CN110619107B - 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法 - Google Patents

一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法 Download PDF

Info

Publication number
CN110619107B
CN110619107B CN201910725756.5A CN201910725756A CN110619107B CN 110619107 B CN110619107 B CN 110619107B CN 201910725756 A CN201910725756 A CN 201910725756A CN 110619107 B CN110619107 B CN 110619107B
Authority
CN
China
Prior art keywords
data
load
lstm
model
matrix
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.)
Active
Application number
CN201910725756.5A
Other languages
English (en)
Other versions
CN110619107A (zh
Inventor
徐健锋
吴俊杰
邹伟康
王文国
刘建模
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tellhow Software Co ltd
Nanchang University
Original Assignee
Nanchang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanchang University filed Critical Nanchang University
Priority to CN201910725756.5A priority Critical patent/CN110619107B/zh
Publication of CN110619107A publication Critical patent/CN110619107A/zh
Application granted granted Critical
Publication of CN110619107B publication Critical patent/CN110619107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)

Abstract

本发明提供了一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，该方法包括：首先，通过截取某段电网负荷数据构造数据集，输入Lstm算法生成Lstm模型。接着，另截取一段电网数据其中包括工况及负荷数据。选取负荷数据构建Lstm数据集，输入Lstm模型得到负荷预测结果。然后，将预测负荷结果与工况数据融合构造新的数据集，将数据集输入Gcforest算法生成Gcforest模型。最后，将应用数据负荷数据集输入Lstm模型得到负荷预测结果，将负荷预测结果与应用数据工况数据融合后输入Gcforest模型得到最终应用负荷结果。通过Lstm循环神经网络学习具有长短期依赖知识的能力，以及深度森林对非线性属性特征提取的能力，在配变负荷预测场景中使用Lstm‑Gcforest组合模型能够更精准的预测配变负荷状况。

Description

一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预 测方法
技术领域
本发明涉及配变负荷预测技术领域，具体为一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法。
背景技术
配变负荷预测是电力系统调度中的一个重要环节。负荷预测的准确与否关系到电力系统规划、运行、安全、可靠等重要问题。然而，目前我国电网还存在着许多难以适应国民经济增长和满足人民生活需要的问题，诸如供电网规划不合理、电力供应不足、资源利用不协调、安全可靠性不高等。要有效解决这些问题，最为关键的一步工作就是要做好配变的负荷预测。
当前配变负荷预测技术主要有三类：一类是经典技术，如：单耗法、弹性系数法、等；另一类是现代预测技术，如：灰色预测法、人工神经网络法、模糊预测法等。上述负荷预测方法和预测技术已经取得了重要的研究成果，但依旧没有一个通用的方法可适用于解决所有的负荷预测问题，也并无一个预测方法能保证优于其它任何一个方法，且都存在实时预测精度低，推广难度大等不足。这主要是因为：(1)当前负荷预测技术在算法设计上还存在许多的不足，仅仅局限在弱机器学习算法上；(2)电力系统的数据具有强非线性、时变性、大量数据特征未确切可知等特点；(3)由于各个地区经济、人口等发展不平衡及地理位置的差异性，导致不同地区电网负荷存在着很大的差异性，电力系统负荷预测表现出动态性和不确定性。
发明内容
配变负荷预测是电力系统中的一个重要组成部分，若能精准的预测未来的配变负荷情况，将可以为电力系统规划以及决策提供极大的帮助。本文基于机器学习方法，提出了一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，能够更精准的预测配变负荷状况。
为实现上述目的，本发明提供如下技术方案：一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，包括以下步骤：
(1)从配网信息管理系统历史数据集中抽取某台变压器长度为n的负荷取值时间序列数据，记为
Figure BDA0002158867010000021
其中t1,t2,…tn代表前驱后续的n个时间点；
(2)按照顺序从时间序列数据
Figure BDA0002158867010000022
中抽取指定长度为L的(n-L+1)段数据序列，构成如下(n-L+1)行×L列的二维矩阵J1：
Figure BDA0002158867010000023
(3)将J1中第L列时间数据
Figure BDA0002158867010000024
进行纵向上移p个长度，得到二维矩阵J2′：
Figure BDA0002158867010000025
(4)将第L列缺失数据的(n-L+2-p)至(n-L+1)共p行数据进行删除，生成新的二维矩阵J2：
Figure BDA0002158867010000026
(5)将矩阵J2每行数据分别代入Lstm神经网络模型进行训练，其中矩阵J2数据的第1列至第L-1列作为输入，第L列作为输出代入，训练完成后保存Lstm算法对应模型记为Lp_Model；
(6)从配网信息管理系统历史数据集中抽取这台变压器另外截取长度为m的负荷取值时间序列数据，记为
Figure BDA0002158867010000031
其中t1,t2,…tm代表前驱后续的m个时间点；
(7)按照顺序从时间序列数据
Figure BDA0002158867010000032
中抽取指定长度为L的(m-L+1)段数据序列，构成如下(m-L+1)行×L列的二维矩阵J3：
Figure BDA0002158867010000033
(8)将第L列数据
Figure BDA0002158867010000034
同步骤3方法进行纵向上移p个长度，再将缺失第L列数据的(m-L-p+2)行至(m-L+1)共p行数据进行删除，得到(m-L+1-p)行×L列的二维矩阵J4：
Figure BDA0002158867010000035
(9)将矩阵J4数据的第1列至第L-1列作为输入分别代入Lp_Model神经网络模型，输出第L列预测值，记为
Figure BDA0002158867010000036
(10)抽取步骤6中通过处理后确定的m个时间点对应的m条变压器工况数据记为
Figure BDA0002158867010000037
其中每条工况数据都由k种工况属性构成，任一
Figure BDA0002158867010000038
可以记录为
Figure BDA0002158867010000039
其中i∈[1,m]，则
Figure BDA00021588670100000310
可以表示为矩阵J5：
Figure BDA0002158867010000041
(11)将步骤9获取的时间下标为tL+p,…tm的(m-L+1-p)个变压器负荷预测值，记为
Figure BDA0002158867010000042
与矩阵J5的第L行至m-p行数据结合为如下矩阵J6：
Figure BDA0002158867010000043
(12)将步骤7获取的时间下标为tL,…tm-p的(m-L+1-p)个变压器负荷真实值，记为
Figure BDA0002158867010000044
时间下标为tL+p,…tm的(m-L+1-p)个变压器负荷真实值，记为
Figure BDA0002158867010000045
然后将上述数据与步骤11获取的矩阵J6结合为如下矩阵J7：
Figure BDA0002158867010000046
(13)将矩阵J7的(m-L+1-p)行数据分别代入Gc_forest机器模型进行训练，其中矩阵J7数据的第1列至第k+2列作为输入，第k+3列作为输出代入，训练完成后该模型记Gp_Model；
(14)抽取本变压器当前待预测时间点T之前时间点T-L+1-p至T-p-1的(L-1)个负荷数据：记为D(T-L+1-p),D(T-L+2-p),…D(T-p-1)，输入Lp_Model，获得时间点T负荷预测值记为D'T；
(15)选取T-p时间点的工况数据CT-p＝C(T-p)1,C(T-p)2,…，C(T-p)K，T-p时间点负荷数据DT-p与步骤14获得时间点T负荷预测数据D'T，组合为数据序列：C(T-p)1,C(T-p)2,…，C(T-p)K，DT-p,D'T输入Gp_Model，获得时间点T最终的负荷预测值。
与现有技术相比，本发明的有益效果是：
本发明提供的一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，通过Lstm循环神经网络学习具有长短期依赖知识的能力，以及深度森林对非线性属性特征提取的能力，在配变负荷预测场景中使用Lstm-Gcforest组合模型的效果相比传统的数据挖掘方法更好，能够更精准的预测配变负荷状况。
附图说明
图1是本发明的基本流程图；
图2是Lstm建模详细流程图；
图3是Gcforest建模详细流程图；
图4是负荷预测详细流程图；
图5是本发明的详细流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。此处所描述的具体实施例仅用于解释本发明技术方案，并不限于本发明。
本发明提供一种技术方案：一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，包括以下步骤：
(1)采用某地区电网变压器A中2016年1月到2018年11月的电力负荷数据，其中数据大致分为俩类，配变负荷数据(最大功率值、配变电压、配变电流等)和非负荷数据(日期型的数据(节假日数据)、气象类的数据、经济类的数据和配变台账数据)。
(2)对所有的数据进行预处理后，选取2018-01-06至2018年01-25共20天长度时间段的配变负荷数据(有功功率值)，记为
Figure BDA0002158867010000051
其中t1,t2,…t20代表前驱后续的20个时间点，如表1所示。
表1
Figure BDA0002158867010000061
(3)按照顺序从表1时间序列有功功率数据
Figure BDA0002158867010000062
中抽取指定长度为L＝6的15段数据序列，构成如下15行×6列的如下图表2：
表2
Figure BDA0002158867010000063
Figure BDA0002158867010000071
(4)将第6列时间配变负荷数据
Figure BDA0002158867010000072
进行p＝2(p>＝2)长度错位。再将缺失的第6列时间数据的14行和15行共2行数据进行删除，生成新的表3，作为配变负荷Lstm模型训练集数据：
表3
Figure BDA0002158867010000073
(5)将表3每行配变负荷数据分别代入Lstm神经网络进行训练(Lstm神经网络模型的参数、按照通用方法进行设置)，其中表3数据的第1列至第5列作为条件属性输入，第6列作为决策属性输出代入。训练完成后保存Lstm算法对应模型记为Lp_Model。
(6)另从配网信息历史数据集中抽取变压器A截取长度为m＝15的负荷取值时间序列数据记为
Figure BDA0002158867010000083
其中t1,t2,…t15代表前驱后续的15个时间点，如表4所示。
表4
Figure BDA0002158867010000081
(7)按照顺序从配变负荷(有功功率)时间序列数据
Figure BDA0002158867010000082
中抽取长度为L＝6的10段数据序列，构成如下10行×6列的如下图表5：
表5
Figure BDA0002158867010000091
(8)将表5中第6列数据
Figure BDA0002158867010000092
进行p＝2(p>＝0)长度错位，再将缺失第6列数据的第9行和第10行共2行数据进行删除，生成8行×6列的图表6，作为Lstm模型的测试集数据。
表6
Figure BDA0002158867010000093
(9)将表6的每行数据的第1列至第5列作为输入分别代入Lp_Model神经网络模型，输出t时间点后第3天的有功功率的预测值序列。记为
Figure BDA0002158867010000094
如表7所示。
表7
Figure BDA0002158867010000101
(10)抽取步骤6中变压器A截取长度为m＝15的负荷取值时间序列数据
Figure BDA0002158867010000102
对应的15条变压器工况数据记为
Figure BDA0002158867010000103
其中每条工况数据都由5种工况属性(包括日期(Data)、最低温(DW_A)、最高温(GW_A)、天气(TQ_A)、节假日(Weekend))构成，任一
Figure BDA0002158867010000104
可以记录为
Figure BDA0002158867010000105
其中i∈[1,5]∧i∈Z。
(11)将步骤6获取的时间下标为t6,…t13的8个变压器负荷真实值。记为
Figure BDA0002158867010000106
时间下标为t8,…t15的8个变压器负荷真实值。记为
Figure BDA0002158867010000107
然后将上述数据与步骤10数据结合为如下图表8：
表8
Figure BDA0002158867010000108
Figure BDA0002158867010000111
(12)将表8中8列数据分别代入Gc_forest机器模型进行训练(Gc_forest模型的参数、按照通用方法进行设置)，其中表8数据的第1行至第7行作为条件属性输入，第8行作为决策属性输出。训练完成后该模型记Gp_Model。
(13)抽取变压器A中当前待预测时间点2018年5月17日之前的5月10日至14日的有功功率负荷数据。输入Lp_Model，获得时间点5月17日的负荷预测值D'T＝154.99。
(14)选取5月15日的工况数据(包括日期(Data：2018/5/17)、最低温(DW_A：10)、最高温(GW_A：20)、天气(TQ_A：小雨转多云)、节假日(Weekend：0))与5月15日真实有功功率负荷数据YGGL_A:159.85与步骤13获得5月17日有功功率负荷预测数据YGGL_A′:154.99。组合为数据序列：[Data,DW_A,GW_A,TQ_A,Weekend,YGGL_A,YGGL_A′]输入Gp_Model，获得5月17日最终的有功功率预测值为158.03。
如表9所示相较于之前提出的负荷预测技术，本发明提出了一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法。因为Lstm循环神经网络学习具有长短期依赖知识的能力，以及深度森林对非线性属性特征提取的能力，可知配变负荷预测场景中使用Lstm-Gcforest组合模型的效果相比传统的数据挖掘方法会更好。
表9
应用算法 平均预测误差
LSTM 4.98％
随机深林 5.03％
SVR 5.36％
深度深林 4.54％
本发明方法 3.22％
以上所述仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (1)

1.一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，其特征在于：包括以下步骤：
(1)从配网信息管理系统历史数据集中抽取某台变压器长度为n的负荷取值时间序列数据，记为
Figure FDA0002158865000000011
其中t1,t2,…tn代表前驱后续的n个时间点；
(2)按照顺序从时间序列数据
Figure FDA0002158865000000012
中抽取指定长度为L的(n-L+1)段数据序列，构成如下(n-L+1)行×L列的二维矩阵J1：
Figure FDA0002158865000000013
(3)将J1中第L列时间数据
Figure FDA0002158865000000014
进行纵向上移p个长度，得到二维矩阵J2′：
Figure FDA0002158865000000015
(4)将第L列缺失数据的(n-L+2-p)至(n-L+1)共p行数据进行删除，生成新的二维矩阵J2：
Figure FDA0002158865000000016
(5)将矩阵J2每行数据分别代入Lstm神经网络模型进行训练，其中矩阵J2数据的第1列至第L-1列作为输入，第L列作为输出代入，训练完成后保存Lstm算法对应模型记为Lp_Model；
(6)从配网信息管理系统历史数据集中抽取这台变压器另外截取长度为m的负荷取值时间序列数据，记为
Figure FDA0002158865000000021
其中t1,t2,…tm代表前驱后续的m个时间点；
(7)按照顺序从时间序列数据
Figure FDA0002158865000000022
中抽取指定长度为L的(m-L+1)段数据序列，构成如下(m-L+1)行×L列的二维矩阵J3：
Figure FDA0002158865000000023
(8)将第L列数据
Figure FDA0002158865000000024
同步骤3方法进行纵向上移p个长度，再将缺失第L列数据的(m-L-p+2)行至(m-L+1)共p行数据进行删除，得到(m-L+1-p)行×L列的二维矩阵J4：
Figure FDA0002158865000000025
(9)将矩阵J4数据的第1列至第L-1列作为输入分别代入Lp_Model神经网络模型，输出第L列预测值，记为
Figure FDA0002158865000000026
(10)抽取步骤6中通过处理后确定的m个时间点对应的m条变压器工况数据记为
Figure FDA0002158865000000027
其中每条工况数据都由k种工况属性构成，任一
Figure FDA0002158865000000028
可以记录为
Figure FDA0002158865000000029
其中i∈[1,m]，则
Figure FDA00021588650000000210
可以表示为矩阵J5：
Figure FDA0002158865000000031
(11)将步骤9获取的时间下标为tL+p,…tm的(m-L+1-p)个变压器负荷预测值，记为
Figure FDA0002158865000000032
与矩阵J5的第L行至m-p行数据结合为如下矩阵J6：
Figure FDA0002158865000000033
(12)将步骤7获取的时间下标为tL,…tm-p的(m-L+1-p)个变压器负荷真实值，记为
Figure FDA0002158865000000034
时间下标为tL+p,…tm的(m-L+1-p)个变压器负荷真实值，记为
Figure FDA0002158865000000035
然后将上述数据与步骤11获取的矩阵J6结合为如下矩阵J7：
Figure FDA0002158865000000036
(13)将矩阵J7的(m-L+1-p)行数据分别代入Gcforest机器模型进行训练，其中矩阵J7数据的第1列至第k+2列作为输入，第k+3列作为输出代入，训练完成后该模型记Gp_Model；
(14)抽取本变压器当前待预测时间点T之前时间点T-L+1-p至T-p-1的(L-1)个负荷数据：记为D(T-L+1-p),D(T-L+2-p),…D(T-p-1)，输入Lp_Model，获得时间点T负荷预测值记为D'T；
(15)选取T-p时间点的工况数据CT-p＝C(T-p)1,C(T-p)2,…，C(T-p)K，T-p时间点负荷数据DT-p与步骤14获得时间点T负荷预测数据D'T，组合为数据序列：C(T-p)1,C(T-p)2,…，C(T-p)K，DT-p,D'T输入Gp_Model，获得时间点T最终的负荷预测值。
CN201910725756.5A 2019-08-07 2019-08-07 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法 Active CN110619107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910725756.5A CN110619107B (zh) 2019-08-07 2019-08-07 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910725756.5A CN110619107B (zh) 2019-08-07 2019-08-07 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法

Publications (2)

Publication Number Publication Date
CN110619107A CN110619107A (zh) 2019-12-27
CN110619107B true CN110619107B (zh) 2022-04-12

Family

ID=68921696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910725756.5A Active CN110619107B (zh) 2019-08-07 2019-08-07 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法

Country Status (1)

Country Link
CN (1) CN110619107B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529250B (zh) * 2020-11-16 2023-06-30 贵州电网有限责任公司 一种变压器负载状况综合监控方法
CN113506184A (zh) * 2021-04-19 2021-10-15 国网河北省电力有限公司电力科学研究院 一种基于台区数据进行的配变负荷预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123594A (zh) * 2014-07-23 2014-10-29 国家电网公司 一种基于数据重构的电力负荷短期预测方法
CN109241991A (zh) * 2018-07-23 2019-01-18 南昌大学 一种基于信息熵权重增量学习策略的数据聚类集成方法
CN109546648A (zh) * 2018-11-23 2019-03-29 广西大学 一种考虑预防策略的大规模电力系统自动发电控制方法
CN109766583A (zh) * 2018-12-14 2019-05-17 南京航空航天大学 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN109829587A (zh) * 2019-02-12 2019-05-31 国网山东省电力公司电力科学研究院 基于深度lstm网络的小区域级超短期负荷预测及可视化方法
JP2019095912A (ja) * 2017-11-20 2019-06-20 ソフトバンク・テクノロジー株式会社 データ予測システム及びデータ予測方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10826934B2 (en) * 2017-01-10 2020-11-03 Crowdstrike, Inc. Validation-based determination of computational models

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123594A (zh) * 2014-07-23 2014-10-29 国家电网公司 一种基于数据重构的电力负荷短期预测方法
JP2019095912A (ja) * 2017-11-20 2019-06-20 ソフトバンク・テクノロジー株式会社 データ予測システム及びデータ予測方法
CN109241991A (zh) * 2018-07-23 2019-01-18 南昌大学 一种基于信息熵权重增量学习策略的数据聚类集成方法
CN109546648A (zh) * 2018-11-23 2019-03-29 广西大学 一种考虑预防策略的大规模电力系统自动发电控制方法
CN109766583A (zh) * 2018-12-14 2019-05-17 南京航空航天大学 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN109829587A (zh) * 2019-02-12 2019-05-31 国网山东省电力公司电力科学研究院 基于深度lstm网络的小区域级超短期负荷预测及可视化方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Deep Forest;Zhi-Hua Zhou 等;《https://arxiv.org/pdf/1702.08835v3.pdf》;20180514;1-34 *
Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches;Salah Bouktif 等;《energies》;20180622;1-20 *
基于多机器学习竞争策略的短时交通流预测;徐健锋;《交通运输系统工程与信息》;20160831;第16卷(第4期);185-190,198 *
基于深度强化学习的电力系统智能发电控制;殷林飞;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20181215;C042-66 *

Also Published As

Publication number Publication date
CN110619107A (zh) 2019-12-27

Similar Documents

Publication Publication Date Title
Xie et al. Temperature scenario generation for probabilistic load forecasting
Madhukumar et al. Regression model-based short-term load forecasting for university campus load
Gomez et al. Ant colony system algorithm for the planning of primary distribution circuits
CN110232476B (zh) 一种基于深度学习的微电网负荷预测方法
CN110619107B (zh) 一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法
Li et al. Design of a high capacity inter-regional transmission overlay for the US
CN113870046B (zh) 电力设备故障诊断方法及设备
Tejada-Arango et al. Representation of storage operations in network-constrained optimization models for medium-and long-term operation
CN112330050A (zh) 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法
Semero et al. An accurate very short-term electric load forecasting model with binary genetic algorithm based feature selection for microgrid applications
CN116207739B (zh) 配电网优化调度方法、装置、计算机设备和存储介质
CN103853939A (zh) 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法
CN108764547A (zh) 一种满足电量约束的中长期负荷曲线生成方法
CN117494906B (zh) 一种基于多元时间序列的天然气日负荷预测方法
CN113610296B (zh) 一种区域内用电负荷峰值预测方法及电网投资规划方法
Pelekis et al. A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers
CN114218291A (zh) 基于目标对象的画像生成方法、装置、设备及存储介质
Abuelrub et al. An improved binary African vultures optimization approach to solve the UC problem for power systems
CN111799793B (zh) 一种源网荷协同的输电网规划方法与系统
CN115994459B (zh) 一种海量电网基建项目建设时序优化方法、系统及设备
CN105976057B (zh) 一种基于改进灰色理论的中长期负荷预测方法
CN115983733B (zh) 基于水位控制的电力市场出清数据处理方法和装置
CN107679651A (zh) 一种基于灰色预测模型与bp人工神经网络模型的月用电量预测方法
Petrichenko et al. Short-term forecasting of district heating demand
Di et al. Ultra-short term load forecasting based on elman neural network

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
TR01 Transfer of patent right

Effective date of registration: 20230601

Address after: 999 No. 330000 Jiangxi province Nanchang Honggutan University Avenue

Patentee after: Nanchang University

Patentee after: TELLHOW SOFTWARE CO.,LTD.

Address before: 999 No. 330000 Jiangxi province Nanchang Honggutan University Avenue

Patentee before: Nanchang University

TR01 Transfer of patent right