CN112016723A - 一种时间粒度可调节的电网负荷预测方法 - Google Patents
一种时间粒度可调节的电网负荷预测方法 Download PDFInfo
- Publication number
- CN112016723A CN112016723A CN201910449423.4A CN201910449423A CN112016723A CN 112016723 A CN112016723 A CN 112016723A CN 201910449423 A CN201910449423 A CN 201910449423A CN 112016723 A CN112016723 A CN 112016723A
- Authority
- CN
- China
- Prior art keywords
- data
- fitting
- power grid
- year
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 6
- 235000019580 granularity Nutrition 0.000 claims description 44
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 abstract 1
- 238000000611 regression analysis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种时间粒度可调节的电网负荷预测方法。主要解决依据电网负荷的近期(三到五年)历史数据计算获得一个较长周期内(一整年)电网负荷在密集采样点上的预测数值。其实现步骤为:1.根据预测需求确定数据的时间粒度及数据的采样频度;2.构建多项式回归分析模型,依据近期历史数据通过差分进化算法拟合电网负荷的日变化趋势;3.通过线性回归分析来拟合电网负荷随年度变化的平均涨幅值;4.使用线性拟合得到的目标年份负荷涨幅值修正多项式拟合结果。可变的预测粒度及采样频率的调节提升了长周期负荷预测的灵活性,使得计算过程更易于平衡准确率与计算代价间的关系,为长周期电网负荷预测可同时提供多种备选方案。
Description
技术领域
本发明属于数据挖掘领域,具体涉及一种针对高采样频率特征的电网负荷数据预测方法,所述方法能够提供可变的时间粒度及可调节的采样频率,为整年电网负荷预测提供多种备选方案。
背景技术
时间序列数据预测是数据挖掘领域重要的研究内容之一。电网负荷预测是指在充分考虑设备、自然和社会环境的影响下,构建一个用于处理电网负荷数据的数学模型,在满足一定精度的要求下,确定未来特定时刻的负荷数值。电网负荷预测技术水平的提高有利于合理安排电网运行方式和机组检修计划,有利于节约资源降低发电成本,有利于提高电力系统的经济和社会效益。因此,电网负荷预测已经成为实现电力系统智能化的重要内容之一,是现代化电力系统不可或缺的组成部分。
电网负荷预测受天气和社会活动等影响,在时间序列上表现为非平稳的随机过程,但这些影响因素中大部分都具有一定的规律性,从而为实现有效的预测奠定了基础。目前针对电网负荷预测的方法包括神经网络法、支持向量机法和模糊预测法等。神经网络法和支持向量机法的不足在于超参数的选择和可解释性低等,模糊预测法需要依赖较多的历史数据。由于同一地区电网负荷变化规律稳定的时间较短,故电网负荷预测不宜采用较长的电网负荷历史数据,比较合理的做法是采用最近三到五年内的数据来完成预测。利用短期历史数据能够减少电网内各用电单位结构变化引起的历史数据与当前实际状态的不一致性,更有效地反映当前电网的状态。此外,电网负荷预测往往需要一个长周期、高密度采样点的预测结果(通常是一整年),这也进一步增大了预测计算的复杂性。
因此,一种适用于长周期、高密度采样点的预测方法更能满足电网负荷的需求。同时这一方法还能够灵活调节运算量和预测精度来满足不同的具体应用场景。基于多项式拟合模型的预测方法能够进行粒度可调节的预测,即时间粒度可以从季度、月逐步细化到周、天,而数据的采样频率可根据需求进行任意设置,甚至精确到分钟或秒。可变的时间粒度及采样频度提高了预测计算的灵活性,提出的基于多项式拟合模型预测方法所需数据少,能够满足任意精度和任意方式的预测要求,预测结果能够反应真实的电网变化规律,具有更强的适用性。
发明内容
针对现有电网负荷预测研究中预测方式缺乏灵活性的问题,本文提出了一种基于多项式拟合模型和时间轴修正的粒度可调节电网负荷预测方法,采用差分进化算法进行拟合模型优化,并对预测结果按照年份进行涨幅修正,得到目标年度的电网负荷。为此,需要解决的关键技术问题包括:按照不同的时间粒度和采样频率整理获得历史电网负荷数据;构建多项式拟合模型,采用差分进化算法(Differential Evolution,DE)进行拟合模型的优化;采用线性拟合学习电网负荷的逐年涨幅计算目标年度的涨幅数值;使用线性拟合得到的涨幅数值修正多项式拟合曲线,得到目标年度的电网负荷预测结果。为实现上述目的,本发明的具体技术方案如下:
一种时间粒度可调节的高频率电网负荷预测方法,所述方法包括以下步骤:
步骤1:按所需采样频率形成电网负荷历史数据集。具体为:
设可变采样频率为δ分钟/次,按照一天24小时,每小时60分钟计算,一天的总采样点数N=24×60/δ。例如δ=15分钟/次,则单位日内共有96个检测点。则单位日内电网负荷历史数据集可表示为以下形式
Datai,j={X1,X2,...,XN},i=year1,year2,...,j=1,2,...,
其中,i表示年份,为保证用电单位的用电结构相对稳定,只采用近5年内的历史数据。j表示该年份的自然天数,X为一个采样点上的功率值(MW)。
步骤2:按所需时间粒度对电网负荷数据集进行分割。具体为:
所谓时间粒度是指拟合曲线所能代表的时间跨度,不同的时间粒度可表达不同时间跨度内的电网负荷数据的变化规律。时间粒度M可分为季度(s)、月(m)、周(w)、天(d),即M∈{d,w,m,s}。譬如,以季度作为时间粒度,则整年的数据事实上被分为了4个区段,在每一区段中我们将计算一个拟合曲线,这个曲线将表达此季度内共同的负荷变化趋势。
根据时间粒度M和采样点数N,历史负荷数据集可表示为
Tp={Datai,j|j∈p},p=1,2,...,
其中,p表示按照时间粒度将整年数据划分的区段数,则每个p包含该时间跨度下的所有天数。例如,当M是以s(季度)为粒度时,该粒度下的历史负荷数据集可表示为
Tp={Datai,j|j∈p},p=1,2,3,4。
步骤3:构建多项式拟合模型,采用差分进化算法进行拟合模型的优化。具体为:
多项式拟合的最大优点就是可以通过增加高次项对实测点进行逼近,直至拟合结果满足要求为止。我们将通过多项式拟合模型刻画一个时间粒度中所有数据的共同变化规律,即通过一条拟合曲线表达一个时间粒度内所有自然天的变化规律。多项式拟合模型可表示如下
y=a0+a1x+a2x2+…+anxn,x=1,2,...,N,
其中ai为拟合函数的系数。根据多项式拟合模型计算所得的第k(k=1,2,...,N)个采样点的功率值为Yk,故一个时间粒度内电网负荷的多项式拟合结果可表示为以下形式:
Poly={Y1,Y2,...,YN},
建立多项式拟合模型后,我们将通过差分进化算法对该模型进行拟合优化。根据前文定义,以M为时间粒度,以N为采样点的数据组合中,一个时间粒度内的数据可表示为Tp。差分进化算法优化的目标是最小化多项式拟合模型与Tp中所有数据的均方差,这一目标函数可表示如下
当M是以s(季度)为粒度时,上述优化过程将执行4次,分别针对原始数据被划分成的4个区段,且每个区段上会得到一条对应的最优多项式拟合曲线。而当M是以d(天)为时间粒度时,预测系统会针对每天的原始数据计算一条对应的最优多项式拟合曲线。显然,前者运算量相对较低,而后者拟合曲线与每个区段内的实际数据变化规律更为贴近,其余时间粒度的上述两个特性则居中。故可根据具体问题的需求,通过调整时间粒度来平衡运算量与拟合准确度之间的关系。
步骤4:通过线性拟合预测目标年度整体电网负荷变化幅度。具体为:
在实际计算中,不同年份同一时间段上的数据变化趋势非常接近,但存在一定幅度的变化。主要表现为随着年份微幅递增。此步骤是希望通过拟合得到电网负荷逐年递增的幅度。为了获得电网负荷逐年变化趋势,首先需要获取不同年度的涨幅值。首先,一个Tp可以根据年份划分为若干个子块。
获取同一时间粒度内的逐年电网负荷涨幅后,接下来对涨幅趋势进行拟合。为了减少由于电网内各用电单位结构变化引起的历史数据与当前实际状态的不一致性,可用历史数据的年份通常不超过5年,这导致可供拟合计算的数据点较少,故此部分采用一个基本线性拟合进行计算。其拟合公式为
L=b×year+c,
其中b和c表示拟合系数,year为年份值。根据计算得到的涨幅集合Ap,则线性拟合的目标函数可表示为
最后,针对粒度数据Tp通过线性拟合公式可计算得到一个预测年度的涨幅值lp。
步骤5:使用线性拟合得到的涨幅数值修正多项式拟合曲线,得到目标年度的电网负荷预测结果。具体为:
针对粒度数据Tp得到了Poly={Y1,Y2,...,YN},采用线性拟合得到目标年度涨幅预测值为lp。则此时间粒度内修正结果为
Pred={Yk+lp|k=1,2,...,N},
对数据集中所有Tp进行上述修正计算可得到最终结果。
本发明的有益效果:本发明针对现有电网负荷预测模型预测方式不灵活的问题,采用多项式回归模型拟合电网负荷,保证模型对历史电网负荷数据表达的准确性;拟合不同年度之间电网负荷整体的差异性,对预测结果进行修正,保证预测结果符合当前时段的变化规律。
附图说明
图1为本发明的总流程图;
图2为本发明实施例中2015年1月1日、2016年1月1日和2017年1月1日的电网负荷变化曲线;
图3为本发明实施例中对2015年1月1日、2016年1月1日和2017年1月1日网供总加拟合结果;
图4为本发明实施例中对不同年份之间涨幅的拟合结果;
图5为本发明实施例中对2018年1月1日网供总结预测结果;
具体实施方式
参照图1,本实施例以月为时间粒度和96个采样点的预测方式进行说明,取某地区2015年、2016年和2017年的数据作为历史数据集,对2018年1月1日电网负荷进行预测,具体实现步骤如下:
步骤1:按照所需采样频率形成电网负荷数据集。
以网供负荷为目标,对原始数据进行处理并按照时间点存储,形成一个时间序列,如图2所示为2015年1月1日、2016年1月1日和2017年1月1日的电网负荷变化曲线;
步骤2:按所需时间粒度对电网负荷数据集进行分割。
以月为时间粒度,将同一月的所有数据整理在一起,即将2015年1月、2016年1月和2017年1月的所有数据整理在一起,记为
T1={Datai,j|j∈p},p=1,
其中,Datai,j={X1,X2,...,X96},i∈{2015,2016,2017},j=1,2,...。
步骤3:构建多项式拟合模型,采用差分进化算法进行拟合模型优化。
针对步骤2中已经整理的数据T1,采用差分进化算法对数据进行拟合。建立多项式拟合模型,这里取n=8,则多项式模型为:
y=a0+a1x+a2x2+…+a8x8,
采用差分进化算法对集合T1中的所有数据进行拟合,得到该月对应的最优多项式为:
将对应的多项式系数带入多项式可得到对应的最优数据表达结果,如图3表示对2015年1月1日、2016年1月1日和2017年1月1日的表达结果,其中按月拟合采用整个月的数据进行拟合,得到一条代表该月变化规律的最优拟合结果,同时也代表了该月每一天的拟合结果。
步骤4:时间轴修正,采用线性拟合学习电网负荷的逐年涨幅计算目标年度的涨幅数值。
根据年份将T1进行分割,按照年份计算不同部分平均值之间的差值,采用线性拟合得出不同年份的涨幅情况。如图4所示为拟合得到的涨幅曲线,对应的表达式为:
根据拟合得到的逐年涨幅曲线,计算2017到2018年的涨幅情况,则预测得到2018年1月的涨幅为:
步骤5:使用线性拟合得到的涨幅数值修正多项式拟合曲线,得到目标年度的电网负荷预测结果。
根据步骤3和步骤4的计算结果,计算2018年1月1日的电网负荷预测结果为:
如图5所示表示2018年1月1日的预测结果。为了更加直观地表明该预测方式的有效性,对预测结果的预测误差率进行计算,方法如下
其中ytrue和ypred均代表一个1×96的矩阵,计算对应矩阵的平均值得到预测误差率为3.19%。
Claims (1)
1.一种时间粒度可调节的高频率电网负荷预测方法,所述方法包括以下步骤:
步骤1:按所需采样频率形成电网负荷历史数据集,具体为:
设可变采样频率为δ分钟/次,按照一天24小时,每小时60分钟计算,一天的总采样点数N=24×60/δ;例如δ=15分钟/次,则单位日内共有96个检测点;则单位日内电网负荷历史数据集可表示为以下形式
Datai,j={X1,X2,...,XN},i=year1,year2,...,j=1,2,...,
其中,i表示年份,为保证用电单位的用电结构相对稳定,只采用近5年内的历史数据;j表示该年份的自然天数,X为一个采样点上的功率值(MW);
步骤2:按所需时间粒度对电网负荷数据集进行分割,具体为:
所谓时间粒度是指拟合曲线所能代表的时间跨度,不同的时间粒度可表达不同时间跨度内的电网负荷数据的变化规律;时间粒度M可分为季度(s)、月(m)、周(w)、天(d),即M∈{d,w,m,s};譬如,以季度作为时间粒度,则整年的数据事实上被分为了4个区段,在每一区段中我们将计算一个拟合曲线,这个曲线将表达此季度内共同的负荷变化趋势;
根据时间粒度M和采样点数N,历史负荷数据集可表示为
Tp={Datai,j|j∈p},p=1,2,...,
其中,p表示按照时间粒度将整年数据划分的区段数,则每个p包含该时间跨度下的所有天数;例如,当M是以s(季度)为粒度时,该粒度下的历史负荷数据集可表示为
Tp={Datai,j|j∈p},p=1,2,3,4;
步骤3:构建多项式拟合模型,采用差分进化算法进行拟合模型的优化,具体为:
多项式拟合的最大优点就是可以通过增加高次项对实测点进行逼近,直至拟合结果满足要求为止;我们将通过多项式拟合模型刻画一个时间粒度中所有数据的共同变化规律,即通过一条拟合曲线表达一个时间粒度内所有自然天的变化规律;多项式拟合模型可表示如下
y=a0+a1x+a2x2+…+anxn,x=1,2,...,N,
其中ai为拟合函数的系数;根据多项式拟合模型计算所得的第k(k=1,2,...,N)个采样点的功率值为Yk,故一个时间粒度内电网负荷的多项式拟合结果可表示为以下形式:
Poly={Y1,Y2,...,YN},
建立多项式拟合模型后,我们将通过差分进化算法对模型进行拟合优化;根据前文定义,以M为时间粒度,以N为采样点的数据组合中,一个时间粒度内的数据可表示为Tp;则差分进化算法优化的目标是最小化多项式拟合模型与Tp中所有数据的均方差,这一目标函数可表示如下
当M是以s(季度)为粒度时,上述优化过程将执行4次,分别针对原始数据被划分成的4个区段,且每个区段上会得到一条对应的最优多项式拟合曲线;而当M是以d(天)为时间粒度时,预测系统会针对每天的原始数据计算一条对应的最优多项式拟合曲线;显然,前者运算量相对较低,而后者拟合曲线与每个区段内的实际数据变化规律更为贴近,其余时间粒度的上述两个特性则居中;故可根据具体问题的需求,通过调整时间粒度来平衡运算量与拟合准确度之间的关系;
步骤4:通过线性拟合预测目标年度整体电网负荷变化幅度,具体为:
在实际计算中,不同年份同一时间段上的数据变化趋势非常接近,但存在一定幅度的变化;主要表现为随着年份微幅递增;此步骤是希望通过拟合得到电网负荷逐年递增的幅度;为了获得电网负荷逐年变化趋势,首先需要获取不同年度的涨幅值;首先,一个Tp可以根据年份划分为若干个子块
获取同一时间粒度内的逐年电网负荷涨幅后,接下来对涨幅趋势进行拟合;为了减少由于电网内各用电单位结构变化引起的历史数据与当前实际状态的不一致性,可用历史数据的年份通常不超过5年,这导致可供拟合计算的数据点较少,故此部分采用一个基本线性拟合进行计算;其拟合公式为
L=b×year+c,
其中b和c表示拟合系数,year为年份值;根据计算得到的涨幅集合Ap,则线性拟合的目标函数可表示为
最后,针对粒度数据Tp通过线性拟合公式可计算得到一个预测年度的涨幅值lp;
步骤5:使用线性拟合得到的涨幅数值来修正多项式拟合曲线,得到目标年度的电网负荷预测结果,具体为:
针对粒度数据Tp得到了Poly={Y1,Y2,...,YN},采用线性拟合得到目标年度涨幅预测值为lp,则此时间粒度内修正结果为
Pred={Yk+lp|k=1,2,...,N},
对数据集中所有Tp进行上述修正计算可得到最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910449423.4A CN112016723B (zh) | 2019-05-28 | 2019-05-28 | 一种时间粒度可调节的高频率电网负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910449423.4A CN112016723B (zh) | 2019-05-28 | 2019-05-28 | 一种时间粒度可调节的高频率电网负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016723A true CN112016723A (zh) | 2020-12-01 |
CN112016723B CN112016723B (zh) | 2023-04-07 |
Family
ID=73500387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910449423.4A Active CN112016723B (zh) | 2019-05-28 | 2019-05-28 | 一种时间粒度可调节的高频率电网负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016723B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686463A (zh) * | 2021-01-07 | 2021-04-20 | 合肥阳光新能源科技有限公司 | 一种需量数据处理方法、装置及电子设备 |
CN113254738A (zh) * | 2021-04-27 | 2021-08-13 | 深圳坤湛科技有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
CN113408101A (zh) * | 2021-05-19 | 2021-09-17 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN114236232A (zh) * | 2021-12-16 | 2022-03-25 | 广州城市理工学院 | 一种考虑频率变化趋势的小水电频率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184388A (zh) * | 2015-08-05 | 2015-12-23 | 三峡大学 | 一种城市电力负荷短期预测的非线性回归方法 |
CN109242189A (zh) * | 2018-09-12 | 2019-01-18 | 国网安徽省电力有限公司合肥供电公司 | 一种基于气象因素的电力负荷短期预测方法 |
US20190067946A1 (en) * | 2017-08-28 | 2019-02-28 | General Electric Company | System and method for distribution load forecasting in a power grid |
CN109638812A (zh) * | 2018-11-15 | 2019-04-16 | 珠海许继芝电网自动化有限公司 | 一种自适应的配电线路超短期负荷预测方法及系统 |
-
2019
- 2019-05-28 CN CN201910449423.4A patent/CN112016723B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184388A (zh) * | 2015-08-05 | 2015-12-23 | 三峡大学 | 一种城市电力负荷短期预测的非线性回归方法 |
US20190067946A1 (en) * | 2017-08-28 | 2019-02-28 | General Electric Company | System and method for distribution load forecasting in a power grid |
CN109242189A (zh) * | 2018-09-12 | 2019-01-18 | 国网安徽省电力有限公司合肥供电公司 | 一种基于气象因素的电力负荷短期预测方法 |
CN109638812A (zh) * | 2018-11-15 | 2019-04-16 | 珠海许继芝电网自动化有限公司 | 一种自适应的配电线路超短期负荷预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
XIAOMIN XU ETC.: "Intelligent Forecasting Model for Regional Power", 《IEEE SYSTEMS JOURNAL 》 * |
侯永辉: "中长期电力负荷预测的研究与应用", 《中国优秀硕士学位论文全文数据库》 * |
吴熳红等: "几种电力负荷预测方法及其比较", 《广东电力》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686463A (zh) * | 2021-01-07 | 2021-04-20 | 合肥阳光新能源科技有限公司 | 一种需量数据处理方法、装置及电子设备 |
CN113254738A (zh) * | 2021-04-27 | 2021-08-13 | 深圳坤湛科技有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
CN113408101A (zh) * | 2021-05-19 | 2021-09-17 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN113408101B (zh) * | 2021-05-19 | 2024-01-12 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN114236232A (zh) * | 2021-12-16 | 2022-03-25 | 广州城市理工学院 | 一种考虑频率变化趋势的小水电频率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016723B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016723B (zh) | 一种时间粒度可调节的高频率电网负荷预测方法 | |
CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
CN109002942A (zh) | 一种基于随机神经网络的短期负荷预测方法 | |
WO2019118460A1 (en) | Irrigation system control with predictive water balance capabilities | |
CN113037531A (zh) | 流量预测方法、装置以及存储介质 | |
CN110555548A (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
CN113988481B (zh) | 一种基于动态矩阵预测控制的风功率预测方法 | |
CN111738477A (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
CN112508299A (zh) | 一种电力负荷预测方法、装置、终端设备及存储介质 | |
CN103699947A (zh) | 一种基于元学习的电力系统时变非线性负荷组合预测方法 | |
CN109447336B (zh) | 一种上游水库与其反调节水库坝间水位优化控制方法 | |
CN106296434A (zh) | 一种基于pso‑lssvm算法的粮食产量预测方法 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN112506663A (zh) | 基于去噪和误差修正的云服务器cpu负载预测方法、系统和介质 | |
CN113486556B (zh) | 一种改进的油气藏高效自动历史拟合方法 | |
CN116956120A (zh) | 一种基于改进的tft模型对水质非平稳时间序列的预测方法 | |
CN113177355A (zh) | 一种电力负荷预测方法 | |
CN105976057B (zh) | 一种基于改进灰色理论的中长期负荷预测方法 | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN113393051B (zh) | 基于深度迁移学习的配电网投资决策方法 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN115130743A (zh) | 一种基于变分推断的风电机组调节速率预测方法及系统 | |
CN112100867B (zh) | 电网负荷预测方法 | |
CN109842160B (zh) | 基于两个时点协调优化发电控制的决策方法、装置及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |