CN111091243A - 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 - Google Patents
基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 Download PDFInfo
- Publication number
- CN111091243A CN111091243A CN201911279944.6A CN201911279944A CN111091243A CN 111091243 A CN111091243 A CN 111091243A CN 201911279944 A CN201911279944 A CN 201911279944A CN 111091243 A CN111091243 A CN 111091243A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- load
- meteorological data
- pca
- 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 37
- 230000009467 reduction Effects 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006399 behavior Effects 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012800 visualization 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PCA‑GM的电力负荷预测方法、系统、计算机可读存储介质和计算设备，预测方法包括步骤：采集负荷数据和气象数据，气象数据包括与负荷数据指标相关的因素；对气象数据进行关联度分析，根据分析结果剔除关联度较低的因素；采用PCA降维方法对关联度分析处理过的气象数据和负荷数据降维处理；将经过降维处理的数据样本代入GM(1,1)预测模型，获得预测结果。本发明基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、降维处理，最后利用灰色理论模型进行预测，能够有效减少计算量、提高负荷预测精度，大大增强了预测的准确性。
Description
技术领域
本发明涉及短期电力负荷预测技术领域，具体涉及一种能够提高负荷预测精度，且减少计算量的基于PCA-GM的电力负荷预测方法、系统、计算机可读存储介质和计算设备。
背景技术
在电力进入市场化运行后，电力负荷预测实质上是对电力市场需求的的预测，以电力负荷为对象进行的一系列预测工作，电力供需瞬时平衡的特点决定了电力行业的预测需求比其他行业更加紧迫。从预测对象来看，电力负荷预测包括对未来电力需求量(功率)的预测和对未来用电量(能量)的预测以及对负荷曲线的预测，其主要工作是预测未来电力负荷的时间分布和空间分布，为电力系统规划和运行提供可靠的决策依据。
现有的短期电力负荷预测方法大多采用灰色理论法，大多依据大量历史数据进行预测，计算量大且预测准确性较差，因此迫切需要设计出一种能够降低运算成本、提高预测速度和精度的预测方法和设备等。
发明内容
技术目的：针对上述技术问题，本发明提供了一种基于PCA-GM的电力负荷预测方法，解决了背景技术中披露的问题。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种基于PCA-GM的电力负荷预测方法，包括以下步骤：
S1、采集负荷数据和气象数据，气象数据包括与负荷数据指标相关的因素；
S2、对气象数据进行关联度分析，根据分析结果剔除关联度较低的因素；
S3、采用PCA降维方法对步骤S2处理过的气象数据和负荷数据降维处理；
S4、将经过降维处理的数据样本代入GM(1,1)预测模型，获得预测结果。
优选地，所述气象数据包括日最高温度、日平均温度、最低温度和降雨量，所述步骤S2中关联度分析的方法包括步骤：
S21、确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，比较数列为四个气象数据；
S21、将变量无量纲化；
S23、计算关联系数和关联度。
优选地，所述步骤S3中，气象数据和负荷指标的降维方法包括步骤：，
S31、对采集到的每天的负荷数据和与负荷数据相关的气象数据分别去平均，求其特征协方差矩阵；
S32、计算特征协方差矩阵的特征值与特征向量；
S33、将特征值降序排列，选取特征值最大的特征向量作为主成分。
本发明还公开了一种基于PCA-GM的电力负荷预测系统，其特征在于，包括：
采集模块，用于采集负荷数据和气象数据；
关联度模块，用于对温度数据和气象数据进行关联度分析；
降维模块，用于对经关联度分析后的数据进行降维处理；确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，比较数列为四个气象数据；将变量无量纲化；计算关联系数和关联度。
预测模块，用于将降维后的预测样本代入建立好的GM(1,1)模型中，获得预测结果。
具体地，所述降维模块包括：
矩阵求取模块，用于对采集到的气象数据和负荷数据去平均，求其特征协方差矩阵；
向量和特征值求取模块，用于计算气象数据的特征值与特征向量；
主成分选择模块，用于对特征值降序排列，将特征值最大的特征向量作为主成分。
本发明还公开了一种计算机可读存储介质，其特征在于：存储有1个或1个以上的计算机程序，所述计算机程序被处理器执行时实现所述基于PCA-GM的电力负荷预测方法。
本发明还公开了一种计算设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述基于PCA-GM的电力负荷预测方法。
有益效果：本发明所述基于PCA-GM的电力负荷预测方法、系统、计算机可读存储介质和计算设备，基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、降维处理，最后利用灰色理论模型进行预测，提高负荷预测精度，大大增强了预测的准确性，且本发明主要通过短期检测的数据来计算和预测，且对数据进行关联度分析和降维处理，解决了现有技术中主要依赖于大量历史数据进行预测，计算量大的问题，能够有效减少计算量，降低计算成本和设备成本。
附图说明
图1为本发明的基于PCA-GM的电力负荷预测方法的流程图。
具体实施方式
如图1所示，一种基于PCA-GM的电力负荷预测方法，包括以下步骤S1至S4。
S1、采集负荷数据以及与负荷指标相关的气象数据，如日最高温度、日平均温度、日最低温度和降雨量数据。
S2、将气象因素与负荷指标进行关联度分析，剔除关联度低的因素。
对于两个系统之间的因素，其随时间或者不同对象而变化的关联性大小的量度，称为关联度。在系统发展过程中，若两个因素变化的趋势有一致性，即同步变化程度较高，即意为关联度较高。现有的关联分析法有很多，但是考虑数据的特点，这里采用灰色关联分析法进行关联度分析。
本发明采用的灰色关联度分析法，具体步骤如下：
S21、确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，记为y＝y(k),k＝1,2,3K n；比较数列为四个气象数据，记为xi＝xi(k),k＝1,2Kn,i＝1,2K m；
S22、将变量无量纲化，由于系统中各因素列中的数据可能量纲不同，不便于比较，利用均值化处理：
其中k对应时间，i对应比较数列中的一行(即一个指标)；
S23、计算关联系数，
记Δi(k)＝|y(k)-xi(k)|，则
其中，ρ∈(0,∞)，称为分辨系数，通常取0.5；
计算关联度ri，公式为
根据关联度的大小筛选出主要的影响因素，并剔除掉关联度极小的指标。
PCA(Principal Component Analysis)，是一种主成分分析方法，降维可以在压缩数据的同时让信息损失最小化，并且使数据通过可视化更容易理解。
本发明的步骤S3中，对关联度分析后的气象数据、负荷数据进行PCA降维处理，具体过程如下：
S31、将每天的最高温度、平均温度、最低温度、降雨量和负荷值分别去平均，求其特征协方差矩阵，协方差矩阵由数据集中两两变量的协方差组成：
其中,x,y,z,a,b分别为最高温度、平均温度、最低温度、降雨量和负荷数据。
S32、计算协方差矩阵的特征向量和特征值；
S33、将特征值降序排列，将特征值最大的特征向量作为主成分。
S4、将降维后的数据代入GM(1,1)模型，获得预测结果。
本发明的方法基于负荷数据、气温数据和降雨量数据，依次对数据进行关联度分析、降维处理，最后利用灰色理论模型进行预测，大大增强了预测的准确性。
经上述优选配置，与现有的技术中的其他预测算法的预测结果作比较，结果如下：
通过该比较结果，本发明的预测方法所得结果的均方差误差，均小于现有的三种BP、Elman神经网络、ARMA预测方法。本发明在预测结果的准确度、稳定性上，均明显优于现有的算法。
本发明还公开了一种基于PCA-GM的电力负荷预测系统，包括：
采集模块，用于采集负荷数据、温度数据和降雨量等气象数据；
关联度模块，用于对温度数据、降雨量与负荷数据进行关联度分析；确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，比较数列为四个气象数据；将变量无量纲化；计算关联系数和关联度；
降维模块，用于对经关联度分析后的数据进行降维处理；
预测模块，用于将降维后的预测样本代入建立好的GM(1,1)模型，获得预测结果。
本发明中，降维模块包括：
矩阵求取模，用于将每天的最高温度、平均温度、最低温度、降雨量和负荷值分别去平均，求其特征协方差矩阵；
向量和特征值求取模块，用于算特征协方差矩阵的特征值与特征向量；
主成分选择模块，用于将特征值降序排列，将特征值最大的特征向量作为主成分。
本发明还公开了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备短期电力负荷预测方法。
本发明还公开了一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行短期电力负荷预测方法的指令。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于PCA-GM的电力负荷预测方法，其特征在于，包括以下步骤：
S1、采集负荷数据和气象数据，气象数据包括与负荷数据指标相关的因素；
S2、对气象数据进行关联度分析，根据分析结果剔除关联度较低的因素；
S3、采用PCA降维方法对步骤S2处理过的气象数据和负荷数据降维处理；
S4、将经过降维处理的数据样本代入GM(1,1)预测模型，获得预测结果。
2.根据权利要求1所述的一种基于PCA-GM的电力负荷预测方法，其特征在于，所述气象数据包括日最高温度、日平均温度、最低温度和降雨量，所述步骤S2中关联度分析的方法包括步骤：
S21、确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，比较数列为四个气象数据；
S21、将变量无量纲化；
S23、计算关联系数和关联度。
3.根据权利要求1所述的一种基于PCA-GM的电力负荷预测方法，其特征在于，所述步骤S3中，气象数据和负荷指标的降维方法包括步骤：，
S31、对采集到的每天的负荷数据和与负荷数据相关的气象数据分别去平均，求其特征协方差矩阵；
S32、计算特征协方差矩阵的特征值与特征向量；
S33、将特征值降序排列，选取特征值最大的特征向量作为主成分。
4.一种基于PCA-GM的电力负荷预测系统，其特征在于，包括：
采集模块，用于采集负荷数据和气象数据；
关联度模块，用于对温度数据和气象数据进行关联度分析；
降维模块，用于对经关联度分析后的数据进行降维处理；确定反映系统行为特征的参考数列和影响系统行为的比较数列，参考数列为负荷指标，比较数列为四个气象数据；将变量无量纲化；计算关联系数和关联度。
预测模块，用于将降维后的预测样本代入建立好的GM(1,1)模型中，获得预测结果。
5.根据权利要求4所述的一种基于PCA-GM的电力负荷预测方法，其特征在于，所述降维模块包括：
矩阵求取模块，用于对采集到的气象数据和负荷数据去平均，求其特征协方差矩阵；
向量和特征值求取模块，用于计算气象数据的特征值与特征向量；
主成分选择模块，用于对特征值降序排列，将特征值最大的特征向量作为主成分。
6.一种计算机可读存储介质，其特征在于：存储有1个或1个以上的计算机程序，所述计算机程序被处理器执行时实现所述基于PCA-GM的电力负荷预测方法。
7.一种计算设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现所述基于PCA-GM的电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911279944.6A CN111091243A (zh) | 2019-12-13 | 2019-12-13 | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911279944.6A CN111091243A (zh) | 2019-12-13 | 2019-12-13 | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111091243A true CN111091243A (zh) | 2020-05-01 |
Family
ID=70395069
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911279944.6A Pending CN111091243A (zh) | 2019-12-13 | 2019-12-13 | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091243A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037179A (zh) * | 2021-11-24 | 2022-02-11 | 国网安徽省电力有限公司太湖县供电公司 | 一种基于大数据的电力负荷预测系统及方法 |
| EP4304095A1 (en) * | 2022-07-05 | 2024-01-10 | The Boeing Company | Compression and distribution of meteorological data using machine learning |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
| CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
| CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
| CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
| CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
| CN108053082A (zh) * | 2018-01-05 | 2018-05-18 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
| CN108416466A (zh) * | 2018-02-02 | 2018-08-17 | 西安电子科技大学 | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 |
| CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
| CN110188919A (zh) * | 2019-04-22 | 2019-08-30 | 武汉大学 | 一种基于长短期记忆网络的负荷预测方法 |
| CN110322062A (zh) * | 2019-06-27 | 2019-10-11 | 国网宁夏电力有限公司电力科学研究院 | 短期电力负荷预测方法 |
| CN110414788A (zh) * | 2019-06-25 | 2019-11-05 | 国网上海市电力公司 | 一种基于相似日和改进lstm的电能质量预测方法 |
| CN110472777A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于经验模态分解的微电网短期负荷预测方法 |
-
2019
- 2019-12-13 CN CN201911279944.6A patent/CN111091243A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
| CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
| CN105913175A (zh) * | 2016-04-07 | 2016-08-31 | 哈尔滨理工大学 | 基于改进神经网络算法的智能电网短期负荷预测方法 |
| CN106651023A (zh) * | 2016-12-17 | 2017-05-10 | 三峡大学 | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 |
| CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
| CN108053082A (zh) * | 2018-01-05 | 2018-05-18 | 国网湖南省电力有限公司 | 基于温度区间分解的电网中长期负荷预测方法 |
| CN108416466A (zh) * | 2018-02-02 | 2018-08-17 | 西安电子科技大学 | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 |
| CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
| CN110188919A (zh) * | 2019-04-22 | 2019-08-30 | 武汉大学 | 一种基于长短期记忆网络的负荷预测方法 |
| CN110414788A (zh) * | 2019-06-25 | 2019-11-05 | 国网上海市电力公司 | 一种基于相似日和改进lstm的电能质量预测方法 |
| CN110322062A (zh) * | 2019-06-27 | 2019-10-11 | 国网宁夏电力有限公司电力科学研究院 | 短期电力负荷预测方法 |
| CN110472777A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于经验模态分解的微电网短期负荷预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 匡少龙 等: "《灰色模型在电力需求预测中的应用》" * |
| 康丽峰 等: "《基于模糊聚类和灰色关联分析结合的神经网络负荷预测》" * |
| 康丽峰 等: "《基于模糊聚类和灰色关联分析结合的神经网络负荷预测》", 《第八届中国青年运筹信息管理学者大会论文集》, pages 1 - 5 * |
| 赵成旺 等: "《组合优化灰色预测模型在中长期电力负荷预测中应用》" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114037179A (zh) * | 2021-11-24 | 2022-02-11 | 国网安徽省电力有限公司太湖县供电公司 | 一种基于大数据的电力负荷预测系统及方法 |
| EP4304095A1 (en) * | 2022-07-05 | 2024-01-10 | The Boeing Company | Compression and distribution of meteorological data using machine learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| CN112488242B (zh) | 电力计量终端异常检测方法、装置、计算机设备和介质 | |
| Cai et al. | A new fault detection method for non-Gaussian process based on robust independent component analysis | |
| CN110796173B (zh) | 一种基于改进kmeans的负荷曲线形态聚类算法 | |
| CN109934301B (zh) | 一种电力负荷聚类分析方法、装置和设备 | |
| CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
| CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
| CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 | |
| CN111768034A (zh) | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 | |
| CN111460001A (zh) | 一种配电网理论线损率评估方法及系统 | |
| CN112907064A (zh) | 基于自适应窗的电量预测方法、装置、存储介质及终端 | |
| CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
| CN113869642A (zh) | 企业活跃度确定方法、装置、电子设备及存储介质 | |
| CN116629843B (zh) | 智能化柴油发电机组的远程预警与维护决策支持系统 | |
| CN116341770B (zh) | 基于聚苯乙烯生产数据的生产能力预测方法及系统 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
| CN117151276A (zh) | 售电平台的智能化管理系统 | |
| CN114298217A (zh) | 基于记忆增强型自编码器的时序数据异常检测方法和装置 | |
| CN113535527A (zh) | 一种面向实时流数据预测性分析的降载方法及系统 | |
| CN107704723A (zh) | 一种基于斜率关联度的显著变量选择方法 | |
| CN113869601A (zh) | 一种电力用户负荷预测方法、装置及设备 | |
| JP7028259B2 (ja) | 分析装置、分析方法、及び、プログラム | |
| Fogarasi et al. | A simplified approach to parameter estimation and selection of sparse, mean reverting portfolios | |
| CN113110972A (zh) | 一种时序数据异常检测方法、装置及介质 |
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 |