CN109784562B - 一种基于大数据时空聚类的智慧电网电力负荷预测方法 - Google Patents
一种基于大数据时空聚类的智慧电网电力负荷预测方法 Download PDFInfo
- Publication number
- CN109784562B CN109784562B CN201910043165.XA CN201910043165A CN109784562B CN 109784562 B CN109784562 B CN 109784562B CN 201910043165 A CN201910043165 A CN 201910043165A CN 109784562 B CN109784562 B CN 109784562B
- Authority
- CN
- China
- Prior art keywords
- time
- sub
- power load
- clustering
- target
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于大数据时空聚类的智慧电网电力负荷预测方法，将电力负荷时间序列分为时间向量和空间向量，分别对时间向量和空间向量进行聚类，得到N*K个时空聚类类别，每个聚类类别综合电力负荷时间序列在时间和空间的特性，然后对每种时空聚类类别的电力负荷时间序列分别建立负荷预测模型，该方法从电力负荷的时空特性进行分析，能有效辨识时间和空间对电力负荷的影响，有效精准的预测电力负荷。
Description
技术领域
本发明属于电力系统领域，具体涉及一种基于大数据时空聚类的智慧电网电力负荷预测方法。
背景技术
智慧电网是指电网的智能智慧化，旨在实现电网安全、经济和高效，智慧电网是电网在不断发展的必经之路。精确有效的预测电力负荷是智慧电网建设中必不可少的环节。电力负荷是随时间变化而改变的，其受人为因素和环境因素影响，是一种复杂、非平稳、非线性的时间序列。
近年来，电力负荷时间序列的预测受到了广泛的关注，传统电力负荷时间序列预测方法主要有ARIMA模型、ARMA模型和灰色预测模型等。传统电力负荷时间序列预测方法在模型结构设置上不够灵活，忽略了电力负荷的时间、空间特性，对电力负荷时间序列特征考虑过于简单，使得电力负荷时间序列预测模型只在适当时间和指定空间区域才具有较好的精确度，缺乏适应能力。
发明内容
针对上述技术问题，本发明提供一种基于大数据时空聚类的智慧电网电力负荷预测方法，能有效辨识时间和空间对电力负荷的影响，有效精准的预测电力负荷。
为实现上述技术目的，本发明采用如下技术方案：
一种基于大数据时空聚类的智慧电网电力负荷预测方法，包括以下步骤：
步骤1，获取目标区域电力负荷长时间原始序列数据；
所述目标区域电力负荷长时间原始序列数据包括目标区域总电力负荷长时间原始序列A和分别与目标区域中Q个目标子区域对应的目标子区域子电力负荷长时间原始序列Ai,i＝1,2,…,Q，且A＝A1+A2+…+Ai+…AQ；
步骤2，获取目标区域气温数据；
所述气温数据包括每个目标子区域每天的平均气温和气温跳跃范围；
步骤3，对目标子区域子电力负荷长时间原始序列进行分解处理；
步骤3.1，将每个目标子区域子电力负荷长时间原始序列Ai按时间窗进行分解，得到n*Q个子电力负荷时间序列Xi,j，j＝1,2,…,n，组成子电力负荷时间序列矩阵Qn，设置时间窗的长度为L1；
步骤3.2，将每个时间窗分为L1/L2个时间子窗，对每个时间子窗内的电力负荷值求均值作为时间子窗的电力负荷值，设置时间子窗的长度为L2；
步骤3.3，更新子电力负荷时间序列矩阵Qn，得到n*Q个长度为L1/L2的子电力负荷时间序列；
步骤4，根据子电力负荷时间序列矩阵Qn按时间窗建立n个时间向量，并对n个时间向量进行时间聚类，得到N个时间聚类类别；
步骤5，根据子电力负荷时间序列矩阵Qn按目标子区域建立Q个空间向量，并对Q个空间向量进行空间聚类，得到K个空间聚类类别；
步骤6，设时间聚类和空间聚类的组合为时空聚类，聚类类别的数量为N*K，为每个子电力负荷时间序列按时间窗和目标子区域确定时空聚类类别，每个时空聚类类别得到若干个子电力负荷时间序列，所述若干个子电力负荷时间序列组成与时空聚类类别对应的负荷预测模型的训练样本；
步骤7，依据N*K组负荷预测模型的训练样本，分别建立N*K个负荷预测模型；
步骤7.1，对于每个负荷预测模型，将相应的训练样本中每个子电力负荷时间序列内的每连续D个时间子窗的电力负荷值以及相应的子电力负荷时间序列所属的日期、所属目标子区域的平均气温和气温跳跃范围作为输入数据，相应的子电力负荷时间序列内的与输入的D个时间子窗的电力负荷值相邻的下一个时间子窗的电力负荷值作为输出数据，训练小波神经网络，得到负荷预测模型；
步骤7.2，针对N*K个聚类类别，利用N*K个负荷预测模型的训练样本训练N*K个小波神经网络，得到N*K个负荷预测模型；
步骤8，实时预测所有目标子区域及目标区域的电力负荷；
步骤8.1，设置时间子窗的起始时间，实时获取目标子区域的电力负荷数据，计算每个时间子窗内的电力负荷数据的平均值作为相应时间子窗的电力负荷值，将电力负荷值按时间次序组成预测向量；
步骤8.2，当预测向量的长度达到D时，获取预测向量中首位电力负荷值所属日期，确定预测向量所属的时间聚类类别；
步骤8.3，依据预测向量所属的目标子区域，确定预测向量所属的空间聚类类别；
步骤8.4，设定预测目标时间；
步骤8.5，将预测向量中与目标时间最接近的D个电力负荷值、预测向量所属日期和所属目标子区域的气温平均值和气温跳跃范围作为输入数据，输入至对应时空聚类类别的负荷预测模型，输出得到下一个时间子窗的负荷预测值，将负荷预测值插入到预测向量首位，更新预测向量；
步骤8.6，判断预测向量中首位电力负荷值所在时间子窗是否超过目标时间，若是，进入步骤8.7，否则，返回步骤8.5；
步骤8.7，选择其他目标子区域，重复步骤8.1至步骤8.6，完成所有目标子区域的电力负荷值在目标时间的预测；
步骤8.8，将所有目标子区域在从当前时刻到目标时间之间的电力负荷预测向量相加，得到目标区域在从当前时刻到目标时间之间的电力负荷预测向量，完成电力负荷预测。
进一步地，负荷预测模型的小波神经网络在训练过程中选择Haar小波作为基函数，设置输入层节点个数为D+2，隐含层节点个数为2D+5，输出层节点个数为1；训练过程中的最大迭代次数设置为2000，训练学习率为0.01，阈值为0.05。
进一步地，所述步骤4的具体过程为：
将子电力负荷时间序列矩阵Qn的每一列的Q个子电力负荷时间序列拼接为一个长度为L1/L2*Q的时间向量，得到n个时间向量{B1,B2,…,Bn}，对于任意时间向量Bj＝[bj,1,bj,2,…,bj,L1/L2*Q]均由{X1,j,X2,j,…,XQ,j}共Q个子电力负荷时间序列拼接而成；
计算n个时间向量之间的欧式距离，利用K-means聚类方法，设置聚类簇数为N，对n个时间向量进行时间聚类，所述欧式距离的计算公式为：
其中，Bp＝[bp,1,bp,2,…,bp,L1/L2*Q]、Bq＝[bq,1,bq,2,…,bq,L1/L2*Q]分别为第p个和第q个时间向量，deu(Bp,Bq)为时间向量Bp,Bq之间的欧式距离。
进一步地，所述步骤5的具体过程为：
将子电力负荷时间序列矩阵Qn的每一行的n个子电力负荷时间序列拼接为一个长度为L1/L2*n的空间向量，得到Q个空间向量{C1,C2,…,CQ}，对于任意空间向量Ci＝[ci,1,ci,2,…,ci,L1/L2*n]均由{Xi,1,Xi,2,…,Xi,n}共n个子电力负荷时间序列拼接而成；
计算Q个空间向量之间的DTW距离，利用层次聚类方法，设置空间聚类簇数为K，对Q个空间向量进行聚类；
所述DTW距离是指动态时间归整距离，其计算公式为：
其中，ddtw(cg,I,ch,J)为第g个空间向量Cg＝[cg,1,cg,2,…,cg,L1/L2*n]与第h个空间向量Ch＝[ch,1,ch,2,…,ch,L1/L2*n]之间的DTW距离，deu(cg,I,ch,J)为cg,I,ch,J之间的一维欧式距离deu(cg,I,ch,J)＝|cg,I-ch,J|，且ddtw(cg,0,·)＝∞,ddwt(·,ch,0)＝∞。
进一步地，L1的取值为24小时，L2的取值为30分钟。
进一步地，所述目标区域电力负荷长时间原始序列数据的时间跨度至少为1年。
进一步地，输入负荷预测模型的电力负荷值的个数D＝6。
有益效果
本发明提供了一种基于大数据时空聚类的智慧电网电力负荷预测方法，将电力负荷时间序列分为时间向量和空间向量，分别对时间向量和空间向量进行聚类，得到N*K个时空聚类类别，每个时空聚类类别能综合电力负荷时间序列在时间和空间上的电力负荷曲线变化趋势的特性，然后对每种时空聚类类别的电力负荷时间序列分别建立负荷预测模型，该方法从电力负荷的时空特性进行分析，从时间上和空间上将具有不同变化趋势的电力负荷时间序列分别建立负荷预测模型，能有效辨识时间和空间对电力负荷的影响，克服了电力负荷时间序列的复杂非线性、变化无规律的特点，从而有效精准的预测电力负荷。
