CN110119837A - 一种基于城市用地性质及开发时间的空间负荷预测方法 - Google Patents
一种基于城市用地性质及开发时间的空间负荷预测方法 Download PDFInfo
- Publication number
- CN110119837A CN110119837A CN201910301391.3A CN201910301391A CN110119837A CN 110119837 A CN110119837 A CN 110119837A CN 201910301391 A CN201910301391 A CN 201910301391A CN 110119837 A CN110119837 A CN 110119837A
- Authority
- CN
- China
- Prior art keywords
- plot
- time
- load
- ideal
- rapid growth
- 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 15
- 238000010276 construction Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 238000007476 Maximum Likelihood Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q50/10—Services
- G06Q50/16—Real estate
- G06Q50/165—Land development
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于城市用地性质及开发时间的空间负荷预测方法,根据用地性质将不同地块分为同质地块和同时地块两类;采用Logistic函数分别对不同地块用电负荷进行拟合;对n个年份的理想平均负荷进行归一化处理;对地块的用电负荷理想发展速度和地块快速增长期年份的理想中位数采用最大似然估计方法进行训练,得到地块的用电负荷发展速度的训练值和地块快速增长期年份中位数的训练值;将地块用电负荷发展速度的训练值和地块快速增长期中位数的训练值带入Logistic函数得到n个年份的负荷预测值。本发明在考虑地块性质的基础上,重新建构了空间负荷预测模型的参数训练方案。本发明简化了计算复杂度,提升了预测精度。
Description
技术领域
本发明涉及一种空间负荷预测方法。特别是涉及一种基于城市用地性质及开发时间的空间负荷预测方法。
背景技术
随着我国城市化、工业化进程的加速,配电网规模不断扩大。近年来,地方市政建设规划调整较快,配网规划与政府规划间的结合较少,城市发展与配电网规划的不匹配问题日益凸显。而负荷预测作为电网规划的基础,直接影响着电网规划项目的实施效率。负荷预测包含的数据信息量大、不确定因素多、涉及领域广,实现负荷的快速、精确预测对提升配电网规划的质量和速度具有重要意义。
使用空间负荷预测方法能够预测每一个子地块的负荷增长,结合市政控规提供的各个子地块的用地性质、用地面积、容积率等信息,最终可实现整个片区负荷的准确预测。关于空间负荷预测,主要围绕系统架构和数学模型两方面展开。在系统架构范畴内,空间负荷预测需要庞大的数据信息,但新建片区能够用于负荷预测的有效数据较少,且数据采集过程复杂,地理信息利用率低。而基于城市用地性质和开发时间的数据收集模式简单、高效,因此本发明将城市用地性质和开发时间作为空间负荷预测系统框架的核心数据分类标准。在此基础上,提出一种基于Logistic回归模型的改进空间负荷预测方法,降低了模型的复杂度。
发明内容
本发明所要解决的技术问题是,提供一种优化了负荷预测系统的架构、提升了预测精度的基于城市用地性质及开发时间的空间负荷预测方法。
本发明所采用的技术方案是:一种基于城市用地性质及开发时间的空间负荷预测方法,包括如下步骤:
1)根据用地性质将不同地块分为同质地块和同时地块两类,其中,同质地块是由用户性质相同且负荷发展遵循Logistic函数的地块组成;同时地块是由开发时间在相同时期且下属的工程建设以及人口导入进度一致的地块组成;
2)采用Logistic函数分别对不同地块用电负荷进行拟合:
式中:Y(t)为地块第t年份的理想平均负荷,t0为地块快速增长期年份的理想中位数,r为地块的用电负荷理想发展速度,K和P0分别代表logistic函数的渐进最大值和最小值,从而得到n个年份的理想平均负荷;
3)对n个年份的理想平均负荷进行归一化处理,得到K=10,P0=3;
4)同质地块的用电负荷理想发展速度r相同,但快速增长期年份的理想中位数t0不同;同时地块快速增长期年份的理想中位数t0相同,但用电负荷理想发展速度r不同,因此对地块的用电负荷理想发展速度r和地块快速增长期年份的理想中位数t0采用最大似然估计方法进行训练,得到地块的用电负荷发展速度的训练值r′和地块快速增长期年份中位数的训练值t0′;
5)将地块用电负荷发展速度的训练值r′和地块快速增长期中位数的训练值t0′带入Logistic函数得到n个年份的负荷预测值。
步骤4)所述的训练包括:
令在第t年份的实际平均负荷Y′(t)=y(t),得到有噪声系统模型:
其中高斯噪声η~N(0,σ0 2),为降低有噪声系统模型复杂度,将Logistic函数变换,得到改进负荷预测模型为:
在改进负荷预测模型中加入独立同分布的高斯噪声η0,得到改进的有噪声系统模型:
其中,噪声方差σ0 2对于每个年份并不是一个独立同分布的高斯随机变量,不能忽略其相关性,为提高建模的准确性,给出第k个年份的噪声方差σk 2与噪声方差σ0 2之间的关系;
对有噪声系统模型进行等价变换得到等价变换后的有噪声系统模型:
由于η较小,故Y′(t)≈Y(t),由改进的有噪声系统模型和等价变换后的有噪声系统模型,得到:
对于第k个年份则有
其中,tk为第k个年份,yk(t)为第k个年份实际平均负荷量。
考察n个不同的年份,对改进的有噪声系统模型求对数似然函数:
对地块的用电负荷理想发展速度r求导,得到:
对地块快速增长期年份的理想中位数t0求导,得到:
令以及得到关于地块的用电负荷理想发展速度r的训练方程:
以及得到关于地块快速增长期年份的理想中位数t0的训练方程:
从而得到地块用电负荷发展速度的训练值r′和地块快速增长期中位数的训练值t0′。
本发明的一种基于城市用地性质及开发时间的空间负荷预测方法,在考虑地块性质的基础上,重新建构了空间负荷预测模型的参数训练方案。将地块分为同质地块和同时地块,通过不同的地块分类方法训练不同的参数,根据Logistic函数的最大似然估计,提出了低复杂度的模型变换方案。其优点主要在于:
1、通过地块分类,把片区的空间负荷预测问题转换为网格化分区的参数训练和模型的整合预测两个问题,优化了负荷预测系统的架构。
2、在考虑用地性质和开发时间的基础上,重新建构了基于发展速度r和中位年份t0的参数训练方案,根据改进Logistic函数的最大似然估计,提出了低复杂度的模型变换方法。
3、仿真验证结果表明,本发明提出的改进空间负荷预测方法简化了计算复杂度,提升了预测精度。
附图说明
图1是本发明的一种基于城市用地性质及开发时间的空间负荷预测方法的流程图;
图2是本发明的改进负荷预测模型与传统负荷预测模型和理想负荷模型对比图;
图3是本发明的不同地块的改进空间负荷预测图。
具体实施方式
下面结合实施例和附图对本发明的一种基于城市用地性质及开发时间的空间负荷预测方法做出详细说明。
本发明的一种基于城市用地性质及开发时间的空间负荷预测方法,将空间负荷预测模型的参数训练问题转化为参数训练和数据集分类模拟两个子问题,首先通过数据集分类构造足以确定预测模型参数的完整数据集,然后求解模型的最大似然训练问题,保证了在历史数据不完整的情况下仍能较好的预测负荷。
如图1所示,本发明的一种基于城市用地性质及开发时间的空间负荷预测方法,包括如下步骤:
1)用地性质对于空间负荷预测具有指导性作用,因此本发明在传统预测方案的基础上,根据用地性质对不同地块进行分类。分类后可增加每个地块模型的训练数据集,进而提升模型的训练精度。
具体是根据用地性质将不同地块分为同质地块和同时地块两类,其中,同质地块是由用户性质相同且负荷发展遵循Logistic函数的地块组成;同时地块是由开发时间在相同时期且下属的工程建设以及人口导入进度一致的地块组成;
2)采用Logistic函数分别对不同地块用电负荷进行拟合:
式中:Y(t)为地块第t年份的理想平均负荷,t0为地块快速增长期年份的理想中位数,r为地块的用电负荷理想发展速度,K和P0分别代表logistic函数的渐进最大值和最小值,从而得到n个年份的理想平均负荷;
3)对n个年份的理想平均负荷进行归一化处理,得到K=10,P0=3;这样Logistic函数的最大值K和最小值P0就可排除在本发明的参数训练目标之外,简化了参数训练算法的复杂度;
4)同质地块的用电负荷理想发展速度r相同,但快速增长期年份的理想中位数t0不同;同时地块快速增长期年份的理想中位数t0相同,但用电负荷理想发展速度r不同。因此对地块的用电负荷理想发展速度r和地块快速增长期年份的理想中位数t0采用最大似然估计方法进行训练,得到地块的用电负荷发展速度的训练值r′和地块快速增长期年份中位数的训练值t0′;所述的训练包括:
令在第t年份的实际平均负荷Y′(t)=y(t),得到有噪声系统模型:
其中高斯噪声η~N(0,σ0 2),为降低有噪声系统模型复杂度,将Logistic函数变换,得到改进负荷预测模型为:
在改进负荷预测模型中加入独立同分布的高斯噪声η0,得到改进的有噪声系统模型:
其中,噪声方差σ0 2对于每个年份并不是一个独立同分布的高斯随机变量,不能忽略其相关性,为提高建模的准确性,给出第k个年份的噪声方差σk 2与噪声方差σ0 2之间的关系。
对有噪声系统模型进行等价变换得到等价变换后的有噪声系统模型:
由于η较小,故Y′(t)≈Y(t),由改进的有噪声系统模型和等价变换后的有噪声系统模型,得到:
对于第k个年份则有
其中,tk为第k个年份,yk(t)为第k个年份实际平均负荷量。
考察n个不同的年份,对改进的有噪声系统模型求对数似然函数:
对地块的用电负荷理想发展速度r求导,得到:
对地块快速增长期年份的理想中位数t0求导,得到:
注意在此处σk 2也和r和t0相关。然而为了简化计算,假设每个年份都符合相同的模型,其方差应该随年份变化不大,因此σk 2在迭代求解中逐渐接近真实值而对于整个模型训练过程没有影响。
令以及得到关于地块的用电负荷理想发展速度r的训练方程:
以及得到关于地块快速增长期年份的理想中位数t0的训练方程:
可以看出公式(11)和(12)只是关于Ak的2次方程,且求解方程的次数和n不相关,因此计算量不随年份个数的增加而增加,大大减少了计算复杂度,将式(7)以及式(11)和(12)相互迭代直至收敛就可以得到地块的用电负荷发展速度的训练值r′和地块快速增长期年份中位数的训练值t0′。
5)将地块用电负荷发展速度的训练值r′和地块快速增长期中位数的训练值t0′带入Logistic函数得到n个年份的负荷预测值。
将传统负荷预测模型、理想负荷模型和本发明的改进负荷预测模型进行对比,如图2所示,相比于传统方法,发明的改进负荷预测模型的偏差较小,更加符合理想负荷模型。传统负荷预测模型在负荷预测时会使用指数逆变换,进而将误差同等放大,造成误差难以控制,而发明的改进负荷预测模型应用了改进的最大似然估计,没有应用指数变换,因此误差较小。
本发明通过改进空间负荷预测模型对商业区域、工业区域、区位差的住宅区域以及区位好的住宅区域4类区域的发展曲线进行拟合,不同区位的改进空间负荷预测如附图3所示。工业区域的增长率约为1.5,负荷增长速度最快。商业区域增长率为1,负荷增长速度其次。区位好的住宅区域增长率为0.7,负荷增长速度慢于商业区域。区位差的住宅区域增长率为0.46,负荷增长速度最慢。假设增长负荷中位年份为t0,则工业区在t0+1.5,商业区在t0+2.5,区位好的住宅区在t0+3.5,区位差的住宅区在t0+4年分别达到了饱和。该结论符合我们对于空间负荷预测结果的预期。
Claims (2)
1.一种基于城市用地性质及开发时间的空间负荷预测方法,其特征在于,包括如下步骤:
1)根据用地性质将不同地块分为同质地块和同时地块两类,其中,同质地块是由用户性质相同且负荷发展遵循Logistic函数的地块组成;同时地块是由开发时间在相同时期且下属的工程建设以及人口导入进度一致的地块组成;
2)采用Logistic函数分别对不同地块用电负荷进行拟合:
式中:Y(t)为地块第t年份的理想平均负荷,t0为地块快速增长期年份的理想中位数,r为地块的用电负荷理想发展速度,K和P0分别代表logistic函数的渐进最大值和最小值,从而得到n个年份的理想平均负荷;
3)对n个年份的理想平均负荷进行归一化处理,得到K=10,P0=3;这样Logistic函数的最大值K和最小值P0就可排除在本发明的参数训练目标之外,简化了参数训练算法的复杂度;
4)同质地块的用电负荷理想发展速度r相同,但快速增长期年份的理想中位数t0不同;同时地块快速增长期年份的理想中位数t0相同,但用电负荷理想发展速度r不同,因此对地块的用电负荷理想发展速度r和地块快速增长期年份的理想中位数t0采用最大似然估计方法进行训练,得到地块的用电负荷发展速度的训练值r′和地块快速增长期年份中位数的训练值t0′;
5)将地块用电负荷发展速度的训练值r′和地块快速增长期中位数的训练值t0′带入Logistic函数得到n个年份的负荷预测值。
2.根据权利要求1所述的一种基于城市用地性质及开发时间的空间负荷预测方法,其特征在于,步骤4)所述的训练包括:
令在第t年份的实际平均负荷Y′(t)=y(t),得到有噪声系统模型:
其中高斯噪声η~N(0,σ0 2),为降低有噪声系统模型复杂度,将Logistic函数变换,得到改进负荷预测模型为:
在改进负荷预测模型中加入独立同分布的高斯噪声η0,得到改进的有噪声系统模型:
