CN112163710A - 基于集合经验模态的短期无功负荷预测方法及装置 - Google Patents
基于集合经验模态的短期无功负荷预测方法及装置 Download PDFInfo
- Publication number
- CN112163710A CN112163710A CN202011075471.0A CN202011075471A CN112163710A CN 112163710 A CN112163710 A CN 112163710A CN 202011075471 A CN202011075471 A CN 202011075471A CN 112163710 A CN112163710 A CN 112163710A
- Authority
- CN
- China
- Prior art keywords
- reactive load
- prediction
- algorithm
- value
- frequency
- 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 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000039077 Copula Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于集合经验模态的短期无功负荷预测方法及装置,所述方法包括步骤:1)通过EEMD分解算法将输入的无功负荷数据分解为若干本征模态分量IMF;2)将IMF低频对象使用随机森林回归机器学习预测算法,获得低频对象预测值;3)将IMF高频对象使用BPNN神经网络机器学习预测算法,获得高频对象预测值;4)对低频对象和高频对象预测值进行叠加重构,得到无功负荷预测值。本发明从实践应用的无功负荷数据集不同频段各自含有对应的规律以及周期性的角度出发,解决了不同时段数据相互强干扰,随机性较强的问题;本发明实现了在具体应用中抑制不同时段无功负荷互相干扰,提高了对无功负荷的预测精度,并且可以较好的还原数据局部细节。
Description
技术领域
本发明涉及电气工程和机器学习技术领域,具体地指一种基于集合经验模态的短期无功负荷预测方法及装置,可应用于电力网络。
背景技术
在电网运行过程中,对电力负荷进行准确预测,不仅有助于保证系统正常运行,还能优化管理能源资源。大多数负荷预测研究聚焦于高电压的天气响应型负荷,少有工业负荷预测相关研究,其中无功负荷预测研究更为少见。然而电力系统中许多重要操作都与工业无功负荷密切相关,如电压/无功优化,电能质量改善,频率控制和稳态潮流分析。因此,无功负荷预测能有效改善输配电过程中的电网运行性能,增强电力系统的可靠性。
基于传统数学统计学算法主要有多元线性回归、时间序列法和指数平滑法等。其中,F.Wang等提出将多元线性回归算法用于短期电力负荷预测,该算法结构简单,计算简洁,具有较快的训练与预测速度,但其算法鲁棒性较差,对复杂非线性系统难以获得较高的预测精度,对于随机性较强的电力负荷预测能力较差。
基于机器学习的算法中,经典代表算法是由Vapnik提出的支持向量机(SVM),该算法对周期性较强电力负荷的短期预测取得了较好的效果,但是对于随机波动比较大的电力负荷数据,其预测效果较差。神经网络以其强大的非线性映射能力,在非线性系统预测中广泛使用。X.G.等将GRU神经网络应用于电力负荷预测,并取得了较好的预测效果;M.Y.等提出一种将隔离森林iForest与LSTM神经网络相结合的电力负荷预测算法,有效提高了预测精度;H.Y.等提出了一种嵌入有参数Copula算法的深度置信网络(DBN)来预测电网的每小时负荷。然而,神经网络有很多缺点,如收敛速度慢,容易陷入局部最小值,过度拟合以及网络参数的选择过于依赖经验。这些缺陷直接影响着神经网络用于时间序列预测和建模的可靠性。
基于传统机器学习和深度学习的算法都具有各自的局限性,因此混杂预测的算法应运而生,其中第一类算法为通过权重的分配,结合多组预测算法的结果,能够得到较高的预测精度。然而,基于权重的混杂预测算法往往根据某一组实际预测误差作出权重分配,对单一样本能够取得较高的精度,却无法保证在其他样本上也能够有效提高精度,算法的拓展性较差。第二类算法即为负荷分解的算法,傅里叶变换和小波变换是常用手段,可以提取负荷信息多尺度局部特征。W.H.等提出采用快速傅里叶变换FFT对电力信号进行分解,该算法计算量小速度快,可以准确地得出信号的频域特性,但因采用对信号做整体变换的算法,无法体现出非线性、非平稳信号的时域特征。
发明内容
本发明针对现有技术的不足之处,针对应用实践中无功负荷数据具有的不同时间段间的强扰动性,强随机性的特点,提出一种基于集合经验模态的短期无功负荷预测方法及装置,提供一种对电力线宽带载波台区的无功负荷数据制成数据集的短期无功负荷预测方法,该方法能够将无功负荷数据分解为不同频率的若干本征模态函数,根据频段不同选用不同的机器学习方法,达到提高预测精度、还原局部细节的目的。
