CN112712203A - 一种配电网日最高负荷预测方法和系统 - Google Patents
一种配电网日最高负荷预测方法和系统 Download PDFInfo
- Publication number
- CN112712203A CN112712203A CN202011600297.7A CN202011600297A CN112712203A CN 112712203 A CN112712203 A CN 112712203A CN 202011600297 A CN202011600297 A CN 202011600297A CN 112712203 A CN112712203 A CN 112712203A
- Authority
- CN
- China
- Prior art keywords
- load
- daily
- data
- type
- prediction
- 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 64
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013488 ordinary least square regression Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000001228 spectrum Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002902 bimodal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010027336 Menstruation delayed Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003313 weakening effect 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- 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
- G06N3/02—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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种配电网日最高负荷预测方法和系统,归纳日负荷曲线的典型形状,基于豪斯多夫距离算法依据日负荷形状划分负荷类型;引入去年同期节假日负荷数据修正模型预测精度,划分训练样本与测试样本;基于弹性网络对每种负荷类型单独构建日最高负荷及其出现时刻预测模型,输入训练样本训练弹性网络,通过网格搜索确定模型最优参数,得到最终预测模型;根据训练好的预测模型对配电网日负荷数据进行预测,得到日最高负荷及其出现时刻预测值。利于提前预估配变承载能力,合理指导变压器与线路增容,辅助基层电力管理人员高效开展迎峰度夏、春节保电等活动。
Description
技术领域
本发明实施例涉及配电网分析技术领域,尤其涉及一种配电网日最高负荷预测方法和系统。
背景技术
短期负荷预测对于指导负荷调控,保障电力系统安全经济运行具有重要意义。日最高负荷及其出现时刻在短期负荷数据中具有明确的实际意义,对海量配电线路与台区进行精确的日最高负荷预测有利于提前预估配变承载能力,合理指导变压器与线路增容,辅助基层管理人员高效开展迎峰度夏、春节保电等活动。
目前已有一些学者对日最高负荷预测开展了相关研究。有学者定量分析了夏季高温积累效应对日最高负荷的影响,以历史气温输入多元线性回归模型获得日最高负荷预测值。有学者以日最高负荷自身历史序列及温度湿度等气象数据为输入,通过建立回声状态网络预测日最高负荷。两者都是以日为时间尺度,并未给出日最高负荷出现的时刻信息。另有学者利用序列运算理论分别建立了双峰负荷日最高负荷与出现时刻的概率分布模型,对日最高负荷及其出现时刻进行了预测。但此方法单纯依据负荷历史数据建模,预测准确性有限,且未考虑实际负荷曲线类型的多样性。上述所有研究均未涉及所有负荷类型的日最高负荷及其出现时刻预测,目前仍缺少有效的日最高负荷及其出现时刻预测方法。
发明内容
本发明实施例提供一种配电网日最高负荷预测方法和系统,通过预测配变负荷最高值及其出现时刻提前预估配变承载能力,合理指导变压器与线路增容,辅助基层电力人员高效开展春节保电等活动。
第一方面,本发明实施例提供一种配电网日最高负荷预测方法,包括:
步骤S1、获取本年度配电网各线路与台区的负荷测量数据;
步骤S2、基于所述负荷测量数据获取典型日负荷曲线,并基于豪斯多夫距离算法确定负荷曲线类型;
步骤S3、获取前一年度同期节假日的负荷测量数据作为测试样本集,以本年度的负荷数据作为训练样本集;
步骤S4、基于弹性网络对每个负荷曲线类型单独构建预测模型,基于网格搜索方法和所述训练样本集确定用于预测日最高负荷及其出现时刻的预测模型;
步骤S5、基于所述测试样本集对所述预测模型进行验证。
作为优选的,所述步骤S1具体包括:
步骤S11、获取配电网日最大负荷及其出现时刻预测所需的历史量测数据,具体包括以下特征量的时间序列数据:配电网各线路与台区每日96个点的近期日负荷量测数据、每日96个点的去年同期日负荷量测数据、日均气温数据、日均湿度数据与节假日类型数据;
步骤S12、对每类时间序列数据进行清洗,采用离群点检测方法剔除异常数据,采用线性插值方法填补缺失数据,得到完整样本数据用于预测模型训练。
作为优选的,所述步骤S2具体包括:
步骤S21、抽取S12中各线路与台区距今最近一日的日负荷测量数据作为负荷曲线类型分类依据,每条线路与台区对应一条日负荷曲线,将每条日负荷曲线按最大值与最小值归一化至0到1区间范围内;
步骤S22、将S21中归一化后的日负荷曲线按曲线形状归纳负荷曲线类型,所述负荷曲线类型包括单峰型、双峰型、三峰型、U型、随机型,确定每种日负荷曲线的典型特征曲线;
步骤S23、逐条计算S21中归一化后的日负荷数据与S22中各个典型特征曲线间的豪斯多夫距离,依据豪斯多夫距离计算结果将对应日负荷曲线所在的线路或台区划分至豪斯多夫距离最小值对应的负荷曲线类型。
作为优选的,依据豪斯多夫距离计算结果将对应日负荷曲线所在的线路或台区划分至豪斯多夫距离最小值对应的负荷曲线类型,具体包括:
对空间中任意两个有限点集X={x1,x2,…,xn}与Y={y1,y2,…,yn},两者间的豪斯多夫距离H(X,Y)定义如下:
H(X,Y)=max[h(X,Y),h(Y,X)]
其中:
豪斯多夫距离通过两组点集间的最大不匹配程度衡量点集间的相似性,豪斯多夫距离计算值越小,对应两条曲线间形状相似程度越高。
作为优选的,所述步骤S3具体包括:
步骤S31、根据各线路与台区的负荷形状类型将其对应的近期日负荷、上一年度同期日负荷、日均气温、日均湿度等数据划分至同一负荷曲线类型;对上述所有数值数据进行归一化处理,将节假日类型通过标签化表示,其中法定节假日记[0,0,1],工作日记[0,1,0],休息日记[1,0,0];
步骤S32、判别预测日节假日类型;若是节假日,则采用去年同期节假日负荷替代去年同期日负荷输入;
步骤S33、根据样本数量划分每种负荷曲线类型的样本数据,将数据依次划分为训练样本集、验证样本集与测试样本集。
作为优选的,所述步骤S4具体包括:
步骤S41、根据负荷类型数对应搭建N个基于弹性网络的日最高负荷及其出现时刻预测模型;其中影响模型预测性能的主要参数包括输入数据时间窗长度T、弹性网络的正则化约束系数λ与正则化比例系数α;
以网格搜索法设置三项模型参数的搜索范围,其中设置输入数据时间窗长度T的搜索范围为7至14,弹性网络的正则化约束系数λ与正则化比例系数α的搜索范围为0至1;
步骤S42、设置模型预测效果评估指标,以平均绝对百分误差MAPE与均方根误差RMSE两种评价指标对日最高负荷及其出现时刻预测结果进行评估;
步骤S43、以每类负荷类型的训练样本集作为每个弹性网络预测模型的输入数据,以相应的预测样本作为输出数据,通过弹性网络参数迭代训练预测模型,每次从网格中选择一组参数;每次训练后将验证样本集代入模型进行指标评估,将评估结果最优的模型作为最终模型,得到对应每种负荷类型的N个日最高负荷及其出现时刻的预测模型。
作为优选的,根据负荷类型数对应搭建N个基于弹性网络的日最高负荷及其出现时刻预测模型,具体包括:
采用弹性网络回归算法建立预测模型,最小二乘回归问题表示如下:
Y=XTβ+ε
其中Y与X分别对应输出序列与输入序列,β为参数矩阵,ε为服从正态分布的随机误差;
令α=λ1/(λ1+λ2),此时等同于求解以下问题:
subject to(1-α)||β||1+α||β||2≤t
惩罚项(1-α)||β||1+α||β||2为Lasso和Ridge惩罚项的凸组合,受参数t约束;当α为1时,弹性网络等价于Lasso回归,当α为0时,等价于Ridge回归,当t趋向无穷大时,弹性网络等价于普通最小二乘回归。
第二方面,本发明实施例提供一种配电网日最高负荷预测系统,包括:
数据采集模块,获取本年度配电网各线路与台区的负荷测量数据;
负荷曲线划分模块,基于所述负荷测量数据获取典型日负荷曲线,并基于豪斯多夫距离算法确定负荷曲线类型;
样本集模块,获取前一年度同期节假日的负荷测量数据作为测试样本集,以本年度的负荷数据作为训练样本集;
训练模块,基于弹性网络对每个负荷曲线类型单独构建预测模型,基于网格搜索方法和所述训练样本集确定用于预测日最高负荷及其出现时刻的预测模型;
验证模块,基于所述测试样本集对所述预测模型进行验证。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面实施例所述配电网日最高负荷预测方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如本发明第一方面实施例所述配电网日最高负荷预测方法的步骤。
本发明实施例提供的一种配电网日最高负荷预测方法和系统,本发明实施例的有益效果为:
1、针对配电网历史负荷及相关数据进行清洗,剔除数据异常值并通过线性插值填补缺失值,提升原始数据的数据质量,降低了异常数据对于预测效果的影响;
2、除考虑气温、湿度、节假日类型等传统短期负荷预测因素作为模型输入之外,采用近期负荷数据与去年同期负荷数据相结合的方式增强输入因素的季节性规律。考虑节假日可能引起的日最高负荷出现时刻规律变动,在预测节假日负荷时采用去年同期节假日负荷数据修正去年同期负荷数据,以增强模型对节假日时日最高负荷出现时刻的预测准确性;
3、考虑了日负荷形状对于日最高负荷出现时刻预测的影响,采用豪斯多夫距离划分原始数据中各线路与台区所属的负荷形状类型,单独对每种负荷形状类型进行建模与预测,从而进一步提升日最高负荷出现时刻的预测精度。相较聚类等人工智能算法,豪斯多夫距离在保障准确划分负荷形状的同时具有较快的计算速度与较小的内存占用,更适用于配电网线路与台区的批量计算以及算法在线应用;
4、基于弹性网络建立配电网日最高负荷及其出现时刻预测模型,保留了传统最小二乘回归拟合效果佳,训练速度快的基本特点,改善了Lasso与Ridge两类回归算法中容易陷入特征稀疏与正则化速度慢的问题,在有效提取输入数据特征的同时具有较快的训练速度与较好的正则化效果,同样适用于配电网线路与台区的批量计算以及算法在线应用。
5、基于网格搜索在人为设定的参数范围内搜寻模型最优参数,通过耗费较少的模型训练次数换取模型性能提升,保障预测模型对于不同负荷类型数据都能发挥出最佳效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1根据本发明实施例的一种配电网日最高负荷预测方法流程图;
图2为根据本发明实施例的负荷形状典型曲线归纳结果图;
图3为根据本发明实施例的单峰型负荷分类结果图;
图4为根据本发明实施例的双峰型负荷分类结果图;
图5为根据本发明实施例的三峰型负荷分类结果图;
图6为根据本发明实施例的U型负荷分类结果图;
图7为根据本发明实施例的随机型负荷分类结果图;
图8为根据本发明实施例的去年春节与当年春节日负荷曲线对比图;
图9为根据本发明实施例的服务器示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请实施例中的术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元,而是可选地还包括没有列出的部件或单元,或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
现有多数研究只采用近期负荷序列、气象及节假日数据为模型输入构建负荷预测模型对日最高负荷数值进行预测,模型无法提供准确的日最高负荷出现时刻信息。有学者利用序列运算理论分别建立了双峰负荷日最高负荷与出现时刻的概率分布模型,对日最高负荷及其出现时刻进行了预测。但此方法单纯依据负荷历史数据建模,预测准确性有限,且未考虑实际负荷曲线类型的多样性,目前仍缺少有效的日最高负荷及其出现时刻预测方法。
因此,本发明实施例提供一种配电网日最高负荷预测方法和系统,针对配电网历史负荷及相关数据进行清洗,剔除数据异常值并通过线性插值填补缺失值,提升原始数据的数据质量,降低了异常数据对于预测效果的影响,考虑了日负荷形状对于日最高负荷出现时刻预测的影响,采用豪斯多夫距离划分原始数据中各线路与台区所属的负荷形状类型,单独对每种负荷形状类型进行建模与预测,从而进一步提升日最高负荷出现时刻的预测精度。以下将通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供一种配电网日最高负荷预测方法,包括:
步骤S1、获取本年度配电网各线路与台区的负荷测量数据;
步骤S11、获取配电网日最大负荷及其出现时刻预测所需的历史量测数据,具体包含以下特征量的时间序列数据:配电网各线路与台区每日96个点的近期日负荷量测数据、每日96个点的去年同期日负荷量测数据、日均气温数据、日均湿度数据与节假日类型数据;
其中,数据时间范围均为预测日前两个月,若预测日为节假日则还应包括去年同期节假日负荷数据。
步骤S12、对每类时间序列数据进行清洗,采用离群点检测方法剔除异常数据,采用线性插值方法填补缺失数据,得到完整样本数据用于预测模型训练。
具体地,首先以三西格马定律作为离群点检测标准对序列中的离群数据进行剔除。三西格马定律描述如下:假定样本数据近似满足正态分布,则样本估计有99.74%的概率落于距样本均值正负三个标准差的区间范围内,将此区间外的点视为离群点。首先将原始数据中每类数据整理为时间序列,统计每条长度为N的样本序列X的均值μ与标准差σ。
正常样本M所在的区间范围对应为:
μ-3σ<M<μ+3σ
将不在此区间内的样本视为离群点并从原始数据中剔除。
采用线性插值填补序列中的缺失值。记序列序列某段缺失n个样本数据,两端未缺失样本数据分别记为Q1与Q2,则对应填补的样本{x1,…,xn}计算如下:
通过使用线性插值结果替代缺失数据弱化局部数据缺失对预测带来的影响。
步骤S2、基于所述负荷测量数据获取典型日负荷曲线,并基于豪斯多夫距离算法确定负荷曲线类型;
步骤S21、抽取S12中各线路与台区距今最近一日的日负荷数据作为负荷类型分类依据,每条线路与台区对应一条日负荷曲线,将每条日负荷曲线按自身最大值与最小值归一化至0到1区间范围内;
具体的,对任意序列X={x1,…,xn},采用下式将序列样本数值转换至[0,1]区间范围:
其中xmax与xmin分别为序列中的最大数值与最小数值。
步骤S22、将S21中归一化后的日负荷按曲线按形状归纳为单峰型、双峰型、三峰型、U型、随机型等类型,给出每种负荷类型的典型特征曲线;
步骤S23、逐条计算S21中归一化后的日负荷数据与S22中单峰型、双峰型、三峰型、U型、随机型等多种典型负荷特征曲线间的豪斯多夫距离,依据豪斯多夫距离计算结果将该负荷所在的线路或台区划分至豪斯多夫距离最小值对应的负荷类别。
具体的,豪斯多夫距离的定义如下。对空间中任意两个有限点集X={x1,x2,…,xn}与Y={y1,y2,…,yn},两者间的豪斯多夫距离H(X,Y)定义如下:
H(X,Y)=max[h(X,Y),h(Y,X)]
其中:
豪斯多夫距离通过两组点集间的最大不匹配程度衡量点集间的相似性,豪斯多夫距离计算值越小,对应两条曲线间形状相似程度越高。
步骤S3、获取前一年度同期节假日的负荷测量数据作为测试样本集,以本年度的负荷数据作为训练样本集;
步骤S31、依据步骤S23中各线路与台区的负荷形状类型将其对应的近期日负荷、去年同期日负荷、日均气温、日均湿度等数据划分至同一负荷类型。对上述所有数值数据进行归一化处理,将节假日类型通过标签化表示,其中法定节假日记[0,0,1],工作日记[0,1,0],休息日记[1,0,0];
步骤S32、判别预测日节假日类型,对于节假日则采用去年同期节假日负荷替代去年同期日负荷输入,提升模型预测精度;
步骤S33、根据样本数量划分每种负荷类型的样本数据,将数据依次划分为训练样本集、验证样本集与测试样本集。
步骤S4、基于弹性网络对每个负荷曲线类型单独构建预测模型,基于网格搜索方法和所述训练样本集确定用于预测日最高负荷及其出现时刻的预测模型;
采弹性网络回归算法建立预测模型,弹性网络回归算法是在两种考虑正则化的最小二乘回归算法Lasso与Ridge上提出的改进算法,有效平衡了模型的稀疏性与训练速度。最小二乘回归问题表示如下,其中Y与X分别对应输出序列与输入序列,β为参数矩阵,ε为服从正态分布的随机误差。
采用弹性网络回归算法建立预测模型,最小二乘回归问题表示如下:
Y=XTβ+ε
其中Y与X分别对应输出序列与输入序列,β为参数矩阵,ε为服从正态分布的随机误差;
令α=λ1/(λ1+λ2),此时等同于求解以下问题:
subject to(1-α)||β||1+α||β||2≤t
惩罚项(1-α)||β||1+α||β||2为Lasso和Ridge惩罚项的凸组合,受参数t约束;当α为1时,弹性网络等价于Lasso回归,当α为0时,等价于Ridge回归,当t趋向无穷大时,弹性网络等价于普通最小二乘回归。
步骤S41、根据负荷类型数对应搭建N个基于弹性网络的日最高负荷及其出现时刻预测模型,其中影响模型预测性能的主要参数包括输入数据时间窗长度T、弹性网络的正则化约束系数与正则化比例系数。以网格搜索法设置三项模型参数的搜索范围,其中设置输入数据时间窗长度T的搜索范围为7至14,弹性网络的正则化约束系数与正则化比例系数的搜索范围为0至1;
步骤S42、设置模型预测效果评估指标,以平均绝对百分误差(MAPE)与均方根误差(RMSE)两种评价指标对日最高负荷及其出现时刻预测结果进行评估。两种指标的计算方式下式所示。
步骤S43、以每类负荷类型的训练样本集作为每个弹性网络预测模型的输入数据,以相应的预测样本作为输出数据,通过弹性网络参数迭代训练预测模型,每次从网格中选择一组参数。每次训练后将验证样本集代入模型进行指标评估,将评估结果最优的模型作为最终模型,得到对应每种负荷类型的N个日最高负荷及其出现时刻预测模型。
步骤S5、基于所述测试样本集对所述预测模型进行验证。
本实施例中,以输入测试样本对未来7天的日最高负荷及其出现时刻进行预测。
步骤S51、获取测试样本集,输入步骤S43得到的每类日最高负荷及其出现时刻预测模型,得到每日96点负荷的归一化预测结果。对结果进行逆归一化,得到实际预测负荷值,逆归一化公式如下:
xi=(xmax-xmin)x’i+xmin,i∈1,…,n
步骤S53、统计每日96点负荷预测曲线中的的最高值及对应最高值的出现时刻,得到7天的日负荷的最高值预测结果及最高值的出现时刻预测结果。
以下提供具体实施例对本发明技术方案作进一步实施解释说明:
实施例数据源自某地区随机抽取的100个10kV台区的历史量测数据,数据时间范围为2018年春节前60天至春节后七天。以配电台区春节前两个月数据为训练样本集与验证样本集数据来源,进行春节七天的日最高负荷及其出现时刻预测。
预测具体流程如图1所示。
S201、归纳出原始数据中典型的日负荷曲线形状类型,如图所示2。数据中包含的负荷类型1至5依次为单峰型、双峰型、三峰型、U型与随机型。单峰型负荷在午间保持高值,与之相反U型负荷在早晚保持高值;双峰型负荷在早、晚时段出现高峰,三峰型负荷在早、中晚时段出现高峰;随机性负荷数值波动随机性强,最大负荷出现时刻不具明显规律。每类负荷选取一条典型曲线用以描述负荷形状特征。
S202、五条归一化后的负荷形状典型曲线作为五类负荷的代表,计算其余负荷曲线与这五条曲线间的豪斯多夫距离,并将豪斯多夫距离最小的曲线归至该类,得到图3-7所示的负荷分类结果。
S301、预测目标为春节七天的负荷,采用去年春节负荷替换输入数据中的去年同日期负荷,提升模型在春节时期的最高负荷预测精度。以图8某台区大年初一日时的日负荷数据为例进行说明。以图8中2018年初一的日负荷曲线为参照比较图中其它曲线,其中相似度最低的为2017年同日期日负荷数据(2017年2月16日),表明去年同时期的普通日负荷与当年节假日负荷相差较大;2017年初一的日负荷曲线相似度最高,且日最大负荷出现时刻都在早上。若单纯使用近期数据,如图8中2018年除夕日负荷数据所示,则更可能预测得到日最大负荷出现时刻出现在夜间的结果。
S302、依据五种负荷类型对应将原始数据划分为五类,每类数据均被划分为训练样本集、验证样本集与测试样本集三部分,其中以春节前两个月负荷数据为训练样本集,每次训练前从训练样本集中随机抽取10%作为验证样本集,以春节七日负荷数据作为测试样本集。
S401、本实施例采用Python代码编写,基于Sklearn机器学习库搭建弹性网络模型。对应原始数据中的五种负荷类型对应建立五个弹性网络模型,每个弹性网络模型设置相同的参数搜索范围通过网格搜索得到最优参数,搜索范围如表1所示。
表1
S402、采取平均绝对百分误差(MAPE)与均方根误差(RMSE)两种评价指标对日负荷最高值预测精度进行评估,采用绝对误差对日最高负荷出现时刻预测结果进行评估。
S50、通过训练好的弹性网络模型对每类负荷春节七天的日最高负荷及其出现时刻进行预测,随机抽取某一台区预测结果进行分析,其春节七天预测结果如表2与表3所示。表2为该台区春节七日每日最大负荷预测值与实际值的对比,七天平均MAPE误差为6.31%,RMSE误差为4.97kW,说明该模型对受节假日影响明显的春节负荷仍能准确预测出日最大负荷幅值。表3为该台区春节七日每日最大负荷出现时刻预测值与实际值的对比。日最大负荷出现时刻预测误差基本都在1个小时以内,七天平均绝对预测误差为32分钟。表明该模型不仅能准确预测日最大负荷预测值,还能提供准确的日最大负荷出现时刻。
表1
表2
本发明实施例提供的配电网日最高负荷及其出现时刻预测方法联合豪斯多夫距离与弹性网络算法,考虑了负荷形状与节假日活动对日最高负荷出现时刻的影响,有效提高配变日最高负荷及其出现时刻的预测精度,有利于提前预估配变承载能力,指导变压器与线路在迎峰度夏、春节保电时期进行增容。
本发明实施例还提供一种配电网日最高负荷预测系统,基于上述各实施例中的配电网日最高负荷预测方法,包括:
高光谱图像采集模块,采集每个待分析样本的高光谱图像;
光谱处理模块,对所述高光谱图像进行分割,得到每个待分析样本的有效像素;
基于所有待分析样本的有效像素得到总体平均光谱,在每个待分析样本的有效像素范围内,选择n个随机位置的有效像素矩形块,获取所述有效像素矩形块在光谱维的平均值,得到n个块平均光谱;
块平滑神经网络,将总体平均光谱和n个块平均光谱作为一个待分析样本的数据,构建训练集和测试集,并进行神经网络训练,得到用于对待分析样本进行预测的块平滑神经网络。
基于相同的构思,本发明实施例还提供了一种服务器示意图,如图9所示,该服务器可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如上述各实施例所述配电网日最高负荷预测方法的步骤。例如包括:
采集每个待分析样本的高光谱图像;
对所述高光谱图像进行分割,得到每个待分析样本的有效像素;
基于所有待分析样本的有效像素得到总体平均光谱,在每个待分析样本的有效像素范围内,选择n个随机位置的有效像素矩形块,获取所述有效像素矩形块在光谱维的平均值,得到n个块平均光谱;
将总体平均光谱和n个块平均光谱作为一个待分析样本的数据,构建训练集和测试集,并进行神经网络训练,得到用于对待分析样本进行预测的块平滑神经网络。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思,本发明实施例还提供一种非暂态计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包含至少一段代码,该至少一段代码可由主控设备执行,以控制主控设备用以实现如上述各实施例所述配电网日最高负荷预测方法的步骤。例如包括:
采集每个待分析样本的高光谱图像;
对所述高光谱图像进行分割,得到每个待分析样本的有效像素;
基于所有待分析样本的有效像素得到总体平均光谱,在每个待分析样本的有效像素范围内,选择n个随机位置的有效像素矩形块,获取所述有效像素矩形块在光谱维的平均值,得到n个块平均光谱;
将总体平均光谱和n个块平均光谱作为一个待分析样本的数据,构建训练集和测试集,并进行神经网络训练,得到用于对待分析样本进行预测的块平滑神经网络。
基于相同的技术构思,本申请实施例还提供一种计算机程序,当该计算机程序被主控设备执行时,用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上,也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思,本申请实施例还提供一种处理器,该处理器用以实现上述方法实施例。上述处理器可以为芯片。
综上所述,本发明实施例提供的一种配电网日最高负荷预测方法和系统,总体平均光谱与多个块平均光谱共享同一套神经网络权值,在训练过程中同时减小总体平均光谱的均方误差与块平均预测值的均方误差,相对于传统的采用平均光谱建模方法,该方法可对网络参数达到正则化效果,抑制权值的过拟合,增强网络抗干扰性;设计了块平滑损失函数,该损失函数的加入,可提升块预测的连续性与平滑性,抑制邻近块预测值的突变,令邻近的块预测值平滑过渡;利用该先验空间信息,可进一步提升网络的抗噪能力,提升预测的精度与模型鲁棒性。
本发明的各实施方式可以任意进行组合,以实现不同的技术效果。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网日最高负荷预测方法,其特征在于,包括:
步骤S1、获取本年度配电网各线路与台区的负荷测量数据;
步骤S2、基于所述负荷测量数据获取典型日负荷曲线,并基于豪斯多夫距离算法确定负荷曲线类型;
步骤S3、获取前一年度同期节假日的负荷测量数据作为测试样本集,以本年度的负荷数据作为训练样本集;
步骤S4、基于弹性网络对每个负荷曲线类型单独构建预测模型,基于网格搜索方法和所述训练样本集确定用于预测日最高负荷及其出现时刻的预测模型;
步骤S5、基于所述测试样本集对所述预测模型进行验证。
2.根据权利要求1所述的配电网日最高负荷预测方法,其特征在于,所述步骤S1具体包括:
步骤S11、获取配电网日最大负荷及其出现时刻预测所需的历史量测数据,具体包括以下特征量的时间序列数据:配电网各线路与台区每日96个点的近期日负荷量测数据、每日96个点的去年同期日负荷量测数据、日均气温数据、日均湿度数据与节假日类型数据;
步骤S12、对每类时间序列数据进行清洗,采用离群点检测方法剔除异常数据,采用线性插值方法填补缺失数据,得到完整样本数据用于预测模型训练。
3.根据权利要求2所述的配电网日最高负荷预测方法,其特征在于,所述步骤S2具体包括:
步骤S21、抽取S12中各线路与台区距今最近一日的日负荷测量数据作为负荷曲线类型分类依据,每条线路与台区对应一条日负荷曲线,将每条日负荷曲线按最大值与最小值归一化至0到1区间范围内;
步骤S22、将S21中归一化后的日负荷曲线按曲线形状归纳负荷曲线类型,所述负荷曲线类型包括单峰型、双峰型、三峰型、U型、随机型,确定每种日负荷曲线的典型特征曲线;
步骤S23、逐条计算S21中归一化后的日负荷数据与S22中各个典型特征曲线间的豪斯多夫距离,依据豪斯多夫距离计算结果将对应日负荷曲线所在的线路或台区划分至豪斯多夫距离最小值对应的负荷曲线类型。
5.根据权利要求1所述的配电网日最高负荷预测方法,其特征在于,所述步骤S3具体包括:
步骤S31、根据各线路与台区的负荷形状类型将其对应的近期日负荷、上一年度同期日负荷、日均气温、日均湿度等数据划分至同一负荷曲线类型;
归一化处理,将节假日类型通过标签化表示,其中法定节假日记[0,0,1],工作日记[0,1,0],休息日记[1,0,0];
步骤S32、判别预测日节假日类型;若是节假日,则采用去年同期节假日负荷替代去年同期日负荷输入;
步骤S33、根据样本数量划分每种负荷曲线类型的样本数据,将数据依次划分为训练样本集、验证样本集与测试样本集。
6.根据权利要求1所述的配电网日最高负荷预测方法,其特征在于,所述步骤S4具体包括:
步骤S41、根据负荷类型数对应搭建N个基于弹性网络的日最高负荷及其出现时刻预测模型;其中影响模型预测性能的主要参数包括输入数据时间窗长度T、弹性网络的正则化约束系数λ与正则化比例系数α;
以网格搜索法设置三项模型参数的搜索范围,其中设置输入数据时间窗长度T的搜索范围为7至14,弹性网络的正则化约束系数λ与正则化比例系数α的搜索范围为0至1;
步骤S42、设置模型预测效果评估指标,以平均绝对百分误差MAPE与均方根误差RMSE两种评价指标对日最高负荷及其出现时刻预测结果进行评估;
步骤S43、以每类负荷类型的训练样本集作为每个弹性网络预测模型的输入数据,以相应的预测样本作为输出数据,通过弹性网络参数迭代训练预测模型,每次从网格中选择一组参数;每次训练后将验证样本集代入模型进行指标评估,将评估结果最优的模型作为最终模型,得到对应每种负荷类型的N个日最高负荷及其出现时刻的预测模型。
7.根据权利要求6所述的配电网日最高负荷预测方法,其特征在于,根据负荷类型数对应搭建N个基于弹性网络的日最高负荷及其出现时刻预测模型,具体包括:
采用弹性网络回归算法建立预测模型,最小二乘回归问题表示如下:
Y=XTβ+ε
其中Y与X分别对应输出序列与输入序列,β为参数矩阵,ε为服从正态分布的随机误差;
令α=λ1/(λ1+λ2),此时等同于求解以下问题:
subject to(1-α)||β||1+α||β||2≤t
惩罚项(1-α)||β||1+α||β||2为Lasso和Ridge惩罚项的凸组合,受参数t约束;当α为1时,弹性网络等价于Lasso回归,当α为0时,等价于Ridge回归,当t趋向无穷大时,弹性网络等价于普通最小二乘回归。
8.一种配电网日最高负荷预测系统,其特征在于,包括:
数据采集模块,获取本年度配电网各线路与台区的负荷测量数据;
负荷曲线划分模块,基于所述负荷测量数据获取典型日负荷曲线,并基于豪斯多夫距离算法确定负荷曲线类型;
样本集模块,获取前一年度同期节假日的负荷测量数据作为测试样本集,以本年度的负荷数据作为训练样本集;
训练模块,基于弹性网络对每个负荷曲线类型单独构建预测模型,基于网格搜索方法和所述训练样本集确定用于预测日最高负荷及其出现时刻的预测模型;
验证模块,基于所述测试样本集对所述预测模型进行验证。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述配电网日最高负荷预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述配电网日最高负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011600297.7A CN112712203B (zh) | 2020-12-29 | 2020-12-29 | 一种配电网日最高负荷预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011600297.7A CN112712203B (zh) | 2020-12-29 | 2020-12-29 | 一种配电网日最高负荷预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112712203A true CN112712203A (zh) | 2021-04-27 |
CN112712203B CN112712203B (zh) | 2023-09-15 |
Family
ID=75546770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011600297.7A Active CN112712203B (zh) | 2020-12-29 | 2020-12-29 | 一种配电网日最高负荷预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712203B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408101A (zh) * | 2021-05-19 | 2021-09-17 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN113657032A (zh) * | 2021-08-12 | 2021-11-16 | 国网安徽省电力有限公司 | 一种预先集中协调实时分布控制的低频减载方法及系统 |
CN113822492A (zh) * | 2021-10-11 | 2021-12-21 | 国网山东省电力公司滨州市滨城区供电公司 | 一种短期电力负荷预测方法、设备及可读存储介质 |
CN115359684A (zh) * | 2022-08-16 | 2022-11-18 | 辽宁工程技术大学 | 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 |
CN117473368A (zh) * | 2023-10-30 | 2024-01-30 | 湖南大学 | 一种非侵入式负荷监测的半监督学习方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015122825A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
CN105930930A (zh) * | 2016-04-21 | 2016-09-07 | 国家电网公司 | 基于负荷特性分析与负荷预测技术的负荷数据校准方法 |
BR102012004211A2 (pt) * | 2011-02-28 | 2016-10-18 | Gen Electric | método de previsão de carga para um dia atual, módulo de previsão de carga para uma rede elétrica, sistema e meio legível por computador |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
CN107944654A (zh) * | 2017-10-13 | 2018-04-20 | 国网山东省电力公司青岛供电公司 | 一种电力特性分析方法及装置 |
US20180240202A1 (en) * | 2015-08-19 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method of predicting distribution network operation reliability |
JP2018164363A (ja) * | 2017-03-27 | 2018-10-18 | 中国電力株式会社 | 電圧予測方法、負荷配分決定方法及び電圧予測システム |
US20190067946A1 (en) * | 2017-08-28 | 2019-02-28 | General Electric Company | System and method for distribution load forecasting in a power grid |
CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
CN110163429A (zh) * | 2019-05-10 | 2019-08-23 | 湖南大学 | 一种基于相似日优化筛选的短期负荷预测方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN110766218A (zh) * | 2019-10-18 | 2020-02-07 | 国网江苏省电力有限公司南通供电分公司 | 电力负荷预测方法及预测系统 |
CN112116144A (zh) * | 2020-09-15 | 2020-12-22 | 山东科技大学 | 一种区域配电网短期负荷预测方法 |
-
2020
- 2020-12-29 CN CN202011600297.7A patent/CN112712203B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR102012004211A2 (pt) * | 2011-02-28 | 2016-10-18 | Gen Electric | método de previsão de carga para um dia atual, módulo de previsão de carga para uma rede elétrica, sistema e meio legível por computador |
JP2015122825A (ja) * | 2013-12-20 | 2015-07-02 | 三菱電機株式会社 | 配電系統の負荷予測装置および配電系統の負荷予測方法 |
US20180240202A1 (en) * | 2015-08-19 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method of predicting distribution network operation reliability |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
CN105930930A (zh) * | 2016-04-21 | 2016-09-07 | 国家电网公司 | 基于负荷特性分析与负荷预测技术的负荷数据校准方法 |
JP2018164363A (ja) * | 2017-03-27 | 2018-10-18 | 中国電力株式会社 | 電圧予測方法、負荷配分決定方法及び電圧予測システム |
US20190067946A1 (en) * | 2017-08-28 | 2019-02-28 | General Electric Company | System and method for distribution load forecasting in a power grid |
CN107944654A (zh) * | 2017-10-13 | 2018-04-20 | 国网山东省电力公司青岛供电公司 | 一种电力特性分析方法及装置 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN109816177A (zh) * | 2019-02-22 | 2019-05-28 | 广东电网有限责任公司 | 一种负荷聚合商短期负荷预测方法、装置及设备 |
CN110163429A (zh) * | 2019-05-10 | 2019-08-23 | 湖南大学 | 一种基于相似日优化筛选的短期负荷预测方法 |
CN110766218A (zh) * | 2019-10-18 | 2020-02-07 | 国网江苏省电力有限公司南通供电分公司 | 电力负荷预测方法及预测系统 |
CN112116144A (zh) * | 2020-09-15 | 2020-12-22 | 山东科技大学 | 一种区域配电网短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
苏悦平 等: "基于Hausdauff度量的城市配电网网格目标网架综合评价", 南方能源建设, no. 1, pages 5 - 8 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408101A (zh) * | 2021-05-19 | 2021-09-17 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN113408101B (zh) * | 2021-05-19 | 2024-01-12 | 南方电网科学研究院有限责任公司 | 一种负荷序列模拟方法、装置 |
CN113657032A (zh) * | 2021-08-12 | 2021-11-16 | 国网安徽省电力有限公司 | 一种预先集中协调实时分布控制的低频减载方法及系统 |
CN113657032B (zh) * | 2021-08-12 | 2023-11-24 | 国网安徽省电力有限公司 | 一种预先集中协调实时分布控制的低频减载方法及系统 |
CN113822492A (zh) * | 2021-10-11 | 2021-12-21 | 国网山东省电力公司滨州市滨城区供电公司 | 一种短期电力负荷预测方法、设备及可读存储介质 |
CN115359684A (zh) * | 2022-08-16 | 2022-11-18 | 辽宁工程技术大学 | 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 |
CN117473368A (zh) * | 2023-10-30 | 2024-01-30 | 湖南大学 | 一种非侵入式负荷监测的半监督学习方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112712203B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712203A (zh) | 一种配电网日最高负荷预测方法和系统 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
CN111860979A (zh) | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 | |
CN105139090A (zh) | 一种基于消耗预测的电力行业安全库存决策分析方法 | |
CN111932402A (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
CN110969290A (zh) | 一种基于深度学习的径流概率预测方法及系统 | |
CN111091241A (zh) | 一种基于bp神经网络的药品销量预测与决策方法及系统 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN105678414A (zh) | 对资源消耗量进行预测的数据处理方法 | |
CN114066196A (zh) | 一种电网投资策略优化系统 | |
CN112561364A (zh) | 一种基于组合权重的电网运维成本水平合理性评价技术 | |
CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
CN111784066A (zh) | 一种配电网年运行效率预测方法、系统及设备 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
Xue et al. | A framework for short-term energy consumption prediction based on room air conditioner group characteristics | |
CN114154716A (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
CN113919610A (zh) | 低压台区线损预测用arima模型构建方法及评估方法 | |
CN111967684A (zh) | 一种基于大数据分析的计量资产主动配送方法 | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN112926801B (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
CN111368257B (zh) | 煤改电负荷特性的分析预测方法及装置 |
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 |