其中,噪声方差σ0 2对于每个年份并不是一个独立同分布的高斯随机变量,不能忽略其相关性,为提高建模的准确性,给出第k个年份的噪声方差σk 2与噪声方差σ0 2之间的关系;
对有噪声系统模型进行等价变换得到等价变换后的有噪声系统模型:
由于η较小,故Y′(t)≈Y(t),由改进的有噪声系统模型和等价变换后的有噪声系统模型,得到:
对于第k个年份则有
其中,tk为第k个年份,yk(t)为第k个年份实际平均负荷量。
考察n个不同的年份,对改进的有噪声系统模型求对数似然函数:
对地块的用电负荷理想发展速度r求导,得到:
对地块快速增长期年份的理想中位数t0求导,得到:
令以及得到关于地块的用电负荷理想发展速度r的训练方程:
以及得到关于地块快速增长期年份的理想中位数t0的训练方程:
从而得到地块用电负荷发展速度的训练值r′和地块快速增长期中位数的训练值t0′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301391.3A CN110119837B (zh) | 2019-04-15 | 2019-04-15 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910301391.3A CN110119837B (zh) | 2019-04-15 | 2019-04-15 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110119837A true CN110119837A (zh) | 2019-08-13 |
CN110119837B CN110119837B (zh) | 2023-01-03 |
Family
ID=67521152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910301391.3A Active CN110119837B (zh) | 2019-04-15 | 2019-04-15 | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119837B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240040A (zh) * | 2014-09-28 | 2014-12-24 | 华北电力大学 | 基于土地转换风险的城市智能电网规划方法 |
CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
CN107733886A (zh) * | 2017-09-30 | 2018-02-23 | 天津大学 | 一种基于逻辑回归的应用层DDoS攻击检测方法 |
CN108053055A (zh) * | 2017-11-24 | 2018-05-18 | 国网天津市电力公司 | 基于支持向量机的大型城市中长期电力负荷组合预测方法 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
CN109447332A (zh) * | 2018-10-18 | 2019-03-08 | 国网天津市电力公司电力科学研究院 | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 |
CN109492950A (zh) * | 2018-12-26 | 2019-03-19 | 广东电网有限责任公司 | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 |
CN109523057A (zh) * | 2018-10-18 | 2019-03-26 | 国网山东省电力公司经济技术研究院 | 一种考虑经济转型背景的区域电网电力负荷预测方法 |
-
2019
- 2019-04-15 CN CN201910301391.3A patent/CN110119837B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104240040A (zh) * | 2014-09-28 | 2014-12-24 | 华北电力大学 | 基于土地转换风险的城市智能电网规划方法 |
CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
CN107733886A (zh) * | 2017-09-30 | 2018-02-23 | 天津大学 | 一种基于逻辑回归的应用层DDoS攻击检测方法 |
CN107730039A (zh) * | 2017-10-10 | 2018-02-23 | 中国南方电网有限责任公司电网技术研究中心 | 配电网负荷预测的方法及系统 |
CN108053055A (zh) * | 2017-11-24 | 2018-05-18 | 国网天津市电力公司 | 基于支持向量机的大型城市中长期电力负荷组合预测方法 |
CN108491969A (zh) * | 2018-03-16 | 2018-09-04 | 国家电网公司 | 基于大数据的空间负荷预测模型构建方法 |
CN109447332A (zh) * | 2018-10-18 | 2019-03-08 | 国网天津市电力公司电力科学研究院 | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 |
CN109523057A (zh) * | 2018-10-18 | 2019-03-26 | 国网山东省电力公司经济技术研究院 | 一种考虑经济转型背景的区域电网电力负荷预测方法 |
CN109492950A (zh) * | 2018-12-26 | 2019-03-19 | 广东电网有限责任公司 | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 |
Non-Patent Citations (5)
Title |
---|
刘国静: "基于Logistic模型的电能替代电量预测", 《电力工程技术》 * |
张帆: "基于改进Logistic模...阶段划分理论的饱和负荷预测", 《电力建设》 * |
张纪伟: "基于土地使用性质的饱和空间负荷预测研究", 《广东电力》 * |
张纪伟: "基于城市用地性质及开发时间的改进空间负荷预测方法研究", 《供用电》 * |
杨军胜: "基于城市用地性质的配网空间负荷预测研究", 《电测与仪表》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110119837B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
CN106910337A (zh) | 一种基于萤火虫算法与rbf神经网络的交通流预测方法 | |
CN111461457A (zh) | 一种基于粒子群优化bp神经网络的基坑位移预测方法 | |
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
CN109818775A (zh) | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN107977711B (zh) | 一种面向“三线”协同优化的多智能体遗传方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
Cui et al. | Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network | |
CN107832259A (zh) | 一种基于时间序列和卡尔曼滤波的负荷预测方法 | |
CN112015719A (zh) | 基于正则化和自适应遗传算法的水文预测模型的构建方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN110222908A (zh) | 一种基于数据驱动的短期用电量预测方法 | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN113837812A (zh) | 节点电价联合概率预测方法及装置 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN116894504A (zh) | 一种风电集群功率超短期预测模型建立方法 | |
CN117407802A (zh) | 一种基于改进深度森林模型径流预测方法 | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
CN103530700A (zh) | 城区配电网饱和负荷综合预测方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
Qin et al. | A wireless sensor network location algorithm based on insufficient fingerprint information |
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 |