CN111612253A - 基于贝叶斯网络的配电网净负荷预测方法及系统 - Google Patents

基于贝叶斯网络的配电网净负荷预测方法及系统 Download PDF

Info

Publication number
CN111612253A
CN111612253A CN202010439748.7A CN202010439748A CN111612253A CN 111612253 A CN111612253 A CN 111612253A CN 202010439748 A CN202010439748 A CN 202010439748A CN 111612253 A CN111612253 A CN 111612253A
Authority
CN
China
Prior art keywords
variable
power distribution
distribution network
net load
network
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
CN202010439748.7A
Other languages
English (en)
Inventor
李小伟
陶毅刚
谭靖
黎敏
陈楚
谭晓虹
崔志威
李镕耀
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.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid 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 Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202010439748.7A priority Critical patent/CN111612253A/zh
Publication of CN111612253A publication Critical patent/CN111612253A/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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Optimization (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于贝叶斯网络的配电网净负荷预测方法及系统，其中所述方法包括：选取影响可再生能源出力的因素、和影响用户用电需求的因素，从而确定节点的离散型变量和连续型变量；对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域；基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果。在本发明实施中，准确地放映出用户侧负荷的周期性特点和可再生能源发电出力的随机性特点。

Description

基于贝叶斯网络的配电网净负荷预测方法及系统
技术领域
本发明涉及配电网净负荷预测的技术领域，尤其涉及基于贝叶斯网络的配电网净负荷预测方法及系统。
背景技术
用户侧负荷变化具有较明显周期性，可根据用户侧负荷历史数据对未来电力需求做出预测，基于此进行电网的调度决策。可再生能源发电的接入给配电网负荷特性带来了新的变化，当可再生能源接入配电网后，配电网中潮流双向流动，导致负荷特性发生变化。由于可再生能源出力具有极强的随机性与波动性，而且易受到天气情况的影响，在不同的天气状况下，出力变化大，将会对配电网的运行造成较大影响。因此亟需一种方法及系统对配电网净负荷进行预测，以确保配电网的运行正常。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了基于贝叶斯网络的配电网净负荷预测方法及系统，准确地放映出用户侧负荷的周期性特点和可再生能源发电出力的随机性特点。
为了解决上述技术问题，本发明实施例提供了一种基于贝叶斯网络的配电网净负荷预测方法，所述方法包括：
选取影响可再生能源出力的因素、和影响用户用电需求的因素，从而确定节点的离散型变量和连续型变量；
对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域；
基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果。
可选的，所述可再生能源出力的因素包括气象因素、或经济因素；所述影响用户用电需求的因素包括日期因素、或工作安排因素。
可选的，所述确定节点的离散型变量和连续型变量包括温度变量、天气状况变量、湿度变量、月份变量、星期变量、前一天同时刻负荷变量、以及可再生能源渗透率变量。
可选的，所述对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域还包括：
分别获取所述离散型变量和所述连续型变量的最大值和最小值；
根据所述最大值和最小值将所述变量的定义域划分为n个区间。
可选的，所述n个区间中第k个区间的具体公式如下：
Figure BDA0002503643330000021
其中，Lk表示第k个区间的值，Lmax表示变量的最大值，Lmin表示变量的最小值，n表示n个区间，k表示第k个区间。
可选的，所述基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果包括：根据已有的经验对影响可再生能源出力与用户电力需求的影响因素与负荷之间的因果关系，构建因果关系图。
可选的，所述基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果还包括：根据贪心算法搜索网络结构，通过评分函数的评价选出最优的网络结构。
另外，本发明实施例还提供了一种基于贝叶斯网络的配电网净负荷预测系统，所述系统包括：
变量确定模块：用于选取影响可再生能源出力的因素、和影响用户用电需求的因素，从而确定节点的离散型变量和连续型变量；
定义域确定模块：用于对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域；
网路结构学习模块：用于基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果。
在本发明实施中，将各种相关联的因素都合理地融入模型内，能够准确地反映出用户侧负荷的周期性特点和可再生能源发电出力的随机性特点，对配电网净负荷的预测更加准确，以确保配电网的运行正常和安全。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于贝叶斯网络的配电网净负荷预测方法的流程示意图；
图2是本发明实施例中的基于贝叶斯网络的配电网净负荷预测系统的结构组成示意图；
图3是本发明实施例中的配电网净负荷及其影响因素因果图；
图4是本发明实施例中的BN1贝叶斯网络结构示意图；
图5是本发明实施例中的BN2贝叶斯网路结构示意图；
图6是本发明实施中的基评分函数和贪心算法的贝叶斯网络结构学习流程图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于贝叶斯网络的配电网净负荷预测方法的流程示意图。
如图1所示，一种基于贝叶斯网络的配电网净负荷预测方法，所述方法包括：
S11：选取影响可再生能源出力的因素、和影响用户用电需求的因素，从而确定节点的离散型变量和连续型变量；
在本发明具体实施过程中，所述可再生能源出力的因素包括气象因素、或经济因素；所述影响用户用电需求的因素包括日期因素、或工作安排因素。另外，所述确定节点的离散型变量和连续型变量包括温度变量、天气状况变量、湿度变量、月份变量、星期变量、前一天同时刻负荷变量、以及可再生能源渗透率变量。
具体的，所述温度变量用T表示、所述天气状况变量用C表示、所述湿度变量用P表示、所述月份变量用M表示、所述星期变量用W表示、所述前一天同时刻负荷变量用L’表示、以及所述可再生能源渗透率变量用R表示。
S12：对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域；
在本发明具体实施过程中，所述对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域还包括：分别获取所述离散型变量和所述连续型变量的最大值和最小值；根据所述最大值和最小值将所述变量的定义域划分为n个区间。
具体的，所述n个区间中第k个区间的具体公式如下：
Figure BDA0002503643330000041
其中，Lk表示第k个区间的值，Lmax表示变量的最大值，Lmin表示变量的最小值，n表示n个区间，k表示第k个区间。
需要说明的是，为了统一网络中节点变量的形式，降低计算复杂度，首先对连续型变量进行离散化；另外，由于所进行的时序上的预测，因此首先按照相同的时间间隔对数据进行划分。所有变量都进行离散化取值，并通过样本数据的分析求出变量的定义域。取相关变量的最大、最小值为Lmax、Lmin，根据最大最小值将整个变量的定义域划分为n个区间，则第k个区间可以表示为：
Figure BDA0002503643330000042
式中，k∈[1,n]且为整数，不同的n的取值将会决定计算结果的精确性，当n越大时，负荷预测的结果越精确，但同时计算量将会增大，考虑到配电网中负荷预测的准确度要求，选取n＝100，则负荷预测的精度为标幺值的0.01pu，这样的取值就可以满足配电网的实际运行需求。对于数据集内相关影响变量进行归一化处理并对连续变量数据按照定义域进行划分，具体划分结果见表1所示。
表1连续变量的离散化结果
变量 区间下限 区间上限 区间个数 区间粒度
湿度 -20 40 60 1
湿度 0 100 20 5
负荷标幺值 0 100 100 1
S13：基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果。
在本发明具体实施过程中，所述基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果包括：根据已有的经验对影响可再生能源出力与用户电力需求的影响因素与负荷之间的因果关系，构建因果关系图。另外，所述基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果还包括：根据贪心算法搜索网络结构，通过评分函数的评价选出最优的网络结构。
具体的，如图3所示，影响用户用电需求的主要相关因素包括：气象、工作生活安排以及经济与政策因素。其中气象因素可以通过气温、风速、湿度三项指标来表示，而工作生活安排则可以由月份、星期、小时三项指标来表示，同时气象因素也受到月份的影响，具有一定的季节性。用户侧负荷往往与天气情况存在密切联系，而天气情况与季节更迭、月份变化有关。月份的不同直接决定了不同天气状况的出现频率，也决定着气温的变化和湿度的变化，因此可以得到月份与气象因素间的因果关系。
用户的生产生活行为直接决定了对于电能的需求情况，而用户行为往往存在一定的规律性，是被一周的工作日、休息日影响的，也是由每日生活作息决定的。因此小时和星期与用户行为之间存在直接的因果关系，而用户的行为又是导致用电需求变化的直接原因。但是用户行为无法直接量化，因此视作贝叶斯网络中的隐变量，用其父节点星期和小时来计算其影响。可再生能源出力同样受到气象因素的影响，其中天气状况的影响尤为明显，同时可再生能源的渗透比直接决定了接入配电网的可再生能源发电的负荷水平。此前，已经将气象因素融入到了因果关系图中，此时只需将可再生能源渗透比作为父节点加入因果图即可。如图4所示，由此形成该网络结构图，命名此贝叶斯网络结构为BN1，图中各符号意义如下：温度(T)、天气状况(C)、湿度(P)、月份(M)、星期(W)、前一天同时刻负荷(L’)、可再生能源渗透率(R)。
具体实施中，采用贪心算法遍历所有网络结构，从而得到最后结果，具体流程图如图6所示，最终建立的贝叶斯网络结构图如图5所示，命名此贝叶斯网络结构为BN2；
通过对比两种不同方式建立的贝叶斯网络可以发现，两者的网络结构相同，这也说明了贝叶斯网络对已有经验及人们认知中的因果关系有较好的表达能力，能够反映出变量间的因果关系。另外，所选取的温度(T)、天气状况(C)、湿度(P)、月份(M)、星期(W)、前一天同时刻负荷(L’)、可再生能源渗透率(R)七种变量对配电网负荷都有直接或者间接的影响，其中月份变量不仅直接对配电网负荷造成影响，还通过影响天气状况、温度和湿度因素间接地影响配电网负荷。
贝叶斯网络的网络结构确定以后，通过样本数据对每个节点的参数进行计算，在理想情况下，样本数据充足，因此节点参数可以利用样本数的比值来近似概率值；
P(Xi|Pa(Xi)，θi，Sk)＝θijk；
Figure BDA0002503643330000061
式中，Count(Xi＝xi)表示满足xi取值的样本个数，θijk表示网络中节点变量的概率分布参数，其中i历遍所有节点，j历遍父节点Pa(Xi)的状态，k历遍节点Xi的状态，即：
Figure BDA0002503643330000071
一般采用Dirichlet分布来表示，所以：
P(θ|D,Sk)＝Dir(θij|aij1+Cij1,aij2+Cij2,,aijk+Cijk)；
式中，Cij1表示D中(Xi＝k,Pa(Xi)＝j)出现的次数，aij1表示在未知D的情况下，对(Xi＝k,Pa(Xi)＝j)出现概率的先验置信度，根据上式可以得到：
Figure BDA0002503643330000072
若数据集有缺失值，则采用上一个小节中所提到的EM法对网络参数进行计算，即从已知的网络结构与初始设定参数θ0开始进行迭代计算，在经过k次迭代后，得到一个新的参数θk，则第k+1次迭代过程为：基于θk对缺失数据进行填充，使得样本集完整；根据补充后完整的数据集Dk进行参数计算并进一步优化，得到新的参数θk+1；针对所构建的贝叶斯网络，对于配电网净负荷(L)的预测就是在已知其他节点概率分布情况时，计算先验概率和条件概率：
Figure BDA0002503643330000073
反复利用贝叶斯公式，即可对贝叶斯网络内的每一个及节点进行计算。
在本发明实施中，将各种相关联的因素都合理地融入模型内，能够准确地反映出用户侧负荷的周期性特点和可再生能源发电出力的随机性特点，对配电网净负荷的预测更加准确，以确保配电网的运行正常和安全。
实施例二
请参阅图2，图2是本发明实施例中的基于贝叶斯网络的配电网净负荷预测系统的结构组成示意图。
如图2所示，一种基于贝叶斯网络的配电网净负荷预测系统，所述系统包括：
变量确定模块11：用于选取影响可再生能源出力的因素、和影响用户用电需求的因素，从而确定节点的离散型变量和连续型变量；
定义域确定模块12：用于对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域；
网路结构学习模块13：用于基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果。
具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例一的相关描述，这里不再赘述。
在本发明实施中，将各种相关联的因素都合理地融入模型内，能够准确地反映出用户侧负荷的周期性特点和可再生能源发电出力的随机性特点，对配电网净负荷的预测更加准确，以确保配电网的运行正常和安全。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的基于贝叶斯网络的配电网净负荷预测方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于贝叶斯网络的配电网净负荷预测方法，其特征在于，所述方法包括：
选取影响可再生能源出力的因素、和影响用户用电需求的因素，从而确定节点的离散型变量和连续型变量；
对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域；
基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果。
2.根据权利要求1所述的基于贝叶斯网络的配电网净负荷预测方法，其特征在于，所述可再生能源出力的因素包括气象因素、或经济因素；所述影响用户用电需求的因素包括日期因素、或工作安排因素。
3.根据权利要求1所述的基于贝叶斯网络的配电网净负荷预测方法，其特征在于，所述确定节点的离散型变量和连续型变量包括温度变量、天气状况变量、湿度变量、月份变量、星期变量、前一天同时刻负荷变量、以及可再生能源渗透率变量。
4.根据权利要求1所述的基于贝叶斯网络的配电网净负荷预测方法，其特征在于，所述对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域还包括：
分别获取所述离散型变量和所述连续型变量的最大值和最小值；
根据所述最大值和最小值将所述变量的定义域划分为n个区间。
5.根据权利要求4所述的基于贝叶斯网络的配电网净负荷预测方法，其特征在于，所述n个区间中第k个区间的具体公式如下：
Figure FDA0002503643320000021
其中，Lk表示第k个区间的值，Lmax表示变量的最大值，Lmin表示变量的最小值，n表示n个区间，k表示第k个区间。
6.根据权利要求1所述的基于贝叶斯网络的配电网净负荷预测方法，其特征在于，所述基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果包括：根据已有的经验对影响可再生能源出力与用户电力需求的影响因素与负荷之间的因果关系，构建因果关系图。
7.根据权利要求6所述的基于贝叶斯网络的配电网净负荷预测方法，其特征在于，所述基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果还包括：根据贪心算法搜索网络结构，通过评分函数的评价选出最优的网络结构。
8.一种基于贝叶斯网络的配电网净负荷预测系统，其特征在于，所述系统包括：
变量确定模块：用于选取影响可再生能源出力的因素、和影响用户用电需求的因素，从而确定节点的离散型变量和连续型变量；
定义域确定模块：用于对所述离散型变量和所述连续性变量进行离散化取值，比通过分析得出变量的定义域；
网路结构学习模块：用于基于所述变量的定义域对所述节点进行网络结构学习，得到配电网净负荷预测的结果。
CN202010439748.7A 2020-05-22 2020-05-22 基于贝叶斯网络的配电网净负荷预测方法及系统 Pending CN111612253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010439748.7A CN111612253A (zh) 2020-05-22 2020-05-22 基于贝叶斯网络的配电网净负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010439748.7A CN111612253A (zh) 2020-05-22 2020-05-22 基于贝叶斯网络的配电网净负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN111612253A true CN111612253A (zh) 2020-09-01

Family

ID=72198989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010439748.7A Pending CN111612253A (zh) 2020-05-22 2020-05-22 基于贝叶斯网络的配电网净负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN111612253A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066013A (zh) * 2021-10-21 2022-02-18 国网浙江省电力有限公司台州供电公司 一种用于新能源电力市场的净负荷预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259285A (zh) * 2013-05-03 2013-08-21 国家电网公司 含大规模风电电力系统的短期运行优化方法
CN109002928A (zh) * 2018-08-13 2018-12-14 中国电力科学研究院有限公司 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置
CN109948845A (zh) * 2019-03-15 2019-06-28 国网江苏省电力有限公司经济技术研究院 一种配电网负荷长短期记忆神经网络预测方法
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103259285A (zh) * 2013-05-03 2013-08-21 国家电网公司 含大规模风电电力系统的短期运行优化方法
CN109002928A (zh) * 2018-08-13 2018-12-14 中国电力科学研究院有限公司 一种基于贝叶斯网络模型的电力负荷峰值预测方法和装置
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统
CN109948845A (zh) * 2019-03-15 2019-06-28 国网江苏省电力有限公司经济技术研究院 一种配电网负荷长短期记忆神经网络预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
史会峰等: "基于贝叶斯神经网络短期负荷预测模型", 《中国管理科学》 *
周玉等: "基于贝叶斯网络的短期负荷预测方法", 《电气应用》 *
李小伟 等: "基于贝叶斯网络的配电网净负荷预测方法", 《电器与能效管理技术》 *
王文秀: "基于贝叶斯网络学习方法的电力负荷峰值预测", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
郭国栋: "高渗透率下分布式决策的负荷预测模型", 《黑龙江电力》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066013A (zh) * 2021-10-21 2022-02-18 国网浙江省电力有限公司台州供电公司 一种用于新能源电力市场的净负荷预测方法及装置

Similar Documents

Publication Publication Date Title
Song et al. A novel combined model based on advanced optimization algorithm for short-term wind speed forecasting
CN113962364B (zh) 一种基于深度学习的多因素用电负荷预测方法
CN111783953B (zh) 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN111091233B (zh) 一种风电场短期风电预测建模方法
Ye et al. An ensemble method for short-term wind power prediction considering error correction strategy
CN110503256B (zh) 基于大数据技术的短期负荷预测方法及系统
CN110110912B (zh) 一种光伏功率多模型区间预测方法
CN112215442B (zh) 电力系统短期负荷预测方法、系统、设备及介质
CN111815065B (zh) 基于长短时记忆神经网络的短期电力负荷预测方法
Jha et al. Electricity load forecasting and feature extraction in smart grid using neural networks
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN115130741A (zh) 基于多模型融合的多因素电力需求中短期预测方法
CN117977568A (zh) 基于嵌套lstm和分位数计算的电力负荷预测方法
Fawcett et al. Markov chain models for extreme wind speeds
Liu et al. Energy and carbon performance of urban buildings using metamodeling variable importance techniques
CN112016839B (zh) 一种基于qr-bc-elm的洪涝灾害预测预警方法
CN112365056A (zh) 一种电气负荷联合预测方法、装置、终端及存储介质
CN112651543A (zh) 一种基于vmd分解与lstm网络的日用电量预测方法
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
CN115983485A (zh) 一种发电厂碳排放的预测方法及系统
CN111612253A (zh) 基于贝叶斯网络的配电网净负荷预测方法及系统
Zhang et al. Hybrid model for renewable energy and load forecasting based on data mining and EWT
Zhang et al. Ensemble learning-based approach for residential building heating energy prediction and optimization
CN111967652A (zh) 一种双层协同实时校正光伏预测方法
CN116454875A (zh) 基于集群划分的区域风电场中期功率概率预测方法及系统

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: 20200901