CN109657844A - 电力短期负荷预测方法和装置 - Google Patents
电力短期负荷预测方法和装置 Download PDFInfo
- Publication number
- CN109657844A CN109657844A CN201811433283.3A CN201811433283A CN109657844A CN 109657844 A CN109657844 A CN 109657844A CN 201811433283 A CN201811433283 A CN 201811433283A CN 109657844 A CN109657844 A CN 109657844A
- Authority
- CN
- China
- Prior art keywords
- day
- type
- load
- forecasting
- 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.)
- Granted
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012417 linear regression Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000013136 deep learning model Methods 0.000 claims abstract description 5
- 238000001543 one-way ANOVA Methods 0.000 claims description 13
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000009021 linear effect Effects 0.000 claims 1
- 230000036316 preload Effects 0.000 claims 1
- 230000001373 regressive effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (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
本发明公开了电力短期负荷预测方法和装置，其中方法包括：基于日负荷曲线对历史数据的日类型进行划分；将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入，以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型；基于TensorFlow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证，得到针对不同日类型的短期负荷预测模型。本发明能够依据节假日和日负荷曲线等信息，自动划分日类型；采用多元线性回归模型，综合考虑节假日和天气变化对负荷的影响；在深度学习框架下按日类型自动训练并调优，得到三种短期负荷预测模型，并计算得到较准确的负荷预测值。
Description
技术领域
本发明涉及电力系统负荷预测技术领域，具体而言，涉及一种电力短期负荷预测方法和系统。
背景技术
电力短期负荷预测是电力系统需求侧管理的重要组成之一，与电力系统生产计划、电力调度运行密切相关。电力短期负荷预测需综合考虑电力负荷相关因素,准确的短期负荷预测，对优化资源配置、确保电力供应的安全性、可靠性和经济性有重大意义。
而现有的多数短期负荷预测方法，如采用基于BP神经网络的预测方法等面临特征选择不合理或存在过多冗余特征而导致的预测准确度不高的问题。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种预测精度更高且更符合实际情况的电力短期负荷预测方法和系统。
为解决上述技术问题，本发明采用以下技术方案：
在一个方面，本发明提供了一种电力短期负荷预测方法，包括以下步骤：
步骤一：基于日负荷曲线对历史数据的日类型进行划分；
步骤二：将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入，以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型；
步骤三：基于TensorFlow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证，得到针对不同日类型的短期负荷预测模型；
进一步地，对历史数据的日类型进行划分的方法包括：
采用单因素方差分析方法确定工作日和节假日的日负荷差异，将日类型分别节假日和工作日；
对工作日的每日历史数据，以每15分钟为间隔，取96点日负荷数据曲线作为特征，通过K-means聚类分析方法进行聚类得到针对工作日的日类型划分结果。
优选地，日类型的划分结果为节假日、工作日和临假工作日三种类型。
优选地，选定的特征数据包括日期信息和具体时刻信息以及时刻对应的天气信息以及历史对应时刻的日负荷信息。
在另一方面，本发明提供了电力短期负荷预测装置，包括：
日类型划分模块，用于基于日负荷曲线对历史数据的日类型进行划分；
多源线性回归预测模块，用于将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入，以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型；
TensorFlow深度学习模块，用于基于TensorFlow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证，得到针对不同日类型的短期负荷预测模型。
优选地，所述日类型划分模块还包括单因素方差分析，所述单因素方差分析用于采用单因素方差分析方法确定工作日和节假日的日负荷差异，将节假日作为日类型的一个类别。
优选地，所述日类型划分模块还包括K-means聚类分析模块，所述K-means聚类分析模块用于对工作日的每日历史数据，以每15分钟为间隔，取96点日负荷数据曲线作为特征，通过K-means聚类分析方法进行聚类得到针对工作日的日类型划分结果。
本发明所达到的有益效果：
1、针对工作日和节假日的日负荷差异较大的情况基于日负荷数据进行日类型划分，再在划分后的日类型基础上建立预测模型，使预测准确度提高；
2、发明采用单因素方差分析明确工作日和节假日的日负荷差异较大，将节假日作为日类型的一个类别独立出来，减少了日类型划分的计算量，减少了电力短期负荷预测的计算量、提高了预测的速度；
3、本发明综合考虑节假日和天气变化对负荷的影响，引入了风向、风速、雨量、湿度、气压以及总云量信息作为输入特征，使预测结果更加准确；
4、本发明在TensorFlow深度学习框架下按日类型自动训练并调优，得到针对不同日类型数据的短期负荷预测模型，使负荷预测值更加准确和优化。
附图说明
图1是本发明具体实施例的电力短期负荷预测方法流程图；
图2为是本发明具体实施例的日类型划分方法流程图。
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。
具体实施例：
图1为本发明具体实施例提供的电力短期负荷预测方法流程图，包括以下步骤：
(1)对日期信息、节假日信息、负荷数据和天气信息按照日期信息及具体时刻进行数据融合即采用这些信息构造特征向量，所述特征向量的表示方式见表1，
表1信息特征向量格式
(2)日类型划分，具体可见图2，图2为具体实施例基于日负荷曲线的日类型划分方法流程图，首先利用单因素方差分析(one-way ANOVA)比较工作日和节假日的日负荷。表2为工作日和节假日的单因素方差分析，表2示出了根据统计结果，明确工作日和节假日的日负荷差异较大，因此将日类型分为工作日和节假日。
表2工作日和节假日的单因素方差分析
然后对工作日，以15分钟为间隔将所有工作日对应的96点的日负荷数据曲线作为特征，通过K-means聚类分析方法进行聚类。
最终得到日类型的划分结果。
在具体实施例中，优选地，日类型划分为节假日、正常工作日(周二、周三、周四)和临假工作日(周一、周五)。在其它的实施例中，可以根据实际情况将日类型分为其它若干类型。
(3)基于多元线性回归的电力短期负荷预测方法。
步骤3.1：进行数据预处理，以日期信息(年/月/日)和具体时刻(时/分)为基础，将日期、时刻、日类型、对应时刻天气和负荷信息进行数据融合，形成特征向量，特征向量的表示见表3。
表3多元线性回归模型的特征向量表示
步骤3.2：将步骤3.1中的特征向量视为自变量X，对应特征向量时刻的负荷视为因变量Y，构造多元线性回归模型(multivariable linear regression model)：
Y(X1,X2,…,Xn)＝W1X1+W2X2+…+WnXn+b＝WX+b
其中X＝(X1,X2,…,Xk)为自变量，为W＝(W1,W2,…,Wk)回归系数，b为常数项，n为样本容量。
结合特征向量，可将短期负荷预测表达为如下的多元线性回归方程：
L＝W1·wind_dir+W2·wind_speed+W3·precip+W4·temper+W5·humid+W6·pressure+W7·cloud+W8·load-1+W9·load-2+W10·load-3+W11·load-4+W12·load-5+W13·load-6+W14·load-7+b
定义损失函数为loss＝∑i(Li-L′i)2，其中Li为该时刻的实际负荷值，L′i为对应该时刻通过多元线性回归模型计算得到的预测负荷值；
将训练数据按日类型的不同(节假日、工作日和临假工作日)，分为三个训练数据集，分别进行训练，得到三个短期负荷预测模型。
(4)在深度学习框架下，对节假日、工作日和临假工作日三类数据分别进行多元线性回归模型训练，并采用梯度下降法(gradient descent)进行模型参数调优，构造出三种短期负荷预测模型；
模型检验，按日类型的不同自动将检测数据输入不同的负荷预测模型中，得到相应的短期负荷预测值，然后计算均方根误差RMSE，平均绝对百分误差MAPE，得到短期负荷预测模型的正确率。
步骤4中，本发明采用TensorFlow深度学习框架进行模型训练、调优及模型验证，并用TensorBoard工具自动绘制流程图，其中模型训练、调优流程以及模型验证流程的实现方法都为现有技术，在此不做赘述。利用2017年4月1日至2017年5月31日某地区的短期负荷和天气数据进行训练和测试。表4为不区分日类型与区分日类型后负荷预测的RMSE、MAPE、预测精度的结果比较。可以看出，将日类型进行划分后，负荷预测精度有明显的提高。
表4计算结果比较
| 方法 | RMSE | MAPE | 预测精度 |
| 不区分日类型 | 502.093 | 0.032 | 96.831％ |
| 区分日类型 | 258.894 | 0.014 | 98.585％ |
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.电力短期负荷预测方法，其特征是，包括以下步骤：
步骤一：基于日负荷曲线对历史数据的日类型进行划分；
步骤二：将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入，以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型；
步骤三：基于TensorFlow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证，得到针对不同日类型的短期负荷预测模型。
2.根据权利要求1所述的电力短期负荷预测方法，其特征是，对历史数据的日类型进行划分的方法包括：
采用单因素方差分析方法确定工作日和节假日的日负荷差异，将日类型分别节假日和工作日；
对工作日的每日历史数据，以每15分钟为间隔，取96点日负荷数据曲线作为特征，通过K-means聚类分析方法进行聚类得到针对工作日的日类型划分结果。
3.根据权利要求1所述的电力短期负荷预测方法，其特征是，日类型的划分结果为节假日、工作日和临假工作日三种类型。
4.根据权利要求1所述的电力短期负荷预测方法，其特征是，选定的特征数据包括日期信息和具体时刻信息以及时刻对应的天气信息以及历史对应时刻的日负荷信息。
5.根据权利要求4所述的电力短期负荷预测方法，其特征是，时刻对应的天气信息包括风向、风速、雨量、湿度、气压以及总云量信息。
6.根据权利要求1所述的电力短期负荷预测方法，其特征是，采用梯度下降法对建立的若干多个多元线性回归预测模型参数调优。
7.根据权利要求1所述的电力短期负荷预测方法，其特征是，针对不同日类型的若干多元线性回归预测模型得到的短期负荷的预测值，通过均方根误差RMSE和平均绝对百分误差MAPE两个参数来检验短期负荷预测模型的正确率，
均方根误差RMSE的表达式如下：
平均绝对百分误差MAPE的表达式如下:
其中Li为该时刻的实际负荷值，Li′为对应该时刻通过多元线性回归模型计算得到的预测负荷值，n为检测样本容量。
8.电力短期负荷预测装置，其特征是，包括：
日类型划分模块，用于基于日负荷曲线对历史数据的日类型进行划分；
多源线性回归预测模块，用于将获得的每一个日类型包含的历史日负荷信息及选定的特征数据作为输入，以预测的日负荷值作为输出分别建立针对不同日类型的若干多元线性回归预测模型；
TensorFlow深度学习模块，用于基于TensorFlow深度学习模型对建立的若干多个多元线性回归预测模型进行训练、参数调优和验证，得到针对不同日类型的短期负荷预测模型。
9.根据权利要求8所述的电力短期负荷预测装置，其特征是，所述日类型划分模块还包括单因素方差分析，所述单因素方差分析用于采用单因素方差分析方法确定工作日和节假日的日负荷差异，将日类型分别节假日和工作日。
10.根据权利要求8所述的电力短期负荷预测装置，其特征是，所述日类型划分模块还包括K-means聚类分析模块，所述K-means聚类分析模块用于对工作日的每日历史数据，以每15分钟为间隔，取96点日负荷数据曲线作为特征，通过K-means聚类分析方法进行聚类得到针对工作日的日类型划分结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811433283.3A CN109657844B (zh) | 2018-11-28 | 2018-11-28 | 电力短期负荷预测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811433283.3A CN109657844B (zh) | 2018-11-28 | 2018-11-28 | 电力短期负荷预测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109657844A true CN109657844A (zh) | 2019-04-19 |
| CN109657844B CN109657844B (zh) | 2022-08-16 |
Family
ID=66111709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811433283.3A Active CN109657844B (zh) | 2018-11-28 | 2018-11-28 | 电力短期负荷预测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109657844B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570023A (zh) * | 2019-08-16 | 2019-12-13 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
| CN110689168A (zh) * | 2019-09-03 | 2020-01-14 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
| CN111091232A (zh) * | 2019-11-25 | 2020-05-01 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
| CN111191826A (zh) * | 2019-12-23 | 2020-05-22 | 南京易司拓电力科技股份有限公司 | 一种基于余弦相似度分类的负荷预测方法 |
| CN111275163A (zh) * | 2019-12-17 | 2020-06-12 | 东南大学 | 一种短期负荷预测方法 |
| CN111582548A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种基于多元用户行为画像的用电负荷预测方法 |
| CN111697560A (zh) * | 2020-04-24 | 2020-09-22 | 国家电网有限公司 | 一种基于lstm预测电力系统负荷的方法及系统 |
| CN111985689A (zh) * | 2020-07-17 | 2020-11-24 | 江苏方天电力技术有限公司 | 一种短时负荷预测方法及系统 |
| CN112232559A (zh) * | 2020-10-12 | 2021-01-15 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
| CN112288140A (zh) * | 2020-10-12 | 2021-01-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
| 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 |
| CN112434210A (zh) * | 2020-12-14 | 2021-03-02 | 武汉纺织大学 | 一种服装流行趋势预测系统与方法 |
| CN113408210A (zh) * | 2021-07-12 | 2021-09-17 | 内蒙古电力（集团）有限责任公司乌兰察布电业局 | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 |
| CN113610174A (zh) * | 2021-08-13 | 2021-11-05 | 中南大学 | 基于Phik特征选择的电网主机负载预测方法、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065201A (zh) * | 2012-12-19 | 2013-04-24 | 福建省电力有限公司 | 基于温度及节假日因素的电力用电负荷预测方法 |
| CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| 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 |
| CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
-
2018
- 2018-11-28 CN CN201811433283.3A patent/CN109657844B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103065201A (zh) * | 2012-12-19 | 2013-04-24 | 福建省电力有限公司 | 基于温度及节假日因素的电力用电负荷预测方法 |
| CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正系统 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| 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 |
| CN108491982A (zh) * | 2018-04-09 | 2018-09-04 | 北京中电普华信息技术有限公司 | 一种基于回声状态网络的短期负荷预测方法及系统 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570023A (zh) * | 2019-08-16 | 2019-12-13 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
| CN110570023B (zh) * | 2019-08-16 | 2023-05-16 | 国网天津市电力公司 | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 |
| CN110689168A (zh) * | 2019-09-03 | 2020-01-14 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
| CN110689168B (zh) * | 2019-09-03 | 2024-04-16 | 全球能源互联网研究院有限公司 | 一种用电负荷预测方法及预测装置 |
| CN111091232B (zh) * | 2019-11-25 | 2023-02-03 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
| CN111091232A (zh) * | 2019-11-25 | 2020-05-01 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
| CN111275163A (zh) * | 2019-12-17 | 2020-06-12 | 东南大学 | 一种短期负荷预测方法 |
| CN111275163B (zh) * | 2019-12-17 | 2023-09-05 | 东南大学 | 一种短期负荷预测方法 |
| CN111191826A (zh) * | 2019-12-23 | 2020-05-22 | 南京易司拓电力科技股份有限公司 | 一种基于余弦相似度分类的负荷预测方法 |
| CN111582548A (zh) * | 2020-04-14 | 2020-08-25 | 广东卓维网络有限公司 | 一种基于多元用户行为画像的用电负荷预测方法 |
| CN111697560B (zh) * | 2020-04-24 | 2022-11-08 | 国家电网有限公司 | 一种基于lstm预测电力系统负荷的方法及系统 |
| CN111697560A (zh) * | 2020-04-24 | 2020-09-22 | 国家电网有限公司 | 一种基于lstm预测电力系统负荷的方法及系统 |
| CN111985689A (zh) * | 2020-07-17 | 2020-11-24 | 江苏方天电力技术有限公司 | 一种短时负荷预测方法及系统 |
| CN112288140A (zh) * | 2020-10-12 | 2021-01-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 |
| CN112232559A (zh) * | 2020-10-12 | 2021-01-15 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
| CN112232559B (zh) * | 2020-10-12 | 2023-06-13 | 国网江西省电力有限公司信息通信分公司 | 一种电力区域负荷的短期预测方法及装置 |
| 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 |
| CN112434210A (zh) * | 2020-12-14 | 2021-03-02 | 武汉纺织大学 | 一种服装流行趋势预测系统与方法 |
| CN113408210A (zh) * | 2021-07-12 | 2021-09-17 | 内蒙古电力（集团）有限责任公司乌兰察布电业局 | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 |
| CN113408210B (zh) * | 2021-07-12 | 2023-08-01 | 内蒙古电力(集团)有限责任公司乌兰察布供电分公司 | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 |
| CN113610174A (zh) * | 2021-08-13 | 2021-11-05 | 中南大学 | 基于Phik特征选择的电网主机负载预测方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109657844B (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657844A (zh) | 电力短期负荷预测方法和装置 | |
| CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
| CN109472321B (zh) | 一种面向时间序列型地表水质大数据的预测与评估模型构建方法 | |
| CN113313303A (zh) | 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统 | |
| CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
| CN109272031A (zh) | 一种训练样本生成方法及装置、设备、介质 | |
| CN109034504A (zh) | 一种短期负荷预测模型建立方法及装置 | |
| CN101808339A (zh) | 一种应用k-means和先验知识的话务小区自适应分类方法 | |
| CN110598775B (zh) | 基于模糊聚类和bp神经网络的预测方法、系统及存储介质 | |
| Gilbert et al. | Probabilistic access forecasting for improved offshore operations | |
| CN102088709A (zh) | 基于聚类和arima模型的话务量预测方法 | |
| CN110059952A (zh) | 车险风险评估方法、装置、设备和存储介质 | |
| CN112232535A (zh) | 一种基于监督学习的航班离场平均延误预测方法 | |
| CN109344990A (zh) | 一种基于dfs和svm特征选择的短期负荷预测方法及系统 | |
| CN111401169A (zh) | 基于监控视频信息的供电营业厅服务人员行为识别方法 | |
| CN110782349A (zh) | 一种模型训练方法和系统 | |
| CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
| CN109583086A (zh) | 配电变压器重过载预测方法及终端设备 | |
| CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
| Kim et al. | Extracting baseline electricity usage using gradient tree boosting | |
| KR20220079476A (ko) | 전력소모예측시스템 및 방법 | |
| CN114925938A (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
| CN103324953A (zh) | 视频监控多目标检测与跟踪方法 | |
| CN103106329B (zh) | 一种用于svr短期负荷预测的训练样本分组构造方法 | |
| KR102072901B1 (ko) | 패턴 태깅 기술 기반 전력 데이터 저장 관리 방법 및 시스템 |
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 |