CN110852628A - 考虑发展模式影响的农村中长期负荷预测方法 - Google Patents
考虑发展模式影响的农村中长期负荷预测方法 Download PDFInfo
- Publication number
- CN110852628A CN110852628A CN201911106525.2A CN201911106525A CN110852628A CN 110852628 A CN110852628 A CN 110852628A CN 201911106525 A CN201911106525 A CN 201911106525A CN 110852628 A CN110852628 A CN 110852628A
- Authority
- CN
- China
- Prior art keywords
- rural
- load
- target
- rural area
- development
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑发展模式影响的农村中长期负荷预测方法,包括根据农村的历史负荷数据分析得到农村的各负荷类型分布;将农村的发展模式进行分类;分析得到目标农村的具体发展模式和目标农村在具体发展模式下的影响负荷变化的主因素;对目标农村的中长期负荷进行预测。本发明方法充分考虑了农村不同发展模式下负荷类型不同的特点;提出基于K‑means和高斯混合聚类的双层聚类分析算法;通过灰色关联度分析得到影响农村用电负荷的主要影响因素,并采用GRU模型预测农村中长期负荷预测,使得负荷预测结果更合理,更准确。
Description
技术领域
本发明属于电气自动化领域,具体涉及一种考虑发展模式影响的农村中长期负荷预测方法。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。因此,保证电力系统的稳定可靠运行,以及保障用户用电的稳定可靠供应,就成为了电力系统最重要的任务之一。
而随着我国农村经济的发展和用电需求的激增,也伴随用电结构的多样性凸显、季节性问题加剧、供电质量要求提高等新阶段下农村用电需求的新特性。在此背景下,传统的农村变电站建设原则和建设方案决策方法,已难以适应新农村发展的需求。
从技术需求角度,需要提供农村地区负荷分布预测方法,并从高压变电站建设决策的维度,为农村负荷多样性增强、负荷分布不均、季节性差异大、设备利用率低、分布式电源消纳难等问题的解决提供科学方法,从而保证农村电网的可靠性和稳定性。
从应用需求的角度,针对农村负荷较为分散的特点,合理规划变电站方案,是合理构建配电网并实现经济运行的重要前提;负荷预测是电网规划和供电的基础,故而研究电网规划中长期负荷预测技术具有重要的实用价值和理论意义。
目前,电力负荷预测的方法有很多,在中长期负荷预测方面,不同的预测方法有其不同的适用场景。然而,现有的这些方法和研究成果并未考虑农村负荷的专有特征,这使得这些方法并不再适用于农村电网的中长期负荷预测。
发明内容
本发明的目的在于提供一种考虑农村电网和用电特点、科学合理且可靠性高的考虑发展模式影响的农村中长期负荷预测方法。
本发明提供的这种考虑发展模式影响的农村中长期负荷预测方法,包括如下步骤:
S1.根据农村的历史负荷数据,分析得到农村的各负荷类型分布;
S2.根据步骤S1得到的农村的负荷类型分布,将农村的发展模式进行分类;
S3.根据步骤S2得到的农村的发展模式的类别,分析得到目标农村的具体发展模式;
S4.根据步骤S3得到的目标农村的具体发展模式,分析得到目标农村在具体发展模式下的影响负荷变化的主因素;
S5.根据步骤S4得到的影响负荷变化的主因素,对目标农村的中长期负荷进行预测。
步骤S1所述的根据农村的历史负荷数据,分析得到农村的各负荷类型分布,具体为将采集到的农村历史用电负荷数据通过K-means聚类模型进行聚类分析,得到该农村不同类型负荷的比例。
步骤S2所述的将农村的发展模式进行分类,具体为分为如下三类:
模式一-农业生产用电负荷为主导的发展模式:农业用电、居民日常用电负荷占总负荷占主导地位,电力负荷波动不明显;所述的占主导地位的定义为:占比超过70%;所述的电力负荷波动不明显的定义为:连续两年年平均用电负荷变化小于10%;
模式二-工业负荷为主导的发展模式:工业、第三产业用电负荷逐年增加,电力负荷波动较为明显;所述的较为明显的定义为:连续两年年平均用电负荷变化超过10%;
模式三-第三产业负荷为主导的发展模式:工业、第三产业用电负荷猛增,电力负荷波动很明显;所述的猛增的定义为:增幅超过15%;所述的很明显的定义为:连续两年年平均用电负荷变化大于20%。
步骤S3所述的分析得到目标农村的具体发展模式,具体为采用GMM聚类模型进行聚类分析,从而预测得到目标农村的具体发展模式。
步骤S4所述的分析得到目标农村在具体发展模式下的影响负荷变化的主因素,具体为采用灰度关联分析方法将影响目标农村负荷变化的因素进行分析,从而得到影响目标农村在具体发展模式下的负荷变化的主因素。
所述的采用灰度关联分析方法将影响目标农村负荷变化的因素进行分析,从而得到影响目标农村在具体发展模式下的负荷变化的主因素,具体为采用如下步骤分析得到主因素:
A.将输入的影响目标农村负荷变化的因素进行归一化处理;
B.采用如下算式计算关联系数ε0ij(k):
式中△为同一因素在k时段内的差值绝对值,ρ为分辨系数,△0ij(k)为因素i与因素j在k时段内的差值绝对值;
C.将步骤B得到的关联系数求取平均值,从而得到总体的量化关联度;
D.根据步骤C得到的量化关联度,选取关联度高于0.5的特征作为影响负荷变化的主因素。
步骤S5所述的对目标农村的中长期负荷进行预测,具体为采用门控循环(GatedRecurrent Unit,GRU)网络模型进行农村中长期负荷预测。
本发明提供的这种考虑发展模式影响的农村中长期负荷预测方法,根据农村历史负荷数据,采用K-means聚类模型得到农村各负荷类型分布;结合农村不同发展模式具有不同负荷类型的特点,将农村发展模式进行分类;结合农村实际情况,利用GMM聚类模型得到待研究农村的可能发展模式;利用灰色关联分析方法得到农村具体发展模式下影响负荷变化的主要因素,并训练对应的多维GRU负荷预测模型;利用GRU模型进行农村中长期负荷预测;本发明方法充分考虑了农村不同发展模式下负荷类型不同的特点;提出基于K-means和高斯混合聚类的双层聚类分析算法;通过灰色关联度分析得到影响农村用电负荷的主要影响因素,并采用GRU模型预测农村中长期负荷预测,使得负荷预测结果更合理,更准确。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明的实施例的电力负荷分类k-means聚类结果示意图。
图3为本发明的实施例的农村发展模式GMM聚类结果示意图。
图4为本发明的实施例的GRU农村中长期负荷预测结果示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种考虑发展模式影响的农村中长期负荷预测方法,包括如下步骤:
S1.根据农村的历史负荷数据,分析得到农村的各负荷类型分布;具体为将采集到的农村历史用电负荷数据通过K-means聚类模型进行聚类分析,得到该农村不同类型负荷的比例;
在具体实施时,采用K-means聚类算法,对农村用电负荷类型进行聚类分析,得到该农村不同类型负荷的比例K-means聚类算法的核心思想是把每个元素聚集到其最近中心类,使同一聚类中的对象相似度较高,而不同聚类中的对象相似度较小K-means聚类算法中聚类簇是由距离靠近的对象组成的,因此把得到紧凑且独立的聚类簇作为最终目标该算法第一步是随机地选取任意K个对象作为初始聚类的中心,初始代表一个聚类簇每次迭代中,对数据集中剩余的每个对象,根据其与各个聚类簇的距离将每个对象重新赋给最近的簇当考察完所有数据对象后,一次迭代运算完成,新的聚类中心被计算出来如果在一次迭代前后,聚类中心没有发生变化,则说明已经收敛。采用K-means算法通过迭代求取最佳聚类划分Ci,聚类划分的计算公式为:
式中θj为类别j的所有样本的均值,xi表示第i个样本。
S2.根据步骤S1得到的农村的负荷类型分布,将农村的发展模式进行分类;具体通过分析影响农村电力负荷变化因素,以经济水平、负荷类型、政策导向作为农村发展模式的划分依据,将农村发展模式分为如下三类:
模式一-农业生产用电负荷为主导的发展模式:农业用电、居民日常用电负荷占总负荷占主导地位,电力负荷波动不明显;所述的占主导地位的定义为:占比超过70%;所述的电力负荷波动不明显的定义为:连续两年年平均用电负荷变化小于10%;
模式二-工业负荷为主导的发展模式:工业、第三产业用电负荷逐年增加,电力负荷波动较为明显;所述的较为明显的定义为:连续两年年平均用电负荷变化超过10%;
模式三-第三产业负荷为主导的发展模式:工业、第三产业用电负荷猛增,电力负荷波动很明显;所述的猛增的定义为:增幅超过15%;所述的很明显的定义为:连续两年年平均用电负荷变化大于20%;
S3.根据步骤S2得到的农村的发展模式的类别,分析得到目标农村的具体发展模式;具体为采用GMM聚类模型进行聚类分析,从而预测得到目标农村的具体发展模式;
在具体实施时,采用GMM进行数据挖掘,进而得到农村发展模式预测模型;GMM是指对样本的概率密度分布进行估计,而估计采用的模型(训练模型)是几个高斯模型的加权和;每个高斯模型就代表了一个类;GMM是单一高斯概率密度函数的延伸,对样本中的数据分别在几个高斯模型上投影,就会分别得到在各个类上的概率;然后,可以选取概率最大的类作为判决结果;
S4.根据步骤S3得到的目标农村的具体发展模式,分析得到目标农村在具体发展模式下的影响负荷变化的主因素;具体为采用灰度关联分析方法将影响目标农村负荷变化的因素进行分析,从而得到影响目标农村在具体发展模式下的负荷变化的主因素;
在具体实施时,采用如下步骤分析得到主因素:
A.将输入的影响目标农村负荷变化的因素进行归一化处理;
在具体实施时,可以将农村人口、负荷类型分布、地理位置等数据进行归一化处理,计算公式为:
式中Xi'为归一化后的特征量,Xi为归一化前的特征量,Ximin为各输入因素中第i类因素的数据最小值,Ximax为各输入因素中第i类因素的数据最大值;
B.采用如下算式计算关联系数ε0ij(k):
式中△为同一因素在k时段内的差值绝对值,ρ为分辨系数,△0ij(k)为因素i与因素j在k时段内的差值绝对值;
C.将步骤B得到的关联系数求取平均值,从而得到总体的量化关联度;具体为采用如下算式计算总体的量化关联度:
式中ζ0ij为关联度,ε0ij(k)为步骤B得到的关联系数;N为输入因素的序列长度;
D.根据步骤C得到的量化关联度,选取关联度高于0.5的特征作为影响负荷变化的主因素
S5.根据步骤S4得到的影响负荷变化的主因素,对目标农村的中长期负荷进行预测;具体为采用门控循环(Gated Recurrent Unit,GRU)网络模型进行农村中长期负荷预测;
在具体实施时,循环神经网络(Recurrent Neural Networks,RNN)是一种常用的处理时间序列预测问题的网络结构,网络中的信号反馈结构使得网络在k时刻的输出状态与k时刻以前的历史信号关联,因此具有动态特性和记忆能力;RNN的输入层接收输入矢量,然后将其传递给隐藏层,最后在输出层以未来时间步骤预测一组数据;RNN的改进结构LSTM因良好的记忆长期依赖性,被广泛用于预测时间序列数据;然而,由于其内部结构较为复杂,LSTM网络的训练通常需要很长时间;
GRU网络模型与LSTM网络具有相似的单元内的数据流;然而,与LSTM不同的是,GRU没有单独的存储单元,这就在训练数据时更加高效;GRU单元的更新公式为:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
yt=σ(Wo·ht)
式中[]表示两个向量相连,*为矩阵的乘积,xt为某一时刻的输入特征向量,yt为t时刻的模型负荷预测值。
本文选取中国某地区100个自然农村2016年到2018年的历史电力负荷数据作为算例。电力负荷数据的采集间隔为15mins,即每一天包含96个采集时间点的负荷值。为了验证所提出的预测方法,对该农村采集的数据包括:1)农村电力负荷历史数据;2)农村人口分布情况;3)农村GDP历史数据;4)农村自然条件数据如:海拔、温度、离县城中心距离、离二级高速路距离等;5)农村发展规划:工业园区规划、农业主导规划、第三产业规划如旅游业规划;6)农村发展结果标签数据,即某一农村3年发展结果,分为以农业为主导、以工业为主导及以第三产业为主导。
首先,将所采集的农村大数据各维数据归一化,采用K-means聚类分析得到所有农村的电力负荷类型分布,并将每一类负荷值作为一维特征。然后将电力负荷类型分布数据与上述采集的农村数据结合进行整合,使用GMM聚类模型分析农村发展模式。对于三种不同的发展模式,分别使用灰度关联分析确定该发展模式下影响农村发展的主要成分,并训练对应的多维GRU模型。最后,对于待预测农村,利用训练好的农村发展模式预测模型和GRU模型对农村电力负荷进行中长期负荷预测。以某一待预测农村为例,整体预测方法流程如下:
(1)电力用户类型K-means聚类分析
将所采集的待预测农村各维数据归一化,采用K-means聚类算法得到该农村的电力负荷类型分布如图2所示;
由图2可知,不同电力负荷的变化特点如下:
第一类负荷有两个高峰用电区间,分别为7:00-12:00和17:00–22:00,且平均用电量较低,推测此类负荷为农村居民用电负荷。
第二类负荷的特点是24小时内的平均用电量较高,相较于其它负荷在0:00–6:00和21:00–24:00仍保持较高用电量,推测此类负荷为工业用电负荷。
第三类负荷的用电区间跨度较大,7:00–18:00间的用电较为稳定,且高峰期为18:00–21:00,推测此类负荷为第三产业用电负荷。
(2)GMM农村发展模式预测模型
对100个农村的历史用电负荷分别使用K-means聚类分析,得到历史用电负荷类型分布,进而计算出四种负荷的年用电量。在此基础上,结合采集的多维农村数据,使用GMM对农村集合进行聚类分析,聚类结果如图3:
由聚类结果和农村发展标签数据,得到待预测农村的发展模式预测结果。
(3)灰度关联分析
基于(2)中的发展模式分类,利用灰度关联分析算法分析不同模式下影响电力负荷的主要因素,对农村电力大数据降维处理。具体为:对于不同发展模式的农村,使用灰度关联分析计算历史负荷数据与其它变量数据的灰色关联度,取所有该发展模式下农村的灰色关联度平均值如表1所示。
表1不同发展模式下农村大数据灰色关联度统计表
根据表1,取各发展模式下与负荷灰色关联度高于0.5的变量作为用于预测负荷的数据,搭建并训练相应维度的GRU负荷预测模型,如:对于以第三产业为主的农村发展模式,取GDP、温度、电价时间序列数据和历史负荷数据作为GRU的输入,训练GRU模型。
(4)GRU农村负荷中长期预测模型
将待预测农村2016-2018三年的所有数据进行归一化处理,并以8:2的比例切分训练集和测试集。在训练过程中,选用批量梯度下降法训练模型,批量设置为64,训练周期设置为15。以某一个第三产业为主发展方向的农村负荷为例,使用训练好的GRU模型预测该农村的负荷变化曲线如图4所示。
Claims (7)
1.一种考虑发展模式影响的农村中长期负荷预测方法,包括如下步骤:
S1.根据农村的历史负荷数据,分析得到农村的各负荷类型分布;
S2.根据步骤S1得到的农村的负荷类型分布,将农村的发展模式进行分类;
S3.根据步骤S2得到的农村的发展模式的类别,分析得到目标农村的具体发展模式;
S4.根据步骤S3得到的目标农村的具体发展模式,分析得到目标农村在具体发展模式下的影响负荷变化的主因素;
S5.根据步骤S4得到的影响负荷变化的主因素,对目标农村的中长期负荷进行预测。
2.根据权利要求1所述的考虑发展模式影响的农村中长期负荷预测方法,其特征在于步骤S1所述的根据农村的历史负荷数据,分析得到农村的各负荷类型分布,具体为将采集到的农村历史用电负荷数据通过K-means聚类模型进行聚类分析,得到该农村不同类型负荷的比例。
3.根据权利要求2所述的考虑发展模式影响的农村中长期负荷预测方法,其特征在于步骤S2所述的将农村的发展模式进行分类,具体为分为如下三类:
模式一-农业生产用电负荷为主导的发展模式:农业用电、居民日常用电负荷占总负荷占主导地位,电力负荷波动不明显;所述的占主导地位的定义为:占比超过70%;所述的电力负荷波动不明显的定义为:连续两年年平均用电负荷变化小于10%;
模式二-工业负荷为主导的发展模式:工业、第三产业用电负荷逐年增加,电力负荷波动较为明显;所述的较为明显的定义为:连续两年年平均用电负荷变化超过10%;
模式三-第三产业负荷为主导的发展模式:工业、第三产业用电负荷猛增,电力负荷波动很明显;所述的猛增的定义为:增幅超过15%;所述的很明显的定义为:连续两年年平均用电负荷变化大于20%。
4.根据权利要求3所述的考虑发展模式影响的农村中长期负荷预测方法,其特征在于步骤S3所述的分析得到目标农村的具体发展模式,具体为采用GMM聚类模型进行聚类分析,从而预测得到目标农村的具体发展模式。
5.根据权利要求4所述的考虑发展模式影响的农村中长期负荷预测方法,其特征在于步骤S4所述的分析得到目标农村在具体发展模式下的影响负荷变化的主因素,具体为采用灰度关联分析方法将影响目标农村负荷变化的因素进行分析,从而得到影响目标农村在具体发展模式下的负荷变化的主因素。
7.根据权利要求6所述的考虑发展模式影响的农村中长期负荷预测方法,其特征在于步骤S5所述的对目标农村的中长期负荷进行预测,具体为采用门控循环网络模型进行农村中长期负荷预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106525.2A CN110852628B (zh) | 2019-11-13 | 2019-11-13 | 考虑发展模式影响的农村中长期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911106525.2A CN110852628B (zh) | 2019-11-13 | 2019-11-13 | 考虑发展模式影响的农村中长期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852628A true CN110852628A (zh) | 2020-02-28 |
CN110852628B CN110852628B (zh) | 2023-09-12 |
Family
ID=69600668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911106525.2A Active CN110852628B (zh) | 2019-11-13 | 2019-11-13 | 考虑发展模式影响的农村中长期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852628B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514491A (zh) * | 2013-10-18 | 2014-01-15 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN104933630A (zh) * | 2015-05-21 | 2015-09-23 | 国家电网公司 | 一种负荷特性分析方法和系统 |
CN106127360A (zh) * | 2016-06-06 | 2016-11-16 | 国网天津市电力公司 | 一种基于用户特性分析的多模型负荷预测方法 |
CN107220735A (zh) * | 2017-07-14 | 2017-09-29 | 国网河北省电力公司经济技术研究院 | 一种电力行业分类的多变量农网电量预测方法 |
WO2018045642A1 (zh) * | 2016-09-09 | 2018-03-15 | 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 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN110264010A (zh) * | 2019-06-26 | 2019-09-20 | 国网江西省电力有限公司经济技术研究院 | 新型乡村电力饱和负荷预测方法 |
-
2019
- 2019-11-13 CN CN201911106525.2A patent/CN110852628B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514491A (zh) * | 2013-10-18 | 2014-01-15 | 国网四川省电力公司自贡供电公司 | 一种电力负荷预测方法 |
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN104933630A (zh) * | 2015-05-21 | 2015-09-23 | 国家电网公司 | 一种负荷特性分析方法和系统 |
CN106127360A (zh) * | 2016-06-06 | 2016-11-16 | 国网天津市电力公司 | 一种基于用户特性分析的多模型负荷预测方法 |
WO2018045642A1 (zh) * | 2016-09-09 | 2018-03-15 | 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 |
CN107220735A (zh) * | 2017-07-14 | 2017-09-29 | 国网河北省电力公司经济技术研究院 | 一种电力行业分类的多变量农网电量预测方法 |
CN109711620A (zh) * | 2018-12-26 | 2019-05-03 | 浙江大学 | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 |
CN110264010A (zh) * | 2019-06-26 | 2019-09-20 | 国网江西省电力有限公司经济技术研究院 | 新型乡村电力饱和负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
李永毅等: "基于对数平均迪氏指数分解法的陕西省居民用电影响因素分析", 《电网与清洁能源》, vol. 35, no. 06, pages 40 - 45 * |
熊宁等: "基于农村发展模式分析的中长期负荷预测方法", 《电力系统及其自动化学报》, vol. 33, no. 03, pages 94 - 101 * |
陈海文等: "基于门控循环单元网络与模型融合的负荷聚合体预测方法", 《电力系统自动化》, vol. 43, no. 01, pages 65 - 72 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110852628B (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cai et al. | Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN109754113B (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
CN111091143B (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
CN111429027B (zh) | 一种基于大数据的地区输电网运行多维度分析方法 | |
Bian et al. | Study on power consumption load forecast based on K-means clustering and FCM–BP model | |
CN112561156A (zh) | 基于用户负荷模式分类的短期电力负荷预测方法 | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN110263995A (zh) | 考虑负荷增长率与用户用电特性的配变重过载预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN111815026A (zh) | 一种基于特征聚类的多能源系统负荷预测方法 | |
CN115983710A (zh) | 高比例新能源接入的电力系统基建项目决策方法及系统 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
CN110852628B (zh) | 考虑发展模式影响的农村中长期负荷预测方法 | |
CN116187640B (zh) | 一种基于网格多属性画像体系的配电网规划方法及装置 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 |
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 |