CN109978237A - 一种基于精细化气象数据的地区电网短期负荷预测系统 - Google Patents
一种基于精细化气象数据的地区电网短期负荷预测系统 Download PDFInfo
- Publication number
- CN109978237A CN109978237A CN201910161664.9A CN201910161664A CN109978237A CN 109978237 A CN109978237 A CN 109978237A CN 201910161664 A CN201910161664 A CN 201910161664A CN 109978237 A CN109978237 A CN 109978237A
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- data
- module
- fining
- 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
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 22
- 238000012423 maintenance Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 19
- 230000006870 function Effects 0.000 description 7
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
一种基于精细化气象数据的地区电网短期负荷预测系统,它包括数据库模块、数据维护模块、负荷预测模块,其中,数据库模块用于设置相应的数据库路径以及存储历史负荷数据单元,存储历史负荷数据单元包括日前小水火电负荷单元、新能源发电负荷单元、区间互供负荷单元、地区用电负荷单元、网供负荷单元、分时分区气象数据单元、以及历史负荷数据单元,可供负荷预测模块调用;本发明目的是提供一种引入了分时分区精细化气象数据,通过分析不同负荷分量的规律性,根据各自特点采取多种预测模式和预测方法,很好的提高地区电网短期负荷预测的精度和自动化程度的基于精细化气象数据的地区电网短期负荷预测系统。
Description
技术领域
本发明属于电力系统领域,具体涉及一种基于精细化气象数据的地区电网短期负荷预测系统。
背景技术
短期负荷预测主要预报未来几小时、1天至几天的电力负荷,它不仅为电力系统的安全、经济运行提供保障,也是市场环境下编排调度计划、供电计划、交易计划的基础。随着电力体制改革不断深入,市场化竞争机制逐步完善,新能源和分布式电源不断接入,电网调度对负荷预测的准确性、实时性、可靠性和智能化提出了更高的要求。负荷预测的精准度和自动化程度已经成为衡量现代化电力系统调度运行水平的一个重要标志。
目前国内外研究短期负荷预测的对象主要是地区用电负荷,而在电网的实际运行中,电力负荷是一个具有多成分、非线性与受多因素综合影响的动态复杂对象。广义的负荷预测既包括对负荷侧用电功率的预测,也包括对发电侧不可调节的风、光、水发电功率的预测。影响不同负荷分量变化的因素不尽相同,不同负荷分量的变化特性和影响模式也存在显著差异。此外,对地区电网而言,各县市区的用电负荷特性和气象条件差异较大,风、光、水等清洁能源电站点多面广,所处地理位置、气象条件及装机容量等同样存在明显差异。现有短期负荷预测系统利用的影响因素信息过于笼统,无法兼顾各地经济、气象等影响因素差异,导致预测误差较大。
为此,本系统引入分时分区精细化气象数据,通过分析不同负荷分量的规律性,根据各自特点采取多种预测模式和预测方法,可改变目前依赖人工经验的短期负荷预测工作模式,提高地区电网短期负荷预测的精度和自动化程度,提升负荷预测的工作效率。
发明内容
本发明目的是提供一种引入了分时分区精细化气象数据,通过分析不同负荷分量的规律性,根据各自特点采取多种预测模式和预测方法,很好的提高地区电网短期负荷预测的精度和自动化程度的基于精细化气象数据的地区电网短期负荷预测系统。
为了实现上述的技术特征,本发明采用的技术方案是:
一种基于精细化气象数据的地区电网短期负荷预测系统,它包括数据库模块、数据维护模块、负荷预测模块,其中,数据库模块用于设置相应的数据库路径以及存储历史负荷数据单元和负荷预测结果数据单元,存储历史负荷数据单元包括日前小水火电负荷单元、新能源发电负荷单元、区间互供负荷单元、地区用电负荷单元、网供负荷单元、分时分区气象数据单元、以及历史负荷数据单元,可供负荷预测模块调用,而负荷预测结果数据单元则可供预测结果评价模块调用,负荷预测结果数据单元用于存储负荷预测模块预测得到的数据;
数据维护模块用于批量导入历史负荷数据单元和相应的分时分区气象数据单元,对原始数据中的不良数据(如需要修补、替换及平滑的数据等)进行预处理以确保预测所需数据的完备性和正确性;
负荷预测模块用于日前小水火电负荷单元、新能源发电负荷单元、区间互供负荷单元、地区用电负荷单元网供负荷单元中负荷曲线的预测。
上述分时分区气象数据单元和历史负荷数据单元提供包括分时分区气温、降雨量、风速和太阳辐照度的历史数据和预测数据。
上述负荷预测模块提供的预测方法和预测模式可分别被选择后配合使用,针对每种类型的负荷分量可实现指定预测日负荷分量曲线的用户定制化精细预测,以及预测结果与相似日和相邻样本日负荷曲线的图形化显示对比。
上述预测方法包括时间序列神经网络、灰色预测、指数平滑和RBF神经网络等智能算法,预测模式包括根据不同预测负荷分量选取相应分时或分区气象数据作为输入数据。
还包括预测结果评价模块,结果评价模块用于统计指定时间段内负荷预测的误差率,显示包括负荷预测曲线与实际曲线对比图,对预测结果的准确性进行评价分析。
上述负荷预测模块在工作时,采用以下步骤:
1)采集网供负荷PS,地区用电负荷PL,小水火电负荷PW,新能源发电负荷PN和区域互供功率PH以及分时分区气温T、降雨量H、太阳辐照度I和风速V的历史数据,其中PS=PL-PW-PN-PH,各负荷分量P=[P1,P2,…,P96]是由时间间隔为15分钟的96时刻点功率组成的时序向量;
2)利用数据挖掘技术中的相关性分析针对小水火电、新能源发电、区间互供和地区用电负荷分别选取关联气象影响因素,并构成输入量序列如下:
XL,d=[Td,Hd,PL,d-1]
Xw,d=[Hd,Pw,d-1]
XN,d=[Id,Vd,PN,d-1]
XH,d=[PH,d-1]
式中d为待预测日,XL,d、Xw,d、XN,d、XH,d分别为地区用电、小水火电、新能源发电和区间互供负荷待预测日所需输入量;
3)确定待预测日后,预测执行模块会显示待预测日特征,如节假日、季节、天气等,根据每种负荷分量的关联气象因素,所显示的天气特征也各不相同。
对于地区用电负荷单元,显示待预测日平均气温预测值。
对于小水火电负荷单元,会显示日降雨量预测值。
对于新能源发电符合单元,会显示待预测日的风速及太阳辐照度预测值,根据待预测日特征和实际情况可灵活选取历史相似日,从系统提供的预测方法库和预测模式中选择更加适合的预测方法和预测模式,实现指定预测日负荷分量曲线的用户定制化精细预测。
本发明具有如下技术效果:
1)本发明本系统引入分时分区精细化气象数据,分析不同负荷分量的规律性,这样对不同负荷分量予以区别对待,能很好的根据各自特点选择有针对性的预测方法,改变了目前依赖人工经验的短期负荷预测工作模式,提高了地区电网短期负荷预测的精度和自动化程度,提升负荷预测的工作效率;
2)本发明满足了负荷预测人员的数据查询、信息管理、预测计算、评估预警等日常短期负荷预测工作的需要,使分析与预测工作协调统一,实现信息标准化、自动化、科学化和敏捷化。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明基于精细化气象数据的地区电网短期负荷预测系统结构图;
图2为本发明负荷预测模块结构图;
图3为本发明负荷预测流程图;
图4为本发明负荷预测方法库示意图。
具体实施方式
如图1所示,一种基于精细化气象数据的地区电网短期负荷预测系统,它包括数据库模块1、数据维护模块2、负荷预测模块3,其中,数据库模块1用于设置相应的数据库路径以及存储历史负荷数据单元和负荷预测结果数据单元,存储历史负荷数据单元包括日前小水火电负荷单元4、新能源发电负荷单元5、区间互供负荷单元6、地区用电负荷单元7、网供负荷单元8、分时分区气象数据单元9、以及历史负荷数据单元10,可供负荷预测模块3调用,而负荷预测结果数据单元则可供预测结果评价模块11调用;
数据维护模块2用于批量导入历史负荷数据单元10和相应的分时分区气象数据单元9,对原始数据中的不良数据(如需要修补、替换及平滑的数据等)进行预处理以确保预测所需数据的完备性和正确性;
负荷预测模块3用于日前小水火电负荷单元4、新能源发电负荷单元5、区间互供负荷单元6、地区用电负荷单元7网供负荷单元8中负荷曲线的预测。
具体的,分时分区气象数据单元9和历史负荷数据单元10提供包括分时分区气温、降雨量、风速和太阳辐照度的历史数据和预测数据。
具体的,负荷预测模块3提供的预测方法和预测模式可分别被选择后配合使用,针对每种类型的负荷分量可实现指定预测日负荷分量曲线的用户定制化精细预测,以及预测结果与相似日和相邻样本日负荷曲线的图形化显示对比。
更具体的,预测方法包括时间序列神经网络、灰色预测、指数平滑和RBF神经网络等智能算法,预测模式包括根据不同预测负荷分量选取相应分时或分区气象数据作为输入数据。
它还包括预测结果评价模块11,结果评价模块11用于统计指定时间段内负荷预测的误差率,显示包括负荷预测曲线与实际曲线对比图,对预测结果的准确性进行评价分析。
如图2和图3所示,在负荷预测模块3在工作时,采用以下步骤:
1)采集网供负荷PS,地区用电负荷PL,小水火电负荷PW,新能源发电负荷PN和区域互供功率PH以及分时分区气温T、降雨量H、太阳辐照度I和风速V的历史数据,其中PS=PL-PW-PN-PH,各负荷分量P=[P1,P2,…,P96]是由时间间隔为15分钟的96时刻点功率组成的时序向量;
2)利用数据挖掘技术中的相关性分析针对小水火电、新能源发电、区间互供和地区用电负荷分别选取关联气象影响因素,并构成输入量序列如下:
XL,d=[Td,Hd,PL,d-1]
Xw,d=[Hd,Pw,d-1]
XN,d=[Id,Vd,PN,d-1]
XH,d=[PH,d-1]
式中d为待预测日,XL,d、Xw,d、XN,d、XH,d分别为地区用电、小水火电、新能源发电和区间互供负荷待预测日所需输入量;
3)确定待预测日后,预测执行模块会显示待预测日特征,如节假日、季节、天气等,根据每种负荷分量的关联气象因素,所显示的天气特征也各不相同。
对于地区用电负荷单元(7),显示待预测日平均气温预测值。
对于小水火电负荷单元,会显示日降雨量预测值。
对于新能源发电符合单元,会显示待预测日的风速及太阳辐照度预测值,根据待预测日特征和实际情况可灵活选取历史相似日,从系统提供的预测方法库和预测模式中选择更加适合的预测方法和预测模式,实现指定预测日负荷分量曲线的用户定制化精细预测。
上述预测方法如图4所示,本发明对不同负荷分量采用多种不同的预测方法供系统使用者灵活选用。其中预测方法既包括回归分析法、灰色预测法和指数平滑法等经典预测方法,也包括如动态神经网络、RBF神经网络和时间序列(LSTM)神经网络等智能预测方法。
回归分析法就是根据负荷过去的历史资料,建立可以分析的数学模型,对未来的负荷进行预测。其原理是:利用数理统计中的回归分析方法,通过对变量的观测数据进行分析,确定变量之间的相互关系,从而实现预测。
灰色预测法是一种对含有不确定因素的系统进行预测的方法。以灰色系统理论为基础的灰色预测技术,可在数据不多的情况下找出某个时期内起作用的规律,建立负荷预测的模型。
指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法,它是通过计算指数平滑值,配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。
人工神经网络进行预测的基本思想是:根据训练样本集来拟合输入输出数据之间隐含的非线性函数关系。其优点是可以模仿人脑的智能化处理,对大量非线性、非精确性规律具有自适应功能,具有信息记忆、自主学习、知识推理和优化计算的特点。
动态神经网络是指带有反馈的那些神经网络。通过反馈,神经网络能将前一时刻的数据保留,使其加入到下一时刻数据的计算,使网络不仅具有动态性而且保留的系统信息也更加完整。
RBF(径向基函数)神经网络能够逼近任意的非线性函数,可以处理系统内的难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度,在时间序列分析方面已有良好的应用。
LSTM(Long Short-Term Memory)神经网络是长短期记忆网络,是RNN(recurrentneural network)递归神经网络的一种变型。相比与普通神经网络的各计算节点及隐含层神经元之间互相独立的特点,RNN的每一次隐含层的计算结果都与当前输入以及上一层隐含层结果相关,通过这种方法,RNN的计算结果便具备了记忆之前计算结果的功能,而LSTM算法不仅具有RNN的相应功能,同时可以解决RNN所存在的梯度消失问题,并通过设计,避免了长期依赖的问题,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
Claims (9)
1.一种基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:它包括数据库模块(1)、数据维护模块(2)、负荷预测模块(3),其中,数据库模块(1)用于设置相应的数据库路径以及存储历史负荷数据单元和负荷预测结果数据单元(12),存储历史负荷数据单元包括日前小水火电负荷单元(4)、新能源发电负荷单元(5)、区间互供负荷单元(6)、地区用电负荷单元(7)、网供负荷单元(8)、分时分区气象数据单元(9)、以及历史负荷数据单元(10),可供负荷预测模块(3)调用,而负荷预测结果数据单元(12)则可供预测结果评价模块(11)调用,负荷预测结果数据单元(12)用于存储负荷预测模块(3)预测得到的数据;
数据维护模块(2)用于批量导入历史负荷数据单元(10)和相应的分时分区气象数据单元(9),对原始数据中的不良数据进行预处理以确保预测所需数据的完备性和正确性;
负荷预测模块(3)用于日前小水火电负荷单元(4)、新能源发电负荷单元(5)、区间互供负荷单元(6)、地区用电负荷单元(7)网供负荷单元(8)中负荷曲线的预测。
2.根据权利要求1所述的基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:所述分时分区气象数据单元(9)和历史负荷数据单元(10)提供包括分时分区气温、降雨量、风速和太阳辐照度的历史数据和预测数据。
3.根据权利要求1或2所述的基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:所述负荷预测模块(3)提供的预测方法和预测模式可分别被选择后配合使用,针对每种类型的负荷分量可实现指定预测日负荷分量曲线的用户定制化精细预测,以及预测结果与相似日和相邻样本日负荷曲线的图形化显示对比。
4.根据权利要求3所述的基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:所述预测方法包括时间序列神经网络、灰色预测、指数平滑和RBF神经网络等智能算法,预测模式包括根据不同预测负荷分量选取相应分时或分区气象数据作为输入数据。
5.根据权利要求1或2所述的基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:还包括预测结果评价模块(11),结果评价模块(11)用于统计指定时间段内负荷预测的误差率,显示包括负荷预测曲线与实际曲线对比图,对预测结果的准确性进行评价分析。
6.根据权利要求3所述的基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:所述负荷预测模块(3)在工作时,采用以下步骤:
1)采集网供负荷PS,地区用电负荷PL,小水火电负荷PW,新能源发电负荷PN和区域互供功率PH以及分时分区气温T、降雨量H、太阳辐照度I和风速V的历史数据,其中PS=PL-PW-PN-PH,各负荷分量P=[P1,P2,…,P96]是由时间间隔为15分钟的96时刻点功率组成的时序向量;
2)利用数据挖掘技术中的相关性分析针对小水火电、新能源发电、区间互供和地区用电负荷分别选取关联气象影响因素,并构成输入量序列如下:
XL,d=[Td,Hd,PL,d-1]
Xw,d=[Hd,Pw,d-1]
XN,d=[Id,Vd,PN,d-1]
XH,d=[PH,d-1]
式中d为待预测日,XL,d、Xw,d、XN,d、XH,d分别为地区用电、小水火电、新能源发电和区间互供负荷待预测日所需输入量;
3)确定待预测日后,预测执行模块会显示待预测日特征,如节假日、季节、天气等,根据每种负荷分量的关联气象因素,所显示的天气特征也各不相同。
7.根据权利要求1或2或4或6所述的基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:对于地区用电负荷单元(7),显示待预测日平均气温预测值。
8.根据权利要求7所述的基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:对于小水火电负荷单元,会显示日降雨量预测值。
9.根据权利要求6或8所述的基于精细化气象数据的地区电网短期负荷预测系统,其特征在于:对于新能源发电符合单元,会显示待预测日的风速及太阳辐照度预测值,根据待预测日特征和实际情况可灵活选取历史相似日,从系统提供的预测方法库和预测模式中选择更加适合的预测方法和预测模式,实现指定预测日负荷分量曲线的用户定制化精细预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161664.9A CN109978237A (zh) | 2019-03-04 | 2019-03-04 | 一种基于精细化气象数据的地区电网短期负荷预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161664.9A CN109978237A (zh) | 2019-03-04 | 2019-03-04 | 一种基于精细化气象数据的地区电网短期负荷预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978237A true CN109978237A (zh) | 2019-07-05 |
Family
ID=67077837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910161664.9A Pending CN109978237A (zh) | 2019-03-04 | 2019-03-04 | 一种基于精细化气象数据的地区电网短期负荷预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978237A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461463A (zh) * | 2020-04-30 | 2020-07-28 | 南京工程学院 | 一种基于tcn-bp的短期负荷预测方法、系统及设备 |
CN112531679A (zh) * | 2020-11-04 | 2021-03-19 | 国网湖南综合能源服务有限公司 | 一种测负荷特征大数据监测设备及监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982387A (zh) * | 2012-10-18 | 2013-03-20 | 安徽工程大学 | 一种短期电力负荷预测方法 |
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 |
CN107769268A (zh) * | 2017-10-10 | 2018-03-06 | 三峡大学 | 一种含小水电的地调范围日前预测省供负荷方法 |
-
2019
