CN112308327A - 基于自适应特征权重的智慧城市电力负荷估计方法 - Google Patents
基于自适应特征权重的智慧城市电力负荷估计方法 Download PDFInfo
- Publication number
- CN112308327A CN112308327A CN202011236197.0A CN202011236197A CN112308327A CN 112308327 A CN112308327 A CN 112308327A CN 202011236197 A CN202011236197 A CN 202011236197A CN 112308327 A CN112308327 A CN 112308327A
- Authority
- CN
- China
- Prior art keywords
- power load
- feature
- weight
- value
- training
- 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 28
- 238000012549 training Methods 0.000 claims abstract description 32
- 230000008676 import Effects 0.000 claims abstract description 9
- 238000001556 precipitation Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于自适应特征权重的智慧城市电力负荷估计方法。该方法包括以下步骤:步骤1,获取实验标定数据;步骤2,自适应特征权重标定;步骤3,用重新标定的数据训练回声状态网络;步骤4,估计未知电力负荷;步骤6,将训练获得的回声状态网络嵌入处理器中,并实际应用。本发明在被测区域GDP、人口总数、气温均值、对外贸易出口额、对外贸易进口额、平均降水量时序数据的基础上,提出了基于自适应特征权重的智慧城市电力负荷估计方法。为尽可能减小不同特征间的差异性,本发明通过自适应特征权重算法对特征重新标定,并通过回声状态网络预测电力负荷值。
Description
技术领域
本发明涉及电力负荷估计领域,特别是涉及基于自适应特征权重的智慧城市电力负荷估计方法方法。
背景技术
配电网是非常重要的区域性基础设施,如何确保配电网为区域经济社会发展和社会各类用电客户提供优质可靠的供电服务,是配电网规划必须面临的主要问题之一。配电网规划是配电网建设的重要指导方针和基础,根据国家电网公司统一规划,有必要深化现代配电网的规划建设,为地方电网的综合规划编制提供依据,提高配电网规划科学性、合理性和精细度。电网负荷预测是电网规划工作中最重要的任务,也是配电网规划工作的基础。在配电网的规划过程中,通过一段历史时期内预测电网负荷结果来确定具体规划的规模,需要新建或者改造的项目,电网布局中的电源点的建设、变电站的建设以及线路的建设进度。以上任何一个方面规划建设都将因负荷预测的准确度而产生影响,从而直接影响到电网规划的质量高低。由于负荷是不定性的、变化的,而负荷的变化又是具有规律性的、是可预测的,因此通过负荷预测来完善电网规划工作非常重要。
截至目前,国内外很多的专家学者对负荷预测的研究己经取得了相当大的成果,电力负荷预测方法也越来越先进、实用,预测结果愈加准确。目前为止,电力负荷预测的一些主要方法有:比例系数增长法,弹性系数法,负荷密度法,时间序列法,回归分析法,趋势推断法,灰色预测法,自回归神经网络法,组合预测法等等。这些都是国内外电力负荷预测过程中的常用方法。预测方法的选择,应依据不同的实际情况,不同影响因素以及负荷预测的目标,选择适当的预测方法来进行。负荷预测的影响因素包括季节、气候、人口以及当地经济社会发展情况等诸多因素,任一因素的变化都会影响电力负荷的实际值。电力负荷的预测一般可以分为短期负荷预测和中长期负荷预测。对于一些发达国家来说,电力设备比较齐全,技术比较成熟,所以负荷预测的更常进行的是短期负荷。而对于国内目前的电网现状,由于电力设备与技术都还在发展期,需要长期稳定的供应可靠地电力能源,重点关注中长期负荷预测,短期负荷预测同时进行,共同为电网规划工作奠定基础。电网规划与市政规划密不可分,高品质电网规划受城市建设总体规划约束,是城市规划的一个分支部分。过去用传统经验来进行规划的历史证明有着严重的不足之处。如今甩现代的科学技术以及先进的计算机技术来进行城市及农村电网规划正弥补了这一缺点,通过更为先进的电网规划软件完成电网规划工作,从而应用到供电企业的实际工作中。
发明内容
