CN110689195A - 一种电力日负荷预测方法 - Google Patents
一种电力日负荷预测方法 Download PDFInfo
- Publication number
- CN110689195A CN110689195A CN201910915201.7A CN201910915201A CN110689195A CN 110689195 A CN110689195 A CN 110689195A CN 201910915201 A CN201910915201 A CN 201910915201A CN 110689195 A CN110689195 A CN 110689195A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- value
- category
- influence factor
- 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 33
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013145 classification model Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000012097 association analysis method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012843 least square support vector machine Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力日负荷预测方法,包括以下步骤:建立负荷类别集合、建立关键影响因素集合、计算负荷类别和关键影响因素特征值之间的的分类规则以建立分类模型、分析待预测日关键影响因素数据的所属类别、训练负荷预测模型、利用负荷预测模型计算电力负荷预测的结果。本方案能有效避免因为负荷数据的发散造成的负荷预测模型不精确的问题,提高预测结果的精确性,同时可以减小预测过程中的数据维度,提高计算效率,能有效适应发电需求和售电需求,保证经济效益,促进电力市场经济发展。
Description
技术领域
本发明涉及电力配电技术领域,具体涉及一种电力日负荷预测方法。
背景技术
电力系统能安全、可靠、稳定及经济地运行关系到工农企业生产和人民生活的用电和利益,电力负荷预测工作不仅对发电量有很重要的参考价值,能够有效保证电能生产和消费的平衡,一定程度上提高电力系统的稳定性,而且随着电力市场的开放,电力生产和消费更加市场化,负荷预测的实时结果数据也将成为电力交易中心的重要参考数据,准确的负荷预测结果对于发电企业和售电企业的运行规划具有重要意义,发电企业通过负荷预测以避免其发电量过多或过少,售电企业通过负荷预测结果可以准确的把握用户负荷的需求及时反映市场的变化从而提高自身的竞争力。
现有技术对电力系统短期负荷预测方法方面的研究是从如何提高预测结果的准确度入手,一部分研究人员通过对负荷曲线聚类提升预测准确性,但由于负荷曲线除呈现一般的周期规律外与具体的天气状况有很大关联,因此仅考虑负荷曲线的聚类不具有一般性;还有一部分研究人员从影响负荷数据的关键因素方面着手,由于只考虑关键影响因素不利于总结负荷的规律性,导致建立预测模型又很困难。所以为了更好地提高电力系统短期负荷预测结果的准确性,急需一种能综合考虑到负荷曲线聚类和关键影响因素的电力负荷预测方法。
发明内容
为了克服上述现有技术存在负荷曲线的聚类不具有一般性和负荷预测模型建立困难的缺陷,有效提升电力负荷预测结果的准确性,发明了一种电力日负荷预测方法。
具体方案如下:
一种电力日负荷预测方法,其特征在于,包括以下步骤:
S1.采用聚类算法对收集的日负荷数据进行负荷特征提取与分析,建立负荷类别集合;
S2.采用灰色关联分析法计算负荷数据与各影响因素之间的关联度,确定影响负荷数据的关键影响因素,建立关键影响因素集合;
S3.通过决策树算法将得到的所述负荷类别集合和所述关键影响因素集合中的数据进行分析,得到负荷类别和所述关键影响因素特征值之间的分类规则,并利用该分类规则建立分类模型;
S4.将待预测日关键影响因素数据输入步骤S3构建的分类模型,得到待预测日所属类别;
S5.将步骤S4得到待预测日所属类别中的数据作为样本数据集,用最小二乘支持向量机法对待预测日的关键影响因素数据与样本数据集的关系进行分类学习训练,训练出负荷预测模型;
S6.步骤S5得到的负荷预测模型的输出结果即为待预测日的电力负荷预测的结果。
该方案的效果是:通过对短期负荷进行聚类分析和关键影响因素分析,建立负荷类别集合和关键影响因素集合,在通过两个集合的数据计算两者之间的关联程度,将提升负荷预测准确性的两大方式进行结合,得到更加精准的负荷预测模型,不仅能有效提高负荷预测准确性,还能提升负荷预测效率。
作为优选方案,步骤S1中采用的聚类算法为基于k-means聚类法的改进方法。该方案的效果是:将日负荷数据进行负荷特征提取与分析,能将负荷类别进行整理分类,利于后续负荷预测,并且有利于后续数据整理,利于计算负荷类别和所述关键影响因素之间的关联度。
作为优选方案,步骤S2中采用决策树算法灰色关联分析法得到所述负荷类别集合和所述关键影响因素集合之间的关联度的具体步骤如下:
S2.1.确定出参考数列和比较数列,对数据进行无量纲化处理;
S2.2.通过参考数列和比较数列计算关联系数;
S2.3.通过参考数列、比较数列和步骤S2.2得到的关联系数计算灰色关联度;
S2.4.将步骤S2.3得到的灰色关联度按从大到小的顺序进行排列,得到各关键因素与负荷数据之间的关联度大小。
该方案的效果是:能计算得到负荷类别和所述关键影响因素之间的关联度,能根据关联度大小实现更加精准地负荷预测。
作为优选方案,步骤S3中计算分类规则的具体步骤如下:
S3.1.选取n个步骤S2得到的关键影响因素集合中的属性值,标记为{x1,x2,x3,…xn},通过步骤S1得到的负荷类别集合选取一个类别值y;
S3.2.选择一个自变量xi,再选取xi的一个值vi,vi将n维空间划分为两个部分,其中一部分的所有点满足xi≤vi,另一部分所有点满足xi>vi;
S3.3.重复上述步骤,重新选取一个属性值将n维空间进行划分,直至划分完毕,得到分类规则。
作为优选方案,步骤S5中训练负荷预测模型的具体步骤如下:
S5.1.对缺失点数据进行补充,其补充计算公式为:
式(4)中,Lmiss为缺失点负荷值,Llast为缺失点上一个点的负荷值,Lnext为缺失点下一个点的负荷值;
S5.2.将步骤S2得到的关键影响因素进行量化处理,其中其中星期一到星期日对应数值如下:W={0.7,0.8,0.8,0.8,0.8,0.4,0.3};对于是法定节假日的日期将其量化为3,法定节假日的后一天量化为2,除了这两类的日期量化为1,即H={3,2,1};
S5.3.将步骤S2得到的关键影响因素进行归一处理,其中天气属性的数据利用线性函数归一化方法进行数据处理,其计算公式为:
式(5)中,yi是经过归一化运算后得到的结果,xi是归一化运算前的数值,xmin是该类样本数据中的最小值,xmax为该类样本数据中的最大值;
节假日属性的数据利用对数函数转换,其计算公式为:
yi=log10(xi) (6)
式(6)中,yi是经过归一化运算后得到的结果,xi是归一化运算前的数值;
S5.4.根据步骤S4得到的待预测日关键影响因素数据的所属类别,将步骤S1中该类别中的负荷数据作为历史数据作为训练数据得到负荷预测模型,并以平均相对误差作为评价该方法精确度的指标,其计算公式如下所示:
式(7)中,Lt为t时刻的负荷预测值;xt为t时刻的负荷实际值;TVA为样本数量。
该方案的效果是:建立负荷预测模型,不仅能减小预测过程中的数据维度,提升计算效率,还能实现对待预测日进行自动负荷预测,更加适应发电或者售电需求,保证经济效益,促进电力市场经济发展。
有益效果:本发明所提出的一种电力日负荷预测方法,能有效避免因为负荷数据的发散造成的负荷预测模型不精确的问题,提高预测结果的精确性,同时可以减小预测过程中的数据维度,提高计算效率,能有效适应发电需求和售电需求,保证经济效益,促进电力市场经济发展。
附图说明
图1为本发明的流程图。
图2为某地一年的日负荷曲线图。
图3为负荷曲线聚类结果图。
图4为负荷预测结果图。
具体实施方式
下面结合实施例和附图对本发明作进一步的详细说明:
实施例:
如图1所示,本发明提供的一种电力日负荷预测方法包括按顺序进行的下列步骤:
S1.采用基于k-means聚类法的改进方法对收集的日负荷数据进行负荷特征提取与分析,建立负荷类别集合,其具体操作为:以图2所示的某地一年的日负荷曲线图为例对负荷曲线进行聚类分析,其中各样本间的距离计算公式如式(1)所示,负荷曲线聚类结果图见图3。
式(1)中dsp为两条负荷曲线之间的距离;为负荷曲线s第一个峰值负荷值;为负荷曲线s达到第一个峰值负荷的时间;为负荷曲线s第二个峰值负荷值;为负荷曲线s达到第二个峰值负荷的时间;为负荷曲线s第一个谷值负荷值;为负荷曲线s达到第一个谷值负荷的时间;为负荷曲线s第二个谷值负荷值;为负荷曲线s达到第二个谷值负荷的时间。下标为p的各变量为负荷曲线p上的相应值。(注:第一个第二个峰谷值为作者规定的特定时间段内的第一个第二个峰谷值)。
S2.采用灰色关联分析法计算负荷数据与各影响因素之间的关联度,确定影响负荷数据的关键影响因素,建立关键影响因素集合;
具体步骤如下:
S2.1.确定出参考数列和比较数列,对数据进行无量纲化处理,其中参考数列指反映系统行为特征的数据序列,即为负荷值,比较数列指影响系统行为的因素组成的数据序列,为各影响因素数据如天气数据、节假日数据等;
S2.2.通过参考数列和比较数列计算关联系数,计算公式如式(2)所示:
S2.3.通过参考数列、比较数列和步骤S2.2得到的关联系数计算灰色关联度,计算公式如式(3)所示:
式(3)中,ri为第i个比较数列相对于参考数列的灰色关联度;ξi(k)为灰色关联系数;
S2.4.将步骤S2.3得到的灰色关联度按从大到小的顺序进行排列,得到各关键因素与负荷数据之间的关联度大小,表1为各影响因素关联度分布表。
表1各影响因素关联度分布
由表1可以看出所涉及到的各影响因素对负荷数据影响度从大到小的排序为最高温度、平均温度、相对湿度、最低温度、星期类型、节假日类型。当影响因素数量十分多且某些因素关联度小于0.4的时,该因素可以不再考虑,以此达到降维的目的。
S3.通过决策树算法将得到的所述负荷类别集合和所述关键影响因素集合中的数据进行分析,得到负荷类别和所述关键影响因素特征值之间的分类规则,并利用该分类规则建立分类模型;
具体步骤如下:
S3.1.选取n个步骤S2得到的关键影响因素集合中的属性值(步骤S2中的各影响因素数据),标记为{x1,x2,x3,…xn},通过步骤S1得到的负荷类别集合选取一个类别值y(步骤S1所得类别);
S3.2.选择一个自变量xi,再选取xi的一个值vi,vi将n维空间划分为两个部分,其中一部分的所有点满足xi≤vi,另一部分所有点满足xi>vi;
S3.3.重复上述步骤,重新选取属性值(如平均温度、相对湿度、最低温度、星期类型、节假日类型后进行步骤S3.1)将n维空间进行划分,直至划分完毕,得到分类规则。
S4.将待预测日关键影响因素数据输入步骤S3构建的分类模型,得到待预测日所属类别,表2为某待预测日的分类结果。
表2.分类结果
S5.将步骤S4得到待预测日所属类别中的数据作为样本数据集,用最小二乘支持向量机法对待预测日的关键影响因素数据与样本数据集的关系进行分类学习训练,训练出负荷预测模型,其具体步骤以下:
S5.1.对缺失点数据进行补充,其补充计算公式为:
式(4)中,Lmiss为缺失点负荷值,Llast为缺失点上一个点的负荷值,Lnext为缺失点下一个点的负荷值;
S5.2.将步骤S2得到的关键影响因素进行量化处理,其中其中星期一到星期日对应数值如下:W={0.7,0.8,0.8,0.8,0.8,0.4,0.3};对于是法定节假日的日期将其量化为3,法定节假日的后一天量化为2,除了这两类的日期量化为1,即H={3,2,1};
S5.3.将步骤S2得到的关键影响因素进行归一处理,其中天气属性的数据利用线性函数归一化方法进行数据处理,其计算公式为:
式(5)中,yi是经过归一化运算后得到的结果,xi是归一化运算前的数值,xmin是该类样本数据中的最小值,xmax为该类样本数据中的最大值;
节假日属性的数据利用对数函数转换,其计算公式为:
yi=log10(xi) (6)
式(6)中,yi是经过归一化运算后得到的结果,xi是归一化运算前的数值;
S5.4.根据步骤S4得到的待预测日关键影响因素数据的所属类别,将步骤S1中该类别中的负荷数据作为历史数据作为训练数据得到负荷预测模型,并以平均相对误差作为评价该方法精确度的指标,其计算公式如下所示:
式(7)中,Lt为t时刻的负荷预测值;xt为t时刻的负荷实际值;TVA为样本数量,通过上述过程训练得到负荷预测模型。
S6.步骤S5得到的负荷预测模型的输出结果即为待预测日的电力负荷预测的结果。经负荷预测模型计算得到本发明计算预测结果的平均相对误差值低至1.13%,预测精度较高。图4为待预测日电力负荷预测结果。
最后需要说明的是,上述描述仅仅为本发明的优选实施例,本领域的普通技术人员在本发明的启示下,在不违背本发明宗旨及权利要求的前提下,可以做出多种类似的表示,这样的变换均落入本发明的保护范围之内。
Claims (5)
1.一种电力日负荷预测方法,其特征在于,包括以下步骤:
S1.采用聚类算法对收集的日负荷数据进行负荷特征提取与分析,建立负荷类别集合;
S2.采用灰色关联分析法计算负荷数据与各影响因素之间的关联度,确定影响负荷数据的关键影响因素,建立关键影响因素集合;
S3.通过决策树算法将得到的所述负荷类别集合和所述关键影响因素集合中的数据进行分析,得到负荷类别和所述关键影响因素特征值之间的分类规则,并利用该分类规则建立分类模型;
S4.将待预测日关键影响因素数据输入步骤S3构建的分类模型,得到待预测日所属类别;
S5.将步骤S4得到待预测日所属类别中的数据作为样本数据集,用最小二乘支持向量机法对待预测日的关键影响因素数据与样本数据集的关系进行分类学习训练,训练出负荷预测模型;
S6.步骤S5得到的负荷预测模型的输出结果即为待预测日的电力负荷预测的结果。
2.根据权利要求1所述的一种电力日负荷预测方法,其特征在于:步骤S1中采用的聚类算法为基于k-means聚类法的改进方法。
3.根据权利要求1所述的一种电力日负荷预测方法,其特征在于,步骤S2中采用灰色关联分析法得到所述负荷类别集合和所述关键影响因素集合之间的关联度的具体步骤如下:
S2.1.确定出参考数列和比较数列,对数据进行无量纲化处理;
S2.2.通过参考数列和比较数列计算关联系数;
S2.3.通过参考数列、比较数列和步骤S2.2得到的关联系数计算灰色关联度;
S2.4.将步骤S2.3得到的灰色关联度按从大到小的顺序进行排列,得到各关键因素与负荷数据之间的关联度大小。
4.根据权利要求1所述的一种电力日负荷预测方法,其特征在于,步骤S3中计算分类规则的具体步骤如下:
S3.1.选取n个步骤S2得到的关键影响因素集合中的属性值,标记为{x1,x2,x3,…xn},通过步骤S1得到的负荷类别集合选取一个类别值y;
S3.2.选择一个自变量xi,再选取xi的一个值vi,vi将n维空间划分为两个部分,其中一部分的所有点满足xi≤vi,另一部分所有点满足xi>vi;
S3.3.重复上述步骤,重新选取一个属性值将n维空间进行划分,直至划分完毕,得到分类规则。
5.根据权利要求4所述的一种电力日负荷预测方法,其特征在于,步骤S5中训练负荷预测模型的具体步骤如下:
S5.1.对缺失点数据进行补充,其补充计算公式为:
式(4)中,Lmiss为缺失点负荷值,Llast为缺失点上一个点的负荷值,Lnext为缺失点下一个点的负荷值;
S5.2.将步骤S2得到的关键影响因素进行量化处理,其中其中星期一到星期日对应数值如下:W={0.7,0.8,0.8,0.8,0.8,0.4,0.3};对于是法定节假日的日期将其量化为3,法定节假日的后一天量化为2,除了这两类的日期量化为1,即H={3,2,1};
S5.3.将步骤S2得到的关键影响因素进行归一处理,其中天气属性的数据利用线性函数归一化方法进行数据处理,其计算公式为:
式(5)中,yi是经过归一化运算后得到的结果,xi是归一化运算前的数值,xmin是该类样本数据中的最小值,xmax为该类样本数据中的最大值;
节假日属性的数据利用对数函数转换,其计算公式为:
yi=log10(xi) (6)
式(6)中,yi是经过归一化运算后得到的结果,xi是归一化运算前的数值;
S5.4.根据步骤S4得到的待预测日关键影响因素数据的所属类别,将步骤S1中该类别中的负荷数据作为历史数据作为训练数据得到负荷预测模型,并以平均相对误差作为评价该方法精确度的指标,其计算公式如下所示:
式(7)中,Lt为t时刻的负荷预测值;xt为t时刻的负荷实际值;TVA为样本数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915201.7A CN110689195A (zh) | 2019-09-26 | 2019-09-26 | 一种电力日负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910915201.7A CN110689195A (zh) | 2019-09-26 | 2019-09-26 | 一种电力日负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689195A true CN110689195A (zh) | 2020-01-14 |
Family
ID=69110283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910915201.7A Pending CN110689195A (zh) | 2019-09-26 | 2019-09-26 | 一种电力日负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689195A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
CN111815054A (zh) * | 2020-03-31 | 2020-10-23 | 浙江大学 | 基于大数据的工业蒸汽热网短期负荷预测方法 |
CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
CN112734075A (zh) * | 2020-11-27 | 2021-04-30 | 北京国电通网络技术有限公司 | 一种楼宇冷/热/电负荷预测模型及算法系统 |
CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
CN113393028A (zh) * | 2021-06-10 | 2021-09-14 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据挖掘技术的负荷预测方法 |
CN113609765A (zh) * | 2021-07-29 | 2021-11-05 | 国网河北省电力有限公司邯郸供电分公司 | 一种过电压预测方法 |
CN114781685A (zh) * | 2022-03-17 | 2022-07-22 | 广西电网有限责任公司 | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
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 |
-
2019
- 2019-09-26 CN CN201910915201.7A patent/CN110689195A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
曹梦 等: "基于前趋势相似度的细粒度用户用电负荷预测", 《计算机应用与软件》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
CN111815054A (zh) * | 2020-03-31 | 2020-10-23 | 浙江大学 | 基于大数据的工业蒸汽热网短期负荷预测方法 |
CN112734075A (zh) * | 2020-11-27 | 2021-04-30 | 北京国电通网络技术有限公司 | 一种楼宇冷/热/电负荷预测模型及算法系统 |
CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
CN113379564A (zh) * | 2021-04-08 | 2021-09-10 | 国网河北省电力有限公司营销服务中心 | 电网负荷预测方法、装置及终端设备 |
CN113393028B (zh) * | 2021-06-10 | 2022-08-19 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据挖掘技术的负荷预测方法 |
CN113393028A (zh) * | 2021-06-10 | 2021-09-14 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据挖掘技术的负荷预测方法 |
CN113609765A (zh) * | 2021-07-29 | 2021-11-05 | 国网河北省电力有限公司邯郸供电分公司 | 一种过电压预测方法 |
CN113609765B (zh) * | 2021-07-29 | 2023-12-26 | 国网河北省电力有限公司邯郸供电分公司 | 一种过电压预测方法 |
CN114781685A (zh) * | 2022-03-17 | 2022-07-22 | 广西电网有限责任公司 | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 |
CN114781685B (zh) * | 2022-03-17 | 2024-01-09 | 广西电网有限责任公司 | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 |
CN116186548A (zh) * | 2023-05-04 | 2023-05-30 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN116186548B (zh) * | 2023-05-04 | 2023-08-01 | 广州三晶电气股份有限公司 | 电力负荷预测模型训练方法及电力负荷预测方法 |
CN117272121A (zh) * | 2023-11-21 | 2023-12-22 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
CN117272121B (zh) * | 2023-11-21 | 2024-03-12 | 江苏米特物联网科技有限公司 | 一种基于Deep SHAP的酒店负荷影响因素量化分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689195A (zh) | 一种电力日负荷预测方法 | |
CN109902954B (zh) | 一种基于工业大数据的柔性作业车间动态调度方法 | |
CN111324642A (zh) | 一种面向电网大数据分析的模型算法选型与评价方法 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN115994271A (zh) | 心理测评量表的推荐方法 | |
CN111723085B (zh) | 公共建筑空调用电能耗数据清洗方法及系统 | |
CN113193551A (zh) | 基于多因素和改进特征筛选策略的短期电力负荷预测方法 | |
CN111553568A (zh) | 一种基于数据挖掘技术的线损管理方法 | |
CN114529038A (zh) | 一种基于企业需求的智能匹配招商策略系统及方法 | |
CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN111062539A (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
Ilich et al. | Modeling of employment structural transformations | |
CN111861056A (zh) | 一种技术创新水平的评价方法 | |
CN115829418A (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN116108963A (zh) | 一种基于集成学习模块的电力碳排放预测方法及设备 | |
CN116304295A (zh) | 一种基于多元数据驱动的用户用能画像分析方法 | |
CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
CN112052430A (zh) | 一种基于改进topsis的光伏场站相关性综合评估系统 | |
CN112801388A (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN113222255A (zh) | 一种合同履约表现量化及短期违约预测的方法及装置 | |
CN101334636A (zh) | 一种矫直机工艺参数选择的方法 | |
Zhang et al. | Forecast the price of chemical products with multivariate data |
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: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |