CN111461448A - 一种基于SageMath的负荷预测模型配置方法及计算机程序产品 - Google Patents
一种基于SageMath的负荷预测模型配置方法及计算机程序产品 Download PDFInfo
- Publication number
- CN111461448A CN111461448A CN202010275037.0A CN202010275037A CN111461448A CN 111461448 A CN111461448 A CN 111461448A CN 202010275037 A CN202010275037 A CN 202010275037A CN 111461448 A CN111461448 A CN 111461448A
- Authority
- CN
- China
- Prior art keywords
- load prediction
- load
- sagemath
- algorithm
- data
- 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 74
- 238000004590 computer program Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000013178 mathematical model Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000003860 storage Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013277 forecasting method Methods 0.000 abstract description 2
- 238000013515 script Methods 0.000 description 29
- 238000004364 calculation method Methods 0.000 description 14
- 235000002020 sage Nutrition 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000007620 mathematical function Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 244000145013 Salvia dominica Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (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
本发明公开了一种基于SageMath的负荷预测模型配置方法及计算机程序产品,本发明的方法包括负荷预测数学模型、负荷预测算法库、数据计算库及负荷预测数学模型分析及应用。能够实现在线配置完成曲线拟合、自然增长及大用户法、弹性系数法、网格负荷预测方法、负荷密度法、贝叶斯算法及负荷预测效果分析评价公式。本发明的方法集负荷预测收资、负荷预测算法库、负荷预测数学模型于一体,解决了现有负荷预测面临的“历史负荷数据收资难、预测模型建立难、预测方法研究难、精准预测提升难”的四大难题。
Description
技术领域
本发明属于电网规划技术领域,具体涉及一种基于SageMath的负荷预测模型配置方法及计算机程序产品,可将现有多种负荷预测模型算法配置在一个应用系统中,对未来电力的增长进行预测,或对负荷预测的现有算法进行对比分析及研究。
背景技术
1、SageMath的背景技术
SageMath中包含的数学基础库有二维图表、三维图表、数学函数、微积分、有限群、阿贝尔群、群论、数论、狄利克雷特征、模形式、线性代数、线性码和密码、表示理论、数学环理论、多项式、初等数论、高等数学、模块化形式、椭圆曲线、代数几何、平面曲线、符号计算、统计等数学计算基础功能库。可以满足现有负荷预测算法中有关数学公式的应用,同时,在SageMath中也可以采用自定义的方式来实现特殊数学函数。
负荷预测数学模型采用的数学库是基于SageMath8.8,以SageMath8.8为基础,使用现有算法构建负荷预测算法库或算法组合构成负荷预测数学模型。负荷预测算法中,会应用大量数学计算公式,这些数学计算公式主要包含常用数学函数(例如log函数、ln函数、sin函数等)、微积分、线性代数或自定义扩展的数学计算函数等。
2、负荷预测的背景技术
电力负荷预测是电力部门的重要工作之一,准确的负荷预测,可以经济合理地安排电网内部发电机组的启停,保持电网运行的安全稳定性,减少不必要的旋转储备容量,合理安排机组检修计划,保障社会的正常生产和生活,有效地降低发电成本,提高经济效益和社会效益。准确的负荷预测,也可以经济合理地安排电网未来中期项目计划投资的建设时序。
负荷预测是根据电力系统的运行特性、增容决策、自然条件与社会影响等诸多因数,在满足一定精度要求的条件下,确定未来某特定时刻的负荷数据,其中负荷是指电力需求量(功率)或用电量。
负荷预测按预测目的不同可以分为超短期负荷预测、短期负荷预测、中期负荷预测及长期负荷预测。
其中,超短期负荷预测,是指未来1h以内的负荷预测,在安全监视状态下,需要5~10s或1~5min的预测值,预防性控制和紧急状态处理需要10min至1h的预测值;短期负荷预测是指日负荷预测和周负荷预测,分别用于安排日调度计划和周调度计划,包括确定机组起停、水火电协调、联络线交换功率、负荷经济分配、水库调度和设备检修等,对短期预测,需充分研究电网负荷变化规律,分析负荷变化相关因子,特别是天气因素、日类型等和短期负荷变化的关系。上述的超短期及短期负荷预测主要在电网系统调度部门应用较多。
中期负荷预测是按月至年的负荷预测,主要是确定机组运行方式和设备大修计划等。长期负荷预测是指未来3~5年甚至更长时间段内的负荷预测,主要是电网规划部门根据国民经济的发展和对电力负荷的需求,所作的电网改造和扩建工作的远景规划。对中、长期负荷预测,要特别研究国民经济发展、国家政策等的影响。
负荷预测的方法按预测方法来分类又可以分为经典预测方法和现代预测方法。
例如,中国专利201611133685.2《一种基于BP神经网络的超短期负荷预测方法》和201510788094.8《一种基于指数平滑的电力系统灰色负荷预测方法》。前一种负荷预测方法是属于超短期负荷预测方法,主要在电力系统调度部门使用。后一种负荷预测方法,是基于灰色负荷预测的方法,主要应用于中长期负荷预测。以上两种负荷预测算法,都属于单一负荷预测算法的具体应用,缺少统一的电力系统负荷预测算法库或灵活可配的电力系统负荷预测数学模型。
负荷预测的算法众多,这些负荷预测算法均分布在不同电力部门的业务系统中,没有统一的构建模型以及分析研究平台。负荷预测算法本身具有“不准确性、条件性、时间性、多方案性”等显著特点。在各应用系统中,均有不同的负荷预测算法实现,实现的方式主要是使用C/C++、Java、C#等静态编译型编程语言实现,功能一旦构建完成,很难进行灵活调整。常规的研究方法都是从不同电力系统中抽取对应数据进行线下分析,影响了工作的经济时效性。
发明内容
为解决目前存在的预测收资数据多、预测模型建立难、预测方法研究难、精准预测提升难等问题,需要解决负荷预测收集资料、可配置的负荷预测算法库及负荷预测数学模型库。实现在一个系统中具有负荷预测所需的数据输入及存储,数学公式、负荷预测算法的在线编辑、配置、调试、运行、性能分析及算法保存,数学模型的新增、配置、执行、停止、删除及管理,计算结果图形化展示及数据导出等功能,例如在线配置完成曲线拟合、自然增长及大用户法、弹性系数法、网格负荷预测方法、负荷密度法、贝叶斯算法及负荷预测效果分析评价公式等。
本发明的一种基于SageMath的负荷预测模型配置方法及计算机程序产品主要针对现有负荷预测算法的“历史负荷数据收资难、预测模型建立难、预测方法研究难、精准预测提升难”的四大难题。
本发明解决上述技术问题的技术方案为:
一种基于SageMath的负荷预测模型配置方法,主要包括四大步骤:
(1)负荷预测数据收资,包括:
负荷预测工作的关键点在于收集大量的历史资料;
负荷预测的数据收资范围包括:国民经济、环境气象(最高温度、最低温度、湿度、平均风力、晴雨、台风)、社会用电量、网供电量、行业电量、区域电量、最大负荷、最小负荷、负荷率、负荷曲线、母线电压等;
多方面调查收集资料,包括电力企业内部资料和外部资料,从众多的资料中挑选出有用的一小部分,即把资料浓缩到最小量。
(2)构建负荷预测算法库,包括:
负荷预测算法库按基本方法、超短期方法、短期方法、中期方法、长期方法、经典方法、现代方法七个维度进行构建。例如系统已在基本方法中配置构建完成回归分析法、弹性系数法等。
(3)构建负荷预测数学模型,包括:
以步骤(1)负荷预测数据收资和步骤(2)构建负荷预测算法库为基础,构建负荷预测数学模型;
步骤(1)中的收资数据、步骤(2)中的负荷预测算法库均可以在负荷预测数学模型中配置后可引入现有数据及算法,实现负荷预测数学模型的构建。
(4)负荷预测数学模型分析及应用,包括:
在步骤(3)完成后,如需增加负荷预测准确性分析与评估,可在负荷预测数学模型配置脚本文件中新增或引入一般预测结果的分析与评价、一元线性回归的分析与检验、多元线性回归的假设检验或其他分析与校验方法。对负荷预测模型的准确性进行在线对比分析;
负荷预测数学模型以现有历史数据为基础,进行大量试验性研究,经验总结后,需不断修正模型和算法,即可对现有负荷按不同的负荷预测目的开展负荷预测工作。
所述的负荷预测算法为自定义贝叶斯算法。
所述负荷预测算法能够进行灵活在线编辑、调试及配置。
所构建的算法能够永久保存、灵活调整及配置,下次使用无需重新配置。
所述的负荷预测算法及负荷预测数学模型数据来自公共数据池。
所述SageMath是基于V8.8及后续新扩展版本,所述SageMath包括SageMathNotebook或SageMathCloud,并能够进行功能切换。
本发明还包括一种基于SageMath的负荷预测模型配置的计算机程序产品,所述的计算机程序产品包括非瞬态可读存储介质和计算机程序,所述计算机程序被有形地存储在所述的非瞬态可读存储介质上,该计算机程序被计算机内的处理器执行所述的基于SageMath的负荷预测模型配置方法的步骤。
本发明的有益效果是:
集负荷预测收资、负荷预测算法库、负荷预测数学模型于一体,能够在线构建、配置自定义数学计算公式、负荷预测算法库、负荷预测数学模型。解决了现有负荷预测面临的“历史负荷数据收资难、预测模型建立难、预测方法研究难、精准预测提升难”的四大难题。
附图说明
图1为本发明的基于SageMath的负荷预测模型配置方法的总体流程图。
图2为本发明的收资历史资料XX省国内生产总值(亿元)、第一产业、第二产业及第三产业曲线图。
图3为本发明的基于SageMath的负荷预测模型配置方法的新建数学公式及算法脚本的业务流程图。
图4为本发明的基于SageMath的负荷预测模型配置方法的新建负荷预测数学模型的业务流程图。
图5为本发明的基于SageMath的负荷预测模型配置方法的负荷预测效果的分析的业务流程图。
图6为本发明的基于SageMath的负荷预测模型配置方法的编写数学公式的数学计算脚本的输出图形举例。
图7本为发明的基于SageMath的负荷预测模型配置方法的负荷预测数学模型预测结果图形化展示图举例。
图8本为发明的基于SageMath的负荷预测模型配置方法的负荷预测数学模型的弹性系数算法预测结果图形化展示图举例。
具体实施方式
负荷预测数学模型历史数据收集部分:
以下内容结合表1、图2进一步对本发明历史数据接入部分进行说明。
表1XX省国民经济的数据模型
年份 | 国内生产总值(亿元) | 第一产业 | 第二产业 | 第三产业 |
1978 | 69.05 | 29.46 | 27.58 | 12.01 |
1979 | 76.83 | 32.38 | 30.5 | 13.95 |
1980 | 84.27 | 35.89 | 33.98 | 14.4 |
1981 | 94.13 | 41.23 | 35.8 | 17.1 |
1982 | 110.12 | 47.04 | 42.39 | 20.69 |
1983 | 120.07 | 49.33 | 47.28 | 23.46 |
1984 | 139.58 | 57.33 | 54.38 | 27.87 |
1985 | 164.96 | 66.07 | 65.41 | 33.48 |
1986 | 182.28 | 71.32 | 70.83 | 40.13 |
1987 | 229.03 | 84.06 | 84.3 | 60.67 |
1988 | 301.09 | 103.47 | 112.4 | 85.22 |
1989 | 363.05 | 119.01 | 138.06 | 105.98 |
1990 | 451.67 | 168.13 | 157.8 | 125.74 |
表1为XX省国民经济的数据模型,如图2所示,为国民经济数据按曲线图形进行展示。一种基于SageMath的负荷预测模型历史数据接入方法,其数据是从公共数据池中接入负荷预测数学模型,本业务特征包括以下几个步骤:
a、新建Sage数据访问脚本;
b、编写Sage数据访问脚本;
c、Sage脚本调试;
d、Sage脚本保存至数学计算库;
e、历史数据图形化展示。
在步骤b中,Sage脚本中可以直接在SageMath中访问PostGreSQL或Redis数据库中的现有数据。现举例如下,将XX省1978年至2018年的国内生产总值、第一产业、第二产业及第三产业的国民经济数据,接入负荷预测数学模型,Sage脚本如下:
输出图形见图2所示。
编写完成后,进入步骤c,对脚本进行调试。调试完成之后,进入步骤d,对脚本进行保存。
负荷预测数学模型中数学公式及算法库构建部分:
以下内容结合图3进一步对本发明内容进行说明。
如图3所示,一种基于SageMath的负荷预测模型配置方法,其新建数学公式及算法脚本的业务特征包括以下几个步骤:
a、新建Sage脚本;
b、编写Sage脚本;
c、Sage脚本调试;
d、Sage脚本保存至数学计算库。
在步骤b中,Sage脚本中可以直接调用SageMath中现有数学计算公式,也可以按计算结果的要求,重新编写数学公式。现举例如随意新建一个图形输出的数学计算脚本,Sage脚本如下:
var('a,b,c,x')
set_random_seed(0.0)
data=[(i,1.2*sin(0.5*i-0.2)+0.1*normalvariate(0,1))for i in xsrange(0,4*pi,0.2)]
data_plot=list_plot(data)
model(x)=a*sin(b*x-c)
fitted_params=find_fit(data,model,solution_dict=True)
print("a={0}".format(fitted_params[a]))
print("b={0}".format(fitted_params[b]))
print("c={0}".format(fitted_params[c]))
g(x)=model.subs(a=fitted_params[a],b=fitted_params[b],c=fitted_params[c])
fitted_plot=plot(g(x),(x,0,4*pi),color='red')
show(data_plot+fitted_plot,figsize=(4,3))
输出图形见附图4。
编写完成后,进入步骤c,输入验证数据对公式进行正确性验证。公式验证正确之后,进入步骤d,对脚本进行保存。
如图4、图5所示,一种基于SageMath的负荷预测模型配置方法,其新建负荷预测数学模型的特征包括以下几个步骤:
a、启动负荷预测数学模型界面;
b、在负荷预测数学模型清单中,选择需要执行的数学模型。如果没有,选择新建负荷预测数学模型,配置数学计算公式及负荷预测算法,调试公式及算法,最后保存数学计算公式及负荷预测算法;
c、在执行负荷预测算法模型时,如果需要对负荷预测数学模型进行性能、准确度等进行分析,可以在数学模型中增加分析公式;
d、执行负荷预测数学模型;
e、在执行负荷预测数学模型之前,如果增加负荷预测数学模型分析公式,则展示负荷预测数学模型分析结果;
f、负荷预测数学模型预测结果图形化展示。
在步骤b中,选择执行Sage脚本中可以直接调用SageMath中现有数学计算公式,也可以按计算结果的要求,重新编写数学公式。
现举例如使用指数拟合的部分算法脚本进行说明,脚本如下所示:
temp_b=get_b(X,ln_Y,ln_L,n);
temp_a=get_a(mean(X),mean(ln_Y),temp_b);
a=e^temp_a;
b=temp_b;
a=a.n(digits=10);
b=b.n(digits=10);
x=var('x');
f(x)=a*(e^(b*x));
fitted_plot=plot(f(x),(X[0],X[n-1]+1),color='red')
list_data={};
for item in L:list_data[item['x']]=item['y'];
data_plot=list_plot(list_data);
show(f);
show(data_plot+fitted_plot);
编写完成后,进入步骤c,输入验证数据对公式进行正确性验证。公式验证正确之后,进入步骤d,对脚本进行保存。最后就可以看到输出结果。
输出图形见附图7所示。
弹性系数算法脚本示例,脚本中的算法为测试数据,未加入实际负荷数据,脚本如下所示:
I=[{'g':1,'a':2},{'g':3,'a':3.6},{'g':5,'a':4.7},{'g':7,'a':7.9},{'g':9,'a':10.2},{'g':11,'a':12},{'g':13,'a':14.1},{'g':15,'a':16.1},{'g':17,'a':18.1}];
n_f=1;
gap=2;
G=[n['g']for n in I];
A=[n['a']for n in I];
n=0;
for item in I:n=n+1;
k_t=0;k_zch=0;k_gzch=0;
k_zch=(A[n-1]/A[0])^(1/n)-1;
k_gzch=(G[n-1]/G[0])^(1/n)-1;
k_t=k_zch/k_gzch;
x=var('x');
f(x)=A[n-1]*((1+k_t*k_gzch)^x);
list_data={};
for item in I:list_data[item['g']]=item['a'];
data_plot=list_plot(list_data);
fitted_point={(G[n-1]+n_f*gap):f(n_f)};
fitted_point_plot=list_plot(fitted_point,color='red');
print("n={0},An={1}".format(n_f,f(n_f)));
show(f);
show(data_plot+fitted_point_plot);
输出图形见附图8所示。
以上保存在数学计算库中的Sage脚本,即可单独执行,也可以组合执行。如果需要组合执行,需确保数据输入部分的数学公式脚本中的变量名称与负荷预测算法脚本的数据输入变量保持一致即可。
本发明的一种基于SageMath的负荷预测模型配置的计算机程序产品,所述的计算机程序产品包括非瞬态可读存储介质和计算机程序,所述计算机程序被有形地存储在所述的非瞬态可读存储介质上,该计算机程序被计算机内的处理器执行所述的基于SageMath的负荷预测模型配置方法的具体实施方式的步骤。
Claims (10)
1.一种基于SageMath的负荷预测模型配置方法,其特征在于包括以下步骤:
(1)负荷预测历史数据收集,收集历史资料,所述历史资料包括:国民经济、环境气象、社会用电量、网供电量、行业电量、区域电量、最大负荷、最小负荷、负荷率、负荷曲线、母线电压;
(2)构建负荷预测算法库,按7种类型进行构建,所述7种类型包括基本方法、超短期方法、短期方法、中期方法、长期方法、经典方法和现代方法;
(3)构建负荷预测数学模型,包括:
以步骤(1)负荷预测数据收资和步骤(2)构建负荷预测算法库为基础,构建负荷预测数学模型;
所述步骤(1)中的收资数据、步骤(2)中的负荷预测算法库均在负荷预测数学模型中配置后能够引入现有数据及算法,实现负荷预测数学模型的构建;
(4)负荷预测数学模型分析及应用,包括:
在步骤(3)完成后,当需要增加负荷预测准确性分析与评估时,在所述构建负荷预测数学模型中新增或引入一般预测结果的分析与评价、一元线性回归的分析与检验、多元线性回归的假设检验或其他分析与校验方法,对负荷预测模型的准确性进行在线对比分析。
2.根据权利要求1所述的基于SageMath的负荷预测模型配置方法,其特征在于:
所述环境气象包括最高温度、最低温度、湿度、平均风力、晴雨、台风。
3.根据权利要求1所述的基于SageMath的负荷预测模型配置方法,其特征在于:
所述的负荷预测算法库的基本方法包括回归分析法和弹性系数法。
4.根据权利要求1所述的基于SageMath的负荷预测模型配置方法,其特征在于:
所述的构建负荷预测算法库基于现有算法动态构建负荷预测算法库。
5.根据权利要求1所述的基于SageMath的负荷预测模型配置方法,其特征在于:
所述的负荷预测算法为自定义贝叶斯算法。
6.根据权利要求1所述的基于SageMath的负荷预测模型配置方法,其特征在于:
所述负荷预测算法能够进行灵活在线编辑、调试及配置。
7.根据权利要求1所述的基于SageMath的负荷预测模型配置方法,其特征在于:
所构建的算法能够永久保存、灵活调整及配置,下次使用无需重新配置。
8.根据权利要求1所述的基于SageMath的负荷预测模型配置方法,其特征在于:
所述的负荷预测算法及负荷预测数学模型数据来自公共数据池。
9.根据权利要求1至8任一项所述的基于SageMath的负荷预测模型配置方法,其特征在于:
所述SageMath是基于V8.8及后续新扩展版本,所述SageMath包括SageMath Notebook和/或SageMathCloud,并能够进行功能切换。
10.一种基于SageMath的负荷预测模型配置的计算机程序产品,其特征在于:
所述的计算机程序产品包括非瞬态可读存储介质和计算机程序,所述计算机程序被有形地存储在所述的非瞬态可读存储介质上,该计算机程序被计算机内的处理器执行根据权利要求1至9任一项所述的基于SageMath的负荷预测模型配置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010275037.0A CN111461448A (zh) | 2020-04-09 | 2020-04-09 | 一种基于SageMath的负荷预测模型配置方法及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010275037.0A CN111461448A (zh) | 2020-04-09 | 2020-04-09 | 一种基于SageMath的负荷预测模型配置方法及计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111461448A true CN111461448A (zh) | 2020-07-28 |
Family
ID=71678540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010275037.0A Pending CN111461448A (zh) | 2020-04-09 | 2020-04-09 | 一种基于SageMath的负荷预测模型配置方法及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461448A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488365A (zh) * | 2020-11-17 | 2021-03-12 | 深圳供电局有限公司 | 一种基于负荷预测流水线框架语言的负荷预测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 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 |
CN106951990A (zh) * | 2017-03-20 | 2017-07-14 | 国家电网公司 | 电力负荷智能预测方法及装置 |
CN108985570A (zh) * | 2018-08-17 | 2018-12-11 | 深圳供电局有限公司 | 一种负荷预测方法及其系统 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
-
2020
- 2020-04-09 CN CN202010275037.0A patent/CN111461448A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 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 |
CN106951990A (zh) * | 2017-03-20 | 2017-07-14 | 国家电网公司 | 电力负荷智能预测方法及装置 |
US20190081476A1 (en) * | 2017-09-12 | 2019-03-14 | Sas Institute Inc. | Electric power grid supply and load prediction |
CN108985570A (zh) * | 2018-08-17 | 2018-12-11 | 深圳供电局有限公司 | 一种负荷预测方法及其系统 |
Non-Patent Citations (3)
Title |
---|
吴熳红等: "几种电力负荷预测方法及其比较", 《广东电力》 * |
王卓群: "用Sagemath计算微积分", 《软件导刊》 * |
马静波等: "自适应卡尔曼滤波在电力系统短期负荷预测中的应用", 《电网技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488365A (zh) * | 2020-11-17 | 2021-03-12 | 深圳供电局有限公司 | 一种基于负荷预测流水线框架语言的负荷预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
López et al. | Application of SOM neural networks to short-term load forecasting: The Spanish electricity market case study | |
CN107977737A (zh) | 基于mxnet框架深度神经网络的配变负荷预测方法 | |
CN102289569A (zh) | 一种电力系统突发事件应急处理方法 | |
Cheng et al. | Solving hydro unit commitment problems with multiple hydraulic heads based on a two-layer nested optimization method | |
Li et al. | A machine learning-based vulnerability analysis for cascading failures of integrated power-gas systems | |
Qarnain et al. | Analyzing factors necessitating conservation of energy in residential buildings of Indian subcontinent: A DEMATEL approach | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
CN109086930A (zh) | 一种基于电力k线图及深度网络的用户用电行为分析方法 | |
Zhou et al. | A novel seasonal fractional grey model for predicting electricity demand: A case study of Zhejiang in China | |
CN115640889A (zh) | 基于多元线性回归和改进型lstm的电力负荷预测方法 | |
Liu et al. | A review of wind energy output simulation for new power system planning | |
CN111461448A (zh) | 一种基于SageMath的负荷预测模型配置方法及计算机程序产品 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
Yang et al. | The stochastic short-term hydropower generation scheduling considering uncertainty in load output forecasts | |
CN115577996B (zh) | 一种电网停电计划的风险评估方法、系统、设备和介质 | |
Ge et al. | An efficient stochastic algorithm for mid-term scheduling of cascaded hydro systems | |
Pal et al. | Short-Term Load Forecasting Using Adaptive Neuro-Fuzzy Inference System (ANFIS)” | |
Teslyuk et al. | Methods for the Efficient Energy Management in a Smart Mini Greenhouse. | |
Liu et al. | Social implications of cyber-physical systems in electrical load forecasting | |
CN115392560A (zh) | 一种基于决策树的变流器故障预测方法和系统 | |
Hao et al. | Short-Term Power Load Forecasting for Larger Consumer Based on TensorFlow Deep Learning Framework and Clustering-Regression Model | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |