CN112488192A - 一种区域电网短期负荷预测方法 - Google Patents
一种区域电网短期负荷预测方法 Download PDFInfo
- Publication number
- CN112488192A CN112488192A CN202011371854.2A CN202011371854A CN112488192A CN 112488192 A CN112488192 A CN 112488192A CN 202011371854 A CN202011371854 A CN 202011371854A CN 112488192 A CN112488192 A CN 112488192A
- Authority
- CN
- China
- Prior art keywords
- load
- power grid
- sub
- regional power
- data
- 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 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000010586 diagram Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000013277 forecasting method Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012546 transfer 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种区域电网短期负荷预测方法,该方法先采用SOM聚类方法对区域电网内的电力负荷数据进行分类,得到多个不同类型的负荷用电特性,并按照这些用电特性将整个区域电网划分为多个子网,再采用GA‑Elman神经网络负荷预测模型对各个子网的电力负荷进行短期预测,然后根据各子网的短期预测值计算各子网的负荷综合稳定度,选择负荷综合稳定度小的若干子网,计算这些子网在各个时刻点的权重,最后得到预测日各时刻整个区域电网的负荷预测结果。本设计不仅可以提高全网负荷预测的速度和精度,而且适用于部分子网数据缺失而需要得到全网结果的情况。
Description
技术领域
本发明属于电力负荷预测技术领域,具体涉及一种基于SOM-GA-Elman模型的区域电网短期负荷预测方法。
背景技术
电能无法大量储存,因此在发电厂运行以及电能调度的过程中,要求发电厂出力与系统负荷的波动保持动态平衡。电力负荷预测对保障电网安全、经济运行具有重要意义,更对未来各用户电量数据指标具有前瞻性的价值。其预测误差直接关系到全网系统发供电计划的编制和是否能为各类用户提供经济、可靠、高质量的电能。电力负荷预测特别是短期负荷预测已成为当代电力运行和调度中的一个关键探索领域。
电网数据具有海量、维数高的特点,现有的短期电力负荷预测模型在数据挖掘上无法做到可视化,不能提取用户的用电习惯,缺乏针对性,阻碍了售电侧对信息的理解,无法将市场细化和制定更为精准的策略。因此,针对电网的海量数据,如何尽可能地保留负荷数据的潜在特征,提高全网负荷预测的精度是本领域技术人员目前急需解决的问题。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种能够有效提高负荷预测精度的区域电网短期负荷预测方法。
为实现以上目的,本发明的技术方案如下:
一种区域电网短期负荷预测方法,依次包括以下步骤:
步骤A、采用SOM聚类方法对区域电网内的电力负荷数据进行分类,得到多个不同类型的负荷用电特性,并按照这些用电特性将整个区域电网划分为多个子网;
步骤B、采用GA-Elman神经网络负荷预测模型对各个子网的电力负荷进行短期预测;
步骤C、先根据各子网的短期预测值计算各子网的负荷综合稳定度,然后选择负荷综合稳定度小的若干子网,计算这些子网在各个时刻点的权重,最后得到预测日各时刻整个区域电网的负荷预测结果。
所述步骤A依次包括以下步骤:
A1、先采集区域电网内的电力负荷数据构建日负荷曲线,然后将每条日负荷曲线作为一个样本形成数据集;
A2、对数据集中的样本进行预处理;
A3、采用SOM聚类方法对预处理后的样本进行分析,将高维空间中的数据降维并投影到二维空间中,得到相应的聚簇分布特征图,然后根据聚簇分布特征图得到多个不同类型的负荷用电特性,并将每种用电特性的负荷作为一个子网。
所述SOM聚类方法中采用的特征指标包括日平均负荷、日负荷率、峰时耗电率、日峰谷差率、平段的用电量百分比。
所述步骤B依次包括以下步骤:
B1、以某一子网的负荷数据、天气和节假日数据作为Elman神经网络的输入,得到相应的训练集与测试集,并基于该子网的负荷特征确定Elman神经网络的拓扑结构;
B2、利用GA算法产生初始种群,种群内的每个个体分别代表网络的初始权值、阈值,将Elman神经网络预测误差作为个体的适应度参数,通过选择、交叉、变异操作寻找最优个体;
B3、将最优个体解码得到的最优权值和阈值赋给Elman神经网络,预测得到该子网的电力负荷短期预测结果。
步骤B1中,所述天气和节假日数据包括日最高气温、日平均气温、日平均湿度、天气类型、星期指标、节假日。
步骤C中,所述各子网的负荷综合稳定度STA按照下式计算得到:
所述子网在各个时刻点的权重采用以下模型计算得到:
α(i,t)≥0,i=1,2,...,r
上式中,z(t)为历史样本空间内t时刻的预测残差平方和,n为历史样本的天数,L(i,t,j)为第j天t时刻由第i个子网映射得到的整个区域电网负荷预测值,Lreal(t,j)为第j天t时刻整个区域电网的实际负荷,r为选择的负荷综合稳定度小的子网个数;
所述预测日各时刻整个区域电网的负荷预测结果按照下式计算得到:
上式中,α(i,t)为由第i个子网映射得到的整个区域电网负荷预测值在t时刻的权重。
步骤A2中,所述预处理包括:补充日负荷曲线中缺失的数据,检测和修正异常数据,以日有功功率最大值为基准对数据进行归一化处理,提炼得到完整的日负荷曲线。
与现有技术相比,本发明的有益效果为:
1、本发明一种区域电网短期负荷预测方法先采用SOM聚类方法对区域电网内的电力负荷数据进行分类,得到多个不同类型的负荷用电特性,并按照这些用电特性将整个区域电网划分为多个子网,再采用GA-Elman神经网络负荷预测模型对各个子网的电力负荷进行短期预测,然后根据各子网的短期预测值计算各子网的负荷综合稳定度,选择负荷综合稳定度小的若干子网,计算这些子网在各个时刻点的权重,最后得到预测日各时刻整个区域电网的负荷预测结果,一方面,本设计采用SOM聚类方法对区域电网内的电力负荷数据进行分类,可以尽可能地保留负荷数据的潜在特征,有利于分析负荷用电特性,使负荷预测更具针对性,从而有利于提高区域电网负荷预测的精度,另一方面,针对不同的子网,采用GA-Elman神经网络预测模型分别进行负荷预测,使得进行不同子网负荷预测时GA-Elman神经网络具有不同的最优权值以及阈值,从而保证了负荷预测结果更加精确,同时,基于负荷综合稳定度,选择该指标较小的若干子网来预测全网,不仅可以提高全网负荷预测的速度和精度,而且适用于部分子网数据缺失而需要得到全网结果的情况,可满足电力市场环境下对负荷预测提出的新要求。因此,本发明不仅可以提高全网负荷预测的速度和精度,而且适用于部分子网数据缺失而需要得到全网结果的情况。
2、本发明一种区域电网短期负荷预测方法在采用GA-Elman神经网络负荷预测模型对各个子网的电力负荷进行短期预测时引入了天气和节假日数据,该设计通过综合考虑天气、节假日等影响因素对负荷变化的影响,进一步提升了子网的电力负荷预测精度。因此,本发明进一步提升了子网的电力负荷预测精度。
附图说明
图1为本发明的流程图。
图2为本发明所述GA-Elman神经网络负荷预测流程。
图3为实施例1中SOM聚类得到的聚簇分布特征图。
图4为实施例1中基于聚簇分布的神经元分类情况。
图5为实施例1中第一个子网的预测结果。
图6为实施例1中第二个子网的预测结果。
图7为实施例1中第三个子网的预测结果。
图8为实施例1中第四个子网的预测结果。
图9为实施例1所述方法与现有方法的预测结果对比。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
参见图1、图2,一种区域电网短期负荷预测方法,依次包括以下步骤:
步骤A、采用SOM聚类方法对区域电网内的电力负荷数据进行分类,得到多个不同类型的负荷用电特性,并按照这些用电特性将整个区域电网划分为多个子网;
步骤B、采用GA-Elman神经网络负荷预测模型对各个子网的电力负荷进行短期预测;
步骤C、先根据各子网的短期预测值计算各子网的负荷综合稳定度,然后选择负荷综合稳定度小的若干子网,计算这些子网在各个时刻点的权重,最后得到预测日各时刻整个区域电网的负荷预测结果。
所述步骤A依次包括以下步骤:
A1、先采集区域电网内的电力负荷数据构建日负荷曲线,然后将每条日负荷曲线作为一个样本形成数据集;
A2、对数据集中的样本进行预处理;
A3、采用SOM聚类方法对预处理后的样本进行分析,将高维空间中的数据降维并投影到二维空间中,得到相应的聚簇分布特征图,然后根据聚簇分布特征图得到多个不同类型的负荷用电特性,并将每种用电特性的负荷作为一个子网。
所述SOM聚类方法中采用的特征指标包括日平均负荷、日负荷率、峰时耗电率、日峰谷差率、平段的用电量百分比。
所述步骤B依次包括以下步骤:
B1、以某一子网的负荷数据、天气和节假日数据作为Elman神经网络的输入,得到相应的训练集与测试集,并基于该子网的负荷特征确定Elman神经网络的拓扑结构;
B2、利用GA算法产生初始种群,种群内的每个个体分别代表网络的初始权值、阈值,将Elman神经网络预测误差作为个体的适应度参数,通过选择、交叉、变异操作寻找最优个体;
B3、将最优个体解码得到的最优权值和阈值赋给Elman神经网络,预测得到该子网的电力负荷短期预测结果。
步骤B1中,所述天气和节假日数据包括日最高气温、日平均气温、日平均湿度、天气类型、星期指标、节假日。
步骤C中,所述各子网的负荷综合稳定度STA按照下式计算得到:
所述子网在各个时刻点的权重采用以下模型计算得到:
α(i,t)≥0,i=1,2,...,r
上式中,z(t)为历史样本空间内t时刻的预测残差平方和,n为历史样本的天数,L(i,t,j)为第j天t时刻由第i个子网映射得到的整个区域电网负荷预测值,Lreal(t,j)为第j天t时刻整个区域电网的实际负荷,r为选择的负荷综合稳定度小的子网个数;
所述预测日各时刻整个区域电网的负荷预测结果按照下式计算得到:
上式中,α(i,t)为由第i个子网映射得到的整个区域电网负荷预测值在t时刻的权重。
步骤A2中,所述预处理包括:补充日负荷曲线中缺失的数据,检测和修正异常数据,以日有功功率最大值为基准对数据进行归一化处理,提炼得到完整的日负荷曲线。
实施例1:
参见图1、图2,一种区域电网短期负荷预测方法,依次按照以下步骤进行:
1、先采集某区域电网内专变用户的电力负荷数据构建日负荷曲线,然后将每条日负荷曲线作为一个样本形成测试数据集,其中,所述日负荷曲线由时间节点为15min、一天共96点的有功功率构成;
2、运用Matlab软件对日负荷曲线进行预处理,补充缺失的数据,检测和修正异常数据,以日有功功率最大值为基准对数据进行归一化处理,提炼得到完整的日负荷曲线;
3、采用SOM聚类方法对预处理后的样本进行分析,将高维空间中的数据降维并投影到二维空间中,将SOM网络竞争层节点数设定为12×12,进行100次迭代,得到相应的聚簇分布特征图(参见图3),然后基于聚簇分布特征图,对每一簇的颜色进行分析,该数据集被聚为四类,即得到4种不同类型的负荷用电特性(参见图4),并按照这些用电特性将整个区域电网划分为4个子网,其中,SOM聚类方法中采用的特征指标包括日平均负荷、日负荷率、峰时耗电率、日峰谷差率、平段的用电量百分比,日平均负荷为待预测日所有负荷点的均值,日负荷率=日平均负荷/日最大负荷,峰时耗电率=高峰时段负荷量/待预测日总负荷量,日峰谷差率=日峰谷差/日最大负荷;
本实施例得到以下4类负荷用电特性:
第一类日间用电量较高,而夜间负荷非常小,早、午高峰的出现是由于工业负荷占比较大,日峰谷差比较大,负荷率较低,尤指轻工业中的二班制企业,包含纺织厂、皮革厂等用户;第二类一天内多数时刻点负荷均低于其该周有功峰值,属于用户周末负荷曲线,其与正常工作日相比变化不是很大,但水平明显偏低,包含写字楼等用户周末负荷曲线;第三类负荷在12:30附近达到峰值,且下午5:00左右有一个次高峰,这种用户与其工作作息时间息息相关,包括商厦、娱乐中心等商业负荷;第四类负荷电量一直较高,包含高校、医院等用户的有功负荷;
4、以某一子网2016年10月10日到10月29日的数据作为训练样本,每7天的负荷数据、天气和节假日数据作为输入向量,第8天的负荷作为目标向量,从而得到13组训练样本,以10月30日的负荷数据作为网络的测试样本,从而得到训练集与测试集,其中,所述天气和节假日数据包括日最高气温Tmax、日平均气温Tav、日平均湿度Hav、天气类型W、星期指标D、节假日F,W=0/0.5/1,分别表示晴天/多云/雨天,D=1-5,分别表示周一至周五,F=1/0,分别表示是/不是节假日;
5、先基于该子网的负荷特征确定Elman神经网络的拓扑结构,再利用GA算法产生初始种群,种群内的每个个体分别代表网络的初始权值、阈值,将Elman神经网络预测误差作为个体的适应度参数,通过选择、交叉、变异操作寻找最优个体(初始种群数设为500,交叉概率设为0.4,变异概率设为0.1,遗传代数设为100代),最后将最优个体解码得到的最优权值和阈值赋给Elman神经网络,预测得到该子网的电力负荷短期预测结果(迭代次数设为500次,迭代目标设为0.01,各子网的预测结果参见图5-图8),其中,
所述Elman神经网络的非线性状态空间表达式为:
xc(k)=x(k-1)+αxc(k-1)
x(k)=f(w1xc(k)+w2u(k-1)+b1)
y(k)=g(w3u(k)+b2)
上式中,y,x,u,xc分别为输出层输出向量、隐含层输出向量、输入层输入向量、承接层反馈状态向量,w1,w2和w3分别为承接层到中间层的连接权值、输入层到中间层的连接权值、中间层到输出层的连接权值,b1、b2分别为隐含层、输出层的偏移值,a为自反馈连接增益系数,k为隐含层个数,g为输出神经元的传递函数。
所述Elman神经网络的学习指标函数采用误差平方和函数:
上式中,E(w)为误差平方和,yk(w)为输出层各节点的期望值,ym(w)为输出层各节点的实际输出值,n为输出层个数;
6、根据各子网的短期预测结果计算各子网的负荷综合稳定度STA:
7、选择负荷综合稳定度最小的3个子网,采用以下模型计算这些子网在各个时刻点的权重:
α(i,t)≥0,i=1,2,...,r
上式中,z(t)为历史样本空间内t时刻的预测残差平方和,n为历史样本的天数,L(i,t,j)为第j天t时刻由第i个子网映射得到的整个区域电网负荷预测值,Lreal(t,j)为第j天t时刻整个区域电网的实际负荷,r为选择的负荷综合稳定度小的子网个数;
8、按照下式计算得到预测日各时刻整个区域电网的负荷预测结果:
上式中,α(i,t)为由第i个子网映射得到的整个区域电网负荷预测值在t时刻的权重。
为考察本发明所述方法的有效性,将实施例1得到的预测结果与传统的“子网累加法”、负荷实际值进行比较,结果参见图9。
由图9可知,本发明所述方法的预测误差明显小于传统的“子网累加法”,该方法能够提高预测准确率,并且可避免当空缺一个或几个子网的负荷预测值时无法得到全网系统预测结果的情况。
Claims (7)
1.一种区域电网短期负荷预测方法,其特征在于:
所述预测方法依次包括以下步骤:
步骤A、采用SOM聚类方法对区域电网内的电力负荷数据进行分类,得到多个不同类型的负荷用电特性,并按照这些用电特性将整个区域电网划分为多个子网;
步骤B、采用GA-Elman神经网络负荷预测模型对各个子网的电力负荷进行短期预测;
步骤C、先根据各子网的短期预测值计算各子网的负荷综合稳定度,然后选择负荷综合稳定度小的若干子网,计算这些子网在各个时刻点的权重,最后得到预测日各时刻整个区域电网的负荷预测结果。
2.根据权利要求1所述的一种区域电网短期负荷预测方法,其特征在于:
所述步骤A依次包括以下步骤:
A1、先采集区域电网内的电力负荷数据构建日负荷曲线,然后将每条日负荷曲线作为一个样本形成数据集;
A2、对数据集中的样本进行预处理;
A3、采用SOM聚类方法对预处理后的样本进行分析,将高维空间中的数据降维并投影到二维空间中,得到相应的聚簇分布特征图,然后根据聚簇分布特征图得到多个不同类型的负荷用电特性,并将每种用电特性的负荷作为一个子网。
3.根据权利要求2所述的一种区域电网短期负荷预测方法,其特征在于:所述SOM聚类方法中采用的特征指标包括日平均负荷、日负荷率、峰时耗电率、日峰谷差率、平段的用电量百分比。
4.根据权利要求1-3中任一项所述的一种区域电网短期负荷预测方法,其特征在于:
所述步骤B依次包括以下步骤:
B1、以某一子网的负荷数据、天气和节假日数据作为Elman神经网络的输入,得到相应的训练集与测试集,并基于该子网的负荷特征确定Elman神经网络的拓扑结构;
B2、利用GA算法产生初始种群,种群内的每个个体分别代表网络的初始权值、阈值,将Elman神经网络预测误差作为个体的适应度参数,通过选择、交叉、变异操作寻找最优个体;
B3、将最优个体解码得到的最优权值和阈值赋给Elman神经网络,预测得到该子网的电力负荷短期预测结果。
5.根据权利要求4所述的一种区域电网短期负荷预测方法,其特征在于:步骤B1中,所述天气和节假日数据包括日最高气温、日平均气温、日平均湿度、天气类型、星期指标、节假日。
6.根据权利要求1-3中任一项所述的一种区域电网短期负荷预测方法,其特征在于:
步骤C中,所述各子网的负荷综合稳定度STA按照下式计算得到:
所述子网在各个时刻点的权重采用以下模型计算得到:
上式中,z(t)为历史样本空间内t时刻的预测残差平方和,n为历史样本的天数,L(i,t,j)为第j天t时刻由第i个子网映射得到的整个区域电网负荷预测值,Lreal(t,j)为第j天t时刻整个区域电网的实际负荷,r为选择的负荷综合稳定度小的子网个数;
所述预测日各时刻整个区域电网的负荷预测结果按照下式计算得到:
上式中,α(i,t)为由第i个子网映射得到的整个区域电网负荷预测值在t时刻的权重。
7.根据权利要求4所述的一种区域电网短期负荷预测方法,其特征在于:
步骤A2中,所述预处理包括:补充日负荷曲线中缺失的数据,检测和修正异常数据,以日有功功率最大值为基准对数据进行归一化处理,提炼得到完整的日负荷曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011371854.2A CN112488192A (zh) | 2020-11-30 | 2020-11-30 | 一种区域电网短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011371854.2A CN112488192A (zh) | 2020-11-30 | 2020-11-30 | 一种区域电网短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112488192A true CN112488192A (zh) | 2021-03-12 |
Family
ID=74937264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011371854.2A Pending CN112488192A (zh) | 2020-11-30 | 2020-11-30 | 一种区域电网短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488192A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113410839A (zh) * | 2021-06-24 | 2021-09-17 | 燕山大学 | 一种电网虚假数据注入的检测方法及系统 |
CN113887809A (zh) * | 2021-10-11 | 2022-01-04 | 国网新疆电力有限公司巴州供电公司 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
CN117293829A (zh) * | 2023-11-27 | 2023-12-26 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544537A (zh) * | 2013-09-25 | 2014-01-29 | 国网安徽省电力公司 | 基于预测可信度评估的综合子网累加的短期负荷预测方法 |
CN103761568A (zh) * | 2014-01-23 | 2014-04-30 | 国家电网公司 | 基于som神经网络聚类算法的日负荷特征曲线提取方法 |
CN107834549A (zh) * | 2017-11-15 | 2018-03-23 | 上海电力学院 | 一种区域配电网降损潜力评估方法 |
CN108665095A (zh) * | 2018-04-27 | 2018-10-16 | 东华大学 | 基于遗传算法优化Elman神经网络的短期功率预测方法 |
CN110932976A (zh) * | 2019-12-12 | 2020-03-27 | 国家电网有限公司大数据中心 | 基于气象灾害的电网故障业务的恢复方法、装置及设备 |
CN111641204A (zh) * | 2019-03-01 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种分布式能源准入容量的计算方法及装置 |
-
2020
- 2020-11-30 CN CN202011371854.2A patent/CN112488192A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544537A (zh) * | 2013-09-25 | 2014-01-29 | 国网安徽省电力公司 | 基于预测可信度评估的综合子网累加的短期负荷预测方法 |
CN103761568A (zh) * | 2014-01-23 | 2014-04-30 | 国家电网公司 | 基于som神经网络聚类算法的日负荷特征曲线提取方法 |
CN107834549A (zh) * | 2017-11-15 | 2018-03-23 | 上海电力学院 | 一种区域配电网降损潜力评估方法 |
CN108665095A (zh) * | 2018-04-27 | 2018-10-16 | 东华大学 | 基于遗传算法优化Elman神经网络的短期功率预测方法 |
CN111641204A (zh) * | 2019-03-01 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种分布式能源准入容量的计算方法及装置 |
CN110932976A (zh) * | 2019-12-12 | 2020-03-27 | 国家电网有限公司大数据中心 | 基于气象灾害的电网故障业务的恢复方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
马璇: "基于聚类的配电网超短期负荷预测及经济优化调度", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 042 - 225 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113410839A (zh) * | 2021-06-24 | 2021-09-17 | 燕山大学 | 一种电网虚假数据注入的检测方法及系统 |
CN113410839B (zh) * | 2021-06-24 | 2022-07-12 | 燕山大学 | 一种电网虚假数据注入的检测方法及系统 |
CN113887809A (zh) * | 2021-10-11 | 2022-01-04 | 国网新疆电力有限公司巴州供电公司 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
CN116826745B (zh) * | 2023-08-30 | 2024-02-09 | 山东海兴电力科技有限公司 | 一种电力系统背景下的分层分区短期负荷预测方法及系统 |
CN117293829A (zh) * | 2023-11-27 | 2023-12-26 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
CN117293829B (zh) * | 2023-11-27 | 2024-02-20 | 国网湖北省电力有限公司 | 基于5g和4g短共享双网互鉴无线通信的电力调峰方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488192A (zh) | 一种区域电网短期负荷预测方法 | |
Nutakki et al. | Review on optimization techniques and role of Artificial Intelligence in home energy management systems | |
CN109214449A (zh) | 一种电网投资需求预测方法 | |
Prauzek et al. | Differential evolution of fuzzy controller for environmentally-powered wireless sensors | |
Muzumdar et al. | Designing a robust and accurate model for consumer-centric short-term load forecasting in microgrid environment | |
Tian et al. | An adaptive ensemble predictive strategy for multiple scale electrical energy usages forecasting | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
Mandal et al. | An effort to optimize similar days parameters for ANN based electricity price forecasting | |
CN114065605A (zh) | 一种智能电能表运行状态检测评估系统和方法 | |
Al Mamun et al. | A hybrid deep learning model with evolutionary algorithm for short-term load forecasting | |
Qiu et al. | Fuzzy time series forecasting model based on automatic clustering techniques and generalized fuzzy logical relationship | |
Wang et al. | Short-term load forecasting with LSTM based ensemble learning | |
Mohammad et al. | Short term load forecasting using deep neural networks | |
Putri et al. | Short-term forecasting of electricity consumption revenue on Java-Bali electricity system using Jordan recurrent neural network | |
Al-Ani et al. | A study of load demand forecasting models in electricity using artificial neural networks and fuzzy logic model | |
Prakash et al. | Short-Term Load Forcasting for Smart Power Systems Using Swarm Intelligence Algorithm | |
Almeida et al. | Hierarchical time series forecast in electrical grids | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
Kowalski et al. | The comparison of linear models for PM10 and PM2. 5 forecasting | |
Gajowniczek et al. | Seasonal peak demand classification with machine learning techniques | |
Lingras et al. | Evolutionary regression and neural imputations of missing values | |
Xu et al. | Short-Term Load Forecasting Based on MI and BI-LSTM | |
Jain et al. | Short term load forecasting using fuzzy inference and ant colony optimization | |
Sebalj et al. | Prediction of natural gas consumption by neural networks | |
Sičaja et al. | Evaluation of load forecast model performance in Croatian DSO |
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 |