CN110210670A - 一种基于电力系统短期负荷的预测方法 - Google Patents
一种基于电力系统短期负荷的预测方法 Download PDFInfo
- Publication number
- CN110210670A CN110210670A CN201910477582.5A CN201910477582A CN110210670A CN 110210670 A CN110210670 A CN 110210670A CN 201910477582 A CN201910477582 A CN 201910477582A CN 110210670 A CN110210670 A CN 110210670A
- Authority
- CN
- China
- Prior art keywords
- training data
- power
- data
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000009466 transformation Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 abstract description 10
- 240000002853 Nelumbo nucifera Species 0.000 description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 5
- 238000013501 data transformation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000027534 Emotional disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于电力系统短期负荷的预测方法，涉及电力系统短期负荷预测技术领域，其预测方法包括以下步骤：训练数据获取；训练数据归一化处理；训练数据异常处理；训练数据函数变换；显著性分析；广义回归神经网络模型训练；广义回归神经网络模型预测。本发明利用广义回归神经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输入信号进入广义回归神经网络预测模型，有效提升了预测精度。
Description
技术领域
本发明涉及电力系统负荷预测技术领域，具体是一种基于电力系统短期负荷的预测方法。
背景技术
负荷预测是电力系统的一项基本工作，电力负荷的准确预测对于电力生产和调度、电网安全运行以及国民经济具有重要意义。随着能源互联网的发展、新能源的接入、负荷之间信息的加强，电网对负荷预测中数据处理的实时性提出了更高的要求。电力系统负荷受许多方面因素的影响，准确的短期负荷预测对于确定购售电计划、减少备用、降低辅助服务费用以及提高系统安全性等具有重要意义。
如公开号为CN108074004A一种基于网格法的地理信息系统短期负荷预测方法，通过运用BP、RBF神经网络的短期预测方法，得到短期负荷预测结果，然而BP神经网络容易受局部最优迷惑，并且BP神经网络的训练速度相对较慢，因此，本发明设计了一种基于电力系统短期负荷的预测方法以解决上述的问题。
发明内容
本发明的目的在于提供一种基于电力系统短期负荷的预测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于电力系统短期负荷的预测方法，其预测方法包括以下步骤：
1)训练数据获取：将电力调控中心电网能量管理系统中的历史负荷数据、历史气象数据及天气预报数据导入数据库，根据影响因素制作负荷曲线，且该负荷曲线以天为单位，计算各个影响因素条件下负荷曲线的灰色关联结果，将关联结果进行排序得出影响负荷的关键因素，并设置关键因素为测试和训练基础；
2)训练数据归一化处理：将训练数据进行归一化处理；
3)训练数据异常处理：通过莱以特准则删除训练数据中的异常数据；
4)训练数据函数变换：将步骤2中处理好的数据设置为原始训练数据组储存，同时针对原始训练数据组进行函数变换并保存多组变换方案；
5)显著性分析：采用皮尔逊相关系数法对所有训练数据组进行显著性分析，并分别对比多组分析结果；
6)广义回归神经网络模型训练：以显著性分析中提取的变换数据组为输入，具体为预测时段前2天的变换数据，对应未来1天负荷为输出，训练广义回归神经网络模型；
7)广义回归神经网络模型预测：利用训练好的广义回归神经网络模型，选取函数变换数据作输入，电力系统负荷作输出，预测未来1天中电力系统的负荷情况。
作为本发明进一步的方案：步骤2中归一化处理公式为：
其中，所述为样本平均值，所述s为样本标准差。
作为本发明进一步的方案：步骤3中的莱以特准则为：
其中：所述vf为残差，所述s’为样本标准差。
作为本发明进一步的方案：步骤4采用lnxg进行函数变换。
作为本发明进一步的方案：所述广义回归神经网络至少包括输入层、隐含层和输出层。
作为本发明进一步的方案：所述隐含层包括模式层和求和层。
作为本发明进一步的方案：各个从神经元至模式层以及求和层的样本皆设置有与其相对应的径向基神经元。
与现有技术相比，本发明的有益效果是：本发明设计了一种基于电力系统短期负荷的预测方法，在实际使用时，利用广义回归神经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输入信号进入广义回归神经网络预测模型，有效提升了预测精度。
附图说明
图1为一种基于电力系统短期负荷的预测方法的流程示意图；
图2为本发明中广义回归网络的整体结构示意图；
图3为本发明中隐含层的整体结构示意图。
具体实施方式
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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。
实施例1，请参阅图1～3，本发明实施例中，一种基于电力系统短期负荷的预测方法，其预测方法包括以下步骤：
1)训练数据获取：将电力调控中心电网能量管理系统中的历史负荷数据、历史气象数据及天气预报数据导入数据库，根据影响因素制作负荷曲线，且该负荷曲线以天为单位，计算各个影响因素条件下负荷曲线的灰色关联结果，将关联结果进行排序得出影响负荷的关键因素，并设置关键因素为测试和训练基础。需要说明的是，所述影响因素包括但不限于最高气温、平均温度、平均湿度、平均降水、平均风速以及日类型，本实施例中灰色关联结果的具体数据为最高气温的灰色关联度为0.7512，所述平均温度的灰色关联度0.5345，所述平均风速的灰色关联度为0.2214，所述平均湿度的灰色关联度为0.6588，所述平均降水的灰色关联度为0.2137，所述日类型的灰色关联度为0.4472，因此判定平均降水和平均风速为极弱相关性因素，剩下的最高气温、平均温度、平均湿度及日类型为影响负荷走势的关键影响因素；
2)训练数据归一化处理：将训练数据进行归一化处理，且归一化处理涉及的归一化处理公式为：
其中，所述为样本平均值，所述s为样本标准差；
3)训练数据异常处理：通过莱以特准则删除训练数据中的异常数据；所述莱以特准则为：
其中：所述vf为残差，所述s’为样本标准差；
4)训练数据函数变换：将步骤2中处理好的数据设置为原始训练数据组储存，同时针对原始训练数据组进行函数变换并保存多组变换方案；需要说明的是，所述函数变换包括但不限于，数据开方自然对数lnxg以及指数模型xg n；
5)显著性分析：采用皮尔逊相关系数法对所有训练数据组进行显著性分析，并分别对比多组分析结果。经过实例证明，数据变换后，相关系数有所提升，尤其是自然对数lnxg函数变换组，相关性最佳，其中，cov为协方差，δ为标准差，因此，优选的，第4步中采用自然对数lnxg进行函数变换；
6)广义回归神经网络模型训练：以显著性分析中提取的变换数据组为输入，具体为预测时段前2天的变换数据，对应未来1天负荷为输出，训练广义回归神经网络模型；需要说明的是，前两天的变换数据可分为24个小时；
7)广义回归神经网络模型预测：利用训练好的广义回归神经网络模型，选取函数变换数据作输入，电力系统负荷作输出，预测未来1天中电力系统的负荷情况。需要说明的是，所述广义回归神经网络至少包括输入层、隐含层和输出层，所述隐含层包括模式层和求和层，所述模式层为径向基隐含层，所述求和层为特殊的线性层，且各个从神经元至模式层以及求和层的样本皆设置有与其相对应的径向基神经元，因此可以保证样本数据不变。
例如，假设最高气温因素信息为X＝[x1,x2…,xm]，经过函数变换及显著性提取得到X'＝[x1',x2'…,xm']，作为网络输入变量。则隐含层中向量个数为m,输入变量X'与其对应的训练样本Xi'之间的Euclid距离平方为：Di2＝(X'-Xi')T(X'-Xi')模式层神经元的传递函数：Ti＝exp[-(X'-Xi')T(X'-Xi')/2σ2]为平滑参数；求和层中包含两种神经元S1和SNj，其中：
输出层的神经元，由求和层的两种神经元计算得到：
yj＝SNj/S1,j＝1,2,3,Λk。
由此，训练样本选定后，广义回归神经网络结构和权值会自动确定，只需调整平滑参数即可，避免了循环训练的计算过程，更加快速地实现全局逼近的学习和预测能力。
实施例2，基于与实施例1相同的发明构思，本发明实施例提供一种基于电力系统短期负荷的预测系统，该系统至少包括以下设备：
处理器，适于实现各指令；
存储设备，适于存储多条指令，所述指令适于由处理器加载并执行实施例1中任一项所述的步骤。
实施例3，基于与实施例1相同的发明构思，本发明实施例中提供了一种基于电力系统短期负荷的预测装置，该装置至少包括以下模块：
获取模块，用于获取输入训练数据；需要说明的是，所述训练数据的获取方法为：将电力调控中心电网能量管理系统中的历史负荷数据、历史气象数据及天气预报数据导入数据库，根据影响因素制作负荷曲线，且该负荷曲线以天为单位，计算各个影响因素条件下负荷曲线的灰色关联结果，将关联结果进行排序得出影响负荷的关键因素，该关键因素为训练数据；
预处理模块，用于对训练数据进行归一化处理以及训练数据异常处理；
数据变换模块：将预处理模块中处理好的数据设置为原始训练数据组储存，同时针对原始训练数据组进行函数变换并保存多组变换方案；需要说明的是，所述函数变换包括但不限于，数据开方自然对数lnxg以及指数模型xg n。
显著性分析模块：采用皮尔逊相关系数法对所有训练数据组进行显著性分析，并分别对比多组分析结果。
模型建立模块：用于建立广义回归神经网络模型。
模型训练模块：以显著性分析中提取的变换数据组为输入，具体为预测时段前2天的变换数据，对应未来1天负荷为输出，训练广义回归神经网络模型；需要说明的是，前两天的变换数据可分为24个小时。
预测模块：利用训练好的广义回归神经网络模型，选取函数变换数据作输入，电力系统负荷作输出，预测未来1天中电力系统的负荷情况。
显示模块：用于显示预测模块输出的预测结果。
经过实例证明，数据变换后，相关系数有所提升，尤其是自然对数lnxg函数变换组，相关性最佳，其中，cov为协方差，δ为标准差，因此，优选的，数据变换模块中采用自然对数lnxg进行函数变换；
综上所述，本发明利用广义回归神经网络建模理论及方法，通过增加隐层的基函数，精确了局部逼近，达到全局最优，同时针对模型输入信息做了显著性提取和改进，通过函数变换增强历史数据的相关性，并作为输入信号进入广义回归神经网络预测模型，有效提升了预测精度，另外训练样本选定后，广义回归神经网络结构和权值会自动确定，只需调整平滑参数即可，避免了循环训练的计算过程，更加快速地实现全局逼近的学习和预测能力。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于电力系统短期负荷的预测方法，其特征在于：其预测方法包括以下步骤：
1)训练数据获取：将电力调控中心电网能量管理系统中的历史负荷数据、历史气象数据及天气预报数据导入数据库，根据影响因素制作负荷曲线，且该负荷曲线以天为单位，计算各个影响因素条件下负荷曲线的灰色关联结果，将关联结果进行排序得出影响负荷的关键因素，并设置关键因素为测试和训练基础；
2)训练数据归一化处理：将训练数据进行归一化处理；
3)训练数据异常处理：通过莱以特准则删除训练数据中的异常数据；
4)训练数据函数变换：将步骤2中处理好的数据设置为原始训练数据组储存，同时针对原始训练数据组进行函数变换并保存多组变换方案；
5)显著性分析：采用皮尔逊相关系数法对所有训练数据组进行显著性分析，并分别对比多组分析结果；
6)广义回归神经网络模型训练：以显著性分析中提取的变换数据组为输入，具体为预测时段前2天的变换数据，对应未来1天负荷为输出，训练广义回归神经网络模型；
7)广义回归神经网络模型预测：利用训练好的广义回归神经网络模型，选取函数变换数据作输入，电力系统负荷作输出，预测未来1天中电力系统的负荷情况。
2.根据权利要求1所述的一种基于电力系统短期负荷的预测方法，其特征在于：步骤2中归一化处理公式为：
其中，所述为样本平均值，所述s为样本标准差。
3.根据权利要求1所述的一种基于电力系统短期负荷的预测方法，其特征在于：步骤3中的莱以特准则为：
其中：所述vf为残差，所述s’为样本标准差。
4.根据权利要求1所述的一种基于电力系统短期负荷的预测方法，其特征在于：步骤4采用lnxg进行函数变换。
5.根据权利要求1所述的一种基于电力系统短期负荷的预测方法，其特征在于：所述广义回归神经网络至少包括输入层、隐含层和输出层。
6.根据权利要求5所述的一种基于电力系统短期负荷的预测方法，其特征在于：所述隐含层包括模式层和求和层。
7.根据权利要求6所述的一种基于电力系统短期负荷的预测方法，其特征在于：各个从神经元至模式层以及求和层的样本皆设置有与其相对应的径向基神经元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477582.5A CN110210670A (zh) | 2019-06-03 | 2019-06-03 | 一种基于电力系统短期负荷的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910477582.5A CN110210670A (zh) | 2019-06-03 | 2019-06-03 | 一种基于电力系统短期负荷的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110210670A true CN110210670A (zh) | 2019-09-06 |
Family
ID=67790369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910477582.5A Pending CN110210670A (zh) | 2019-06-03 | 2019-06-03 | 一种基于电力系统短期负荷的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110210670A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177278A (zh) * | 2019-12-19 | 2020-05-19 | 绍兴大明电力设计院有限公司 | 一种网格用户短期负荷预测实时处理工具 |
| CN111598151A (zh) * | 2020-05-12 | 2020-08-28 | 辽宁工程技术大学 | 用户用电负荷的预测方法 |
| CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
| CN113408795A (zh) * | 2021-06-03 | 2021-09-17 | 国网河北省电力有限公司高邑县供电分公司 | 一种基于灰色理论的电力负荷预测系统及其方法 |
| CN113435654A (zh) * | 2021-07-05 | 2021-09-24 | 江苏城乡建设职业学院 | 一种基于elman神经网络的短期负荷的预测方法 |
-
2019
- 2019-06-03 CN CN201910477582.5A patent/CN110210670A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177278A (zh) * | 2019-12-19 | 2020-05-19 | 绍兴大明电力设计院有限公司 | 一种网格用户短期负荷预测实时处理工具 |
| CN111598151A (zh) * | 2020-05-12 | 2020-08-28 | 辽宁工程技术大学 | 用户用电负荷的预测方法 |
| CN112488399A (zh) * | 2020-12-04 | 2021-03-12 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
| CN112488399B (zh) * | 2020-12-04 | 2024-04-23 | 国网冀北电力有限公司计量中心 | 电力负荷预测方法及装置 |
| CN113408795A (zh) * | 2021-06-03 | 2021-09-17 | 国网河北省电力有限公司高邑县供电分公司 | 一种基于灰色理论的电力负荷预测系统及其方法 |
| CN113435654A (zh) * | 2021-07-05 | 2021-09-24 | 江苏城乡建设职业学院 | 一种基于elman神经网络的短期负荷的预测方法 |
| CN113435654B (zh) * | 2021-07-05 | 2024-02-27 | 江苏城乡建设职业学院 | 一种基于elman神经网络的短期负荷的预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
| Chang et al. | An improved neural network-based approach for short-term wind speed and power forecast | |
| Zheng et al. | Short-term wind power forecasting using a double-stage hierarchical ANFIS approach for energy management in microgrids | |
| Rejc et al. | Short-term transmission-loss forecast for the slovenian transmission power system based on a fuzzy-logic decision approach | |
| Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
| CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
| CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
| Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
| CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
| CN110084502A (zh) | 一种电能质量治理设备运行状态评估方法及装置 | |
| Saatloo et al. | Hierarchical extreme learning machine enabled dynamic line rating forecasting | |
| CN113807589A (zh) | 基于模型预测的运营商储能的滚动优化方法及装置 | |
| He et al. | Forecasting power grid states for regional energy markets with deep neural networks | |
| CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| El-Azab et al. | Seasonal electric vehicle forecasting model based on machine learning and deep learning techniques | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| Yang et al. | Day‐ahead wind power combination forecasting based on corrected numerical weather prediction and entropy method | |
| CN116231749A (zh) | 基于数字孪生的新能源电力系统调度方法 | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| Belmahdi et al. | Forecasting solar radiation using machine learning method: new optimization algorithm | |
| Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
| Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
| Hu et al. | Probabilistic net load forecasting based on transformer network and Gaussian process-enabled residual modeling learning method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190906 |