CN110489893A - 一种基于可变权值的母线负荷预测方法及系统 - Google Patents
一种基于可变权值的母线负荷预测方法及系统 Download PDFInfo
- Publication number
- CN110489893A CN110489893A CN201910785110.6A CN201910785110A CN110489893A CN 110489893 A CN110489893 A CN 110489893A CN 201910785110 A CN201910785110 A CN 201910785110A CN 110489893 A CN110489893 A CN 110489893A
- Authority
- CN
- China
- Prior art keywords
- load
- bus
- bus load
- class
- steel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 55
- 239000010959 steel Substances 0.000 claims abstract description 55
- 238000012512 characterization method Methods 0.000 claims abstract description 25
- 239000000284 extract Substances 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000714 time series forecasting 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—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开公开了一种基于可变权值的母线负荷预测方法及系统，获取母线负荷数据，采用模糊聚类算法对母线负荷数据进行分类，得到母线负荷类；根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子；根据钢铁负荷在母线负荷类中的占比量，建立两类负荷预测模型，基于两类负荷预测模型的输出预测值所占的权重，确定最终的母线负荷预测结果。本公开考虑钢铁负荷在不同母线中的占比情况，针对占比情况，采用了不同的特征因子，实现了有针对性的建立母线特征因子，并且两类预测模型预测值权值可动态分配，精确性高。
Description
技术领域
本公开涉及电网系统负荷预测技术领域，具体涉及一种基于可变权值的母线负荷预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
母线负荷预测是日前安全校核的前提，精确的母线负荷预测是合理安排日前发电计划和实施节能发电调度的前提，在实际电网母线负荷预测中，不同的预测方法从不同的角度提炼历史负荷的信息，对样本数据规模和复杂度等方面要求均不同，在各类母线负荷影响因素中，钢铁生产用电冲击大、规律性差，预测精确度一直不高，而且钢铁负荷在母线负荷中占比越大，对于母线负荷冲击性也越大，而目前缺少钢铁负荷对母线负荷预测影响的研究。
发明内容
为解决现有技术存在的不足，本公开提供一种基于可变权值的母线负荷预测方法及系统，综合分析各个母线用电负荷的实际情况，采用模糊聚类算法将母线进行分类；针对分类后的母线负荷，根据钢铁负荷占比情况提取不同的特征因子，对特征因子采用数值化处理；建立基于可变权值的母线负荷预测模型，完成母线短期日的负荷预测，决定最终规划发电量。
为了实现上述目的，本公开采用如下技术方案：
第一方面，本公开提供一种基于可变权值的母线负荷预测方法，具体包括如下步骤：
获取母线负荷数据，采用模糊聚类算法对母线负荷数据进行分类，得到母线负荷类；
根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子；
根据钢铁负荷在母线负荷类中的占比量，建立两类负荷预测模型，基于两类负荷预测模型的输出预测值所占的权重，确定最终的母线负荷预测结果，以此决定最终规划发电量。
作为可能的一些实现方式，所述采用模糊聚类算法对母线负荷数据进行分类具体包括：
提取母线的用电负荷情况；
构建聚类模型，将提取的母线的用电负荷情况作为聚类模型的输入，设定聚类的个数以及迭代停止阈值，初始化聚类原型模式矩阵和迭代计数器；
迭代计算划分矩阵和聚类原型模式矩阵；
判断聚类原型模式矩阵前后两次迭代的值是否小于设定的迭代停止阈值，若是，则停止计算，输出划分矩阵和聚类原型模式矩阵，否则迭代计数器加1，返回继续迭代计算迭代计算划分矩阵和聚类原型模式矩阵。
作为进一步的限定，所述迭代计算划分矩阵为，
求取划分矩阵U(b)，对于任意i,k，如果存在则有
如果存在i，r，使得以则有且对j≠r，
为划分矩阵U(b)中的元素，c表示元素行数，i，r表示元素第i行、第r列，同理j,k表示第j行、第k列，为聚类中心到样本点的距离，m为模糊系数。
作为进一步的限定，所述迭代计算聚类原型模式矩阵为：
求取聚类原型模式矩阵P(b+1):
其中，xk表示第k个输入的母线负荷数据。
作为可能的一些实现方式，所述根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子包括：
根据钢铁负荷在母线负荷类中的占比量，获取钢铁负荷在母线负荷类中的相关性，提取特征因子，对母线负荷数据进行线性变换，对所提取的特征因子数值化处理。
作为进一步的限定，所述获取钢铁负荷在母线负荷类中的相关性，提取特征因子采用相关系数分析算法；
所述对母线用电负荷数据进行线性变换采用离差标准化方法。
作为可能的一些实现方式，所述建立两类负荷预测模型具体包括：
根据钢铁负荷在母线负荷类中的占比量，以母线负荷数据作为输入量建立BP神经网络负荷预测模型和深度学习LSTM预测模型；
确定待预测母线负荷类的负荷数据输入量，输入到两类负荷预测模型中，输出两类负荷预测模型的预测值。
作为进一步的限定，所述确定最终的母线负荷预测结果，以此决定最终规划发电量为，
确定某一时间段内母线负荷实际值，将两类预测值分别与母线负荷实际值做差处理；
取两类差值的绝对值，以其中一类差值除以另一类差值，若得到的比值的绝对值超过预先设定的比值阈值，则认为该类预测值不满足发电量要求，舍弃该类预测值，并以另一类预测值作为最终规划发电量；
若得到的比值绝对值未超过预先设定的比值阈值，则设定该类预测值在最终规划发电量中所占权值与上述得到的比值呈线性分布，两类预测值根据所占权值共同决定最终规划发电量。
第二方面，本公开提供一种基于可变权值的母线负荷预测系统，包括：
聚类模块：提取母线的用电负荷情况，包括最高负荷、最低负荷、平均负荷，负荷峰谷差和负荷峰谷差率、以及负荷率和最小负荷率；
特征提取模块：根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子；
预测模块：根据钢铁负荷在母线负荷类中的占比量，建立两类负荷预测模型，基于两类负荷预测模型的输出预测值所占的权重，确定最终的母线负荷预测结果，以此决定最终规划发电量。
与现有技术相比，本公开的有益效果为：
本公开建立了一种基于可变权值的母线负荷预测方法，采用模糊聚类方法将不同的母线进行分类，实现了有针对性的建立母线特征因子；
本公开考虑钢铁负荷在不同母线中的占比情况，针对占比情况，采用了不同的特征因子，精确性高；
本公开的预测方法，既综合了传统神经网络预测方法又结合了LSTM时序预测的优势，权值可动态分配，精确性高。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开一种基于可变权值的母线负荷预测方法流程图；
图2为实施例1中预测模型权值ω1函数图。
具体实施方式：
下面结合附图与实施例对本公开做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开提供一种基于可变权值的母线负荷预测方法，包括以下步骤：
步骤一：获取母线负荷数据，采用模糊聚类算法对母线负荷数据进行分类，得到母线负荷类；
步骤二：根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子；
步骤三：根据钢铁负荷在母线负荷类中的占比量，建立两类负荷预测模型，基于两类负荷预测模型的输出预测值所占的权重，确定最终的母线负荷预测结果，以此决定最终规划发电量。
所述步骤一中具体包括：
(1)提取母线的用电负荷情况，包括最高负荷、最低负荷、平均负荷，负荷峰谷差和负荷峰谷差率、以及负荷率和最小负荷率；
(2)构建聚类模型，将提取的母线的用电负荷情况作为聚类模型的输入，设定聚类的个数以及迭代停止阈值，初始化聚类原型模式矩阵和迭代计数器；
在本实施例中，设定聚类的个数为3，设定迭代停止阀值0.001，假设初始化的聚类原型模式矩阵为P(0)，一个迭代计数器b＝0；
(3)求取划分矩阵；
所述求取划分矩阵U(b)，对于任意i,k，如果存在则有
如果存在i，r，使得以则有且对j≠r，
为划分矩阵U(b)中的元素，c表示元素行数，i，r表示元素第i行、第r列，同理j,k表示第j行、第k列，为聚类中心到样本点的距离，m为模糊系数。
(4)求取聚类原型模式矩阵P(b+1):
其中，xk表示第k个输入。
(5)判断聚类原型模式矩阵前后两次迭代的值是否小于设定的迭代停止阈值，若是，则停止计算，输出划分矩阵U和聚类原型模式矩阵P，否则迭代计数器加1，返回步骤(3)；
在本实施例中，如果求得||P(b)-P(b+1)||<0.001停止计算，输出划分矩阵U和聚类原型P，否则令b＝b+1，返回步骤(3)。
所述步骤二中具体包括：
根据钢铁负荷在母线负荷类中的占比量，获取钢铁负荷在母线负荷类中的相关性，提取特征因子，对母线负荷数据进行线性变换，对所提取的特征因子数值化处理。
进一步优选地，所述获取钢铁负荷在母线负荷类中的相关性，提取特征因子采用相关系数分析算法；
所述对母线用电负荷数据进行线性变换采用离差标准化方法；
所述钢铁负荷占比＝钢铁负荷总加/母线负荷总加。
在本实例中，针对的是钢铁负荷占比超过50％，50％-20％及部分小钢铁三种情况。采用相关系数分析算法，分析钢铁负荷在各个母线负荷类中相关性大小，提取相关系数绝对值超过0.5的因素为特征因子；使用离差标准化，对原始母线负荷数据进行线性变换，使特征因子数值化，落到[0,1]区间。归一化公式如下：
其中，x*表示变换后数据，x表示变换前数据，xmin表示变换数据集中的最小值，xmax表示变换数据集中的最大值。
钢铁负荷占比大，对于母线负荷冲击性大，本实施例考虑钢铁生产用电，针对钢铁负荷占比超过50％，特征因子主要涉及如下：