附图说明
图1为本发明所述方法的流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
如图1所示，一种基于大数据时空聚类的智慧电网电力负荷预测方法，包括以下步骤：
步骤1，获取目标区域电力负荷长时间原始序列数据；
所述目标区域电力负荷长时间原始序列数据包括目标区域总电力负荷长时间原始序列A和分别与目标区域中Q个目标子区域对应的目标子区域子电力负荷长时间原始序列Ai,i＝1,2,…,Q；所述目标区域电力负荷长时间原始序列数据时间跨度至少为1年，且Q大于4；
且目标区域总电力负荷长时间原始序列A与Q个目标子区域对应的目标子区域子电力负荷长时间原始序列Ai,i＝1,2,…,Q存在关系：A＝A1+A2+…+Ai+…AQ。
步骤2，获取目标区域气温数据；
所述气温数据包括每个目标子区域每天的平均气温和气温跳跃范围。
步骤3，对目标子区域子电力负荷长时间原始序列进行分解处理，得到n*Q个子电力负荷时间序列，具体过程为：
步骤3.1，设置时间窗的长度为L1为24小时，将每个目标子区域子电力负荷长时间原始序列Ai,i＝1,2,…,Q按时间窗进行分解，每个目标子区域电力负荷长时间原始序列数据分解为n个子电力负荷时间序列，共得到n*Q个子电力负荷时间序列Xi,j，i＝1,2,…,Q，j＝1,2,…,n。由于目标区域电力负荷长时间原始序列数据时间跨度至少为1年，因此n≥365，n*Q个子电力负荷时间序列Xi,j，i＝1,2,…,Q，j＝1,2,…,n组成子电力负荷时间序列矩阵Qn:
步骤3.2，设置时间子窗的长度L2为30分钟，将每个时间窗分为48个时间子窗，对每个时间子窗内的电力负荷值求均值作为时间子窗的电力负荷值；
步骤3.3，更新子电力负荷时间序列矩阵Qn，得到n*Q个长度为48的子电力负荷时间序列。
步骤4，以不同时间为分界线，建立n个时间向量，利用K-means聚类方法，设置时间聚类簇数为N，对时间向量进行聚类，得到N个时间聚类类别，且N为小于n的正整数，具体过程为：
将子电力负荷时间序列矩阵Qn的每一列的Q个子电力负荷时间序列拼接为一个长度为48*Q的时间向量，得到n个时间向量{B1,B2,…,Bn}，对应任意时间向量Bj＝[bj,1,bj,2,…,bj,48*Q],j＝1,2,…,n均由{X1,j,X2,j,…,XQ,j}共Q个子电力负荷时间序列拼接而成；
计算n个时间向量之间的欧式距离，利用K-means聚类方法，设置聚类簇数为N，对n个时间向量进行时间聚类，所述欧式距离的计算公式为：
其中，Bp＝[bp,1,bp,2,…,bp,48*Q]、Bq＝[bq,1,bq,2,…,bq,48*Q]分别为第p个和第q个时间向量，deu(Bp,Bq)为时间向量Bp,Bq之间的欧式距离。
步骤5，以不同空间区域为分界线，建立Q个空间向量，利用层次聚类方法，设置空间聚类簇数为K，选择DTW距离作为相似性度量函数，对Q个空间向量进行聚类，得到K个空间聚类中心，且K为小于Q的正整数，具体过程为：
将子电力负荷时间序列矩阵Qn的每一行的n个子电力负荷时间序列拼接为一个长度为48*n的空间向量，得到Q个空间向量{C1,C2,…,CQ}，对应任意空间向量Ci＝[ci,1,ci,2,…,ci,48*n],i＝1,2,…,Q均由{Xi,1,Xi,2,…,Xi,n}共n个子电力负荷时间序列拼接而成；
计算Q个空间向量之间的DTW距离，利用层次聚类方法，设置空间聚类簇数为K，对Q个空间向量进行聚类；
所述DTW距离是指动态时间归整距离，其计算公式为：
其中，ddtw(cg,I,ch,J)为第g个空间向量Cg＝[cg,1,cg,2,…,cg,I]与第h个空间向量Ch＝[ch,1,ch,2,…,ch,I]之间的DTW距离，deu(cg,I,ch,J)为cg,I,ch,J之间的一维欧式距离deu(cg,I,ch,J)＝|cg,I-ch,J|，且ddtw(cg,0,·)＝∞,ddwt(·,ch,0)＝∞。
步骤6，定义时间聚类和空间聚类的组合为时空聚类，聚类类别数为N*K；为每个子电力负荷时间序列寻找时空聚类类别，构建针对N*K个时空聚类类别的N*K组负荷预测模型的训练样本；其中，每个时空聚类类别得到若干个子电力负荷时间序列，所述若干个子电力负荷时间序列组成与时空聚类类别对应的负荷预测模型的训练样本；
其中，时空聚类是指对子电力负荷时间序列进行时间聚类和空间聚类；所述时空聚类类别为时间聚类类别和空间聚类类别的并集，共有N*K个时空聚类类别；
将n*Q个子电力负荷时间序列按照所属时间窗划分到N个时间聚类类别，然后计算n*Q个子电力负荷时间序列与K个空间聚类中心中同时间子窗的部分序列之间的DTW距离，以距离最近的原则，对n*Q个子电力负荷时间序列进行空间聚类，将属于同一时间聚类类别和同一空间聚类类别的子电力负荷时间序列组成该时空聚类类别的负荷预测模型的训练样本，共得到N*K组负荷预测模型的训练样本；
步骤7，依据N*K组负荷预测模型的训练样本，分别建立N*K个负荷预测模型，具体过程为：
步骤7.1，对于每个负荷预测模型，将相应的训练样本中每个子电力负荷时间序列内的每连续6个时间子窗的电力负荷值以及相应的子电力负荷时间序列所属的日期、所属目标子区域的平均气温和气温跳跃范围作为输入数据，相应的子电力负荷时间序列内的与输入的6个时间子窗的电力负荷值相邻的下一个时间子窗的电力负荷值作为输出数据，训练小波神经网络，得到负荷预测模型；
步骤7.2，针对N*K个聚类类别，利用N*K个负荷预测模型的训练样本训练N*K个小波神经网络，得到N*K个负荷预测模型；
其中，负荷预测模型的小波神经网络在训练过程中均选择Haar小波作为基函数，设置输入层节点个数为8，隐含层节点个数为17，输出层节点个数为1；训练过程中的最大迭代次数设置为2000，训练学习率为0.01，阈值为0.05。
步骤8，实时预测所有目标子区域及目标区域的电力负荷；
步骤8.1，设置时间子窗的起始时间，实时获取目标子区域的电力负荷数据，计算每个时间子窗内的电力负荷数据的平均值作为相应时间子窗的电力负荷值，将电力负荷值按时间次序组成预测向量；
步骤8.2，当预测向量的长度达到6时，获取预测向量中首位电力负荷值所属日期，确定预测向量所属的时间聚类类别；
步骤8.3，依据预测向量所属的目标子区域，确定预测向量所属的空间聚类类别；
步骤8.4，设定预测目标时间；
步骤8.5，将预测向量中与目标时间最接近的6个电力负荷值、预测向量所属日期和所属目标子区域的气温平均值和气温跳跃范围作为输入数据，输入至对应时空聚类类别的负荷预测模型，输出得到下一个时间子窗的负荷预测值，将负荷预测值插入到预测向量首位，更新预测向量；
步骤8.6，判断预测向量中首位电力负荷值所在时间子窗是否超过目标时间，若是，进入步骤8.7，否则，返回步骤8.5；
步骤8.7，选择其他目标子区域，重复步骤8.1至步骤8.6，完成所有目标子区域的电力负荷值在目标时间的预测；
步骤8.8，将所有目标子区域在从当前时刻到目标时间之间的电力负荷预测向量相加，得到目标区域在从当前时刻到目标时间之间的电力负荷预测向量，完成电力负荷预测。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (7)
1.一种基于大数据时空聚类的智慧电网电力负荷预测方法，其特征在于，包括以下步骤：
步骤1，获取目标区域电力负荷长时间原始序列数据；
所述目标区域电力负荷长时间原始序列数据包括目标区域总电力负荷长时间原始序列A和分别与目标区域中Q个目标子区域对应的目标子区域子电力负荷长时间原始序列Ai,i＝1,2,…,Q，且A＝A1+A2+…+Ai+…AQ；
步骤2，获取目标区域气温数据；
所述气温数据包括每个目标子区域每天的平均气温和气温跳跃范围；
步骤3，对目标子区域子电力负荷长时间原始序列进行分解处理；
步骤3.1，将每个目标子区域子电力负荷长时间原始序列Ai按时间窗进行分解，得到n*Q个子电力负荷时间序列Xi,j，j＝1,2,…,n，组成子电力负荷时间序列矩阵Qn，设置时间窗的长度为L1；
步骤3.2，将每个时间窗分为L1/L2个时间子窗，对每个时间子窗内的电力负荷值求均值作为时间子窗的电力负荷值，设置时间子窗的长度为L2；
步骤3.3，更新子电力负荷时间序列矩阵Qn，得到n*Q个长度为L1/L2的子电力负荷时间序列；
步骤4，根据子电力负荷时间序列矩阵Qn按时间窗建立n个时间向量，并对n个时间向量进行时间聚类，得到N个时间聚类类别；
步骤5，根据子电力负荷时间序列矩阵Qn按目标子区域建立Q个空间向量，并对Q个空间向量进行空间聚类，得到K个空间聚类类别；
步骤6，设时间聚类和空间聚类的组合为时空聚类，聚类类别的数量为N*K，为每个子电力负荷时间序列按时间窗和目标子区域确定时空聚类类别，每个时空聚类类别得到若干个子电力负荷时间序列，所述若干个子电力负荷时间序列组成与时空聚类类别对应的负荷预测模型的训练样本；
步骤7，依据N*K组负荷预测模型的训练样本，分别建立N*K个负荷预测模型；
步骤7.1，对于每个负荷预测模型，将相应的训练样本中每个子电力负荷时间序列内的每连续D个时间子窗的电力负荷值以及相应的子电力负荷时间序列所属的日期、所属目标子区域的平均气温和气温跳跃范围作为输入数据，相应的子电力负荷时间序列内的与输入的D个时间子窗的电力负荷值相邻的下一个时间子窗的电力负荷值作为输出数据，训练小波神经网络，得到负荷预测模型；
步骤7.2，针对N*K个聚类类别，利用N*K个负荷预测模型的训练样本训练N*K个小波神经网络，得到N*K个负荷预测模型；
步骤8，实时预测所有目标子区域及目标区域的电力负荷；
步骤8.1，设置时间子窗的起始时间，实时获取目标子区域的电力负荷数据，计算每个时间子窗内的电力负荷数据的平均值作为相应时间子窗的电力负荷值，将电力负荷值按时间次序组成预测向量；
步骤8.2，当预测向量的长度达到D时，获取预测向量中首位电力负荷值所属日期，确定预测向量所属的时间聚类类别；
步骤8.3，依据预测向量所属的目标子区域，确定预测向量所属的空间聚类类别；
步骤8.4，设定预测目标时间；
步骤8.5，将预测向量中与目标时间最接近的D个电力负荷值、预测向量所属日期和所属目标子区域的气温平均值和气温跳跃范围作为输入数据，输入至对应时空聚类类别的负荷预测模型，输出得到下一个时间子窗的负荷预测值，将负荷预测值插入到预测向量首位，更新预测向量；
步骤8.6，判断预测向量中首位电力负荷值所在时间子窗是否超过目标时间，若是，进入步骤8.7，否则，返回步骤8.5；
步骤8.7，选择其他目标子区域，重复步骤8.1至步骤8.6，完成所有目标子区域的电力负荷值在目标时间的预测；
步骤8.8，将所有目标子区域在从当前时刻到目标时间之间的电力负荷预测向量相加，得到目标区域在从当前时刻到目标时间之间的电力负荷预测向量，完成电力负荷预测。
2.根据权利要求1所述的方法，其特征在于，负荷预测模型的小波神经网络在训练过程中选择Haar小波作为基函数，设置输入层节点个数为D+2，隐含层节点个数为2D+5，输出层节点个数为1；训练过程中的最大迭代次数设置为2000，训练学习率为0.01，阈值为0.05。
3.根据权利要求1所述的方法，其特征在于，所述步骤4的具体过程为：
将子电力负荷时间序列矩阵Qn的每一列的Q个子电力负荷时间序列拼接为一个长度为L1/L2*Q的时间向量，得到n个时间向量{B1,B2,…,Bn}，对于任意时间向量Bj＝[bj,1,bj,2,…,bj,L1/L2*Q]均由{X1,j,X2,j,…,XQ,j}共Q个子电力负荷时间序列拼接而成；
计算n个时间向量之间的欧式距离，利用K-means聚类方法，设置聚类簇数为N，对n个时间向量进行时间聚类，所述欧式距离的计算公式为：
其中，Bp＝[bp,1,bp,2,…,bp,L1/L2*Q]、Bq＝[bq,1,bq,2,…,bq,L1/L2*Q]分别为第p个和第q个时间向量，deu(Bp,Bq)为时间向量Bp,Bq之间的欧式距离。
4.根据权利要求1所述的方法，其特征在于，所述步骤5的具体过程为：
将子电力负荷时间序列矩阵Qn的每一行的n个子电力负荷时间序列拼接为一个长度为L1/L2*n的空间向量，得到Q个空间向量{C1,C2,…,CQ}，对于任意空间向量Ci＝[ci,1,ci,2,…,ci,L1/L2*n]均由{Xi,1,Xi,2,…,Xi,n}共n个子电力负荷时间序列拼接而成；
计算Q个空间向量之间的DTW距离，利用层次聚类方法，设置空间聚类簇数为K，对Q个空间向量进行聚类；
所述DTW距离是指动态时间归整距离，其计算公式为：
其中，ddtw(cg,I,ch,J)为第g个空间向量Cg＝[cg,1,cg,2,…,cg,L1/L2*n]与第h个空间向量Ch＝[ch,1,ch,2,…,ch,L1/L2*n]之间的DTW距离，deu(cg,I,ch,J)为cg,I,ch,J之间的一维欧式距离deu(cg,I,ch,J)＝|cg,I-ch,J|，且ddtw(cg,0,·)＝∞,ddwt(·,ch,0)＝∞。
5.根据权利要求1所述的方法，其特征在于，L1的取值为24小时，L2的取值为30分钟。
6.根据权利要求1所述的方法，其特征在于，所述目标区域电力负荷长时间原始序列数据的时间跨度至少为1年。
7.根据权利要求1所述的方法，其特征在于，输入负荷预测模型的电力负荷值的个数D＝6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910043165.XA CN109784562B (zh) | 2019-01-17 | 2019-01-17 | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910043165.XA CN109784562B (zh) | 2019-01-17 | 2019-01-17 | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109784562A CN109784562A (zh) | 2019-05-21 |
| CN109784562B true CN109784562B (zh) | 2020-08-25 |
Family
ID=66500871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910043165.XA Active CN109784562B (zh) | 2019-01-17 | 2019-01-17 | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109784562B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163715A (zh) * | 2020-10-14 | 2021-01-01 | 腾讯科技（深圳）有限公司 | 生成式对抗网络的训练方法及装置、电力负荷预测方法 |
| CN113344059B (zh) * | 2021-05-31 | 2022-06-07 | 武汉大学 | 一种基于时间序列的空间分析异常检测方法 |
| CN115423209B (zh) * | 2022-09-27 | 2023-07-04 | 中国长江三峡集团有限公司 | 一种电力负荷需求预测方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017050919A (ja) * | 2015-08-31 | 2017-03-09 | 住友電気工業株式会社 | 需要電力予測装置、需要電力予測方法及びコンピュータプログラム |
| CN108074004A (zh) * | 2016-11-12 | 2018-05-25 | 华北电力大学（保定） | 一种基于网格法的地理信息系统短期负荷预测方法 |
-
2019
- 2019-01-17 CN CN201910043165.XA patent/CN109784562B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017050919A (ja) * | 2015-08-31 | 2017-03-09 | 住友電気工業株式会社 | 需要電力予測装置、需要電力予測方法及びコンピュータプログラム |
| CN108074004A (zh) * | 2016-11-12 | 2018-05-25 | 华北电力大学（保定） | 一种基于网格法的地理信息系统短期负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "SHORT-TERM LOAD FORECASTING BASED ON THE GRID METHOD AND THE TIME SERIES FUZZY LOAD FORECASTING METHOD";Hong Li等;《International Conference on Renewable Power Generation（RPG 2015）》;20160407;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109784562A (zh) | 2019-05-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754113B (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
| CN109784562B (zh) | 一种基于大数据时空聚类的智慧电网电力负荷预测方法 | |
| CN109389244B (zh) | 一种基于gru的多因素感知短期景区内游客人数预测方法 | |
| CN111899510A (zh) | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 | |
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| Du et al. | GAN-based anomaly detection for multivariate time series using polluted training set | |
| CN111310387A (zh) | 一种燃料电池寿命预测方法 | |
| CN113487855B (zh) | 一种基于emd-gan神经网络结构的交通流预测方法 | |
| CN111160650B (zh) | 一种基于Adaboost算法的交通流特性分析与预测方法 | |
| CN111209968B (zh) | 基于深度学习的多气象因子模式预报温度订正方法及系统 | |
| CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
| CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
| CN115131618A (zh) | 基于因果推理的半监督图像分类方法 | |
| CN113361801A (zh) | 基于gan网络和半监督回归的混合滚动短期负荷预测方法 | |
| CN116307152A (zh) | 时空交互式动态图注意力网络的交通预测方法 | |
| CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
| CN111141879A (zh) | 一种深度学习的空气质量监测方法以及装置、设备 | |
| CN117668743A (zh) | 一种关联时空关系的时序数据预测方法 | |
| CN111949937A (zh) | 一种基于链式方程的分布式光伏数据多重插补方法 | |
| CN116995670A (zh) | 基于多模式分解和多分支输入的光伏功率超短期预测方法 | |
| CN111797979A (zh) | 基于lstm模型的振动传递系统 | |
| CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
| CN114595639A (zh) | 一种基于深度学习的大气污染物扩散的数值模拟方法 | |
| CN116911419A (zh) | 一种基于趋势相关性特征学习的长时序预测方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230815 Address after: 211, 2nd Floor, Building 10, Yard 1, Jinfang Road, Chaoyang District, Beijing, 100000 Patentee after: Beijing Haochen Energy International Trading Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20230815 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: Yuelu District City, Hunan province 410083 Changsha Lushan Road No. 932 Patentee before: CENTRAL SOUTH University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230824 Address after: 466000, 26th Floor, China Merchants Building, Wenchang Avenue, Urban Rural Integration Demonstration Zone, Zhoukou City, Henan Province Patentee after: Zhongke Shengshi Technology Co.,Ltd. Address before: 211, 2nd Floor, Building 10, Yard 1, Jinfang Road, Chaoyang District, Beijing, 100000 Patentee before: Beijing Haochen Energy International Trading Co.,Ltd. |