CN112183848B - 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 PDFInfo
- Publication number
- CN112183848B CN112183848B CN202011023165.2A CN202011023165A CN112183848B CN 112183848 B CN112183848 B CN 112183848B CN 202011023165 A CN202011023165 A CN 202011023165A CN 112183848 B CN112183848 B CN 112183848B
- Authority
- CN
- China
- Prior art keywords
- power load
- prediction
- subsequence
- training set
- test set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000010354 integration Effects 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000009466 transformation 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
- 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
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和分量子序列;其中,Yt表示第t个时间点的电力负荷值,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训练后的J种趋势变量子序列模型记为 表示第i个细节分量子序列的第j种模型,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在训练集上的细节分量子序列输出记为在测试集上的细节分量子序列输出记为J个趋势变量子序列的模型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,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,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以及第j种模型在测试集上第t时间点的电力预测输出进而得到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,记为所述新的训练集对应的响应变量为所述新的测试集对应的响应变量为
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;
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其中,τq表示第q个分位点,Q表示分位点的数量,表示归一化后的第t个时间点的电力负荷值在第t时间点的电力预测输出上得到的第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和分量子序列;其中,Yt表示第t个时间点的电力负荷值,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训练后的J种趋势变量子序列模型记为 表示第i个细节分量子序列的第j种模型,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在训练集上的细节分量子序列输出记为在测试集上的细节分量子序列输出记为J个趋势变量子序列的模型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,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,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以及第j种模型在测试集上第t时间点的电力预测输出进而得到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,记为新的训练集对应的响应变量为新的测试集对应的响应变量为
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;
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其中,τq表示第q个分位点,Q表示分位点的数量,表示归一化后的第t个时间点的电力负荷值在第t时间点的电力预测输出上得到的第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):
式(2)中,d为带宽,E(·)为均值为0,积分为1的Epanechnikov核函数:
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和细节分量子序列趋势分量子序列其中,Yt表示第t个时间点的电力负荷值,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,表示归一化后的第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;表示归一化后的趋势分量子序列,T表示时刻点的个数;
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训练后的J种趋势变量子序列模型记为 表示第i个细节分量子序列的第j种模型,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,在训练集上的预测结果组成新的训练集,在测试集上的预测结果组成新的测试集;
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在训练集上的细节分量子序列输出记为在测试集上的细节分量子序列输出记为J个趋势变量子序列的模型在训练集上的趋势分量子序列输出记为在测试集上的趋势变量子序列输出记为其中,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,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,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,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以及第j种模型在测试集上第t时间点的电力预测输出进而得到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,记为所述新的训练集对应的响应变量为所述新的测试集对应的响应变量为
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;
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其中,τq表示第q个分位点,Q表示分位点的数量,表示归一化后的第t个时间点的电力负荷值在第t时间点的电力预测输出上得到的第q个分位点τq的条件分位数;
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 CN112183848A (zh) | 2021-01-05 |
CN112183848B true 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) |
Families Citing this family (1)
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)
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 |
-
2020
- 2020-09-25 CN CN202011023165.2A patent/CN112183848B/zh active Active
Patent Citations (6)
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)
Title |
---|
A Hybrid Intelligent Model for Deterministic and Quantile Regression Approach for Probabilistic Wind Power Forecasting;Ul Haque, Ashraf;《IEEE TRANSACTIONS ON POWER SYSTEMS》;20140701;第29卷(第4期);全文 * |
Wind and solar power probability density prediction via fuzzy information granulation and support vector quantile regression;He, Yaoyao;<INTERNATIONAL JOURNAL OF ELECTRICAL POWER & ENERGY SYSTEMS>;20190813;第113卷;全文 * |
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;郭瑞等;《计算机应用与软件》;20161215(第12期);全文 * |
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;何耀耀;《电力自动化设备》;20161110(第11期);全文 * |
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;何耀耀等;《中国电机工程学报》;20160826(第03期);全文 * |
基于小波分析的短期电力负荷组合预测方法;石恒初;《电力系统保护与控制》;20070901(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183848A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN113159361A (zh) | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
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 | |
CN111275168A (zh) | 基于卷积全连接的双向门控循环单元的空气质量预测方法 | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
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 | |
CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
CN112183848B (zh) | 基于dwt-svqr集成的电力负荷概率预测方法 | |
CN116665483A (zh) | 一种新的预测剩余停车位的方法 | |
CN115545345A (zh) | 一种基于gru-tcn模型的电网负荷预测方法 | |
Regazzoni et al. | A physics-informed multi-fidelity approach for the estimation of differential equations parameters in low-data or large-noise regimes | |
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 | |
Wen et al. | MapReduce-based BP neural network classification of aquaculture water quality | |
CN116843012A (zh) | 一种融合个性化上下文和时域动态特征的时序预测方法 | |
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 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN113835964A (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN113962431A (zh) | 一种两阶段特征处理的母线负荷预测方法 | |
CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、系统 | |
CN112990430B (zh) | 基于长短时记忆网络的群组划分方法及系统 |
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 |