为实现上述目的,本发明所设计的一种基于集合经验模态的短期无功负荷预测方法,其特殊之处在于,所述方法包括如下步骤:
1)通过EEMD分解算法将输入的无功负荷数据分解为若干本征模态分量IMF;
2)将所述本征模态分量IMF中的低频对象使用随机森林回归机器学习预测算法,获得低频对象预测值;
3)将所述本征模态分量IMF中的高频对象使用BPNN神经网络机器学习预测算法,获得高频对象预测值;
4)对所述低频对象预测值和高频对象预测值进行叠加重构,得到无功负荷预测值。
优选地,所述无功负荷数据的复杂信号分解为有限个频率由高到低的本征模态函数的线性组合,分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。
优选地,所述步骤1)中EEMD分解算法的具体步骤包括:
11)将白噪声加入原始信号;
12)将加入白噪声的信号进行EMD分解,得到各阶的IMF分量;
13)重复步骤11)和12)N次,每次加入强度相同序列不等的白噪声,N为大于0的自然数;
14)利用白噪声频谱的均值为0,将每次得到的IMF集合求均值得到最终的IMF分量;
15)对所得各频段对象进行高低频分类。
优选地,所述步骤1)的信号分解效果以下式衡量:
其中,AIMFx表示每个特征分量绝对值的平均值;Aoriginal表示原始数据绝对值的平均值;根据式(1)计算无功负荷各IMF分量的幅值占比PIMFx。
优选地,所述步骤2)中随机森林回归机器学习预测算法RFR采用bagging算法,从训练集中抽取n个测试样本,基于均方误差最小化原则对回归树RT进行集成得到RFR,得均方误差的最小值:
其中,BRTj(xi)表示第j棵回归树RT的IMF预测值,xi和yi分别为第i个特征输入向量和实际无功负荷的值,i,j均为自然数,n为数据长度;
将每个RT的无功负荷低频特征预测结果进行加权求和,最终得到无功负荷低频特征的预测结果。
优选地,所述步骤3)中BPNN神经网络机器学习预测算法的具体步骤包括:
31)前向传播计算各神经元的输出值;
32)反向回馈计算各神经元期望输出与实际输出的误差;
33)通过优化算法更新各神经元的权值,从而减小误差。
34)将无功负荷高频特征分量序列带入BPNN神经元进行前向计算,得到BPNN的输出,通过均方差MSE公式反向计算得到每个神经元的误差VMSE为:
其中,Vactual代表高频特征分量真实值,Vpredict表示BPNN输出的高频特征分量预测值,n表示数据长度;
在得到神经元的输出值以后,通过Adam优化算法不断优化神经元的权重以缩小误差,经过若干次循环迭代后,BPNN的预测值逐渐逼近训练集真实值,最终得到BPNN神经网络机器学习预测算法。
本发明还提出一种装置,其特殊之处在于,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
本发明还提出一种计算机可读存储介质,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方法。
本发明的有益效果在于:
1、本发明从实践应用的无功负荷数据集不同频段各自含有对应的规律以及周期性的角度出发,解决了不同时段数据相互强干扰,随机性较强的问题。
2、本发明不需要采用过于复杂的机器学习方法,就可以取得高的精度。
3、本发明提出的预测精度、算法拟合程度和速度兼优的RFR,作为低频预测算法;对于高频部分,相比于LSTM,前馈神经网络BPNN性能更优。
4、本发明实现了在具体应用中抑制不同时段无功负荷互相干扰,提高了对无功负荷的预测精度,并且可以较好的还原数据局部细节。
附图说明
图1为本发明基于集合经验模态的短期无功负荷预测方法的流程图;
图2为本发明基于集合经验模态的短期无功负荷预测方法的算法结构框图;
图3为本发明基于集合经验模态的短期无功负荷预测方法的算法预测结果示意图;
图4为本发明基于集合经验模态的短期无功负荷预测方法与单一预测算法对比结果示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细描述,但本发明的实施方式不限于此。
如图1所示,本发明提出的基于集合经验模态的短期无功负荷预测方法,包括步骤:
1)通过EEMD分解算法将输入的无功负荷数据分解为若干本征模态分量IMF;
2)将本征模态分量IMF中的低频对象使用随机森林回归机器学习预测算法,获得低频对象预测值;
3)将本征模态分量IMF中的高频对象使用BPNN神经网络机器学习预测算法,获得高频对象预测值;
4)对低频对象预测值和高频对象预测值进行叠加重构,得到无功负荷预测值。
实施例一:
本发明提出了一种基于集合经验模态的短期无功负荷数据预测方法,包括将应用实践数据集的分解为若干本征模态分量IMF的分解算法,预测模型的训练,以及预测模型的使用三个方面。