日期类型提取：周一至周日、节假日
钢铁生产计划：钢铁产量、用电量
母线负荷类型：钢铁用电、居民用电、部分小钢铁。
针对钢铁负荷占50％-20％，特征因子主要涉及如下：
气象因素提取：温度、湿度、风速、降水量、光照情况
日期类型提取：周一至周日、节假日
钢铁生产计划：钢铁产量、用电量
母线负荷类型：钢铁用电、居民用电、部分小钢铁。
针对钢铁负荷占20％以下，特征因子主要涉及如下：
气象因素提取：温度、湿度、风速、降水量
日期类型提取：周一至周日、节假日
历史负荷规律：前一周历史负荷，上个月相似日历史负荷
母线负荷类型：钢铁用电、居民用电、部分小钢铁。
所述步骤三具体包括：
根据钢铁负荷在母线负荷类中的占比量，以母线负荷数据作为输入量建立BP神经网络负荷预测模型和深度学习LSTM预测模型；
确定待预测母线负荷类的负荷数据输入量，输入到两类负荷预测模型中，分别输出两类负荷预测模型的预测值；
确定某一时间段内母线负荷实际值，将两类预测值分别与母线负荷实际值做差处理；
取两类差值的绝对值，以其中一类差值除以另一类差值，若得到的比值的绝对值超过预先设定的比值阈值，则认为该类预测值不满足发电量要求，舍弃该类预测值，并以另一类预测值作为最终规划发电量；
若得到的比值绝对值未超过预先设定的比值阈值，则设定该类预测值在最终规划发电量中所占权值与上述得到的比值呈线性分布，两类预测值根据所占权值共同决定最终规划发电量。
本公开不仅考虑钢铁负荷在不同母线中占比情况，对母线负荷预测的影响，而且还通过两类预测模型，动态调整预测值在最终规划发电量的权值，对母线负荷进行精确预测，并且还实现对未来发电量多少的精确设计与规划，有效舍弃不满足发电要求的发电量，避免母线负荷过重，影响电网的实际运行；在满足发电量要求的情况下，综合两类预测值对最终规划发电量的权重大小，有效的满足最终规划发电量对电网实际运行情况的适应度，实现对未来发电量多少的精确设计与规划，避免母线负荷过重，影响电网的实际运行。
在本实施例中，设定每类预测模型的权值为ω1、ω2，最终母线负荷预测结果为Y＝ω1Y1+ω2Y2。令K1＝|Y1-Y实际|，K2＝|Y2-Y实际|，其中Y实际为输入的待预测母线负荷实际值，ω1和ω2由下列函数确定，
ω2＝1-ω1。
本公开提供一种基于可变权值的母线负荷预测系统，包括：
聚类模块：提取母线的用电负荷情况，包括最高负荷、最低负荷、平均负荷，负荷峰谷差和负荷峰谷差率、以及负荷率和最小负荷率；
特征提取模块：根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子；
预测模块：根据钢铁负荷在母线负荷类中的占比量，建立两类负荷预测模型，基于两类负荷预测模型的输出预测值所占的权重，确定最终的母线负荷预测结果，以此决定最终规划发电量。
以上仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.一种基于可变权值的母线负荷预测方法，其特征是：
获取母线负荷数据，采用模糊聚类算法对母线负荷数据进行分类，得到母线负荷类；
根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子；
根据钢铁负荷在母线负荷类中的占比量，建立两类负荷预测模型，基于两类负荷预测模型的输出预测值所占的权重，确定最终的母线负荷预测结果，以此决定最终规划发电量。
2.如权利要求1所述的一种基于可变权值的母线负荷预测方法，其特征是，
所述采用模糊聚类算法对母线负荷数据进行分类具体包括：
提取母线的用电负荷情况；
构建聚类模型，将提取的母线的用电负荷情况作为聚类模型的输入，设定聚类的个数以及迭代停止阈值，初始化聚类原型模式矩阵和迭代计数器；
迭代计算划分矩阵和聚类原型模式矩阵；
判断聚类原型模式矩阵前后两次迭代的值是否小于设定的迭代停止阈值，若是，则停止计算，输出划分矩阵和聚类原型模式矩阵，否则迭代计数器加1，返回继续迭代计算迭代计算划分矩阵和聚类原型模式矩阵。
3.如权利要求2所述的一种基于可变权值的母线负荷预测方法，其特征是，
所述迭代计算划分矩阵为，
求取划分矩阵U(b)，对于任意i,k，如果存在则有
如果存在i，r，使得以则有且对j≠r，
为划分矩阵U(b)中的元素，c表示元素行数，i，r表示元素第i行、第r列，同理j,k表示第j行、第k列，为聚类中心到样本点的距离，m为模糊系数。
4.如权利要求3所述的一种基于可变权值的母线负荷预测方法，其特征是，
所述迭代计算聚类原型模式矩阵为：
求取聚类原型模式矩阵P(b+1):
其中，xk表示第k个输入的母线负荷数据。
5.如权利要求1所述的一种基于可变权值的母线负荷预测方法，其特征是，
所述根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子包括：
根据钢铁负荷在母线负荷类中的占比量，获取钢铁负荷在母线负荷类中的相关性，提取特征因子，对母线负荷数据进行线性变换，对所提取的特征因子数值化处理。
6.如权利要求5所述的一种基于可变权值的母线负荷预测方法，其特征是，
所述获取钢铁负荷在母线负荷类中的相关性，提取特征因子采用相关系数分析算法；
所述对母线用电负荷数据进行线性变换采用离差标准化方法。
7.如权利要求1所述的一种基于可变权值的母线负荷预测方法，其特征是，
所述建立两类负荷预测模型具体包括：
根据钢铁负荷在母线负荷类中的占比量，以母线负荷数据作为输入量建立BP神经网络负荷预测模型和深度学习LSTM预测模型；
确定待预测母线负荷类的负荷数据输入量，输入到两类负荷预测模型中，输出两类负荷预测模型的预测值。
8.如权利要求7所述的一种基于可变权值的母线负荷预测方法，其特征是，
所述确定最终的母线负荷预测结果，以此决定最终规划发电量为，
确定某一时间段内母线负荷实际值，将两类预测值分别与母线负荷实际值做差处理；
取两类差值的绝对值，以其中一类差值除以另一类差值，若得到的比值的绝对值超过预先设定的比值阈值，则认为该类预测值不满足发电量要求，舍弃该类预测值，并以另一类预测值决定最终规划发电量；
若得到的比值绝对值未超过预先设定的比值阈值，则设定该类预测值在最终规划发电量中所占权值与上述得到的比值呈线性分布，两类预测值根据所占权值共同决定最终规划发电量。
9.一种基于可变权值的母线负荷预测系统，其特征是：
聚类模块：提取母线的用电负荷情况，包括最高负荷、最低负荷、平均负荷，负荷峰谷差和负荷峰谷差率、以及负荷率和最小负荷率；
特征提取模块：根据分类后的母线负荷类，分析钢铁负荷在母线负荷类中的占比量并提取特征因子；
预测模块：根据钢铁负荷在母线负荷类中的占比量，建立两类负荷预测模型，基于两类负荷预测模型的输出预测值所占的权重，确定最终的母线负荷预测结果，以此决定最终规划发电量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910785110.6A CN110489893B (zh) | 2019-08-23 | 2019-08-23 | 一种基于可变权值的母线负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910785110.6A CN110489893B (zh) | 2019-08-23 | 2019-08-23 | 一种基于可变权值的母线负荷预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110489893A true CN110489893A (zh) | 2019-11-22 |
| CN110489893B CN110489893B (zh) | 2023-02-03 |
Family
ID=68553353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910785110.6A Active CN110489893B (zh) | 2019-08-23 | 2019-08-23 | 一种基于可变权值的母线负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110489893B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487612A (zh) * | 2020-11-12 | 2021-03-12 | 云南电网有限责任公司 | 基于分配因子和信息熵的母线负荷组合预测方法及系统 |
| CN115712850A (zh) * | 2022-10-31 | 2023-02-24 | 南京航空航天大学 | 基于改进的k-prototype和灰色关联分析的机场相似日选择方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
| CN105678404A (zh) * | 2015-12-30 | 2016-06-15 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测系统及方法 |
| CN106127360A (zh) * | 2016-06-06 | 2016-11-16 | 国网天津市电力公司 | 一种基于用户特性分析的多模型负荷预测方法 |
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
| CN106855957A (zh) * | 2015-12-09 | 2017-06-16 | 四川大学 | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 |
| CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
| CN110135643A (zh) * | 2019-05-17 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
-
2019
- 2019-08-23 CN CN201910785110.6A patent/CN110489893B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
| CN106855957A (zh) * | 2015-12-09 | 2017-06-16 | 四川大学 | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 |
| CN105678404A (zh) * | 2015-12-30 | 2016-06-15 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测系统及方法 |
| CN106127360A (zh) * | 2016-06-06 | 2016-11-16 | 国网天津市电力公司 | 一种基于用户特性分析的多模型负荷预测方法 |
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
| CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
| CN110135643A (zh) * | 2019-05-17 | 2019-08-16 | 国网山东省电力公司莱芜供电公司 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 张政国等: "基于遗传算法优化LS-SVM的短期电力负荷预测研究", 《兰州交通大学学报》 * |
| 段嗣昊等: "基于PDCA循环的电网运行安全内控管理", 《科技与企业》 * |
| 蒋燕等: "基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究", 《电气自动化》 * |
| 颜宏文等: "基于层次聚类和极限学习机的母线短期负荷预测", 《计算机应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112487612A (zh) * | 2020-11-12 | 2021-03-12 | 云南电网有限责任公司 | 基于分配因子和信息熵的母线负荷组合预测方法及系统 |
| CN112487612B (zh) * | 2020-11-12 | 2022-08-30 | 云南电网有限责任公司 | 基于分配因子和信息熵的母线负荷组合预测方法及系统 |
| CN115712850A (zh) * | 2022-10-31 | 2023-02-24 | 南京航空航天大学 | 基于改进的k-prototype和灰色关联分析的机场相似日选择方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110489893B (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN105631483B (zh) | 一种短期用电负荷预测方法及装置 | |
| CN109272176A (zh) | 利用K-means聚类算法对台区线损率预测计算方法 | |
| CN106408008A (zh) | 一种基于负荷曲线距离和形状的负荷分类方法 | |
| CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
| CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
| CN110309485A (zh) | 一种基于台区数据特征分类的线损率标杆值计算方法 | |
| CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
| CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
| CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| CN110380444A (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN110119948A (zh) | 基于时变权重动态组合的电力用户信用评价方法及系统 | |
| CN110489893A (zh) | 一种基于可变权值的母线负荷预测方法及系统 | |
| CN109325631A (zh) | 基于数据挖掘的电动汽车充电负荷预测方法和系统 | |
| CN109657846A (zh) | 电网交叉补贴规模影响因子筛选方法 | |
| CN107527071A (zh) | 一种基于花朵授粉算法优化模糊k近邻的分类方法及装置 | |
| CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
| CN108898273A (zh) | 一种基于形态分析的用户侧负荷特征聚类评价方法 | |
| CN107093005A (zh) | 基于大数据挖掘算法实现办税服务厅自动分级的方法 | |
| CN104143117B (zh) | 一种电网特殊负荷与日负荷之间的相关系数提取方法 | |
| CN105447767A (zh) | 一种基于联合矩阵分解模型的电力用户细分方法 | |
| CN107392678A (zh) | 一种电价制定方法及系统 | |
| Zhang et al. | User power interaction behavior clustering analysis that is based on the self-organizing-center K-means algorithm | |
| CN109409604B (zh) | 一种基于遗传算法-支持向量机的冷负荷预测方法 |
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 |