CN111428926B - 一种考虑气象因素的区域电力负荷预测方法 - Google Patents
一种考虑气象因素的区域电力负荷预测方法 Download PDFInfo
- Publication number
- CN111428926B CN111428926B CN202010206396.0A CN202010206396A CN111428926B CN 111428926 B CN111428926 B CN 111428926B CN 202010206396 A CN202010206396 A CN 202010206396A CN 111428926 B CN111428926 B CN 111428926B
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- sample
- meteorological
- elman
- 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
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开了一种考虑气象因素的区域电力负荷预测方法,考虑多重气象因素的影响,提出一种新的用于电力负荷预测的方法,解决现有区域电力负荷预测技术的缺点,加入区域实际气象因素等影响,充分发挥预测模型的优势。选择满足精度要求的Elman神经网络预测,分别考虑三种气象因素处理方式进行对比研究,最后通过预测精度的比较,为区域居民电力负荷及区域总负荷预测选取适当的方法。考虑气象因素后的模型相比于单一Elman神经网络模型,不同场景下的预测精度上均有不同程度的提高。
Description
技术领域
本发明涉及一种考虑气象因素的区域电力负荷预测方法,属于电力负荷预测技术领域。
背景技术
目前,对空间负荷预测的研究已经较为成熟,其中多数是分别研究每个单位的历史负荷数据变化趋势,并据此外推其规划年的负荷值,进而得到规划年负荷在整个待测区域内的空间分布。传统规划只能根据近年的历史数据及运行经验或者基于给定的假设对未来(区域)负荷总量进行预测。随着电网中智能电表、高级量测系统和低压网络监控系统的部署,越来越多的小时数据可供使用;相应地,负荷模拟和预测的误差也越来越低,并且能够实现对基本负荷单元的预测,从而能够实现对电网运行状况的详尽分析。负荷预测的基本模型分为以下几类:
1)回归分析模型
回归分析法是利用统计学原理,对电力系统中统计到的大量负荷数据进行数学处理的一种方法。在回归分析模型中,一般以时间、国民经济、人口数等为自变量,以电量或负荷值为因变量,通过回归分析算法计算得到预测方程,辅之以外推法,进而对未来一段时间或某一状态进行负荷预测。根据自变量数目的不同,回归分析模型可以分为一元回归分析模型和多元回归分析模型;根据历史数据的整体趋势,回归分析模型又可以分为线性回归分析模型和非线性回归分析模型。如果再将上述两类模型进行重新组合,又可生成一元非线性指数增长模型、多元线性回归分析模型等多种回归分析模型。
2)随机时间序列预测模型
随机时间序列预测模型是一种应用较早并且普及面较广的预测模型。在一般的预测模型中,因变量通常为可控变量,而自变量为随机变量。但是在随机时间序列预测模型中,因变量和自变量均可以为随机变量(如将负荷自身的过去时值作为模型的自变量等情况)。当然,随机时间序列预测模型在实际应用中,也多以时、日、周、季等为自变量,根据历史负荷数据的特点,以负荷值或电量值为因变量构建预测模型,进而实现对未来时段的负荷预测。
随机时间序列法在预测过程中,虽然其在某一时刻对应的预测值是随机的,但从整体趋势上看,却表现出某种程度的随机性,所以按照类型来分,一般可以分为平稳时间序列和非平稳时间序列。
3)人工神经网络模型
神经网络预测技术作为近年来广泛发展的技术,在负荷预测领域的应用,有着极为突出的表现。神经网络技术可以模仿人脑的处理过程,对大量非线性、不确定性规律表现出极强的自适应性、记忆性特点,并且能够自主学习、推理和优化,具备其它系统所不具备的智能化特点。
其主要特点在于良好的函数逼近能力,可以更好地拟合多复杂自变量和因变量之间的关系,再通过反向传播算法,可以得到更为优化的、更为精准的预测模型。
4)灰色预测模型
灰色预测理论并非是统计学范畴的理论,其理论依据是灰色累加生成技术。灰色预测模型是将一切随机变化量看作隶属于某一范围的灰色量,通过不断的累加生成,得到一个在趋势上近似指数规律的新序列,经过常微分方程求解后,可以得到累加后的预测方程。最后根据累加生成的逆过程,即累减还原法,还原得到所需要的原序列预测模型。在众多的灰色模型中,以GM(1,1)模型最为常用。
5)小波分析预测模型
在负荷预测中,小波分析法的主要用途是:通过选择合适的小波,可以实现对不同性质的负荷的分类。根据分类结果,从而可以更有针对性对某一负荷采用更为合适的预测方法。利用分解后各组数据表现出的较为明显的周期性,此时再对分解后的序列分别进行预测。最后通过预测序列的重构,得到所需要的预测结果。
