CN110032944A - 一种电力负荷特征提取方法及系统 - Google Patents

一种电力负荷特征提取方法及系统 Download PDF

Info

Publication number
CN110032944A
CN110032944A CN201910211976.6A CN201910211976A CN110032944A CN 110032944 A CN110032944 A CN 110032944A CN 201910211976 A CN201910211976 A CN 201910211976A CN 110032944 A CN110032944 A CN 110032944A
Authority
CN
China
Prior art keywords
load
load characteristic
component
feature
electric load
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
CN201910211976.6A
Other languages
English (en)
Inventor
秦汉时
赵庆杞
孙天雨
王炜
李悦悦
王振宇
韩超
李占军
刘明岳
赵有鹏
戚巍
温锦
唐萌
郭松
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.)
Shenyang Electric Power Survey & Design Institute Co ltd
State Grid Electric Power Research Institute Wuhan Energy Efficiency Evaluation Co ltd
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
NARI Group Corp
Shenyang Power Supply Co of State Grid Liaoning Electric Power Co Ltd
Original Assignee
Shenyang Electric Power Survey And Design Institute Co Ltd
State Grid Liaoning Integrated Energy Services Co Ltd
National Power Science Research Institute (wuhan) Energy Efficiency Test Co Ltd
State Grid Liaoning Electric Power Co Ltd
NARI Group Corp
Shenyang Power Supply Co of State Grid Liaoning Electric Power 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 Shenyang Electric Power Survey And Design Institute Co Ltd, State Grid Liaoning Integrated Energy Services Co Ltd, National Power Science Research Institute (wuhan) Energy Efficiency Test Co Ltd, State Grid Liaoning Electric Power Co Ltd, NARI Group Corp, Shenyang Power Supply Co of State Grid Liaoning Electric Power Co Ltd filed Critical Shenyang Electric Power Survey And Design Institute Co Ltd
Priority to CN201910211976.6A priority Critical patent/CN110032944A/zh
Publication of CN110032944A publication Critical patent/CN110032944A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种电力负荷特征提取方法及系统，包括以下步骤：步骤1，获取电力负荷曲线，并通过经验模态分解对所述电力负荷曲线进行处理获取新数据序列h1(t)；步骤2，获取负荷特征X和负荷时间序列各经验模态分解分量Y的最大信息系数；步骤3，根据所述最大相关系数对所述负荷特征X与目标imf分量进行相关性分析，并根据相关性对所述负荷特征X进行排序获取负荷特征子集T，步骤4，根据所述新数据序列获取不同imf分量最终负荷特征子集将不同的最终负荷特征子集叠加，获取负荷特征集TBEST。本发明通过将原始电力负荷时间序列利用经验模态分解进行分解，再利用负荷特征与负荷分量的最大相关系数对电力负荷特征进行筛选，相比于现有技术大大提高了电力负荷特征预测的精度，并有效降低了计算量。

Description

一种电力负荷特征提取方法及系统
技术领域
本发明涉及电力领域，具体涉及一种电力负荷特征提取方法及系统。
背景技术
电力负荷是电力系统的重要组成部分，它作为电能的消耗者对电力系统的分析、设计与控制有着重要影响。电力负荷特征提取是负荷预测的关键前提。由于电力负荷易受到多种因素的影响,同时随着储能、电动汽车、可再生分布式电源的大规模接入,都对电力负荷特征的提取带来难度。为了应对复杂环境带来的挑战,国内外对涉及原始负荷时间序列的分解及负荷影响因素的关联性分析进行了深入的研究。国内外学者为了能精确的提取负荷特征，实现负荷特征的准确分类，也提出了许多方法，但这些方法均存在不同程度的缺陷，如提取负荷特性样本采集的时间和季节作为特征向量的方法，不能反映负荷动特性的本质特征，具有较大的主观性；以感应电动机综合模型各参数为特征向量和以标准电压激励下的模型响应作为特征向量，是现在常用的两种特征提取方法，但这两种方法都必须选择模型结构并进行参数辨识才能得到负荷动态特性特征向量，模型结构误差、参数辨识误差将不可避免，而且计算量大。
发明内容
为解决上述背景技术中提出的问题，本发明提供一种电力负荷特征提取方法及系统，通过将原始电力负荷时间序列利用经验模态分解进行分解，再利用负荷特征与负荷分量的最大相关系数对电力负荷特征进行筛选，有效提高了预测精度并降低了计算量。
本发明第一部分提供了一种电力负荷特征提取方法，包括以下步骤：
步骤1，获取电力负荷曲线，并通过经验模态分解对所述电力负荷曲线进行处理获取新数据序列h1(t)；
步骤2，获取负荷特征X和负荷时间序列各经验模态分解分量Y的最大信息系数；
步骤3，根据所述最大相关系数对所述负荷特征X与目标imf分量进行相关性分析，并根据相关性对所述负荷特征X进行排序获取负荷特征子集T，
步骤4，根据所述新数据序列获取不同imf分量最终负荷特征子集将不同的最终负荷特征子集叠加，获取负荷特征集TBEST。
作为一种可选方案，所述步骤1包括：步骤1.1：获取原始负荷时间序列f(t)的上包络线u1(t)与下包络线v1(t)，并获取所述上包络线u1(t)与下包络线v1(t)的平均值m1(t)：
步骤1.2：获取原日负荷数据减去平均包络后的新数据序列h1(t)：h1(t)＝f(t)-m1(t)。
作为一种可选方案，所述步骤1.2之后还包括：
步骤1.3：判断h1(t)是否满足本征模函数，若不满足，则将h1(t)看作新的f(t)，重复步骤1.1和1.2的处理过程，其中，为迭代m次的差值序列，β1(t)为第一个合格的imf分量；
步骤1.4：获取分离第一个imf分量的剩余分量r1(t)：r1(t)＝f(t)-β1(t)；
步骤1.5：将r1(t)看作新的负荷时间序列，重复步骤1.1～步骤1.4，获取各阶imf分量；
步骤1.6：获取原始的数据序列其中βi(t)为第i个imf分量，rn(t)为残差分量。
作为一种可选方案，所述判断h1(t)是否满足本征模函数具体为：通过判断差值h1(t)极值点数目和过零点数目的相差为0或者1；差值h1(t)的上下包络线由计算所得的均值为0。
作为一种可选方案，所述步骤2包括：
步骤2.1，根据时间类型数据、天气特征数据以及历史负荷数据构建初步特征，并初始化原始特征集合S；
步骤2.2，计算负荷特征分量的信息熵以及负荷时间序列各imf分量信息熵，
其中，Xj为影响各分量的特征，A为该特征变量的取值空间，S为原始特征集，是所有特征Xj的集合，p(xj)为Xj的概率密度。Yk为负荷EMD分解后各imf分量，B为该Yk分量的取值空间，J为所有imf分量的集合。
步骤2.3：获取各负荷特征变量与各imf分量的互信息：
I(Xj；Yk)＝H(Xj)-H(Xj|Yk)＝H(Yk)-H(Yk|Xj)
式中，H(Xj|Yk)和H(Yk|Xj)为条件熵。
步骤2.4：获取互信息I(Xj；Yk)满足以下关系式:
0≤I(Xj；Yk)≤min{H(Xj),H(Yk)}
其中，I(Xj；Yk)为变量Xj和Yk的互信息。
步骤2.5：获取对于特征Xj和各imf分量Yk之间的最大相关信息系数：
式中，Imax(Xj；Yk)为变量Xj和Yk的最大相关信息系数。
作为一种可选方案，所述步骤3包括：步骤3.1：获取变量Xj与Yk的对称不确定性：
步骤3.2：将步骤3.1得到的各SUmax(Xj；Yk)由大到小进行排序，SUmax(Xj；Yk)值越大说明该负荷特征Xj对负荷分量Yk的影响越大，特征重要性更高，将排序后的特征存放入集合T。
作为一种可选方案，所述步骤3.2之后还包括：
步骤3.3，对负荷特征进行冗余性分析，I(Xj；Yk)满足以下条件：
式中，Xi∈T且Xj∈T，i≠j；
删除冗余特征，获取负荷特征子集T。
作为一种可选方案，所述时间类型数据包括月、周、节假日；
所述天气特征数据包括温度、湿度。
本发明第二部分提供一种电力负荷特征提取系统，所述系统包括：电力负荷曲线模块，用于获取电力负荷曲线，并通过经验模态分解对所述电力负荷曲线进行处理获取新数据序列h1(t)；最大信息系数模块，用于获取负荷特征X和负荷时间序列各经验模态分解分量Y的最大信息系数；负荷特征子集模块，根据所述最大相关系数对所述负荷特征X与目标imf分量进行相关性分析，并根据相关性对所述负荷特征X进行排序获取负荷特征子集T；负荷特征集模块，根据所述新数据序列获取不同imf分量最终负荷特征子集将不同的最终负荷特征子集叠加，获取负荷特征集TBEST。
作为一种可选方案，所述电力负荷曲线模块包括：时间序列模块，用于获取原始负荷时间序列f(t)的上包络线u1(t)与下包络线v1(t)，并获取所述上包络线u1(t)与下包络线v1(t)的平均值m1(t)：新数据序列模块，用于获取原日负荷数据减去平均包络后的新数据序列h1(t)：h1(t)＝f(t)-m1(t)。
本发明的优点在于：本发明通过将原始电力负荷时间序列利用经验模态分解进行分解，再利用负荷特征与负荷分量的最大相关系数对电力负荷特征进行筛选，相比于现有技术大大提高了电力负荷特征预测的精度，并有效降低了计算量。
附图说明
图1是本发明实施例提供的电力负荷特征提取方法的流程图；
图2是本发明提供的基于最大相关系数的电力负荷特征提取流程图。
具体实施方式
下面参照附图并结合具体的实施例，对本发明作进一步的详细说明。
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
本实施例提供一种基于经验模态分解和最大相关系数的短期负荷特征提取方法。该方法将原始电力负荷时间序列利用经验模态分解进行分解，再利用负荷特征与负荷分量的最大相关系数对电力负荷特征进行分子筛选。
步骤1：对采集到的电力负荷曲线利用经验模态分解对数据进行处理。
步骤1.1：求取原始负荷时间序列f(t)的上包络线u1(t)与下包络线v1(t)，并计算两上包络线和下包络线的平均值m1(t)：
式中，f(t)为原始负荷时间序列，u1(t)为原始负荷时间序列的上包络线，v1(t)为原始负荷时间序列的下包络线。
步骤1.2：计算原日负荷数据减去平均包络后的新数据序列h1(t)：
h1(t)＝f(t)-m1(t)
式中，h1(t)为新数据序列。
步骤1.3：判断h1(t)是否满足本征模函数(IMF)的两个条件：差值h1(t)极值点数目和过零点数目的相差为0或者1两种可能；差值h1(t)的上下包络线由(1)式计算所得的均值为0。若不满足IMF条件，将h1(t)看作新的f(t)，重复上述处理过程，直至迭代m次满足条件时，获得一个合格的IMF，记为β1(t)：
式中，为迭代m次的差值序列，β1(t)为第一个合格的imf分量。
步骤1.4：求取分离第一个imf分量的剩余分量r1(t)：
