CN112183813A - 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 - Google Patents

一种基于优化稀疏编码的超短期负荷滚动多步预测方法 Download PDF

Info

Publication number
CN112183813A
CN112183813A CN202010868405.2A CN202010868405A CN112183813A CN 112183813 A CN112183813 A CN 112183813A CN 202010868405 A CN202010868405 A CN 202010868405A CN 112183813 A CN112183813 A CN 112183813A
Authority
CN
China
Prior art keywords
dictionary
optimized
sparse coding
load
target
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
Application number
CN202010868405.2A
Other languages
English (en)
Other versions
CN112183813B (zh
Inventor
鞠平
储晨阳
秦川
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.)
Hohai University HHU
Original Assignee
Hohai University HHU
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 Hohai University HHU filed Critical Hohai University HHU
Priority to CN202010868405.2A priority Critical patent/CN112183813B/zh
Publication of CN112183813A publication Critical patent/CN112183813A/zh
Application granted granted Critical
Publication of CN112183813B publication Critical patent/CN112183813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于优化稀疏编码的超短期负荷滚动多步预测方法，包括对历史电力负荷数据进行数据预处理，构建稀疏编码算法中的特征字典、目标字典和输入向量；通过ESAX符号化距离相似性检索方法对特征字典和目标字典进行优化；基于输入向量以及优化后的特征字典、目标字典，应用稀疏编码算法预测得到多步预测目标结果；根据区间修正模型对预测目标结果进行修正，输出最终预测结果。借助包含幅值和趋势变化复合特征的ESAX符号化距离相似性度量方法优化字典，增强了稀疏编码的特征识别能力，同时加入基于负荷增量预测的区间修正模型，改善了稀疏编码预测在负荷爬坡期间误差偏大的情况，更适合于需要不断更新负荷数据的超短期负荷滚动多步预测。

Description

一种基于优化稀疏编码的超短期负荷滚动多步预测方法
技术领域
本发明涉及超短期负荷预测技术领域，尤其涉及一种基于优化稀疏编码的超短期负荷滚动多步预测方法。
背景技术
超短期负荷预测是指利用从电网中采集的实时负荷功率数据，对未来几分钟到几小时内的负荷进行预测，从而实时监控负荷的变化情况。电力调度部门将超短期负荷预测作为制定实时调度计划和日内滚动计划的基础和依据。以日内滚动计划为例，电力调度部门一般以小时级的超短期负荷滚动预测为基础，15～60分钟为启动周期，实时对未来几个小时(如4小时)的有功调度计划进行滚动修正，从而逐步降低日前计划的不确定性。
国内外相对成熟的超短期负荷预测模型主要分为统计模型和机器学习模型两类。相对而言，统计模型算法简单，但预测精度受限；机器学习，尤其是深度学习模型预测精度较高，但训练、调参相对复杂。现有的超短期、短期负荷多步预测大多采用递推预测，但可能存在误差累积的问题，并且多步预测的难度会随着步数的递增而变大。
发明内容
本发明的目的是提供一种基于优化稀疏编码的超短期负荷滚动多步预测方法，该方法借助优化稀疏编码算法良好的多步预测能力获得更高精度的多步预测信息。
本发明为实现上述发明目的采用如下技术方案：
本发明提供了一种基于优化稀疏编码的超短期负荷滚动多步预测方法，包括：
对历史电力负荷数据进行数据预处理，并构建稀疏编码算法中的特征字典、目标字典和输入向量；
通过ESAX符号化距离相似性检索方法对特征字典和目标字典进行优化；
基于输入向量以及优化后的特征字典、目标字典，应用稀疏编码算法预测得到多步预测目标结果；
根据区间修正模型对预测目标结果进行修正，输出最终预测结果；
进一步地，对历史电力负荷数据进行数据预处理，并构建稀疏编码算法中的特征字典、目标字典和输入向量的方法具体包括：
获取当前时刻前两周的历史负荷时间序列；
处理历史负荷时间序列中的异常与噪声信号，并对处理后的历史负荷时间序列进行正态标准化处理；
根据处理后历史负荷时间序列构建特征字典、目标字典和输入向量。
进一步地，采用db4小波阈值去噪法处理历史负荷时间序列中的异常与噪声信号。
进一步地，通过ESAX符号化距离相似性检索对特征字典和目标字典进行优化的方法，包括：
在分段累积近似算法基础上，对输入向量和特征字典原子分别进行降维；
将降维后的序列值按高斯分布密度曲线分割成若干个等概率的区间序列，得到时间序列的符号化表示，并根据每个子序列的信息计算子序列的均值及趋势变化特征值；
计算输入向量与特征字典原子的复合距离，设定距离阈值，对特征字典进行相似性度量及优化；
优化的目标字典由优化后特征字典中对应的原子时延获得。
进一步地，基于输入向量以及优化后的特征字典、目标字典，应用优化稀疏编码算法预测得到多步预测目标结果的方法，包括：
根据输入向量以及优化后的特征字典和目标字典，在稀疏编码中利用LARS算法求解LASSO回归问题，得到稀疏权值向量最优解；
计算稀疏权值向量与目标字典的内积，以获得多步负荷预测值。
进一步地，根据区间修正模型对预测目标结果进行修正，输出最终预测结果的方法，包括：
通过基于最小二乘法的分时回归预测模型在预测前一天先行预测当日的负荷增量；
设定修正判别阈值，当检测到某时刻修正判别指标越过阈值后，则实时提取负荷增量预测值，并累加获得修正后的多步负荷预测值。
进一步地，用于判断是否需要进行修正的修正判别指标C(t)的公式如下：
Figure BDA0002650432630000021
式中，Δy*(t)是基于最小二乘法的分时回归预测模型的当日负荷增量预测值，
Figure BDA0002650432630000022
是未修正前的超短期负荷预测值增量。
本发明的有益效果如下：
通过并行运算减轻了传统多步预测算法中的累计误差问题，强化了预测效果，具有更好的多步预测精度；
借助包含幅值和趋势变化复合特征的ESAX符号化距离相似性度量方法优化字典，增强了稀疏编码的特征识别能力，同时加入基于负荷增量预测的区间修正模型，改善了稀疏编码预测在负荷爬坡期间误差偏大的情况，使得所提方法更适合于需要不断更新负荷数据的超短期负荷滚动多步预测，具有更好的工程实用价值。
附图说明
图1为根据本发明实施例提供的实现流程图；
图2为根据本发明实施例提供的稀疏编码负荷预测原理图；
图3为根据本发明实施例提供的ESAX符号化距离优化字典流程图。
具体实施方式
图1为本发明所提方法的实现流程图。如图1所示，包括以下步骤：
步骤A：对历史电力负荷数据进行数据预处理，并构建稀疏编码算法中的特征字典、目标字典和输入向量；
步骤B：通过ESAX符号化距离相似性检索方法对特征字典和目标字典进行优化；
步骤C：基于输入向量以及优化后的特征字典和目标字典，应用稀疏编码算法预测得到多步预测目标结果；
步骤D：根据区间修正模型对上一步中的多步预测结果进行修正，输出最终预测结果；
步骤E：滚动最新电力负荷数据更新双字典和输入向量，重复上述预测步骤。
进一步，步骤A中，对历史电力负荷数据进行数据预处理，构建特征字典ψ(p)、目标字典ψ(t)和输入向量y(p)，如图2所示，图2中，h为多步预测步数，m为字典原子个数，n为原子维度，包括：
步骤A1：获取当前时刻前两周的历史负荷时间序列；
步骤A2：采用db4小波阈值去噪法处理电力负荷数据中的异常与噪声信号，并对处理后的电力负荷数据进行正态标准化处理；
步骤A3：根据处理后负荷数据构建特征字典ψ(p)、目标字典ψ(t)和输入向量y(p)。
步骤B中，通过ESAX符号化距离相似性检索对特征字典和目标字典进行优化的方法，流程如图3所示，包括：
步骤B1：时间序列降维，即在分段累积近似(PAA)算法基础上，对输入向量y(p)和特征字典ψ(p)中的原子φ(p)分别进行降维，如式(1)所示：
Figure BDA0002650432630000031
式中，cj∈{c1,c2,...,cn}为原始时间序列中的元素，
Figure BDA0002650432630000032
为降维后序列中的元素，且w＜n，n为原始时间序列的元素个数，w为降维后序列的元素个数，cj为原始时间序列的第j个元素，
Figure BDA0002650432630000033
为降维后序列的第i个元素；
步骤B2：将降维后的序列值按高斯分布密度曲线分割成若干个等概率的区间，得到时间序列的符号化表示，并根据每个子序列的起始值
Figure BDA0002650432630000034
均值
Figure BDA0002650432630000035
和终点值
Figure BDA0002650432630000036
计算子序列的均值
Figure BDA0002650432630000037
及趋势变化特征值
Figure BDA0002650432630000038
和
Figure BDA0002650432630000039
其中
Figure BDA00026504326300000310
步骤B3：根据式(2)计算输入向量y(p)与特征字典原子φ(p)的复合距离，设定距离阈值，对特征字典进行相似性度量及字典优化；
Figure BDA0002650432630000041
式中，qi,ci是y(p)和φ(p)中的第i个子序列，
Figure BDA0002650432630000042
是为qi和ci的符号化表示，
Figure BDA0002650432630000043
和td(qi,ci)分别表示两子序列之间的符号化距离和趋势距离；
目标字典可由优化后的特征字典中对应的特征原子时延获得。
步骤C中，基于输入向量以及优化后的特征字典和目标字典，应用稀疏编码算法预测得到多步预测目标结果，如图2所示，包括：
步骤C1：根据步骤A3中的特征字典ψ(p)和目标字典ψ(t)以及输入向量y(p)，在稀疏编码中利用LARS算法求解LASSO回归问题，得到稀疏权值向量最优解α(p)；
步骤C2：计算稀疏权值向量与目标字典的内积，如式(3)所示，即可获得多步负荷预测值；
Figure BDA0002650432630000044
特别地，步骤C中，稀疏编码算法的原理是寻找一组超完备字典来表示样本数据，如式(4)所示：
Figure BDA0002650432630000045
式中，z是样本数据，φi是字典ψ中的原子，ψ＝[φ1,φ2,…,φN]，αi是稀疏权值向量α中的元素，其中大多数为零；
稀疏编码通常将式(4)转换为式(5)所示的稀疏正则化优化问题进行求解，继而获得稀疏权值向量；
Figure BDA0002650432630000046
式中，前半部分表示利用基向量将特征集重构为输入样本后所产生的经验损失，后半部分表示稀疏编码的l1范数正则化，λ是用于调整经验损失与l1范数惩罚的相对贡献的超参数。
步骤D中，根据区间修正模型对上一步中的多步预测目标结果进行修正，输出最终预测结果，包括：
步骤D1：通过基于最小二乘法的分时回归预测模型在预测前一天先行预测当日的负荷增量Δy*(t)。
步骤D2：设定修正判别阈值ph，当在t1时刻检测到多步预测区间修正判别指标C(t)越过阈值后，则实时提取步骤D1中的负荷增量预测值，通过式(6)累加获得该区间修正后的多步负荷预测值；
Figure BDA0002650432630000051
式中，t2∈[t1,t1+4h]、
Figure BDA0002650432630000052
是t2时刻修正后的负荷预测值，ts是多步负荷预测的步长，其中ts为15min，k是t2与t1间隔的步数。
特别地，步骤D2中，用于判断是否需要进行修正的修正判别指标C(t)如式(7)所示；
Figure BDA0002650432630000053
当多步负荷预测滚动到t时刻时，修正判别指标C(t)与修正判别阈值进行比较，确定t时刻多步预测值是否需要修正，当C(t)小于该阈值时则不需要修正，否则需要进行修正；
式中，Δy*(t)是基于最小二乘法的分时回归预测模型的当日负荷增量预测值，
Figure BDA0002650432630000054
是未修正前的超短期负荷预测值增量。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (7)

1.一种基于优化稀疏编码的超短期负荷滚动多步预测方法，其特征在于，包括：
对历史电力负荷数据进行数据预处理，并构建稀疏编码算法中的特征字典、目标字典和输入向量；通过ESAX符号化距离相似性检索方法对特征字典和目标字典进行优化；
基于输入向量以及优化后的特征字典、目标字典，应用稀疏编码算法预测得到多步预测目标结果；根据区间修正模型对预测目标结果进行修正，输出最终预测结果。
2.根据权利要求1所述的一种基于优化稀疏编码的超短期负荷滚动多步预测方法，其特征在于，对历史电力负荷数据进行数据预处理，并构建稀疏编码算法中的特征字典、目标字典和输入向量的方法具体包括：
获取当前时刻前两周的历史负荷时间序列；
处理历史负荷时间序列中的异常与噪声信号，并对处理后的历史负荷时间序列进行正态标准化处理；根据处理后历史负荷时间序列构建特征字典、目标字典和输入向量。
3.根据权利要求2所述的一种基于优化稀疏编码的超短期负荷滚动多步预测方法，其特征在于，采用db4小波阈值去噪法处理历史负荷时间序列中的异常与噪声信号。
4.根据权利要求2或3所述的一种基于优化稀疏编码的超短期负荷滚动多步预测方法，其特征在于，通过ESAX符号化距离相似性检索对特征字典和目标字典进行优化的方法，包括：
在分段累积近似算法基础上，对输入向量和特征字典原子分别进行降维；
将降维后的序列值按高斯分布密度曲线分割成若干个等概率的区间序列，得到时间序列的符号化表示，并根据每个子序列的信息计算子序列的均值及趋势变化特征值；
计算输入向量与特征字典原子的复合距离，设定距离阈值，对特征字典进行相似性度量及优化；
优化的目标字典由优化后特征字典中对应的原子时延获得。
5.根据权利要求1所述的一种基于优化稀疏编码的超短期负荷滚动多步预测方法，其特征在于，基于输入向量以及优化后的特征字典、目标字典，应用优化稀疏编码算法预测得到多步预测目标结果的方法，包括：
根据输入向量以及优化后的特征字典和目标字典，在稀疏编码中利用LARS算法求解LASSO回归问题，得到稀疏权值向量最优解；
计算稀疏权值向量与目标字典的内积，以获得多步负荷预测值。
6.根据权利要求1所述的一种基于优化稀疏编码的超短期负荷滚动多步预测方法，其特征在于，根据区间修正模型对预测目标结果进行修正，输出最终预测结果的方法，包括：
通过基于最小二乘法的分时回归预测模型在预测前一天先行预测当日的负荷增量；
设定修正判别阈值，当检测到某时刻修正判别指标越过阈值后，则实时提取负荷增量预测值，并累加获得修正后的多步负荷预测值。
7.根据权利要求6所述的一种基于优化稀疏编码的超短期负荷滚动多步预测方法，其特征在于，用于判断是否需要进行修正的修正判别指标C(t)的公式如下；
Figure FDA0002650432620000021
式中，Δy*(t)是基于最小二乘法的分时回归预测模型的当日负荷增量预测值，
Figure FDA0002650432620000022
是未修正前的超短期负荷预测值增量。
CN202010868405.2A 2020-08-26 2020-08-26 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 Active CN112183813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010868405.2A CN112183813B (zh) 2020-08-26 2020-08-26 一种基于优化稀疏编码的超短期负荷滚动多步预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010868405.2A CN112183813B (zh) 2020-08-26 2020-08-26 一种基于优化稀疏编码的超短期负荷滚动多步预测方法

Publications (2)

Publication Number Publication Date
CN112183813A true CN112183813A (zh) 2021-01-05
CN112183813B CN112183813B (zh) 2024-04-09

Family

ID=73924516

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010868405.2A Active CN112183813B (zh) 2020-08-26 2020-08-26 一种基于优化稀疏编码的超短期负荷滚动多步预测方法

Country Status (1)

Country Link
CN (1) CN112183813B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1293388A (zh) * 2000-07-27 2001-05-02 黄桂清 一根声码计算机汉字输入法
CN102930344A (zh) * 2012-10-09 2013-02-13 中国电力科学研究院 一种基于负荷趋势变化的超短期母线负荷预测方法
CN108537380A (zh) * 2018-04-04 2018-09-14 福州大学 一种基于稀疏表示的电力负荷预测方法
CN109102155A (zh) * 2018-07-09 2018-12-28 中国南方电网有限责任公司 一种超短期节点边际电价概率预测方法及系统
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
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
CN110717581A (zh) * 2019-09-26 2020-01-21 国网福建省电力有限公司 一种基于温度模糊处理和dbn的短期负荷预测方法
CN110866633A (zh) * 2019-10-25 2020-03-06 上海电气集团股份有限公司 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN111144643A (zh) * 2019-12-24 2020-05-12 天津相和电气科技有限公司 基于双端自动编码的日前电力负荷预测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1293388A (zh) * 2000-07-27 2001-05-02 黄桂清 一根声码计算机汉字输入法
CN102930344A (zh) * 2012-10-09 2013-02-13 中国电力科学研究院 一种基于负荷趋势变化的超短期母线负荷预测方法
CN108537380A (zh) * 2018-04-04 2018-09-14 福州大学 一种基于稀疏表示的电力负荷预测方法
CN109102155A (zh) * 2018-07-09 2018-12-28 中国南方电网有限责任公司 一种超短期节点边际电价概率预测方法及系统
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
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
CN110717581A (zh) * 2019-09-26 2020-01-21 国网福建省电力有限公司 一种基于温度模糊处理和dbn的短期负荷预测方法
CN110866633A (zh) * 2019-10-25 2020-03-06 上海电气集团股份有限公司 一种基于svr支持向量回归的微电网超短期负荷预测方法
CN111144643A (zh) * 2019-12-24 2020-05-12 天津相和电气科技有限公司 基于双端自动编码的日前电力负荷预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
康重庆等: ""电力系统负荷预测研究综述与发展方向的探讨"", 《电力系统自动化》, vol. 28, no. 17 *
李啸骢等: ""基于动态权值相似日选取算法的短期负荷预测"", 《电力系统保护与控制》, vol. 45, no. 6 *

Also Published As

Publication number Publication date
CN112183813B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN111242377B (zh) 一种集成深度学习和数据去噪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
CN108074015B (zh) 一种风电功率超短期预测方法及系统
CN111461463B (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN110309603A (zh) 一种基于风速特性的短期风速预测方法及系统
CN109255728B (zh) 混沌相空间优化重构的光伏发电功率神经网络预测法
CN110543929A (zh) 一种基于Lorenz系统的风速区间预测方法及系统
CN112700050B (zh) 一种光伏电站超短期第1点功率预测方法及系统
CN116306798A (zh) 一种超短时风速预测方法及系统
CN111723982A (zh) 基于灰色-马尔可夫链的中长期电力负荷组合预测方法
CN111026741A (zh) 基于时间序列相似性的数据清洗方法及装置
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
CN114676622A (zh) 基于自编码器深度学习模型的短期光伏功率预测方法
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN115907131A (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN110222840B (zh) 一种基于注意力机制的集群资源预测方法和装置
CN117235096A (zh) Kpi数据的时序异常检测方法、装置、设备及介质
CN110110339A (zh) 一种日前水文预报误差校正方法及系统
CN114385962A (zh) 一种基于相似日的日前光伏发电功率预测方法及系统
CN105976057B (zh) 一种基于改进灰色理论的中长期负荷预测方法
CN112183813B (zh) 一种基于优化稀疏编码的超短期负荷滚动多步预测方法
CN115759455A (zh) 一种基于时序高斯混合密度网络的负荷概率密度预测方法
CN115809732A (zh) 一种分布式光伏发电功率预测方法及系统
CN111382891B (zh) 短期负荷预测方法和短期负荷预测装置
CN112883649A (zh) 一种电力负荷预测方法、系统、计算机设备及存储介质

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