伴随着多元化能源的迅速发展,区域内冷、热负荷的构成愈加复杂,各种负荷表现出复杂性、不确定性、非线性等特点。冷热电负荷不仅与自身历史时间序列数据有关,而且负荷之间也相互影响。温度、湿度、降水量等天气因素、时间因素、地块类型更是影响负荷的重要因素。传统方法在研究冷负荷、热负荷、电负荷的时候大多采用神经网络法,但神经网络在对参数进行设定时多为经验法和尝试法,其精确度难以被大众所认可。对于区域电力系统的短期负荷预测而言,目前研究存在的技术问题包括:
(1)在电力负荷预测模型的实际应用中,大多数模型和方法还无法针对不同区域、不同利用类型等条件进行负荷预测,缺少能有效适应多种条件并可提高精度的智能预测方法。
(2)现行研究缺乏对区域基本情况以及经济、人口、产业结构等的深入分析,缺乏区域电力负荷特性的分析,缺乏对环境因素、气象因素的了解,无法细致分析环境、气象等因素对负荷预测的影响。
(3)在电力系统实际调度中,季节性电力短缺情况时有发生,夏季、冬季尤为明显。因此,有必要加强针对季节性电力负荷的预测研究,以便更合理地满足供电需求。
发明内容
本发明的目的在于提供一种考虑气象因素的区域电力负荷预测方法,解决现有方法缺乏对环境因素、气象因素的了解,无法细致分析环境、气象因素对负荷预测影响的技术问题,以提高区域电力负荷预测精度。
本发明的目的通过以下技术方案予以实现:
一种考虑气象因素的区域电力负荷预测方法,包括:
采用三种气象因素处理方式进行对比:①不考虑气象变量,以前序自相关负荷作为输入的负荷预测模型Elman;②考虑前序自相关负荷并加入气温作为输入的负荷预测模型Elman-T;③考虑前序自相关负荷并加入综合气象变量因子作为输入的负荷预测模型Elman-PCA;
对电力负荷与气象因素间进行相关性分析:
皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,公式如下:
式中:ρX,Y代表总体相关系数,X,Y分别为电力负荷及气象因子变量,cov(X,Y)为变量X,Y的协方差,μX,μY为变量X,Y的期望值,σXσY为变量X,Y的标准差,E为期望;
以样本相关系数r代表总体相关系数,样本相关系数r表示两个变量间的线性强弱关系,样本相关系数r的值在-1与1之间,若r>0表示两个变量是正相关;若r<0,则表示为负相关,r的绝对值越大表明相关性越强;
Elman神经网络的数学模型为:
x(k)=f(ω1xc(k)+ω2i(k-1))
xc(k)=a·xc(k-1)+x(k-1)
y(k)=g(ω3x(k))
式中:y为m维输出节点向量;x为n维中间层节点单元向量;i为r维输入向量;xc为n维反馈状态向量;a为自连接反馈增益因子;ω1为承接层与隐含层的连接权值;ω2为输入层与隐含层的连接权值;ω3为隐含层与输出层的连接权值;g(.)为输出神经元的传递函数;f(.)为中间层神经元的传递函数;k表示第k个时刻;
Elman神经网络预测方法包括:
1)初始化各层连接权值;
2)输入样本;
3)计算输入层神经元输出;
4)计算隐含层神经元输出;
5)计算输出层神经元输出;
6)判别输出误差是否满足精度要求;
7)如果步骤6)的结果是不满足,则进行权值更新并计算承接层输出,然后转至步骤4);如果步骤6)的结果是满足,则转至步骤8);
8)训练结束;
9)预测样本;
10)得到预测值;
11)结束;
Elman神经网络预测模型建立过程如下:
(1)进行模型输入变量电力负荷及气象因子变量的处理,模型输入变量处理为:每十五分钟间隔的实际电负荷值累加、求和后得到逐日总负荷,气温、相对湿度、风速、蒸发及地表气温气象变量的逐小时数据采样数据,采取累加、平均处理,获得与电力负荷时间尺度相一致的逐时与逐日气象特征数据;然后进行数据归一化处理;
(2)以剔除前序自相关负荷后剩余负荷序列长度的前3/4作为建模训练样本,后1/4作为预测验证样本;
(3)根据输入变量数量,初步确定Elman神经网络模型中隐藏神经元可变范围,针对每一神经元数量训练Elman神经网络,以模拟负荷平均绝对百分比误差MAPE最小网络对应的隐藏神经元数量确定模型结构;
(4)基于步骤(3)中优选的Elman神经网络,用matlab从模拟期开始对模拟训练期第1时段的负荷进行预测;预测完成后将第1时段实测负荷作为已知值,继续将第2时段对应的前序自相关负荷与气象变量作为输入,预测第2时段的负荷;逐时段滚动模拟、预测负荷直至预测期结束;
(5)对模拟预测值进行反归一化处理,得到模拟和预测的负荷值;
(6)采用平均绝对百分比误差MAPE与最大绝对百分比误差max_APE评价负荷模拟预测精度;评价指标计算公式如下:
比较Elman、Elman-T、Elman-PCA的在不同季节下的预测精度,提高计及多种气象影响因素后负荷预测的精度,以针对不同季节实施有效的负荷调控措施。
本发明的目的还可以通过以下技术措施来进一步实现:
前述一种考虑气象因素的区域电力负荷预测方法,其中,
样本相关系数r计算公式如下:
前述一种考虑气象因素的区域电力负荷预测方法,其中,
样本相关系数r通过(Xi,Yi)样本的标准分数均值估计,得到:
与现有技术相比,本发明的有益效果是:解决现有区域电力负荷预测技术的缺点,加入区域实际气象因素等影响,充分发挥预测模型的优势。选择满足精度要求的Elman神经网络预测,分别考虑三种气象因素处理方式进行对比研究,最后通过预测精度的比较,为区域居民电力负荷及区域总负荷预测选取适当的方法。考虑影响因素后的模型相比于单一Elman神经网络模型,不同场景下的预测精度上均有不同程度的影响。
附图说明
图1是Elman神经网络预测模型流程图;
图2是Elman神经网络结构示意图;
图3是四季日总负荷时滞自相关函数值图,图3(a)为春季,图3(b)为夏季,图3(c)为秋季,图3(d)为冬季;
图4是模型参数估计结果图;
图5是日总负荷预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
进行负荷预测建立预测模型前,对这些影响因素与电力负荷进行相关性分析。比较出研究对象与待识别对象各影响因素之间的贴近程度的关联度,通过比较各关联度的大小来判断待识别对象对研究对象的影响程度。
由于区域电力负荷所表现出的复杂性、不确定性等特点,并且其与温度、湿度、风速、星期类型、建筑功能、产业构成比例、建筑面积等因素密切相关,因此建立Elman神经网络预测模型。
为了更好的分析不同气象因素处理方式对电力负荷预测产生的影响,考虑三种气象因素处理方式进行对比研究:①不考虑气象变量,以前序自相关负荷作为输入的负荷预测模型(Elman);②考虑前序自相关负荷并加入气温作为输入的负荷预测模型(Elman-T);③考虑前序自相关负荷并加入综合气象变量因子作为输入的负荷预测模型(Elman-PCA)。相关性分析是对两个或多个具备相关性的变量元素进行分析,衡量变量之间的相关密切程度。本发明重点考虑气象因素对电力负荷预测的影响,需要对电力负荷与气象因素间进行相关性分析。考虑区域负荷受气温、相对湿度、风速、蒸发量等多重气象因素的影响。Elman-t是取关联度第一的气温因素,Elman-PCA取关联度前三的。
皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,公式如下:
式中:ρX,Y代表总体相关系数,X,Y分别为电力负荷及气象因子变量,cov(X,Y)为变量X,Y的协方差,μX,μY为变量X,Y的期望值,σXσY为变量X,Y的标准差,E为期望。
以样本的相关系数代表总体相关系数,计算公式如下:
样本相关系数r也可以通过(Xi,Yi)样本的标准分数均值估计,得到:
样本相关系数r表示两个变量间的线性强弱关系,样本相关系数r的值在-1与1之间,若r>0表示两个变量是正相关;若r<0,则表示为负相关,r的绝对值越大表明相关性越强。
由于区域电负荷所表现出的复杂性、不确定性等特点,并且其与温度、湿度、风速、蒸发量等因素密切相关,提出采用Elman神经网络预测模型。如图1所示,本发明所采用的Elman神经网络预测算法的流程为:
1)初始化各层连接权值;
2)输入样本;
3)计算输入层神经元输出;
4)计算隐含层神经元输出;
5)计算输出层神经元输出;
6)判别输出误差是否满足精度要求;
7)如果步骤6)的结果是不满足,则进行权值更新并计算承接层输出,然后转至步骤4);如果步骤6)的结果是满足,则转至步骤8);
8)训练结束;
9)预测样本;
10)得到预测值;
11)结束。
采用Elman神经网络进行预测时,首先需要对各层连接权值进行初始化,并对输入样本做归一化处理,然后进行网络的计算(计算输入层、隐含层、输出层神经元输出,通过误差分析更新权值,计算承接层输出),最后利用训练好的网络进行负荷预测,得出预测值。
图2所示为Elman神经网络结构示意图。Elman神经网络包括输入层、隐含层、承接层和输出层。输入层、隐含层及输出层的连接与BP神经网络相类似,输入层进行信号传输,输出层起加权作用。承接层用来记忆隐含层单元前一时刻的输出值,通常被认为是一个延时算子网络。
Elman神经网络的数学模型为:
x(k)=f(ω1xc(k)+ω2i(k-1))
xc(k)=a·xc(k-1)+x(k-1)
y(k)=g(ω3x(k))
式中:y为m维输出节点向量;x为n维中间层节点单元向量;i为r维输入向量;xc为n维反馈状态向量;a为自连接反馈增益因子;ω1为承接层与隐含层的连接权值;ω2为输入层与隐含层的连接权值;ω3为隐含层与输出层的连接权值;g(.)为输出神经元的传递函数;f(.)为中间层神经元的传递函数;k表示第k个时刻。
Elman神经网络预测模型具体建立过程如下:
(1)进行模型输入变量电力负荷及气象因子变量的处理,模型输入变量处理,同具体事例中:每十五分钟间隔的实际电负荷值累加、求和后得到逐日总负荷,气温、相对湿度、风速、蒸发及地表气温等气象变量的逐小时数据采样数据为例,采取累加、平均等处理,获得与电力负荷时间尺度相一致的逐时与逐日气象特征数据。并进行数据归一化处理;
(2)以剔除前序自相关负荷后剩余负荷序列长度的前3/4作为建模训练样本,后1/4作为预测验证样本;为提高预测精度,建议建模训练样本数据不小于总样本的3/4。前序自相关指短期电力负荷的预测需要考虑前期负荷的演变规律及其相关因素的影响。前序自相关负荷时滞根据负荷自相关函数(Autocorrelation Function,ACF)进行确定。四季日总负荷各时滞自相关函数值如图3所示。图3中纵坐标表示自相关系数ACF,横坐标表示时滞,水平直线条表示自相关函数95%显著性水平的临界值(临界值大小与时间序列长度成反比),根据四季日总负荷序列长度,相关系数临界值表确定临界值分别为0.205、0.209、0.210、0.211。当自相关函数值大于临界值时,表明该时滞负荷与目标时段负荷显著相关;否则,自相关性不显著。取正自相关函数值大于临界值的最大时滞作为前序自相关负荷时滞,由图3可知,春季前序自相关负荷时滞为4d、夏季和秋季为7d、冬季为3d。
(3)根据输入变量数量,初步确定Elman神经网络模型中隐藏神经元可变范围,针对每一神经元数量训练Elman神经网络,以模拟负荷平均绝对百分比误差(MAPE)最小网络对应的隐藏神经元数量确定模型结构;
(4)基于步骤(3)中优选的Elman神经网络,用matlab从模拟期开始对模拟训练期第1时段的负荷进行预测;预测完成后将第1时段实测负荷作为已知值,继续将第2时段对应的前序自相关负荷与气象变量作为输入,预测第2时段的负荷;逐时段滚动模拟、预测负荷直至预测期结束;
(5)对模拟预测值进行反归一化处理,得到模拟和预测的负荷值;
(6)采用平均绝对百分比误差MAPE与最大绝对百分比误差max_APE评价负荷模拟预测精度;评价指标计算公式如下:
通过求解预测误差,比较Elman、Elman-T、Elman-PCA的在不同季节下的预测精度,提高计及多种气象影响因素后负荷预测的精度;可以针对不同季节实施有效的负荷调控措施。
具体实施例:
以某地一年中,每十五分钟间隔的实际电负荷值累加、求和后得到逐日总负荷,气温、相对湿度、风速、蒸发及地表气温等气象变量的逐小时数据采样数据为例,采取累加、平均等处理,获得与电力负荷时间尺度相一致的逐时与逐日气象特征数据。分别考虑三种气象因素处理方式进行对比研究:①不考虑气象变量,以前序自相关负荷作为输入的负荷预测模型(Elman);②考虑前序自相关负荷并加入气温作为输入的负荷预测模型(Elman-T);③考虑前序负荷并加入综合气象因子(以多气象变量主成分分析后的第一主成分作为综合气象因子)作为输入的负荷预测模型(Elman-PCA)。在Matlab中编写算法程序,得到Elman神经网络预测模型参数估计结果如图4,图5是日总负荷预测结果图,由图5可以看出,对于夏季和冬季日总负荷,Elman-PCA和Elman-T均优于仅输入前序自相关负荷的Elman模型。因此可以选用Elman-PCA和Elman-T模型进行预测,提高准确率。
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。
Claims (3)
1.一种考虑气象因素的区域电力负荷预测方法,其特征在于,该方法包含下列步骤:
采用三种气象因素处理方式进行对比:①不考虑气象变量,以前序自相关负荷作为输入的负荷预测模型Elman;②考虑前序自相关负荷并加入气温作为输入的负荷预测模型Elman-T;③考虑前序自相关负荷并加入综合气象变量因子作为输入的负荷预测模型Elman-PCA;
对电力负荷与气象因素间进行相关性分析:
皮尔逊相关系数定义为两个变量之间的协方差和标准差的商,公式如下:
式中:ρX,Y代表总体相关系数,X,Y分别为电力负荷及气象因子变量,cov(X,Y)为变量X,Y的协方差,μX,μY为变量X,Y的期望值,σXσY为变量X,Y的标准差,E为期望;
以样本相关系数r代表总体相关系数,样本相关系数r表示两个变量间的线性强弱关系,样本相关系数r的值在-1与1之间,若r>0表示两个变量是正相关;若r<0,则表示为负相关,r的绝对值越大表明相关性越强;
Elman神经网络的数学模型为:
x(k)=f(ω1xc(k)+ω2i(k-1))
xc(k)=a·xc(k-1)+x(k-1)
y(k)=g(ω3x(k))
式中:y为m维输出节点向量;x为n维中间层节点单元向量;i为r维输入向量;xc为n维反馈状态向量;a为自连接反馈增益因子;ω1为承接层与隐含层的连接权值;ω2为输入层与隐含层的连接权值;ω3为隐含层与输出层的连接权值;g(.)为输出神经元的传递函数;f(.)为中间层神经元的传递函数;k表示第k个时刻;
Elman神经网络预测方法包括:
1)初始化各层连接权值;
2)输入样本;
3)计算输入层神经元输出;
4)计算隐含层神经元输出;
5)计算输出层神经元输出;
6)判别输出误差是否满足精度要求;
7)如果步骤6)的结果是不满足,则进行权值更新并计算承接层输出,然后转至步骤4);如果步骤6)的结果是满足,则转至步骤8);
8)训练结束;
9)预测样本;
10)得到预测值;
11)结束;
Elman神经网络预测模型建立过程如下:
(1)进行模型输入变量电力负荷及气象因子变量的处理,模型输入变量处理为:每十五分钟间隔的实际电负荷值累加、求和后得到逐日总负荷,气温、相对湿度、风速、蒸发及地表气温气象变量的逐小时数据采样数据,采取累加、平均处理,获得与电力负荷时间尺度相一致的逐时与逐日气象特征数据;然后进行数据归一化处理;
(2)负荷预测模型Elman以剔除前序自相关负荷后剩余负荷序列长度的前3/4作为建模训练样本,后1/4作为预测验证样本;负荷预测模型Elman-T以剔除前序自相关负荷后剩余负荷序列长度的前3/4作为建模训练样本,并加入气温作为输入;负荷预测模型Elman-PCA以剔除前序自相关负荷后剩余负荷序列长度的前3/4作为建模训练样本,并加入综合气象变量因子作为输入;
(3)根据输入变量数量,初步确定Elman神经网络模型中隐藏神经元可变范围,针对每一神经元数量训练Elman神经网络,以模拟负荷平均绝对百分比误差MAPE最小网络对应的隐藏神经元数量确定模型结构;
(4)基于步骤(3)中优选的Elman神经网络,用matlab从模拟期开始对模拟训练期第1时段的负荷进行预测;预测完成后将第1时段实测负荷作为已知值,继续将第2时段对应的前序自相关负荷与气象变量作为输入,预测第2时段的负荷;逐时段滚动模拟、预测负荷直至预测期结束;
(5)对模拟预测值进行反归一化处理,得到模拟和预测的负荷值;
(6)采用平均绝对百分比误差MAPE与最大绝对百分比误差max_APE评价负荷模拟预测精度;评价指标计算公式如下:
通过求解预测误差MAPE与max_APE,比较Elman、Elman-T、Elman-PCA的在不同季节下的预测精度,提高计及多种气象影响因素后负荷预测的精度;以针对不同季节实施有效的负荷调控措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206396.0A CN111428926B (zh) | 2020-03-23 | 2020-03-23 | 一种考虑气象因素的区域电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206396.0A CN111428926B (zh) | 2020-03-23 | 2020-03-23 | 一种考虑气象因素的区域电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428926A CN111428926A (zh) | 2020-07-17 |
CN111428926B true CN111428926B (zh) | 2021-08-31 |
Family
ID=71553633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010206396.0A Active CN111428926B (zh) | 2020-03-23 | 2020-03-23 | 一种考虑气象因素的区域电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428926B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200383A (zh) * | 2020-10-28 | 2021-01-08 | 宁波立新科技股份有限公司 | 一种基于改进型Elman神经网络的电力负荷预测方法 |
CN112348700B (zh) * | 2020-11-05 | 2022-11-29 | 国家电网公司华中分部 | 一种结合som聚类与ifou方程的线路容量预测方法 |
CN112531683A (zh) * | 2020-11-19 | 2021-03-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于奥恩斯坦-乌伦贝克过程求解的配网线路负荷预测方法 |
CN113112090B (zh) * | 2021-04-29 | 2023-12-19 | 内蒙古电力(集团)有限责任公司内蒙古电力经济技术研究院分公司 | 基于综合互信息度的主成分分析的空间负荷预测方法 |
CN113570106B (zh) * | 2021-05-17 | 2023-11-17 | 国网山东省电力公司潍坊供电公司 | 基于高速公路神经网络的电力负荷预测方法及设备 |
CN113554213A (zh) * | 2021-06-11 | 2021-10-26 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种天然气需求预测方法、系统、存储介质及设备 |
CN115081702A (zh) * | 2022-06-14 | 2022-09-20 | 国网信息通信产业集团有限公司 | 一种具有可解释特性的电力负荷预测方法、系统及终端机 |
CN115238754B (zh) * | 2022-09-21 | 2023-02-14 | 国网江西省电力有限公司电力科学研究院 | 一种基于多元感知的电力变压器短期运行温度预测方法 |
CN116826745B (zh) * | 2023-08-30 | 2024-02-09 | 山东海兴电力科技有限公司 | 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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927695B (zh) * | 2014-04-22 | 2017-11-24 | 国家电网公司 | 基于自学习复合数据源的风电功率超短期预测方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN104899656A (zh) * | 2015-06-05 | 2015-09-09 | 三峡大学 | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 |
CN106651020B (zh) * | 2016-12-16 | 2020-09-11 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN107730031B (zh) * | 2017-09-25 | 2022-08-09 | 中国电力科学研究院有限公司 | 一种超短期高峰负荷预测方法及其系统 |
CN110009136A (zh) * | 2019-03-12 | 2019-07-12 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器及配电线路的负荷预测方法 |
-
2020
- 2020-03-23 CN CN202010206396.0A patent/CN111428926B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111428926A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111428926B (zh) | 一种考虑气象因素的区域电力负荷预测方法 | |
CN111860979B (zh) | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 | |
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
Wang et al. | Adaptive learning hybrid model for solar intensity forecasting | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN113572206B (zh) | 一种风电出力区间预测方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN111160650A (zh) | 一种基于Adaboost算法的交通流特性分析与预测方法 | |
CN115759371A (zh) | 一种基于gcn-lstm的电力系统短期负荷预测方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN112418495A (zh) | 一种基于天牛须优化算法和神经网络的建筑能耗预测方法 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN110084403B (zh) | 架空导线载流量的多时段联合概率密度预测方法及系统 | |
CN113591957B (zh) | 基于lstm和马尔科夫链的风电出力短期滚动预测与校正方法 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
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 | |
Zhang | Short-term power load forecasting based on SAPSO-CNN-LSTM model considering autocorrelated errors | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
Bashir et al. | Short-term load forecasting using artificial neural network based on particle swarm optimization algorithm |
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 |