CN111985361A - 小波降噪和emd-arima的电力系统负荷预测方法及系统 - Google Patents
小波降噪和emd-arima的电力系统负荷预测方法及系统 Download PDFInfo
- Publication number
- CN111985361A CN111985361A CN202010777451.1A CN202010777451A CN111985361A CN 111985361 A CN111985361 A CN 111985361A CN 202010777451 A CN202010777451 A CN 202010777451A CN 111985361 A CN111985361 A CN 111985361A
- Authority
- CN
- China
- Prior art keywords
- arima
- load
- model
- prediction
- 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 56
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 17
- 241001123248 Arma Species 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000005311 autocorrelation function Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Processing of the speech or voice signal to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L21/0216—Noise filtering characterised by the method used for estimating noise
- G10L21/0232—Processing in the frequency domain
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
- G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis
-
- 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
Abstract
本发明公开了一种基于小波降噪和EMD‑ARIMA的电力系统负荷预测方法及系统,属于电力系统负荷预测领域。首先,获取电力系统原始负荷数据,接着,利用小波分析对负荷数据进行降噪处理;接着利用经验模态分解EMD方法对降噪后的数据进行进一步处理得到不同的负荷分量;最后,对不同的负荷分量构建对应的差分自回归滑动平均ARIMA模型,同时利用赤池信息准则、贝叶斯信息准则对ARIMA模型进行优选,最终对不同ARIMA模型预测得到的负荷分量进行重构得到最终的预测结果,有效提供了负荷预测的准确率。
Description
技术领域
本发明属于电力系统负荷预测领域,更具体地,涉及一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法及系统。
背景技术
电力系统短期负荷预测是智能电网集成智能能源管理系统的核心部分之一。一个精确的短期负荷预测模型,可以方便在资源有效管理的情况下,合理地规划正在进行的电网运行。负荷曲线的随机性、不平稳性和非线性使得短期负荷预测的精确建模成为一项相当具有挑战性的工作。
目前关于电力系统负荷预测的相关研究有很多,包括差分自回归滑动平均(Autoregressive Integrated Moving Average Model,ARIMA)模型、卡尔曼滤波预测、马尔科夫预测、支持向量机(Support Vector Machine,SVM)、人工神经网络(ArtificialNeural Network,ANN)、长短时记忆网络(Long Short Term Memory Network,LSTM)等等。但这些单一的预测方法都存在着各自的缺点,比如,ARIMA作为经典时间序列分析方法,充分考虑时序数据间的联系,是时间序列预测的重要工具。但该模型适用于处理平稳数据,而电力系统负荷具有不确定的特点,尽管通过差分方法可以使负荷趋于平稳,但面对波动较大的负荷数据,ARIMA模型仍然有待进一步改进。而滤波器预测模型尽管能够有效去除高斯噪声以及非高斯噪声,计算量需求极小,但需人为给定系统模型,当系统模型不精确时预测效果会有所下降,难以得到广泛应用。而传统人工智能算法无法有效捕捉序列数据的时序关联性,在进行时序数据预测时较不理想。LSTM作为一种RNN的改进算法,是当下深度学习的研究热点之一,但研究表明其在负荷长期预测方面更具优势,且深度学习方法训练时间较长,收敛速度较慢,模型的泛化能力有待进一步检验。
一些研究也开始考虑充分利用不同算法的优势,将之进行有机组合从而进一步提高预测精度。如基于ARIMA模型建立卡尔曼状态方程和测量方程,最后利用卡尔曼滤波算法建立预测模型,但缺乏与其他方法的对比,难以看出预测精度优势。使用经验模态分解(Empirical Mode Decomposition,EMD)将原始负荷序列分解为一系列的子序列,并通过粒子群(Particle Swarm Optimization,PSO)优化输出层权重的核极限学习机(KernelExtreme Learning Machine,KELM)建立预测模型,对各序列进行区间构造,取得了较好的预测精度。但PSO优化和KELM的训练需要花费较多时间,且当数据量较少时,算法容易产生过拟合。
此外,关于负荷预测的大部分研究一般直接使用在线监测数据,并未对数据进行清洗和降噪,难以保证数据的可靠性,这也降低了后期预测结果的说服力。当前,也有少部分开始考虑对负荷数据进行预处理,以进一步改善后期预测精度。比如,利用模糊信息粒化与支持向量机进行负荷预测,有效降低了异常数据对最终结果的干扰。首先针对原始数据利用两种时间序列模型进行匹配,检测出异常值的种类,进而对其中存在的噪音点、缺失值进行修补处理,接着基于SVM构造预测模型,但其所用预测方法缺乏进一步的优化。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提出了一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法及系统,有效提高了负荷预测的准确率。
为实现上述目的,按照本发明的一个方面,提供了一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法,包括:
(1)获取电力系统对应不同时刻的电力负荷数据,并在所述电力负荷数据为非等间隔时,对所述电力负荷数据进行插值得到等间隔的电力负荷数据;
(2)利用小波分析对所述电力负荷数据进行降噪处理;
(3)利用经验模态分解EMD方法对降噪后的数据进行进一步处理得到不同的负荷分量;
(4)对不同的负荷分量构建对应的差分自回归滑动平均ARIMA模型;
(5)利用赤池信息准则AIC及贝叶斯信息准则BIC对每个负荷分量对应的ARIMA模型进行优选;
(6)对优选得到的不同ARIMA模型预测得到的负荷分量进行重构得到最终的预测结果。
优选地,所述电力系统的等间隔的电力负荷数据为:data={a1,a2,...,ai}i∈[1,K],其中,K为对应K个时刻的K个负荷数据,ai为负荷数据中第i点对应的值。
优选地,步骤(2)包括:
选择一个小波并确定分解的层次,然后进行分解计算,对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理,根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。
优选地,进行小波分解降噪后得到的数据为:x(t)={x1,x2,...,xt}t∈[1,K],其中,K为对应K个时刻的K个负荷数据,xt为负荷数据中第t点对应的值。
优选地,步骤(3)包括:
(3.2)计算原始序列x(t)与包络线均值m(t)的差值,记为h(t):h(t)=x(t)-m(t);
(3.3)判断h(t)是否满足IMF约束条件,若不满足,则将其作为新的输入序列,重复执行步骤(3.1)至步骤(3.3),直至满足约束条件为止;若满足,则h(t)为第一个IMF分量,记为c1(t)=h(t),并从原始序列x(t)中分离出c1(t),得到剩余分量r1(t):r1(t)=x(t)-c1(t);
(3.4)将剩余分量r1(t)视为新的原始序列,并返回执行步骤(3.1),直至得到其余IMF分量与一个剩余分量,其中,EMD的最终结果表示为r(t)=x(t)-ci(t),其中,ci(t)为第i个固有模态函数分量,r(t)为最终的剩余分量,代表原始序列的趋势项。
优选地,所述约束条件为:(a)在整个序列数据段内,极值点数必须和过零点数一致或者至多相差一个;(b)在任何一点,由极大值确定的上包络线和极小值确定的下包络线的均值为零。
优选地,ARIMA(p,d,q)模型为AR(p)模型和MA(q)模型的组合,所述ARIMA(p,d,q)模型表示为:xt是当前值,μ是常数项,p是阶数,γi是自相关系数,ξt是误差,q是阶数,θi是消除随机波动的参数,xt-i是t-i时刻的值,ξt-i是t-i时刻的误差。
优选地,步骤(5)包括:
对于每一个ARIMA模型,根据若干次差分确定ARIMA模型对应的差分阶数d值,将各ARIMA模型转换为对应的ARMA模型;
对于每个ARMA模型,对该ARMA模型对应的负荷分量通过自相关函数ACF和偏自相关函数PACF定阶,得到若干组p和q值,对应若干组ARMA模型,通过赤池信息准则AIC和贝叶斯信息准则BIC对该多组ARMA模型进行优选,进而得到每个负荷分量对应的ARIMA模型,其中,AIC和BIC两种参数计算出来的值越小,说明模型越合适。
按照本发明的另一方面,提供了一种基于小波降噪和EMD-ARIMA的电力系统负荷预测系统,包括:
数据处理模块,用于获取电力系统负荷数据,对负荷数据进行小波降噪处理;
特征分解模块,用于对经过小波降噪处理后的数据进行经验模态分解得到负荷数据的不同IMF分量和剩余分量;
ARIMA预测模型构建模块,用于对经验模态分解得到的负荷数据的不同IMF分量和剩余分量分别进行ARIMA模型构建;
ARIMA模型优选模块,用于对不同IMF分量及剩余分量的ARIMA模型进行优选;
分量预测模块,用于对优选得到的不同的IMF分量、剩余分量进行ARIMA预测;
预测模块,用于将各个分量预测模块预测的结果合成得到最终的负荷预测结果。
按照本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明考虑当前负荷预测研究较少对原始数据进行预处理,利用小波分析对负荷数据进行降噪,减少了不良数据对预测的干扰。同时构建了EMD-ARIMA预测模型,利用EMD对非线性、非平稳的负荷时间序列进行平稳化处理,得到多个分量,并针对不同的分量分别构建ARIMA模型,同时利用AIC和BIC对各ARIMA模型进行优选,最后重构得到负荷预测结果,有效提高了负荷预测的准确率。
附图说明
图1是本发明实施例提供的一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法的流程示意图;
图2是本发明实施例提供的基于db4的小波分解结果;
图3是本发明实施例提供的小波降噪前后负荷数据对比图,其中,(a)为原始负荷数据,(b)为小波去噪后的负荷数据;
图4是本发明实施例提供的对小波降噪后的负荷序列进行经验模态分解的结果;
图5是本发明实施例提供的对IMF1构建ARIMA(2,1,2)模型进行预测时,原始数据与预测结果的对比;
图6是本发明实施例提供的利用EMD-ARIMA进行预测时,原始数据与预测结果的对比;
