CN111275247B - 一种基于多种影响因素的极限学习机月度电量预测方法 - Google Patents
一种基于多种影响因素的极限学习机月度电量预测方法 Download PDFInfo
- Publication number
- CN111275247B CN111275247B CN202010038771.5A CN202010038771A CN111275247B CN 111275247 B CN111275247 B CN 111275247B CN 202010038771 A CN202010038771 A CN 202010038771A CN 111275247 B CN111275247 B CN 111275247B
- Authority
- CN
- China
- Prior art keywords
- quarter
- electric quantity
- learning machine
- month
- extreme learning
- 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 37
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 8
- 230000005284 excitation Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多种影响因素的极限学习机月度电量预测方法，包括以下步骤：收集近4‑6年的市月度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温数据；获得季度电量；将季度电量、季度GDP、季度平均最高气温、季度平均最低气温数据划分为训练样本和测试样本；设置极限学习机预测模型的参数，隐含层节点数设置为3‑13，输出维数设置为1，激励函数设置为sig函数；将训练样本和测试样本输入极限学习机预测模型，对极限学习机预测模型进行训练，获得月度预测电量；本发明预测方法进行了用电特性分析，深度挖掘历史数据，引入多种影响因素至预测模型，提高预测精度。
Description
技术领域
本发明属于电量预测技术领域，具体涉及一种基于多种影响因素的极限学习机月度电量预测方法。
背景技术
随着全球能源互联网、泛在电力物联网建设的发展，电力规划、智能调度对电量预测的精度提出了更高的要求。同时，厂网分开、售电放开等电力体制改革使精确的电量预测成为电力企业经济效益的保证。月度电量预测的准确性对供电企业和售电企业合理配置电力资源，制定销售计划，减少电力公司因偏差考核产生的费用具有重要意义。
目前，电量预测的方法主要有传统预测方法：时间序列法、回归分析法等以及新型预测方法：神经网络法、支持向量机、极限学习机、遗传算法等。当前对于电量预测的研究，大多致力于研究预测算法的复杂性，忽略了用电负荷的用电特性的差异，从而也没有深入研究用户用电特性的主导影响因素，没有从特性本质上深度挖掘历史数据。
为了提高电力系统月度电量预测精度，需要从用电特性的本质上挖掘历史数据，综合考虑多种影响因素，搭建基于多种影响因素的极限学习机预测模型，从而提高月度电量预测精度。
发明内容
本发明的目的是提供一种基于多种影响因素的极限学习机月度电量预测方法，从用电特性本质出发，进行用电特性分析，引入季度GDP、最高气温和最低气温进行市用电量自适应预测，预测精度高。
本发明所采用的技术方案是，一种基于多种影响因素的极限学习机月度电量预测方法，具体按照以下步骤实施：
步骤1、收集近4-6年的市月度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温数据；
步骤2、通过月度电量数据获得季度电量；
步骤3、将季度电量、季度GDP、季度平均最高气温、季度平均最低气温数据划分为训练样本和测试样本，并进行数据归一化处理；
步骤4、设置极限学习机预测模型的参数，隐含层节点数设置为3-13，输出维数设置为1，激励函数设置为sig函数；
步骤5、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练，向训练后的极限学习机预测模型输入测试样本，得到优化的极限学习机预测模型；
步骤6、通过优化的极限学习机预测模型预测月度电量。
训练样本包括训练样本输入、训练样本输出，测试样本包括预测样本输入、预测样本输出。
步骤3具体过程为：
假设收集的是近n年的数据，其中n=4-6；
选取第1年至第n-2年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为训练样本的输入，第n-1年的季度电量作为训练样本输出，第2年至第n-1年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为预测样本的输入，第n年的季度电量作为预测样本输出；将训练样本和测试样本进行数据归一化处理。
步骤5具体过程为：
步骤5.1、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练；
步骤5.2、将测试样本输入极限学习机预测模型，预测最近一年季度电量；
步骤5.3、通过每年的历史数据测算出每个月的月度电量占其所属季度电量的比值，得每个月的月/季比，并求每个月的平均月/季比；
步骤5.4、选取步骤5.3中每个月的平均月/季比与平均月/季比对应的最近一年季度电量，计算最近一年月度电量；
步骤5.5、计算最近一年预测的月度电量与实际的月度电量的绝对百分误差，并计算最近一年中的平均绝对百分误差；
步骤5.6、当平均绝对百分误差小于4%，则得到优化的极限学习机预测模型；
当平均绝对百分误差不小于4%，则返回步骤4，重新调整隐含层节点数。
步骤5.5具体过程为：
式中，APE表示绝对百分误差，MAPE表示平均绝对百分误差，y(t)是实际值，y’(t)为预测值，n是预测数据个数。
本发明一种基于多种影响因素的极限学习机月度电量预测方法有益效果是：
1）本发明预测方法进行了用电特性分析，深度挖掘历史数据，引入多种影响因素至预测模型，提高预测精度。
2）考虑了多种影响因素，包括GDP经济因素和气温因素，满足市月度电量中由经济发展和季节变换引起的电量变化规律，建立了影响因素和电量变化的映射关系；
3）本预测方法的预测精度在96%以上。
4）本预测方法构建引入多种影响因素的极限学习机预测模型，极限学习机预测算法预测速度快，泛化能力强。
附图说明
图1是本发明一种基于多种影响因素的极限学习机月度电量预测方法流程图；
图2是本发明实施例中的误差分布图；
图3是本发明实施例中的预测误差分布图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于多种影响因素的极限学习机月度电量预测方法，如图1所示，具体按照以下步骤实施：
步骤1、收集近4-6年的市月度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温数据；
步骤2、通过月度电量数据获得季度电量；
步骤3、将季度电量、季度GDP、季度平均最高气温、季度平均最低气温数据划分为训练样本和测试样本，并进行数据归一化处理；
训练样本包括训练样本输入、训练样本输出，测试样本包括预测样本输入、预测样本输出。
假设收集的是近n年的数据，其中n=4-6；
选取第1年至第n-2年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为训练样本的输入，第n-1年的季度电量作为训练样本输出，第2年至第n-1年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为预测样本的输入，第n年的季度电量作为预测样本输出；将训练样本和测试样本进行数据归一化处理。
例如数据集包含近5年的数据，选取第1年至第3年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为训练样本的输入，第4年的季度电量作为训练样本输出，第2年至第4年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为预测样本的输入，第5年的季度电量作为预测样本输出。
步骤4、设置极限学习机预测模型的参数，隐含层节点数设置为3-13，输出维数设置为1，激励函数设置为sig函数；
步骤5、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练，向训练后的极限学习机预测模型输入测试样本，得到优化的极限学习机预测模型；
具体过程为：
步骤5.1、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练；
步骤5.2、将测试样本输入极限学习机预测模型，预测最近一年季度电量；
步骤5.3、通过每年的历史数据测算出每个月的月度电量占其所属季度电量的比值，得每个月的月/季比，并求每个月的平均月/季比；
步骤5.4、选取步骤5.3中每个月的平均月/季比与平均月/季比对应的最近一年季度电量，计算最近一年月度电量；
步骤5.5、计算最近一年预测的月度电量与实际的月度电量的绝对百分误差，并计算最近一年中的平均绝对百分误差；
具体过程为：
式中，APE表示绝对百分误差，MAPE表示平均绝对百分误差，y(t)是实际值，y’(t)为预测值，n是预测数据个数。
步骤5.6、当平均绝对百分误差小于4%，则得到优化的极限学习机预测模型；
当平均绝对百分误差不小于4%，则返回步骤4，重新调整隐含层节点数。
步骤6、通过优化的极限学习机预测模型预测月度电量。
实施例
下面是采用本发明的一种基于多种影响因素的极限学习机月度电量预测方法，对某市过去一年中月用电量进行预测。
采集2015-2018年的某市月度电量数据、季度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温，2015-2018年月度电量如表1所示，季度电量如表2所示，季度GDP、季度平均最高气温和季度平均最低气温如表3所示：
表1
表2
表3
本发明月度电量预测方法的预测值和实际值对比图如图1所示、误差分布图如图2所示及预测结果如表4所示，预测误差分布如图3所示：
表4
由表4可知，通过对预测结果和预测误差分析，绝对百分误差最大值为10.45%，误差波动较小，平均绝对百分误差为2.51%，该预测方法的预测精度为97.49%。
通过上述方式，本发明预测方法进行了用电特性分析，深度挖掘历史数据，引入多种影响因素至预测模型，提高预测精度；本发明中考虑了多种影响因素，包括GDP经济因素和气温因素，满足市月度电量中由经济发展和季节变换引起的电量变化规律，建立了影响因素和电量变化的映射关系；采用本发明的预测方法预测精度在96%以上。本发明预测方法构建引入多种影响因素的极限学习机预测模型，极限学习机预测算法预测速度快，泛化能力强。
Claims (1)
1.一种基于多种影响因素的极限学习机月度电量预测方法，其特征在于，具体按照以下步骤实施：
步骤1、收集近4－6年的市月度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温数据；
步骤2、通过月度电量数据获得季度电量；
步骤3、将季度电量、季度GDP、季度平均最高气温、季度平均最低气温数据划分为训练样本和测试样本，并进行数据归一化处理；
所述训练样本包括训练样本输入、训练样本输出，测试样本包括预测样本输入、预测样本输出；
步骤3具体过程为：
假设收集的是近n年的数据，其中n＝4－6；
选取第1年至第n－2年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为训练样本的输入，第n－1年的季度电量作为训练样本输出，第2年至第n－1年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为预测样本的输入，第n年的季度电量作为预测样本输出；将训练样本和测试样本进行数据归一化处理；
步骤4、设置极限学习机预测模型的参数，隐含层节点数设置为3－13，输出维数设置为1，激励函数设置为sig函数；
步骤5、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练，向训练后的极限学习机预测模型输入测试样本，得到优化的极限学习机预测模型；具体过程为：
步骤5.1、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练；
步骤5.2、将测试样本输入极限学习机预测模型，预测最近一年的季度电量；
步骤5.3、通过每年的历史数据测算出每个月的月度电量占其所属季度电量的比值，得每个月的月/季比，并求每个月的平均月/季比；
步骤5.4、选取步骤5.3中每个月的平均月/季比与平均月/季比所对应的最近一年季度电量预测值，计算最近一年月度电量；
步骤5.5、计算最近一年预测的月度电量与实际的月度电量的绝对百分误差，并计算最近一年中的平均绝对百分误差；具体过程为：
式中，APE表示绝对百分误差，MAPE表示平均绝对百分误差，y(t)是实际值，y’(t)为预测值，n是预测数据个数；
步骤5.6、当平均绝对百分误差小于4％，则得到优化的极限学习机预测模型；
当平均绝对百分误差不小于4％，则返回步骤4，重新调整隐含层节点数；
步骤6、通过优化的极限学习机预测模型预测月度电量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010038771.5A CN111275247B (zh) | 2020-01-14 | 2020-01-14 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010038771.5A CN111275247B (zh) | 2020-01-14 | 2020-01-14 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111275247A CN111275247A (zh) | 2020-06-12 |
| CN111275247B true CN111275247B (zh) | 2024-02-23 |
Family
ID=71003014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010038771.5A Active CN111275247B (zh) | 2020-01-14 | 2020-01-14 | 一种基于多种影响因素的极限学习机月度电量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275247B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434848B (zh) * | 2020-11-19 | 2023-06-16 | 西安理工大学 | 基于深度信念网络的非线性加权组合风电功率预测方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005108183A (ja) * | 2003-09-12 | 2005-04-21 | Takashi Matsumoto | タンパク質の膜貫通領域の数または位置の予測装置、予測方法及びコンピュータプログラム |
| JP2015163026A (ja) * | 2014-02-28 | 2015-09-07 | 三菱重工業株式会社 | 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム |
| CN105069536A (zh) * | 2015-08-19 | 2015-11-18 | 国网安徽省电力公司经济技术研究院 | 一种基于气温与经济增长的用电需求预测方法 |
| CN105427194A (zh) * | 2015-12-21 | 2016-03-23 | 西安美林数据技术股份有限公司 | 一种基于随机森林回归的售电量预测方法及装置 |
| CN105574607A (zh) * | 2015-12-10 | 2016-05-11 | 四川省电力公司供电服务中心 | 一种电力市场月度用电预测方法 |
| WO2016113925A1 (ja) * | 2015-01-16 | 2016-07-21 | 三菱電機株式会社 | 電力管理装置 |
| CN106650797A (zh) * | 2016-12-07 | 2017-05-10 | 广东电网有限责任公司江门供电局 | 一种基于集成elm的配电网窃电嫌疑用户智能识别方法 |
| CN107038502A (zh) * | 2017-04-18 | 2017-08-11 | 国网安徽省电力公司芜湖供电公司 | 考虑季节特性的改进小波包用电量预测方法 |
| CN107220764A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 一种基于前导分析和因素补偿的售电量预测方法及装置 |
| CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
| CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
| CN109325624A (zh) * | 2018-09-28 | 2019-02-12 | 国网福建省电力有限公司 | 一种基于深度学习的月度电力需求预测方法 |
| CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
| CN110309971A (zh) * | 2019-06-28 | 2019-10-08 | 广州市准诚市场咨询有限公司 | 一种具有自动超参检索的月度用电量预测方法及系统 |
| JP2019179356A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社エムティーアイ | エピトープ予測方法及びエピトープ予測システム |
| CN110533247A (zh) * | 2019-08-30 | 2019-12-03 | 国网陕西省电力公司电力科学研究院 | 一种采用气温数据异常点补偿的月度用电量预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9716294B2 (en) * | 2012-04-20 | 2017-07-25 | Ford Global Technologies, Llc | Battery controller with monitoring logic for model-based battery control |
| FR3029315B1 (fr) * | 2014-11-28 | 2016-12-09 | Renault Sa | Procede automatique d'estimation de la capacite d'une cellule d'une batterie |
| US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
-
2020
- 2020-01-14 CN CN202010038771.5A patent/CN111275247B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005108183A (ja) * | 2003-09-12 | 2005-04-21 | Takashi Matsumoto | タンパク質の膜貫通領域の数または位置の予測装置、予測方法及びコンピュータプログラム |
| JP2015163026A (ja) * | 2014-02-28 | 2015-09-07 | 三菱重工業株式会社 | 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム |
| WO2016113925A1 (ja) * | 2015-01-16 | 2016-07-21 | 三菱電機株式会社 | 電力管理装置 |
| CN105069536A (zh) * | 2015-08-19 | 2015-11-18 | 国网安徽省电力公司经济技术研究院 | 一种基于气温与经济增长的用电需求预测方法 |
| CN105574607A (zh) * | 2015-12-10 | 2016-05-11 | 四川省电力公司供电服务中心 | 一种电力市场月度用电预测方法 |
