CN111523735A - 一种基于轻量级梯度提升算法预测短期电力负荷的系统模型 - Google Patents

一种基于轻量级梯度提升算法预测短期电力负荷的系统模型 Download PDF

Info

Publication number
CN111523735A
CN111523735A CN202010385330.2A CN202010385330A CN111523735A CN 111523735 A CN111523735 A CN 111523735A CN 202010385330 A CN202010385330 A CN 202010385330A CN 111523735 A CN111523735 A CN 111523735A
Authority
CN
China
Prior art keywords
data
algorithm
gradient
feature
model
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
Application number
CN202010385330.2A
Other languages
English (en)
Inventor
胡炳谦
顾一峰
周浩
韩俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Ieslab Energy Technology Co ltd
Original Assignee
Shanghai Ieslab Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Ieslab Energy Technology Co ltd filed Critical Shanghai Ieslab Energy Technology Co ltd
Priority to CN202010385330.2A priority Critical patent/CN111523735A/zh
Publication of CN111523735A publication Critical patent/CN111523735A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

我国目前正在推进电力改革，其中各省也在积极的准备现货市场的改革。届时，负荷预测能力的强弱，将成为售电公司洗牌的一大关键。在现货市场来临的背景下，签约策略、报价策略、交易策略、单个用户经济测算等等售电公司逃不开的行为，都是以负荷预测的结果作为基础。没有准确的负荷预测结果，售电公司甚至无法在现货市场进行报价，这样的后果便是高额的偏差费用，这是售电公司无法承担的。因此，负荷预测的能力对如今中国的售电公司来说，是至关重要的。本发明提出了一种基于轻量级梯度提升算法来预测短期电力负荷的系统模型可以极大的提高预测准确度。

Description

一种基于轻量级梯度提升算法预测短期电力负荷的系统模型
技术领域
本发明涉及电力负荷预测领域，具体涉及一种基于轻量级梯度提升算法LightGBM(Light Gradient Boosting Method)预测短期电力负荷的系统模型。
背景技术
所谓预测，就是指通过对事物进行分析及研究，并运用合理的方法探索事物的发展变化规律，对其未来发展做出预先估计和判断。电力系统负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下，研究或利用一套系统地处理过去与未来负荷的数学方法，在满足一定精度要求的意义下，确定未来特定时刻的负荷数值。提高负荷预测技术水平，有利于计划用电管理，有利于合理安排电网运行方式和机组检修计划，有利于节煤、节油和降低发电成本，有利于制定合理的电源建设规划，有利于提高电力系统的经济效益和社会效益。对于售电公司来说，有利于售电公司决定自己的中长期合约签约策略，现货市场报价、交易策略，单个用户的经济测算等行为。因此，负荷预测已成为实现电力系统管理现代化、售电公司向现货市场转型的重要内容之一。本发明提出了一种基于轻量级梯度提升算法来预测短期电力负荷的系统模型可以极大的提高预测准确度。
发明内容
本发明提出了一种基于轻量级梯度提升算法LightGBM(Light GradientBoosting Method)来预测短期电力负荷的系统模型。整个过程包括了数据收集模块, 剔除极端值模块, 预测分析模块以及报告模块，如图1所示。
附图说明
图1为本发明实施例中电力负荷预测系统模块流程图。
图2为本发明实施例中历史电力负荷曲线示意图。
图3为本发明实施例中预测电力负荷数据结果的曲线示意图。
具体实施方式
为使得本发明的内容、目的、特征及优点能够更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护说明书的范围。
本发明的技术方案具体步骤如下。
1)通过测量或取得历史数据的方式， 获得该区域的小时级历史气温, 工作日,节假日, 小时参数, 月参数, 年参数, 历史用电负荷, 包括同一时段上一周的负荷,同一时段昨天的负荷，前二十四小时的平均负荷。
2)由于可能存在的人为误差, 我们对于从训练集中删除了异常数据，比如：由于极端高温或极端低温导致的峰值负荷。由于该类数据的出现概率很小, 我们采用异常分析的办法, 剔除掉1%概率最小的数据。异常分析公式如下:
a.首先计算出每一组数据的多元正态分布：
Figure 813034DEST_PATH_IMAGE001
其中,
Figure 522364DEST_PATH_IMAGE002
为数据,
Figure 941845DEST_PATH_IMAGE003
为平均值,
Figure 27612DEST_PATH_IMAGE004
为协方差。
Figure 317779DEST_PATH_IMAGE005
；
Figure 962125DEST_PATH_IMAGE006
b.当
Figure 603322DEST_PATH_IMAGE007
, 则删除掉该值。
3)输出历史电力负荷曲线图如图2所示。
4)采用轻量级梯度提升算法训练模型, 具体步骤如下：
a.输入数据：
Figure 961622DEST_PATH_IMAGE008
；
b.
Figure 637454DEST_PATH_IMAGE009
,
Figure 423007DEST_PATH_IMAGE010
为第i个样本的预测值,
Figure 52965DEST_PATH_IMAGE011
为第k个树模型。预测值由k个树 模型的和组成。损失函数：
Figure 480536DEST_PATH_IMAGE012
, 其中
Figure 10874DEST_PATH_IMAGE013
样本数量。 所以目标函数为:
Figure 232908DEST_PATH_IMAGE014
；
Figure 81653DEST_PATH_IMAGE015
为模型的正则项，用来确保模型训练不会过拟合；
c.由于第t个树模型的预测值:
Figure 47335DEST_PATH_IMAGE016
，所以目标函数可以转化为：
Figure 166601DEST_PATH_IMAGE017
；
d. 为了求解该目标函数, 我们采用泰勒公式:
Figure 825115DEST_PATH_IMAGE018
原问题转化成:
Figure 928200DEST_PATH_IMAGE019
Figure 951037DEST_PATH_IMAGE020
为
Figure 190388DEST_PATH_IMAGE021
对
Figure 754225DEST_PATH_IMAGE022
的一阶导数,
Figure 79027DEST_PATH_IMAGE023
为
Figure 386512DEST_PATH_IMAGE021
对
Figure 244484DEST_PATH_IMAGE022
的二阶导数。由于在第t个树模 型时,
Figure 244801DEST_PATH_IMAGE022
已经是一个已知值, 所以
Figure 56899DEST_PATH_IMAGE021
是一个常数, 目标函数最终简化为:
Figure 433654DEST_PATH_IMAGE024
；
e.为了确保生成的树模型们不会导致过拟合, 目标函数的正则项我们定义为：
Figure 647597DEST_PATH_IMAGE025
其中
Figure 54701DEST_PATH_IMAGE026
和
Figure 354096DEST_PATH_IMAGE027
为人为输入控制值, 根据不同的训练数据而改变。T为叶子数,
Figure 737804DEST_PATH_IMAGE028
为权重值。 也就是说, 我们希望目标函数越小, 同时叶子数越少越好；
f.由于在实际的应用中, 数据量大, 特征值多。为了提高算法的效率, 减少运算时间。首先在每一个生成树模型时, 并不通过穷举法找到最优切入点，而是采用贪心算法：
i.从深度为0的树开始，对每个叶节点枚举所有的可用特征；
ii. 针对每个特征，把属于该节点的训练样本根据该特征值进行升序排列，通过线性扫描的方式来决定该特征的最佳分裂点，并记录该特征的分裂收益；
iii.选择收益最大的特征作为分裂特征，用该特征的最佳分裂点作为分裂位置，在该节点上分裂出左右两个新的叶节点，并为每个新节点关联对应的样本集
iv.回到第 1 步，递归执行到满足特定条件为止；
g.在每一个树模型生成时的梯度下降时，采用单边梯度抽样算法。在树模型算法的梯度大小可以反应样本的权重，梯度越小说明模型拟合的越好，单边梯度抽样算法利用这一信息对样本进行抽样，减少了大量梯度小的样本，在接下来的计算过程中只需关注梯度高的样本，极大的减少了计算量。单边梯度抽样算法保留了梯度大的样本，并对梯度小的样本进行随机抽样，为了不改变样本的数据分布，在计算增益时为梯度小的样本引入一个常数进行平衡；
h.最后如果对于特征值，我们采用互斥特征捆绑算法。由于高维特征往往是稀疏的，而且特征间可能是相互排斥的（如两个特征不同时取非零值），如果两个特征并不完全互斥（如只有一部分情况下是不同时取非零值），可以用互斥率表示互斥程度。互斥特征捆绑算法指出如果将一些特征进行融合绑定，则可以降低特征数量；
i. 在每一个树模型的生成中，我们采用，逐叶(leaf-wise)策略: 每次分类增益最大的叶子节点，直到达停止条件。
5)在工程实现中, 传统的特征并行算法在于对数据进行垂直划分，然后使用不同机器找到不同特征的最优分裂点，基于通信整合得到最佳划分点，然后基于通信告知其他机器划分结果。 传统的特征并行方法有个很大的缺点：需要告知每台机器最终划分结果，增加了额外的复杂度（因为对数据进行垂直划分，每台机器所含数据不同，划分结果需要通过通信告知）。而本发明采用的轻量级梯度提升算法，不进行数据垂直划分，而是采用分散规约的方式将直方图整合的任务分摊到不同机器上，从而降低通信代价，并通过直方图做差进一步降低不同机器间的通信。每台机器都有训练集完整数据，在得到最佳划分方案后可在本地执行划分而减少了不必要的通信。
6)最后输出预测电力负荷数据结果，结果如图3所示。
本发明通过基于轻量级梯度提算法LightGBM(Light Gradient BoostingMethod)来预测短期电力负荷的系统模型,考虑多种数据自变量。为综合应用新能源发电，保障整体电网用电平稳安全，提供了一套得到有效预测数据的系统。 以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (1)

1.本发明提出的一种基于轻量级梯度提升算法预测短期电力负荷的系统模型，其特征在于，包括：
1)通过测量或取得历史数据的方式， 获得该区域的小时级历史气温, 工作日, 节假日, 小时参数, 月参数, 年参数, 历史用电负荷, 包括同一时段上一周的负荷,同一时段昨天的负荷，前二十四小时的平均负荷；
2)由于可能存在的人为误差, 我们对于从训练集中删除了异常数据，比如：由于极端高温或极端低温导致的峰值负荷；
由于该类数据的出现概率很小, 我们采用异常分析的办法, 剔除掉1%概率最小的数据；异常分析公式如下:
a.首先计算出每一组数据的多元正态分布：
Figure 403947DEST_PATH_IMAGE001
其中,
Figure 390358DEST_PATH_IMAGE002
为数据,
Figure 97371DEST_PATH_IMAGE003
为平均值,
Figure 522536DEST_PATH_IMAGE004
为协方差；
Figure 637253DEST_PATH_IMAGE005
；
Figure 263407DEST_PATH_IMAGE006
b.当
Figure 260313DEST_PATH_IMAGE007
, 则删除掉该值；
3)输出历史电力负荷曲线图如图2所示；
4)采用轻量级梯度提升算法训练模型, 具体步骤如下：
a.输入数据：
Figure 505481DEST_PATH_IMAGE008
；
b.
Figure 192814DEST_PATH_IMAGE009
,
Figure 802918DEST_PATH_IMAGE010
为第i个样本的预测值,
Figure 146174DEST_PATH_IMAGE011
为第k个树模型；
预测值由k个树模型的和组成，
损失函数：
Figure 116405DEST_PATH_IMAGE012
, 其中
Figure 736873DEST_PATH_IMAGE013
样本数量，
所以目标函数为:
Figure 767146DEST_PATH_IMAGE014
；
Figure 676327DEST_PATH_IMAGE015
为模型的正则项，用来确保模型训练不会过拟合；
c.由于第t个树模型的预测值:
Figure 653510DEST_PATH_IMAGE016
，所以目标函数可以转化为：
Figure 331747DEST_PATH_IMAGE017
；
d.为了求解该目标函数, 我们采用泰勒公式:
Figure 329659DEST_PATH_IMAGE018
原问题转化成:
Figure 454698DEST_PATH_IMAGE019
Figure 766731DEST_PATH_IMAGE020
为
Figure 565054DEST_PATH_IMAGE021
对
Figure 609233DEST_PATH_IMAGE022
的一阶导数,
Figure 742274DEST_PATH_IMAGE023
为
Figure 936626DEST_PATH_IMAGE021
对
Figure 589456DEST_PATH_IMAGE022
的二阶导数；
由于在第t个树模型时,
Figure 398012DEST_PATH_IMAGE022
已经是一个已知值, 所以
Figure 237923DEST_PATH_IMAGE021
是一个常数, 目标函 数最终简化为:
Figure 829441DEST_PATH_IMAGE024
；
e.为了确保生成的树模型们不会导致过拟合, 目标函数的正则项我们定义为：
Figure 320465DEST_PATH_IMAGE025
其中
Figure 50655DEST_PATH_IMAGE026
和
Figure 502496DEST_PATH_IMAGE027
为人为输入控制值, 根据不同的训练数据而改变；
T为叶子数,
Figure 694443DEST_PATH_IMAGE028
为权重值；
也就是说, 我们希望目标函数越小, 同时叶子数越少越好；
f.由于在实际的应用中, 数据量大, 特征值多；
为了提高算法的效率, 减少运算时间，首先在每一个生成树模型时, 并不通过穷举法找到最优切入点，而是采用贪心算法：
i.从深度为0的树开始，对每个叶节点枚举所有的可用特征；
ii. 针对每个特征，把属于该节点的训练样本根据该特征值进行升序排列，通过线性扫描的方式来决定该特征的最佳分裂点，并记录该特征的分裂收益；
iii.选择收益最大的特征作为分裂特征，用该特征的最佳分裂点作为分裂位置，在该节点上分裂出左右两个新的叶节点，并为每个新节点关联对应的样本集
iv.回到第 1 步，递归执行到满足特定条件为止；
g.在每一个树模型生成时的梯度下降时，采用单边梯度抽样算法，
在树模型算法的梯度大小可以反应样本的权重，梯度越小说明模型拟合的越好，单边梯度抽样算法利用这一信息对样本进行抽样，减少了大量梯度小的样本，在接下来的计算过程中只需关注梯度高的样本，极大的减少了计算量，
单边梯度抽样算法保留了梯度大的样本，并对梯度小的样本进行随机抽样，为了不改变样本的数据分布，在计算增益时为梯度小的样本引入一个常数进行平衡；
h.最后如果对于特征值，我们采用互斥特征捆绑算法；
由于高维特征往往是稀疏的，而且特征间可能是相互排斥的（如两个特征不同时取非零值），如果两个特征并不完全互斥（如只有一部分情况下是不同时取非零值），可以用互斥率表示互斥程度；
互斥特征捆绑算法指出如果将一些特征进行融合绑定，则可以降低特征数量；
i. 在每一个树模型的生成中，我们采用，逐叶(leaf-wise)策略: 每次分类增益最大的叶子节点，直到达停止条件；
5)在工程实现中, 传统的特征并行算法在于对数据进行垂直划分，然后使用不同机器找到不同特征的最优分裂点，基于通信整合得到最佳划分点，然后基于通信告知其他机器划分结果；
传统的特征并行方法有个很大的缺点：需要告知每台机器最终划分结果，增加了额外的复杂度（因为对数据进行垂直划分，每台机器所含数据不同，划分结果需要通过通信告知）；
而本发明采用的轻量级梯度提升算法，不进行数据垂直划分，而是采用分散规约的方式将直方图整合的任务分摊到不同机器上，从而降低通信代价，并通过直方图做差进一步降低不同机器间的通信；
每台机器都有训练集完整数据，在得到最佳划分方案后可在本地执行划分而减少了不必要的通信；
6)最后输出预测电力负荷数据结果，结果如图3所示。
CN202010385330.2A 2020-05-09 2020-05-09 一种基于轻量级梯度提升算法预测短期电力负荷的系统模型 Pending CN111523735A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010385330.2A CN111523735A (zh) 2020-05-09 2020-05-09 一种基于轻量级梯度提升算法预测短期电力负荷的系统模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010385330.2A CN111523735A (zh) 2020-05-09 2020-05-09 一种基于轻量级梯度提升算法预测短期电力负荷的系统模型

Publications (1)

Publication Number Publication Date
CN111523735A true CN111523735A (zh) 2020-08-11

Family

ID=71908008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010385330.2A Pending CN111523735A (zh) 2020-05-09 2020-05-09 一种基于轻量级梯度提升算法预测短期电力负荷的系统模型

Country Status (1)

Country Link
CN (1) CN111523735A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967918A (zh) * 2020-09-01 2020-11-20 上海积成能源科技有限公司 一种基于支持向量回归算法的预测电价的系统模型
CN113496315A (zh) * 2021-09-08 2021-10-12 广东电网有限责任公司湛江供电局 基于分位数梯度提升决策树的负荷区间预测方法及系统
CN117236531A (zh) * 2023-11-16 2023-12-15 南京大全电气研究院有限公司 负荷预测方法及装置、电子设备和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002492A (zh) * 2018-06-27 2018-12-14 淮阴工学院 一种基于LightGBM的绩点预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109002492A (zh) * 2018-06-27 2018-12-14 淮阴工学院 一种基于LightGBM的绩点预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
覃海滨: ""基于数据挖掘技术的销量预测模型的增强算法及比较研究"", 《万方》 *
鲍伟强等: ""基于进化神经网络的短期电力负荷预测研究"", 《电工技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111967918A (zh) * 2020-09-01 2020-11-20 上海积成能源科技有限公司 一种基于支持向量回归算法的预测电价的系统模型
CN113496315A (zh) * 2021-09-08 2021-10-12 广东电网有限责任公司湛江供电局 基于分位数梯度提升决策树的负荷区间预测方法及系统
CN117236531A (zh) * 2023-11-16 2023-12-15 南京大全电气研究院有限公司 负荷预测方法及装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN111523735A (zh) 一种基于轻量级梯度提升算法预测短期电力负荷的系统模型
CN112561156A (zh) 基于用户负荷模式分类的短期电力负荷预测方法
CN103295075B (zh) 一种超短期电力负荷预测与预警方法
CN111210170B (zh) 基于90％用电分布特征指标的环保管控监测及评价方法
CN108921358B (zh) 一种电力负荷特征的预测方法、预测系统及相关装置
CN109858674A (zh) 基于XGBoost算法的月度负荷预测方法
CN111460001B (zh) 一种配电网理论线损率评估方法及系统
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN112085256B (zh) 考虑负荷跃变的全周期负荷预测方法
CN110837929A (zh) 基于自适应遗传算法的最小二乘支持向量机用电预测方法
CN110059938B (zh) 一种基于关联规则驱动的配电网规划方法
Guo et al. An optimized grey model for predicting non-renewable energy consumption in China
CN117494906A (zh) 一种基于多元时间序列的天然气日负荷预测方法
CN113689079A (zh) 基于多元线性回归和聚类分析的台区线损预测方法及系统
CN111507777A (zh) 一种基于轻量级梯度提升算法预测电价的系统模型
CN107590747A (zh) 基于综合能源大数据分析的电网资产周转率计算方法
Pang et al. A photovoltaic power predicting model using the differential evolution algorithm and multi-task learning
Sun A novel hybrid GA based SVM short term load forecasting model
CN113537553A (zh) 一种区域配电网负荷需求混合预测方法
CN111967918A (zh) 一种基于支持向量回归算法的预测电价的系统模型
CN111768041A (zh) 一种基于自适应提升算法预测短期电力负荷的系统模型
Zhao et al. Internet-of-thing based real-time electrical market monitoring system design
Lu et al. Application of GA-SVM time series prediction in tax forecasting
CN111353523A (zh) 一种对铁路客户进行分类的方法
Xia et al. Research on short-term load forecasting of power system based on gradient lifting tree

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: 20200811