CN110570041A - 一种基于ap聚类的远景年典型日负荷预测方法 - Google Patents
一种基于ap聚类的远景年典型日负荷预测方法 Download PDFInfo
- Publication number
- CN110570041A CN110570041A CN201910855941.6A CN201910855941A CN110570041A CN 110570041 A CN110570041 A CN 110570041A CN 201910855941 A CN201910855941 A CN 201910855941A CN 110570041 A CN110570041 A CN 110570041A
- Authority
- CN
- China
- Prior art keywords
- daily load
- load
- load data
- data
- clustering
- 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 18
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 45
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003860 storage 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AP聚类的远景年典型日负荷预测方法,首先,选取历史日负荷数据,并进行标幺化处理;其次,基于AP聚类算法对历史日负荷数据进行聚类,以此作为远景年的负荷特征;最后,基于远景年负荷的预测值,并结合聚类后的负荷特征,计算出远景年典型日负荷曲线。本文方法为远景年日负荷预测提供了有效的科学依据,其次将远景年日负荷进行聚类获得远景年典型日负荷,利用典型日负荷进行计算降低了电网规划和电网运行中计算量。
Description
技术领域
本发明属于电力系统分析领域,特别涉及一种基于AP聚类的远景年典型日负荷预测方法。
背景技术
新一代综合能源电力系统是能源互联网的物理载体,是以电能为主体形式,在规划、建设和运行等过程中,对各种能源的产生、传输与分配(供能网络)、转换、存储、消费、交易等环节实施有机协调与优化,进而形成的能源产供消一体化系统。新一代综合能源电力系统是我国未来综合能源发展的必然趋势。同时,社会经济技术、升天环境约束等电网发展的外部环境发生剧烈变化,对特大型城市电网远景年电力需求预测提出挑战。
电力负荷预测的开展始于上世纪七十年代初。最早的电力负荷预测工作完全依靠预测人员的运行经验,没有科学的理论做指导,预测误差往往较大。随着电力行业的不断发展,电力系统日趋复杂,单纯地依靠人工预测己经远远不能满足预测的要求。因此,要求电力负荷预测更科学、更准确,极大地促发了电力负荷预测理论研究的开展。
电力系统是一个大规模的电力生产、输送、消费的复杂网络,电力生产和消费具有即时性的特点,且大规模的存储电力并不经济,为了实现电力系统的安全、经济、稳定地运行,这不仅需要提高饱和负荷预测的精度,更需要对电网做出更合理的规划。电力饱和负荷预测是电网规划中最为重要的基础性工作之一,电力饱和负荷预测的合理性与准确性直接影响着电网规划的质量,远景年目标网架规划对电网发展有高屋建瓴的指导意义。
发明内容
为了使电网规划的投资更加经济,电网规划方案更加合理,这需要对远景年典型负荷的预测更精准。本发明的目的在于提供一种基于AP聚类的远景年典型日负荷预测方法。本发明根据历史日负荷数据,进行标幺化处理,并基于AP聚类算法对历史日负荷数据进行聚类,以此作为远景年的负荷特征。此外,基于远景年负荷的预测值,并结合聚类后的负荷特征,计算出远景年典型日负荷曲线,本文方法为远景年日负荷预测提供了有效的科学依据。
由于电网规划是以年为周期,负荷曲线往往是以小时为单位,这样导致建立电网规划模型时负荷数据量极大,求解十分困难。为了解决这一问题,本发明基于AP聚类算法对远景年典型日负荷进行建模,利用典型日负荷数据研究电网规划问题,大大降低了电网规划模型中的数据规模,进而解决了模型求解困难的问题。
具体技术方案包括以下步骤:
一种基于AP聚类的远景年典型日负荷预测方法,包括如下步骤:
S1、基于历史负荷曲线,选定n年日负荷曲线,得到日负荷数据样本集{L1,L2,...,L365×n};
S2、选定基准负荷数据,将365×n个日负荷数据样本除以基准负荷数据,得到负荷数据的标幺值;
S3、基于AP聚类算法(Affinity Propagation Clustering Algorithm)对365×n个标幺化处理的历史日负荷数据样本进行聚类;
S4、基于聚类结果,得到h个类型,类型集合为W=[w1,w2,…,wh],根据第h类负荷中包含的日负荷曲线的数量与日负荷曲线总数量的比值,确定出各类负荷的权重向量M=[m1,m2,…,mh]。
S5、预测远景年电力负荷需求计算远景年每天负荷的平均值,利用负荷的平均值与聚类后负荷类型的标幺值乘积,即可求出远景年典型日负荷
所述S3步骤,对365×n个日负荷数据样本进行聚类步骤为:
3.1、根据日负荷数据样本集{L1,L2,...,L365×n},基于2-范数设置相似度矩阵F,表示两个数据之间的相似程度,f(i,j)为相似度矩阵中的元素,其物理含义为日负荷数据Li与Lj之间的相似程度,使用欧氏距离来计算,相似度值越大说明两类负荷之间的距离越近;
3.2、设置吸引信息矩阵R,r(i,k)为吸引信息矩阵中的元素,描述的是日负荷数据Lk适合作为日负荷数据Li的聚类中心的程度,表示负荷数据从Li到Lk的信息;
3.3、设置归属信息矩阵A,a(i,k)为归属信息矩阵中的元素,描述的是日负荷数据Li选择日负荷数据Lk作为聚类中心的适合程度,表示负荷数据从Lk到Li的信息;
3.4、设置t=1,开始进行第一次迭代计算,得到吸引信息矩阵R、设置归属信息矩阵A、相似度矩阵F初始值;
3.5、更新吸引信息矩阵,计算第t+1次的吸引信息矩阵rt+1(i,k),其计算公式为:这里k'为第t次计算选取的数据,k为第t+1次计算选取的数据,k'≠k,at(i,k')表示计算的第t次日负荷数据Li选择日负荷数据Lk'作为聚类中心的适合程度,f(i,k')表示日负荷数据Li与Lk'之间的相似程度,f(i,k)表示日负荷数据Li与Lk之间的相似程度;
归属信息矩阵中,计算第t+1次的归属信息矩阵at+1(i,k),其计算公式为:当i≠k时,即这里i'为第t次计算选取的数据,当i=k时,
3.6、更新吸引信息矩阵和归属信息矩阵后,计算日负荷数据的聚类结果;
3.7、对3.5、3.6步骤进行迭代,如果日负荷数据的聚类经过数次迭代后聚类结果保持不变或者算法执行超过设定的迭代次数,则算法结束,得到h个类型,类型集合为W=[w1,w2,…,wh]。
所述S4步骤,各类负荷的权重计算方法为:
其中,Ih为第h类负荷中包含的日负荷曲线的数量,365×n为选取历史日负荷曲线总数量。
所述S5步骤,远景年典型日负荷计算方法为:
其中,表示远景年每天负荷的平均值,wh表示聚类之后,负荷类型为h的标幺值。
与现有技术相比,本发明的有益效果是:
由于电网规划是以年为周期,负荷曲线往往是以小时为单位,这样导致建立电网规划模型时负荷数据量极大,求解十分困难,针对这一问题,本发明基于AP聚类算法对远景年典型日负荷进行建模,利用典型日负荷数据研究电网规划问题,大大降低了电网规划模型中的数据规模,进而解决了模型求解困难的问题。
附图说明
图1为本发明提供的一种基于AP聚类的远景年典型日负荷预测方法流程示意图;
具体实施方式
下面结合附图对本发明做出详细地说明:
如图1所示,本发明提供一种基于AP聚类的远景年典型日负荷预测方法,包括如下步骤:
步骤1基于历史负荷曲线,选定n年日负荷曲线,得到日负荷数据样本集{L1,L2,...,L365×n};
步骤2选定基准负荷数据,将365×n个日负荷数据样本除以基准负荷数据,得到负荷数据的标幺值;
步骤3基于AP聚类算法(Affinity Propagation Clustering Algorithm)对365×n个标幺化处理的历史日负荷数据样本进行聚类;所述步骤3,利用AP聚类算法净负荷曲线进行聚类,具体包括:
3.1、根据日负荷数据样本集{L1,L2,...,L365×n},基于2-范数设置相似度矩阵F,表示两个数据之间的相似程度,f(i,j)为相似度矩阵中的元素,其物理含义为日负荷数据Li与Lj之间的相似程度,使用欧氏距离来计算,相似度值越大说明两类负荷之间的距离越近;
3.2、设置吸引信息矩阵R,r(i,k)为吸引信息矩阵中的元素,描述的是日负荷数据Lk适合作为日负荷数据Li的聚类中心的程度,表示负荷数据从Li到Lk的信息;
3.3、设置归属信息矩阵A,a(i,k)为归属信息矩阵中的元素,描述的是日负荷数据Li选择日负荷数据Lk作为聚类中心的适合程度,表示负荷数据从Lk到Li的信息;
3.4、设置t=1,开始进行第一次迭代计算,得到吸引信息矩阵R、设置归属信息矩阵A、相似度矩阵F初始值;
3.5、更新吸引信息矩阵,计算第t+1次的吸引信息矩阵rt+1(i,k),其计算公式为:这里k'为第t次计算选取的数据,k为第t+1次计算选取的数据,k'≠k。at(i,k')表示计算的第t次日负荷数据Li选择日负荷数据Lk'作为聚类中心的适合程度,f(i,k')表示日负荷数据Li与Lk'之间的相似程度,f(i,k)表示日负荷数据Li与Lk之间的相似程度;
归属信息矩阵中,计算第t+1次的归属信息矩阵at+1(i,k),其计算公式为:当i≠k时,即这里i'为第t次计算选取的数据,当i=k时,既
3.6、更新吸引信息矩阵和归属信息矩阵后,计算日负荷数据的聚类结果;
3.7、对3.5、3.6步骤进行迭代,如果日负荷数据的聚类经过数次迭代后聚类结果保持不变或者算法执行超过设定的迭代次数,则算法结束,得到h个类型,类型集合为W=[w1,w2,…,wh]。
步骤4基于聚类结果,得到h个类型,类型集合为W=[w1,w2,…,wh],根据第h类负荷中包含的日负荷曲线的数量与日负荷曲线总数量的比值,确定出各类负荷的权重向量M=[m1,m2,…,mh]。所述步骤4中,各类负荷的权重向量计算方法为:
其中,Ih为第h类负荷中包含的日负荷曲线的数量,365×n为选取n年历史日负荷曲线总数量。
步骤5预测远景年电力负荷需求计算远景年每天负荷的平均值,利用负荷的平均值与聚类后负荷类型的标幺值乘积,即可求出远景年典型日负荷需要说明的是,预测远景年电力负荷需求采用现有技术预测即可;
所述步骤5中,远景年典型日负荷计算方法为:
其中,表示远景年每天负荷的平均值,wh表示聚类之后,负荷类型为h的标幺值。
Claims (4)
1.一种基于AP聚类的远景年典型日负荷预测方法,其特征在于,包括如下步骤:
S1、根据历史负荷曲线,选取n年日负荷曲线,得到历史日负荷数据样本集{L1,L2,...,L365×n};
S2、选定基准负荷数据,将365×n个历史日负荷数据样本进行标幺化处理;
S3、基于AP聚类算法对365×n个经过标幺化处理的历史日负荷数据样本进行聚类;
S4、基于聚类结果,得到h个类型,类型集合为W=[w1,w2,…,wh],并确定出各类负荷的权重向量M=[m1,m2,…,mh];
S5、通过远景年电力负荷需求求出远景年典型日负荷
2.根据权利要求1所述的一种基于AP聚类的远景年典型日负荷预测方法,其特征在于,所述步骤S3,对365×n个经标幺化处理的历史日负荷数据样本进行聚类分析,得到不同的负荷类型,其方法为:
S301、根据经过标幺化处理的历史日负荷数据样本集{L1,L2,...,L365×n},基于2-范数设置相似度矩阵F,表示两个数据之间的相似程度,f(i,j)为相似度矩阵中的元素,其物理含义为日负荷数据Li与Lj之间的相似程度,使用欧氏距离来计算,相似度值越大说明两类负荷之间的距离越近;
S302、设置吸引信息矩阵R,r(i,k)为吸引信息矩阵中的元素,描述的是日负荷数据Lk适合作为日负荷数据Li的聚类中心的程度,表示负荷数据从Li到Lk的信息;
S303、设置归属信息矩阵A,a(i,k)为归属信息矩阵中的元素,描述的是日负荷数据Li选择日负荷数据Lk作为聚类中心的适合程度,表示负荷数据从Lk到Li的信息;
S304、设置t=1,开始进行第一次迭代计算,得到吸引信息矩阵R、设置归属信息矩阵A、相似度矩阵F初始值;
S305、更新吸引信息矩阵,计算第t+1次的吸引信息矩阵元素rt+1(i,k),其计算公式为:其中,k'为第t次计算的数据,k为第t+1次计算的数据,k'≠k;at(i,k')表示计算的第t次日负荷数据Li选择日负荷数据Lk'作为聚类中心的适合程度,f(i,k')表示计算的第t次日负荷数据Li与Lk'之间的相似程度,f(i,k)表示日负荷数据Li与Lk之间的相似程度;
更新归属信息矩阵,计算第t+1次的归属信息矩阵at+1(i,k),其计算公式为:当i≠k时,其中,i'为第t次计算的数据,当i=k时,则
S306、更新吸引信息矩阵和归属信息矩阵后,计算日负荷数据的聚类结果;
S307、对步骤S305、S306进行重复迭代,如果日负荷数据的聚类经过数次迭代后聚类结果保持不变或者算法执行超过设定的迭代次数,则算法结束,得到h个类型,类型集合为W=[w1,w2,…,wh]。
3.根据权利要求2所述的一种基于AP聚类的远景年典型日负荷预测方法,其特征在于,所述S4步骤,各类负荷的权重计算方法为:
其中,Ih为第h类负荷中包含的日负荷曲线的数量,365×n为选取历史日负荷曲线总数量。
4.根据权利要求3所述的一种基于AP聚类的远景年典型日负荷预测方法,其特征在于,所述S5步骤,远景年典型日负荷计算方法为:
其中,表示远景年每天负荷的平均值,wh表示聚类之后,负荷类型为h的标幺值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910855941.6A CN110570041B (zh) | 2019-09-11 | 2019-09-11 | 一种基于ap聚类的远景年典型日负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910855941.6A CN110570041B (zh) | 2019-09-11 | 2019-09-11 | 一种基于ap聚类的远景年典型日负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110570041A true CN110570041A (zh) | 2019-12-13 |
CN110570041B CN110570041B (zh) | 2023-05-09 |
Family
ID=68779131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910855941.6A Active CN110570041B (zh) | 2019-09-11 | 2019-09-11 | 一种基于ap聚类的远景年典型日负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110570041B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215462A (zh) * | 2020-09-04 | 2021-01-12 | 国网天津市电力公司 | 基于马氏距离的k均值聚类电网适应性评价方法 |
CN112257344A (zh) * | 2020-10-28 | 2021-01-22 | 东南大学 | 一种基于ap聚类算法的场景削减方法 |
CN112508260A (zh) * | 2020-12-03 | 2021-03-16 | 广东电网有限责任公司 | 基于对比学习的配电变压器中长期负荷预测方法及装置 |
CN117555888A (zh) * | 2023-11-23 | 2024-02-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于ap聚类算法的终端历史数据维护方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
WO2016136323A1 (ja) * | 2015-02-27 | 2016-09-01 | 株式会社E.I.エンジニアリング | エネルギー予測システム、エネルギー予測方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録した記録媒体並びに運転支援システム |
CN106786519A (zh) * | 2016-12-12 | 2017-05-31 | 国网上海市电力公司 | 一种优化预测电网典型日负荷的方法 |
US20180351355A1 (en) * | 2016-11-02 | 2018-12-06 | China Electric Power Research Institute Company Limited | Method for identifying pattern of load cycle |
CN110071502A (zh) * | 2019-04-24 | 2019-07-30 | 广东工业大学 | 一种短期电力负荷预测的计算方法 |
-
2019
- 2019-09-11 CN CN201910855941.6A patent/CN110570041B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016136323A1 (ja) * | 2015-02-27 | 2016-09-01 | 株式会社E.I.エンジニアリング | エネルギー予測システム、エネルギー予測方法、これを実行させるためのコンピュータプログラム及びこのプログラムを記録した記録媒体並びに運転支援システム |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
US20180351355A1 (en) * | 2016-11-02 | 2018-12-06 | China Electric Power Research Institute Company Limited | Method for identifying pattern of load cycle |
CN106786519A (zh) * | 2016-12-12 | 2017-05-31 | 国网上海市电力公司 | 一种优化预测电网典型日负荷的方法 |
CN110071502A (zh) * | 2019-04-24 | 2019-07-30 | 广东工业大学 | 一种短期电力负荷预测的计算方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215462A (zh) * | 2020-09-04 | 2021-01-12 | 国网天津市电力公司 | 基于马氏距离的k均值聚类电网适应性评价方法 |
CN112257344A (zh) * | 2020-10-28 | 2021-01-22 | 东南大学 | 一种基于ap聚类算法的场景削减方法 |
CN112508260A (zh) * | 2020-12-03 | 2021-03-16 | 广东电网有限责任公司 | 基于对比学习的配电变压器中长期负荷预测方法及装置 |
CN112508260B (zh) * | 2020-12-03 | 2022-09-02 | 广东电网有限责任公司 | 基于对比学习的配电变压器中长期负荷预测方法及装置 |
CN117555888A (zh) * | 2023-11-23 | 2024-02-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于ap聚类算法的终端历史数据维护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110570041B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
CN110570041A (zh) | 一种基于ap聚类的远景年典型日负荷预测方法 | |
CN102708381B (zh) | 融合最小二乘向量机回归学习思想的改进极限学习机 | |
Xuemei et al. | Building cooling load forecasting model based on LS-SVM | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN111091247A (zh) | 基于深度神经网络模型融合的电力负荷预测方法、装置 | |
CN105447509A (zh) | 一种光伏发电系统的短期功率预测方法 | |
WO2015081660A1 (zh) | 一种居民小区短期负荷预测方法 | |
CN106503851A (zh) | 一种改进的基于小波分析的短期电力负荷预测方法 | |
Sun et al. | Research and application of parallel normal cloud mutation shuffled frog leaping algorithm in cascade reservoirs optimal operation | |
CN104021432A (zh) | 基于改进灰色预测模型的电力负荷中长期预测方法 | |
CN112668909B (zh) | 基于遗传算法的水资源优化配置方法及系统 | |
CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
Li et al. | A novel data-driven seasonal multivariable grey model for seasonal time series forecasting | |
Gilan et al. | Sustainable building design: A challenge at the intersection of machine learning and design optimization | |
Kim et al. | Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction | |
Zhao et al. | Application of a novel hybrid accumulation grey model to forecast total energy consumption of Southwest Provinces in China | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN105976057B (zh) | 一种基于改进灰色理论的中长期负荷预测方法 | |
Zhang et al. | Building energy consumption prediction based on temporal-aware attention and energy consumption states | |
CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
Guo et al. | Mobile user credit prediction based on lightgbm | |
Liu et al. | Forecasting China’s per capita living energy consumption by employing a novel DGM (1, 1, tα) model with fractional order accumulation |
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 |