CN111598151A - 用户用电负荷的预测方法 - Google Patents
用户用电负荷的预测方法 Download PDFInfo
- Publication number
- CN111598151A CN111598151A CN202010395960.8A CN202010395960A CN111598151A CN 111598151 A CN111598151 A CN 111598151A CN 202010395960 A CN202010395960 A CN 202010395960A CN 111598151 A CN111598151 A CN 111598151A
- Authority
- CN
- China
- Prior art keywords
- load
- neural network
- clustering
- user
- predicting
- 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 35
- 230000005611 electricity Effects 0.000 title description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000012549 training Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 241000255588 Tephritidae Species 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- UBQYURCVBFRUQT-UHFFFAOYSA-N N-benzoyl-Ferrioxamine B Chemical compound CC(=O)N(O)CCCCCNC(=O)CCC(=O)N(O)CCCCCNC(=O)CCC(=O)N(O)CCCCCN UBQYURCVBFRUQT-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/086—Learning methods using 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用户用电负荷的预测方法，步骤为：选择数据样本，对数据样本进行清洗，包括缺失值的填补和异常值的修改，读取处理好的日负荷曲线表，并对其进行节假日和平常日分类；利用用户聚类方法将归一化后相似的典型负荷曲线聚为一类；在预测前通过改进的步长果蝇调优算法确定神经网络的系数，利用LGRNN神经网络进行预测；通过反归一化，求和得到系统负荷。本发明把不同行业内典型用户负荷曲线进行聚类，然后在训练时利用改进的果蝇优化算法优化神经网络的径向基系数，最后通过改进的广义回归神经网络进行预测，有效提高了用电负荷的预测精度。
Description
技术领域
本发明属于电力负荷预测的技术领域，尤其涉及一种用户用电负荷的预测方法。
背景技术
随着2015年《关于进一步深化电力体制改革的若干意见》出台，我国电力体制改革进入到了一个新阶段。在开放售电环境下科学、精准地分析用户负荷响应以及响应力度与规律，是提高电网的可靠性、合理安排运行调度的基础，也是市场售电主体合理制定电价、电力调度的前提。不同售电主体间相互竞争与合作使电价和响应负荷的变化也更加明显。因此实时电价也成为主导因素之一。
传统的售电方式，往往是通过一家售电公司管辖一个市(县)。随着供电公司直接服务到户的客户数量激增，客户服务诉求呈现出多样化和个性化的发展趋势。为了保障民生用电、提升为民服务的品质，供电服务采用了“网格化”管理体系。其工作目标，就是依托“网格化”供电平台，化整为零，重心下移。原来是售电公司，管辖一个整个市(县)，而经过“网格化”管理后，按照用电负荷的规律，几个用电规律近似相同的地区，由一个售电公司管理。比如学校由一个售电公司管理，医院则由另外一个售电公司管理。这样打通了电企业和电用户信息的最后一公里，使供电服务与客户用电零距离接触，提供用电服务的高效快捷，实现供电服务便民利民目的。
现阶段考虑开放售电情况下，有的利用自回归模型、人工神经网络和递归神经网络等方法对用户负荷的电价响应进行了预测，将电价新的输入变量加入到传统预测模型中，预测误差稍有改善；还有的建立了电价-弹性系数矩阵，将电价与传统的负荷影响因素(天气、温度等)分开考虑，但是弹性矩阵的建立过程过于理想化，导致预测结果不够精确。而考虑售电“网格化”情况下，在武汉开发区纱帽街绿苑路社区看到，一张电力知音网格服务公示牌挂在小区的显眼处，还公示了汉南供电服务的微信公众号，以便市民及时利用互联网的优势联系供电服务；在兰州，供电公司网格化管理也成效显著。
为了能够更精确的进行负荷预测，我们应用广义回归神经网络(GRNN)，将负荷样本分为两部分，为训练样本和测试样本。首先将训练样本的数据输入广义神经网络中，然后引入电价等因素，最后将将预测的样本输入，就可以得到结果。因其具有很强的非线性映射能力和学习速度，比BP神经网络和径向基函数网络(RBF)具有更强的优势，网络最后收敛于样本量集聚较多的优化回归，样本数据少时预测效果很好，网络还可以处理不稳定数据。不足之处是没有考虑利用优化算法动态调整径向基函数的问题，也没有注意到历史负荷数据存在的内部规律的特点。
LSTM网络是RNN的一种特殊变体。近年来，LSTM网络在许多时序任务中成就颇丰。此神经网络通过特殊的神经网络模块设计，它既具备与RNN相同的递归属性，又具备独特的选择性记忆能力，可有效解决长序依赖问题。考虑到负荷样本的特点，神经网络必须具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性。利用LSTM网络工具，引入温度和价格等因素，能较为准确的预测负荷。
LSTM网络具有记忆的优点，能够考虑样本的历史规律等因素，但又考虑到负荷样本的其它特点，神经网络必须具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，而LSTM此方面并不是强项。
发明内容
针对现有技术中的不足，本发明所解决的技术问题在于提供一种用户用电负荷的预测方法，以解决K-MEANS随机初始化聚类中心和层次聚类效率较低且难以确定聚类数据，以及常规神经网络预测精确度不高和优化算法容易陷入局部最优解的问题。
为了解决上述技术问题，本发明通过以下技术方案来实现：
本发明提供一种用户用电负荷的预测方法，包括以下步骤：
步骤S1：选择数据样本，对数据样本进行清洗，包括缺失值的填补和异常值的修改，读取处理好的日负荷曲线表，并对其进行节假日和平常日分类；
步骤S2：利用用户聚类方法将归一化后相似的典型负荷曲线聚为一类；
步骤S3：在预测前通过改进的步长果蝇调优算法确定神经网络的系数，利用LGRNN神经网络进行预测；
步骤S4：通过反归一化，求和得到系统负荷。
可选的，所述步骤S2的用户聚类方法为：
通过K-means聚类生成适量的类簇，再利用层次聚类对这些类再进行聚类，最后经过剪枝得到合适的聚类结果。
进一步的，所述步骤S3中改进的步长果蝇调优算法随着迭代次数的增加逐步减小其搜索步长。
可选的，所述步骤S3中的LGRNN神经网络在原有的广义回归神经网络上加入了记忆模块，使系统具有适应时变特性的能力。
进一步的，在所述步骤S1中，将用户的平常日一天和假期日一天，级联成一个负荷曲线，并按照min-max标准进行归一化，作为用户的典型负荷曲线。
由上，本发明的用户用电负荷的预测方法先把不同行业内典型用户负荷曲线进行聚类，然后在训练时利用改进的果蝇优化算法优化神经网络的径向基系数，最后通过改进的广义回归神经网络进行预测的组合模型。本发明不仅关注到负荷的实时电价和温度的影响，还考虑到在逼近能力和学习速度上有更强优势，并且对于历史数据具有记忆的特性，能够直接反应系统动态的特性，利用贪婪的算法思想，每一个都使其达到最佳精度，最后达到最佳效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明的用户用电负荷的预测方法的流程图；
图2为本发明的用户聚类方法的演绎过程图；
图3为本发明的LGRNN神经网络的结构图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
用户的用电负荷与其用电行为之间具有密不可分的联系，而用户的用电负荷曲线又代表了用户用电行为的主要信息。本发明将用户工作日一天的负荷曲线与节假日一天的负荷曲线总共两天级联成一个典型曲线，利用这一个典型曲线来代表这个用户的相似日的特征行为。其中对用户典型负荷曲线的提取采用的是平均值法。在一个用户用电的行为序列中，取其中的用电负荷曲线，以天为单位将其分成节假日与工作日两类负荷曲线，分别计算其平均值以及其与平均值的距离，舍去其中偏离平均值较大的负荷，再次求其平均值，循环直至所有负荷值均在平均负荷周围波动，记录节假日与工作日的用户典型负荷曲线。
如图1所示，本发明的用户用电负荷的预测方法如下：
步骤一，选择数据样本，对数据样本进行清洗(包括缺失值的填补和异常值的修改)读取处理好的日负荷曲线表，并对其进行节假日和平常日分类。将用户的平常日一天和假期日一天，级联成一个负荷曲线，并按照min-max标准进行归一化，作为用户的典型负荷曲线。
步骤二，利用用户聚类方法将归一化后相似的典型负荷曲线聚为一类。于是把用户分成具有相同的用电行为的几类用户，每一类都取其类中的归一化平均用电负荷曲线作为其预测曲线。用户聚类(KHAC)考虑到K-MEANS随机初始化聚类中心和层次聚类效率比较慢，且难以确定聚类数据的问题，我们先通过K-means聚类生成适量的类簇，再利用层次聚类对这些类再进行聚类，最后经过剪枝得到合适的聚类结果，过程如图2所示。
步骤三，首先在预测前通过改进的步长果蝇调优算法确定神经网络的系数，然后在考虑到电价和温度等非线性因素下利用LGRNN神经网络进行预测。由于基本的果蝇优化算法(FOA)存在过早陷入局部最优的缺陷，需要对其进行改进，本发明提出了一种递减步长的果蝇优化算法(DFOA)，该算法随着迭代次数的增加逐步减小其搜索步长，即将固定步长变为递减步长。另外，传统的广义回归神经网络(GRNN)是径向基神经网络的一种，它包括输入层、模式层、求和层和输出层，不能动态的学习样本的历史数据。为了直接反映动态过程中样本的特性，我们在原有的网络上加入了记忆模块，从而使系统具有适应时变特性的能力，改进后的神经网络结构如图3所示。
步骤四，反归一化，求和得到系统负荷。
通过预测实验结果说明，本发明的KHAC-DFOA-LGRNN预测负荷误差低于其他的神经网络的误差。未使用优化算法调优和未经改进的GRNN算法时，预测的结果较为粗糙，最大误差为13.73％，平均误差为3.24％。这是由于使用GRNN神经网络进行负荷预测没能有效的调整径向基函数，也没有考虑历史数据的内在规律，所以结果不够理想。而利用本发明的DFOA-LGRNN算法功能即可达到满意结果，最大误差3.76％，平均误差1.59％，且所用时间较短。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。
Claims (5)
1.用户用电负荷的预测方法，其特征在于，包括以下步骤：
步骤S1：选择数据样本，对数据样本进行清洗，包括缺失值的填补和异常值的修改，读取处理好的日负荷曲线表，并对其进行节假日和平常日分类；
步骤S2：利用用户聚类方法将归一化后相似的典型负荷曲线聚为一类；
步骤S3：在预测前通过改进的步长果蝇调优算法确定神经网络的系数，利用LGRNN神经网络进行预测；
步骤S4：通过反归一化，求和得到系统负荷。
2.如权利要求1所述的用户用电负荷的预测方法，其特征在于，所述步骤S2的用户聚类方法为：
通过K-means聚类生成适量的类簇，再利用层次聚类对这些类再进行聚类，最后经过剪枝得到合适的聚类结果。
3.如权利要求1所述的用户用电负荷的预测方法，其特征在于，所述步骤S3中改进的步长果蝇调优算法随着迭代次数的增加逐步减小其搜索步长。
4.如权利要求1所述的用户用电负荷的预测方法，其特征在于，所述步骤S3中的LGRNN神经网络在原有的广义回归神经网络上加入了记忆模块，使系统具有适应时变特性的能力。
5.如权利要求1所述的用户用电负荷的预测方法，其特征在于，在所述步骤S1中，将用户的平常日一天和假期日一天，级联成一个负荷曲线，并按照min-max标准进行归一化，作为用户的典型负荷曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010395960.8A CN111598151A (zh) | 2020-05-12 | 2020-05-12 | 用户用电负荷的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010395960.8A CN111598151A (zh) | 2020-05-12 | 2020-05-12 | 用户用电负荷的预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111598151A true CN111598151A (zh) | 2020-08-28 |
Family
ID=72182322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010395960.8A Pending CN111598151A (zh) | 2020-05-12 | 2020-05-12 | 用户用电负荷的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111598151A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700057A (zh) * | 2021-01-07 | 2021-04-23 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
| CN114881372A (zh) * | 2022-07-07 | 2022-08-09 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于dpc-grnn的超短期工业用电负荷预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN108665052A (zh) * | 2017-03-30 | 2018-10-16 | 华为技术有限公司 | 果蝇算法优化广义回归神经网络的方法和装置 |
| CN110210670A (zh) * | 2019-06-03 | 2019-09-06 | 辽宁工程技术大学 | 一种基于电力系统短期负荷的预测方法 |
-
2020
- 2020-05-12 CN CN202010395960.8A patent/CN111598151A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
| CN108665052A (zh) * | 2017-03-30 | 2018-10-16 | 华为技术有限公司 | 果蝇算法优化广义回归神经网络的方法和装置 |
| CN110210670A (zh) * | 2019-06-03 | 2019-09-06 | 辽宁工程技术大学 | 一种基于电力系统短期负荷的预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| OLIVIER HABIMANA 等: "Sentiment analysis using deep learning approaches:an overview", CNKI独家 SCIENCE CHINA(INFORMATION SCIENCES) * |
| 杨本臣 等: "基于ELM优化模型的用户短期负荷研究", 计算机应用与软件 * |
| 祝学昌: "基于IFOA-GRNN的短期电力负荷预测方法研究", 电力系统保护与控制 * |
| 郭陆阳 等: "基于双向GRNN与时间序列翻译模型的非侵入式负荷分解算法", 供用电 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700057A (zh) * | 2021-01-07 | 2021-04-23 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
| CN112700057B (zh) * | 2021-01-07 | 2022-07-08 | 福州大学 | 一种基于模块化循环神经网络的电力负荷预测方法 |
| CN114881372A (zh) * | 2022-07-07 | 2022-08-09 | 中国电力工程顾问集团中南电力设计院有限公司 | 基于dpc-grnn的超短期工业用电负荷预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Short-term power load forecasting of residential community based on GRU neural network | |
| CN111598151A (zh) | 用户用电负荷的预测方法 | |
| CN108846530A (zh) | 一种基于“聚类-回归”模型的短期负荷预测方法 | |
| CN113033953A (zh) | 一种基于大数据的用户侧需求响应决策建议方法 | |
| CN110675275A (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 | |
| CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
| Sachdeva et al. | Load forecasting using fuzzy methods | |
| CN114283024A (zh) | 一种电力系统的需求响应潜力用户与潜力空间的识别方法 | |
| CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
| CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
| CN115205068A (zh) | 计及净负荷需求分布式的储能最优峰谷时段划分方法 | |
| CN116562398B (zh) | 电力负荷预测模型训练方法、预测方法、电子设备和介质 | |
| CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 | |
| Safiyari et al. | From traditional to modern methods: Comparing and introducing the most powerful model for forecasting the residential natural gas demand | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| CN113033089B (zh) | 用电量异常用户识别方法和装置 | |
| CN115049107A (zh) | 一种基于物联采集边缘计算的电量预测系统 | |
| CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
| Lu et al. | Best practices in China Southern Power Grid competition of AI short-term load forecasting | |
| CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
| CN111541245A (zh) | 一种智能家庭能量管理系统控制方法 | |
| CN111860634A (zh) | 基于OCHNN-Kmeans算法的负荷聚类方法 | |
| Xia et al. | Research on short-term load forecasting of power system based on gradient lifting tree | |
| CN115528687B (zh) | 一种有限成本约束下的电力系统柔性响应能力优化方法 | |
| TWI783605B (zh) | 太陽能系統發電量預測方法 |
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 |