在被测区域GDP、人口总数、气温均值、对外贸易出口额、对外贸易进口额、平均降水量时序数据的基础上,提出了基于自适应特征权重的智慧城市电力负荷估计方法。为尽可能减小不同特征间的差异性,本发明通过自适应特征权重算法对特征重新标定,并通过回声状态网络预测电力负荷值。为达此目的,本发明提供基于自适应特征权重的智慧城市电力负荷估计方法,具体步骤如下,其特征在于:
步骤1,获取实验标定数据:收集被测区域GDP,人口总数,气温均值,对外贸易出口额,对外贸易进口额,平均降水量的时序数据,把不同时序数据当作电力负荷估计的特征,组成特征数据矩阵;
步骤2,自适应特征权重标定:计算各个特征对于电力负荷估计的重要性权重,通过Sigmoid激活函数对重要性权重进行归一化操作生成特征权重,并对特征重新标定;
步骤3,训练回声状态网络:将重新标定的特征数据当作回声状态网络的输入,对应的电力负荷作为网络的输出,训练回声状态网络模型;
步骤4,估计未知电力负荷:对于未知电力负荷的特征数据矩阵,按步骤2获取特征权重重新标定的特征数据,并送入已训练的回声状态网络中,获得未知电力负荷值;
步骤5,将训练获得的回声状态网络模型嵌入处理器中,并实际应用。
进一步,步骤1中的特征数据矩阵可以表示为:
D={Gi,Pi,Ti,Oi,Ii,Ri} (1)
其中,Gi表示该地区i时刻的GDP值,Pi表示该地区i时刻的人口总数,Ti表示该地区i时刻的气温均值,Oi表示该地区i时刻的对外贸易出口额,Ii表示该地区i时刻的对外贸易进口额,Ri表示该地区i时刻的平均降水量。同时为每组特征数据矩阵贴上标签Ei,Ei表示该地区i时刻的电力负荷值。
进一步,步骤2中计算各特征的重要性权重过程可以表示为:
将特征数据矩阵D和电力负荷值Ei组合成训练数据集u(i)={D,Ei};
步骤2.1初始化特征重要性权重W[A]=0,A=1,2,...,a,a为特征个数;
步骤2.2在训练集u(i)中随机选出一个电力负荷值E;
步骤2.3在训练集中找出k个和E最近邻的特征Hj(j=1,2,...,k)
步骤2.4在训练集中找出k个和E不同类的最近邻特征Mj(C)(j=1,2,...,k)
步骤2.5计算特征重要性权重:
式中p(C)表示第C类特征的概率;Class(E)表示E所属的电力负荷值类别;m是样本个数;diff(A,R1,R2)表示样本R1和样本R2在特征A上的差:
重复步骤2.2至步骤2.5可得每个特征的重要性权重W[A]。
进一步,步骤2中对特征重新标定可以表示为:
通过Sigmoid激活函数对W[A]进行归一化操作生成0~1的权重σ:
σ=sigmoid(W[A]) (4)
将特征和权重相乘获得特征加权后的特征输出D':
D'=D×σ (5)
进一步,步骤3中训练回声状态网络具体描述为:
将重新标定过的特征数据D'替换原来的特征数据D,得到新的训练样本u(i)={D',Ei};
步骤3.1初始化网路,将训练样本u(i)通过输入连接权值矩阵Win进入储备池,E(i)经过反馈连接权值Wback进入储备池,并根据下式的顺序采集系统状态和输出状态:
x(i+1)=f(Winu(i+1)+Wx(i)+WbackE(i)) (6)
E(i+1)=fout(Woutu(i+1),x(i+1),E(i)) (7)
其中,x(i)是初始值为0的系统参数,f(·)为储备池节点的激励函数,fout(·)为储备池输出单元的激励函数,W表示储备池内部神经元的连接权值矩阵,Wout表示输出值矩阵。
步骤3.2计算输出值矩阵Wout:
进一步,步骤4中估计未知电力负荷具体描述为:
本发明基于自适应特征权重的智慧城市电力负荷估计方法,有益效果:本发明的技术效果在于:
1.为体现不同特征之间的差异性,本发明利用特征自适应加权算法,对特征数据重新标定,重新标定的特征对于电力负荷的估计更加有效;
2.本发明采用回声状态网络提高了算法模型的收敛速度,实现了智慧城市下的电力负荷时间序列预测。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提出了基于自适应特征权重的智慧城市电力负荷估计方法,旨在解决不同特征之间的差异性和电力负荷估计问题。图1为本发明的流程图,下面结合流程图对本发明的步骤作详细介绍。
步骤1,获取实验标定数据:收集被测区域GDP,人口总数,气温均值,对外贸易出口额,对外贸易进口额,平均降水量的时序数据,把不同时序数据当作电力负荷估计的特征,组成特征数据矩阵;
步骤1中的特征数据矩阵可以表示为:
D={Gi,Pi,Ti,Oi,Ii,Ri} (1)
其中,Gi表示该地区i时刻的GDP值,Pi表示该地区i时刻的人口总数,Ti表示该地区i时刻的气温均值,Oi表示该地区i时刻的对外贸易出口额,Ii表示该地区i时刻的对外贸易进口额,Ri表示该地区i时刻的平均降水量。同时为每组特征数据矩阵贴上标签Ei,Ei表示该地区i时刻的电力负荷值。
步骤2,自适应特征权重标定:计算各个特征对于电力负荷估计的重要性权重,通过Sigmoid激活函数对重要性权重进行归一化操作生成特征权重,并对特征重新标定;
步骤2中计算各特征的重要性权重过程可以表示为:
将特征数据矩阵D和电力负荷值Ei组合成训练数据集u(i)={D,Ei};
步骤2.1初始化特征重要性权重W[A]=0,A=1,2,...,a,a为特征个数;
步骤2.2在训练集u(i)中随机选出一个电力负荷值E;
步骤2.3在训练集中找出k个和E最近邻的特征Hj(j=1,2,...,k)
步骤2.4在训练集中找出k个和E不同类的最近邻特征Mj(C)(j=1,2,...,k)
步骤2.5计算特征重要性权重:
式中p(C)表示第C类特征的概率;Class(E)表示E所属的电力负荷值类别;m是样本个数;diff(A,R1,R2)表示样本R1和样本R2在特征A上的差:
重复步骤2.2至步骤2.5可得每个特征的重要性权重W[A]。
步骤2中对特征重新标定可以表示为:
通过Sigmoid激活函数对W[A]进行归一化操作生成0~1的权重σ:
σ=sigmoid(W[A]) (4)
将特征和权重相乘获得特征加权后的特征输出D':
D'=D×σ (5)
步骤3,训练回声状态网络:将重新标定的特征数据当作回声状态网络的输入,对应的电力负荷作为网络的输出,训练回声状态网络模型;
步骤3中训练回声状态网络具体描述为:
将重新标定过的特征数据D'替换原来的特征数据D,得到新的训练样本u(i)={D',Ei};
步骤3.1初始化网路,将训练样本u(i)通过输入连接权值矩阵Win进入储备池,E(i)经过反馈连接权值Wback进入储备池,并根据下式的顺序采集系统状态和输出状态:
x(i+1)=f(Winu(i+1)+Wx(i)+WbackE(i)) (6)
E(i+1)=fout(Woutu(i+1),x(i+1),E(i)) (7)
其中,x(i)是初始值为0的系统参数,f(·)为储备池节点的激励函数,fout(·)为储备池输出单元的激励函数,均选用tanh函数,W表示储备池内部神经元的连接权值矩阵,Wout表示输出值矩阵。
步骤3.2计算输出值矩阵Wout:
步骤4,估计未知电力负荷:对于未知电力负荷的特征数据矩阵,按步骤2获取特征权重重新标定的特征数据,并送入已训练的回声状态网络中,获得未知电力负荷值;
步骤4中估计未知电力负荷具体描述为:
步骤5,将训练获得的回声状态网络模型嵌入处理器中,并实际应用。
本发明将对城市电力负荷影响较大参数GDP,人口总数,气温均值,对外贸易出口额,对外贸易进口额,平均降水量的时序数据,作为对其求解的特征,由于每个特征间具有差异性,同时每个特征均不能线性映射点亮符合,因此本发明使用自适应的特征加权算法对特征重新标定,同时用回声状态网络求解未知的电力负荷估计。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (5)
1.基于自适应特征权重的智慧城市电力负荷估计方法,具体步骤如下,其特征在于:
步骤1,获取实验标定数据:收集被测区域GDP,人口总数,气温均值,对外贸易出口额,对外贸易进口额,平均降水量的时序数据,把不同时序数据当作电力负荷估计的特征,组成特征数据矩阵;
步骤2,自适应特征权重标定:计算各个特征对于电力负荷估计的重要性权重,通过Sigmoid激活函数对重要性权重进行归一化操作生成特征权重,并对特征重新标定;
步骤3,训练回声状态网络:将重新标定的特征数据当作回声状态网络的输入,对应的电力负荷作为网络的输出,训练回声状态网络模型;
步骤4,估计未知电力负荷:对于未知电力负荷的特征数据矩阵,按步骤2获取特征权重重新标定的特征数据,并送入已训练的回声状态网络中,获得未知电力负荷值;
步骤5,将训练获得的回声状态网络模型嵌入处理器中,并实际应用。
2.根据权利要求1所述的基于自适应特征权重的智慧城市电力负荷估计方法,其特征在于:步骤1中的特征数据矩阵可以表示为:
D={Gi,Pi,Ti,Oi,Ii,Ri} (1)
其中,Gi表示该地区i时刻的GDP值,Pi表示该地区i时刻的人口总数,Ti表示该地区i时刻的气温均值,Oi表示该地区i时刻的对外贸易出口额,Ii表示该地区i时刻的对外贸易进口额,Ri表示该地区i时刻的平均降水量,同时为每组特征数据矩阵贴上标签Ei,Ei表示该地区i时刻的电力负荷值。
3.根据权利要求1所述的基于自适应特征权重的智慧城市电力负荷估计方法,其特征在于:步骤2中自适应特征权值的计算过程可以表示为:
将特征数据矩阵D和电力负荷值Ei组合成训练数据集u(i)={D,Ei};
步骤2.1初始化特征重要性权重W[A]=0,A=1,2,...,a,a为特征个数;
步骤2.2在训练集u(i)中随机选出一个电力负荷值E;
步骤2.3在训练集中找出k个和E最近邻的特征Hj(j=1,2,...,k);
步骤2.4在训练集中找出k个和E不同类的最近邻特征Mj(C)(j=1,2,...,k);
步骤2.5计算特征重要性权重:
式中p(C)表示第C类特征的概率;Class(E)表示E所属的电力负荷值类别;m是样本个数;diff(A,R1,R2)表示样本R1和样本R2在特征A上的差:
重复步骤2.2至步骤2.5可得每个特征的重要性权重W[A];
通过Sigmoid激活函数对W[A]进行归一化操作生成0~1的权重σ:
σ=sigmoid(W[A]) (4)
将特征和权重相乘获得特征加权后的特征输出D':
D'=D×σ (5)。
4.根据权利要求1所述的基于自适应特征权重的智慧城市电力负荷估计方法,其特征在于:步骤3中训练回声状态网络具体描述为:
将重新标定过的特征数据D'替换原来的特征数据D,得到新的训练样本u(i)={D',Ei};
步骤3.1初始化网路,将训练样本u(i)通过输入连接权值矩阵Win进入储备池,E(i)经过反馈连接权值Wback进入储备池,并根据下式的顺序采集系统状态和输出状态:
x(i+1)=f(Winu(i+1)+Wx(i)+WbackE(i)) (6)
E(i+1)=fout(Woutu(i+1),x(i+1),E(i)) (7)
其中,x(i)是初始值为0的系统参数,f(·)为储备池节点的激励函数,fout(·)为储备池输出单元的激励函数,W表示储备池内部神经元的连接权值矩阵,Wout表示输出值矩阵;
步骤3.2计算输出值矩阵Wout:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011236197.0A CN112308327B (zh) | 2020-11-09 | 2020-11-09 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011236197.0A CN112308327B (zh) | 2020-11-09 | 2020-11-09 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308327A true CN112308327A (zh) | 2021-02-02 |
CN112308327B CN112308327B (zh) | 2023-06-16 |
Family
ID=74325222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011236197.0A Active CN112308327B (zh) | 2020-11-09 | 2020-11-09 | 基于自适应特征权重的智慧城市电力负荷估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308327B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
CN106845705A (zh) * | 2017-01-19 | 2017-06-13 | 国网山东省电力公司青岛供电公司 | 地铁供电负荷预测系统的回声状态神经网络负荷预测模型 |
CN107583755A (zh) * | 2017-10-18 | 2018-01-16 | 丹东东方测控技术股份有限公司 | 一种关于半自磨机功率的预估方法 |
CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
CN110309979A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于回声状态网络的电力负荷预测方法、装置及设备 |
CN110309982A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于矩阵分解的电力负荷预测方法、装置及设备 |
US20190319477A1 (en) * | 2018-04-13 | 2019-10-17 | Honeywell International Inc. | Energy storage controller |
CN111260116A (zh) * | 2020-01-10 | 2020-06-09 | 河南理工大学 | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 |
-
2020
- 2020-11-09 CN CN202011236197.0A patent/CN112308327B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
CN106845705A (zh) * | 2017-01-19 | 2017-06-13 | 国网山东省电力公司青岛供电公司 | 地铁供电负荷预测系统的回声状态神经网络负荷预测模型 |
CN107583755A (zh) * | 2017-10-18 | 2018-01-16 | 丹东东方测控技术股份有限公司 | 一种关于半自磨机功率的预估方法 |
CN107766986A (zh) * | 2017-10-31 | 2018-03-06 | 天津大学 | 泄漏积分型回声状态网络在线学习光伏功率预测方法 |
US20190319477A1 (en) * | 2018-04-13 | 2019-10-17 | Honeywell International Inc. | Energy storage controller |
CN110309979A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于回声状态网络的电力负荷预测方法、装置及设备 |
CN110309982A (zh) * | 2019-07-09 | 2019-10-08 | 南方电网科学研究院有限责任公司 | 基于矩阵分解的电力负荷预测方法、装置及设备 |
CN111260116A (zh) * | 2020-01-10 | 2020-06-09 | 河南理工大学 | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 |
Non-Patent Citations (5)
Title |
---|
QINGSONG SONG 等: "《hourly electric load forecasting algorithm based on echo state neutral network》", 《2011 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》, pages 3893 - 3897 * |
周璇 等: "《基于优化回声状态网络的短期电力负荷预测》", 《工业控制计算机》, vol. 31, no. 10, pages 3 - 5 * |
周红标 等: "《基于PSO-WPESN的短期电力负荷预测方法》", 《电测与仪表》, vol. 54, no. 6, pages 113 - 119 * |
庄仲 等: "《基于双储备池回声状态网的电力负荷预测》", 《控制工程》, vol. 27, no. 6, pages 1032 - 1036 * |
肖勇 等: "《基于模块化回声状态网络的实时电力负荷预测》", 《电网技术》, vol. 39, no. 3, pages 804 - 809 * |
Also Published As
Publication number | Publication date |
---|---|
CN112308327B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111160520A (zh) | 一种基于遗传算法优化的bp神经网络风速预测方法 | |
CN112508275A (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN113128113B (zh) | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 | |
CN109242169B (zh) | 一种面向电力大客户的短期负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN109583645A (zh) | 一种公共楼宇短期负荷预测方法 | |
CN114970362A (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
CN112906956A (zh) | 一种联合bim与cim的城市能耗预测方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN112308327A (zh) | 基于自适应特征权重的智慧城市电力负荷估计方法 | |
CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 |
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 |