- 2019-03-04 CN CN201910161664.9A patent/CN109978237A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982387A (zh) * | 2012-10-18 | 2013-03-20 | 安徽工程大学 | 一种短期电力负荷预测方法 |
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 |
CN107769268A (zh) * | 2017-10-10 | 2018-03-06 | 三峡大学 | 一种含小水电的地调范围日前预测省供负荷方法 |
Non-Patent Citations (2)
Title |
---|
吴荣福: "特殊天气下的福建电网短期负荷预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
曹松钱: "提高配电网短期负荷预测准确率的研究", 《浙江电力》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461463A (zh) * | 2020-04-30 | 2020-07-28 | 南京工程学院 | 一种基于tcn-bp的短期负荷预测方法、系统及设备 |
CN111461463B (zh) * | 2020-04-30 | 2023-11-24 | 南京工程学院 | 一种基于tcn-bp的短期负荷预测方法、系统及设备 |
CN112531679A (zh) * | 2020-11-04 | 2021-03-19 | 国网湖南综合能源服务有限公司 | 一种测负荷特征大数据监测设备及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
Mamlook et al. | A fuzzy inference model for short-term load forecasting | |
CN106960252A (zh) | 基于长短时记忆神经网络的电力负荷预测方法 | |
CN106952181A (zh) | 基于长短时记忆神经网络的电力负荷预测系统 | |
CN112614009A (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
CN110212524A (zh) | 一种区域电力负荷预测方法 | |
CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
CN101888087A (zh) | 一种在配网终端中实现分布式超短期区域负荷预测的方法 | |
CN108491982A (zh) | 一种基于回声状态网络的短期负荷预测方法及系统 | |
CN108539738A (zh) | 一种基于梯度提升决策树的短期负荷预测方法 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
Papageorgiou et al. | Hybrid model for water demand prediction based on fuzzy cognitive maps and artificial neural networks | |
CN105574586A (zh) | 基于mpso-bp网络的通用飞机航材需求预测方法 | |
Ganguly et al. | Short term load forecasting using fuzzy logic | |
CN109978237A (zh) | 一种基于精细化气象数据的地区电网短期负荷预测系统 | |
Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
Phyo et al. | Electricity load forecasting using a deep neural network. | |
Yuill et al. | Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks | |
Høverstad et al. | Effects of data cleansing on load prediction algorithms | |
CN109447339A (zh) | 作业窗口期的预测方法、装置及电子设备 | |
Kampouropoulos et al. | An energy prediction method using adaptive neuro-fuzzy inference system and genetic algorithms | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 |
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: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |