CN112801356A - 一种基于ma-lssvm的电力负荷预测方法 - Google Patents

一种基于ma-lssvm的电力负荷预测方法 Download PDF

Info

Publication number
CN112801356A
CN112801356A CN202110084625.0A CN202110084625A CN112801356A CN 112801356 A CN112801356 A CN 112801356A CN 202110084625 A CN202110084625 A CN 202110084625A CN 112801356 A CN112801356 A CN 112801356A
Authority
CN
China
Prior art keywords
power load
prediction model
data
value
parameter
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
Application number
CN202110084625.0A
Other languages
English (en)
Inventor
魏良坤
李建国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202110084625.0A priority Critical patent/CN112801356A/zh
Publication of CN112801356A publication Critical patent/CN112801356A/zh
Pending legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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—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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明涉及一种基于MA‑LSSVM的电力负荷预测方法，包括以下步骤：获取历史数据并对其进行预处理，得到样本数据集；将样本数据集划分为训练样本集和测试样本集；建立最小二乘支持向量机预测模型，并确定最小二乘支持向量机预测模型中的待优化参数；使用猴群算法对待优化参数进行优化，得到电力负荷预测模型；使用电力负荷预测模型得到电力负荷预测值。与现有技术相比，本发明建立最小二乘支持向量机预测模型，使用猴群算法对最小二乘支持向量机预测模型中的参数进行优化，再使用优化后的参数建立电力负荷预测模型，可以快速找到参数的最优取值，缩短了设置参数值的时间，建立了预测精度高的电力负荷预测模型。

Description

一种基于MA-LSSVM的电力负荷预测方法
技术领域
本发明涉及电力负荷预测技术领域，尤其是涉及一种基于MA-LSSVM的电力负荷预测方法。
背景技术
电力系统在现代工业生产中起着重要的作用，电力部门既要满足用户的正常用电使用，又要兼顾不浪费国家资源，不预测或者预测不准确都会造成例如高峰期的电力不足，或电力需求较小时不必要的浪费。因此，为了提高电力系统的运行效率，对电力负荷进行预测是很有必要的。
常用的电力负荷预测方法一般是根据历史数据建立预测模型，以气温、节假日等作为输入，输出电力负荷的预测值。基于最小二乘支持向量机建立的电力负荷模数学模型是常用的电力负荷预测模型，但是，最小二乘支持向量机预测模型中的参数设置会影响预测模型的性能，特别是其中的正则化参数γ和核参数σ2，因而这些参数往往是研究人员根据经验设置或重复测试得到的，尚没有较好的方法和理论来指导模型中的参数设置。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于MA-LSSVM的电力负荷预测方法，建立最小二乘支持向量机预测模型，使用猴群算法对最小二乘支持向量机预测模型中的参数进行优化，再使用优化后的参数建立电力负荷预测模型，可以快速找到参数的最优取值，缩短了设置参数值的时间，建立了预测精度高的电力负荷预测模型。
本发明的目的可以通过以下技术方案来实现：
一种基于MA-LSSVM的电力负荷预测方法，包括以下步骤：
S1：获取历史数据并对历史数据进行预处理，得到样本数据集；
S2：将样本数据集划分为训练样本集和测试样本集；
S3：建立最小二乘支持向量机预测模型，并确定最小二乘支持向量机预测模型中的待优化参数；
S4：使用猴群算法对最小二乘支持向量机预测模型中的待优化参数进行优化，得到电力负荷预测模型；
S5：使用电力负荷预测模型得到电力负荷预测值。
进一步的，所述步骤S1中样本数据包括温度数据、节假日信息、负荷值。
进一步的，所述步骤S1中对历史数据进行预处理包括异常数据修正、归一化处理。
更进一步的，所述异常数据修正具体为：
获取负荷数据；使用模糊C均值聚类算法提取负荷的特征曲线；根据特征曲线构造RBF神经网络的训练集；基于训练集训练RBF神经网络；根据训练好的RBF神经网络对历史数据辨识，得到异常数据；根据预设置的修正公式修正异常数据。
更进一步的，所述归一化处理具体为：
Figure BDA0002910375540000021
其中，xnew表示归一化后的数据值，x表示数据初始值，max表示数据的最大值，min表示数据的最小值。
进一步的，所述步骤S3中，选用径向基神经网络RBF作为最小二乘支持向量机预测模型的核函数。
进一步的，所述步骤S3中，待优化参数包括正则化参数γ和核参数σ2。
进一步的，所述步骤S4包括以下步骤：
A1：确定种群大小M、攀爬步长α、攀爬次数Nc、瞭望视野β、望-跳次数Nw、空翻区间[c,d]和最大迭代次数Np的取值；
A2：基于最小二乘支持向量机预测模型中待优化参数的取值范围，生成初始种群，种群中个体的不同位置表示待优化参数的不同取值，历史最优位置初始化为0；
A3：分别计算种群中个体的适应度值，将适应度值最小的个体的位置作为当前最优位置，比较当前最优位置和历史最优位置，更新历史最优位置；
A4：若种群收敛，则输出历史最优位置作为待优化参数的最优值，完成待优化参数的优化，否则，执行步骤A5；
A5：爬过程中根据伪梯度优化猴群的位置，在视野参数范围内搜索更优位置,并更新猴群位置到更优位置，在跳区间内选取，并据此迫使猴群到新的范围内重新搜索，重复步骤A3。
更进一步的，所述步骤A3中，计算个体的适应度值具体为：
获取个体的位置所表示的待优化参数并保存为参数向量；以参数向量作为最小二乘支持向量机预测模型的参数在训练样本集上训练得到电力负荷预测模型；计算电力负荷预测模型在测试样本集上的误差；基于误差计算适应度值，具体计算公式为：
Figure BDA0002910375540000031
式中，N为训练样本集中的样本数量，Δt表示误差。
更进一步的，种群收敛具体为：历史最优位置的个体的适应度值小于预设置的适应度阈值，或迭代次数等于最大迭代次数Np。
与现有技术相比，本发明具有以下有益效果：
(1)建立最小二乘支持向量机预测模型，使用猴群算法对最小二乘支持向量机预测模型中的参数进行优化，再使用优化后的参数建立电力负荷预测模型，可以快速找到参数的最优取值，缩短了设置参数值的时间，建立了预测精度高的电力负荷预测模型。
(2)基于模糊C均值聚类算法和RBF神经网络进行异常数据修正，为之后模型建立提供了准确度较高的训练数据和测试数据，降低了了异常数据的影响，提升了模型准确度。
(3)考虑了温度数据、节假日信息进行电力负荷预测，相比于使用单一天气数据，模型的精度更高；正则化参数γ和核参数σ2是影响最小二乘支持向量机预测模型性能的关键参数，使用猴群算法得到二者的最优取值，相比于人工测试选取最优值速度更快、精度更高。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1：
一种基于MA-LSSVM的电力负荷预测方法，如图1所示，包括以下步骤：
S1：获取历史数据并对历史数据进行预处理，得到样本数据集；样本数据包括温度数据、节假日信息等影响负荷的数据和负荷值。
S2：将样本数据集划分为训练样本集和测试样本集；
S3：建立最小二乘支持向量机预测模型(LSSVM模型)，并确定最小二乘支持向量机预测模型中的待优化参数；
S4：使用猴群算法(MA)对最小二乘支持向量机预测模型中的待优化参数进行优化，得到电力负荷预测模型；
S5：使用电力负荷预测模型得到电力负荷预测值。
步骤S1中对历史数据进行预处理包括异常数据修正、归一化处理。
异常数据修正具体为：
获取负荷数据；使用模糊C均值聚类算法提取负荷的特征曲线；根据特征曲线构造RBF神经网络的训练集；利用newrb(*)函数，基于训练集训练RBF神经网络；根据训练好的RBF神经网络对历史数据辨识，得到异常数据；根据预设置的修正公式修正异常数据，如使用相邻数据近似替代、使用平均数据近似替代等。
归一化处理具体为：
Figure BDA0002910375540000041
其中，xnew表示归一化后的数据值，x表示数据初始值，max表示数据的最大值，min表示数据的最小值。
步骤S3中，选用径向基神经网络RBF作为最小二乘支持向量机预测模型的核函数，建立LSSVM模型的具体过程如下：
训练样本集为S＝{(x1，y1)，...(xi，yi)，...(xN，yN)}，其中xi为输入量(温度数据、节假日信息等)，yi为输出量(负荷值)，1≤i≤N，N为训练样本总数。选定一个样本(xi，yi)，利用非线性映射函数建立回归模型，将低维空间的非线性回归问题转化为高维特征空间的线性回归问题，回归模型为：
f(x)＝ωT(x)+b
式中，ω为权值，b为常数。
LSSVM的原问题是使训练样本集与超平面之间的最小距离取最大值，可以转换为如下的二次规划问题：
Figure BDA0002910375540000051
式中γ为正则化参数，ξi为误差向量，然后利用拉格朗日函数求解：
Figure BDA0002910375540000052
式中，λi为Lagrange乘子。根据KKT条件求解：
Figure BDA0002910375540000053
消去ω和ξi得下式：
Figure BDA0002910375540000054
因此，LSSVM模型为：
Figure BDA0002910375540000055
