CN111178641B - 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 - Google Patents
基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN111178641B CN111178641B CN202010003293.4A CN202010003293A CN111178641B CN 111178641 B CN111178641 B CN 111178641B CN 202010003293 A CN202010003293 A CN 202010003293A CN 111178641 B CN111178641 B CN 111178641B
- Authority
- CN
- China
- Prior art keywords
- model
- rsvr
- core
- characteristic
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000605 extraction Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims abstract description 4
- 230000002068 genetic effect Effects 0.000 claims description 8
- 230000003111 delayed effect Effects 0.000 claims description 3
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 241000254032 Acrididae Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
Abstract
本发明提供一种基于特征提取和多核RSVR组合模型的短期电力负荷预测方法,包括以下步骤:步骤S1,基于皮尔逊相关系数、mRMR算法对属性特征进行提取筛选,得到包含其它属性和延迟负荷的最优属性特征集;步骤S2,使用多种不同的核函数分别构建多个单核RSVR模型;根据最优属性特征集,采用训练样本进行模型训练,采用测试样本评估模型预测能力;步骤S3,根据各个单核RSVR模型的训练预测误差分配权值,将各个单核RSVR模型进行加权融合,形成多核RSVR组合模型;步骤S4,使用多核RSVR组合模型进行短期电力负荷预测。本发明能够有效解决属性特征不分类提取、未来未知量的盲目使用等问题,并且兼顾优化了支持向量回归模型,进一步提升了方案预测性能。
Description
技术领域
本发明涉及机器学习的回归预测领域,尤其是一种基于特征提取和多核RSVR组合模型的短期电力负荷预测方法。
背景技术
电能是一种不能进行大规模储存的能源,其生产与消耗必须同时进行——随发、随供、随用。短期电力负荷预测是从预测时间跨度上所作出的细化,其最长预测跨度为两周,目的在于:在保障电网的安全前提下,根据预测情况经济合理地安排电网内部发电机组的启停,减少不必要的旋转备用容量,确保电能的稳定高效供应。
多年来,电力负荷预测理论和方法不断涌现,其中的典型代表有统计学预测方法和机器学习预测方法。但是随着新型用电设备的爆发式增长,用户用电影响因素增多,负荷预测数量级、复杂度大大增加,传统的统计学预测方法,如自回归移动平均模型、时间序列分析等,局限性进一步增大,难以构建理想的数学模型进行预测;在机器学习预测方法中,相比于人工神经网络算法,支持向量回归SVR因其泛化性能优良、全局最优、计算速度快等优点受到广泛研究与应用。由于模型的固有机理特性,支持向量回归存在“核参数选择”和“参数寻优”两大难题。对于“参数寻优”,研究改进众多,比如Mayur Barman等人采用蚱蜢算法作为支持向量回归的参数寻优工具。除此之外,遗传算法、粒子群算法、蚁群算法等寻优算法已经较好解决了该难题,该问题不是本发明重点,不作铺展;而对于“核函数选择”问题,研究较少,且大多着眼于“混合核”方向——将多个核函数进行线性组合,但是这种方法操作复杂,预测性能也过多依赖于样本数据,泛化性能并不高。JinXing Che等人则提供了另一种思路,“多核组合模型”,实验结果表明最优组合模型预测效果优于单核模型和混合核模型。
除此之外,众多短期电力负荷预测方法中存在两大不足:(1)属性特征的选择更多依赖于经验,且往往不作分类提取(2)未经说明,将未知的电力负荷值作为输入特征变量,因此本发明针对以上痛点,提出一种基于特征提取和多核递归支持向量回归组合模型的方法对未来24小时内电力负荷进行预测。该发明丰富属性特征,使用分类筛选的思路优化提取特征方法,并首次将“SVR递归预测”与“多核组合模型”概念结合。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供一种基于特征提取和多核RSVR组合模型的短期电力负荷预测方法,能够预测未来24小时内的电力负荷情况;本发明能够有效解决属性特征不分类提取、未来未知量的盲目使用等问题,并且兼顾优化了支持向量回归模型,进一步提升了方案预测性能。本发明采用的技术方案是:
一种基于特征提取和多核RSVR组合模型的短期电力负荷预测方法,包括以下步骤:
步骤S1,基于皮尔逊相关系数、mRMR算法对属性特征进行提取筛选,得到包含其它属性和延迟负荷的最优属性特征集;
步骤S2,使用多种不同的核函数分别构建多个单核RSVR模型;根据最优属性特征集,采用训练样本进行模型训练,采用测试样本评估模型预测能力;
步骤S3,根据各个单核RSVR模型的训练预测误差分配权值,将各个单核RSVR模型进行加权融合,形成多核RSVR组合模型;
步骤S4,使用多核RSVR组合模型进行短期电力负荷预测,输出负荷预测结果。
进一步地,步骤S1具体包括:
步骤S1.1,采集与电力负荷相关的其它信息构建其它属性特征集O;然后根据电力延迟负荷数据构建初始延迟负荷特征集PL;
步骤S1.2,对其它属性特征集O中所有特征变量与电力负荷变量进行皮尔逊相关系数绝对值运算,选择取值大于等于设定阈值的特征变量更新集合O;利用mRMR算法确定候选延迟负荷特征集J;
步骤S1.3,将筛选更新后的集合O与候选延迟负荷特征集J相并为综合属性特征集F={O,J},然后提取集合F中前m个特征变量构建集合Fm,m依次增大,通过预测模型得到拟合误差,最小拟合误差对应的特征变量个数m为最优维数,此时对应的Fm为最优属性特征集。
进一步地,步骤S1.2中,皮尔逊相关系数绝对值运算如公式(1)所示,
其中,ot代表第t时刻某个其它属性特征变量输入,yt表示第t时刻的电力负荷变量,分别代表两者平均值,T代表时刻点总个数。
更进一步地,步骤S1.2中,利用mRMR算法确定候选延迟负荷特征集J,具体如下:
A1:设定候选延迟负荷特征集J初始维度为Q,将初始延迟负荷特征集PL中各延迟负荷特征变量p与电力负荷变量y进行互信息运算,如公式(2)所示;选择互信息最大值对应的延迟负荷特征变量存入候选延迟负荷特征集J作为集合首项;
其中,p(·)代表随机变量的概率,p(p,y)代表两个随机变量的联合概率;
A2:接着在集合PL剩余的延迟负荷特征变量中进行综合运算,如公式(3),提取最大值对应的延迟负荷特征变量继续存入集合J;重复A2操作,直到集合J中所含变量个数达到设定值Q;
其中,I(·,·)代表互信息运算,Jq-1表明已从初始延迟负荷特征集PL中提取q-1个特征变量存入了候选延迟负荷特征集J,则第q个候选特征变量从{PL-Jq-1}集合中产生。
更进一步地,步骤S1.3中,采用线性核支持向量回归LSVR作为预测模型。
进一步地,步骤S2具体包括:
根据支持向量回归,给定训练样本集,利用核函数将输入特征变量投射到更高维的特征空间中进行线性拟合;
支持向量回归的正则表达式为公式(5),支持向量回归的解表达式为公式(6);
其中,w,b是待定模型参数,C是惩罚因子,N代表训练集样本数,f(x)代表模型预测输出,代表引入的拉格朗日乘子,/>代表松弛变量,ε代表不敏感损失系数,x代表最优属性特征变量;
多个核函数分别包括线性核函数、高斯核函数、Sigmoid核函数;
训练阶段,针对RSVR的模型参数,包括公式(5)、(6)中的各参数、以及核参数,使用GA遗传算法来确定;训练阶段GA遗传算法确定的有关参数与测试阶段的参数保持一致;
测试阶段,递归使用前一步的模型输出作为下一步模型预测的输入。
本发明的优点在于:
(1)丰富属性特征,将特征集分类后进行提取,规避了有关特征变量遗漏、简单归一化导致预测性能降低的风险。
(2)使用递归支持向量回归RSVR的模型解决了未来未知负荷值盲目使用的问题。
(3)引入“多核组合模型”的概念优化了RSVR整体性能。
附图说明
图1为本发明的总体方案流程图。
图2为本发明的mRMR算法流程图。
图3为本发明的递归支持向量回归RSVR示意图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
本发明实施例提出一种基于特征提取和多核RSVR组合模型的短期电力负荷预测方法,包括以下步骤:
步骤S1,基于皮尔逊相关系数、mRMR算法对属性特征进行提取筛选,得到包含其它属性和延迟负荷的最优属性特征集;具体包括:
S1.1,从Dark Sky气象网站上“爬取”预测地点相应时间段内所有整点时刻的气象信息,结合日类型、该地节假日安排等与电力负荷相关的其它信息共同构建其它属性特征集O;然后构建初始延迟负荷特征集PL={p1,p2…,p144}={yt-25,yt-26…,yt-168};由于本发明目标是预测日24小时内电力负荷情况,而该日所有电力负荷数据是未知的,不能作为预测输入值,且考虑到电力负荷数据的周期性,所以选择前25小时至前168小时的电力延迟负荷数据共同构成PL,式中yt表示第t时刻的电力负荷数据,yt-d表示t时刻前d小时的电力负荷数据;
步骤S1.2,对其它属性特征集O中所有特征变量与电力负荷变量进行皮尔逊相关系数绝对值运算,选择取值大于等于0.2的特征变量更新集合O;利用mRMR算法确定候选延迟负荷特征集J;
与常规方法相比,本发明将属性特征集分类后进行再提取,综合考虑了特征变量不同的物理意义,规避了盲目归一化所带来的性能下降的风险,且在确保特征变量最大相关性的同时减少了冗余特征,提升预测精度,减小计算压力;
皮尔逊相关系数绝对值运算如公式(1)所示,
其中,ot代表第t时刻某个其它属性特征变量输入,yt表示第t时刻的电力负荷变量,分别代表两者平均值,T代表时刻点总个数;
利用mRMR算法确定候选延迟负荷特征集J,具体如下:
A1:设定候选延迟负荷特征集J初始维度为Q,将初始延迟负荷特征集PL中各延迟负荷特征变量p与电力负荷变量y进行互信息运算,如公式(2)所示;选择互信息最大值对应的延迟负荷特征变量存入候选延迟负荷特征集J作为集合首项;
其中,p(·)代表随机变量的概率,p(p,y)代表两个随机变量的联合概率;互信息是变量间相互依赖性的度量,若两个随机变量相互独立,取值为0,相关性越大,互信息取值越大;
A2:接着在集合PL剩余的延迟负荷特征变量中进行综合运算,如公式(3),提取最大值对应的延迟负荷特征变量继续存入集合J;重复A2操作,直到集合J中所含变量个数达到设定值Q;
其中,I(·,·)代表互信息运算,Jq-1表明已从初始延迟负荷特征集PL中提取q-1个特征变量存入了候选延迟负荷特征集J,则第q个候选特征变量从{PL-Jq-1}集合中产生;
步骤S1.3,将筛选更新后的集合O与候选延迟负荷特征集J相并为综合属性特征集F={O,J},然后提取集合F中前m个特征变量构建集合Fm,m依次增大,通过预测模型得到拟合误差,最小拟合误差对应的特征变量个数m为最优维数,此时对应的Fm为最优属性特征集;
拟合误差公式如下:
其中,yt表示第t时刻的电力负荷数据,为第t时刻的电力负荷预测值;
在初步预测中,本实施例选用线性核支持向量回归LSVR作为预测模型;
步骤S2,使用多种不同的核函数分别构建多个单核RSVR模型;根据最优属性特征集,采用训练样本进行模型训练,采用测试样本评估模型预测能力;
RSVR即递归支持向量回归;最优属性特征集可划分为训练集和测试集;
支持向量回归包括:给定训练样本集,利用核函数---非线性映射的显示表达,将输入特征变量投射到更高维的特征空间中进行线性拟合;
支持向量回归的正则表达式为公式(5),支持向量回归的解表达式为公式(6);
其中,w,b是待定模型参数,C是惩罚因子,用于平衡经验风险与结构风险,N代表训练集样本数,f(x)代表模型预测输出,代表引入的拉格朗日乘子,/>代表松弛变量,ε代表不敏感损失系数,x代表最优属性特征变量;
多个核函数如公式(7)所示;
公式(7)中由上至下分别为线性核函数、高斯核函数、Sigmoid核函数,σ,γ,r为对应核函数的核参数;
训练阶段,针对RSVR的模型参数,包括公式(5)、(6)中的各参数、以及核参数,使用GA遗传算法来确定;训练阶段GA遗传算法确定的有关参数与测试阶段的参数保持一致;遗传算法不是本发明的重点,不作赘述;
由于电力负荷的时序特性,之前时刻的用电情况会影响当前用电情况,故加入前一时刻的电力负荷数据yt-1作为新维输入特征,将会提高预测精度;训练样本中,yt-1是已知的,可直接用于模型训练,但是在测试阶段,须递归使用前一步的模型输出作为下一步模型预测的输入;
步骤S3,根据各个单核RSVR模型的训练预测误差分配权值,将各个单核RSVR模型进行加权融合,形成多核RSVR组合模型;
如公式(8)和(9)所示;
其中,k代表单核RSVR模型的个数,ei代表各个单核RSVR模型的训练预测误差,ωi为相应的权值;fi代表各个单核RSVR模型的预测输出;
步骤S4,使用多核RSVR组合模型进行短期电力负荷预测,输出负荷预测结果。
综合步骤S2、S3,本发明引入了前一时刻电力负荷数据,但通过“递归预测”的方法解决了未知量使用的问题,并且使用“多核组合模型”的概念优化了“核函数选择”问题。与常规预测模型相比,本发明增强了可行性,有效提升了模型性能。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于特征提取和多核RSVR组合模型的短期电力负荷预测方法,其特征在于,包括以下步骤:
步骤S1,基于皮尔逊相关系数、mRMR算法对属性特征进行提取筛选,得到包含其它属性和延迟负荷的最优属性特征集;
步骤S2,使用多种不同的核函数分别构建多个单核RSVR模型;根据最优属性特征集,采用训练样本进行模型训练,采用测试样本评估模型预测能力;
步骤S3,根据各个单核RSVR模型的训练预测误差分配权值,将各个单核RSVR模型进行加权融合,形成多核RSVR组合模型;
步骤S4,使用多核RSVR组合模型进行短期电力负荷预测,输出负荷预测结果;
步骤S1具体包括:
步骤S1.1,采集与电力负荷相关的其它信息构建其它属性特征集O;然后根据电力延迟负荷数据构建初始延迟负荷特征集PL;
步骤S1.2,对其它属性特征集O中所有特征变量与电力负荷变量进行皮尔逊相关系数绝对值运算,选择取值大于等于设定阈值的特征变量更新集合O;利用mRMR算法确定候选延迟负荷特征集J;
步骤S1.3,将筛选更新后的集合O与候选延迟负荷特征集J相并为综合属性特征集F={O,J},然后提取集合F中前m个特征变量构建集合Fm,m依次增大,通过预测模型得到拟合误差,最小拟合误差对应的特征变量个数m为最优维数,此时对应的Fm为最优属性特征集;
步骤S1.2中,皮尔逊相关系数绝对值运算如公式(1)所示,
其中,ot代表第t时刻某个其它属性特征变量输入,yt表示第t时刻的电力负荷变量,分别代表两者平均值,T代表时刻点总个数;
步骤S1.2中,利用mRMR算法确定候选延迟负荷特征集J,具体如下:
A1:设定候选延迟负荷特征集J初始维度为Q,将初始延迟负荷特征集PL中各延迟负荷特征变量p与电力负荷变量y进行互信息运算,如公式(2)所示;选择互信息最大值对应的延迟负荷特征变量存入候选延迟负荷特征集J作为集合首项;
其中,p(·)代表随机变量的概率,p(p,y)代表两个随机变量的联合概率;
A2:接着在集合PL剩余的延迟负荷特征变量中进行综合运算,如公式(3),提取最大值对应的延迟负荷特征变量继续存入集合J;重复A2操作,直到集合J中所含变量个数达到设定值Q;
其中,I(·,·)代表互信息运算,Jq-1表明已从初始延迟负荷特征集PL中提取q-1个特征变量存入了候选延迟负荷特征集J,则第q个候选特征变量从{PL-Jq-1}集合中产生;
步骤S2具体包括:
根据支持向量回归,给定训练样本集,利用核函数将输入特征变量投射到更高维的特征空间中进行线性拟合;
支持向量回归的正则表达式为公式(5),支持向量回归的解表达式为公式(6);
其中,w,b是待定模型参数,C是惩罚因子,N代表训练集样本数,f(x)代表模型预测输出,代表引入的拉格朗日乘子,/>代表松弛变量,ε代表不敏感损失系数,x代表最优属性特征变量;
多个核函数分别包括线性核函数、高斯核函数、Sigmoid核函数;
训练阶段,针对RSVR的模型参数,包括公式(5)、(6)中的各参数、以及核参数,使用GA遗传算法来确定;训练阶段GA遗传算法确定的有关参数与测试阶段的参数保持一致;
测试阶段,递归使用前一步的模型输出作为下一步模型预测的输入。
2.如权利要求1所述的基于特征提取和多核RSVR组合模型的短期电力负荷预测方法,其特征在于,
步骤S1.3中,采用线性核支持向量回归LSVR作为预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010003293.4A CN111178641B (zh) | 2020-01-03 | 2020-01-03 | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010003293.4A CN111178641B (zh) | 2020-01-03 | 2020-01-03 | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178641A CN111178641A (zh) | 2020-05-19 |
CN111178641B true CN111178641B (zh) | 2023-11-24 |
Family
ID=70654361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010003293.4A Active CN111178641B (zh) | 2020-01-03 | 2020-01-03 | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178641B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113616184B (zh) * | 2021-06-30 | 2023-10-24 | 北京师范大学 | 基于多模态磁共振图像的脑网络建模与个体预测方法 |
CN113535409B (zh) * | 2021-08-10 | 2022-08-05 | 天津大学 | 一种面向能耗优化的无服务器计算资源分配系统 |
CN117571742B (zh) * | 2024-01-12 | 2024-04-05 | 贵州大学 | 基于人工智能实现芯片质检的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694470A (zh) * | 2018-06-12 | 2018-10-23 | 天津大学 | 一种基于人工智能的数据预测方法及装置 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110135630A (zh) * | 2019-04-25 | 2019-08-16 | 武汉数澎科技有限公司 | 基于随机森林回归和多步寻优的短期负荷需求预测方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
-
2020
- 2020-01-03 CN CN202010003293.4A patent/CN111178641B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694470A (zh) * | 2018-06-12 | 2018-10-23 | 天津大学 | 一种基于人工智能的数据预测方法及装置 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110135630A (zh) * | 2019-04-25 | 2019-08-16 | 武汉数澎科技有限公司 | 基于随机森林回归和多步寻优的短期负荷需求预测方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
徐宇颂 等.基于特征选择和组合模型的短期电力负荷预测.《中国电力》.2022,全文. * |
徐宇颂.基于SVR组合模型的短期电力负荷预测研究.2022,全文. * |
陈剑勇 等.结合支持向量机和马尔可夫链算法的中长期电力负荷预测模型.《南方电网技术》.2012,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111178641A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178641B (zh) | 基于特征提取和多核rsvr组合模型的短期电力负荷预测方法 | |
Hu et al. | A nonlinear hybrid wind speed forecasting model using LSTM network, hysteretic ELM and Differential Evolution algorithm | |
CN109816221B (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN109978283B (zh) | 一种基于分支进化神经网络的光伏发电功率预测方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN114595874B (zh) | 一种基于动态神经网络的超短期电力负荷预测方法 | |
Yuan et al. | Evoq: Mixed precision quantization of dnns via sensitivity guided evolutionary search | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN116643174A (zh) | 一种电池剩余寿命预测方法 | |
CN115204038A (zh) | 一种基于数据分解和集成模型的储能锂电池寿命预测方法 | |
CN116646929A (zh) | 一种基于pso-cnn-bilstm的短期风电功率预测方法 | |
CN114444811A (zh) | 一种基于注意力机制的铝电解混频数据过热度预测方法 | |
Xia et al. | Historical data-independent remaining useful life prediction method based on dual-input deep learning neural network | |
CN115936185B (zh) | 基于dcnn-lstm-ae-am的短期电力负荷和碳排放量预测方法及系统 | |
CN116191401A (zh) | 一种短期综合能源系统多元负荷预测方法及系统 | |
CN115128469A (zh) | 基于数字孪生的动力锂电池容量退化分析及在线估计方法 | |
Wang et al. | Prediction of air pollution based on FCM-HMM Multi-model | |
CN112465195A (zh) | 考虑高比例分布式光伏接入的母线负荷预测方法及系统 | |
CN112001519A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
Nong | Construction and Simulation of Financial Risk Prediction Model Based on LSTM |
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 |