CN110852511A - 基于天气温度与k邻近理论的居民短期用电预测方法 - Google Patents

基于天气温度与k邻近理论的居民短期用电预测方法 Download PDF

Info

Publication number
CN110852511A
CN110852511A CN201911104422.2A CN201911104422A CN110852511A CN 110852511 A CN110852511 A CN 110852511A CN 201911104422 A CN201911104422 A CN 201911104422A CN 110852511 A CN110852511 A CN 110852511A
Authority
CN
China
Prior art keywords
data
predicted
sample set
day
sample
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
Application number
CN201911104422.2A
Other languages
English (en)
Other versions
CN110852511B (zh
Inventor
张瑞
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.)
Su Wen Electric Energy Polytron Technologies Inc
Original Assignee
Su Wen Electric Energy Polytron Technologies Inc
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 Su Wen Electric Energy Polytron Technologies Inc filed Critical Su Wen Electric Energy Polytron Technologies Inc
Priority to CN201911104422.2A priority Critical patent/CN110852511B/zh
Publication of CN110852511A publication Critical patent/CN110852511A/zh
Application granted granted Critical
Publication of CN110852511B publication Critical patent/CN110852511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于天气温度与k邻近理论的居民短期用电预测方法，本算法在传统KNN邻近算法的基础上，引入相关系数r作为衡量待预测日数据P和样本集中第i个样本Ti的间距离的另一标准，综合欧式距离和相关系数进行最终距离的计算，通过两步筛选算法，首先从历史样本集中筛选候选输入集，在候选输入集的基础上，再筛选出最佳输入数据集，进行最终的待测日数据的预测，并且在预测的时候，综合考虑温度对预测的影响。本算法引入了相关系数改进了传统的欧式距离计算，并综合温度对负荷的影响，有效的提高了传统KNN算法预测的准确性。

Description

基于天气温度与k邻近理论的居民短期用电预测方法
技术领域
本发明涉及居民短期用电预测技术领域，特别是涉及一种基于天气温度与k邻近理论的居民短期用电预测方法，考虑天气温度改变时的电力预测。
背景技术
天气温度的变化会直接导致人们的生活方式的改变，从而导致电网负荷的改变，而对电网负荷的预测直接影响到电力配送部门的基础工作，对电力系统的经济有着指导作用，提高预测的精度可以促进电网的安全，可靠性，经济运行。
传统的基于KNN的算法的负荷预测，采用欧式距离作为邻近标准，没有考虑到序列之间的相关性，难以表示构成向量的数据序列的变化特征。同时KNN算法只基于序列本身的特征，影响因素比较单一。本算法引入了相关系数改进了传统的欧式距离计算，并综合温度对负荷的影响，有效的提高了传统KNN算法预测的准确性。
发明内容
本发明所要解决的技术问题是：为了克服现有技术中居民短期用电负荷受多种因素的影响，以及各种因素之间的关系错综复杂而不易精准预测的问题，在基于K近邻的基本原理，本发明提供一种基于天气温度与k邻近理论的居民短期用电预测方法，首先天气温度变化对电网负荷预测的影响，将天气温度与电网负荷预测联系起来，根据实时负荷数据建立预测模型，再采用K近邻算法进行求解。
本发明解决其技术问题所要采用的技术方案是：一种基于天气温度与k邻近理论的居民短期用电预测方法，首先，将历史天气温度和居民负荷趋势数据按照工作日和非工作日进行分类，按照待预测日的类别，从相应类别的历史数据中搜索与待预测数据相邻近的数据，然后根据KNN算法生成预测。
具体的步骤如下所示：
步骤1：采集一年的小区每天的温度、负荷数据，以一天的数据作为一个样本，构建天气温度、居民负荷趋势的样本集，并对样本集中的样本按照工作日和非工作日分类。
步骤2：依据待预测日是工作日或非工作日的类别，从样本集中相应的类别中按照K邻近算法识别和待预测日数据相近的样本构成候选样本集，然后再从候选样本集中识别最佳决策数据作为输入数据。
步骤3：利用输入数据，使用预测算法，对待预测日的居民用电负荷预测。
具体的，步骤1中构建天气温度和居民负荷的样本集及分类的方法具体包括以下步骤：
在小区内部布置温度监测点、负荷监测点，采集小区内一天24小时的温度和负荷数据，假设采集数据的时间为T，采集的数据量为N＝24/T+1，一天的温度数据为Xt＝[t1,t2,t3,…,tN]，负荷数据为Xq＝[q1,q2,q3,…,qN]，其中，N为采集的数据量，则一天的Xt和Xq的数据分别为天气温度和居民负荷趋势的一个样本，对一年内的温度数据和负荷数据按照工作日和非工作日类别分类。
具体的，步骤2中，构建候选样本集的方法：
步骤21：假设当前待预测日已监测的数据为P，根据待预测日的数据类别从样本集中随机选取M个与待预测日等维度的样本，从这M个样本集中选取与待测日距离相近的样本作为候选样本集，距离采用欧式空间距离，欧式空间距离是一种常用的距离度量，计算模型输入向量P与样本集中某样本间的欧式距离则表示为：
Figure BDA0002270846700000031
式中：式中：pj表示待预测日数据P的第j个元素值；Ti,j示样本集中第i个样本的第j个元素值；di表示待预测日数据P与样本集中第i个样本间的欧式距离；
欧式距离只能对比两个向量在元素值的差异大小，难以表示构成向量的数据序列的变化特征，因此引入相关系数r作为衡量待预测日数据P和样本集中第i个样本Ti的距离的另一标准，计算公式如下：
Figure BDA0002270846700000032
式中：Cov(P,Ti)表示待预测数据和第i个样本之间的协方差；V(Ti)和V(P)分别表示待预测数据和第i个样本的方差，ri表示预测模型数据与样本集中第i个样本之间的相关性系数。
为了更加准确的描述待预测数据和样本间的近邻关系，既考虑欧式距离，又考虑相关性，因此，根据公式(1)和公式(2)将衡量待预测数据和样本间距离的远近用公式(3)来确定：
xi＝mdi+nri (3)
式中：m和n为权重系数(m,n>0且m+n＝1)，Xi值越大表示待预测日数据P和样本集中第i个样本越接近。若待预测数据和其前K近邻样本间的距离指标为xk(k＝1,2,3,…,K),前K近邻样本对应的模型输出数值为Tk,N+1(k＝1,2,…,K),则预测模型输出为Tk,N+1(K＝1,2,…K)的加权平均值。
步骤22：采用公式(3)，计算样本集中每个样本与待预测日的数据P之间的距离，得到M个距离值，表示为Xm(m＝1,2,3,…,M)，其中，取这M个值的平均值记为avg(Xm)。将Xm中的每一个值和平均值avg(Xm)比较，选出小于平均值avg(Xm)的M1个样本，其中M1<M，将这M1个样本作为候选样本集Km1。
步骤23：从候选样本集Km1确定最佳输入数据集：
遍历候选样本集Km1，利用公式(3)，计算当前待预测日数据P与样本集Km1中样本的距离值，得到M1个数据Xm1(m1＝1,2,3,…,M1)，并计算其均值,记为avg(Xm1)，将Xm1中每个值与均值avg(Xm1)进行比较，取出小于平均值avg(Xm1)的M2个样本，其中M2<M1，构成最佳输入数据集Km2(m2＝1,2,…,M2)。
步骤3中，根据步骤(2)中最佳输入数据集Km2，进行最终的预测方法：
用电负荷考虑到天气温度的影响，所以各近邻向量对应的模型输出权重系数要综合考虑该近邻向量与预测输入向量间的距离指标，以及二者所处位置的天气温度。
用电预测的最终目标函数可表示为：
式中
Figure BDA0002270846700000042
为待预测日温度与第k个样本所对应的温度值之差。
根据最佳数据集Km2，通过公式(4)进行负荷预测。
本发明的有益效果是：本发明提供的一种基于天气温度与k邻近理论的居民短期用电预测方法，通过选取待测日天气温度和负荷趋势曲线相近的历史数据作为邻近样本，对待预测日的居民用电负荷进行预测，该方法在利用历史数据预测当前负荷发展趋势的同时，将天气温度和负荷之间的正相关关系结合起来，进一步提高了预测的精确度，对于电网电力系统的经济运行有着指导作用，促进电网安全、可靠、经济运行。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明居民用电负荷超短期预测整体流程。
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，本发明的一种基于天气温度与k邻近理论的居民短期用电预测方法，在传统的KNN算法基础上，引入相关系数进行距离的计算，并在最终计算引入天气温度对居民负荷的影响，包括：
步骤1：小区内部布置温度监测点、负荷监测点，以T＝15分钟为数据采集的周期，一天24小时内采集的数据量为N＝97，其中温度数据记为Xt＝[t1,t2,t3,…,t97],负荷数据为Xq＝[q1,q2,q3,…,q97]，则一天的Xt和Xq的数据分别为天气温度和居民负荷趋势的一个样本，将一年的天气温度、居民负荷趋势的样本数据作为样本集，对一年内的温度数据和负荷数据按照工作日和非工作日类别分类。
步骤2：依据待预测日是工作日或非工作日的类别，从样本集中相应的类别中按照K邻近算法识别和待预测日数据相近的样本构成候选样本集，然后再从候选样本集中识别最佳决策数据作为输入数据。具体步骤如下：
假设当前待预测日已监测的数据为P，根据待预测日的类别从样本集中随机选取M＝60个与待预测日等维度的样本，从这60个样本集中选取与待测日距离相近的样本作为候选样本集，距离采用欧式空间距离，欧式空间距离是一种常用的距离度量，计算模型输入向量P与训练集中某输入向量间的欧式距离则表示为：
式中：式中：pj表示待预测日数据P的第j个元素值；Ti,j表示样本集中第i个样本的第j个元素值；di表示待预测日数据P与样本集中第i个输入向量间的欧式距离；
欧式距离只能对比两个向量在元素值的差异大小，难以表示构成向量的数据序列的变化特征，因此引入相关系数r作为衡量两向量间的距离的另一标准，计算公式如下：
式中：Cov(P,Ti)表示待预测数据和第i个样本之间的协方差；V(Ti)，V(P)分别表示待预测数据和第i个样本的方差，ri表示预测模型数据与样本集中第i个样本之间的相关性系数。
为了更加准确的描述待预测数据和样本间的近邻关系，既考虑欧式距离，又考虑相关性，因此，根据公式(1)和公式(2)将衡量待预测数据和样本间距离的远近用公式(3)来确定：
xi＝mdi+nri (3)
式中：m和n为权重系数(m,n>0且m+n＝1)，Xi值越大表示待预测日数据P和样本集中第i个样本越接近，若待预测数据和其前K近邻样本间的距离指标为xk(k＝1,2,3,…,K)，前K近邻样本对应的模型输出数值为Tk,N+1(k＝1,2,…,K),则预测模型输出为Tk,N+1(K＝1,2,…K)的加权平均值，其中m和n的取值分别是0.5和0.5。
采用公式(3)，计算样本集中每个样本与待预测日的数据P之间的距离，得到60个值Xm(m＝1,2,3,…,60),其中，取这60个值的平均值记为avg(Xm)。将Xm中的每一个值和平均值avg(Xm比较，取出小于平均值avg(Xm)的M1个样本，其中M1<60，将这些样本作为候选样本集Km1。
遍历候选样本集Km1，利用公式(3)，计算当前待预测日数据P与样本集Km1中样本的距离值，得到M1个数据Xm1(m1＝1,2,3,…,M1)，并计算其均值,记为avg(Xm1)，将Xm1中每个值与均值avg(Xm1)进行比较，取出小于平均值avg(Xm1)的M2个样本，其中M2<M1，构成最佳输入数据集Km2(m2＝1,2,…,M2)。
步骤3:用电负荷考虑到天气温度的影响，所以各近邻向量对应的模型输出权重系数要综合考虑该近邻向量与预测输入向量间的距离指标，以及二者所处位置的天气温度。
用电预测的最终目标函数可表示为：
Figure BDA0002270846700000071
式中
Figure BDA0002270846700000072
为待预测日温度与第k个样本所对应的温度值之差。
根据最佳数据集Km2，通过公式(4)进行负荷预测。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关的工作人员完全可以在不偏离本发明的范围内，进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (4)

1.一种基于天气温度与k邻近理论的居民短期用电预测方法，其特征在于：包括以下步骤：
步骤1：采集一年的小区每天的温度、负荷数据，以一天的数据作为一个样本，构建天气温度、居民负荷趋势的样本集，并对样本集中的样本按照工作日和非工作日分类；
步骤2：依据待预测日是工作日、非工作日的类别，从样本集中相应的类别中按照K邻近算法识别和待预测日数据相近的样本构成候选样本集，然后再从候选样本集中识别最佳决策数据作为输入数据集。
步骤3：利用输入数据集，根据KNN预测算法，对待预测日的居民用电负荷预测。
2.如权利要求1所述的基于天气温度与k邻近理论的居民短期用电预测方法，其特征在于：步骤1中建立天气温度和居民负荷趋势的样本集的方法包括以下步骤：
在小区内部布置温度监测点和负荷监测点，采集小区内24小时的温度和负荷数据，设采集数据的时间为T，采集的数据量为N＝24/T+1，一天的温度数据为Xt＝[t1,t2,t3,…,tN]，负荷数据为Xq＝[q1,q2,q3,…,qN]，其中，N为采集的数据量，对一年内的温度数据和居民负荷数据按照工作日和非工作日类别分类。
3.如权利要求2所述的基于天气温度与k邻近理论的居民短期用电预测方法，其特征在于：步骤2构建候选样本集具体包括以下步骤：
步骤21：假设当前待预测日已监测的数据为P，根据待预测日的数据类别从样本集中随机选取M个与待预测日等维度的样本，从M个样本中选取与待测日距离相近的样本作为候选样本集，采用欧式空间距离计算模型输入向量P与样本集中某输入向量间的欧式距离则表示为：
Figure FDA0002270846690000021
式中：pj表示待预测日数据P的第j个元素值；Ti,j表示样本集中第i个样本的第j个元素值；di表示待预测日数据P与样本集中第i个样本间的欧式距离；
引入相关系数r作为衡量待预测日数据P和样本集中第i个样本Ti的距离的另一标准，计算公式如下：
Figure FDA0002270846690000022
式中：Cov(P,Ti)表示待预测数据和第i个样本之间的协方差；V(Ti)和V(P)分别表示待预测数据和第i个样本的方差，ri表示预测模型数据与样本集中第i个样本之间的相关性系数；
根据公式(1)和公式(2)，衡量待预测数据和样本间距离的远近采用公式(3)来确定：
xi＝mdi+nri (3)
式中：m和n为权重系数(m,n>0且m+n＝1)；
当待预测数据和其前K近邻样本间的距离指标为xk(k＝1,2,3,…,K)，则前K近邻样本对应的模型输出数值为Tk,N+1(k＝1,2,…,K)，则预测模型输出为Tk,N+1(K＝1,2,…K)的加权平均值；
步骤22：采用公式(3)，计算样本集中每个样本与待预测日的数据P之间的距离，得到M个距离值，表示为Xm(m＝1,2,3,…,M)，其中，取这M个值的平均值记为avg(Xm)，将Xm中的每一个值和平均值avg(Xm)比较，选出小于平均值avg(Xm)的M1个样本，其中M1<M，将这M1个样本作为候选样本集Km1；
步骤23：从候选样本集Km1中识别最佳输入数据集，
遍历候选样本集Km1，利用公式(3)，计算当前待预测日数据P与样本集Km1中样本的距离值，得到M1个数据Xm1(m1＝1,2,3,…,M1)，并计算其均值,记为avg(Xm1)，将Xm1中每个值与均值avg(Xm1)进行比较，取出小于平均值avg(Xm1)的M2个样本，其中M2<M1，构成最佳输入数据集Km2(m2＝1,2,…,M2)。
4.如权利要求3所述的基于天气温度与k邻近理论的居民短期用电预测方法，其特征在于：步骤3中，根据步骤(2)中最佳输入数据集Km2，进行最终预测，具体为：
用电预测的最终目标函数可表示为：
式中
Figure FDA0002270846690000032
为待预测日温度与第k个样本所对应的温度值之差，根据最佳输入数据集Km2，通过公式(4)进行负荷预测。
CN201911104422.2A 2019-11-13 2019-11-13 基于天气温度与k邻近理论的居民短期用电预测方法 Active CN110852511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911104422.2A CN110852511B (zh) 2019-11-13 2019-11-13 基于天气温度与k邻近理论的居民短期用电预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911104422.2A CN110852511B (zh) 2019-11-13 2019-11-13 基于天气温度与k邻近理论的居民短期用电预测方法

Publications (2)

Publication Number Publication Date
CN110852511A true CN110852511A (zh) 2020-02-28
CN110852511B CN110852511B (zh) 2023-09-22

Family

ID=69601458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911104422.2A Active CN110852511B (zh) 2019-11-13 2019-11-13 基于天气温度与k邻近理论的居民短期用电预测方法

Country Status (1)

Country Link
CN (1) CN110852511B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832796A (zh) * 2020-02-29 2020-10-27 上海电力大学 一种针对居民用电负荷模式的精细分类及预测方法及系统
CN112000927A (zh) * 2020-08-31 2020-11-27 江苏方天电力技术有限公司 基于相关系数的最近历史工况选择方法
CN112417764A (zh) * 2020-12-01 2021-02-26 江苏省特种设备安全监督检验研究院 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法
CN113642640A (zh) * 2021-08-13 2021-11-12 华北电力科学研究院有限责任公司 区域性电网最小出力预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930353A (zh) * 2012-11-06 2013-02-13 北京国电通网络技术有限公司 一种小区用电负荷的预测方法及装置
CN103854068A (zh) * 2013-12-06 2014-06-11 国家电网公司 一种居民小区短期负荷预测方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN109598933A (zh) * 2018-12-10 2019-04-09 南京邮电大学 一种基于数据驱动的k邻近非参数回归的交通流预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930353A (zh) * 2012-11-06 2013-02-13 北京国电通网络技术有限公司 一种小区用电负荷的预测方法及装置
CN103854068A (zh) * 2013-12-06 2014-06-11 国家电网公司 一种居民小区短期负荷预测方法
CN108229754A (zh) * 2018-01-31 2018-06-29 杭州电子科技大学 基于相似日分段和lm-bp网络的短期负荷预测方法
CN109598933A (zh) * 2018-12-10 2019-04-09 南京邮电大学 一种基于数据驱动的k邻近非参数回归的交通流预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111832796A (zh) * 2020-02-29 2020-10-27 上海电力大学 一种针对居民用电负荷模式的精细分类及预测方法及系统
CN111832796B (zh) * 2020-02-29 2022-12-23 上海电力大学 一种针对居民用电负荷模式的精细分类及预测方法及系统
CN112000927A (zh) * 2020-08-31 2020-11-27 江苏方天电力技术有限公司 基于相关系数的最近历史工况选择方法
CN112417764A (zh) * 2020-12-01 2021-02-26 江苏省特种设备安全监督检验研究院 一种面向锅炉特种设备蒸汽量预测的k近邻回归预测方法
CN113642640A (zh) * 2021-08-13 2021-11-12 华北电力科学研究院有限责任公司 区域性电网最小出力预测方法及装置

Also Published As

Publication number Publication date
CN110852511B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN110852511A (zh) 基于天气温度与k邻近理论的居民短期用电预测方法
CN109919353B (zh) 一种基于空间相关性的arima模型的分布式光伏预测方法
WO2022135265A1 (zh) 气候变化影响下水库调度规则的失效预警分析方法
WO2018082523A1 (zh) 一种负荷周期的模式识别方法
CN109387712A (zh) 基于状态矩阵决策树的非侵入式负荷检测与分解方法
CN107092582A (zh) 一种基于残差后验的异常值在线检测及置信度评估方法
KR20100048738A (ko) 원격계측 전력 부하패턴의 분류 및 예측 방법
CN110796307B (zh) 一种综合能源系统分布式负荷预测方法及系统
CN106059492A (zh) 基于功率预测的光伏组件阴影故障类型判定方法
CN109035067A (zh) 基于rf和arma算法的建筑能耗处理方法及装置
CN103226736A (zh) 基于聚类分析与灰靶理论的中长期电力负荷预测方法
CN109523057A (zh) 一种考虑经济转型背景的区域电网电力负荷预测方法
CN113705931B (zh) 一种利用k最邻近法预测径流要素的方法
CN111210170A (zh) 基于90%用电分布特征指标的环保管控监测及评价方法
CN113743651A (zh) 基于机器学习和svm算法的电子式电压互感器误差状态预测方法
CN110298765B (zh) 一种基于客观关联因素的配电网用电功率异常检测方法
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
Fonseca et al. Unsupervised load shape clustering for urban building performance assessment
CN115545333A (zh) 一种多负荷日类型配电网负荷曲线预测方法
CN112305441A (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN112949207A (zh) 一种基于改进最小二乘支持向量机的短期负荷预测方法
CN109165770A (zh) 基于AFSA-Elman的新型光伏功率预测方法
CN110533247B (zh) 一种采用气温数据异常点补偿的月度用电量预测方法
CN111027841A (zh) 一种基于梯度提升决策树的低压台区线损计算方法
CN110163437B (zh) 基于DPK-means的日前光伏发电功率预测方法

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
GR01 Patent grant
GR01 Patent grant