CN112613650B - 一种新型三阶段短期电力负荷预测方法 - Google Patents
一种新型三阶段短期电力负荷预测方法 Download PDFInfo
- Publication number
- CN112613650B CN112613650B CN202011475642.9A CN202011475642A CN112613650B CN 112613650 B CN112613650 B CN 112613650B CN 202011475642 A CN202011475642 A CN 202011475642A CN 112613650 B CN112613650 B CN 112613650B
- Authority
- CN
- China
- Prior art keywords
- sequence
- power load
- prediction
- error
- stage
- 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
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种新型三阶段短期电力负荷预测方法,属于电力负荷预测技术领域,包括4个步骤:选取预测时刻前n个时刻的原始电力负荷序列;采用VMD将原始电力负荷序列分解为k个本征模态函数并针对每个本征模态函数分别建立基于FA‑ELM的分层预测模型,得到分层预测序列;构建基于FA‑ELM的误差纠正模型,得到误差纠正序列;通过基于FA‑ELM的非线性集成方法得到最终的负荷预测序列。本发明基于FA‑ELM的非线性集成方法拥有强大的非线性映射能力,可以有效地提高强非线性和非平稳性下短期电力预测的精度;通过VMD、FA‑ELM、分层预测、误差纠正和非线性集成方法,逐步地提高了复杂模态下短期电力负荷预测的精度。
Description
技术领域
本发明涉及一种新型三阶段短期电力负荷预测方法,属于电力负荷预测技术领域。
背景技术
安全可靠的电能直接影响着国家的经济发展、社会安定以及人民生活的方方面面。电力能源从发电到终端用户之间没有“缓冲器”对其进行存储,所以电能的生产和消费应该且必须每时每刻都要保持平衡,因此,电力系统负荷预测成为了电力行业内部工作中的一项重要研究项目。首先发电部门需要通过高精度电力预测值,制定出符合市场规律的电价来提高经济利益。其次还应该根据预测结果安排合理时间段对电力设备进行维护,从而可以提升用户的用电质量,并且对电力系统的正常运作提供可靠安全的保障。
如今智能电网得到快速发展,负荷数据的波动性不断提高,表现出强非线性和非平稳性,因此本发明开发了一种基于分层预测、误差纠正及非线性集成的新型三阶段电力负荷预测方法。
发明内容
本发明的目的是提供一种新型三阶段短期电力负荷预测方法,抑制电力负荷序列的强非线性和非平稳性,明显地提高短期电力负荷预测的精度。
为了实现上述目的,本发明采用的技术方案是:
一种新型三阶段短期电力负荷预测方法,包括以下步骤:
1)选取预测时刻前n个时刻的原始电力负荷序列;
2)第一阶段:首先采用变分模态分解将步骤1)选取的原始电力负荷序列分解为k个本征模态函数;其次针对每个本征模态函数,分别建立基于萤火虫算法优化极限学习机的分层预测模型,采用萤火虫算法来优化极限学习机的初始权值和阈值,从而得到分层预测序列IMF,IMF2,...IMFk;
3)第二阶段:由步骤1)选取的原始电力负荷序列减去第一阶段的分层预测序列和计算得到误差序列error作为输出,将第一阶段分解所得的k个本征模态函数作为输入,构建基于萤火虫算法优化极限学习机的误差纠正模型,得到误差纠正序列ERROR;
4)第三阶段:通过基于萤火虫算法优化极限学习机的非线性集成方法,将第一阶段的分层预测序列IMF,IMF2,...IMFk与第二阶段的误差纠正序列ERROR采用非线性集成方法得到最终的负荷预测序列。
本发明技术方案的进一步改进在于:所述步骤1)中的原始电力负荷序列由每15分钟采样1次得到。
本发明技术方案的进一步改进在于:所述分层预测模型、误差纠正模型和非线性集成方法都是基于萤火虫算法优化极限学习机。
本发明技术方案的进一步改进在于:所述步骤2)中对原始电力负荷序列的分层预测具体过程如下:
A.选取全部时刻的原始电力负荷序列;
B.根据分解序列是否出现过分解来设置模态分解数k;
C.使用变分模态分解将原始电力负荷序列分解为k个本征模态函数;
D.针对分解的k个本征模态函数,以其上一时刻的本征模态函数值为输入,当前时刻的本征模态函数值为输出,建立k个基于萤火虫算法优化极限学习机的分层预测模型,实现原始电力负荷序列的分层预测。
本发明技术方案的进一步改进在于:所述步骤2)中建立基于萤火虫算法优化极限学习机的分层预测模型具体过程如下:
A.设置种群参数,包括萤火虫个数、最大迭代次数及萤火虫个体最大值和最小值;设置萤火虫算法参数,包括光强吸收系数γ、步长因子α和随机因子εi;
B.划分训练集和测试集,根据训练集的最大值和最小值将其归一化值[0,1]区间;
C.设置萤火虫算法寻找的适应度函数;
D.利用萤火虫算法得到的最优萤火虫个体是萤火虫算法优化极限学习机所得到的的初始权值和阈值;
E.使用优化后的极限学习机进行训练和预测,从而得到负荷预测值;
F.根据训练集的最大值和最小值对测试集进行反归一化。
本发明技术方案的进一步改进在于:所述步骤3)中误差纠正模型的具体过程如下:
A.将步骤1)选取的原始电力负荷序列减去第一阶段的分层预测序列得到误差序列error;
B.将第一阶段分解所得的k个本征模态函数作为输入,error作为输出来训练基于萤火虫算法优化极限学习机的误差纠正模型;
C.输入k个本征模函数得到误差纠正序列ERROR,实现对误差序列的预测。
本发明技术方案的进一步改进在于:所述的步骤4)中的非线性集成方法的具体过程如下:
A.将步骤2)中的分层预测序列IMF,IMF2,...IMFk和步骤3)中的误差纠正序列ERROR为输入,负荷序列为输出,构建基于萤火虫算法优化极限学习机的非线性集成方法;
B.输入测试集的当前时刻的分层预测序列和误差纠正序列,得到所预测的下一时刻电力负荷序列。
由于采用了上述技术方案,本发明取得的技术效果有:
本发明使用VMD算法将原始负荷序列分解为若干个简单的子序列,从而降低了电力负荷序列自身非线性和非平稳性的不良影响,并且抑制了模态混叠现象的发生。
本发明采用萤火虫算法来优化ELM的初始权值和阈值,使其在训练过程中更容易跳出局部极小值,进而提高网络的收敛速度和抗干扰能力。
本发明通过分层预测、误差纠正及非线性集成的三阶段方法,逐步地提高了复杂模态下短期电力负荷预测的精度。其中相比于子序列的集合预测,分层预测的输入、输出模态更为简单,预测精度较高;将误差因素纳入模型,并进行误差纠正,可以降低由负荷序列的强非线性和非平稳性所带来的的误差;相比于直接集成和加权集成等线性集成方法,基于萤火虫算法优化极限学习机的非线性集成方法拥有强大的非线性映射能力,可以进一步的提高强非线性和非平稳性下短期电力预测的精度。
附图说明
图1是本发明方法的总流程示意图;
图2为仿真信号的经验模式分解(EMD)时域图;
图3为仿真信号的EMD频域图;
图4为仿真信号的VMD时域图;
图5为仿真信号的VMD频域图;
图6是原始电力负荷序列图;
图7是原始电力负荷序列的VMD时域图;
图8是不同模型下的预测负荷曲线与实际负荷曲线的对比图;
图9是不同模型下的预测误差对比图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明:
一种新型三阶段短期电力负荷预测方法,如图1所示包括以下步骤:
1)选取预测时刻前n个时刻(每15分钟采样1次)的原始电力负荷序列;
2)第一阶段:首先采用变分模态分解(VMD)将原始电力负荷序列分解为k个子序列(本征模态函数)。VMD抑制了经验模式分解(EMD)中模态混叠现象的发生,可以将强非线性和非平稳性的电力负荷序列分解为若干个不同频率尺度且相对平稳的简单子序列。
其次针对每个子序列,分别建立基于萤火虫算法优化极限学习机(FA-ELM)的分层预测模型。采用萤火虫算法来优化ELM的初始权值和阈值,从而得到分层预测序列IMF,IMF2,...IMFk,使其在训练过程中更容易跳出局部极小值,进而提高网络的收敛速度和抗干扰能力。由于子序列较为平稳且简单,因此相比于全部子序列的集合预测,每一个子序列的分层预测具有较高的预测精度。
3)第二阶段:由原始电力负荷序列减去第一阶段的分层预测序列和计算得到误差序列作为输出,将第一阶段分解所得的k个子序列作为输入,构建基于萤火虫算法优化极限学习机的误差纠正模型,得到误差纠正序列。由于原始电力负荷序列具有强非线性和非平稳性,因此本发明在分层预测的基础上,进一步考虑了误差因素,并进行了误差纠正。误差纠正方法再次降低了强非线性和非平稳性的影响,提高了短期电力负荷的预测精度。
4)第三阶段:最后提出了一种基于萤火虫算法优化极限学习机的非线性集成方法。将第一阶段的分层预测序列与第二阶段的误差预测序列通过非线性集成得到最终的负荷预测序列。相比于直接集成和加权集成等线性集成方法,极限学习机拥有强大的非线性映射能力,基于萤火虫算法优化极限学习机的非线性集成方法可以进一步的提高强非线性和非平稳性下短期电力预测的精度。
所述步骤2)中的VMD算法原理,其具体方法概括如下:
变分模态分解是将原始信号分解成k个子序列,并保证分解序列为具有中心频率的有限带宽的模态分量。相比于经验模态分解中的本征模函数的定义,VMD重新定义其为调幅调频信号,表达式为:
μk(t)=Ak(t)cos(φk(t)) (1)
式(1)中Ak(t)是瞬时幅值即包络线且Ak(t)≥0,φk(t)是瞬时相位为非递减函数,ωk(t)是瞬时频率且ωk(t)≥0。并且包络Ak(t)和瞬时频率ωk(t)对于相位φk(t)来说是缓变的。瞬时频率ωk(t)的表达式为:
VMD的核心思想是分解后的各模态的估计带宽之和最小,其约束条件是各模态之和可以重构为原始信号,即满足下列两个表达式:
对求式(3)的最优解采用二次惩罚α和拉格朗日乘数λ(t)将上诉约束问题转换为非约束问题,并用交替方向乘子法求解这个非约束问题,通过迭代更新最终得到信号分解的所有模态。VMD算法实现过程如下:
(2)通过下式更新μk和ωk:
(3)通过下式更新λ;
所述步骤2)、步骤3)和步骤4)中的萤火虫算法优化极限学习机方法,其具体方法概括如下:
极限学习机以零误差逼近真实值,但权值输出依然不稳定,易陷入局部最小值。为克服这些缺点可以通过萤火虫算法优化网络权值和阈值,提高网络稳定性和预测精度。具体步骤如下:
(1)设置种群参数,包括萤火虫个数、最大迭代次数以及萤火虫个体最大值和最小值;设置萤火虫算法参数,包括光强吸收系数γ,步长因子α和随机因子εi;
(2)将数据集按照合适比例分为训练集和测试集,并确定隐含层神经元数与激活函数种类。同时为了消除不同数据量纲之间的影响,将数据归一化至[0,1]区间;
(3)随机生成萤火虫种群,并根据下式计算个体适应度值。个体适应度值是训练过程中预测值与真实值绝对值差,可以很好的用来描述萤火虫种群的优劣程度,个体适应度值越小,该个体越优。
(4)依据式(9)和式(10)计算萤火虫的相对亮度I和相互吸引力β。根据萤火虫的相对亮度决定萤火虫间的相对移动,根据萤火虫的相互吸引力决定萤火虫移动的距离;
(5)依据式(11)更新萤火虫在空间中的位置;
(6)重复步骤(4)计算萤火虫相对亮度,如若达到精度要求或达到种群最大迭代次数则转到步骤(7)停止迭代,否则返回步骤(5)重新计算萤火虫位置并继续进行迭代;
(7)根据最优萤火虫个体即是萤火虫算法优化ELM所得到的的初始权值和阈值,完成混合模型的训练和预测,并且根据训练集的最大值和最小值对测试集进行反归一化。
所述步骤2)中基于萤火虫算法优化极限学习机的分层预测方法概括如下:
(1)采用变分模态分解将负荷序列分解为k个子序列IMF,IMF2,...IMFk;
(2)以当前时刻的子序列值作为输入,以下一时刻(15分钟后)的子序列值作为输出,分别训练得到k个基于萤火虫算法优化极限学习机的混合预测模型;
(3)根据训练好的模型得到测试集的预测结果Y1,Y2,...,Yk,从而实现每一个子序列的分层预测。
所述步骤3)中基于萤火虫算法优化极限学习机的误差纠正方法概括如下:
(1)将原始电力负荷序列减去第一阶段的分层预测序列得到误差序列error,其表达式为:
其中,P——原始电力负荷序列;Y——分层预测序列。
(2)将第一阶段分解所得的k个子序列作为输入,error作为输出来训练基于萤火虫算法优化极限学习机的误差预测模型;
(3)输入测试集的k个子序列,得到测试集的误差序列预测结果ERROR。
所述步骤4)中基于萤火虫算法优化极限学习机的非线性集成方法概括如下:
(1)将步骤2)中的分层预测序列IMF,IMF2,...IMFk和步骤3)中的误差预测序列ERROR为输入,负荷序列为输出,构建基于萤火虫算法优化极限学习机的非线性集成模型,公式如下:
Y=f(k1Y1+k2Y2+...+kkYk+kk+1ERROR) (13)
其中,Y——最终负荷预测序列;f——基于萤火虫算法优化极限学习机的非线性集成方法;Y1、Y2、...、Yk——分层预测序列;ERROR——误差预测序列。
(2)输入测试集的当前时刻的分层预测序列和误差预测序列,得到所预测的下一时刻(15分钟后)电力负荷序列。
为了证明VMD的优越性,分别使用EMD和VMD处理同一个谐波信号,根据模态混叠现象的程度来评价两种算法。谐波信号的公式如下:
x(t)=sin(100πt)+1.5*sin(200πt)+sin(300πt)+rand (14)
其中,t的采样间隔为0.00125s,采样点数为800;rand为幅值为1且服从正态分布的噪声信号。
图2、图3为经验模式分解(EMD)分解效果图。由图可知,IMF1中包含着100HZ、150HZ以及噪声的信号成分;IMF2中包含着50HZ、100HZ以及噪声的信号成分;只有IMF1的频率简单,只有50HZ以及噪声。综上所述,EMD存在着严重的模态混叠现象。
图4、图5为VMD分解效果。由图可知,IMF1、IMF2以及IMF3中的信号成分较为简单,都只包含一种频率以及噪声的信号成分,并且有效信号的幅值远超噪声信号,区分明显。综上所述,VMD抑制了模态混叠现象的发生。
应用实例:
以美国南部某地区的2006年1月1日~1月8日电力负荷数据为依据建立基于分层预测、误差纠正及非线性集成的新型三阶段电力负荷预测模型对这一地区的日负荷进行预测,每15分钟取1个点,每天96个点。选取1日至7日的数据作为训练集,8日的数据作为测试集,此外为了消除量纲的影响,将数据集归一化至[0,1]的区间内,并且参考训练集的最大值和最小值进行测试集的反归一化。
图6为1日至8日负荷的变化趋势。如图所示,负荷具有强非线性,并且波动较大。该数据集的平均值为9118MW,标准差为1114MW。
图7为VMD的分解结果。变分模态分解需要预先设置分解模态数k。经简单测试后,当K>5时,从第5层开始的后续子序列中心频率十分相近,出现了过分解现象。如图所示,具有复杂模态的负荷序列被分解为5个简单模态的本征模函数。
本发明对5种基础模型进行对比实验。以当前时刻的电力负荷作为输入,下一时刻(15分钟后)的电力负荷值作为输出,分别建立极限学习机(模型1)和萤火虫算法优化极限学习机(模型2)预测模型。以当前时刻VMD子序列作为输入,下一时刻(15分钟后)VMD子序列作为输出,针对每一个子序列分别建立基于萤火虫算法优化极限学习机的分层预测模型(模型3)。模型4在模型3的基础上考虑了误差因素,引入了误差纠正方法。模型5为本文所提出的新型三阶段模型。
如图8、图9所示分别为不同方法下的预测负荷曲线与实际负荷曲线的对比图和各方法下的预测误差对比图。如图所示,模型1的平均绝对百分比误差最大为5.65%;引入萤火虫算法后(模型2),平均绝对百分比误差缩小至3.56%;通过分层预测、误差纠正及非线性集成的方法,误差分别缩小为3.06%、2.00%和1.24%。模型1和模型2的对比验证了萤火虫算法的优越性;模型1和模型3的对比验证了分层预测方法的优越性;模型3和模型4验证了误差纠正方法的优越性;模型4和模型5验证了非线性集成方法的优越性。综上所述,本发明模型所预测的曲线更加接近真实值,拟合程度较高,单点误差较低,预测精度得到了明显提升。
如上所述,该发明首先通过变分模态分解将复杂的原始序列分解为5个简单的子序列,并针对于每个子序列分别建立了基于萤火虫算法优化极限学习机的混合预测模型,实现了分层预测。然后通过计算得到了原始误差序列,并且建立了基于萤火虫算法优化极限学习机的误差预测模型,实现了误差纠正。最后将分层预测序列和误差预测序列通过非线性集成方法得到最终负荷预测序列。该发明通过变分模态分解、萤火虫算法优化极限学习机模型以及分层预测、误差纠正和非线性集成方法,逐步地提高了预测的精度,为智能电网复杂模态下的短期电力负荷预测提供了一种新思路。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.一种新型三阶段短期电力负荷预测方法,其特征在于:包括以下步骤:
1)选取预测时刻前n个时刻的原始电力负荷序列;
2)第一阶段:首先采用变分模态分解将步骤1)选取的原始电力负荷序列分解为k个本征模态函数;其次针对每个本征模态函数,分别建立基于萤火虫算法优化极限学习机的分层预测模型,采用萤火虫算法来优化极限学习机的初始权值和阈值,从而得到分层预测序列IMF,IMF2,...IMFk;
3)第二阶段:由步骤1)选取的原始电力负荷序列减去第一阶段的分层预测序列和计算得到误差序列error,并将误差序列error作为输出,将第一阶段分解所得的k个本征模态函数作为输入,构建基于萤火虫算法优化极限学习机的误差纠正模型,得到误差纠正序列ERROR;
4)第三阶段:通过基于萤火虫算法优化极限学习机的非线性集成方法,将第一阶段的分层预测序列IMF,IMF2,...IMFk与第二阶段的误差纠正序列ERROR采用非线性集成方法得到最终的负荷预测序列。
2.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法,其特征在于:所述步骤1)中的原始电力负荷序列由每15分钟采样1次得到。
3.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法,其特征在于:所述分层预测模型、误差纠正模型和非线性集成方法都是基于萤火虫算法优化极限学习机。
4.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法,其特征在于:所述步骤2)中对原始电力负荷序列的分层预测具体过程如下:
A.选取全部时刻的原始电力负荷序列;
B.根据分解序列是否出现过分解来设置模态分解数k;
C.使用变分模态分解将原始电力负荷序列分解为k个本征模态函数;
D.针对分解的k个本征模态函数,以其上一时刻的本征模态函数值为输入,当前时刻的本征模态函数值为输出,建立k个基于萤火虫算法优化极限学习机的分层预测模型,实现原始电力负荷序列的分层预测。
5.根据权利要求1或4所述的一种新型三阶段短期电力负荷预测方法,其特征在于:所述步骤2)中建立基于萤火虫算法优化极限学习机的分层预测模型具体过程如下:
A.设置种群参数,包括萤火虫个数、最大迭代次数及萤火虫个体最大值和最小值;设置萤火虫算法参数,包括光强吸收系数γ、步长因子α和随机因子εi;
B.划分训练集和测试集,根据训练集的最大值和最小值将其归一化值[0,1]区间;
C.设置萤火虫算法寻找的适应度函数;
D.利用萤火虫算法得到的最优萤火虫个体是萤火虫算法优化极限学习机所得到的的初始权值和阈值;
E.使用优化后的极限学习机进行训练和预测,从而得到负荷预测值;
F.根据训练集的最大值和最小值对测试集进行反归一化。
6.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法,其特征在于:所述步骤3)中误差纠正模型的具体过程如下:
A.将步骤1)选取的原始电力负荷序列减去第一阶段的分层预测序列得到误差序列error;
B.将第一阶段分解所得的k个本征模态函数作为输入,error作为输出来训练基于萤火虫算法优化极限学习机的误差纠正模型;
C.输入k个本征模态函数得到误差纠正序列ERROR,实现对误差序列的预测。
7.根据权利要求1所述的一种新型三阶段短期电力负荷预测方法,其特征在于:所述的步骤4)中的非线性集成方法的具体过程如下:
A.将步骤2)中的分层预测序列IMF,IMF2,...IMFk和步骤3)中的误差纠正序列ERROR为输入,负荷序列为输出,构建基于萤火虫算法优化极限学习机的非线性集成方法;
B.输入测试集的当前时刻的分层预测序列和误差纠正序列,得到所预测的下一时刻电力负荷序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011475642.9A CN112613650B (zh) | 2020-12-14 | 2020-12-14 | 一种新型三阶段短期电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011475642.9A CN112613650B (zh) | 2020-12-14 | 2020-12-14 | 一种新型三阶段短期电力负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613650A CN112613650A (zh) | 2021-04-06 |
CN112613650B true CN112613650B (zh) | 2022-06-28 |
Family
ID=75234104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011475642.9A Active CN112613650B (zh) | 2020-12-14 | 2020-12-14 | 一种新型三阶段短期电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613650B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837441A (zh) * | 2021-08-24 | 2021-12-24 | 山东大学 | 考虑eemd分解后重构准确性的电力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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
CN110222887A (zh) * | 2019-05-27 | 2019-09-10 | 国网安徽省电力有限公司 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146183A (zh) * | 2018-08-24 | 2019-01-04 | 广东工业大学 | 基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法 |
CN109299430A (zh) * | 2018-09-30 | 2019-02-01 | 淮阴工学院 | 基于两阶段分解与极限学习机的短期风速预测方法 |
CN110059891B (zh) * | 2019-04-28 | 2023-06-06 | 湖北工业大学 | 一种基于vmd-svm-wsa-gm组合模型的光伏电站输出功率预测方法 |
CN110222908A (zh) * | 2019-06-19 | 2019-09-10 | 贵州电网有限责任公司 | 一种基于数据驱动的短期用电量预测方法 |
CN110555548B (zh) * | 2019-08-05 | 2023-04-07 | 三峡大学 | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 |
CN111832839B (zh) * | 2020-07-24 | 2021-04-30 | 河北工业大学 | 基于充分增量学习的能耗预测方法 |
-
2020
- 2020-12-14 CN CN202011475642.9A patent/CN112613650B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242204A (zh) * | 2018-09-30 | 2019-01-18 | 淮阴工学院 | 基于最优vmd与同步优化的超短期风速预测方法 |
CN110222887A (zh) * | 2019-05-27 | 2019-09-10 | 国网安徽省电力有限公司 | 基于vmd和dnn的预测方法及在短期负荷预测的应用 |
Also Published As
Publication number | Publication date |
---|---|
CN112613650A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613650B (zh) | 一种新型三阶段短期电力负荷预测方法 | |
Fang et al. | Deep reinforcement learning for scenario-based robust economic dispatch strategy in internet of energy | |
Wang et al. | Multi-objective unit commitment with wind penetration and emission concerns under stochastic and fuzzy uncertainties | |
Niu et al. | Research on short-term power load time series forecasting model based on BP neural network | |
CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
Tian | Preliminary research of chaotic characteristics and prediction of short-term wind speed time series | |
Zeng et al. | Forecasting China's hydropower generation capacity using a novel grey combination optimization model | |
Zhu et al. | Short-term electricity consumption forecasting based on the EMD-fbprophet-LSTM method | |
Qiu et al. | Multi‐objective transmission expansion planning in a smart grid using a decomposition‐based evolutionary algorithm | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN111200283B (zh) | 一种多微电网系统优化控制方法 | |
Wang et al. | Equilibrium allocation strategy of multiple ESSs considering the economics and restoration capability in DNs | |
Wu et al. | A hybrid BAG-SA optimal approach to estimate energy demand of China | |
Li et al. | A novel data-driven seasonal multivariable grey model for seasonal time series forecasting | |
Sui et al. | Intelligent grey forecasting model based on periodic aggregation generating operator and its application in forecasting clean energy | |
Xu et al. | Interval prediction method for wind power based on VMD-ELM/ARIMA-ADKDE | |
Meng et al. | Monthly electric energy consumption forecasting using multiwindow moving average and hybrid growth models | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
Cai et al. | An improved sequential importance sampling method for reliability assessment of renewable power systems with energy storage | |
Wang et al. | Load model of high power magnet power supply for EAST based on GMPSO-BP neural network | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN114925940A (zh) | 一种基于负荷分解的节假日负荷预测方法及系统 | |
CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
Xie et al. | Vector ordinal optimization theory based large‐scale multi‐objective unit commitment considering stochastic wind power | |
CN106682760A (zh) | 一种风电功率爬坡预测方法 |
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 |