CN112183848A - 基于dwt-svqr集成的电力负荷概率预测方法 - Google Patents

基于dwt-svqr集成的电力负荷概率预测方法 Download PDF

Info

Publication number
CN112183848A
CN112183848A CN202011023165.2A CN202011023165A CN112183848A CN 112183848 A CN112183848 A CN 112183848A CN 202011023165 A CN202011023165 A CN 202011023165A CN 112183848 A CN112183848 A CN 112183848A
Authority
CN
China
Prior art keywords
power load
prediction
subsequence
training set
output
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
CN202011023165.2A
Other languages
English (en)
Other versions
CN112183848B (zh
Inventor
何耀耀
肖经凌
王云
张婉莹
曹朝金
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202011023165.2A priority Critical patent/CN112183848B/zh
Publication of CN112183848A publication Critical patent/CN112183848A/zh
Application granted granted Critical
Publication of CN112183848B publication Critical patent/CN112183848B/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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (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)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于DWT‑SVQR集成的电力负荷概率预测方法，其步骤包括：1：收集电力负荷及相关影响因子的数据，将负荷时间序列进行离散小波变换(DWT)，确定有效频率成分，得到子序列；2：选择多种学习模型，在各子序列的训练集中加入影响因子分别训练；3：将各子序列在多种模型中的预测结果进行整合，在训练集上的预测组成新的训练集，在测试集上的预测组成新的测试集；4：在新的数据集上进行支持向量分位数回归(SVQR)集成，结合核密度估计，得到最终电力负荷的概率密度预测。本发明能利用有限长度的非稳定负荷数据特征，得到更精确的电力负荷概率预测，从而能为电力系统的协调和配置提供更有效的决策依据。

Description

基于DWT-SVQR集成的电力负荷概率预测方法
技术领域
本发明属于电力负荷预测领域，具体的说是一种基于DWT-SVQR集成的电力负荷概率预测方法。
背景技术
电力负荷预测对于国家和区域政策的制定尤为重要，因此获得全面且准确的电力负荷概率预测对国家的经济建设与社会稳定也有着至关重要的作用和实际意义。随着居民生活水平提高，用电需求超常增长，电力供需矛盾日渐突出，要使电力工业和国民经济得到协调可持续发展，关键点在于获得更准确的电力负荷预测。
应用于电力负荷预测的方法大体上分为传统算法和现代算法，传统算法有时间序列法、趋势外推法和回归分析法等，现代算法有灰色算法、小波分析和人工神经网络等，但是由于电力负荷时间序列的非稳定性以及各种外界随机因素的干扰，这些单一的算法处理过程已无法满足预测需求，预测精度很难有根本性的提高。因此，获得时间序列的有效特征，充分考虑各种影响因子以及结合效果优越的模型是传统算法和现代算法亟需改进和解决的。
此外，各种外界因素和随机因素越来越复杂，使电力负荷数据的分析难度增大，电力行业产生了大量特征多样的数据，且数据量高速增长，这让负荷预测面临巨大的挑战，而且大部分预测方法得到的是确定性的点预测结果，无法反映负荷需求的不确定性。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于DWT-SVQR集成的电力负荷概率预测方法，以期能利用有限长度的非稳定负荷数据特征，得到更精确的电力负荷概率预测，从而为电力系统的协调和配置提供更有效的决策依据。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于DWT-SVQR集成的电力负荷概率预测方法的特点是按如下步骤进行：
步骤1、收集电力负荷的时间序列{Yt}t＝1,2,…,T及其影响因子数据，并将时间序列{Yt}t＝1,2,…,T进行离散小波变换，保留有效频率分量，从而得到细节分量子序列{Di}i＝1,2,…,I和一个趋势分量子序列{A}，电力负荷的时间序列{Yt}t＝1,2,…,T和各分量子序列均进行归一化处理，得到归一化后的时间序列
Figure BDA0002701321550000011
和分量子序列；其中，Yt表示第t个时间点的电力负荷值，
Figure BDA0002701321550000012
表示归一化后的第t个时间点的电力负荷值；且t＝1,2,…,T；Di表示第i个影响电力负荷值的细节分量子序列，I表示细节分量子序列的数量，A表示影响电力负荷值的趋势变量子序列；
将所述归一化后的分量子序列以时间点N划分为训练集和测试集；其中，所述训练集为前N个时间点的数据，测试集为第N+1个时间点后的数据；
步骤2、选择J种学习模型，在各分量子序列的训练集中加入影响因子后分别对J种学习模型进行训练，得到训练后的J种学习模型，其中，训练后的J种细节分量子序列模型记为
Figure BDA0002701321550000021
训练后的J种趋势变量子序列模型记为
Figure BDA0002701321550000022
Figure BDA0002701321550000023
表示第i个细节分量子序列的第j种模型，
Figure BDA0002701321550000024
表示趋势分量子序列A的第j种模型；
步骤3、将分量子序列在模型中的电力负荷预测结果进行整合，在训练集上的预测组成新的训练集，在测试集上的预测组成新的测试集；
步骤3.1、将训练集和测试集分别作为训练后的J种学习模型的输入，从而相应得到J种细节分量子序列模型
Figure BDA0002701321550000025
在训练集上的细节分量子序列输出记为
Figure BDA0002701321550000026
在测试集上的细节分量子序列输出记为
Figure BDA0002701321550000027
J个趋势变量子序列的模型
Figure BDA0002701321550000028
在训练集上的趋势分量子序列输出记为{TrAj}j＝1,2,…,J，在测试集上的趋势变量子序列输出记为{TeAj}j＝1,2,…,J，其中，
Figure BDA00027013215500000216
是第j种模型在训练集上的第i个细节分量子序列的电力负荷预测输出，
Figure BDA0002701321550000029
是第j种模型在测试集上的第i个细节分量子序列的电力负荷预测输出，TrAj是第j种模型在训练集上的趋势分量子序列的电力负荷预测输出，TeAj是第j种模型在测试集上的趋势分量子序列的电力负荷预测输出；
步骤3.2、将第j种模型的所有细节分量子序列和趋势分量子序列在模型中的预测结果进行整合，得到第j种模型在训练集上第t时间点的电力预测输出
Figure BDA00027013215500000210
以及第j种模型在测试集上第t时间点的电力预测输出
Figure BDA00027013215500000211
进而得到J种模型在训练集上的预测输出并作为新的训练集，记为
Figure BDA00027013215500000212
以及J种模型在测试集上的预测输出并作为新的测试集，记为
Figure BDA00027013215500000213
所述新的训练集对应的响应变量为
Figure BDA00027013215500000214
所述新的测试集对应的响应变量为
Figure BDA00027013215500000215
步骤4、使用支持向量分位数回归模型集成J种模型的预测输出后，结合核密度估计，得到最终电力负荷的概率密度预测；
步骤4.1、在新的训练集上利用式(1)对支持向量分位数回归模型进行训练，得到训练后的支持向量分位数回归模型；
Figure BDA0002701321550000031
式(1)中，τ表示分位点，ωτ表示τ分位点下的参数向量，C是惩罚参数，ρτ(·)是τ分位点下的检验函数，φ(·)是非线性映射参数，b是阈值；K是电力负荷条件分位数预测输出结果；
将所述新的测试集输入训练后的支持向量分位数回归模型中，从而获得在新的测试集上的电力负荷条件分位数预测结果记为
Figure BDA0002701321550000032
其中，τq表示第q个分位点，Q表示分位点的数量，
Figure BDA0002701321550000033
表示归一化后的第t个时间点的电力负荷值
Figure BDA0002701321550000034
在第t时间点的电力预测输出
Figure BDA0002701321550000035
上得到的第q个分位点τq的条件分位数；
步骤4.2、令中间变量K(τq)＝{K(τq|Yt)},q＝1,2,...,Q，并作为核密度估计KDE方法的输入，得到概率密度函数后，将每个时间点的概率密度函数进行离散化处理，得到G个的预测值，并对G个的预测值进行反归一化处理，从而得到每个时间点的电力负荷预测值，其中，第t个时间点的电力负荷预测值表示为
Figure BDA0002701321550000036
以及相应的概率记为ft,1,ft,2,…,ft,g,…,ft,G，ft,g表示第t个时间点的第g个电力负荷预测值
Figure BDA0002701321550000037
的概率。
与现有技术相比，本发明的有益效果在于：
1.本发明在集成框架的基础上使用离散小波分解(DWT)和支持向量机分位数回归(SVQR)方法，将负荷时间序列进行离散小波变换后加入影响因子训练，将预测结果整合，在新的数据集上进行支持向量机分位数回归，得到不同分位点下的预测结果，结合核密度估计，得到电力负荷的概率性预测，克服了现有技术中的非稳定时间序列的处理问题，还能得到概率密度预测，从而精准反映未来电力负荷的变化趋势。
2.小波分析在继承傅立叶变换优点的基础上，同时做到了时频上的局部变换，通过对信号多维度的细致性分析，既能有效反映原始序列的特征，又能较好地从信号中获得信息。本发明在集成前使用离散小波分解，加入影响因子学习模型进行训练，能考虑到外界影响因子的干扰，整合结果后作为元学习器的输入，从而提高了最终的预测精度。
3.本发明提出的集成框架具有独特的灵活性，选择多种模型作为基学习器，能有效实现了模型性能的互补，在集成框架下提供更准确的电力负荷预测值。
4.本发明通过核密度方法得到电力负荷的概率密度预测，不仅可以获取预测值和预测区间，还能获取预测区间内每个点发生的概率，提供电力负荷值不确定性的附加信息。
附图说明
图1为本发明方法的整体流程图；
图2为本发明集成方法的结构示意图。
具体实施方式
本实施例中，一种基于DWT-SVQR集成的电力负荷概率预测方法，如图1所示，是按如下步骤进行：
步骤1、收集电力负荷的时间序列{Yt}t＝1,2,…,T及其影响因子数据，并将时间序列{Yt}t＝1,2,…,T进行离散小波变换，保留有效频率分量，从而得到细节分量子序列{Di}i＝1,2,…,I和一个趋势分量子序列{A}，电力负荷的时间序列和各分量子序列均进行归一化处理，得到归一化后的时间序列
Figure BDA0002701321550000041
和分量子序列；其中，Yt表示第t个时间点的电力负荷值，
Figure BDA0002701321550000042
表示归一化后的第t个时间点的电力负荷值；且t＝1,2,…,T；Di表示第i个影响电力负荷值的细节分量子序列，I表示细节分量子序列的数量，A表示影响电力负荷值的趋势变量子序列；
将归一化后的分量子序列以时间点N划分为训练集和测试集；其中，训练集为前N个时间点的数据，测试集为第N+1个时间点后的数据；
步骤2、选择J种学习模型，在各分量子序列的训练集中加入影响因子后分别对J种学习模型进行训练，得到训练后的J种学习模型，其中，训练后的J种细节分量子序列模型记为
Figure BDA0002701321550000043
训练后的J种趋势变量子序列模型记为
Figure BDA0002701321550000044
Figure BDA0002701321550000045
表示第i个细节分量子序列的第j种模型，
Figure BDA0002701321550000046
表示趋势分量子序列A的第j种模型；
步骤3、将分量子序列在模型中的电力负荷预测结果进行整合，在训练集上的预测组成新的训练集，在测试集上的预测组成新的测试集；
步骤3.1、将训练集和测试集分别作为训练后的J种学习模型的输入，从而相应得到J种细节分量子序列模型
Figure BDA0002701321550000047
在训练集上的细节分量子序列输出记为
Figure BDA0002701321550000048
在测试集上的细节分量子序列输出记为
Figure BDA0002701321550000049
J个趋势变量子序列的模型
Figure BDA0002701321550000051
在训练集上的趋势分量子序列输出记为{TrAj}j＝1,2,…,J，在测试集上的趋势变量子序列输出记为{TeAj}j＝1,2,…,J，其中，
Figure BDA00027013215500000514
是第j种模型在训练集上的第i个细节分量子序列的电力负荷预测输出，
Figure BDA0002701321550000052
是第j种模型在测试集上的第i个细节分量子序列的电力负荷预测输出，TrAj是第j种模型在训练集上的趋势分量子序列的电力负荷预测输出，TeAj是第j种模型在测试集上的趋势分量子序列的电力负荷预测输出；
步骤3.2、将第j种模型的所有细节分量子序列和趋势分量子序列在模型中的预测结果进行整合，得到第j种模型在训练集上第t时间点的电力预测输出
Figure BDA0002701321550000053
以及第j种模型在测试集上第t时间点的电力预测输出
Figure BDA0002701321550000054
进而得到J种模型在训练集上的预测输出并作为新的训练集，记为
Figure BDA0002701321550000055
以及J种模型在测试集上的预测输出并作为新的测试集，记为
Figure BDA0002701321550000056
新的训练集对应的响应变量为
Figure BDA0002701321550000057
新的测试集对应的响应变量为
Figure BDA0002701321550000058
步骤4、使用支持向量分位数回归模型集成J种模型的预测输出后，结合核密度估计，得到最终电力负荷的概率密度预测；
步骤4.1、在新的训练集上利用式(1)对支持向量分位数回归模型进行训练，得到训练后的支持向量分位数回归模型；
Figure BDA0002701321550000059
式(1)中，τ表示分位点，ωτ表示τ分位点下的参数向量，C是惩罚参数，ρτ(·)是τ分位点下的检验函数，φ(·)是非线性映射参数，b是阈值；K是电力负荷条件分位数预测输出结果；
将新的测试集输入训练后的支持向量分位数回归模型中，从而获得在新的测试集上的电力负荷条件分位数预测结果记为
Figure BDA00027013215500000510
其中，τq表示第q个分位点，Q表示分位点的数量，
Figure BDA00027013215500000511
表示归一化后的第t个时间点的电力负荷值
Figure BDA00027013215500000512
在第t时间点的电力预测输出
Figure BDA00027013215500000513
上得到的第q个分位点τq的条件分位数；本发明的集成方法结构示意图如图2所示，其中J种模型是基学习器，支持向量机分位数回归模型是元学习器；
步骤4.2、令中间变量K(τq)＝{K(τq|Yt)},q＝1,2,...,Q，并作为核密度估计KDE方法的输入，则利用式(2)得到任意r点的概率密度函数f(r)：
Figure BDA0002701321550000061
式(2)中，d为带宽，E(·)为均值为0，积分为1的Epanechnikov核函数：
步骤4.3、将每个时间点的概率密度函数进行离散化处理，得到G个的预测值，并对G个的预测值进行反归一化处理，从而得到每个时间点的电力负荷预测值，其中，第t个时间点的电力负荷预测值表示为
Figure BDA0002701321550000062
以及相应的概率记为ft,1,ft,2,…,ft,g,…,ft,G，ft,g表示第t个时间点的第g个电力负荷预测值
Figure BDA0002701321550000063
的概率。

Claims (1)

1.一种基于DWT-SVQR集成的电力负荷概率预测方法，其特征是按如下步骤进行：
步骤1、收集电力负荷的时间序列{Yt}t＝1,2,…,T及其影响因子数据，并将时间序列{Yt}t＝1,2,…,T进行离散小波变换，保留有效频率分量，从而得到细节分量子序列{Di}i＝1,2,…,I和一个趋势分量子序列{A}，电力负荷的时间序列{Yt}t＝1,2,…,T和各分量子序列均进行归一化处理，得到归一化后的时间序列
Figure FDA0002701321540000011
和分量子序列；其中，Yt表示第t个时间点的电力负荷值，
Figure FDA0002701321540000012
表示归一化后的第t个时间点的电力负荷值；且t＝1,2,…,T；Di表示第i个影响电力负荷值的细节分量子序列，I表示细节分量子序列的数量，A表示影响电力负荷值的趋势变量子序列；
将所述归一化后的分量子序列以时间点N划分为训练集和测试集；其中，所述训练集为前N个时间点的数据，测试集为第N+1个时间点后的数据；
步骤2、选择J种学习模型，在各分量子序列的训练集中加入影响因子后分别对J种学习模型进行训练，得到训练后的J种学习模型，其中，训练后的J种细节分量子序列模型记为
Figure FDA0002701321540000013
训练后的J种趋势变量子序列模型记为
Figure FDA0002701321540000014
Figure FDA0002701321540000015
表示第i个细节分量子序列的第j种模型，
Figure FDA0002701321540000016
表示趋势分量子序列A的第j种模型；
步骤3、将分量子序列在模型中的电力负荷预测结果进行整合，在训练集上的预测组成新的训练集，在测试集上的预测组成新的测试集；
步骤3.1、将训练集和测试集分别作为训练后的J种学习模型的输入，从而相应得到J种细节分量子序列模型
Figure FDA0002701321540000017
在训练集上的细节分量子序列输出记为
Figure FDA0002701321540000018
在测试集上的细节分量子序列输出记为
Figure FDA0002701321540000019
J个趋势变量子序列的模型
Figure FDA00027013215400000110
在训练集上的趋势分量子序列输出记为{TrAj}j＝1,2,…,J，在测试集上的趋势变量子序列输出记为{TeAj}j＝1,2,…,J，其中，
Figure FDA00027013215400000111
是第j种模型在训练集上的第i个细节分量子序列的电力负荷预测输出，
Figure FDA00027013215400000112
是第j种模型在测试集上的第i个细节分量子序列的电力负荷预测输出，TrAj是第j种模型在训练集上的趋势分量子序列的电力负荷预测输出，TeAj是第j种模型在测试集上的趋势分量子序列的电力负荷预测输出；
步骤3.2、将第j种模型的所有细节分量子序列和趋势分量子序列在模型中的预测结果进行整合，得到第j种模型在训练集上第t时间点的电力预测输出
Figure FDA00027013215400000113
以及第j种模型在测试集上第t时间点的电力预测输出
Figure FDA0002701321540000021
进而得到J种模型在训练集上的预测输出并作为新的训练集，记为
Figure FDA0002701321540000022
以及J种模型在测试集上的预测输出并作为新的测试集，记为
Figure FDA0002701321540000023
所述新的训练集对应的响应变量为
Figure FDA0002701321540000024
所述新的测试集对应的响应变量为
Figure FDA0002701321540000025
步骤4、使用支持向量分位数回归模型集成J种模型的预测输出后，结合核密度估计，得到最终电力负荷的概率密度预测；
步骤4.1、在新的训练集上利用式(1)对支持向量分位数回归模型进行训练，得到训练后的支持向量分位数回归模型；
Figure FDA0002701321540000026
式(1)中，τ表示分位点，ωτ表示τ分位点下的参数向量，C是惩罚参数，ρτ(·)是τ分位点下的检验函数，φ(·)是非线性映射参数，b是阈值；K是电力负荷条件分位数预测输出结果；
将所述新的测试集输入训练后的支持向量分位数回归模型中，从而获得在新的测试集上的电力负荷条件分位数预测结果记为
Figure FDA0002701321540000027
其中，τq表示第q个分位点，Q表示分位点的数量，
Figure FDA0002701321540000028
表示归一化后的第t个时间点的电力负荷值
Figure FDA0002701321540000029
在第t时间点的电力预测输出
Figure FDA00027013215400000210
上得到的第q个分位点τq的条件分位数；
步骤4.2、令中间变量K(τq)＝{K(τq|Yt)},q＝1,2,...,Q，并作为核密度估计KDE方法的输入，得到概率密度函数后，将每个时间点的概率密度函数进行离散化处理，得到G个的预测值，并对G个的预测值进行反归一化处理，从而得到每个时间点的电力负荷预测值，其中，第t个时间点的电力负荷预测值表示为
Figure FDA00027013215400000211
以及相应的概率记为ft,1,ft,2,…,ft,g,…,ft,G，ft,g表示第t个时间点的第g个电力负荷预测值
Figure FDA00027013215400000212
的概率。
CN202011023165.2A 2020-09-25 2020-09-25 基于dwt-svqr集成的电力负荷概率预测方法 Active CN112183848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011023165.2A CN112183848B (zh) 2020-09-25 2020-09-25 基于dwt-svqr集成的电力负荷概率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011023165.2A CN112183848B (zh) 2020-09-25 2020-09-25 基于dwt-svqr集成的电力负荷概率预测方法

Publications (2)

Publication Number Publication Date
CN112183848A true CN112183848A (zh) 2021-01-05
CN112183848B CN112183848B (zh) 2022-08-30

Family

ID=73943525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011023165.2A Active CN112183848B (zh) 2020-09-25 2020-09-25 基于dwt-svqr集成的电力负荷概率预测方法

Country Status (1)

Country Link
CN (1) CN112183848B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579554A (zh) * 2022-03-08 2022-06-03 京东科技信息技术有限公司 运维时间序列数据处理方法及装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014161587A1 (en) * 2013-04-05 2014-10-09 Aktiebolaget Skf Method for processing data obtained from a condition monitoring system
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法
CN108022001A (zh) * 2017-09-20 2018-05-11 河海大学 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN108876001A (zh) * 2018-05-03 2018-11-23 东北大学 一种基于孪生支持向量机的短期电力负荷预测方法
CN109558975A (zh) * 2018-11-21 2019-04-02 清华大学 一种电力负荷概率密度多种预测结果的集成方法
CN110443417A (zh) * 2019-07-05 2019-11-12 上海电力大学 基于小波变换的多模型集成负荷预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014161587A1 (en) * 2013-04-05 2014-10-09 Aktiebolaget Skf Method for processing data obtained from a condition monitoring system
CN107704953A (zh) * 2017-09-20 2018-02-16 河海大学 Ewt分位数回归森林的短期风电功率概率密度预测方法
CN108022001A (zh) * 2017-09-20 2018-05-11 河海大学 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN108876001A (zh) * 2018-05-03 2018-11-23 东北大学 一种基于孪生支持向量机的短期电力负荷预测方法
CN109558975A (zh) * 2018-11-21 2019-04-02 清华大学 一种电力负荷概率密度多种预测结果的集成方法
CN110443417A (zh) * 2019-07-05 2019-11-12 上海电力大学 基于小波变换的多模型集成负荷预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
HE, YAOYAO: "Wind and solar power probability density prediction via fuzzy information granulation and support vector quantile regression", <INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS> *
UL HAQUE, ASHRAF: "A Hybrid Intelligent Model for Deterministic and Quantile Regression Approach for Probabilistic Wind Power Forecasting", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 *
何耀耀: "基于Epanechnikov核与最优窗宽组合的中期电力负荷概率密度预测方法", 《电力自动化设备》 *
何耀耀等: "基于实时电价与支持向量分位数回归的短期电力负荷概率密度预测方法", 《中国电机工程学报》 *
石恒初: "基于小波分析的短期电力负荷组合预测方法", 《电力系统保护与控制》 *
郭瑞等: "一种结合互补集合经验模态分解和小波核极限学习机的短期电力负荷预测模型", 《计算机应用与软件》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579554A (zh) * 2022-03-08 2022-06-03 京东科技信息技术有限公司 运维时间序列数据处理方法及装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN112183848B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Liang et al. A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers
Xuan et al. Multi-model fusion short-term load forecasting based on random forest feature selection and hybrid neural network
CN109659933B (zh) 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
CN110334580A (zh) 基于集成增量的动态权重组合的设备故障分类方法
CN107480815A (zh) 一种电力系统台区负荷预测方法
CN113159361A (zh) 基于VDM和Stacking模型融合的短期负荷预测方法及系统
Niu et al. Research on short-term power load time series forecasting model based on BP neural network
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
CN112884236B (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及系统
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN111222689A (zh) 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN113673768A (zh) 基于vmd和cnn-lstm的风功率概率预测模型
CN114006370A (zh) 一种电力系统暂态稳定分析评估方法及系统
CN116665483A (zh) 一种新的预测剩余停车位的方法
CN112183848B (zh) 基于dwt-svqr集成的电力负荷概率预测方法
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
Liu et al. A novel dual-attention optimization model for points classification of power quality disturbances
CN113298131A (zh) 一种基于注意力机制的时序数据缺失值插补方法
CN117151770A (zh) 一种基于注意力机制的lstm碳价预测方法和系统
CN116757062A (zh) 电力负荷频率特性分析方法、装置、设备和存储介质
CN115619449A (zh) 基于深度学习模型的化肥价格预测方法、设备及存储介质
Zhu et al. Prediction of air quality index based on wavelet transform combination model
CN114638421A (zh) 一种发电机组备件需求的预测方法
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
GR01 Patent grant
GR01 Patent grant