图7是本发明实施例提供的一种系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法。并且以某地区日负荷数据预测为具体实施例进行说明,但本发明不仅适用于该地区的负荷预测,还可以推广至其他预测领域。
首先,获取电力系统原始负荷数据,接着,利用小波分析对负荷数据进行降噪处理。接着利用经验模态分解EMD方法对降噪后的数据进行进一步处理得到不同的负荷分量。最后,对不同的负荷分量分别构建对应的差分自回归滑动平均ARIMA模型,同时利用赤池信息准则、贝叶斯信息准则对ARIMA模型进行优选,最终对不同ARIMA模型预测得到的负荷分量进行重构得到最终的预测结果。本发明考虑当前负荷预测研究较少对原始数据进行预处理,利用小波分析对负荷数据进行降噪,减少了不良数据对预测的干扰。同时构建了EMD-ARIMA预测模型,利用EMD对非线性、非平稳的负荷时间序列进行平稳化处理,得到多个分量,并针对不同的分量分别构建ARIMA模型,同时利用AIC和BIC对ARIMA模型进行优选,最后重构得到负荷预测结果,小波阈值去噪法因其计算量小,处理效率高,可以有效提高数据处理的精度,有效提高了负荷预测的准确率。
如图1所示,以该地区负荷预测为例,本发明实施例的一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法的流程示意图,包括以下步骤:
S1:获取电力系统对应不同时刻的电力负荷数据,若负荷数据为等间隔序列则跳过本步骤,如为非等间隔则对负荷数据进行插值得到等间隔负荷数据;
在本发明实施例中,数据为某地区电力系统2011年的负荷数据,该负荷数据为等间隔数据:data={a1,a2,...,ai}i∈[1,K],其中,K为对应K个时刻的K个负荷数据,ai为负荷数据中第i点对应的值。
S2:利用小波分析对负荷数据进行降噪处理;
在本发明实施例中,选择db4小波,分解层次为3,然后进行分解计算。对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理。根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。在具体实现过程可以分别设计高通滤波器和低通滤波器,得到高频系数和低频系数,并且每分解一次数据的长度减半。而小波重构则为分解的逆过程,先进行增采样,即每两个数之间插入一个0,与共轭滤波器卷积,最后对卷积结果求和。利用各层系数对信号进行重构。最终所得不同尺度的高频系数和低频系数如图2所示。
在本发明实施例中,进行小波分解降噪后得到的数据为:x(t)={x1,x2,...,xt}t∈[1,K],其中,K为对应K个时刻的K个负荷数据,xt为负荷数据中第t点对应的值。降噪前后数据对比如图3所示,其中,(a)为原始负荷数据,(b)为小波去噪后的负荷数据。
S3:利用经验模态分解EMD方法对降噪后的数据进行进一步处理得到不同的负荷分量;
在本发明实施例中,EMD方法假设任何复杂的时间信号都是由一系列简单且相互独立的固有模态函数IMF组成,各IMF分量需满足如下约束条件:(a)在整个序列数据段内,极值点数必须和过零点数一致或者至多相差一个;(b)在任何一点,由极大值确定的上包络线和极小值确定的下包络线的均值为零。
在本发明实施例中,对于给定负荷序列的具体分解步骤如下所示:
2)计算原始序列x(t)与包络线均值m(t)的差值,记为h(t):h(t)=x(t)-m(t);
3)判断h(t)是否满足IMF约束条件,若不满足,则将其作为新的输入序列,重复执行步骤1)至步骤2),直至满足约束条件为止;若满足,则h(t)为第一个IMF分量,记为c1(t)=h(t),并从原始序列x(t)中分离出c1(t),得到剩余分量r1(t):r1(t)=x(t)-c1(t);
4)将剩余分量r1(t)视为新的原始序列,重复平稳化处理步骤1)~步骤4),可得到其余IMF分量与一个剩余分量,EMD的最终结果可表示为r(t)=x(t)-ci(t),其中,ci(t)为第i个固有模态函数分量;r(t)为最终的剩余分量,代表原始序列的趋势项。
通过运用EMD方法可将不同尺度或趋势分量从负荷序列中逐级分解出来,形成一系列具有不同时间尺度的子序列分量,子序列相较于原始序列具备更强的平稳性和规律性,有助于提高预测精度。
在本发明实施例中,对经过小波降噪处理的负荷数据进行EMD处理,逐级分离出相应的7组IMF分量及1组剩余分量,分解结果如图4所示。
可以看出,经过EMD处理后,负荷数据量级差异缩小,变动趋于平稳,可利用ARIMA模型进行预测。
S4:对不同的负荷分量构建对应的差分自回归滑动平均ARIMA模型;
在本发明实施例中,ARIMA(p,d,q)模型实则为AR(p)模型和MA(q)模型的组合。ARIMA(p,d,q)中的“I”意味着对不平稳时间序列进行差分处理,通过差分法可确定ARIMA(p,d,q)模型中的参数d。
AR(p)是自回归模型,该模型是变量在时刻t的响应xt与时刻t-1,t-2,…的响应xt-1,xt-2,…及t时刻进入系统的扰动的关系,而与前期的扰动无直接关系。自回归模型必须满足平稳性要求。p阶自回归过程的公式为:其中,xt是当前值,μ是常数项,p是阶数,γi是自相关系数,ξt是误差。
MA(q)模型是滑动平均模型,该模型是指变量在时刻t的响应xt与时刻t-1,t-2,…响应无直接关系,而与时刻t-1,t-2,…进入系统的扰动存在一定的关系,移动平均法能有效地消除预测中的随机波动是自回归模型中误差项的累加,q阶自回归过程的公式为:其中,q是阶数,ξt是误差,θi是消除随机波动的参数。
ARIMA(p,d,q)是自回归移动平均模型,该模型为自回归与移动平均的结合,是指变量在时刻t的响应xt不仅与时刻t-1,t-2,…的响应xt-1,xt-2,…存在直接关系,而且与时刻t-1,t-2,…进入系统的扰动存在一定的关系,公式为
S5:利用赤池信息准则(Akaike information criterion,AIC)、贝叶斯信息准则(Bayesian Information Criterion,BIC)对ARIMA模型进行优选,AIC、BIC两种参数计算出来的值越小,说明模型越合适;
在本发明实施例中,对于每一个ARIMA模型,根据若干次差分确定对应的差分阶数d值,此时ARIMA模型转换为ARMA模型。再对得到的平稳时间序列通过自相关函数(Autocorrelation Function,ACF)和偏自相关函数(Partial autocorrelationFunction,PACF)定阶,得到若干组p和q值,因此对应若干组模型,通过赤池信息准则AIC和贝叶斯信息准则BIC对多组模型进行优选,AIC公式为:AIC=-2ln(L)+2k,BIC的公式为:BIC=-2ln(L)+ln(n)·k。其中,L是在该模型下的最大似然,n是数据数量,k是模型的变量个数。AIC和BIC均引入了与模型参数个数相关的惩罚项,BIC的惩罚项比AIC的大,考虑了样本数量,样本数量过多时,可有效防止模型精度过高造成的模型复杂度过高。对于每一分量,其ARIMA模型可能各有不同。
在本发明实施例中,由于所需预测的分量较多,无法一一展开描述,故针对分量IMF1展开叙述。基于IMF1数据,计算不同ARIMA模型的AIC和BIC值得到表1,可以看出,针对IMF1应选取ARIMA(2,1,2)模型进行预测(AIC、BIC越小越好),对其进行残差检验发现满足条件,因此可用于负荷分量预测。同理,针对IMF2~IMF7分量以及剩余分量构建ARIMA预测模型,得到不同分量对应的模型参数如表2所示。对IMF1构建ARIMA(2,1,2)进行预测得到的结果如图5所示。
表1基于IMF1构建的不同ARIMA模型的AIC和BIC
模型 | AIC | BIC |
ARIMA(0,1,0) | 6770.5 | 6777.5 |
ARIMA(1,1,1) | 6485.5 | 6492.6 |
ARIMA(1,1,2) | 6489.7 | 6496.8 |
ARIMA(1,2,1) | 6769.8 | 6776.8 |
ARIMA(1,2,2) | 6881.4 | 6888.4 |
ARIMA(2,1,1) | 6487.3 | 6494.3 |
ARIMA(2,1,2) | 6479.6 | 6486.6 |
ARIMA(2,2,1) | 6590.0 | 6597.1 |
ARIMA(2,2,2) | 6604.2 | 6611.3 |
表2针对不同分量的模型选择
分量 | ARIMA(p,d,q) |
IMF1 | ARIMA(2,1,2) |
IMF2 | ARIMA(2,1,2) |
IMF3 | ARIMA(2,1,2) |
IMF4 | ARIMA(2,2,2) |
IMF5 | ARIMA(2,1,1) |
IMF6 | ARIMA(2,1,2) |
IMF7 | ARIMA(2,1,2) |
剩余分量 | ARIMA(2,2,2) |
S6:对不同ARIMA模型预测得到的负荷分量进行重构得到最终的预测结果。
在本发明实施例中,对不同分量构建如表2所述的ARIMA模型,分别进行预测,预测图像未绘出。最后对所有预测结果进行EMD逆推重构,具体可参考上述分解过程,得到最终的预测结果及误差如图6所示。由图6可以直观看出,原始数据与预测结果较为接近,但需要通过量化指标进一步说明这种接近程度。
为了进一步刻画预测结果,在本发明实施例中,选用两种指标来评估模型的预测效果,分别为均方根误差(Root Mean Square Error,RMSE):与平均绝对误差(Mean Absolute Error,MAE):其中,yi表示原始数据,表示预测结果,n表示数据量。
由于本发明实施例中采用的负荷数据量级较大,因此RMSE、MAE的数值较大并不能说明相对误差一定较大。
计算利用传统ARIMA模型对负荷进行预测及利用EMD-ARIMA进行预测的上述两种指标,同时还对比了有无小波分析处理的结果,最终对比结果如表3所示。
表3不同处理方法的预测指标计算结果
编号 | 模型 | RMSE | MAE |
1 | ARIMA | 7819.65 | 5106.37 |
2 | 小波降噪+ARIMA | 3178.82 | 1538.52 |
3 | EMD-ARIMA | 4353.77 | 2859.47 |
4 | 小波降噪+EMD-ARIMA | 2198.64 | 1360.42 |
由表3可知,无论是小波降噪还是EMD-ARIMA的并行预测都对最终结果产生了较大的影响,有效改善了最终的预测效果,所提方法的RMSE和MAE相较传统ARIMA模型的预测结果分别降低了71.88%,73.36%,可见预测误差大大减小。
如图7所示是本发明实施例提供的一种基于小波降噪和EMD-ARIMA的电力系统负荷预测系统结构示意图,包括:
数据处理模块201:用于获取电力系统负荷数据,对负荷数据进行小波降噪处理;
特征分解模块202:用于对经过小波降噪处理后的数据进行经验模态分解得到负荷数据的不同IMF分量和剩余分量;
ARIMA预测模型构建模块203:用于对经验模态分解得到的负荷数据的不同IMF分量和剩余分量进行ARIMA模型构建;
ARIMA模型优选模块204:用于对不同IMF分量及剩余分量的ARIMA模型进行优选;
分量预测模块205:用于对不同的IMF分量、剩余分量进行ARIMA预测;
预测模块206:用于将各个分量预测模块预测的结果合成得到最终的负荷预测结果。
其中,各模块的具体实施方式可以参考方法实施例的描述,本发明实施例将不再复述。
在本发明的另一实施例中,还提供了一种计算机可读存储介质,其上存储有程序指令,该程序指令被处理器执行时实现上述方法实施例中的一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法。
上述根据本发明的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD-ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的处理方法。此外,当通用计算机访问用于实现在此示出的处理的代码时,代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法,其特征在于,包括:
(1)获取电力系统对应不同时刻的电力负荷数据,并在所述电力负荷数据为非等间隔时,对所述电力负荷数据进行插值得到等间隔的电力负荷数据;
(2)利用小波分析对所述电力负荷数据进行降噪处理;
(3)利用经验模态分解EMD方法对降噪后的数据进行进一步处理得到不同的负荷分量;
(4)对不同的负荷分量构建对应的差分自回归滑动平均ARIMA模型;
(5)利用赤池信息准则AIC及贝叶斯信息准则BIC对每个负荷分量对应的ARIMA模型进行优选;
(6)对优选得到的不同ARIMA模型预测得到的负荷分量进行重构得到最终的预测结果。
2.根据权利要求1所述的方法,其特征在于,所述电力系统的等间隔的电力负荷数据为:data={a1,a2,...,ai}i∈[1,K],其中,K为对应K个时刻的K个负荷数据,ai为负荷数据中第i点对应的值。
3.根据权利要求2所述的方法,其特征在于,步骤(2)包括:
选择一个小波并确定分解的层次,然后进行分解计算,对各个分解尺度下的高频系数选择一个阈值进行软阈值量化处理,根据小波分解的最底层低频系数和各层高频系数进行一维小波重构。
4.根据权利要求2所述的方法,其特征在于,进行小波分解降噪后得到的数据为:x(t)={x1,x2,...,xt}t∈[1,K],其中,K为对应K个时刻的K个负荷数据,xt为负荷数据中第t点对应的值。
5.根据权利要求3或4所述的方法,其特征在于,步骤(3)包括:
(3.2)计算原始序列x(t)与包络线均值m(t)的差值,记为h(t):h(t)=x(t)-m(t);
(3.3)判断h(t)是否满足IMF约束条件,若不满足,则将其作为新的输入序列,重复执行步骤(3.1)至步骤(3.3),直至满足约束条件为止;若满足,则h(t)为第一个IMF分量,记为c1(t)=h(t),并从原始序列x(t)中分离出c1(t),得到剩余分量r1(t):r1(t)=x(t)-c1(t);
(3.4)将剩余分量r1(t)视为新的原始序列,并返回执行步骤(3.1),直至得到其余IMF分量与一个剩余分量,其中,EMD的最终结果表示为r(t)=x(t)-ci(t),其中,ci(t)为第i个固有模态函数分量,r(t)为最终的剩余分量,代表原始序列的趋势项。
6.根据权利要求5所述的方法,其特征在于,所述约束条件为:(a)在整个序列数据段内,极值点数必须和过零点数一致或者至多相差一个;(b)在任何一点,由极大值确定的上包络线和极小值确定的下包络线的均值为零。
8.根据权利要求7所述的方法,其特征在于,步骤(5)包括:
对于每一个ARIMA模型,根据若干次差分确定ARIMA模型对应的差分阶数d值,将各ARIMA模型转换为对应的ARMA模型;
对于每个ARMA模型,对该ARMA模型对应的负荷分量通过自相关函数ACF和偏自相关函数PACF定阶,得到若干组p和q值,对应若干组ARMA模型,通过赤池信息准则AIC和贝叶斯信息准则BIC对该多组ARMA模型进行优选,进而得到每个负荷分量对应的ARIMA模型,其中,AIC和BIC两种参数计算出来的值越小,说明模型越合适。
9.一种基于小波降噪和EMD-ARIMA的电力系统负荷预测系统,其特征在于,包括:
数据处理模块,用于获取电力系统负荷数据,对负荷数据进行小波降噪处理;
特征分解模块,用于对经过小波降噪处理后的数据进行经验模态分解得到负荷数据的不同IMF分量和剩余分量;
ARIMA预测模型构建模块,用于对经验模态分解得到的负荷数据的不同IMF分量和剩余分量分别进行ARIMA模型构建;
ARIMA模型优选模块,用于对不同IMF分量及剩余分量的ARIMA模型进行优选;
分量预测模块,用于对优选得到的不同的IMF分量、剩余分量进行ARIMA预测;
预测模块,用于将各个分量预测模块预测的结果合成得到最终的负荷预测结果。
10.一种计算机可读存储介质,其上存储有程序指令,其特征在于,所述程序指令被处理器执行时实现如权利要求1至8任一所述的一种基于小波降噪和EMD-ARIMA的电力系统负荷预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777451.1A CN111985361A (zh) | 2020-08-05 | 2020-08-05 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
US17/168,116 US11888316B2 (en) | 2020-08-05 | 2021-02-04 | Method and system of predicting electric system load based on wavelet noise reduction and EMD-ARIMA |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010777451.1A CN111985361A (zh) | 2020-08-05 | 2020-08-05 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985361A true CN111985361A (zh) | 2020-11-24 |
Family
ID=73444976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010777451.1A Pending CN111985361A (zh) | 2020-08-05 | 2020-08-05 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11888316B2 (zh) |
CN (1) | CN111985361A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991088A (zh) * | 2021-02-04 | 2021-06-18 | 国网浙江省电力有限公司 | 一种基于vmd-anfis-arima的月度电力需求预测方法 |
CN113407891A (zh) * | 2021-07-09 | 2021-09-17 | 中国测绘科学研究院 | 地心运动人工智能预测方法和系统、电子设备及存储介质 |
CN113554076A (zh) * | 2021-07-12 | 2021-10-26 | 国网湖北省电力有限公司电力科学研究院 | 基于小波分解的非侵入式建筑系统能耗监测方法 |
US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
CN116703183A (zh) * | 2023-08-04 | 2023-09-05 | 国网吉林省电力有限公司经济技术研究院 | 一种新型配电网系统用电负荷评估方法 |
CN117808325A (zh) * | 2024-02-29 | 2024-04-02 | 山东浪潮数据库技术有限公司 | 基于用户供需大数据的电力负荷预测方法 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685910B (zh) * | 2021-01-11 | 2022-11-18 | 大连理工大学 | 一种基于混合预测模型的复杂装备电源组故障预测方法 |
CN115204461A (zh) * | 2022-06-02 | 2022-10-18 | 国网江苏省电力有限公司淮安供电分公司 | 基于集合经验模态分解与ARMA-Elman混合模型的光伏功率预测方法 |
CN115061196B (zh) * | 2022-08-17 | 2022-11-15 | 成都川油瑞飞科技有限责任公司 | 基于经验模态分解imf引导的微震信号识别方法 |
CN115442246B (zh) * | 2022-08-31 | 2023-09-26 | 武汉烽火技术服务有限公司 | 数据平面网络的流量预测方法、装置、设备及存储介质 |
CN115496285B (zh) * | 2022-09-26 | 2023-09-12 | 上海玫克生储能科技有限公司 | 一种电力负荷的预测方法、装置及电子设备 |
CN115495924A (zh) * | 2022-10-10 | 2022-12-20 | 国营芜湖机械厂 | 基于arima模型的mosfet寿命预测方法 |
CN115438301B (zh) * | 2022-10-26 | 2023-06-20 | 北京建筑大学 | 一种基于ICEEMDAN二次分解耦合informer模型的设备运行趋势预测方法 |
CN115545361B (zh) * | 2022-12-02 | 2023-05-09 | 国网湖北省电力有限公司信息通信公司 | 一种电网传输线路气候环境预测方法、系统及介质 |
CN115860277B (zh) * | 2023-02-27 | 2023-05-09 | 西安骏硕通信技术有限公司 | 一种数据中心能耗预测方法及系统 |
CN116207864B (zh) * | 2023-04-28 | 2023-07-21 | 佰聆数据股份有限公司 | 基于物联网实现低压台区下的电力设备控制方法及系统 |
CN116562008A (zh) * | 2023-05-04 | 2023-08-08 | 广东工业大学 | 一种基于emd-lstm的锂电池温度场时空建模方法 |
CN116840622B (zh) * | 2023-07-07 | 2024-01-26 | 云木科技有限公司 | 基于电量输入与输出对比计算的配电终端测试系统 |
CN116663863B (zh) * | 2023-07-28 | 2023-10-20 | 石家庄科林电气股份有限公司 | 一种基于排产计划的虚拟电厂负荷预测方法 |
CN116703455B (zh) * | 2023-08-02 | 2023-11-10 | 北京药云数据科技有限公司 | 基于时间序列的混合模型的医药数据销售预测方法及系统 |
CN116721000A (zh) * | 2023-08-10 | 2023-09-08 | 山东云泷水务环境科技有限公司 | 一种基于水域生态环境监测的数据处理方法及系统 |
CN116909754A (zh) * | 2023-09-13 | 2023-10-20 | 人工智能与数字经济广东省实验室(广州) | 基于组合模型的移动终端cpu短期负载预测方法及相关设备 |
CN116933216B (zh) * | 2023-09-18 | 2023-12-01 | 湖北华中电力科技开发有限责任公司 | 一种基于柔性负荷资源聚合特征分析的管理系统及方法 |
CN117236571B (zh) * | 2023-11-14 | 2024-01-12 | 北京南天智联信息科技股份有限公司 | 一种基于物联网的规划方法和系统 |
CN117293826B (zh) * | 2023-11-27 | 2024-04-05 | 山东大学 | 一种分布式光伏缺失功率实时预测方法、系统、介质及设备 |
CN117559448B (zh) * | 2024-01-12 | 2024-03-22 | 山东德源电力科技股份有限公司 | 一种用于专变采集终端的用电负荷预测分析方法及系统 |
CN117744895A (zh) * | 2024-02-20 | 2024-03-22 | 山东华科信息技术有限公司 | 一种热力负荷预测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200291A (zh) * | 2014-09-28 | 2014-12-10 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
CN104504465A (zh) * | 2014-12-16 | 2015-04-08 | 国电南京自动化股份有限公司 | 一种发电燃料供应预测方法 |
CN104994539A (zh) * | 2015-06-30 | 2015-10-21 | 电子科技大学 | 一种基于arima模型的无线传感器网络流量异常检测方法 |
CN106354695A (zh) * | 2016-08-22 | 2017-01-25 | 北京理工大学 | 一种仅输出线性时变结构模态参数辨识方法 |
CN110276491A (zh) * | 2019-06-24 | 2019-09-24 | 重庆锐云科技有限公司 | 粉丝预测管理方法、装置、计算机设备及存储介质 |
CN110471768A (zh) * | 2019-08-13 | 2019-11-19 | 北京计算机技术及应用研究所 | 一种基于fastPCA-ARIMA的负载预测方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010011918A2 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
CN102270279A (zh) * | 2011-07-27 | 2011-12-07 | 华北电力大学 | 一种短期电力负荷预测方法 |
US8732113B2 (en) * | 2011-09-23 | 2014-05-20 | National Central University | Method for quantifying and modeling degree of nonlinearity, combined nonlinearity, and nonstationarity |
CN104063569B (zh) * | 2013-03-19 | 2017-11-14 | 中国人民解放军第二炮兵工程大学 | 一种基于emd去噪和渐消记忆的设备剩余寿命预测方法 |
US10001792B1 (en) * | 2013-06-12 | 2018-06-19 | Opower, Inc. | System and method for determining occupancy schedule for controlling a thermostat |
CN103279813A (zh) * | 2013-06-21 | 2013-09-04 | 哈尔滨工业大学(威海) | 一种蒸汽负荷预测方法 |
CN104931040B (zh) * | 2014-11-25 | 2018-10-26 | 国家电网公司 | 基于机器学习的北斗ⅱ代导航系统电力铁塔变形监测设备安装和调试方法 |
CN104820876B (zh) * | 2015-05-21 | 2019-06-18 | 国家电网公司 | 一种短期负荷预测方法和系统 |
JP6251310B2 (ja) * | 2016-03-29 | 2017-12-20 | ローム株式会社 | 電流電圧特性の測定方法 |
WO2017205382A1 (en) * | 2016-05-23 | 2017-11-30 | The University Of New Hampshire | Techniques for empirical mode decomposition (emd)-based signal de-noising using statistical properties of intrinsic mode functions (imfs) |
CN108561119B (zh) * | 2017-12-05 | 2020-06-23 | 西南石油大学 | 一种钻井溢流安全关井时间预测方法及系统 |
CN110543971B (zh) * | 2019-08-02 | 2020-08-11 | 河海大学 | 一种卫星降雨与实测降雨误差分区融合校正的方法 |
CN111985361A (zh) * | 2020-08-05 | 2020-11-24 | 武汉大学 | 小波降噪和emd-arima的电力系统负荷预测方法及系统 |
-
2020
- 2020-08-05 CN CN202010777451.1A patent/CN111985361A/zh active Pending
-
2021
- 2021-02-04 US US17/168,116 patent/US11888316B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200291A (zh) * | 2014-09-28 | 2014-12-10 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
CN104504465A (zh) * | 2014-12-16 | 2015-04-08 | 国电南京自动化股份有限公司 | 一种发电燃料供应预测方法 |
CN104994539A (zh) * | 2015-06-30 | 2015-10-21 | 电子科技大学 | 一种基于arima模型的无线传感器网络流量异常检测方法 |
CN106354695A (zh) * | 2016-08-22 | 2017-01-25 | 北京理工大学 | 一种仅输出线性时变结构模态参数辨识方法 |
CN110276491A (zh) * | 2019-06-24 | 2019-09-24 | 重庆锐云科技有限公司 | 粉丝预测管理方法、装置、计算机设备及存储介质 |
CN110471768A (zh) * | 2019-08-13 | 2019-11-19 | 北京计算机技术及应用研究所 | 一种基于fastPCA-ARIMA的负载预测方法 |
Non-Patent Citations (2)
Title |
---|
郭建鹏 等: "基于 EEMD-ARIMA 模型的地区月负荷量预测", 《电力工程技术》 * |
陈雨田 等: "小波-EMD分解改进电离层总电子短期预报ARIMA模型", 《桂林理工大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220045509A1 (en) * | 2020-08-05 | 2022-02-10 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and emd-arima |
US11888316B2 (en) * | 2020-08-05 | 2024-01-30 | Wuhan University | Method and system of predicting electric system load based on wavelet noise reduction and EMD-ARIMA |
CN112991088A (zh) * | 2021-02-04 | 2021-06-18 | 国网浙江省电力有限公司 | 一种基于vmd-anfis-arima的月度电力需求预测方法 |
CN113407891A (zh) * | 2021-07-09 | 2021-09-17 | 中国测绘科学研究院 | 地心运动人工智能预测方法和系统、电子设备及存储介质 |
CN113554076A (zh) * | 2021-07-12 | 2021-10-26 | 国网湖北省电力有限公司电力科学研究院 | 基于小波分解的非侵入式建筑系统能耗监测方法 |
CN113554076B (zh) * | 2021-07-12 | 2022-11-01 | 国网湖北省电力有限公司电力科学研究院 | 基于小波分解的非侵入式建筑系统能耗监测方法 |
CN116703183A (zh) * | 2023-08-04 | 2023-09-05 | 国网吉林省电力有限公司经济技术研究院 | 一种新型配电网系统用电负荷评估方法 |
CN116703183B (zh) * | 2023-08-04 | 2023-09-29 | 国网吉林省电力有限公司经济技术研究院 | 一种新型配电网系统用电负荷评估方法 |
CN117808325A (zh) * | 2024-02-29 | 2024-04-02 | 山东浪潮数据库技术有限公司 | 基于用户供需大数据的电力负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
US11888316B2 (en) | 2024-01-30 |
US20220045509A1 (en) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985361A (zh) | 小波降噪和emd-arima的电力系统负荷预测方法及系统 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN107292446B (zh) | 一种基于考虑分量关联性小波分解的混合风速预测方法 | |
CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
CN110610232A (zh) | 一种基于深度学习的长期及短期交通流预测模型构建方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
CN110909928B (zh) | 能源负荷短期预测方法、装置、计算机设备及存储介质 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN111427266A (zh) | 一种针对带扰动的非线性系统辨识方法 | |
CN114386452B (zh) | 核电循环水泵太阳轮故障检测方法 | |
Cramer et al. | Validation methods for energy time series scenarios from deep generative models | |
CN112945162A (zh) | 一种堆积层滑坡位移预测模型及预测方法 | |
CN110659620B (zh) | 基于模糊控制的滤波降噪方法 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
CN113222234B (zh) | 基于集成模态分解的用气需求预测方法及其系统 | |
Ramezani-Mayiami et al. | Graph recursive least squares filter for topology inference in causal data processes | |
Ao et al. | Entropy estimation via normalizing flow | |
CN113313175A (zh) | 基于多元激活函数的稀疏正则化神经网络的图像分类方法 | |
CN112668770A (zh) | 一种基于信息与波形总体相似度的电力负荷预测方法 | |
CN113066544A (zh) | 基于CAA-Net与LightGBM的FVEP特征点检测方法 | |
Yeh et al. | Comparison between Neural Network and Adaptive Neuro-Fuzzy Inference System for Forecasting Chaotic Traffic Volumes | |
CN112734118A (zh) | 一种基于改进ceemdan-qr-bl混合模型的干旱预测方法 | |
Chu et al. | Pruned Broad Learning System Based on Sparse Ridge Fusion |
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 |
Application publication date: 20201124 |
|
RJ01 | Rejection of invention patent application after publication |