CN110516884A - 一种基于大数据平台的短期负荷预测方法 - Google Patents
一种基于大数据平台的短期负荷预测方法 Download PDFInfo
- Publication number
- CN110516884A CN110516884A CN201910815422.7A CN201910815422A CN110516884A CN 110516884 A CN110516884 A CN 110516884A CN 201910815422 A CN201910815422 A CN 201910815422A CN 110516884 A CN110516884 A CN 110516884A
- Authority
- CN
- China
- Prior art keywords
- node
- tree
- big data
- algorithm
- data
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000009434 installation Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 32
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 abstract description 3
- 230000004048 modification Effects 0.000 abstract description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据平台的短期负荷预测方法，该方法包括步骤：构建大数据平台：采用MapReduce架构搭建多个虚拟主机，其中一台作为MapReduce架构主节点Mastert，其余作为分节点，为每台虚拟主机配置处理器和内存以及安装CentOS6.5系统；第二步：在CentOS 6.5系统中创建Hadoop账户，通过修改hosts为主节点和从节点配置IP地址，然后配置SSH使各节点间实现密码登录，完成后各台机器之间直接通过ssh+机器名进行访问；第三步：Spark计算引擎安装成功后将Xgboot算法克隆到本地并进行编译，编译成功后通过指令以yarn模式启动spark‑shell，并引用xgboost包；第四步：将训练数据及相应参数输入Xgboost算法后得到运行结果。本发明在搭建的大数据平台上利用并行后的算法进行预测，提高了负荷预测的精度和预测速度。
Description
技术领域
本发明涉及一种基于大数据平台的短期负荷预测方法，属于短期负荷预测技术领域。
背景技术
负荷预测在我国经济高速成长的今天，对于电力系统规划以及可靠性和经济性的运行有着非常重要的作用。对于电网调度机构来说，负荷预测对于发供电计划的制定，电网的供需平衡以及电力市场的平稳运行具有十分重要的意义，因而我们必要提高负荷预测的精度进而提高系统中设备的利用率，降低运行的危害。近年来由于科学技术的进步，负荷预测的相关理论与技术也相应得到非常大的发展，理论研究也同时一点一点深入。对于电网中的负荷数据，负荷预测的准确性影响着电力系统的生产、检修、调度等环节。传统及智能负荷预测方法不能快速有效的训练大量数据样本模型的问题，以及针对负荷预测近大远小的特点不能有效利用历史负荷数据问题。
发明内容
本发明要解决的技术问题是：提供一种基于大数据平台的短期负荷预测方法，以解决上述现有技术中存在的问题。
本发明采取的技术方案为：一种基于大数据平台的短期负荷预测方法，该方法包括以下步骤：
(1)构建大数据平台：采用MapReduce架构搭建多个虚拟主机，其中一台作为MapReduce架构主节点Mastert，其余作为分节点，为每台虚拟主机配置处理器和内存以及安装CentOS6.5系统；
第二步：在CentOS 6.5系统中创建Hadoop账户，并赋予Hadoop账户管理员权限，通过修改hosts为主节点和从节点配置IP地址，然后配置SSH使各节点间实现密码登录，完成后各台机器之间直接通过ssh+机器名进行访问；
第三步：安装Spark计算引擎，安装成功后，将Xgboot算法克隆到本地并进行编译，编译成功后通过指令以yarn模式启动spark-shell，并引用xgboost包；
第四步：将训练数据及相应参数输入Xgboost算法后得到运行，输出下一个时间周期的负荷数据，实现Xgboot算法进行短期负荷预测。
Xgboost算法对输入的样本数据通过目标函数去训练数据样本，得到新的数据，即是预测值。
目标函数为：
Obj(θ)＝L(θ)+Ω(θ) (1)
式中L(θ)为误差函数，表示模型拟合数据的程度，Ω(θ)为正则化项，表示惩罚复杂的模型，Xgboost算法还采用GBDT中的Shrinkage(缩减)和随机森林的列抽样。
Shrinkage中采用多颗决策树组成的决策树森林模型，tree ensemble模型公式：
式中F是所有回归树集合，目标函数遵循原则为：
式中第一部分是目标真实值yi与预测值之间的误差，第二部分是每棵树的复杂度之和，公式参数采用additive training(boosting) 的方式来训练，面对不是平方误差时，使用泰勒展开来定义一个近似的目标函数，进行对这一步计算的简化除去常数项，目标函数仅仅取决于于每个数据点在误差函数上的一阶导数和二阶导数：
公式3中Ω(fk)用来定义树的复杂度，把树拆分成两个部分如结构部分q和叶子权重部分ω，定义 则目标函数可以改写为：
目标函数计算叶子j最优权重以及对应的最优目标函数值枚举所有树结构采用的方法是贪心法，从一个单叶子节点开始迭代来给树添加分支这种方法进行代替，得到的增益公式如下：
式中为左分支树，为右分支树，为不进行分割情况下得到的分数，γ为加入新叶子节点后引入的复杂度代价。
本发明的有益效果：与现有技术相比，本发明在搭建的大数据平台上利用并行后的算法进行预测，提高了负荷预测的精度和预测速度，有效解决传统方法不能快速有效的训练大量数据样本模型的问题以及针对负荷预测近大远小的特点不能有效利用历史负荷数据问题。
附图说明
图1是单棵决策树训练流程图；
图2是决策树迭代流程图；
图3是MapReduce结构图；
图4是实验集群拓扑示意图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
大数据平台实现：MapReduce是Hadoop的核心组件之一，是一种对于数据进行处理的编程框架。MapReduce采用"分而治之"的办法，通过把数据集分发给所有的节点进行处理，最后再将每个节点的处理结果进行整合，进而得到最终结果。在分布式计算中，MapReduce框架负责处理了并行编程中一些相对复杂问题，把处理过程高度抽象为两个函数：map和reduce，map可以把操作进行分解，reduce则是要将各个结果综合起来。
MapReduce架构：MapReduce与HDFS一样采用了主从结构模型，其具体架构如图3所示。主要由四个部分组成，分别为Client、JobTracker、 TaskTracker和Task。
Client客户端：每一项任务都会将应用程序和所要配置的相关参数打包处理后再存储到HDFS，并将路径提交到JobTracker的master服务中，然后由master创建每一个Task(即MapTask和ReduceTask)将它们分发到各个 TaskTracker服务中去执行。
在Hadoop中，依据自己的需求对调度器进行设计。
TaskTracker定期将自己节点上的情况汇报给JobTracker，并且接受反馈的命令然后执行相应的操作。TaskTracker使用“slot”等量划分本节点上的资源量。“slot”代表计算资源(CPU、内存等)。调度器可以把每个TaskTracker 上空闲的slot分配给Task使用。slot分为Map slot和Reduce slot两种，分别供Map Task和Reduce Task使用。可配置参数又能够对Task的并发度进行限定。
Task分为Map Task和Reduce Task两种，均由TaskTracker启动。用map 函数对输入的信息进行处理，并且把中间结果放到本地磁盘上，临时数据会被分成若干个partition，每个partition对应一个Reduce Task。Reduce Task从节点上读取Map Task中间结果；按照key对key/value对进行排序；调用reduce 函数，将结果保存到HDFS上。
实施例1：如图1-4所示，一种基于大数据平台的短期负荷预测方法，该方法包括以下步骤：
(1)构建大数据平台：采用MapReduce架构搭建多个(3个)虚拟主机，其中一台作为MapReduce架构主节点Mastert，其余作为分节点，为每台虚拟主机配置处理器和内存以及安装CentOS6.5系统；
第二步：在CentOS 6.5系统中创建Hadoop账户，并赋予Hadoop账户管理员权限，通过修改hosts为主节点和从节点配置IP地址，然后配置SSH使各节点间实现密码登录，完成后各台机器之间直接通过ssh+机器名进行访问；通过下列程序
Gitclone-recursivehttps：//github.com/dmlc/xgboost
cd xgboost
make-j4；
第三步：安装Spark计算引擎，安装成功后，将Xgboot算法克隆到本地并进行编译，编译成功后通过指令以yarn模式启动spark-shell，并引用xgboost 包；
/bin/spark-shell --master yarn-client
-confspark.executor.extraJavaOptions＝′-XX：
PermSize＝1024M′--driver-memory3g
--mum-executors12 --executor-memory 3g
--executor-cores4--jars
/home/hadoop/xgboost4j-spark-0.5-jar-with-
dependencies.jar
第四步：将训练数据(电力负荷数据、气候数据、时间序列)及相应参数输入Xgboost算法后得到运行，输出下一个时间周期的负荷数据，实现 Xgboot算法进行短期负荷预测。
Xgboost算法对输入的样本数据通过目标函数去训练数据样本，得到新的数据，即是预测值。
目标函数为：
Obj(θ)＝L(θ)+Ω(θ) (1)
式中L(θ)为误差函数，表示模型拟合数据的程度，Ω(θ)为正则化项，表示惩罚复杂的模型，Xgboost算法还采用GBDT中的Shrinkage(缩减)和随机森林的列抽样。
Shrinkage中采用多颗决策树组成的决策树森林模型，tree ensemble模型公式：
式中F是所有回归树集合，目标函数遵循原则为：
式中第一部分是目标真实值yi与预测值之间的误差，第二部分是每棵树的复杂度之和，公式参数采用additive training(boosting) 的方式来训练，面对不是平方误差时，使用泰勒展开来定义一个近似的目标函数，进行对这一步计算的简化除去常数项，目标函数仅仅取决于于每个数据点在误差函数上的一阶导数和二阶导数：
公式3中Ω(fk)用来定义树的复杂度，把树拆分成两个部分如结构部分q和叶子权重部分ω，定义 则目标函数可以改写为：
目标函数计算叶子j最优权重以及对应的最优目标函数值枚举所有树结构采用的方法是贪心法，从一个单叶子节点开始迭代来给树添加分支这种方法进行代替，得到的增益公式如下：
式中为左分支树，为右分支树，为不进行分割情况下得到的分数，γ为加入新叶子节点后引入的复杂度代价。
负荷预测仿真实验及结果分析：实验采用平均绝对百分比误差(mean absolutepercentage error，MAPE)和均方根误差(Root mean squared error， RMSE)公式如下：
式子中Xi为实际负荷值，Yi为预测负荷值，n为负荷预测结果的个数。在负荷预测中，MAPE值越小，负荷预测结果就越准确。RMSE越小则，负荷预测结果的精度就越高
本次预测的数据来源于某省M县2013年1月1日至2016年9月30日，每5分钟采集一次的负荷数据，共计368640条数据，以及对应日期的天气数据如最高气温、平均气温等共计10240条数据。短期负荷受天气、时间、日期等因素的影响而出现波动。这些因素都为负荷特性分析提出了挑战，分析这些因素与负荷之间的互相关系，有利于负荷预测模型的特征的建立。
选择2016年6月1日至2016年8月24日的日最大负荷值作为训练数据来预测2016年8月25日至2016年8月31日的日最大负荷值。同时选取上星期同日日最大负荷值、上月同日日最大负荷值、当日最大气温、当日平均气温、当日是否为工作日等数据来构成预测数据的特征，其中上星期同日日最大负荷值、上月同日日最大负荷值、当日最大气温、当日平均气温的特征值均为具体真实的数值，当日是否为工作日用0、1表示，0表示单日为非工作日、1表示当日为工作日。具体特征构造如下表所示:
表1训练数据及特征单位
| 属性 | 值 |
| 日期 | 2016/6/1 |
| 当日最大负荷 | 84.7604MW |
| 上星期最大负荷 | 66.3636MW |
| 上月最大负荷 | 79.3903MW |
| 是否工作日 | 1 |
| 平均气温 | 28.6℃ |
| 最高气温 | 33.6℃ |
从表看出Xgboost算法预测精度略高于其他两个算法，但只有微弱差距。同时因为样本量变大，各算法训练速度出现较大差异，考虑计算过程中计算机其他因素的影响会造成训练速度有细微差别，经过多次训练，将训练速度求平均值，结果见表3。
分布式Xgboost算法成功运行后，将之前单机版Xgboost算法所采用的样本重新输入分布式Xgboost算法进行预测，得到MAPE值和RMSE值如下：
表2分布式预测结果MAPE和RMSE对比表(夏季和冬季)
分布式Xgboost则采用的是分布式加权值算法，这是为了解决数据无法一次载入内存或者在分布式情况下，该方法可以高效地生成候选的分割点。
表3算法训练速度对比单位：秒
| 算法 | Xgboost双线程 | Xgboost四线程 | GBDT | RF |
| 时间 | 9.13 | 6.66 | 14.28 | 72.46 |
可以看出随机森林算法(RF)训练模型的时间比其他两个算法训练时间多，这是由于随机森林算法(RF)特性所决定，该算法需要多次随机抽取特征，所以导致训练时间增加。由表3可以看出，XGBOOST开启多线程模式后，训练速度相对于其他算法有较大的优势。
平台通过将负荷数据、气象数据以及其他的一些特征通过客户端输入然后再将对应的数据进行分块分给两台机器进行处理然后将各台所处理得到的结果汇总到主机上得到整体的预测模型，最后可以通过测试数据的输入从而进行相关的负荷预测工作。
结论：结合大数据的研究现状在搭建的分析平台上利用并行后的算法进行预测实验，结果表明提高了负荷预测的精度。受实验环境的影响实验所采用的数据量还不够大，下一步准备搜集更大数据集对该预测方法进行深入研究。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于大数据平台的短期负荷预测方法，其特征在于：该方法包括以下步骤：
(1)构建大数据平台：采用MapReduce架构搭建多个虚拟主机，其中一台作为MapReduce架构主节点Mastert，其余作为分节点，为每台虚拟主机配置处理器和内存以及安装CentOS6.5系统；
第二步：在CentOS 6.5系统中创建Hadoop账户，并赋予Hadoop账户管理员权限，通过修改hosts为主节点和从节点配置IP地址，然后配置SSH使各节点间实现密码登录，完成后各台机器之间直接通过ssh+机器名进行访问；
第三步：安装Spark计算引擎，安装成功后，将Xgboot算法克隆到本地磁盘并进行编译，编译成功后通过指令以yarn模式启动spark-shell，并引用xgboost包；
第四步：将训练数据及相应参数输入Xgboost算法后得到运行，输出下一个时间周期的负荷数据，实现Xgboot算法进行短期负荷预测。
2.根据权利要求1所述的一种基于大数据平台的短期负荷预测方法，其特征在于：Xgboost算法对输入的样本数据通过目标函数去训练数据样本，得到新的数据，即是预测值。
3.根据权利要求2所述的一种基于大数据平台的短期负荷预测方法，其特征在于：目标函数为：
Obj(θ)＝L(θ)+Ω(θ) (1)
式中L(θ)为误差函数，表示模型拟合数据的程度，Ω(θ)为正则化项，表示惩罚复杂的模型，Xgboost算法还采用GBDT中的Shrinkage和随机森林的列抽样。
4.根据权利要求3所述的一种基于大数据平台的短期负荷预测方法，其特征在于：Shrinkage中采用多颗决策树组成的决策树森林模型，tree ensemble模型公式：
式中F是所有回归树集合，目标函数遵循原则为：
式中第一部分是目标真实值yi与预测值之间的误差，第二部分是每棵树的复杂度之和，公式参数采用additive training的方式来训练，面对不是平方误差时，使用泰勒展开来定义一个近似的目标函数，进行对这一步计算的简化除去常数项，目标函数仅仅取决于于每个数据点在误差函数上的一阶导数和二阶导数：
公式3中Ω(fk)用来定义树的复杂度，把树拆分成两个部分如结构部分q和叶子权重部分ω，定义则目标函数可以改写为：
目标函数计算叶子j最优权重以及对应的最优目标函数值枚举所有树结构采用的方法是贪心法，从一个单叶子节点开始迭代来给树添加分支这种方法进行代替，得到的增益公式如下：
式中为左分支树，为右分支树，为不进行分割情况下得到的分数，γ为加入新叶子节点后引入的复杂度代价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910815422.7A CN110516884A (zh) | 2019-08-30 | 2019-08-30 | 一种基于大数据平台的短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910815422.7A CN110516884A (zh) | 2019-08-30 | 2019-08-30 | 一种基于大数据平台的短期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110516884A true CN110516884A (zh) | 2019-11-29 |
Family
ID=68628579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910815422.7A Pending CN110516884A (zh) | 2019-08-30 | 2019-08-30 | 一种基于大数据平台的短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516884A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111337042A (zh) * | 2020-03-13 | 2020-06-26 | 湖北大学 | 一种车辆路径规划方法及系统 |
| CN113285845A (zh) * | 2021-07-23 | 2021-08-20 | 灵长智能科技(杭州)有限公司 | 一种改进cart决策树生成的方法、系统和设备 |
| CN113359464A (zh) * | 2021-06-30 | 2021-09-07 | 贵州大学 | 一种基于决策树进行能源管理的多重能源系统及控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404944A (zh) * | 2015-12-11 | 2016-03-16 | 中国电力科学研究院 | 一种面向电力系统重过载预警的大数据分析方法 |
| CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
| CN108846529A (zh) * | 2018-09-20 | 2018-11-20 | 贵州大学 | 一种发电量预测系统 |
| CN109190855A (zh) * | 2018-10-26 | 2019-01-11 | 国网上海市电力公司 | 一种基于Spark平台和并行随机森林回归算法的电力负荷预测方法 |
| CN109766950A (zh) * | 2019-01-18 | 2019-05-17 | 东北大学 | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 |
| CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测（控）中心 | 一种电力负荷预测方法及预测装置 |
-
2019
- 2019-08-30 CN CN201910815422.7A patent/CN110516884A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105404944A (zh) * | 2015-12-11 | 2016-03-16 | 中国电力科学研究院 | 一种面向电力系统重过载预警的大数据分析方法 |
| CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
| CN108846529A (zh) * | 2018-09-20 | 2018-11-20 | 贵州大学 | 一种发电量预测系统 |
| CN109190855A (zh) * | 2018-10-26 | 2019-01-11 | 国网上海市电力公司 | 一种基于Spark平台和并行随机森林回归算法的电力负荷预测方法 |
| CN109766950A (zh) * | 2019-01-18 | 2019-05-17 | 东北大学 | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 |
| CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测（控）中心 | 一种电力负荷预测方法及预测装置 |
Non-Patent Citations (2)
| Title |
|---|
| TIANQI CHEN等: "XGBoost: A Scalable Tree Boosting System", 《ARXIV》 * |
| 夏博等: "大数据平台下的电力负荷预测系统设计与实现", 《自动化仪表》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111337042A (zh) * | 2020-03-13 | 2020-06-26 | 湖北大学 | 一种车辆路径规划方法及系统 |
