调，首先，预训练过程单独对每一层RBM训练，并保证特征向量到下一层时保留尽可能多的特征信息；然后，通过BP网络反向传播算法对参数进行微调，使模型收敛到最优点；基于DBN方法的短期负荷预测结构模型的输入层包括按相似度从高到低排列的相似日负荷、预测日气象特征和日期类型。
所述步骤C包括：采用改进的粒子群算法求解DBN模型连接权重，采用使得PSO在进化后期增强局部寻优能力，式中，Cmax、Cmin分别为第k次迭代的惯性权重、加速因子值；T为迭代次数；适应度函数定义为以发挥粒子自身搜索能力及所有粒子群体认知能力；式中：N、m分别为样本数量和观测数据维数；pij、tij分别为第i个样本第j维观测数据的重构值和真实值。
本发明的有益效果是本发明方法在预测过程中具有很好的预测精度，非常适宜于实际工程应用。本发明至少在一定程度上解决了现有技术中模型构造上存在太多人为决定的因素，不利于预测精度和速度的进一步提高的问题；至少提供一种有用的商业选择。
附图说明
图1为配电网双时间尺度状态估计方法流程图。
图2为短期负荷预测的DBN模型。
图3为PSO-DBN对一天的负荷的预测结果的误差。
具体实施方式
本发明提出一种高预测精度的电力系统短期负荷预测方法，该方法是基于相似日法和PSO-DBN的电力系统短期负荷预测方法(Short-term load forecasting method forpower system based on similar day method and PSO-DBN)，下面结合附图详细描述本发明。
图1所示为配电网双时间尺度状态估计方法流程图，图中所示电力系统短期负荷预测方法包括下列步骤：
步骤A.提供相似日选取方法，根据相似度大小选取相似日；
步骤B.构建深度信念网络预测模型，用相似日负荷代替传统的历史日负荷作为部分输入量。
步骤C.利用PSO算法优化DBN算法。
所述步骤A具体包括：
选取日期差距、星期类型、气象因素作为日特征向量。气象因素包括温度、降雨量和日相对湿度。
日期差距就是指历史日与预测日之间相距的天数。一般来说，电力负荷具有连续性特性，在不考虑其它因素的情况下，日期差距越小，即历史日距离预测日越近，其负荷特性与预测日的负荷特性往往越接近。
负荷具有周周期性特性，即负荷在一周内的变化中体现出一定的规律性。考虑到负荷在周一到周日具有不同的负荷特性，引入星期类型的影响因素。
气象因素主要包括温度、降雨量和日相对湿度。一般而言，温度包含日最高温度、日最低温度以及日平均温度。它们对短期负荷的影响较大。除了温度对负荷的影响较大之外，降雨量对负荷的变化也起着不可忽视的作用。降雨可能导致负荷升高或降低,根据气温、是否具有较多小水电等外部环境而定；而且,同样大小的降雨量,降雨强度和起始时间不同,对负荷的影响程度也不同。湿度对负荷水平的影响主要体现在夏季。
将日特征向量分成三类，时间因子、星期因子和气象因子，然后通过关联度计算时间因子、星期因子和气象因子匹配系数，通过相乘得出总相似度，即综合匹配系数。
时间因子匹配系数τi(t)表示预测日与历史日在时间因素上的相似程度，计算方法为：式中，mod是取余函数；t是第i个历史日距离预测日的天数；int是取整运算；Si是一个0、1变量，当第i个历史日与预测日为同一节假日时，Si取值1，否则取值为0；β1，β2是衰减系数，一般取值0.90～0.98，分别表示历史日与预测日的距离每增加一天、一周和一年的相似缩减比例；N1，N2是常数，N1，N2的取值为一周的天数7。星期因子匹配系数是表示历史日与预测日在星期类型上的相似程度，将第i个历史日与预测日的星期因子匹配系数αi定义为αi＝1-|f(Xi)-f(X0)|，式中，Xi，X0分别是第i个历史日和预测日的星期类型，取值为1、2、3、4、5、6、7；)f(Xi)，f(X0)为Xi、X0映射后的值。气象因子匹配系数是表示预测日与历史日在气象上的相似程度。设Qi(i＝1,…,n)，Q0分别为历史日与预测日的气象因素特征向量，预测日的气象因素特征向量Q0＝(Q0(1),…,Q0(m))，m为气象因素的个数(m＝5)预测日与第i个历史日在第k个特征的差异Δi(k)为Δi(k)＝|Qi(k)-Q0(k)|，则预测日与第i个历史日在第k个特征的的关联系数δi(k)为式中，为第一级最小差，表示在第i个历史日中，找与预测日差异最小的特征值；为第二级最小差，表示所有历史日中差异最小的特征值；ρ是一个介于0与1之间的常数，一般取ρ＝0.5。综合各个特征的关联系数，得到预测日与第i个历史日的气象因子匹配系数为综合考虑上述的匹配系数，采用相乘的方法，得到第i个历史日与预测日的综合匹配系数Fi：Fi＝τiαiχi。
所述步骤B构建深度信念网络预测模型，运用DBN进行预测时，需要先对其网络结构进行训练。训练过程包括预训练和反向微调。首先，预训练过程单独对每一层RBM训练，并保证特征向量到下一层时保留尽可能多的特征信息。预训练过程可以为DBN网络提供良好的权重初值。然后，通过BP网络反向传播算法对参数进行微调，使模型收敛到最优点。
基于DBN方法的短期负荷预测结构模型如图2所示，输入层包括按相似度从高到低排列的相似日负荷、预测日气象特征和日期类型。
图2为由3层RBM组成的网络结构，单个RBM(如RBM1)是由一个可见层和一个隐含层构成的对称、无自反馈的随机神经网络模型，层内神经元无连接，层间神经元通过权重全连接。V1为连接观测数据的可见层，H1为隐含层，用于提取输入数据有效特征，W1为可见层与隐含层的连接权重。网络中神经元只有未激活、激活两种状态，通常用二进制0和1表示。RBM是一种基于能量的模型，用vI表示可见层神经元I的状态，对应偏置值为aI，用hJ表示隐含层神经元J的状态，对应的偏置值为bJ，神经元I和J连接权重为wIJ，状态(v,h)确定的RBM系统所具有的能量可表示为
式中，θ＝(wIJ,aI,bJ)为RBM参数；N、M分别为可见层与隐含层神经元数量。
由能量函数，可得(v,h)的联合分布概率为
式中，为归一化因子。
对于数量为N0的训练样本，参数θ通过学习样本的最大对数似然函数得到，即
式中，为观测数据V的似然函数。
训练过程中，由于归一化因子Z(θ)计算复杂，一般采用Gibbs等采样方法近似获得。由于RBM层内各神经元激活状态之间是相互独立的，因此，根据可见层神经元状态计算隐含层第J个神经元，激活概率为
由隐含层重建可见层第I个神经元，激活概率为
从而，用随机梯度上升法求解对数似然函数最大值，各参数变化量计算准则为
式中，<·>data为原始观测数据模型定义的分布；<·>recon为重构后模型定义的分布。
考虑学习率ε的参数更新准则为
步骤C.利用PSO算法优化DBN算法。
采用改进的粒子群算法求解DBN模型连接权重，采用使得PSO在进化后期增强局部寻优能力，式中，Cmax、Cmin分别为第k次迭代的惯性权重、加速因子值；T为迭代次数。适应度函数定义为可以发挥粒子自身搜索能力及所有粒子群体认知能力。式中：N、m分别为样本数量和观测数据维数；pij、tij分别为第i个样本第j维观测数据的重构值和真实值。
下面结合具体实施例进行进一步的阐释。
根据某地区从2009年1月1日至2015年1月3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2012年1月1日至2015年1月17日的气象因素数据(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)预测2015年1月11日到1月17日的负荷，验证本文所提方法的有效性。
1.相似日筛选结果
通过matlab分析计算相似度，得出综合匹配系数，分别筛选出该地区1月11日到1月17日的5个综合匹配系数最高的相似日,如表1所示。
表1 相似日筛选结果
从表1中可以看出相似日与预测日的相似度和日期距离远近还有星期类型因素关系明显。有些相似日与预测日并不是同一星期类型，可能是气象情况相似度高。
2.预测结果
继续采用PSO-DBN法对系统负荷进行预测。根据上节得出的相似日负荷序列建立预测模型。输入变量共11个，设为{x1,x2,…,x5,x6,…,x10,x11}，其中{x1,x2,…,x5}为筛选出的相似度最高的按相似度从高到低排列的5个相似日的日负荷；{x6,x7,…,x10}为预测日当天的气象特征，分别是日最高温度、日最低温度、日平均温度、降雨量及日相对湿度，x11为星期类型。采用PSO-DBN法建立预测模型，建立由RBM1和RBM2组成的双隐含层DBN网络结构，其结构参数为11-6-6-1，即可见层神经元数量为11，RBM1隐含层神经元数量为6，RBM2隐含层神经元数量为6，DBN输出层神经元数量为1；RBM学习率设置为0.01，迭代1000次。PSO-DBN模型粒子群算法初始参数设置为：种群规模为50。为了直观的分析一天中所有时刻点(每15分钟测量一个采样点，共96个)的精度，我们随机选取其中一天(2015年1月16日)作出了它的预测曲线与实际日负荷曲线(如图3所示)，通过图3可以看出，预测曲线与实际日负荷曲线很接近，PSO-DBN法具有很好的预测性能。对1月11日到1月17日这一个星期的负荷的预测结果的误差进行统计，结果如表3。进一步说明了本文方法的有效性。
表2 PSO-DBN对一个星期的负荷的预测结果的误差
| 预测日 | 预测误差/％ | 单点时刻预测最高误差/％ |
| 20150111 | 1.37 | 2.00 |
| 20150112 | 1.39 | 1.84 |
| 20150113 | 2.31 | 3.04 |
| 20150114 | 1.56 | 1.91 |
| 20150115 | 1.98 | 2.78 |
| 20150116 | 1.07 | 1.57 |
| 20150117 | 1.54 | 2.10 |
Claims (4)
1.一种高预测精度的电力系统短期负荷预测方法，其特征在于，该方法是基于相似日法和PSO-DBN的电力系统短期负荷预测方法，包括如下步骤：
步骤A.提供相似日选取方法，根据相似度大小选取相似日；
步骤B.构建深度信念网络(DBN)预测模型，用相似日负荷代替传统的历史日负荷作为部分输入量；
步骤C.利用粒子群PSO算法优化DBN算法。
2.根据权利要求1所述一种高预测精度的电力系统短期负荷预测方法，其特征在于，所述步骤A包括：
步骤A1：将影响电力系统日负荷的各因素构成一个日特征向量,用以描述该日的特征；选取日期差距、星期类型、气象因素作为日特征向量；其中，气象因素包括温度、降雨量和日相对湿度；
步骤A2：将日特征向量分成三类，时间因子、星期因子和气象因子，然后通过关联度计算时间因子、星期因子和气象因子匹配系数，通过相乘得出总相似度，即综合匹配系数；
时间因子匹配系数τi(t)表示预测日与历史日在时间因素上的相似程度，由下式进行计算：式中，mod是取余函数；t是第i个历史日距离预测日的天数；int是取整运算；Si是一个0、1变量，当第i个历史日与预测日为同一节假日时，Si取值1，否则取值为0；β1，β2是衰减系数，取值范围为0.90～0.98，分别表示历史日与预测日的距离每增加一天、一周和一年的相似缩减比例；N1，N2是常数，N1，N2的取值为一周的天数7；星期因子匹配系数是表示历史日与预测日在星期类型上的相似程度，将第i个历史日与预测日的星期因子匹配系数αi定义为αi＝1-|f(Xi)-f(X0)|，式中，Xi，X0分别是第i个历史日和预测日的星期类型，取值为1、2、3、4、5、6、7；)f(Xi)，f(X0)为Xi、X0映射后的值；气象因子匹配系数是表示预测日与历史日在气象上的相似程度，设Qi(i＝1,…,n)，Q0分别为历史日与预测日的气象因素特征向量，预测日的气象因素特征向量Q0＝(Q0(1),…,Q0(m))，m为气象因素的个数，m＝5；预测日与第i个历史日在第k个特征的差异Δi(k)为Δi(k)＝|Qi(k)-Q0(k)|，则预测日与第i个历史日在第k个特征的的关联系数δi(k)为式中，为第一级最小差，表示在第i个历史日中，找与预测日差异最小的特征值；为第二级最小差，表示所有历史日中差异最小的特征值；ρ是一个介于0与1之间的常数，取ρ＝0.5；综合各个特征的关联系数，得到预测日与第i个历史日的气象因子匹配系数为综合考虑上述的匹配系数，采用相乘的方法，得到第i个历史日与预测日的综合匹配系数Fi：Fi＝τiαiχi。
3.根据权利要求1所述一种高预测精度的电力系统短期负荷预测方法，其特征在于，所述步骤B包括：运用DBN进行预测时，需要先对其网络结构进行训练，训练过程包括预训练和反向微调，首先，预训练过程单独对每一层RBM训练，并保证特征向量到下一层时保留尽可能多的特征信息；然后，通过BP网络反向传播算法对参数进行微调，使模型收敛到最优点；基于DBN方法的短期负荷预测结构模型的输入层包括按相似度从高到低排列的相似日负荷、预测日气象特征和日期类型。
4.根据权利要求1所述一种高预测精度的电力系统短期负荷预测方法，其特征在于，所述步骤C包括：采用改进的粒子群算法求解DBN模型连接权重，采用使得PSO在进化后期增强局部寻优能力，式中，Cmax、Cmin分别为第k次迭代的惯性权重、加速因子值；T为迭代次数；适应度函数定义为以发挥粒子自身搜索能力及所有粒子群体认知能力；式中：N、m分别为样本数量和观测数据维数；pij、tij分别为第i个样本第j维观测数据的重构值和真实值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811356210.9A CN109636003A (zh) | 2018-11-14 | 2018-11-14 | 一种高预测精度的电力系统短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811356210.9A CN109636003A (zh) | 2018-11-14 | 2018-11-14 | 一种高预测精度的电力系统短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636003A true CN109636003A (zh) | 2019-04-16 |
Family
ID=66068016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811356210.9A Pending CN109636003A (zh) | 2018-11-14 | 2018-11-14 | 一种高预测精度的电力系统短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636003A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN110263915A (zh) * | 2019-05-31 | 2019-09-20 | 广东工业大学 | 一种基于深度信念网络的风电功率预测方法 |
| CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
| CN111091143A (zh) * | 2019-11-22 | 2020-05-01 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络和K-means聚类的配变重过载预警方法 |
| CN111476441A (zh) * | 2020-05-29 | 2020-07-31 | 南方电网科学研究院有限责任公司 | 一种电动汽车充电设备负荷预测方法及相关装置 |
| CN112001554A (zh) * | 2020-08-26 | 2020-11-27 | 山东德佑电气股份有限公司 | 一种基于参数自适应相似日法的短期负荷预测方法 |
| CN113191574A (zh) * | 2021-05-28 | 2021-07-30 | 上海申瑞继保电气有限公司 | 单一产品生产线的日用电预测方法 |
| CN115249093A (zh) * | 2022-09-01 | 2022-10-28 | 安徽固太新能源有限公司 | 光伏发电量的预测方法、装置、电子设备及存储介质 |
| CN116610911A (zh) * | 2023-07-19 | 2023-08-18 | 南昌工程学院 | 基于贝叶斯高斯张量分解模型的用电数据修复方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
-
2018
- 2018-11-14 CN CN201811356210.9A patent/CN109636003A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘晶等: "基于相似日负荷修正算法的短期负荷预测", 《计算机工程与设计》 * |
| 杨蕊等: "一种短期电力负荷预测方法", 《软件》 * |
| 梁智等: "基于VMD与PSO优化深度信念网络的短期负荷预测", 《电网技术》 * |
| 黎灿兵等: "电力短期负荷预测相似日选取算法", 《电力系统自动化》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110222888A (zh) * | 2019-05-27 | 2019-09-10 | 深圳供电局有限公司 | 一种基于bp神经网络的日平均电力负荷预测方法 |
| CN110263915A (zh) * | 2019-05-31 | 2019-09-20 | 广东工业大学 | 一种基于深度信念网络的风电功率预测方法 |
| CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
| CN111091143A (zh) * | 2019-11-22 | 2020-05-01 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络和K-means聚类的配变重过载预警方法 |
| CN111476441A (zh) * | 2020-05-29 | 2020-07-31 | 南方电网科学研究院有限责任公司 | 一种电动汽车充电设备负荷预测方法及相关装置 |
| CN112001554A (zh) * | 2020-08-26 | 2020-11-27 | 山东德佑电气股份有限公司 | 一种基于参数自适应相似日法的短期负荷预测方法 |
| CN112001554B (zh) * | 2020-08-26 | 2022-08-19 | 山东德佑电气股份有限公司 | 一种基于参数自适应相似日法的短期负荷预测方法 |
| CN113191574A (zh) * | 2021-05-28 | 2021-07-30 | 上海申瑞继保电气有限公司 | 单一产品生产线的日用电预测方法 |
| CN115249093A (zh) * | 2022-09-01 | 2022-10-28 | 安徽固太新能源有限公司 | 光伏发电量的预测方法、装置、电子设备及存储介质 |
| CN116610911A (zh) * | 2023-07-19 | 2023-08-18 | 南昌工程学院 | 基于贝叶斯高斯张量分解模型的用电数据修复方法及系统 |
| CN116610911B (zh) * | 2023-07-19 | 2023-09-19 | 南昌工程学院 | 基于贝叶斯高斯张量分解模型的用电数据修复方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636003A (zh) | 一种高预测精度的电力系统短期负荷预测方法 | |
| Gensler et al. | Deep Learning for solar power forecasting—An approach using AutoEncoder and LSTM Neural Networks | |
| CN109214566B (zh) | 基于长短期记忆网络的风电功率短期预测方法 | |
| CN109802430B (zh) | 一种基于LSTM-Attention网络的风电电网控制方法 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| Duan et al. | A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error | |
| Dong et al. | Wind power prediction based on recurrent neural network with long short-term memory units | |
| 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 | |
| CN107590567A (zh) | 一种基于信息熵聚类和注意力机制的循环神经网络短期负荷预测方法 | |
| CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
| CN109325624A (zh) | 一种基于深度学习的月度电力需求预测方法 | |
| Lin et al. | Temporal convolutional neural networks for solar power forecasting | |
| CN104951836A (zh) | 基于神经网络技术的发帖预测系统 | |
| CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
| Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
| Kumar et al. | Evaporation estimation using artificial neural networks and adaptive Neuro-Fuzzy inference system techniques | |
| CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
| Massaoudi et al. | Performance evaluation of deep recurrent neural networks architectures: Application to PV power forecasting | |
| CN112257847A (zh) | 一种基于CNN和LSTM预测地磁Kp指数的方法 | |
| Zhao et al. | A novel long-term power forecasting based smart grid hybrid energy storage system optimal sizing method considering uncertainties | |
| Nie et al. | CNN-BiLSTM water level prediction method with attention mechanism | |
| Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
| Mathur et al. | Predictive analysis of traditional, deep learning and ensemble learning approach for short-term wind speed forecasting |
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: 20190416 |