| CN105427194A (zh) * | 2015-12-21 | 2016-03-23 | 西安美林数据技术股份有限公司 | 一种基于随机森林回归的售电量预测方法及装置 |
| CN106650797A (zh) * | 2016-12-07 | 2017-05-10 | 广东电网有限责任公司江门供电局 | 一种基于集成elm的配电网窃电嫌疑用户智能识别方法 |
| CN107038502A (zh) * | 2017-04-18 | 2017-08-11 | 国网安徽省电力公司芜湖供电公司 | 考虑季节特性的改进小波包用电量预测方法 |
| CN107220764A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 一种基于前导分析和因素补偿的售电量预测方法及装置 |
| CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
| CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
| JP2019179356A (ja) * | 2018-03-30 | 2019-10-17 | 株式会社エムティーアイ | エピトープ予測方法及びエピトープ予測システム |
| CN109325624A (zh) * | 2018-09-28 | 2019-02-12 | 国网福建省电力有限公司 | 一种基于深度学习的月度电力需求预测方法 |
| CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
| CN110309971A (zh) * | 2019-06-28 | 2019-10-08 | 广州市准诚市场咨询有限公司 | 一种具有自动超参检索的月度用电量预测方法及系统 |
| CN110533247A (zh) * | 2019-08-30 | 2019-12-03 | 国网陕西省电力公司电力科学研究院 | 一种采用气温数据异常点补偿的月度用电量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Hybrid Intelligent Approach for the Selection of Third-Party Reverse Logistics Provider under Uncertainty;宫艳雪;宋俊典;彭亦功;添玉;郑树泉;;Journal of Donghua University(English Edition)(第04期);全文 * |
| 杨苹 ; 许志荣 ; 袁昊哲 ; 张育嘉 ; 赵卓立 ; .考虑峰谷电价的串联结构光储型多微网经济运行.电力系统及其自动化学报.2018,(第01期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111275247A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN101414366B (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
| CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 | |
| CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
| CN111369070A (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| CN110503256A (zh) | 基于大数据技术的短期负荷预测方法及系统 | |
| CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
| CN115422814B (zh) | 一种数字孪生驱动的复杂机电产品闭环优化设计方法 | |
| CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
| CN112907150A (zh) | 一种基于遗传算法的生产排程方法 | |
| Islam et al. | Short‐Term Electrical Load Demand Forecasting Based on LSTM and RNN Deep Neural Networks | |
| CN111275247B (zh) | 一种基于多种影响因素的极限学习机月度电量预测方法 | |
| Kurniawan et al. | A genetic algorithm for unrelated parallel machine scheduling minimizing makespan cost and electricity cost under time-of-use (TOU) tariffs with job delay mechanism | |
| Cui et al. | Dynamic decomposition analysis and forecasting of energy consumption in Shanxi Province based on VAR and GM (1, 1) models | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN115688563A (zh) | 一种基于多智能体进化强化学习的加工参数优化方法 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| 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 | |
| CN111062517A (zh) | 一种基于GBDT的LightGBM模型的冷、热负荷预测方法 | |
| 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 | |
| CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
| CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
| Wu et al. | A forecasting model based support vector machine and particle swarm optimization | |
| CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 |
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 |