| CN113359464A (zh) * | 2021-06-30 | 2021-09-07 | 贵州大学 | 一种基于决策树进行能源管理的多重能源系统及控制方法 |
| CN113285845A (zh) * | 2021-07-23 | 2021-08-20 | 灵长智能科技(杭州)有限公司 | 一种改进cart决策树生成的方法、系统和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Robust scheduling based on extreme learning machine for bi-objective flexible job-shop problems with machine breakdowns | |
| CN110516884A (zh) | 一种基于大数据平台的短期负荷预测方法 | |
| CN110991700A (zh) | 基于深度学习改进的天气与用电相关性预测方法及装置 | |
| CN104573106A (zh) | 一种基于案例推理技术的城市建设智能审批方法 | |
| Sun et al. | Research and application of parallel normal cloud mutation shuffled frog leaping algorithm in cascade reservoirs optimal operation | |
| Zhou et al. | A hybrid grey prediction model for small oscillation sequence based on information decomposition | |
| CN105069556A (zh) | 一种erp管理系统的用户行为分析方法及用户行为分析系统 | |
| Lucertini et al. | Integration of benchmarking and benchmarking of integration | |
| Sanyal et al. | Simulation and big data challenges in tuning building energy models | |
| Mao et al. | Multi-time scale forecast for schedulable capacity of Electric Vehicle fleets using big data analysis | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| Li et al. | Residential Electricity Classification Method Based On Cloud Computing Platform and Random Forest. | |
| González et al. | Applying multi-output random forest models to electricity price forecast | |
| Shahpar et al. | Improvement of effort estimation accuracy in software projects using a feature selection approach | |
| Li et al. | Prediction of china’s housing price based on a novel grey seasonal model | |
| CN110048886A (zh) | 一种大数据分析任务的高效云配置选择算法 | |
| CN109857817A (zh) | 全网域电子式互感器高频度计量数据甄别及数据处理方法 | |
| Yan et al. | Water demand forecast model of least squares support vector machine based on particle swarm optimization | |
| Wu et al. | An improved SMOTE algorithm for processing unbalanced electric charge data sets | |
| Hou et al. | Regional suitability assessment for straw-based power generation: A machine learning approach | |
| Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
| CN107798124A (zh) | 基于预测建模技术的搜索系统及方法 | |
| Jie | A performance modeling-based HADOOP configuration tuning strategy | |
| Bányai et al. | Optimisation of knapsack problem with matlab, based on harmony search algorithm | |
| CN116933917A (zh) | 基于改进野狗算法优化神经网络的电网物资预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
| RJ01 | Rejection of invention patent application after publication |