CN109636025A - 一种基于支持向量机的配变负载预测方法 - Google Patents

一种基于支持向量机的配变负载预测方法 Download PDF

Info

Publication number
CN109636025A
CN109636025A CN201811482824.1A CN201811482824A CN109636025A CN 109636025 A CN109636025 A CN 109636025A CN 201811482824 A CN201811482824 A CN 201811482824A CN 109636025 A CN109636025 A CN 109636025A
Authority
CN
China
Prior art keywords
data
distribution transformer
overload
heavy
distribution
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
Application number
CN201811482824.1A
Other languages
English (en)
Inventor
高立克
梁朔
秦丽文
陈绍南
周杨珺
李珊
俞小勇
吴丽芳
欧阳健娜
陈千懿
李克文
欧世锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN201811482824.1A priority Critical patent/CN109636025A/zh
Publication of CN109636025A publication Critical patent/CN109636025A/zh
Pending legal-status Critical Current

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (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

本发明配电变压器负载预测技术领域，具体涉及一种基于支持向量机的配变负载预测方法。本发明基于支持向量机算法，对配变历史数据进行训练，生成二分类的分类器，实现对配网重过载情况的预测，即重过载的发生频率达到阈值就判断为非正常，其余为正常，用以指导电网公司对配变设备的检修和运维策略。本发明在传统的训练数据集中，加入了配变重过载频率数据，用以判断重过载是偶发性的还是持续性的，使得数据的维度更加科学。另外，采用机器学习中应用最广泛、准确度最高的二分类算法支持向量机来训练预测模型，能够提高预测配变负载的准确度。

Description

一种基于支持向量机的配变负载预测方法
技术领域
本发明配电变压器负载预测技术领域，具体涉及一种基于支持向量机的配变负载预测方法。
背景技术
在现有的配变重过载的预测方法中，通常都是运用配电变压器的历史数据，建立预测模型，来预测配电变压器在指定地区指定时间重过载的概率，从而指导该地区该时间段的配变的检修和运维工作，优化人力和物资资源配置。这种做法存在以下不足：
1、预测模型的结果分为三类：正常，重载，过载，实际上分类的结果只需要追求正常和不正常两类即可，再多的分类需要获取更多类别的特征数据，采用更复杂的分类算法，会影响算法本身预测的精准度。
2、预测的结果只是配变发生重过载的概率，实际上出现配变重过载的情况时，电网公司是否应该进一步采取动作来响应，没有给出更精准的判断方法。
发明内容
为了解决上述问题，本发明提供了一种基于支持向量机的配变负载预测方法，本发明采用基于支持向量机的二分类法，将配变重过载的情况分为两类，即正常和非正常。支持向量机是目前二分类问题中，运用最成熟、准确度最高的机器学习算法之一，对于提升配变重过载预测的准确率有很大帮助。且在采集历史特征数据进行训练时，加入配变重过载的“频率”特征，即发生重过载的频率达到一定阈值，就采取措施进行控制，如果未达到该阈值，就判断变压器为偶发性过载，无需采取措施进行控制，从而实现了电网公司响应配变重过载策略的优化。具体技术方案如下：
一种基于支持向量机的配变负载预测方法包括以下步骤：
S1：采集并处理影响配变负载的历史数据，具体包括以下步骤：
S11：获取历史数据，所述历史数据包括配变在指定时间段的负荷数据、天气数据、社会事件数据、指定时间段配变发生重过载频率的数据；
S12：对采集到的数据进行处理，设置配变重过载的判断标准以及设置配变重过载情况为“持续”还是“瞬时”的阈值；
S2：采用上述历史数据作为训练样本，采用支持向量机的方法训练配变负载预测分类器，构建预测模型；
S3：根据配变负载预测模型预测配变的负载情况。
优选地，所述步骤S2：具体包括以下步骤：
S21：构建正负两个训练样本集：正样本集包含数据为：历史负荷数据x1，天气数据x2，社会事件数据x3，重过载频率x4，y值为+1，代表正样本，表示配变负载正常的情况；负样本集包含数据为：历史负荷数据x1,天气数据x2,社会事件数a据x3,重过载频率x4,y值为-1，代表负样本，表示配变负载非正常的情况；
S22：设定SVM训练样本的类型参数：训练样本已经大于两个维度，故参数类型选择C_SVC；
S23：选择核函数，选择径向核函数把训练样本映射到高维空间；具体如下：
S24：设置算法终止条件：设定一个最大迭代次数和容许误差的组合，从而控制算法在适当的条件下停止计算；
S25：在高维特征空间中确定最优分类面,得到各样本的支持向量和VC可信度,形成最终的判别函数，构建预测模型。
优选地，所述步骤S11中的天气数据包括温度数据。
优选地，所述所述步骤S11中的社会事件数据包括节假日数据。
优选地，所述步骤S12中设置配变重过载的判断标准具体为：
对于安装配变监测终端的配电变压器，正常运行方式下，以低压侧额定相电流为基准值，统计1天内三相电流的算术平均值超过基准值80％的持续时间，如果干变持续时间超过1小时或者油变持续时间超过2小时，则计对应的配电变压器发生过载1次；如果一个自然月内累计出现10次，则对应的配电变压器重载。
优选地，所述步骤S12中设置配变重过载情况为“持续”还是“瞬时”的阈值具体为：设置基准阈值为12次，低于12次则判定对应的配电变压器为偶发性重过载，高于12次则判定对应的配电变压器为持续性重过载。
本发明的有益效果为：
本发明基于支持向量机算法，对配变历史数据进行训练，生成二分类的分类器，实现对配网重过载情况的预测，即重过载的发生频率达到阈值就判断为非正常，其余为正常，用以指导电网公司对配变设备的检修和运维策略。该方法在传统的训练数据集中，加入了配变重过载频率数据，用以判断重过载是偶发性的还是持续性的，使得数据的维度更加科学，根据判断结果，再提示配网公司采取进一步的行动，可以更有效的指导电网公司对配变的运维及检修工作，提高工作的科学性和成本效益。另外，采用机器学习中应用最广泛、准确度最高的二分类算法支持向量机来训练预测模型，能够提高预测配变负载的准确度。
附图说明
图1为本发明的流程示意图；
图2为本发明中支持向量机的算法思想图形。
具体实施方式
为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：
如图1所示，一种基于支持向量机的配变负载预测方法包括以下步骤：
S1：采集并处理影响配变负载的历史数据，具体包括以下步骤：
S11：获取历史数据，所述历史数据包括配变在指定时间段的负荷数据、天气数据、社会事件数据、指定时间段配变发生重过载频率的数据。其中，天气数据包括温度数据，具体到对应的温度值。社会事件数据包括节假日数据，例如春节、国庆节。
本申请采集的历史数据是2017年10月份至2018年10月份的全年数据，包括平均负荷、重载次数、过载次数、温度、社会事件数据，表1为采集的部分数据示例。
表1历史数据
S12：对采集到的数据进行处理，设置配变重过载的判断标准以及设置配变重过载情况为“持续”还是“瞬时”的阈值：
配变重过载的判断标准为：对于安装配变监测终端的配电变压器，正常运行方式下，以低压侧额定相电流为基准值，统计1天内三相电流的算术平均值超过基准值80％的持续时间，如果干变持续时间超过1小时或者油变持续时间超过2小时，则计对应的配电变压器发生过载1次；如果一个自然月内累计出现10次，则对应的配电变压器重载。
由于本发明只做二类划分，所以将重载和过载的情况合并划分至“非正常”，其余情况均为“正常”。
阈值标准：根据业务规则，设定配变重过载的基准值，结合历史负荷数据，天气数据，社会事件数据，对阈值进行加减，最终得到的阈值就是综合考虑各方面因素的合理阈值。
配变重过载情况为“持续”还是“瞬时”的阈值：设置基准阈值为12次，低于12次则判定对应的配电变压器为偶发性重过载，高于12次则判定对应的配电变压器为持续性重过载。如遇春节假期则减1次，遇高温天气则加1次等。
S2：采用上述历史数据作为训练样本，采用支持向量机的方法训练配变负载预测分类器，构建预测模型。
支持向量机的基本思想是构造一个最优超平面，使正负之间的空白模式最大。在线性可分的情况下，如附图2所示,图中B为两类样本：实心黑点样本和空心白点样本的分类线，A和C分别表示各类中离分类线最近的样本并且平行于分类线的直线，它们之间的距离叫做分类间隔。最优分类面不但要求把两类别准确分开,而且要求分离间隔最大化。不同类别的最优超平面方程为w·x+b＝0。其中x为一组分类样本,即
x＝{(x1,y1),(x2,y2),…,(xk,yk)|x∈Rn,y∈(-1,+1)}。其中k为样本数(k＝1,2,…,m)；Rn为n维空间；w和b为非零常数。
对于线性分类面的求解,也就是满足yi(w·xi+b)≥1时,使‖w‖2/2值最小。这是一个典型的二次规划求解问题。利用拉格朗日函数：
aiyi(wxi+b)-ai＝0； (1)
其中i＝1,2,…,k；ai为拉格朗日乘子；a'i表示拉格朗日乘子的求导，xi为支持向量；此时w为：
对于ai,求解分类目标函数的最大值：
式(3)中，由式(1)得到：
b′＝yi-w′xi； (4)
最终得到最优分类函数为：
式(5)中,b′为分类阈值,求和是只对支持向量进行的。
对于非线性的情况,可以通过非线性变换为高维空间的线性问题,通过非线性映射Φ:Rd→H将样本映射到高维空间H内。在构造H的最优分类面时,仅仅使用了空间点积Φ(xi·xj),没有出现Φ(xi)。
构造一个函数K(xi,xj)＝(xi)·(xj)，则最优分类函数变为：
公式(6)为支持向量机的一般表达式。
Φ从非线性变换到高维空间过程中引入的函数，K(xi,xj)＝Φ(xi)·Φ(xj)称为核函数,本文采用的核函数是径向基核函数：
其中xj为核函数中心，σ为函数的宽度参数，控制了函数的径向作用范围。
步骤S2具体包括以下步骤：
S21：构建正负两个训练样本集：正样本集包含数据为：历史负荷数据x1，天气数据x2，社会事件数据x3，重过载频率x4，y值为+1，代表正样本，表示配变负载正常的情况；负样本集包含数据为：历史负荷数据x1,天气数据x2,社会事件数据x3,重过载频率x4,y值为-1，代表负样本，表示配变负载非正常的情况；表2和表3为构建的样本示例。
表2正样本集数据
x1 x2 x3 x4(次/月) y
24.85199928 25 国庆假期 5 +1
24.24600029 6 元旦假期 1 +1
22.61849976 5 春节 1 +1
20.96249962 22 五一假期 2 +1
22.51650047 29 无 1 +1
33.69150162 30 无 2 +1
34.81349945 27 中秋假期 11 +1
表3负样本集数据
S22：设定SVM训练样本的类型参数：训练样本已经大于两个维度，故参数类型选择C_SVC；该参数类型的重要特征是可以处理非完美分类的问题，即训练数据不可以被线性分割，包括线性可分割和不可分割。
S23：选择核函数，选择径向基核函数把训练样本映射到高维空间；具体如下：
S24：设置算法终止条件：设定一个最大迭代次数和容许误差的组合，从而控制算法在适当的条件下停止计算；本实施例设置的最大迭代次数为算法默认的15000次，该迭代次数适合解决本文数据集规模大小的训练过程，容许误差为0.01。
S25：在高维特征空间中确定最优分类面,得到各样本的支持向量和VC可信度,形成最终的判别函数，构建预测模型如下：
VC可信度是指分类函数能将k个样本按照2k种形式分开，这里的VC可信度的值就是k。
S3：根据配变负载预测模型预测配变的负载情况：
把需要预测的配变的用电负荷、天气数据、社会事件数据输入到训练好的支持向量机预测模型中，具体如表4和表5所示，预测结果如表6所示，预测出该配变的负载情况是正常或者非正常，如果是非正常，则电网公司需要对该配变提前做动作来进行保护。
表4测试正样本集数据
表5测试负样本集数据
x1 x2 x3 x4(次/月) y 年份
27.43499947 20 无 14 -1 2017
25.99500084 12 无 11 -1 2017
21.09449959 15 无 11 -1 2017
25.99500084 18 无 11 -1 2017
19.23450089 25 无 11 -1 2017
22.99500084 21 无 13 -1 2017
25.99500084 11 无 14 -1 2016
21.99500084 8 五一假期 12 -1 2016
22.99500084 6 春节假期 12 -1 2016
23.99500084 4 元旦假期 13 -1 2016
24.99500084 13 国庆假期 14 -1 2016
25.99500084 15 中秋假期 13 -1 2016
26.99500084 17 无 12 -1 2016
表6试验数据
经过测试2016年和2017年的正样本和负样本数据，将正负样本的预测结果进行加权平均得到两年的准确率，再算术平均得到最终的准确率为78.5％，准确率较高，证明本申请提供的方法具备实用性。
本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于支持向量机的配变负载预测方法，其特征在于：包括以下步骤：
S1：采集并处理影响配变负载的历史数据，具体包括以下步骤：
S11：获取历史数据，所述历史数据包括配变在指定时间段的负荷数据、天气数据、社会事件数据、指定时间段配变发生重过载频率的数据；
S12：对采集到的数据进行处理，设置配变重过载的判断标准以及设置配变重过载情况为“持续”还是“瞬时”的阈值；
S2：采用上述历史数据作为训练样本，采用支持向量机的方法训练配变负载预测分类器，构建预测模型；
S3：根据配变负载预测模型预测配变的负载情况。
2.根据权利要求1所述的一种基于支持向量机的配变负载预测方法，其特征在于：所述步骤S2具体包括以下步骤：
S21：构建正负两个训练样本集：正样本集包含数据为：历史负荷数据x1，天气数据x2，社会事件数据x3，重过载频率x4，y值为+1，代表正样本，表示配变负载正常的情况；负样本集包含数据为：历史负荷数据x1,天气数据x2,社会事件数a据x3,重过载频率x4,y值为-1，代表负样本，表示配变负载非正常的情况；
S22：设定SVM训练样本的类型参数：训练样本已经大于两个维度，故参数类型选择C_SVC；
S23：选择核函数，选择径向核函数把训练样本映射到高维空间；具体如下：
S24：设置算法终止条件：设定一个最大迭代次数和容许误差的组合，从而控制算法在适当的条件下停止计算；
S25：在高维特征空间中确定最优分类面,得到各样本的支持向量和VC可信度,形成最终的判别函数，构建预测模型。
3.根据权利要求1所述的一种基于支持向量机的配变负载预测方法，其特征在于：所述步骤S11中的天气数据包括温度数据。
4.根据权利要求1所述的一种基于支持向量机的配变负载预测方法，其特征在于：所述所述步骤S11中的社会事件数据包括节假日数据。
5.根据权利要求1所述的一种基于支持向量机的配变负载预测方法，其特征在于：所述步骤S12中设置配变重过载的判断标准具体为：
对于安装配变监测终端的配电变压器，正常运行方式下，以低压侧额定相电流为基准值，统计1天内三相电流的算术平均值超过基准值80％的持续时间，如果干变持续时间超过1小时或者油变持续时间超过2小时，则计对应的配电变压器发生过载1次；如果一个自然月内累计出现10次，则对应的配电变压器重载。
6.根据权利要求1所述的一种基于支持向量机的配变负载预测方法，其特征在于：所述步骤S12中设置配变重过载情况为“持续”还是“瞬时”的阈值具体为：设置基准阈值为12次，低于12次则判定对应的配电变压器为偶发性重过载，高于12次则判定对应的配电变压器为持续性重过载。
CN201811482824.1A 2018-12-05 2018-12-05 一种基于支持向量机的配变负载预测方法 Pending CN109636025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811482824.1A CN109636025A (zh) 2018-12-05 2018-12-05 一种基于支持向量机的配变负载预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811482824.1A CN109636025A (zh) 2018-12-05 2018-12-05 一种基于支持向量机的配变负载预测方法

Publications (1)

Publication Number Publication Date
CN109636025A true CN109636025A (zh) 2019-04-16

Family

ID=66071360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811482824.1A Pending CN109636025A (zh) 2018-12-05 2018-12-05 一种基于支持向量机的配变负载预测方法

Country Status (1)

Country Link
CN (1) CN109636025A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210682A (zh) * 2019-06-12 2019-09-06 云南电网有限责任公司大理供电局 基于负载数据图像化卷积神经网络的配变重过载预警方法
CN110807550A (zh) * 2019-10-30 2020-02-18 国网上海市电力公司 基于神经网络的配变重过载识别预警方法及终端设备
CN112414462A (zh) * 2020-11-16 2021-02-26 贵州电网有限责任公司 一种变压器负载状况监控中多级异常数据处理方法
CN115640880A (zh) * 2022-09-30 2023-01-24 海南电网有限责任公司 一种基于支持向量机的薄弱环节预警方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101541030A (zh) * 2009-05-06 2009-09-23 华为技术有限公司 基于支持向量机的数据预测方法和设备
US20170011297A1 (en) * 2015-01-06 2017-01-12 Ming Li Power distribution transformer load prediction analysis system
CN108921324A (zh) * 2018-06-05 2018-11-30 国网江苏省电力有限公司南通供电分公司 基于配变聚类的台区短期负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101541030A (zh) * 2009-05-06 2009-09-23 华为技术有限公司 基于支持向量机的数据预测方法和设备
US20170011297A1 (en) * 2015-01-06 2017-01-12 Ming Li Power distribution transformer load prediction analysis system
CN108921324A (zh) * 2018-06-05 2018-11-30 国网江苏省电力有限公司南通供电分公司 基于配变聚类的台区短期负荷预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
张国宾 等: "基于关联分析与机器学习的配网台区重过载预测方法", 《大数据》 *
洪翠 等: "基于振动信号SVM分类的配变故障识别方法", 《仪器仪表学报》 *
程子华: "一种基于支持向量机的电力负载预测算法", 《科技通报》 *
谭琨: "《高光谱遥感影像半监督分类研究》", 31 January 2014 *
赵泽 等: "无线传感器网络通信负载状态识别方法的研究", 《计算机研究与发展》 *
魏晓莹 等: "基于振动信号二维特征向量的配变铁心故障诊断", 《电气技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210682A (zh) * 2019-06-12 2019-09-06 云南电网有限责任公司大理供电局 基于负载数据图像化卷积神经网络的配变重过载预警方法
CN110807550A (zh) * 2019-10-30 2020-02-18 国网上海市电力公司 基于神经网络的配变重过载识别预警方法及终端设备
CN110807550B (zh) * 2019-10-30 2023-11-24 国网上海市电力公司 基于神经网络的配变重过载识别预警方法及终端设备
CN112414462A (zh) * 2020-11-16 2021-02-26 贵州电网有限责任公司 一种变压器负载状况监控中多级异常数据处理方法
CN115640880A (zh) * 2022-09-30 2023-01-24 海南电网有限责任公司 一种基于支持向量机的薄弱环节预警方法

Similar Documents

Publication Publication Date Title
CN109636025A (zh) 一种基于支持向量机的配变负载预测方法
CN110610121B (zh) 基于曲线聚类的小时级源荷功率异常数据辨识与修复方法
CN104809658B (zh) 一种低压配网台区线损的快速分析方法
CN111460001B (zh) 一种配电网理论线损率评估方法及系统
CN105404935A (zh) 一种考虑业扩增量的电力系统月度负荷预测方法
Caraka et al. Hybrid support vector regression in electric load during national holiday season
Mohammadipour et al. Forecast horizon aggregation in integer autoregressive moving average (INARMA) models
CN108334988A (zh) 一种基于svm的短期电网负荷预测方法
CN107591803A (zh) 一种基于需求响应的电力负荷行为预测方法
CN102982383A (zh) 一种基于支持向量机的能源供需预测方法
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN108808657B (zh) 一种电力负荷短期预测方法
KR102051347B1 (ko) 운영지표에 기반한 전기자동차 충전소의 효율적 추천 및 분류 장치 및 방법
JP5831363B2 (ja) 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム
CN113537553A (zh) 一种区域配电网负荷需求混合预测方法
CN107368958A (zh) 基于主成分分析法的大客户价值评价指标权重确定方法
CN112801356A (zh) 一种基于ma-lssvm的电力负荷预测方法
Grabner et al. Statistical load time series analysis for the demand side management
CN110852370A (zh) 基于聚类算法的大工业用户细分方法
CN106548199A (zh) 一种基于需求响应的大用户负荷聚类方法
Wang et al. Application of clustering technique to electricity customer classification for load forecasting
Yang et al. Applying EMD-based neural network to forecast NTD/USD exchange rate
Araujo et al. Hybrid intelligent design of morphological-rank-linear perceptrons for software development cost estimation
CN109193624B (zh) 一种基于改进k均值聚类的负荷分类方法
Li et al. Scheduling strategy of semiconductor production lines with remaining cycle time prediction

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

Application publication date: 20190416

RJ01 Rejection of invention patent application after publication