r1(t)＝f(t)-β1(t)
式中，r1(t)为剩余分量。
步骤1.5：将r1(t)看作新的负荷时间序列，重复步骤1.1～步骤1.4，即可依次得到各阶IMF分量直到满足给定的终止条件时筛选结束得到所有imf分量和剩余分量。
步骤1.6：原始的数据序列即可由这些imf分量以及一个均值或趋势项表示rn(t)。
式中，βi(t)为第i个imf分量，rn(t)为残差分量。
步骤2：负荷特征X和负荷时间序列分量Y之间的相关性可以通过最大相关信息系数Imax(Xj；Yk)进行描述，不考虑残差分量，保留imf分量。因此要求取负荷特征X和负荷时间序列各imf分量Y的最大信息系数。
步骤2.1：根据时间类型数据(月、周、节假日)、天气特征数据(温度、湿度)和历史负荷数据构建初步特征，初步特征如表1所示，将原始特征集合S进行初始化：
表1初步特征
步骤2.2：计算负荷特征分量的信息熵以及负荷时间序列各imf分量信息熵。
式中，Xj为影响各分量的特征，A为该特征变量的取值空间，S为原始特征集，是所有特征Xj的集合，p(xj)为Xj的概率密度。Yk为负荷EMD分解后各imf分量，B为该Yk分量的取值空间，J为所有imf分量的集合。
步骤2.3：求取各负荷特征变量与各imf分量的互信息：
I(Xj；Yk)＝H(Xj)-H(Xj|Yk)＝H(Yk)-H(Yk|Xj)
式中，H(Xj|Yk)和H(Yk|Xj)为条件熵。
步骤2.4：由此可得互信息I(Xj；Yk)满足以下关系式:
0≤I(Xj；Yk)≤min{H(Xj),H(Yk)}
式中，I(Xj；Yk)为变量Xj和Yk的互信息。
步骤2.5：求取对于特征Xj和各imf分量Yk之间的最大相关信息系数：
式中，Imax(Xj；Yk)为变量Xj和Yk的最大相关信息系数
步骤3：对负荷特征与目标imf分量进行相关性分析，从而得到不同负荷特征对于目标分量的重要程度。
步骤3.1：计算每个特征Xj与Yk的对称不确定性。
式中，SUmax(Xj；Yk)为Xj与Yk的对称不确定性。
步骤3.2：将步骤3.1得到的各SUmax(Xj；Yk)由大到小进行排序，SUmax(Xj；Yk)值越大说明该负荷特征Xj对负荷分量Yk的影响越大，特征重要性更高，将排序后的特征存放入集合T。
步骤3.3：由于有的负荷特征相对于其他特征对负荷分量影响较小，因此对负荷特征进行冗余性分析，删除冗余特征。满足以下条件：
式中，Xi∈T且Xj∈T，i≠j。
步骤4：通过步骤3和步骤4的判断，得到不同imf分量最终的负荷特征子集将不同的负荷特征子集叠加，形成最终的负荷特征集TBEST。
实施例二
本实施例提供一种电力负荷特征提取系统，所述系统包括：电力负荷曲线模块，用于获取电力负荷曲线，并通过经验模态分解对所述电力负荷曲线进行处理获取新数据序列h1(t)；最大信息系数模块，用于获取负荷特征X和负荷时间序列各经验模态分解分量Y的最大信息系数；负荷特征子集模块，根据所述最大相关系数对所述负荷特征X与目标imf分量进行相关性分析，并根据相关性对所述负荷特征X进行排序获取负荷特征子集T；负荷特征集模块，根据所述新数据序列获取不同imf分量最终负荷特征子集将不同的最终负荷特征子集叠加，获取负荷特征集TBEST。
上述电力负荷特征提取系统工作原理详见实施例一，在此不再赘述。
本发明实施例提供的上述技术方案及附图，用于对本发明的进一步说明而非限制，另外应当说明的是，本领域普通技术人员应当知晓，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明技术方案的范围。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
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。

Claims (10)

1.一种电力负荷特征提取方法，其特征在于，所述方法包括以下步骤：
步骤1，获取电力负荷曲线，并通过经验模态分解对所述电力负荷曲线进行处理获取新数据序列h1(t)；
步骤2，获取负荷特征X和负荷时间序列各经验模态分解分量Y的最大信息系数；
步骤3，根据所述最大相关系数对所述负荷特征X与目标imf分量进行相关性分析，并根据相关性对所述负荷特征X进行排序获取负荷特征子集T，
步骤4，根据所述新数据序列获取不同imf分量最终负荷特征子集将不同的最终负荷特征子集叠加，获取负荷特征集TBEST。
2.根据权利要求1所述的一种电力负荷特征提取方法，其特征在于，所述步骤1包括：
步骤1.1：获取原始负荷时间序列f(t)的上包络线u1(t)与下包络线v1(t)，并获取所述上包络线u1(t)与下包络线v1(t)的平均值m1(t)：
步骤1.2：获取原日负荷数据减去平均包络后的新数据序列h1(t)：
h1(t)＝f(t)-m1(t)。
3.根据权利要求2所述的一种电力负荷特征提取方法，其特征在于，所述步骤1.2之后还包括：
步骤1.3：判断h1(t)是否满足本征模函数，若不满足，则将h1(t)看作新的f(t)，重复步骤1.1和1.2的处理过程，其中，为迭代m次的差值序列，β1(t)为第一个合格的imf分量；
步骤1.4：获取分离第一个imf分量的剩余分量r1(t)：
r1(t)＝f(t)-β1(t)；
步骤1.5：将r1(t)看作新的负荷时间序列，重复步骤1.1～步骤1.4，获取各阶imf分量；
步骤1.6：获取原始的数据序列其中βi(t)为第i个imf分量，rn(t)为残差分量。
4.根据权利要求3所述的一种电力负荷特征提取方法，其特征在于，所述判断h1(t)是否满足本征模函数具体为：
通过判断差值h1(t)极值点数目和过零点数目的相差为0或者1；
差值h1(t)的上下包络线由计算所得的均值为0。
5.根据权利要4所述的一种电力负荷特征提取方法，其特征在于，所述步骤2包括：
步骤2.1，根据时间类型数据、天气特征数据以及历史负荷数据构建初步特征，并初始化原始特征集合S；
步骤2.2，计算负荷特征分量的信息熵以及负荷时间序列各imf分量信息熵，
其中，Xj为影响各分量的特征，A为该特征变量的取值空间，S为原始特征集，是所有特征Xj的集合，p(xj)为Xj的概率密度。Yk为负荷EMD分解后各imf分量，B为该Yk分量的取值空间，J为所有imf分量的集合。
步骤2.3：获取各负荷特征变量与各imf分量的互信息：
I(Xj；Yk)＝H(Xj)-H(Xj|Yk)＝H(Yk)-H(Yk|Xj)
式中，H(Xj|Yk)和H(Yk|Xj)为条件熵。
步骤2.4：获取互信息I(Xj；Yk)满足以下关系式:
0≤I(Xj；Yk)≤min{H(Xj),H(Yk)}
其中，I(Xj；Yk)为变量Xj和Yk的互信息。
步骤2.5：获取对于特征Xj和各imf分量Yk之间的最大相关信息系数：
式中，Imax(Xj；Yk)为变量Xj和Yk的最大相关信息系数。
6.根据权利要求5所述的一种电力负荷特征提取方法，其特征在于，所述步骤3包括：
步骤3.1：获取变量Xj与Yk的对称不确定性：
步骤3.2：将步骤3.1得到的各SUmax(Xj；Yk)由大到小进行排序，SUmax(Xj；Yk)值越大说明该负荷特征Xj对负荷分量Yk的影响越大，特征重要性更高，将排序后的特征存放入集合T。
7.根据权利要求6所述的电力负荷特征提取方法，其特征在于，所述步骤3.2之后还包括：
步骤3.3，对负荷特征进行冗余性分析，I(Xj；Yk)满足以下条件：
式中，Xi∈T且Xj∈T，i≠j；
删除冗余特征，获取负荷特征子集T。
8.根据权利要求5-7任一项所述的电力负荷特征提取方法，其特征在于，所述时间类型数据包括月、周、节假日；
所述天气特征数据包括温度、湿度。
9.一种电力负荷特征提取系统，其特征在于，所述系统包括：
电力负荷曲线模块，用于获取电力负荷曲线，并通过经验模态分解对所述电力负荷曲线进行处理获取新数据序列h1(t)；
最大信息系数模块，用于获取负荷特征X和负荷时间序列各经验模态分解分量Y的最大信息系数；
负荷特征子集模块，根据所述最大相关系数对所述负荷特征X与目标imf分量进行相关性分析，并根据相关性对所述负荷特征X进行排序获取负荷特征子集T；
负荷特征集模块，根据所述新数据序列获取不同imf分量最终负荷特征子集将不同的最终负荷特征子集叠加，获取负荷特征集TBEST。
10.根据权利要求9所述一种电力负荷特征提取系统，其特征在于，所述电力负荷曲线模块包括：
时间序列模块，用于获取原始负荷时间序列f(t)的上包络线u1(t)与下包络线v1(t)，并获取所述上包络线u1(t)与下包络线v1(t)的平均值m1(t)：
新数据序列模块，用于获取原日负荷数据减去平均包络后的新数据序列h1(t)：h1(t)＝f(t)-m1(t)。
CN201910211976.6A 2019-03-20 2019-03-20 一种电力负荷特征提取方法及系统 Pending CN110032944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910211976.6A CN110032944A (zh) 2019-03-20 2019-03-20 一种电力负荷特征提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910211976.6A CN110032944A (zh) 2019-03-20 2019-03-20 一种电力负荷特征提取方法及系统

Publications (1)

Publication Number Publication Date
CN110032944A true CN110032944A (zh) 2019-07-19

Family

ID=67236352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910211976.6A Pending CN110032944A (zh) 2019-03-20 2019-03-20 一种电力负荷特征提取方法及系统

Country Status (1)

Country Link
CN (1) CN110032944A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110685868A (zh) * 2019-10-25 2020-01-14 长沙理工大学 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN111667135A (zh) * 2020-03-25 2020-09-15 国网天津市电力公司 一种基于典型特征提取的负荷结构解析方法
CN113837441A (zh) * 2021-08-24 2021-12-24 山东大学 考虑eemd分解后重构准确性的电力负荷预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390117A (zh) * 2013-08-08 2013-11-13 山东大学 一种电力负荷动特性的特征提取方法
CN109214721A (zh) * 2018-11-07 2019-01-15 国网电力科学研究院(武汉)能效测评有限公司 一种多能源系统中长期冷热电负荷分类方法
CN109242150A (zh) * 2018-08-15 2019-01-18 中国南方电网有限责任公司超高压输电公司南宁监控中心 一种电网可靠性预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390117A (zh) * 2013-08-08 2013-11-13 山东大学 一种电力负荷动特性的特征提取方法
CN109242150A (zh) * 2018-08-15 2019-01-18 中国南方电网有限责任公司超高压输电公司南宁监控中心 一种电网可靠性预测方法
CN109214721A (zh) * 2018-11-07 2019-01-15 国网电力科学研究院(武汉)能效测评有限公司 一种多能源系统中长期冷热电负荷分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
NANTIAN HUANG等: "Short Term Electrical Load Forecasting Using Mutual Information Based Feature Selection with Generalized Minimum-Redundancy and Maximum-Relevance Criteria", 《ENTROPY》 *
任卫杰: "基于信息论的特征选择算法研究", 《中国优秀硕士学位论文全文数据库》 *
孔祥玉等: "基于经验模态分解与特征相关分析的短期负荷预测方法", 《电力系统自动化》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110685868A (zh) * 2019-10-25 2020-01-14 长沙理工大学 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN111667135A (zh) * 2020-03-25 2020-09-15 国网天津市电力公司 一种基于典型特征提取的负荷结构解析方法
CN113837441A (zh) * 2021-08-24 2021-12-24 山东大学 考虑eemd分解后重构准确性的电力负荷预测方法及系统

Similar Documents

Publication Publication Date Title
Khaireddin et al. Facial emotion recognition: State of the art performance on FER2013
Mohammadi et al. Small-scale building load forecast based on hybrid forecast engine
Huang et al. Solar radiation prediction using different machine learning algorithms and implications for extreme climate events
WO2021155713A1 (zh) 基于权重嫁接的模型融合的人脸识别方法及相关设备
CN110032944A (zh) 一种电力负荷特征提取方法及系统
CN112488395A (zh) 一种配电网线损预测方法及系统
CN108694673A (zh) 一种保险业务风险预测的处理方法、装置及处理设备
CN104933428B (zh) 一种基于张量描述的人脸识别方法及装置
CN108460681A (zh) 一种风险管控方法及装置
Almalaq et al. Towards increasing hosting capacity of modern power systems through generation and transmission expansion planning
Shaheen et al. Multi‐objective manta ray foraging algorithm for efficient operation of hybrid AC/DC power grids with emission minimisation
CN106227792A (zh) 用于推送信息的方法和装置
Luo et al. Recent advances in clonal selection algorithms and applications
CN112508118A (zh) 针对数据偏移的目标对象行为预测方法及其相关设备
Tang et al. Optimisation of wind farm layout in complex terrain via mixed‐installation of different types of turbines
CN112036483B (zh) 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质
CN103618315B (zh) 一种基于bart算法和超吸收壁的电网电压无功优化方法
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN111210332A (zh) 贷后管理策略生成方法、装置及电子设备
He et al. Biobjective Optimization‐Based Frequency Regulation of Power Grids with High‐Participated Renewable Energy and Energy Storage Systems
CN108932525A (zh) 一种行为预测方法及装置
CN117235633A (zh) 机构分类方法、装置、计算机设备及存储介质
Guo et al. Accurate and fast single shot multibox detector
CN104484418B (zh) 一种基于双分辨率的特征量化方法及系统
CN105868435B (zh) 一种基于线性相关性分析实现光网络建设的高效控制方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20200429

Address after: 430074 Hubei Province, Wuhan city Hongshan District Luoyu Road No. 143

Applicant after: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE (WUHAN) ENERGY EFFICIENCY EVALUATION Co.,Ltd.

Applicant after: NARI GROUP Corp.

Applicant after: SHENYANG POWER SUPPLY COMPANY OF STATE GRID LIAONING ELECTRIC POWER Co.,Ltd.

Applicant after: DANDONG ELECTRIC POWER SUPPLY COMPANY OF STATE GRID LIAONING ELECTRIC POWER SUPPLY Co.,Ltd.

Applicant after: STATE GRID LIAONING COMPREHENSIVE ENERGY SERVICE Co.,Ltd.

Applicant after: SHENYANG ELECTRIC POWER SURVEY & DESIGN INSTITUTE Co.,Ltd.

Applicant after: STATE GRID CORPORATION OF CHINA

Address before: 430074 Hubei Province, Wuhan city Hongshan District Luoyu Road No. 143

Applicant before: STATE GRID ELECTRIC POWER RESEARCH INSTITUTE (WUHAN) ENERGY EFFICIENCY EVALUATION Co.,Ltd.

Applicant before: NARI GROUP Corp.

Applicant before: SHENYANG POWER SUPPLY COMPANY OF STATE GRID LIAONING ELECTRIC POWER Co.,Ltd.

Applicant before: DANDONG ELECTRIC POWER SUPPLY COMPANY OF STATE GRID LIAONING ELECTRIC POWER SUPPLY Co.,Ltd.

Applicant before: STATE GRID LIAONING COMPREHENSIVE ENERGY SERVICE Co.,Ltd.

Applicant before: SHENYANG ELECTRIC POWER SURVEY & DESIGN INSTITUTE Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190719