CN111144611A - 一种基于聚类和非线性自回归的空间负荷预测方法 - Google Patents
一种基于聚类和非线性自回归的空间负荷预测方法 Download PDFInfo
- Publication number
- CN111144611A CN111144611A CN201911161696.5A CN201911161696A CN111144611A CN 111144611 A CN111144611 A CN 111144611A CN 201911161696 A CN201911161696 A CN 201911161696A CN 111144611 A CN111144611 A CN 111144611A
- Authority
- CN
- China
- Prior art keywords
- load
- cluster
- unit
- data
- clustering
- 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 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000013213 extrapolation Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 7
- 230000005611 electricity Effects 0.000 abstract description 4
- 210000004027 cell Anatomy 0.000 description 13
- 210000002569 neuron Anatomy 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于聚类和非线性自回归的空间负荷预测方法,步骤为:搜集配电区域数据;将待预测区域划分为等大小面积的正方形单元;标准化每个单元的历史负荷曲线,根据历史负荷曲线的相似度聚类单元,产生多个簇,离群单元单独形成一簇;将一个簇中的多个单元的负荷曲线当作训练数据,训练改进的非线性自回归神经网络;为离群单元簇中的每一个单元单独执行趋势外推法预测下一年的负荷;为每个单元选择所在簇的预测模型,输入其历史数据,得到下一年的负荷预测。本发明使大量单元共享一个模型,为模型提供了充足的训练数据,通过改进的非线性自回归神经网络算法,使模型良好的拟合地块用电发展形式,有效提升了近期空间负荷预测的精度。
Description
技术领域
本发明涉及一种电力系统规划和空间负荷预测技术,具体为一种基于聚类和非线性自回归的空间负荷预测方法。
背景技术
空间负荷预测分为近期预测和远景预测。近期空间负荷预测可以为规划实施部门提供项目排程依据。传统上对支线区域采用趋势外推法进行近期预测。但是,由于区域的发展和电力部门的改造和建设等原因,传统网格及元胞划分常常发生改变,支线覆盖范围也会变化,引起支线电表与区域不能准确对应。同时趋势外推法也常因数据量有限而产生较大误差。
近期空间负荷预测算法常受制于数据量较少,通过聚类相似单元,可以使大量单元共享一个模型,也为模型提供了充足的训练数据。常用的预测算法有SVM、ARIMA等。但是,目前对单元负荷发展的分析还不够充分,缺少针对性的算法。
发明内容
针对现有技术中电力系统规划和空间负荷预测误差大、分析还不够充分等不足,本发明要解决的问题是提供一种可有效提升近期空间负荷预测精度的基于聚类和非线性自回归的空间负荷预测方法。
为解决上述技术问题,本发明采用的技术方案是:
本发明一种基于聚类和非线性自回归的空间负荷预测方法,包括以下步骤:
1)搜集配电区域数据;
2)将待预测区域划分为等大小面积的正方形单元;
3)标准化每个单元的历史负荷曲线,根据历史负荷曲线的相似度聚类单元,产生多个簇,离群单元单独形成一簇;
4)将一个簇中的多个单元的负荷曲线当作训练数据,训练改进的非线性自回归神经网络;
5)为离群单元簇中的每一个单元单独执行趋势外推法预测下一年的负荷;
6)为每个单元选择所在簇的预测模型,输入其历史数据,得到下一年的负荷预测。
步骤1)中搜集配电区域数据,具体为:
步骤101)搜集配电区域的地理信息数据,包括道路、河流、地铁站位置数据;
步骤102)搜集规划信息,包括每个地块的用地类型数据;
步骤103)搜集历史负荷密度信息,依靠“配电线路负荷/配电线路配电面积”获得。
步骤3)中,
301)标准化历史负荷曲线采用除以历史负荷最大值的方式,将负荷最大值归为1;
302)标准化地理信息产生的距离数据,用独热向量表示用地类型;
303)历史负荷曲线的相似度采用欧几里德距离度量;
304)将分离离群点到单独的一个簇,以保证每个簇内的高相似度。
步骤4)中,采用改进的非线性自回归神经网络算法预测单元负荷;非线性自回归神经网络的Logistic函数logistic(x)=1/(c+be-ax)中,原为固定值1的参数c和b被设置为可学习参数。
本发明具有以下有益效果及优点:
1.本发明通过聚类地块单元,使大量单元共享一个模型,为模型提供了充足的训练数据。
2.本发明通过改进的非线性自回归神经网络算法,使模型良好的拟合地块用电发展形式,有效提升了近期空间负荷预测的精度。
附图说明
图1为本发明一种基于聚类和非线性自回归的空间负荷预测方法流程图;
图2为本发明中单元的分阶段增长特征曲线图。
具体实施方式
下面结合说明书附图对本发明作进一步阐述。
本发明针对近期负荷预测目前存在的问题,针对性的提出了解决方法,显著提升了预测精度。
如图1所示,本发明一种基于聚类和非线性自回归的空间负荷预测方法,其特征在于包括以下步骤:
1)搜集配电区域数据;
2)将待预测区域划分为等大小面积的正方形单元;
3)标准化每个单元的历史负荷曲线,根据历史负荷曲线的相似度聚类单元,产生多个簇,离群单元单独形成一簇;
4)将一个簇中的多个单元的负荷曲线当作训练数据,训练改进的非线性自回归神经网络;
5)为离群单元簇中的每一个单元单独执行趋势外推法预测下一年的负荷;
6)为每个单元选择所在簇的预测模型,输入其历史数据,得到下一年的负荷预测。
步骤1)中搜集配电区域数据,具体为:
步骤101)搜集配电区域的地理信息数据,包括道路、河流、地铁站位置数据;本实施例中,计算每个单元离最近的主要道路,河流,地铁站的距离,产生一个3维距离向量Xd={xd1,xd2,xd3};
步骤102)搜集规划信息,包括每个地块的用地类型数据;
本实施例中共有5种用地类型,包括工业用地、商业用地、居住用地、公共用地和其他用地,产生一个5维独热向量Xu={xu1,xu2,xu3,xu4,xu5};
步骤103)搜集历史负荷密度信息,依靠“配电线路负荷/配电线路配电面积”获得。本实施例总计获取了从2001-2018年共18年的历史年负荷信息,记为Xl={xl1,xl2,…,xl18}。
步骤2)把待预测区域划分为等大小的正方形单元;本实施例中被预测区域大约跨度6公里,过小的单元增加了计算的复杂度,过大的单元导致跨区域过多,因此本发明采用200米×200米的正方形单元,共计产生了900个单元,其中有用电信息的单元共计727个。
步骤3)具体为:
301)标准化历史负荷曲线采用除以历史负荷最大值的方式,将负荷最大值归为1;本实施例总计获取了从2001-2018年的18年的历史年负荷信息,记为Xl={xl1,xl2,…,xl18};
302)标准化地理信息产生的距离数据,用独热向量表示用地类型;
303)历史负荷曲线的相似度采用欧几里德距离度量;
304)将分离离群点到单独的一个簇,以保证每个簇内的高相似度。
为了提升近期空间负荷预测精度,本发明首先将用电区域划分成等大小的单元;随后执行聚类,将相似单元归为一类,并发现离群单元;最后采用改进的非线性自回归神经网络聚类单元,并使用趋势外推法单独预测离群单元。本发明将每个单元对应的历史年负荷数据来自于历史上某年其所属支线的负荷密度乘以单元内对应的面积;若单元跨多个支线区域,则将多个负荷相加得到单元总负荷;然后,将单元根据历史负荷进行聚类;聚类需根据单元历史负荷曲线间的时间相似性,把相似的单元归为一类,距离的度量方式包括多种距离,如欧几里德距离、切比雪夫距离等。同时某些特殊的单元拥有与其他所有单元的负荷都不相似,因们需要在聚类的过程中分离这些离群点。具有离群点分离功能的聚类算法包括:DBSCAN、OPTICS等。
本实施例采用基于密度的聚类方法DBSCAN。DBSCAN有两个关键参数Eps和MinPts,这个算法在本实施例中的关键概念如下:
A)Eps域:Eps是两个单元互相可以称之为邻接的最大距离,Eps域是指以一个单元为中心,其辐射半径为Eps的空间;
B)核心单元:是指一个单元的Eps域中包含的单元数量大于或等于MinPts”;
C)直接密度可达:对于任何单元集C,其中一个单元D在另外一个核心单元P的Eps域中,则称D是从P直接密度可达的;
D)密度可达:对于一个单元集{X1,X2,…,XN},如果其中的任意一个Xi都是由Xi-1直接密度可达的,则XN是从X1密度可达的;
E)簇:一个由多个单元形成的簇被定义为:其中的每一个单元都可由一个任意的核心单元密度可达;
F)离群单元(噪声单元):如果一个单元的Eps域中的单元数少于MinPts,并且Eps域中的单元没有一个是核心单元,则称这个单元是离群单元。
通过以上基本概念,DBSCAN的算法原理表述如下:
D1)根据输入参数Eps和MinPts,以及单元间的欧几里德距离,可以发现所有的核心单元;
D2)选择任意一个核心单元作为初始单元,获取其所有的密度可达的单元,该初始单元和其密度可达的单元构成了一个簇,被标记为已被聚类单元;
D3)随机选取未被标记的一个核心单元,重复D2)的操作,直到所有的核心单元都已被聚类;
D4)不属于任何簇的单元被标记为离群单元。
本实施例中,727个有效单元共计聚为8簇,此外发现13个离群单元。
步骤4)中,采用改进的非线性自回归神经网络算法预测单元负荷;非线性自回归神经网络的Logistic函数logistic(x)=1/(c+be-ax)中,原为固定值1的参数c和b被设置为可学习参数。
本步骤将一个簇中的多个单元的负荷曲线当作训练数据,训练改进的非线性自回归神经网络。
由于区域的分期建设或是由于单元跨支线区域,单元的用电发展一般呈现多次增长的特点(如图2所示),因此采用非线性自回归神经网络来拟合多次发展。其中,每一次的发展速度,都不尽相同,因此本发明将非线性自回归神经网络的Logistic函数logistic(x)=1/(c+be-ax)中,原为固定值1的参数c和b在本发明中被设置为可学习参数。
在这个预测模型中,对于负荷曲线Xl={xl1,xl2,…,xl18},首先计算隐层神经元H={h1,h2,…,h6},这里设置6个隐藏神经元(假设过去18年最多经历6次增长周期):
其中i表示第i年,f(·)是logistic激活函数,wij是输入中第i年的负荷和第j个神经元的连接参数,aj是第j个神经元的偏置。
接下来输出O由如下方法计算:
其中g(·)是一个线性激活函数。通过对6个隐藏神经元的激活函数的参数进行训练,使得模型很好的拟合了历史数据。
步骤5)为离群单元簇中的每一个单元单独执行趋势外推法预测下一年的负荷;
本实施例对这13个离群单元采用趋势外推法进行预测,得到的平均绝对百分比误差可保持在20%以内。
步骤6)为每个单元选择所在簇的预测模型,输入其历史数据,得到下一年的负荷预测;
本实施例对8个簇的单元分别训练了8个改进的非线性自回归神经网络,训练采用2001-2017年数据,测试采用2018年的数据。
本实施例将离群单元的预测值和非线性自回归神经网络的预测值整合在一起,形成本方法最终的预测结果。对比传统的几种预测算法,部分单元的对比结果展示在下表中。可以看到,本发明提出的方法较传统的线性回归、灰色理论和指数平滑方法的MAPE分别下降了53.12%,40.9%和30.89%,说明本发明提出的方法有效提升了空间负荷预测的精度。
Claims (4)
1.一种基于聚类和非线性自回归的空间负荷预测方法,其特征在于包括以下步骤:
1)搜集配电区域数据;
2)将待预测区域划分为等大小面积的正方形单元;
3)标准化每个单元的历史负荷曲线,根据历史负荷曲线的相似度聚类单元,产生多个簇,离群单元单独形成一簇;
4)将一个簇中的多个单元的负荷曲线当作训练数据,训练改进的非线性自回归神经网络;
5)为离群单元簇中的每一个单元单独执行趋势外推法预测下一年的负荷;
6)为每个单元选择所在簇的预测模型,输入其历史数据,得到下一年的负荷预测。
2.根据权利要求1所述的基于聚类和非线性自回归的空间负荷预测方法,其特征在于步骤1)中搜集配电区域数据,具体为:
步骤101)搜集配电区域的地理信息数据,包括道路、河流、地铁站位置数据;
步骤102)搜集规划信息,包括每个地块的用地类型数据;
步骤103)搜集历史负荷密度信息,依靠“配电线路负荷/配电线路配电面积”获得。
3.根据权利要求1所述的基于聚类和非线性自回归的空间负荷预测方法,其特征在于步骤3)中,
301)标准化历史负荷曲线采用除以历史负荷最大值的方式,将负荷最大值归为1;
302)标准化地理信息产生的距离数据,用独热向量表示用地类型;
303)历史负荷曲线的相似度采用欧几里德距离度量;
304)将分离离群点到单独的一个簇,以保证每个簇内的高相似度。
4.根据权利要求1所述的基于聚类和非线性自回归的空间负荷预测方法,其特征在于步骤4)中,采用改进的非线性自回归神经网络算法预测单元负荷;非线性自回归神经网络的Logistic函数logistic(x)=1/(c+be-ax)中,原为固定值1的参数c和b被设置为可学习参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911161696.5A CN111144611A (zh) | 2019-11-22 | 2019-11-22 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911161696.5A CN111144611A (zh) | 2019-11-22 | 2019-11-22 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111144611A true CN111144611A (zh) | 2020-05-12 |
Family
ID=70516612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911161696.5A Pending CN111144611A (zh) | 2019-11-22 | 2019-11-22 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111144611A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116160A (zh) * | 2020-09-25 | 2020-12-22 | 国网新疆电力有限公司电力科学研究院 | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 |
CN112561210A (zh) * | 2020-12-29 | 2021-03-26 | 广东电网有限责任公司电力调度控制中心 | 一种电力系统稳定性和资源需求预估系统及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
US20160048536A1 (en) * | 2014-08-12 | 2016-02-18 | Paypal, Inc. | Image processing and matching |
CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
CN107944622A (zh) * | 2017-11-21 | 2018-04-20 | 华北电力大学 | 基于连续时段聚类的风电功率预测方法 |
CN108074004A (zh) * | 2016-11-12 | 2018-05-25 | 华北电力大学(保定) | 一种基于网格法的地理信息系统短期负荷预测方法 |
JP2018088742A (ja) * | 2016-11-28 | 2018-06-07 | アイフォーコムホールディングス株式会社 | エネルギ需要予測システム |
CN108182484A (zh) * | 2017-12-04 | 2018-06-19 | 国网吉林省电力有限公司长春供电公司 | 基于网格化技术和bp神经网络的空间负荷预测方法 |
CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
CN108846530A (zh) * | 2018-09-28 | 2018-11-20 | 国网上海市电力公司 | 一种基于“聚类-回归”模型的短期负荷预测方法 |
US20190005586A1 (en) * | 2017-06-30 | 2019-01-03 | Alibaba Group Holding Limited | Prediction algorithm based attribute data processing |
US20190026475A1 (en) * | 2017-07-21 | 2019-01-24 | Pearson Education, Inc. | Systems and methods for automated platform-based algorithm monitoring |
CN109376972A (zh) * | 2019-01-01 | 2019-02-22 | 中南大学 | 一种基于区块聚类的智慧电网短期电力负荷预测方法 |
CN109934375A (zh) * | 2018-11-27 | 2019-06-25 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
CN110135635A (zh) * | 2019-04-29 | 2019-08-16 | 国网山东省电力公司经济技术研究院 | 一种区域电力饱和负荷预测方法及系统 |
-
2019
- 2019-11-22 CN CN201911161696.5A patent/CN111144611A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258246A (zh) * | 2013-05-16 | 2013-08-21 | 东北电力大学 | 一种基于元胞历史数据的负荷密度指标的求取方法 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
US20160048536A1 (en) * | 2014-08-12 | 2016-02-18 | Paypal, Inc. | Image processing and matching |
CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
CN108074004A (zh) * | 2016-11-12 | 2018-05-25 | 华北电力大学(保定) | 一种基于网格法的地理信息系统短期负荷预测方法 |
JP2018088742A (ja) * | 2016-11-28 | 2018-06-07 | アイフォーコムホールディングス株式会社 | エネルギ需要予測システム |
US20190005586A1 (en) * | 2017-06-30 | 2019-01-03 | Alibaba Group Holding Limited | Prediction algorithm based attribute data processing |
US20190026475A1 (en) * | 2017-07-21 | 2019-01-24 | Pearson Education, Inc. | Systems and methods for automated platform-based algorithm monitoring |
CN107944622A (zh) * | 2017-11-21 | 2018-04-20 | 华北电力大学 | 基于连续时段聚类的风电功率预测方法 |
CN108182484A (zh) * | 2017-12-04 | 2018-06-19 | 国网吉林省电力有限公司长春供电公司 | 基于网格化技术和bp神经网络的空间负荷预测方法 |
CN108304978A (zh) * | 2018-05-08 | 2018-07-20 | 国网江西省电力有限公司经济技术研究院 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
CN108846530A (zh) * | 2018-09-28 | 2018-11-20 | 国网上海市电力公司 | 一种基于“聚类-回归”模型的短期负荷预测方法 |
CN109934375A (zh) * | 2018-11-27 | 2019-06-25 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
CN109376972A (zh) * | 2019-01-01 | 2019-02-22 | 中南大学 | 一种基于区块聚类的智慧电网短期电力负荷预测方法 |
CN110135635A (zh) * | 2019-04-29 | 2019-08-16 | 国网山东省电力公司经济技术研究院 | 一种区域电力饱和负荷预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
M. LYDIA; A. IMMANUEL SELVAKUMAR; S. SURESH KUMAR; G. EDWIN PREM KUMAR: "Advanced Algorithms for Wind Turbine Power Curve Modeling" * |
ZHUOFU DENG; BINBIN WANG; YANLU XU; TENGTENG XU; CHENXU LIU; ZHILIANG ZHU: "Multi-Scale Convolutional Neural Network With Time-Cognition for Multi-Step Short-Term Load Forecasting" * |
张婕: "基于秩次集对分析理论的空间负荷预测方法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116160A (zh) * | 2020-09-25 | 2020-12-22 | 国网新疆电力有限公司电力科学研究院 | 一种基于优化神经网络改进元胞自动机的重要输电通道灾害监测方法 |
CN112561210A (zh) * | 2020-12-29 | 2021-03-26 | 广东电网有限责任公司电力调度控制中心 | 一种电力系统稳定性和资源需求预估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Hybrid ensemble deep learning for deterministic and probabilistic low-voltage load forecasting | |
Chang et al. | An improved neural network-based approach for short-term wind speed and power forecast | |
Mahmoud et al. | An advanced approach for optimal wind power generation prediction intervals by using self-adaptive evolutionary extreme learning machine | |
Trivedi et al. | Enhanced multiobjective evolutionary algorithm based on decomposition for solving the unit commitment problem | |
Almalaq et al. | Parallel building: A complex system approach for smart building energy management | |
Moradzadeh et al. | Heating and cooling loads forecasting for residential buildings based on hybrid machine learning applications: A comprehensive review and comparative analysis | |
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 | |
Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
Sengar et al. | Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm | |
Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
Abiyev et al. | Type-2 fuzzy wavelet neural network for estimation energy performance of residential buildings | |
CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 | |
Zeng et al. | Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method | |
Jarndal | Load forecasting for power system planning using a genetic-fuzzy-neural networks approach | |
Zhu | Research on adaptive combined wind speed prediction for each season based on improved gray relational analysis | |
Feng et al. | An office building energy consumption forecasting model with dynamically combined residual error correction based on the optimal model | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN109711621A (zh) | 基于判别分析和支持向量机结合的工业园区负荷预测方法 | |
CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
Mohit et al. | Enhanced short term load forecasting using artificial variables | |
Jahan et al. | Intelligent system for power load forecasting in off-grid platform | |
CN116013479A (zh) | 基于多目标优化的智能配送机器人系统资源动态规划方法 | |
Sala et al. | Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms |
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 | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240112 |