1)通过EEMD分解算法将华东地区某地级市hplc台区的一组无功负荷数据制成数据集的无功负荷数据分解为若干本征模态分量IMF,根据本征模态分量IMF的随机性强弱将其分为高频与低频两种,并最终的获得结果表现为高频占比较低,低频占比较高,为负荷预测打下良好基础。无功负荷数据的复杂信号可以分解为有限个频率由高到低的本征模态函数的线性组合,分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。
针对于实践中获取的数据使用EEMD分解算法将该数据集中无功负荷数据分解为若干本征模态分量IMF,包含如下步骤:
步骤1:将白噪声加入原始信号。
步骤2:将加入白噪声的信号进行EMD分解,得到各阶IMF分量。
步骤3:重复上述步骤1和2N次,每次加入强度相同序列不等的白噪声。
步骤4:利用白噪声频谱的均值为0,将每次得到的IMF集合求均值得到最终的IMF分量。针对该应用数据,经过计算验证后加入白噪声的赋值标准差为信号标准差的0.2倍,N的取值为300。
步骤5:对所得各频段对象进行高低频分类。
针对该实践数据,根据随机性以及频率大小分为高低频,信号分解效果可以以下式衡量:
其中,AIMFx表示每个特征分量绝对值的平均值;Aoriginal表示原始数据绝对值的平均值。根据式(1)计算无功负荷各IMF分量的幅值占比PIMFx。
2)对于该数据集经过步骤1)处理后的低频对象使用随机森林回归机器学习预测算法,并获得低频对象预测值。随机森林回归机器学习预测算法RFR采用bagging算法,从训练集中抽取n个测试样本,基于均方误差最小化原则对回归树RT进行集成得到RFR,得均方误差的最小值:
其中,BRTj(xi)表示第j棵回归树RT的IMF预测值,xi和yi分别为第i个特征输入向量和实际无功负荷的值,n为数据长度。
将每个RT的无功负荷低频特征预测结果进行加权求和,最终得到无功负荷低频特征的预测结果。
3)对于该数据集经过步骤1)处理后的有较强随机性和波动性的高频分量,使用BPNN神经网络机器学习预测算法,并获得高频对象预测值。对高频信号使用BPNN神经网络机器学习算法预测训练,包含如下步骤:
步骤1:前向传播计算各神经元的输出值;
步骤2:反向回馈计算各神经元期望输出与实际输出的误差;
步骤3:通过优化算法更新各神经元的权值,从而减小误差。
将无功负荷高频特征分量序列带入BPNN神经元进行前向计算,得到BPNN的输出,通过均方差(mean square error,MSE)公式反向计算得到每个神经元的误差为:
其中,Vactual代表高频特征分量真实值,Vpredict表示BPNN输出的高频特征分量预测值,n表示数据长度。
在得到神经元的输出值以后,通过Adam优化算法不断优化神经元的权重以缩小误差,经过多次循环迭代后,BPNN的预测值逐渐逼近训练集真实值,最终得到高性能的预测算法。
4)对使用该数据集所有所得预测结果进行线性叠加重构,得到无功负荷预测值。
本发明实施例中,对华东地区某地级市hplc台区的一组无功负荷数据后10%制成测试集进行预测,其结果如图3所示。图3给出了本发明提出的基于集合经验模态的短期无功负荷数据预测方法EEMD-BPNN-RFR算法在该数据集上的预测结果,实线为真实值,虚线为预测值,可以看出整体上大部分的预测点与真实值贴合度较高,尖峰处预测效果与平坦处相比有所下降,表明了随机性较强的高频信号预测难度更大;使用EEMD-BPNN-RFR算法进行预测,预测指标R2达到了0.923,RMSE误差为0.797,说明EEMD-BPNN-RFR算法能够较为准确地对无功负荷进行预测。
为了验证本文提出EEMD-BPNN-RFR算法(简写为EBR)在无功负荷预测上的优势,采用4组主流单一预测算法与4组混杂预测算法对测试集进行对比预测,并对其中一天00:00-11:45的数据(48个点)进行预测。对比的单一预测算法分别为:前馈神经网络BPNN、长短期记忆网络LSTM、支持向量机回归算法SVR和随机森林回归算法RFR,其结果如图4所示。
从图4(a)中可以看出,本发明提出的EBR算法预测曲线始终跟随真实数据曲线趋势,预测结果远好于其他四种单一预测算法。图4(b)展示出EBR算法的预测均方误差RMSE低于1,而其他算法RMSE均高于2;EBR算法的R2接近于1,而其它算法的R2均小于0.5,说明EBR算法的预测精度和拟合程度均优于其他单一预测算法。
基于上述方法,本发明还提出一种装置,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述方法。
基于上述方法,本发明还提出一种计算机可读存储介质,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方法。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
最后需要说明的是,以上具体实施方式仅用以说明本专利技术方案而非限制,尽管参照较佳实施例对本专利进行了详细说明,本领域的普通技术人员应当理解,可以对本专利的技术方案进行修改或者等同替换,而不脱离本专利技术方案的精神和范围,其均应涵盖在本专利的权利要求范围当中。
Claims (8)
1.一种基于集合经验模态的短期无功负荷预测方法,其特征在于:所述方法包括如下步骤:
1)通过EEMD分解算法将输入的无功负荷数据分解为若干本征模态分量IMF;
2)将所述本征模态分量IMF中的低频对象使用随机森林回归机器学习预测算法,获得低频对象预测值;
3)将所述本征模态分量IMF中的高频对象使用BPNN神经网络机器学习预测算法,获得高频对象预测值;
4)对所述低频对象预测值和高频对象预测值进行叠加重构,得到无功负荷预测值。
2.根据权利要求1所述的基于集合经验模态的短期无功负荷预测方法,其特征在于:所述无功负荷数据的复杂信号分解为有限个频率由高到低的本征模态函数的线性组合,分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。
3.根据权利要求2所述的基于集合经验模态的短期无功负荷预测方法,其特征在于:所述步骤1)中EEMD分解算法的具体步骤包括:
11)将白噪声加入原始信号;
12)将加入白噪声的信号进行EMD分解,得到各阶的IMF分量;
13)重复步骤11)和12)N次,每次加入强度相同序列不等的白噪声,N为大于0的自然数;
14)利用白噪声频谱的均值为0,将每次得到的IMF集合求均值得到最终的IMF分量;
15)对所得各频段对象进行高低频分类。
6.根据权利要求1所述的基于集合经验模态的短期无功负荷预测方法,其特征在于:所述步骤3)中BPNN神经网络机器学习预测算法的具体步骤包括:
31)前向传播计算各神经元的输出值;
32)反向回馈计算各神经元期望输出与实际输出的误差;
33)通过优化算法更新各神经元的权值,从而减小误差。
34)将无功负荷高频特征分量序列带入BPNN神经元进行前向计算,得到BPNN的输出,通过均方差MSE公式反向计算得到每个神经元的误差VMSE为:
其中,Vactual代表高频特征分量真实值,Vpredict表示BPNN输出的高频特征分量预测值,n表示数据长度;
在得到神经元的输出值以后,通过Adam优化算法不断优化神经元的权重以缩小误差,经过若干次循环迭代后,BPNN的预测值逐渐逼近训练集真实值,最终得到BPNN神经网络机器学习预测算法。
7.一种装置,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任一所述的方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075471.0A CN112163710A (zh) | 2020-10-09 | 2020-10-09 | 基于集合经验模态的短期无功负荷预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011075471.0A CN112163710A (zh) | 2020-10-09 | 2020-10-09 | 基于集合经验模态的短期无功负荷预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112163710A true CN112163710A (zh) | 2021-01-01 |
Family
ID=73867148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011075471.0A Pending CN112163710A (zh) | 2020-10-09 | 2020-10-09 | 基于集合经验模态的短期无功负荷预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163710A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884236A (zh) * | 2021-03-10 | 2021-06-01 | 南京工程学院 | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
CN109242139A (zh) * | 2018-07-23 | 2019-01-18 | 华北电力大学 | 一种电力日峰值负荷预测方法 |
CN109934418A (zh) * | 2018-10-17 | 2019-06-25 | 安徽大学 | 基于频域分解及人工智能算法的短期负荷预测方法 |
-
2020
- 2020-10-09 CN CN202011075471.0A patent/CN112163710A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN108133188A (zh) * | 2017-12-22 | 2018-06-08 | 武汉理工大学 | 一种基于运动历史图像与卷积神经网络的行为识别方法 |
CN108256697A (zh) * | 2018-03-26 | 2018-07-06 | 电子科技大学 | 一种用于电力系统短期负荷的预测方法 |
CN109242139A (zh) * | 2018-07-23 | 2019-01-18 | 华北电力大学 | 一种电力日峰值负荷预测方法 |
CN109934418A (zh) * | 2018-10-17 | 2019-06-25 | 安徽大学 | 基于频域分解及人工智能算法的短期负荷预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884236A (zh) * | 2021-03-10 | 2021-06-01 | 南京工程学院 | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 |
CN112884236B (zh) * | 2021-03-10 | 2023-08-18 | 南京工程学院 | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414045B (zh) | 基于vmd-gru的短期风速预测方法 | |
Li et al. | Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN109299430A (zh) | 基于两阶段分解与极限学习机的短期风速预测方法 | |
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 | |
CN113361777B (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
CN109871977A (zh) | 基于离散小波变换和优化最小支持向量机的负荷预测方法 | |
Gan et al. | Seasonal and trend time series forecasting based on a quasi-linear autoregressive model | |
CN114399032B (zh) | 一种电能表计量误差预测方法及系统 | |
CN110991721A (zh) | 基于改进经验模态分解和支持向量机的短期风速预测方法 | |
Li et al. | Multi-step ahead wind speed forecasting approach coupling maximal overlap discrete wavelet transform, improved grey wolf optimization algorithm and long short-term memory | |
Wang et al. | A novel wind speed forecasting method based on ensemble empirical mode decomposition and GA-BP neural network | |
CN109146186A (zh) | 一种基于双重分解的短期风电功率预测方法 | |
CN115374710A (zh) | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN116933175A (zh) | 一种电动汽车充电负荷预测方法及装置 | |
CN112163710A (zh) | 基于集合经验模态的短期无功负荷预测方法及装置 | |
CN114676645A (zh) | 一种非平稳时间序列预测方法及系统 | |
CN110796303A (zh) | 一种基于ewt和odbscan的短期电力负荷预测方法 | |
Wei et al. | Short-term forecasting for wind speed based on wavelet decomposition and LMBP neural network | |
CN114239396A (zh) | 一种风机齿轮箱状态预测方法及系统 | |
CN116432860A (zh) | 一种基于ewt-tcn的短期电力负荷预测方法、系统及介质 | |
CN109903181A (zh) | 基于压缩感知的缺失数据集下的线损预测方法 | |
CN115271198A (zh) | 一种光伏设备的净负荷预测方法及装置 | |
CN114298408A (zh) | 一种基于ceemd-lstm-mlr的短期电力负荷预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210101 |
|
RJ01 | Rejection of invention patent application after publication |