CN110781947B - 用电负荷预测模型训练、用电负荷预测方法及装置 - Google Patents

用电负荷预测模型训练、用电负荷预测方法及装置 Download PDF

Info

Publication number
CN110781947B
CN110781947B CN201911007802.4A CN201911007802A CN110781947B CN 110781947 B CN110781947 B CN 110781947B CN 201911007802 A CN201911007802 A CN 201911007802A CN 110781947 B CN110781947 B CN 110781947B
Authority
CN
China
Prior art keywords
load
power
prediction model
characteristic
training
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
CN201911007802.4A
Other languages
English (en)
Other versions
CN110781947A (zh
Inventor
陈奇芳
夏明超
郭敏
刘文霞
李香龙
孙钦斐
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.)
Beijing Jiaotong University
State Grid Beijing Electric Power Co Ltd
Original Assignee
Beijing Jiaotong University
State Grid Beijing Electric Power Co Ltd
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 Beijing Jiaotong University, State Grid Beijing Electric Power Co Ltd filed Critical Beijing Jiaotong University
Priority to CN201911007802.4A priority Critical patent/CN110781947B/zh
Publication of CN110781947A publication Critical patent/CN110781947A/zh
Application granted granted Critical
Publication of CN110781947B publication Critical patent/CN110781947B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种用电负荷预测模型训练、用电负荷预测方法及装置，该训练方法主要包括：获取预设时间段内多个时刻的用电负荷的历史数据，历史数据包括各时刻的用电负荷功率；根据预设负荷特征指标提取历史数据的特征值；根据用电负荷功率和特征值构建特征训练样本；根据当前时刻及当前时刻之前的特征训练样本和下一时刻的特征训练样本构建预测模型训练样本集；根据预测模型训练样本集对神经网络模型进行训练，得到用电负荷预测模型。通过实施本发明提供的用电负荷预测模型训练方法，能够充分挖掘历史数据中用电负荷的特点，训练出精度更高的用电负荷预测模型。

Description

用电负荷预测模型训练、用电负荷预测方法及装置
技术领域
本发明涉及数据处理领域，具体涉及一种用电负荷预测模型训练、用电负荷预测方法及装置。
背景技术
近年来，为了改善环境质量，部分地区推行了以“煤改电”为核心工程的“电能替代”冬季取暖发展战略，通过电采暖代替传统的燃煤供暖模式，不仅可以有效提高采暖季的清洁性，抑制雾霾天气扩散，还可以充分利用新能源，从源头上改善空气质量。但是大规模煤改电工程的快速推广，给供电质量和配电网安全运行带来了挑战，配电网作为整个电力系统的重要组成部分，需要配合符合预测满足各类负荷的安全、可靠的电能需求。电采暖负荷随机波动性强、运行功率大的特点改变了原有低压配电网的负荷特性与变化规律，且电采暖负荷与常规负荷相比，更容易受到季节、天气、电价等多种因素的影响，因此根据煤改电改造前负荷特性制定的预测方法难以满足煤改电改造后的应用需求，需要根据煤改电工程改造后的负荷特性研究新的预测方法，制定有效的预测模型。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的难以准确预测用电负荷缺陷，从而提供一种用电负荷预测模型训练、用电负荷预测方法及装置。
本发明第一方面提供一种用电负荷预测模型训练方法，包括：获取预设时间段内多个时刻的用电负荷的历史数据，历史数据包括各时刻的用电负荷功率；根据预设负荷特征指标提取历史数据的特征值；根据用电负荷功率和特征值构建特征训练样本；根据当前时刻及当前时刻之前的特征训练样本和下一时刻的特征训练样本构建预测模型训练样本集；根据预测模型训练样本集对神经网络模型进行训练，得到用电负荷预测模型。
可选地，根据用电负荷功率和特征值构建特征训练样本的步骤，包括：根据历史数据建立用电负荷时间序列；根据用电负荷时间序列和特征值构建特征训练样本。
可选地，根据预设负荷特征指标提取历史数据的特征值的步骤，包括：根据历史数据提取预设时间段内的用电负荷最大值和用电负荷最小值。
可选地，根据预设负荷特征指标提取历史数据的特征值的步骤，包括：根据预设滑动窗口长度和预设窗口内当前时刻之前各时刻用电负荷功率计算当前时刻用电负荷变化趋势。
可选地，根据预设负荷特征指标提取历史数据的特征值的步骤，包括：根据当前时刻用电负荷功率、上一时刻用电负荷功率、当前时刻用电负荷变化趋势，计算当前时刻用电负荷波动特征。
可选地，根据预设负荷特征指标提取历史数据的特征值的步骤，包括：根据当前时刻用电负荷功率较上一时刻用电负荷功率的变化率、用电负荷向上突变阈值、用电负荷向下突变阈值，确定用电负荷大幅度突变特征。
可选地，在根据当前时刻及当前时刻之前的特征训练样本和下一时刻的特征训练样本构建预测模型训练样本集的步骤之后，根据预测模型训练样本集对神经网络模型进行训练的步骤之前，还包括：对预测模型训练样本集中的特征值进行分类归一化，将特征值按照如下公式映射到预设目标区间内：
Figure BDA0002243268920000021
其中，ymax表示预设目标区间上限，ymin表示预设目标区间下限，x表示待归一化的量，xmax表示待归一化特征值中的最大值，xmin表示待归一化特征值中的最小值。
可选地，神经网络模型为核函数极限学习机；根据预测模型训练样本集对神经网络模型进行训练，得到用电负荷预测模型的步骤，包括：根据预测模型训练样本集对核函数极限学习机进行训练，得到核函数极限学习机输出权重；根据核函数极限学习机输出权重生成用电负荷预测模型。
本发明第二方面提供一种用电负荷预测模型训练装置，包括：训练数据获取模块，用于获取预设时间段内多个时刻的用电负荷的历史数据，历史数据包括各时刻用电负荷功率；特征值提取模块，用于根据预设负荷特征指标提取历史数据的特征值；特征训练样本构建模块，用于根据用电负荷功率和特征值构建特征训练样本；预测模型训练样本集构建模块，用于根据当前时刻及当前时刻之前的特征训练样本和下一时刻的特征训练样本构建预测模型训练样本集；用电负荷预测模型训练模块，用于根据预测模型训练样本集对神经网络模型进行训练，得到用电负荷预测模型。
本发明第三方面提供一种用电负荷预测方法，包括：获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，历史数据包括各时刻用电负荷功率；根据预设负荷特征指标提取待预测时刻的上一时刻的用电负荷的历史数据的特征值；根据多个时刻的用电负荷的历史数据和特征值构建预测数据集；将预测数据集输入用电负荷预测模型，对待预测时刻的用电负荷进行预测，生成结果，用电负荷预测模型通过如本发明第一方面提供的用电负荷预测模型训练方法训练得出。
本发明第四方面提供一种用电负荷预测装置，包括：预测数据获取模块，用于获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，历史数据包括各时刻用电负荷功率；预测数据特征值提取模块，用于根据预设负荷特征指标提取待预测时刻的上一时刻的用电负荷的历史数据的特征值；预测数据集构建模块，用于根据多个时刻的用电负荷的历史数据和特征值构建预测数据集；用电负荷预测模块，用于将预测数据集输入用电负荷预测模型，对待预测时刻的用电负荷进行预测，生成结果，用电负荷预测模型通过如本发明第一方面提供的用电负荷预测模型训练方法训练得出。
本发明第五方面提供一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，从而执行如本发明第一方面提供的用电负荷预测模型训练方法，或，执行如本发明第三方面提供的用电负荷预测方法。
本发明第六方面提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行如本发明第一方面提供的用电负荷预测模型训练方法，或，使计算机执行如本发明第三方面提供的用电负荷预测方法。
本发明技术方案，具有如下优点：
1.本发明提供的用电负荷预测模型训练方法，首先获取预设时间段内多个时刻的用电负荷的历史数据，充分挖掘历史数据中用电负荷的特点，提取历史数据的特征值，然后基于特征值构建特征训练样本，通过特征训练样本对神经网络模型进行训练，得到用电负荷预测模型，通过实施本发明能够训练出精度更高的用电负荷预测模型。
2.本发明提供的用电负荷预测模型训练方法，对用电负荷预测模型进行训练时采用的神经网络模型为核函数极限学习机，基于极限学习机的用电负荷预测模型计算速度更快，极限学习机不仅趋向于获得最小的预测误差，还趋向于最小化输出权重，更小的输出权重意味着更好的泛化能力，在极限学习机中引入核函数，能够获得更好的回归预测精度，因此实施本发明训练的用电负荷预测模型精度更高。
3.本发明提供的用电负荷预测模型训练装置，首先获取预设时间段内多个时刻的用电负荷的历史数据，充分挖掘历史数据中用电负荷的特点，提取历史数据的特征值，然后基于特征值构建特征训练样本，通过特征训练样本对神经网络模型进行训练，得到用电负荷预测模型，通过使用本发明提供的用电负荷预测模型训练装置能够训练出精度更高的用电负荷预测模型。
4.本发明提供的用电负荷预测方法，首先获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，然后根据预设负荷特征指标提取待预测时刻的上一时刻的用电负荷的历史数据的特征值，只需将多个时刻的历史数据和上一时刻的特征值输入至用电负荷预测模型，可以得到下一时刻的用电负荷，通过实施本发明提供的用电负荷预测方法进行预测，所需的数据较少，可以实现在线预测，且本发明所采用的用电负荷预测模型精度较高，得出的预测结果更为准确。
5.本发明提供的用电负荷预测装置，首先获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，然后根据预设负荷特征指标提取待预测时刻的上一时刻的用电负荷的历史数据的特征值，将多个时刻的历史数据和上一时刻的特征值输入至用电负荷预测模型，得到下一时刻的用电负荷，通过该用电负荷预测装置进行用电负荷预测时所需的数据较少，可以实现在线预测，且该装置中的用电负荷预测模型精度较高，得出的预测结果更为准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1-图8为本发明实施例中用电负荷预测模型训练方法的具体示例的流程图；
图9为本发明实施例中极限学习机的网络层次结构图；
图10为本发明实施例中用电负荷功率曲线示意图；
图11为本发明实施例中用于训练和测试的130天历史数据；
图12为本发明实施例中算例1和算例2对同一天的预测结果对比；
图13为本发明实施例中算例1和算例2的预测结果的均方根误差对比图；
图14为本发明实施例中算例1和算例2的预测结果的绝对百分比误差对比图；
图15为本发明实施例中算例3中窗口长度对均方根误差和绝对百分比误差的影响示意图；
图16为本发明实施例中用电负荷预测模型训练装置的一个示意框图；
图17为本发明实施例中用电负荷预测方法的一个具体示例的流程图；
图18为本发明实施例中用电负荷预测装置的一个示意框图；
图19为本发明实施例中计算机设备的一个具体示例的结构框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
为了改善空气质量，多数地区推行了以“煤改电”为核心工程的“电能替代”冬季取暖发展战略，煤改电工程的实施虽然可以明显改善空气质量，但是大规模煤改电工程的快速推广，给供电质量和配电网安全运行带来了挑战。由于电采暖负荷随机波动性强、运行功率大的特点改变了原有低压配电网的负荷特性与变化规律，例如，在电采暖小区中，电采暖负荷渗透率高、晚上工作集中度高，改变了原有负荷的夜间低谷特性，而且电采暖负荷会受到季节、天气、电价等多种因素的影响，现有的用电负荷预测模型没有考虑这些因素的影响，因此根据煤改电改造前负荷特性制定的预测方法难以满足煤改电改造后的应用需求。
本发明实施例提供一种用电负荷预测模型训练方法，如图1所示，包括如下步骤：
步骤S110：获取预设时间段内多个时刻的用电负荷的历史数据，历史数据包括各时刻的用电负荷功率。在一具体实施例中，预设时间段为一天，即，历史数据是以天为单位，并且将一天划分为多个时刻，一天的历史数据包括各个时刻的用电负荷功率，且由于对模型的训练需要大量的历史数据，因此获取历史数据时，需要获取多天的数据，历史数据X可表示为：
Figure BDA0002243268920000061
其中，d表示获取的历史数据的天数；r表示数据点数，即，将一天划分为r个时刻，一天内就有r个数据点；xd表示第d天的历史数据；xd,r表示第d天的第r个时刻的用电负荷功率。
步骤S120：根据预设负荷特征指标提取历史数据的特征值，在一具体实施例中，需要对所有时刻数据进行特征值提取，且特征值包括用电负荷最大值、用电负荷最小值、用电负荷变化趋势、用电负荷波动特征、用电负荷大幅度突变特征。
步骤S130：根据用电负荷功率和特征值构建特征训练样本，在一具体实施例中，第i天xi的特征训练样本T(xi)可表示为：
Figure BDA0002243268920000062
其中，xi,t表示第i天的t时刻的用电负荷功率；Ri,t表示第i天的t时刻的用电负荷变化趋势；Vi,t表示第i天的t时刻的用电负荷波动特征；Si,t表示第i天的t时刻的用电负荷大幅度突变特征；Pmax表示第i天的用电负荷最大值；Pmin表示第i天的用电负荷最小值。
步骤S140：根据当前时刻及当前时刻之前的特征训练样本和下一时刻的特征训练样本构建预测模型训练样本集，预测模型训练样本集可表示为：
I(Tt)＝[A(oi，t，ti，t)]T， (3)
其中，A(oi,t,ti,t)表示第i天t时刻的输入输出训练样本对；ti,t表示第i天t时刻的特征序列，作为训练样本的输入部分，可表示为：ti,t＝[xi,t-m-1,…,xi,t,Ri,t,Vi,t,Si,t,Pmax,Pmin]，m表示预设窗口长度；oi,t表示第i天t+1时刻的实际负荷xi,t+1，作为训练样本目标输出。
在一具体实施例中，为了使模型得到充分训练，需要将多天的特征训练样本按照统一规则形成预测模型训练样本集，则，预测模型训练样本集可表示为：
I(Tt)＝[A(o1，t，t1,t)，…，A(od，t，td,t)]T， (4)
该预测模型训练样本集I(Tt)为d×[(m+1)+5]维矩阵。
步骤S150：根据预测模型训练样本集对神经网络模型进行训练，得到用电负荷预测模型。
本发明实施例提供的用电负荷预测模型训练方法，首先获取预设时间段内多个时刻的用电负荷的历史数据，充分挖掘历史数据中用电负荷的特点，提取历史数据的特征值，然后基于特征值构建特征训练样本，通过特征训练样本对神经网络模型进行训练，得到用电负荷预测模型，通过实施本发明能够训练出精度更高的用电负荷预测模型。
在一可选实施例中，如图2所示，步骤S130具体包括：
步骤S131：根据历史数据建立用电负荷时间序列：
P＝[xi,1,…,xi,t]， (5)
其中，xi,t表示t时刻的负荷功率。
步骤S132：根据用电负荷时间序列和特征值构建特征训练样本，得到上述公式(2)所示的特征训练样本。
在一可选实施例中，如图3所示，步骤S120具体包括：
步骤S121：根据历史数据提取预设时间段内的用电负荷最大值和用电负荷最小值，即，提取每一天中用电负荷最大值和用电负荷最小值，每一天中用电负荷最大值和用电负荷最小值可以有效衡量一天内用电负荷的用电水平。
在一可选实施例中，如图4所示，步骤S120还包括：
步骤S122：根据预设滑动窗口长度和预设窗口内当前时刻之前各时刻用电负荷功率计算当前时刻用电负荷变化趋势，在一具体实施例中，用电负荷波动特征可以对每天用电负荷的惯性趋势进行刻画。由于用电负荷变化趋势表示用电负荷某个时间段的变化情况，既需要体现对历史趋势特征的保持能力，又需要体现对趋势变化的感知能力，而更好地体现这两种能力需要选择合适的窗口大小。因此，本实施例提出一种基于窗口滑动平均的负荷变化趋势计算方法，通过合理选择窗口大小实现有效历史信息的包含，通过窗口的滑动实现变化趋势的滚动更新，t时刻的用电负荷变化趋势特征量Ri,t可表示为：
Figure BDA0002243268920000081
在一可选实施例中，如图5所示，步骤S120还包括：
步骤S123：根据当前时刻用电负荷功率、上一时刻用电负荷功率、当前时刻用电负荷变化趋势，计算当前时刻用电负荷波动特征。用电负荷波动特征可以用来衡量每个时刻用电负荷的快速小幅度变化情况，例如，电采暖负荷渗透率高时，每个时刻都会有不同数量的设备启停操作，通过用电负荷波动特征可以将用电负荷曲线的小幅度波动呈现出来。
在一具体实施例中，用电负荷波动特征决定各个时刻用电负荷功率的变化方向和变化率大小，t时刻的用电负荷波动特征量Vi,t可表示为：
Vi,t＝[xi,t-xi.(t-1)]/Ri,t， (7)
在一可选实施例中，如图6所示，步骤S120还包括：
步骤S124：根据当前时刻用电负荷功率较上一时刻用电负荷功率的变化率、用电负荷向上突变阈值、用电负荷向下突变阈值，确定用电负荷大幅度突变特征。用电负荷大幅度突变特征可以用来衡量负荷因某些特殊因素引起的集中增加或者集中减少特征，如电采暖用户因受到晚上采暖低谷电优惠电价政策的影响，会出现大量设备集中开启或停机的现象，从而引起负荷发生大幅度突变。
在一具体实施例中，用电负荷突变特征决定各个时刻用电负荷功率的大幅度突变情况，通常对应着某些突发因素，t时刻的用电负荷突变特征量Si,t可表示为：
Figure BDA0002243268920000091
其中，y+、y-分别表示用电负荷的向上、向下突变阈值；Δx为当前时刻的功率xi,t较上一时刻的功率xi,(t-1)的变化率，
Figure BDA0002243268920000092
在一具体实施例中，上述步骤S122-步骤S124可以任意组合，当执行步骤S122-步骤S124的全部步骤时，可以使训练出的用电负荷预测模型的精度达到最高。
在一可选实施例中，如图7所示，在步骤S140之后，步骤S150之前，还包括：
步骤S160：对预测模型训练样本集中的特征值进行分类归一化，将特征值按照如下公式映射到预设目标区间内：
Figure BDA0002243268920000093
其中，ymax表示预设目标区间上限，ymin表示预设目标区间下限，x表示待归一化的量，xmax表示待归一化特征值中的最大值，xmin表示待归一化特征值中的最小值，在本实施例中，预设目标区间上限为1，预设目标区间下限为-1。
在一可选实施例中，训练电负荷预测模型时所采用的神经网络模型为核函数极限学习机，如图8所示，当神经网络模型为核函数极限学习机时，步骤S150具体包括：
步骤S151：根据预测模型训练样本集对核函数极限学习机进行训练，得到核函数极限学习机输出权重。
步骤S152：根据核函数极限学习机输出权重生成用电负荷预测模型。
极限学习机的网络层次结构如图9所示，极限学习机(extreme learningmachine，ELM)属于前馈神经网络算法的一种，由输入层、隐藏层和输出层构成，各层次的神经元节点可以根据需求设定，且相邻层次间的节点属于全连接。ELM网络层次结构中，隐藏层任意神经元节点i的激励函数gi可表示为：
Figure BDA0002243268920000101
其中，xj为输入信息；N为数据维度；ai,j为连接输入层与隐藏层节点的输入权重；bi为隐藏层节点的阈值，且ai,j与bi为随机生成；L为神经元节点数。
由于ELM算法网络输入权重可以随机设定，不需要通过大规模历史数据进行长时间训练，而仅需要优化输出权重使输出结果与实际值之间的误差最小来保证回归预测准确度。因此，基于ELM算法的预测模型计算速度更快。此外，ELM算法不仅趋向于获得最小的预测误差，同时还趋向于最小化输出权重β，即：
min||Gβ-O||2and min||β||， (11)
其中，O为目标向量；G为隐藏层矩阵，隐藏层矩阵可以通过如下公式表示：
Figure BDA0002243268920000102
最小化的输出权重的计算公式为：
β＝G+O＝GT(GGT)-1O＝GT(1/C+GGT)-1O， (13)
其中，G+为G的广义逆矩阵，当前馈神经网络趋向于预测误差最小时，更小的输出权重通常意味着更好的泛化能力，根据岭回归理论，增加正常数1/C后，求解结果更稳定，具有更好的泛化能力。
在本实施例中，核函数极限学习机是在ELM算法中，当激励函数未知时，引入了核函数，从而构成了核函数极限学习机(Kernel extreme learning machine，KELM)，与ELM相比，KELM算法的神经网络特征方程与ELM基本相同，但是引入核函数后能够获得更好的回归预测精度，使用电负荷预测模型的预测精度更高，KELM网络特性方程f(x)可通过如下公式表示：
Figure BDA0002243268920000111
其中，h(x)为隐藏层函数；K为所选核函数，本实施例中选择高斯核函数Ω作为核函数，通过如下公式表示：
ΩELM(xi,xj)＝K(xi,xj)＝exp(-γ||xi-xj||2) ， (15)
其中，γ为待定系数，由用户确定。
任何半正定的函数都可以作为核函数，但是本实施例中引入高斯核函数，可增强算法的适用性，简化算法的设计工作量。
在一具体实施例中，核函数极限学习机输出权重通过式(13)-(15)计算得到，由于核函数极限学习机仅需优化输出权重使输出结果与实际值之间的误差最小便可以保证回归预测准确度，因此通过式(13)-(15)计算得到输出权重也意味着用电负荷预测模型训练成型。
在本发明实施例提供的用电负荷预测模型训练方法中，发明人发现电采暖负荷具有功率大、需求刚性且时间集中的特点，将对小区负荷日峰谷差、季节峰谷差带来显著影响。在以蓄热方式为主的地区，日峰谷差率可达70％以上；然而，非供暖季节的负载率普遍较低，夏季峰值负载率仅为采暖季的40％左右。并且，如图10所示，以某一煤改电规模较大的地区为例，当夜间供暖低谷电价开始时，居民电采暖负荷普遍迅速攀升；当夜间供暖低谷电价结束时，采暖负荷迅速降低，形成明显的持续高峰负荷段。此外，由于电采暖设备的运行随温度变化而呈现随机性、间歇性等特点，容易造成用电时段的大幅波动，给含电采暖小区负荷预测带来巨大挑战，因此在训练用电负荷预测模型时，为了充分挖掘用电负荷的历史数据的特征信息，根据用电负荷时间序列、用电负荷最大值、用电负荷最小值、用电负荷变化趋势、用电负荷波动特征、用电负荷大幅度突变特征6个指标建立了特征训练样本，通过该特征训练样本来训练用电负荷预测模型。
用电负荷变化趋势既需要体现对历史趋势特征的保持能力，又需要体现对趋势变化的感知能力，是训练用电负荷预测模型时至关重要的一个特征，本发明实施例提出一种基于窗口滑动平均的负荷变化趋势计算方法。通过合理选择窗口大小实现有效历史信息的包含，通过窗口的滑动实现变化趋势的滚动更新。
本发明实施例为了对提出预测模型的有效性进行分析，通过3个算例进行说明，其中，算例1和算例2进行对比，验证本发明实施例提供的特征值对训练模型的有效性；算例3用于验证滑动窗口长度对预测模型的影响。
算例1：只采用历史负荷序列作为训练样本，固定窗口长度m为4，测试天数为30天。
算例2：采用本发明实施例所提出的特征指标作为训练样本，固定窗口长度m为4，测试天数为30天。
算例3：采用本发明实施例所提出的特征指标作为训练样本，从m＝2开始逐渐增加窗口长度，测试天数为30天。
在上述三个算例中，采用北京市某居民区的实际煤改电工程在2016年1月1日至2016年12月9日期间的100个采暖日的数据作为训练样本，并且每天进行滚动更新；2016年12月10日开始的连续30个采暖日为测试数据；在计算用电负荷突变特征时，向上突变阈值y+设置为0.2，向下突变阈值y-设置为-0.2。如图11所示为130个采暖日数据。并且，在本实施例中通过均方根误差(RMSE)和绝对百分比误差(MAPE)对预测结果进行分析，两类误差计算公式分别如式(16)、式(17)所示。
Figure BDA0002243268920000131
其中，ot为实际值，
Figure BDA0002243268920000132
为预测值。
Figure BDA0002243268920000133
算例1中基于负荷序列的预测方法与算例2中基于本发明实施例提供特征指标的预测方法对同一天的用电负荷预测结果，如图12所示。可知，当电采暖负荷发生较大规模集中启动或停机时，会导致用电负荷发生较大突变，如时段22和时段83左右。基于负荷序列的预测模型的预测结果会出现一定的突变延迟，而基于本发明实施例提供的特征指标的预测模型的预测结果则能较好地跟踪负荷突变。
算例1和算例2对30天的用电负荷预测结果RMSE、MAPE的对比如图13、图14所示。由图13可知，算例1中30天预测结果RMSE的最大值为20.49kW、平均值为12.46kW；算例2中30天预测结果RMSE的最大值为17.46kW，较算例1中提高了14.79％，30天的平均RMSE为11.66kW，较算例1中提高了6.42％。由图14可知，算例1中30天预测结果MAPE的最大值为12.5％、平均值为8.26％；算例2中30天预测结果MAPE的最大值为11.25％，较算例1中提高了10％，30天的平均MAPE为7.87％，较算例1中提高了4.72％。由对比结果可知，在训练样本中增加本发明实施例提出的特征值，可以有效提高预测模型的精度。
算例3中窗口长度m对预测模型30天的平均RMSE和MAPE的影响如图15所示。可知，当窗口长度为m≤4时，对预测模型的平均RMES和平均MPAE几乎没有影响；当m＞4时，预测模型的平均RMES和平均MPAE都随着窗口长度的增加而增加。这是因为窗口长度决定着训练数据对历史信息的“惯性”，随着窗口长度的增加，所包含的历史信息增加，从而导致模型对新趋势和新变化的灵敏度下降。
由上述三个算例的实验结果可知，通过本发明实施例提出的用电负荷预测模型训练方法训练出的用电负荷预测模型的精度更高。通过参数灵敏度分析可知，特征提取滑动窗口的长度会对预测模型的精度产生一定的影响，预测误差随着窗口长度的增加而增加。
实施例2
本发明实施例提供一种用电负荷预测模型训练装置，如图16所示，包括：
训练数据获取模块110，用于获取预设时间段内多个时刻的用电负荷的历史数据，历史数据包括各时刻用电负荷功率，详细描述见上述实施例1中对步骤S110的描述。
特征值提取模块120，用于根据预设负荷特征指标提取历史数据的特征值，详细描述见上述实施例1中对步骤S12的描述。
特征训练样本构建模块130，用于根据用电负荷功率和特征值构建特征训练样本，详细描述见上述实施例1中对步骤S130的描述。
预测模型训练样本集构建模块140，用于根据当前时刻及当前时刻之前的特征训练样本和下一时刻的特征训练样本构建预测模型训练样本集，详细描述见上述实施例1中对步骤S140的描述。
用电负荷预测模型训练模块150，用于根据预测模型训练样本集对神经网络模型进行训练，得到用电负荷预测模型，详细描述见上述实施例1中对步骤S150的描述。
本发明实施例提供的用电负荷预测模型训练装置，首先获取预设时间段内多个时刻的用电负荷的历史数据，充分挖掘历史数据中用电负荷的特点，提取历史数据的特征值，然后基于特征值构建特征训练样本，通过特征训练样本对神经网络模型进行训练，得到用电负荷预测模型，通过使用本发明提供的用电负荷预测模型训练装置能够训练出精度更高的用电负荷预测模型。
实施例3
本发明实施例提供一种用电负荷预测方法，如图17所示，包括：
步骤S210：获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，历史数据包括各时刻用电负荷功率，详细描述见上述实施例1中对步骤S110的描述。
步骤S220：根据预设负荷特征指标提取待预测时刻的上一时刻的用电负荷的历史数据的特征值，详细描述见上述实施例1中对步骤S120的描述。
步骤S230：根据多个时刻的用电负荷的历史数据和特征值构建预测数据集，详细描述见上述实施例1中对步骤S130的描述。
步骤S240：将预测数据集输入用电负荷预测模型，对待预测时刻的用电负荷进行预测，生成结果，用电负荷预测模型通过上述实施例1提供的用电负荷预测模型训练方法训练得出。
发明实施例提供的用电负荷预测方法，首先获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，然后根据预设负荷特征指标提取待预测时刻的上一时刻的用电负荷的历史数据的特征值，只需将多个时刻的历史数据和上一时刻的特征值输入至用电负荷预测模型，可以得到下一时刻的用电负荷，通过实施本发明提供的用电负荷预测方法进行预测，所需的数据较少，可以实现在线预测，且本发明所采用的用电负荷预测模型精度较高，得出的预测结果更为准确。
实施例4
本发明实施例提供一种用电负荷预测装置，如图18所示，包括：
预测数据获取模块210，用于获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，历史数据包括各时刻用电负荷功率，详细描述见上述实施例1中对步骤S110的描述。
预测数据特征值提取模块220，用于根据预设负荷特征指标提取待预测时刻的上一时刻的用电负荷的历史数据的特征值，详细描述见上述实施例1中对步骤S120的描述。
预测数据集构建模块230，用于根据多个时刻的用电负荷的历史数据和特征值构建预测数据集，详细描述见上述实施例1中对步骤S130的描述。
用电负荷预测模块240，用于将预测数据集输入用电负荷预测模型，对待预测时刻的用电负荷进行预测，生成结果，用电负荷预测模型通过上述实施例1提供的用电负荷预测模型训练方法训练得出。
本发明实施例提供的用电负荷预测装置，首先获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，然后根据预设负荷特征指标提取待预测时刻的上一时刻的用电负荷的历史数据的特征值，将多个时刻的历史数据和上一时刻的特征值输入至用电负荷预测模型，得到下一时刻的用电负荷，通过该用电负荷预测装置进行用电负荷预测时所需的数据较少，可以实现在线预测，且该装置中的用电负荷预测模型精度较高，得出的预测结果更为准确。
实施例5
本发明实施例提供一种计算机设备，如图19所示，该计算机设备主要包括一个或多个处理器31以及存储器32，图3中以一个处理器31为例。
该计算机设备还可以包括：输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图3中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用电负荷预测模型训练装置，或，用电负荷预测装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至用电负荷预测模型训练装置，或用电负荷预测装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息)，以及产生与用电负荷预测模型训练装置，或，用电负荷预测装置有关的键信号输入。输出装置34可包括显示屏等显示设备，用以输出计算结果。
实施例6
本发明实施例提供一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的用电负荷预测模型训练方法，或，用电负荷预测方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种用电负荷预测模型训练方法，其特征在于，包括：
获取预设时间段内多个时刻的用电负荷的历史数据，所述历史数据包括各时刻的用电负荷功率；
根据预设负荷特征指标对历史数据中所有时刻数据进行特征值提取；
根据所述用电负荷功率和所述特征值构建特征训练样本；
根据当前时刻及当前时刻之前的所述特征训练样本和下一时刻的所述特征训练样本构建预测模型训练样本集；
根据所述预测模型训练样本集对神经网络模型进行训练，得到所述用电负荷预测模型；
所述根据预设负荷特征指标对历史数据中所有时刻数据进行特征值提取的步骤，包括：
根据所述历史数据提取所述预设时间段内的用电负荷最大值和用电负荷最小值；
根据预设滑动窗口长度和所述预设滑动窗口内当前时刻之前各时刻所述用电负荷功率计算当前时刻用电负荷变化趋势；
根据当前时刻所述用电负荷功率、上一时刻所述用电负荷功率、当前时刻所述用电负荷变化趋势，计算当前时刻用电负荷波动特征；
根据当前时刻所述用电负荷功率较上一时刻所述用电负荷功率的变化率、用电负荷向上突变阈值、用电负荷向下突变阈值，确定用电负荷大幅度突变特征；
t时刻的用电负荷变化趋势特征量R i,t可表示为：
，
其中，m表示预设滑动窗口长度，x i,（t-j） 表示（t-j）时刻的负荷功率；
t时刻的用电负荷波动特征量V i,t可表示为：
。
2.根据权利要求1所述的用电负荷预测模型训练方法，其特征在于，
所述根据所述用电负荷功率和所述特征值构建特征训练样本的步骤，包括：
根据所述历史数据建立用电负荷时间序列；
根据所述用电负荷时间序列和所述特征值构建特征训练样本。
3.根据权利要求1所述的用电负荷预测模型训练方法，其特征在于，在所述根据当前时刻及当前时刻之前的所述特征训练样本和下一时刻的所述特征训练样本构建预测模型训练样本集的步骤之后，所述根据所述预测模型训练样本集对神经网络模型进行训练的步骤之前，还包括：
对所述预测模型训练样本集中的特征值进行分类归一化，将所述特征值按照如下公式映射到预设目标区间内：
，
其中，y max表示预设目标区间上限，y min表示预设目标区间下限，x表示待归一化的量，x max表示待归一化特征值中的最大值，x min表示待归一化特征值中的最小值。
4.根据权利要求1所述的用电负荷预测模型训练方法，其特征在于，
所述神经网络模型为核函数极限学习机；
所述根据所述预测模型训练样本集对神经网络模型进行训练，得到所述用电负荷预测模型的步骤，包括：
根据所述预测模型训练样本集对所述核函数极限学习机进行训练，得到核函数极限学习机输出权重；
根据所述核函数极限学习机输出权重生成所述用电负荷预测模型。
5.一种用电负荷预测方法，其特征在于，包括：
获取待预测时刻之前的预设时间窗口内多个时刻的用电负荷的历史数据，所述历史数据包括各时刻所述用电负荷功率；
根据预设负荷特征指标提取所述待预测时刻的上一时刻的用电负荷的历史数据的特征值；
根据所述多个时刻的用电负荷的历史数据和所述特征值构建预测数据集；
将所述预测数据集输入用电负荷预测模型，对所述待预测时刻的用电负荷进行预测，生成结果，所述用电负荷预测模型通过如权利要求1-4任一项所述的用电负荷预测模型训练方法训练得出。
6.一种计算机设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求1-4中任一项所述的用电负荷预测模型训练方法，或，执行如权利要求5所述的用电负荷预测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行如权利要求1-4中任一项所述的用电负荷预测模型训练方法，或，使计算机执行如权利要求5所述的用电负荷预测方法。
CN201911007802.4A 2019-10-22 2019-10-22 用电负荷预测模型训练、用电负荷预测方法及装置 Active CN110781947B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911007802.4A CN110781947B (zh) 2019-10-22 2019-10-22 用电负荷预测模型训练、用电负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911007802.4A CN110781947B (zh) 2019-10-22 2019-10-22 用电负荷预测模型训练、用电负荷预测方法及装置

Publications (2)

Publication Number Publication Date
CN110781947A CN110781947A (zh) 2020-02-11
CN110781947B true CN110781947B (zh) 2023-04-07

Family

ID=69386290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911007802.4A Active CN110781947B (zh) 2019-10-22 2019-10-22 用电负荷预测模型训练、用电负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN110781947B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111564848B (zh) * 2020-06-09 2022-05-03 剑科云智(深圳)科技有限公司 一种微型电网的智能电力调度方法和用电负荷预测装置
CN112232575B (zh) * 2020-10-21 2023-12-19 国网山西省电力公司经济技术研究院 一种基于多元负荷预测的综合能源系统调控方法和装置
CN112488372A (zh) * 2020-11-23 2021-03-12 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) 多时间尺度下电采暖负荷双层优化调度方法
CN112614006A (zh) * 2020-11-30 2021-04-06 国网北京市电力公司 负荷预测方法、装置、计算机可读存储介质以及处理器
CN113722975B (zh) * 2020-12-28 2023-12-05 京东城市(北京)数字科技有限公司 网络模型训练方法、室温预测方法、装置、设备及介质
CN112909936B (zh) * 2021-02-04 2022-10-04 中国神华能源股份有限公司国华电力分公司 火电机组运行状态的监测方法、装置和系统
CN113592528B (zh) * 2021-06-22 2024-09-13 国网河北省电力有限公司营销服务中心 基线负荷估计方法、装置及终端设备
CN117748482B (zh) * 2023-12-13 2024-06-14 正泰集团研发中心(上海)有限公司 发电功率预测方法、装置、电子设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135617A (zh) * 2019-03-31 2019-08-16 中南林业科技大学 一种气象因素影响下基于负荷特性的改进短期负荷的预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101888087A (zh) * 2010-05-21 2010-11-17 深圳市科陆电子科技股份有限公司 一种在配网终端中实现分布式超短期区域负荷预测的方法
CN106570250A (zh) * 2016-11-02 2017-04-19 华北电力大学（保定） 面向电力大数据的微电网短期负荷预测方法
CN109146191B (zh) * 2018-08-31 2020-12-11 华北电力大学（保定） 一种基于泛蕴涵模型的短期电力负荷预测方法及系统
CN110348592A (zh) * 2019-05-21 2019-10-18 华电电力科学研究院有限公司 一种基于人工神经网络的负荷模型预测方法及预测系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110135617A (zh) * 2019-03-31 2019-08-16 中南林业科技大学 一种气象因素影响下基于负荷特性的改进短期负荷的预测方法

Also Published As

Publication number Publication date
CN110781947A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110781947B (zh) 用电负荷预测模型训练、用电负荷预测方法及装置
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN112116153A (zh) 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN104217113B (zh) 基于储能概率模型的独立风光储系统可靠性评估方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN112329262A (zh) 一种居住建筑燃气碳排放量预测方法
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN115829126A (zh) 基于多视角自适应特征融合的光伏发电功率预测方法
CN112070272A (zh) 一种输电线路的覆冰厚度预测方法及装置
CN115271253A (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
CN116205508A (zh) 一种分布式光伏发电异常诊断方法和系统
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN117408394B (zh) 电力系统的碳排放因子预测方法、装置及电子设备
CN114897264A (zh) 一种基于迁移学习的小样本场景下光伏出力区间预测方法
CN116415700A (zh) 一种结合人工智能的风能数值预报方法及其装置
US11687689B2 (en) Capacity forecasting
US20220083903A1 (en) Load forecasting
Zhang et al. Enhancing hourly heat demand prediction through artificial neural networks: A national level case study
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Song et al. A Novel Outlier Detection Method of Long‐Term Dam Monitoring Data Based on SSA‐NAR
CN116885705A (zh) 区域负荷预测方法及装置
Riquelme-Dominguez et al. A machine learning-based methodology for short-term kinetic energy forecasting with real-time application: Nordic Power System case
CN115564495A (zh) 一种适用于新能源电站选址的综合评价方法

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