CN109685277A - 用电量预测方法及装置 - Google Patents
用电量预测方法及装置 Download PDFInfo
- Publication number
- CN109685277A CN109685277A CN201811621870.5A CN201811621870A CN109685277A CN 109685277 A CN109685277 A CN 109685277A CN 201811621870 A CN201811621870 A CN 201811621870A CN 109685277 A CN109685277 A CN 109685277A
- Authority
- CN
- China
- Prior art keywords
- parameter
- subparameter
- electricity
- gdp
- electricity consumption
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 142
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000012706 support-vector machine Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 239000002245 particle Substances 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 13
- 238000013508 migration Methods 0.000 claims description 13
- 230000005012 migration Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 6
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 13
- 239000010410 layer Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000000611 regression analysis Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002344 surface layer Substances 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
本申请公开了一种用电量预测方法及装置,该方法包括:获取影响目标区域用电量的关键参数的参数值;将关键参数的参数值输入预测模型中,得到目标区域中用电量的预测值,其中,预测模型通过粒子群算法对支持向量机的参数进行优化后得到。本申请可以提高用电量预测的精度。
Description
技术领域
本申请涉及智能电网技术领域,尤其涉及一种用电量预测方法及装置。
背景技术
智能电网是未来电力系统变革的主要方向,随着建设规模逐渐扩大,智能电网形成了包括生产数据、营销数据,以及相关社会经济数据等在内的电力大数据。建立更加智能化、经济化、环保化、促进低碳发展化的电网也成为全球的共同目标。电力行业的发展也必须紧随智能电网的建设发展,正确的判断和预测未来的用电量变化趋势对于电力企业准确、科学、合理的进行规划,提高电力系统运行的稳定性和经济性具有至关重要的意义。
当前,用电量的预测方法主要可分为两类:一类是数学统计类的传统经典预测方法比如回归分析法、灰色预测法、时间序列法等;另一类是人工智能类的新型预测方法,如神经网络算法、支持向量机法等。下面将对上述方法进行简要介绍:
1、回归分析法
在回归分析法中,回归是指用属性的历史数据预测未来趋势。回归首先假设一些已知类型的函数可以拟合目标数据,然后利用误差分析确定一个与目标数据拟合程度最好的函数。该方法首先利用数理统计原理,对大量的统计数据进行数学处理,并确定用电量与某些自变量例如人口、国民经济产值、产业结构等之间的相关关系,建立一个相关性较好的数学模式即回归方程,并加以外推,用来预测今后的用电量。根据变量的个数,回归分析可以分为一元回归分析和多元回归分析。
但是,在负荷预测问题中,对于回归分析法,必须预先人为给定回归线类型,若给定的不合适将直接影响预测精度。同时对不同的系统由于负荷特点不尽相同,也很难建立起具有通用性的负荷预测模型。回归分析有两个难点:一是回归变量的选取,应选取主要因素而忽略次要因素;二是变量因素的量化涉及到计量经济学的范畴,过于麻烦。
2、灰色预测法
灰色预测法是对既含有已知信息又含有未知或非确定信息的系统进行预测,就是对在一定方位内变化的、与时间有关的灰色过程的预测。尽管过程中所显示的现象是随机的、杂乱无章的,但毕竟是有序的、有界的,因此这一数据集合具备潜在的规律,灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型,预测未来某一时刻的特征量,或达到某一特征量的时间。
对于灰色预测法,其缺点是当数据离散程度较大时,由于数据灰度较大预测精度会较差,所以应用于电力系统中长期负荷预测中,仅仅是最近的几个数据精度较高,其它较远的数据只反映趋势值和规划值。
3、时间序列预测法
时间序列预测法是应用较早、最为广泛、发展比较成熟的一种方法。对时间序列进行分析,就是要根据这些时间序列,较精确地找到相应系统内在统计特性和发展规律性。其基本思想为:时间序列是一组依赖于时间的随机变量,这组随机变量之间具有的依存关系或者相关特性表明了预测对象发展的延续性,将其中所蕴含的自相关特性使用数学模型描述出来,就可以利用时间序列的过去值和现在值来预测其将来的值。该方法根据负荷的历史资料,建立一个数学模型来描述随机变量变化过程的统计规律性,在数学模型的基础上确立用电量预测的数学表达式,对未来的用电量进行预测。
虽然时间序列法比回归法更适用于短期负荷预测,但这种经典方法建模过程比较复杂,因此限制了这种模型在实际短期负荷预测中的有效使用。该方法对历史数据准确性要求高,坏数据对预测影响很大,因此对坏数据处理要求严格;在天气和温度变化不大的时候,该模型容易取得比较满意的结果;当天气变化较大或遇到节假日等情况,这种方法存在较大的预测误差,而且预测步数越长,预测精度越差。
4、神经网络算法
神经网络算法其灵感来源于科学家对大脑行为研究的生理发现,它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。神经网络由输入层、隐含层和输出层形成了三层网络。它有三个基本组成部分:连接权重,线性加权和激活函数。基于反向传播算法提出的神经网络是应用最广的一种多层神经网络,也是常用于负荷预测的一种方法。在预测时,神经网络法利用神经网络可以任意逼进非线性系统的特性,对历史曲线进行拟合。
神经网络算法存在收敛速度慢,计算效率低,计算结果易受初始网络权重和训练样本的影响等缺点,而且神经网络作为一种局部搜索的优化方法,其网络的权值是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败。
5、支持向量机法
支持向量机(SVM)是一种监督学习模型的状态,其适合于分析具有大量预测属性的数据,基本SVM是基于通过找到尽可能远离每个类别中的数据的最优决策边界(最小边界超平面)将数据分类为两个类别。超平面附近的向量是支持向量。因此,基本SVM是非概率的二进制线性分类器。为了处理非线性边界,SVM将数据映射到维度特征空间中,即使没有容易的方式来分离原始维度空间中的点,其中数据点可以被精确地分类或预测。
支持向量机方法较神经网络法有明显的优点,但是也存在参数设置不能符合预测要求,造成预测精度不高等缺点。
由上可见,当前用电量的预测方法均存在一定的不足,导致预测精度较差,无法满足新形势下用电量分析与预测的新要求。
发明内容
本申请实施例提供一种用电量预测方法,用以提高用电量预测的精度,该方法包括:
获取影响目标区域用电量的关键参数的参数值;将关键参数的参数值输入预测模型中,得到目标区域中用电量的预测值,其中,预测模型通过粒子群算法对支持向量机的参数进行优化后得到。
本申请实施例还提供一种用电量预测装置,用以提高用电量预测的精度,该装置包括:
获取模块,用于获取影响目标区域用电量的关键参数的参数值;预测模块,用于将获取模块获取的关键参数的参数值输入预测模型中,得到目标区域中用电量的预测值,其中,预测模型通过粒子群算法对支持向量机的参数进行优化后得到。
本申请实施例中,采用粒子群算法对支持向量机的参数进行优化,得到优化后的支持向量机预测模型,再利用该预测模型对用电量进行预测。由于粒子群算法为寻求全局最优的算法,利用粒子群算法优化参数的支持向量机的预测准确度提升,也就提高了用电量预测的精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的用电量预测方法的流程图;
图2为本申请实施例提供的一种解释结构模型的示意图;
图3为本申请实施例提供的一种评价模型的示意图;
图4为本申请实施例提供的A地区2007年至2017年的用电量预测结果的示意图;
图5为本申请实施例提供的A地区2007年至2017年的用电量预测结果残差图;
图6为本申请实施例提供的分别利用PSO-SVM模型、LS-SVM模型、RBF模型预测的用电量的预测值与实际用电量进行对比的示意图;
图7为本申请实施例提供的PSO-SVM模型、LS-SVM模型、RBF模型预测误差的示意图;
图8为本申请实施例提供的用电量预测装置的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本申请实施例做进一步详细说明。在此,本申请的示意性实施例及其说明用于解释本申请,但并不作为对本申请的限定。
在本申请实施例中利用粒子群算法优化了支持向量机,下面首先对粒子群算法及支持向量机进行简要介绍。
1、粒子群算法(Particle Swarm Optimization,PSO)
粒子群算法是一种基于种群搜索的自适应进化技术,属于进化算法的一种,它从随机解出发,通过迭代寻找最优解,通过适应度来评价解的品质,它比遗传算法规则更为简单。它通过追随当前搜索到的最优值来寻找全局最优。由于粒子群算法本身具有实现简单,参数设置少和收敛速度快等特点,在很多领域都得到了应用。
粒子群算法是一种并行算法。该算法随机产生一个初始种群并赋予每个粒子一个随机速度,在飞行过程中,粒子的速度通过自身以及同伴的飞行经验来动态调整以使整个群体飞向更好的搜索区域。粒子群算法的计算方式是先在可行解空间中随机初始化一群粒子,这群粒子中的每一个都是优化问题的一个可行解,再由目标函数提供出一个确定的适应度值,同时还有一个速度来解决其方向和距离。基础粒子会跟随最优粒子运动,通过逐代搜索的方式得到最优解。在每一代中,粒子通过跟踪两个“极值”来更新自己,一个为粒子本身目前找到的最优解,即个体极值,另一个为全种群目前找到的最优解,即全局极值。假设粒子数目为N1的粒子群在一个D维空间中进行搜索,找到这两个最优值后,粒子在每代中的速度和评价函数位置的计算式为:
上式中,i1用于表示粒子数目,i1=1,2,3,…,N1;d用于表示空间的维数d=1,2,3,…,D;用于表示第i1个粒子在d维空间中的速度;用于表示第i个粒子在d维空间中的位置;用于表示第i个粒子在d维空间中的个体极值;pgd用于表示d维空间中粒子全种群的全局极值;ω1用于表示惯性因子,其为非负数;c1、c2用于表示加速常数,为非负数;r1、r2用于表示在[0,1]范围内变换的随机数;α用于表示约束因子,用于控制速度的权重;k1用于表示第k1次循环。
2、支持向量机(Support Vector Machine,SVM)
支持向量机是一种新型机器学习算法,因其卓越的性能,在模式识别和处理函数回归估计问题等诸多领域内受到了各研究学者们的强烈青睐。支持向量机与传统的人工神经网络预测方法所采用的经验风险最小化归纳原则是截然不同的,它实现了结构风险最小化的归纳原则,对未来样本的泛化能力明显增强。从理论上说,支持向量机的训练相当于解决一个线性约束的二次规划问题,所以必然存在解,获得的将会是全局最优解,这样就无形解决了人工神经网络预测方法中根本无法规避的局部板值问题。对应的支持向量本质上是训练样本集的子集,对训练样本集进行分类实际上就是对支持向量进行最低分类。
支持向量机回归的基本思想就是通过一个非线性映射,把输入空间的数据映射到一个高维特征空间去,然后在此空间中做线性回归。假设有训练样本集G,i2=1,2,3,…,N2。其中,用于表示输入变量;用于表示输出变量;i2用于表示第i2个训练样本数据点;N2用于表示训练样本数据点的总数。支持向量机回归的基本原理是寻找一个输入空间到输出空间的非线性映射ψ(x),通过映射将输入向量x映射到一个高维特征空间F,并在高维特征空间F中用下述估计函数进行线性回归:
y=f(x)=ω2ψ(x)+b1
其中,ω2为权值向量,ψ(x)为输入向量x在高维空间F上的映射函数,b1为常数,b1∈R,R用于表示实数。对于给定的训练样本集G,以及任意的ε>0使得则称y是G的ε线性回归,ω2和b1通过最小化R(C)来估计:
上式中,C用于表示惩罚因子;用于表示函数的平滑程度;用于表示损失函数;用于表示的随机代入值;y'用于表示y的随机代入值;用于表示根据和y'计算得到的损失函数。
通过引入两个松弛变量ξ和ξ*,上述函数可以变为:
求解上述问题最终可得到支持向量机回归函数:
上式中,是拉格朗日系数,为径向基核函数,需要满足Mercer条件,一般选取最常用的高斯核函数K(xi,xj)=exp(-||xi-xj||2/2δ2)=exp(-||xi-xj||2×g。
综上,利用支持向量机进行预测需要确定参数惩罚因子C和gamma参数g,其中δ用于表示核函数参数。
本申请实施例提供了一种用电量预测方法,如图1所示,该方法包括步骤101和步骤102:
步骤101、获取影响目标区域用电量的关键参数的参数值。
用电量不仅会受到电力系统内部因素的影响,还会受到经济环境、自然环境、人口以及与电力相关行业的影响。为了明确上述对于用电量产生影响的因素,可以获取指定时间段中目标区域的影响参数的实际值;根据影响参数的实际值,利用解释结构模型(Interpretative Structural Modelling,ISM)从预设的影响参数中选择决定参数;如果决定参数包括子参数,则利用灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数;如果决定参数不包括子参数,则将决定参数确定为关键参数。
需要说明的是,由于进行用电量预测时,需要参考目标区域中影响参数的实际值,实际值处于波动中,过短时间中的实际值不具有代表性,过长时间中的实际值不能反映近期用户用电情况,因此,在本申请实施例中,可以根据目标区域的实际情况,设置获取实际值的时间范围,即指定时间段,以使获取的实际值能够更加明确反映目标区域中的用户用电情况。
其中,预设的影响参数包括:国内生产总值(Gross Domestic Product,GDP)、电价、向用电设备供给的电能总量、用户的电量电价弹性系数、电力系统可靠度、自然灾害发生概率、人口迁移数量、城市化率、用户年收入与支出金额、人口数量、人均用电量、需求侧管理DSM节约用电量、气温、电能替代容量电量、热点区域建设带来的区域GDP增长值、产业结构比率。
对于用电量及上述预设的影响参数的介绍如下表一所示:
表一
之后,根据上述预设的影响因素建立解释模型,建立的解释模型如图2所示。
从图2所示的解释结构模型中可以看出,16个影响参数分布于8个层次,影响参数之间具有相互影响关系。其中,表层的影响参数可以看作直接影响用电量原因,包括城市化率、用户年收入与支出金额、人均用电量、DSM节约用电量、人口数量、气温这6个影响参数。浅层的影响参数包括电价、向用电设备供给的电能总量、电力系统可靠度、用户的电量电价弹性系数、自然灾害发生概率、人口迁移数量6个影响参数。深层的影响参数包括电能替代容量电量、GDP、产业结构比率、热点区域建设带来的区域GDP增长值4个影响参数。GDP是影响用电量的深层影响参数。我国的用电量变化与GDP具有密切关系,用电量增长可以通过GDP的提升加以反映。因此,将GDP确定为影响目标区域用电量的决定参数。
预设的影响参数中包括的子参数如下所示:
GDP的子参数包括目标区域的总GDP、第一产业GDP、第二产业GDP、第三产业GDP和地区人口数量;向用电设备供给的电能总量的子参数包括提供给用电终端设备电力总量、提供给用电终端设备电量总量;电力系统可靠度的子参数包括电力系统可用率;人口迁移数量的子参数包括人口迁入率、人口迁出率;自然灾害发生概率的子参数包括自然灾害持续时间、自然灾害影响范围大小;城市化率的子参数包括城市人口数量;用户年收入与支出金额的子参数包括用户的年实际收入总额、年消费总额和恩格尔系数;人均用电量的子参数包括人均生活用电量、发电用能占一次能源消费的比重、电能占终端能源消费的比重;DSM节约用电量的子参数包括提高的电能利用效率、提高的供电可靠度;电能替代容量电量的子参数包括电能替代容量、电能替代电量;热点区域建设带来的区域GDP增长值的子参数包括热点区域建设带来的人口迁移数量、热点区域建设带来的用电量增长量;产业结构比率的子参数包括农业、轻工业、重工业之间的比例,以及第一产业、第二产业、第三产业之间的比例。
其中,第一产业GDP占比为第一产业GDP占目标区域的总GDP的比值;第二产业GDP占比为第二产业GDP占目标区域的总GDP的比值;第三产业GDP占比为第三产业GDP占目标区域的总GDP的比值。
在确定决定参数之后,可以利用灰色关联分析模型筛选出对于目标区域的用电量产生重大影响的决定参数。本申请实施例以决定参数GDP为例,通过灰色关联分析模型从决定参数GDP的子参数中筛选关键参数。
需要说明的是,由于不同子参数的度量单位不同,在利用灰色关联分析模型筛选关键参数之前,可以将子参数的参数值做归一化化处理,将不同度量单位的参数统一成无量纲的数值。之后,就可以利用灰色关联分析模型对无量纲的数值进行分析。
灰色关联分析模型的基本思想是根据序列曲线几何形状的相似程度来判断不同序列之间的联系是否紧密。主要步骤如下:
(1)确定决定参数的子参数,形成分析矩阵
上式中,t用于表示时刻,t=1,2,3,…,T;Υj用于表示第j个负荷特性指标(LCI)序列,j=1,2,3,…,n,n用于表示LCI的总数;yj(t)用于表示第j个LCI在第t时刻的观测数据;X用于表示子参数,用于表示第i3个子参数在第t时刻的观测数据,i3=1,2,3,…,m,m用于表示子参数的总数。
需要说明的是,在本申请实施例中,负荷特性指标序列Υj的物理意义为不同时期的用电量。
(2)产生初值矩阵
产生初值矩阵的过程包括两个步骤,步骤一是利用下述两式进行归一化:
步骤二是形成初值像矩阵:
(3)产生差值矩阵
按照下式对初值像矩阵中的元素进行差值运算,计算第j个LCI与子参数i3的差值:
利用上述差值形成序列矩阵:
选择两级极差的最大值
(4)灰色关联度计算
根据下式计算第j个LCI与子参数i3在时刻t的取值的关联系数
其中,ρ为分辨系数,通常取0.5。
之后形成关联系数λji(t)的关联系数矩阵:
将关联系数矩阵中每一列求取平均值,即可得到子参数i3与第j个LCI的灰色关联度
在传统灰色关联分析模型中,灰色关联度是对各个历史时期的关联系数求取均值获得的,而实际上,在同等条件下,数据的历史时间越近,对现有情况的影响程度越高。并且,传统关联度计算公式对各影响因素采用平权处理,这会掩盖各个影响因素的个性,当关联系数较为离散时,总体关联度将由关联系数大的点决定,这会导致结果出现偏差。
在本申请实施例中可以利用纵向模糊加权法和横向模糊加权法优化灰色关联分析模型,利用优化后的灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数。利用纵向加权法和横向加权法优化灰色关联分析模型的方法如下所示:
(1)纵向模糊加权法
根据下式计算子参数i3与第j个LCI在不同时间t之间的纵向加权关联度
其中,ω3(t)表示纵向权值,即第t时刻的子参数i3与第j个LCI的关联系数的权重。
纵向权值ω3(t)的计算方法如下:
1)根据数据的历史时间越近,对现有情况的影响程度越深的原则,形成历史时间t1与t2的模糊互补优先关系矩阵F:
F=(ft1t2)T×T
其中,ft1t2表示针对某个子参数,历史时间t1的数据与t2的数据重要性大小对比关系,ft1t2+ft2t1=1,t1,t2=1,2,···,T。
当t1>t2时,表示历史时间t1的数据比t2的数据重要,令ft1t2=1;反之,当t1<t2时,则令ft1t2=0;当t1=t2时,表示历史时间t1的数据和t2的数据同等重要,令ft1t2=0.5。
需要说明的是,上述当t1与t2的大小关系不同时,ft1t2与ft2t1的值可以人为设置,并不局限于1,0或0.5。
2)将模糊互补优先关系矩阵F改造成模糊一致矩阵S:
其中,k2用于表示模糊互补优先关系矩阵F中第t1行元素的和,k2=1,2,3,…,T。
3)计算纵向权值ω3(t)
其中a满足一般取 用于表示模糊一致矩阵S的t行k2列的元素,用于表示模糊一致矩阵S的第t行元素之和。这样,数据的历史时间越近就会被赋予越大的纵向权值,从而凸显其重要性。
(2)横向AHP加权法
子参数i3与第j个LCI之间的双向加权关联度的计算公式为:
其中,表示横向权值,即子参数i3对于第j个LCI的重要程度。
横向权值的计算步骤为:
1)确定方案目标,建立评价模型如图3所示。评价模型主要由目标层、准则层和方案层以及各层由若干因素组成。
图3中一产GDP占比即为第一产业GDP占比,二产GDP占比即为第二产业GDP占比,三产GDP占比即为第三产业GDP占比。
2)构造判断矩阵A。每一层中所含的各因素可以以上层某个因素作为评价准则来相互比较,当以上层某因素作为评价准则时,判断矩阵中的表示该层次中的第i3个因素相对第j个因素的重要性。
3)求判断矩阵A的最大特征值λmax及其对应的特征向量ω4,将ω4归一化,即使向量ω4除以各分量加起来的和,从而可以使归一化后的向量各分量的和等于1,归一化后形成的ω4′就是该层次因素的权重。
4)一致性检验。
①计算一致性指标MCI:
MCI=(λmax-n)/(n-1)
②根据阶数n,从下表二中查询平均随机一致性指标MRI。
表二
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
M<sub>RI</sub> | 0 | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
③计算一致性比例NCR:
NCR=MCI/MRI
若NCR<0.1,认为判断矩阵的一致性可以接受,否则将修改判断矩阵。
5)综合各层次的权重。
最后,以双向加权灰色关联度作为各子参数对负荷影响程度的判定依据。
下面将以A地区为例,说明如何选取影响用电量的关键参数。
选取A地区2006—2017年的年用电量、地区GDP、第一产业GDP占比、第二产业GDP占比、第三产业GDP占比、人口数为例,随后通过改进的灰色关联分析法,筛选出影响地区全社会用电量最重要的关键指标。A地区用电量以及子参数的参数值如表三所示。
表三
根据纵向加权法,计算得出各历史时期关联系数的纵向权值ω3(t)按时间由远及近依次为:0.0417,0.0492,0.0568,0.0644,0.0720,0.0795,0.0871,0.0947,0.1023,0.1098,0.1174,0.1250。由横向AHP加权法,确定判断矩阵,并计算各因素权重,得出各负荷影响因素横向权值,如下表四所示。
表四
最后,由公式计算,得出各影响因素对全社会用电量的双向加权灰色关联度如表五所示。
表五
由上表五可知,对A地区年用电量的影响因素按双向加权灰色关联度大小排列为:地区GDP>第二产业GDP占比>第三产业GDP占比>人口数>第一产业GDP占比,由此确定最终确定A地区全社会用电量主要受地区GDP、第二产业GDP占比、第三产业GDP占比的影响,为A地区的用电量预测提供条件。
需要说明的是,如果决定参数中存在多个子参数,可以选取关联度较大的多个子参数作为关键参数。对于从子参数中选取的关键参数的数量,可以根据子参数的数量决定,如果子参数数量较多,可以从中选取较多关键参数,如果子参数数量较少,可以从中选取较少关键参数,所选取的数量多少可以由人为设置,在此不做限定。
步骤102、将关键参数的参数值输入预测模型中,得到目标区域中用电量的预测值。
其中,预测模型通过粒子群算法对支持向量机的参数进行优化后得到。
可选的,预测模型通过如下方法得到:
获取指定时间段中目标区域的历史用电数据,历史用电数据包括指定时间段中关键参数的参数值和历史用电量;利用粒子群算法确定支持向量机的参数;将关键参数作为输入数据,历史用电量作为输出数据,并带入支持向量机的参数训练支持向量机,得到预测模型。
其中,利用粒子群算法确定支持向量机的参数的方法如下所示:
由于标准型支持向量机算法的参数设置不能符合预测要求,导致预测精度不高,而使用粒子群优化算法寻优得到的参数是训练样本全局的最优解,预测模型陷入过拟合,因此将二重寻优与粒子群优化算法相结合,对支持向量机进行优化,提出一种通过粒子群算法对支持向量机的参数进行优化的预测方法。算法简要过程为:
其中,a1、a2为SVM参数C和g的寻优范围;a3为寻优步长;E为允许误差,Cbest与gbest分别为二重寻优最优参数。二重寻优是事先设置参数范围与寻优步长,通过交叉验证,遍历参数范围内的各种参数组合,从而得到最优参数组合的方法。寻优精度受寻优步长影响,步长越小,精度越高,但运行时长越长。
在本申请实施例中,根据多次实验结果选取[2-5,25」为C和g的寻优范围,寻优步长为20.5。
支持向量机的主要优化参数是C和g,即惩罚系数与gamma参数,二重寻优即给定c和g的范围,并规定每次寻优步长,通过嵌套循环来寻找最优C和g。二重寻优参数精度主要与C和g的寻优范围和步长相关。为了降低粒子群寻优的过拟合程度,在本申请实施例中,设定支持向量机的初始惩罚系数为0.1,最大为100。
设二重寻优结果分别为C1和g1,PSO寻优结果为C2和g2,则SVM参数为:
C=C1+k3C2
g=g1+k4g2
上式中,k3、k4为PSO寻优结果的微调权重。
下面将以A地区为例,介绍上述用电量预测方法。
(1)数据输入
选取A地区的预测年前三年用电量、地区GDP等因素作为输入变量,A地区的全社会用电量作为输出变量,依据如下公式进行归一化处理:
其中,是样本数据,xmax是样本数据中的最大值,xmin是样本数据中的最小值。
(2)模型训练
上述归一化数据中,将A地区的预测年前三年用电量和GDP的子参数的历史参数值带入改进PSO-SVM模型当中,调用训练函数对归一化后的历史参数值进行训练,得到A地区2007年至2017年的用电量预测结果,如图4所示,A地区2007年至2017年的用电量预测结果残差图如图5所示。
从图4、图5可以看出,PSO-SVM模型得出的仿真曲线与实际曲线相差甚微,并且残差值也在要求范围之内,说明PSO-SVM模型具有较强的非线性拟合能力和映射能力,在很大程度上符合预测要求。
(3)预测结果及分析
将PSO-SVM模型与LS-SVM模型、RBF模型进行对比,用电量的对比如图6所示,预测误差如图7所示,可以看出PSO-SVM模型比LS-SVM模型、RBF模型更接近实际曲线,并且误差波动很小,误差值也很小,说明与其他两种模型相比,运用PSO-SVM模型进行未来用电量预测是可行并且有效的。
本申请实施例中,采用粒子群算法对支持向量机的参数进行优化,得到优化后的支持向量机预测模型,再利用该预测模型对用电量进行预测。由于粒子群算法为寻求全局最优的算法,利用粒子群算法优化参数的支持向量机的预测准确度提升,也就提高了用电量预测的精度。
本申请还提供一种用电量预测装置,如图8所示,该装置800包括获取模块801和预测模块802。
其中,获取模块801,用于获取影响目标区域用电量的关键参数的参数值。
预测模块802,用于将获取模块801获取的关键参数的参数值输入预测模型中,得到目标区域中用电量的预测值,其中,预测模型通过粒子群算法对支持向量机的参数进行优化后得到。
可选的,装置800还包括:
获取模块801,还用于获取指定时间段中目标区域的影响参数的实际值。
选择模块803,用于根据获取模块801获取的影响参数的实际值,利用解释结构模型从预设的影响参数中选择决定参数;如果决定参数包括子参数,则利用灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数;如果决定参数不包括子参数,则将决定参数确定为关键参数。
可选的,选择模块803,用于:
利用纵向模糊加权法和横向模糊加权法优化灰色关联分析模型,利用优化后的灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数。
可选的,预设的影响参数包括:
国内生产总值GDP、电价、向用电设备供给的电能总量、用户的电量电价弹性系数、电力系统可靠度、自然灾害发生概率、人口迁移数量、城市化率、用户年收入与支出金额、人口数量、人均用电量、需求侧管理DSM节约用电量、气温、电能替代容量电量、热点区域建设带来的区域GDP增长值、产业结构比率。
可选的,GDP的子参数包括目标区域的总GDP、第一产业GDP占比、第二产业GDP占比、第三产业GDP占比和地区人口数量;
向用电设备供给的电能总量的子参数包括提供给用电终端设备电力总量、提供给用电终端设备电量总量;
电力系统可靠度的子参数包括电力系统可用率;
人口迁移数量的子参数包括人口迁入率、人口迁出率;
自然灾害发生概率的子参数包括自然灾害持续时间、自然灾害影响范围大小;
城市化率的子参数包括城市人口数量;
用户年收入与支出金额的子参数包括用户的年实际收入总额、年消费总额和恩格尔系数;
人均用电量的子参数包括人均生活用电量、发电用能占一次能源消费的比重、电能占终端能源消费的比重;
DSM节约用电量的子参数包括提高的电能利用效率、提高的供电可靠度;
电能替代容量电量的子参数包括电能替代容量、电能替代电量;
热点区域建设带来的区域GDP增长值的子参数包括热点区域建设带来的人口迁移数量、热点区域建设带来的用电量增长量;
产业结构比率的子参数包括农业、轻工业、重工业之间的比例,以及第一产业、第二产业、第三产业之间的比例。
可选的,预测模型通过如下方法得到:
获取指定时间段中目标区域的历史用电数据,历史用电数据包括指定时间段中关键参数的参数值和历史用电量;
利用粒子群算法确定支持向量机的参数;
将关键参数作为输入数据,历史用电量作为输出数据,并带入支持向量机的参数训练支持向量机,得到预测模型。
本申请实施例中,采用粒子群算法对支持向量机的参数进行优化,得到优化后的支持向量机预测模型,再利用该预测模型对用电量进行预测。由于粒子群算法为寻求全局最优的算法,利用粒子群算法优化参数的支持向量机的预测准确度提升,也就提高了用电量预测的精度。
本申请实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现用电量预测方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有执行用电量预测方法的计算机程序。
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。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (14)
1.一种用电量预测方法,其特征在于,所述方法包括:
获取影响目标区域用电量的关键参数的参数值;
将关键参数的参数值输入预测模型中,得到目标区域中用电量的预测值,其中,预测模型通过粒子群算法对支持向量机的参数进行优化后得到。
2.根据权利要求1所述的方法,其特征在于,在获取影响目标区域用电量的关键参数的参数值之前,所述方法还包括:
获取指定时间段中目标区域的影响参数的实际值;
根据影响参数的实际值,利用解释结构模型从预设的影响参数中选择决定参数;
如果决定参数包括子参数,则利用灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数;如果决定参数不包括子参数,则将决定参数确定为关键参数。
3.根据权利要求2所述的方法,其特征在于,利用灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数,包括:
利用纵向模糊加权法和横向模糊加权法优化灰色关联分析模型,利用优化后的灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数。
4.根据权利要求2或3所述的方法,其特征在于,预设的影响参数包括:
国内生产总值GDP、电价、向用电设备供给的电能总量、用户的电量电价弹性系数、电力系统可靠度、自然灾害发生概率、人口迁移数量、城市化率、用户年收入与支出金额、人口数量、人均用电量、需求侧管理DSM节约用电量、气温、电能替代容量电量、热点区域建设带来的区域GDP增长值、产业结构比率。
5.根据权利要求4所述的方法,其特征在于,
GDP的子参数包括目标区域的总GDP、第一产业GDP占比、第二产业GDP占比、第三产业GDP占比和地区人口数量;
向用电设备供给的电能总量的子参数包括提供给用电终端设备电力总量、提供给用电终端设备电量总量;
电力系统可靠度的子参数包括电力系统可用率;
人口迁移数量的子参数包括人口迁入率、人口迁出率;
自然灾害发生概率的子参数包括自然灾害持续时间、自然灾害影响范围大小;
城市化率的子参数包括城市人口数量;
用户年收入与支出金额的子参数包括用户的年实际收入总额、年消费总额和恩格尔系数;
人均用电量的子参数包括人均生活用电量、发电用能占一次能源消费的比重、电能占终端能源消费的比重;
DSM节约用电量的子参数包括提高的电能利用效率、提高的供电可靠度;
电能替代容量电量的子参数包括电能替代容量、电能替代电量;
热点区域建设带来的区域GDP增长值的子参数包括热点区域建设带来的人口迁移数量、热点区域建设带来的用电量增长量;
产业结构比率的子参数包括农业、轻工业、重工业之间的比例,以及第一产业、第二产业、第三产业之间的比例。
6.根据权利要求1所述的方法,其特征在于,预测模型通过如下方法得到:
获取指定时间段中目标区域的历史用电数据,所述历史用电数据包括指定时间段中关键参数的参数值和历史用电量;
利用粒子群算法确定支持向量机的参数;
将关键参数作为输入数据,历史用电量作为输出数据,并带入支持向量机的参数训练支持向量机,得到预测模型。
7.一种用电量预测装置,其特征在于,所述装置包括:
获取模块,用于获取影响目标区域用电量的关键参数的参数值;
预测模块,用于将获取模块获取的关键参数的参数值输入预测模型中,得到目标区域中用电量的预测值,其中,预测模型通过粒子群算法对支持向量机的参数进行优化后得到。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
获取模块,还用于获取指定时间段中目标区域的影响参数的实际值;
选择模块,用于根据获取模块获取的影响参数的实际值,利用解释结构模型从预设的影响参数中选择决定参数;如果决定参数包括子参数,则利用灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数;如果决定参数不包括子参数,则将决定参数确定为关键参数。
9.根据权利要求8所述的装置,其特征在于,选择模块,用于:
利用纵向模糊加权法和横向模糊加权法优化灰色关联分析模型,利用优化后的灰色关联分析模型从预设的决定参数包括的子参数中筛选关键参数。
10.根据权利要求8或9所述的装置,其特征在于,预设的影响参数包括:
国内生产总值GDP、电价、向用电设备供给的电能总量、用户的电量电价弹性系数、电力系统可靠度、自然灾害发生概率、人口迁移数量、城市化率、用户年收入与支出金额、人口数量、人均用电量、需求侧管理DSM节约用电量、气温、电能替代容量电量、热点区域建设带来的区域GDP增长值、产业结构比率。
11.根据权利要求10所述的装置,其特征在于,
GDP的子参数包括目标区域的总GDP、第一产业GDP占比、第二产业GDP占比、第三产业GDP占比和地区人口数量;
向用电设备供给的电能总量的子参数包括提供给用电终端设备电力总量、提供给用电终端设备电量总量;
电力系统可靠度的子参数包括电力系统可用率;
人口迁移数量的子参数包括人口迁入率、人口迁出率;
自然灾害发生概率的子参数包括自然灾害持续时间、自然灾害影响范围大小;
城市化率的子参数包括城市人口数量;
用户年收入与支出金额的子参数包括用户的年实际收入总额、年消费总额和恩格尔系数;
人均用电量的子参数包括人均生活用电量、发电用能占一次能源消费的比重、电能占终端能源消费的比重;
DSM节约用电量的子参数包括提高的电能利用效率、提高的供电可靠度;
电能替代容量电量的子参数包括电能替代容量、电能替代电量;
热点区域建设带来的区域GDP增长值的子参数包括热点区域建设带来的人口迁移数量、热点区域建设带来的用电量增长量;
产业结构比率的子参数包括农业、轻工业、重工业之间的比例,以及第一产业、第二产业、第三产业之间的比例。
12.根据权利要求7所述的装置,其特征在于,预测模型通过如下方法得到:
获取指定时间段中目标区域的历史用电数据,所述历史用电数据包括指定时间段中关键参数的参数值和历史用电量;
利用粒子群算法确定支持向量机的参数;
将关键参数作为输入数据,历史用电量作为输出数据,并带入支持向量机的参数训练支持向量机,得到预测模型。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至6任一所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621870.5A CN109685277A (zh) | 2018-12-28 | 2018-12-28 | 用电量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621870.5A CN109685277A (zh) | 2018-12-28 | 2018-12-28 | 用电量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685277A true CN109685277A (zh) | 2019-04-26 |
Family
ID=66190153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811621870.5A Pending CN109685277A (zh) | 2018-12-28 | 2018-12-28 | 用电量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685277A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264112A (zh) * | 2019-07-17 | 2019-09-20 | 国网河南省电力公司开封供电公司 | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 |
CN110414724A (zh) * | 2019-07-10 | 2019-11-05 | 东软集团股份有限公司 | 用于预测耗电量的方法、装置、可读存储介质及电子设备 |
CN111066562A (zh) * | 2019-12-24 | 2020-04-28 | 北京农业信息技术研究中心 | 一种葡萄霜霉病预测方法及系统 |
CN111539841A (zh) * | 2019-12-31 | 2020-08-14 | 远景智能国际私人投资有限公司 | 电量预测方法、装置、设备及可读存储介质 |
CN111931992A (zh) * | 2020-07-16 | 2020-11-13 | 广东电网有限责任公司 | 一种电力负荷预测指标选取方法及装置 |
CN112036737A (zh) * | 2020-08-28 | 2020-12-04 | 京东方科技集团股份有限公司 | 区域电量偏差的计算方法及装置 |
CN112348254A (zh) * | 2020-11-06 | 2021-02-09 | 国网新疆电力有限公司昌吉供电公司 | 电力空间负荷预测调校方法 |
CN112561206A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种电网负荷预测方法、装置和电力系统 |
CN112699904A (zh) * | 2019-10-22 | 2021-04-23 | 电力规划总院有限公司 | 一种电力能源消费预测方法和装置 |
CN112884589A (zh) * | 2019-11-29 | 2021-06-01 | 全球能源互联网集团有限公司 | 一种水电工程投资估算方法及装置 |
CN113466578A (zh) * | 2021-05-27 | 2021-10-01 | 中能瑞通(北京)科技有限公司 | 一种农网台区箱表拓扑关系识别方法及用户用电监测方法 |
CN113592128A (zh) * | 2021-04-28 | 2021-11-02 | 阜阳市福颖网络技术开发有限公司 | 一种大数据电网运行监测系统 |
CN113822702A (zh) * | 2021-08-30 | 2021-12-21 | 国网辽宁省电力有限公司阜新供电公司 | 突发事件下的行业间用电量需求关联分析系统及方法 |
CN113962477A (zh) * | 2021-11-10 | 2022-01-21 | 国网浙江省电力有限公司杭州供电公司 | 一种产业电量关联聚集预测方法、装置、设备及存储介质 |
WO2022110213A1 (zh) * | 2020-11-30 | 2022-06-02 | 西门子(中国)有限公司 | 生成分析对象的预测模型的方法、装置和存储介质 |
CN114757443A (zh) * | 2021-05-24 | 2022-07-15 | 郑州轻工业大学 | 基于大数据和人工智能的信息处理方法、系统和存储介质 |
CN116523687A (zh) * | 2023-06-26 | 2023-08-01 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
CN117436935A (zh) * | 2023-11-30 | 2024-01-23 | 湖北华中电力科技开发有限责任公司 | 区域用电量预测方法、系统、计算机设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200284A (zh) * | 2014-09-01 | 2014-12-10 | 山东科技大学 | 矿井断层构造预测方法 |
CN105740988A (zh) * | 2016-02-03 | 2016-07-06 | 南京鼎尔特科技有限公司 | 基于灰色关联分析和多元线性回归模型对煤炭热值的预测方法 |
CN106855957A (zh) * | 2015-12-09 | 2017-06-16 | 四川大学 | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN107368932A (zh) * | 2017-08-09 | 2017-11-21 | 国网山东省电力公司经济技术研究院 | 一种适用于电网发展专业的负荷分析预测系统 |
CN108985964A (zh) * | 2018-06-11 | 2018-12-11 | 昆明理工大学 | 一种负荷特性影响因素定量分析的方法 |
-
2018
- 2018-12-28 CN CN201811621870.5A patent/CN109685277A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200284A (zh) * | 2014-09-01 | 2014-12-10 | 山东科技大学 | 矿井断层构造预测方法 |
CN106855957A (zh) * | 2015-12-09 | 2017-06-16 | 四川大学 | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 |
CN105740988A (zh) * | 2016-02-03 | 2016-07-06 | 南京鼎尔特科技有限公司 | 基于灰色关联分析和多元线性回归模型对煤炭热值的预测方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN107368932A (zh) * | 2017-08-09 | 2017-11-21 | 国网山东省电力公司经济技术研究院 | 一种适用于电网发展专业的负荷分析预测系统 |
CN108985964A (zh) * | 2018-06-11 | 2018-12-11 | 昆明理工大学 | 一种负荷特性影响因素定量分析的方法 |
Non-Patent Citations (2)
Title |
---|
于松青,等: "低碳经济下基于解释结构模型的电力需求影响因素分析", 《西北工业大学学报(社会科学版)》 * |
徐敏杰,等: "电力需求影响因素的解释结构模型分析", 《中国电力》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414724A (zh) * | 2019-07-10 | 2019-11-05 | 东软集团股份有限公司 | 用于预测耗电量的方法、装置、可读存储介质及电子设备 |
CN110264112A (zh) * | 2019-07-17 | 2019-09-20 | 国网河南省电力公司开封供电公司 | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 |
CN110264112B (zh) * | 2019-07-17 | 2021-08-10 | 国网河南省电力公司开封供电公司 | 基于双向加权灰色关联的配电网可靠性影响因素分析方法 |
CN112699904A (zh) * | 2019-10-22 | 2021-04-23 | 电力规划总院有限公司 | 一种电力能源消费预测方法和装置 |
CN112699904B (zh) * | 2019-10-22 | 2023-05-05 | 电力规划总院有限公司 | 一种电力能源消费预测方法和装置 |
CN112884589A (zh) * | 2019-11-29 | 2021-06-01 | 全球能源互联网集团有限公司 | 一种水电工程投资估算方法及装置 |
CN111066562A (zh) * | 2019-12-24 | 2020-04-28 | 北京农业信息技术研究中心 | 一种葡萄霜霉病预测方法及系统 |
CN111539841A (zh) * | 2019-12-31 | 2020-08-14 | 远景智能国际私人投资有限公司 | 电量预测方法、装置、设备及可读存储介质 |
CN111931992A (zh) * | 2020-07-16 | 2020-11-13 | 广东电网有限责任公司 | 一种电力负荷预测指标选取方法及装置 |
CN112036737A (zh) * | 2020-08-28 | 2020-12-04 | 京东方科技集团股份有限公司 | 区域电量偏差的计算方法及装置 |
CN112036737B (zh) * | 2020-08-28 | 2024-01-09 | 京东方科技集团股份有限公司 | 区域电量偏差的计算方法及装置 |
CN112348254A (zh) * | 2020-11-06 | 2021-02-09 | 国网新疆电力有限公司昌吉供电公司 | 电力空间负荷预测调校方法 |
CN112348254B (zh) * | 2020-11-06 | 2023-09-01 | 国网新疆电力有限公司昌吉供电公司 | 电力空间负荷预测调校方法 |
WO2022110213A1 (zh) * | 2020-11-30 | 2022-06-02 | 西门子(中国)有限公司 | 生成分析对象的预测模型的方法、装置和存储介质 |
CN112561206A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种电网负荷预测方法、装置和电力系统 |
CN113592128A (zh) * | 2021-04-28 | 2021-11-02 | 阜阳市福颖网络技术开发有限公司 | 一种大数据电网运行监测系统 |
CN114757443A (zh) * | 2021-05-24 | 2022-07-15 | 郑州轻工业大学 | 基于大数据和人工智能的信息处理方法、系统和存储介质 |
CN113466578A (zh) * | 2021-05-27 | 2021-10-01 | 中能瑞通(北京)科技有限公司 | 一种农网台区箱表拓扑关系识别方法及用户用电监测方法 |
CN113822702A (zh) * | 2021-08-30 | 2021-12-21 | 国网辽宁省电力有限公司阜新供电公司 | 突发事件下的行业间用电量需求关联分析系统及方法 |
CN113822702B (zh) * | 2021-08-30 | 2023-10-20 | 国网辽宁省电力有限公司阜新供电公司 | 突发事件下的行业间用电量需求关联分析系统及方法 |
CN113962477A (zh) * | 2021-11-10 | 2022-01-21 | 国网浙江省电力有限公司杭州供电公司 | 一种产业电量关联聚集预测方法、装置、设备及存储介质 |
CN116523687A (zh) * | 2023-06-26 | 2023-08-01 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
CN116523687B (zh) * | 2023-06-26 | 2023-10-03 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
CN117436935A (zh) * | 2023-11-30 | 2024-01-23 | 湖北华中电力科技开发有限责任公司 | 区域用电量预测方法、系统、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685277A (zh) | 用电量预测方法及装置 | |
Jallal et al. | A hybrid neuro-fuzzy inference system-based algorithm for time series forecasting applied to energy consumption prediction | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Ardabili et al. | Systematic review of deep learning and machine learning for building energy | |
CN109214449A (zh) | 一种电网投资需求预测方法 | |
He et al. | Feature selection for stock market analysis | |
CN107230108A (zh) | 业务数据的处理方法及装置 | |
Nazir et al. | Forecasting energy consumption demand of customers in smart grid using Temporal Fusion Transformer (TFT) | |
CN102200759A (zh) | 一种非线性核化自适应预测方法 | |
Li | RETRACTED ARTICLE: Optimal design of transportation distance in logistics supply chain model based on data mining algorithm | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
Shi et al. | Handling uncertainty in financial decision making: a clustering estimation of distribution algorithm with simplified simulation | |
Fan et al. | Multi-objective LSTM ensemble model for household short-term load forecasting | |
CN113988358A (zh) | 基于迁移强化学习的碳排放指数预测与治理方法 | |
Lin et al. | Intelligent prediction of the construction cost of substation projects using support vector machine optimized by particle swarm optimization | |
Zhu | Research on adaptive combined wind speed prediction for each season based on improved gray relational analysis | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Gao et al. | Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network | |
Chen et al. | Research on prediction methods of energy consumption data | |
Liu et al. | Supplier evaluation in supply chain environment based on radial basis function neural network | |
Luo et al. | A probabilistic framework with the gradient-based method for multi-objective land use optimization | |
Hu et al. | Grain yield predict based on GRA-AdaBoost-SVR model | |
Caliskan et al. | Can market indicators forecast the port throughput? | |
Kousounadis-Knousen et al. | A New Co-Optimized Hybrid Model Based on Multi-Objective Optimization for Probabilistic Wind Power Forecasting in a Spatiotemporal Framework | |
Purwinarko et al. | Crude oil price prediction using Artificial Neural Network-Backpropagation (ANN-BP) and Particle Swarm Optimization (PSO) methods |
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: 20190426 |
|
RJ01 | Rejection of invention patent application after publication |