式中，k(x，xi)为核函数。采用RBF作为LSSVM的核函数，表达式如下所示：
Figure BDA0002910375540000056
式中，σ2为核函数宽度，反映了边界封闭包含的半径，在LSSVM的回归模型中，正则化参数γ和核函数宽度σ2是影响LSSVM性能最大的两个参数，因此步骤S3中，待优化参数包括正则化参数γ和核参数σ2。
本实施例中，在步骤S4中使用猴群算法MA优化正则化参数γ和核参数σ2，在其他实施方式中，可以根据需要增加待优化参数。
MA算法通过模拟猴群在群山上爬山登高直至登到群山之顶的过程来实现算法模拟，该算法包括攀爬过程、瞭望过程、空翻过程。攀爬过程用于找到局部最优解；瞭望过程用于找到优于当前解，并接近目标值得点；空翻过程是为了让猴子更快转移到下一个搜索区域，以便找到全局最优解。
步骤S4包括以下步骤：
A1：确定种群大小M、攀爬步长α、攀爬次数Nc、瞭望视野β、望-跳次数Nw、空翻区间[c，d]和最大迭代次数Np的取值；本实施例中，种群大小M＝100、攀爬步长α＝0.01、攀爬次数Nc＝100、瞭望视野β＝0.5、望-跳的次数Nw＝100、空翻区间[c，d]＝[-1，1]、最大迭代次数Np＝100。
A2：基于正则化参数γ和核参数σ2的取值范围，生成初始种群，种群中个体的不同位置表示待优化参数的不同取值，历史最优位置初始化为0；
A3：分别计算种群中个体的适应度值，将适应度值最小的个体的位置作为当前最优位置，比较当前最优位置和历史最优位置，更新历史最优位置；
计算个体的适应度值具体为：
获取个体的位置所表示的待优化参数并保存为参数向量；以参数向量作为最小二乘支持向量机预测模型的参数在训练样本集上训练得到电力负荷预测模型；计算电力负荷预测模型在测试样本集上的误差(模型预测值与实际值的差值)于误差计算适应度值，具体计算公式为：
Figure BDA0002910375540000061
式中，N为训练样本集中的样本数量，Δt表示误差。
A4：若种群收敛，则输出历史最优位置作为待优化参数的最优值，完成待优化参数的优化，否则，执行步骤A5；
种群收敛具体为：历史最优位置的个体的适应度值小于预设置的适应度阈值，或迭代次数等于最大迭代次数Np。
A5：爬过程中根据伪梯度优化猴群的位置，在视野参数范围内搜索更优位置，并更新猴群位置到更优位置，在跳区间内选取，并据此迫使猴群到新的范围内重新搜索，重复步骤A3。
使用MA完成正则化参数γ和核参数σ2的优化后，就得到了电力负荷预测模型，可以使用电力负荷预测模型，输入温度数据、节假日信息等，输出负荷的预测值。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于MA-LSSVM的电力负荷预测方法，其特征在于，包括以下步骤：
S1：获取历史数据并对历史数据进行预处理，得到样本数据集；
S2：将样本数据集划分为训练样本集和测试样本集；
S3：建立最小二乘支持向量机预测模型，并确定最小二乘支持向量机预测模型中的待优化参数；
S4：使用猴群算法对最小二乘支持向量机预测模型中的待优化参数进行优化，得到电力负荷预测模型；
S5：使用电力负荷预测模型得到电力负荷预测值。
2.根据权利要求1所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，所述步骤S1中样本数据包括温度数据、节假日信息、负荷值。
3.根据权利要求1所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，所述步骤S1中对历史数据进行预处理包括异常数据修正、归一化处理。
4.根据权利要求3所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，所述异常数据修正具体为：
获取负荷数据；使用模糊C均值聚类算法提取负荷的特征曲线；根据特征曲线构造RBF神经网络的训练集；基于训练集训练RBF神经网络；根据训练好的RBF神经网络对历史数据辨识，得到异常数据；根据预设置的修正公式修正异常数据。
5.根据权利要求3所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，所述归一化处理具体为：
Figure FDA0002910375530000011
其中，xnew表示归一化后的数据值，x表示数据初始值，max表示数据的最大值，min表示数据的最小值。
6.根据权利要求1所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，所述步骤S3中，选用径向基神经网络RBF作为最小二乘支持向量机预测模型的核函数。
7.根据权利要求1所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，所述步骤S3中，待优化参数包括正则化参数γ和核参数σ2。
8.根据权利要求1所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，所述步骤S4包括以下步骤：
A1：确定种群大小M、攀爬步长α、攀爬次数Nc、瞭望视野β、望-跳次数Nw、空翻区间[c,d]和最大迭代次数Np的取值；
A2：基于最小二乘支持向量机预测模型中待优化参数的取值范围，生成初始种群，种群中个体的不同位置表示待优化参数的不同取值，历史最优位置初始化为0；
A3：分别计算种群中个体的适应度值，将适应度值最小的个体的位置作为当前最优位置，比较当前最优位置和历史最优位置，更新历史最优位置；
A4：若种群收敛，则输出历史最优位置作为待优化参数的最优值，完成待优化参数的优化，否则，执行步骤A5；
A5：爬过程中根据伪梯度优化猴群的位置，在视野参数范围内搜索更优位置,并更新猴群位置到更优位置，在跳区间内选取，并据此迫使猴群到新的范围内重新搜索，重复步骤A3。
9.根据权利要求8所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，所述步骤A3中，计算个体的适应度值具体为：
获取个体的位置所表示的待优化参数并保存为参数向量；以参数向量作为最小二乘支持向量机预测模型的参数在训练样本集上训练得到电力负荷预测模型；计算电力负荷预测模型在测试样本集上的误差；基于误差计算适应度值，具体计算公式为：
Figure FDA0002910375530000021
式中，N为训练样本集中的样本数量，Δt表示误差。
10.根据权利要求8所述的一种基于MA-LSSVM的电力负荷预测方法，其特征在于，种群收敛具体为：历史最优位置的个体的适应度值小于预设置的适应度阈值，或迭代次数等于最大迭代次数Np。
CN202110084625.0A 2021-01-21 2021-01-21 一种基于ma-lssvm的电力负荷预测方法 Pending CN112801356A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110084625.0A CN112801356A (zh) 2021-01-21 2021-01-21 一种基于ma-lssvm的电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110084625.0A CN112801356A (zh) 2021-01-21 2021-01-21 一种基于ma-lssvm的电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN112801356A true CN112801356A (zh) 2021-05-14

Family

ID=75811129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110084625.0A Pending CN112801356A (zh) 2021-01-21 2021-01-21 一种基于ma-lssvm的电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN112801356A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115481808A (zh) * 2022-09-23 2022-12-16 江苏天成科技集团有限公司 一种基于mdt-lssvm模型的蛋鸡产蛋率预测方法
CN116777047A (zh) * 2023-05-15 2023-09-19 中国电力工程顾问集团中南电力设计院有限公司 满足中长期电力需求预测约束的负荷8760曲线多步修正方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814735A (zh) * 2010-05-19 2010-08-25 天津大学 一种输电网扩展规划方法
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法
CN108390369A (zh) * 2017-12-31 2018-08-10 天津求实智源科技有限公司 电力负荷总功率实时分解方法与系统
CN108734359A (zh) * 2018-06-08 2018-11-02 上海电机学院 一种风电功率预测数据预处理方法
CN109670628A (zh) * 2018-11-09 2019-04-23 昆明理工大学 一种基于lssvm的神经网络的微电网负荷预测方法
CN109871977A (zh) * 2018-12-25 2019-06-11 广东电网有限责任公司 基于离散小波变换和优化最小支持向量机的负荷预测方法
CN111105104A (zh) * 2020-02-20 2020-05-05 河南理工大学 一种基于相似日和rbf神经网络的短期电力负荷预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814735A (zh) * 2010-05-19 2010-08-25 天津大学 一种输电网扩展规划方法
CN106952183A (zh) * 2017-04-24 2017-07-14 武汉大学 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法
CN108390369A (zh) * 2017-12-31 2018-08-10 天津求实智源科技有限公司 电力负荷总功率实时分解方法与系统
CN108734359A (zh) * 2018-06-08 2018-11-02 上海电机学院 一种风电功率预测数据预处理方法
CN109670628A (zh) * 2018-11-09 2019-04-23 昆明理工大学 一种基于lssvm的神经网络的微电网负荷预测方法
CN109871977A (zh) * 2018-12-25 2019-06-11 广东电网有限责任公司 基于离散小波变换和优化最小支持向量机的负荷预测方法
CN111105104A (zh) * 2020-02-20 2020-05-05 河南理工大学 一种基于相似日和rbf神经网络的短期电力负荷预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
齐宏 等编著: "《辐射传输逆问题的智能优化理论与应用》", 31 March 2016, 哈尔滨工业大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115481808A (zh) * 2022-09-23 2022-12-16 江苏天成科技集团有限公司 一种基于mdt-lssvm模型的蛋鸡产蛋率预测方法
CN116777047A (zh) * 2023-05-15 2023-09-19 中国电力工程顾问集团中南电力设计院有限公司 满足中长期电力需求预测约束的负荷8760曲线多步修正方法

Similar Documents

Publication Publication Date Title
CN110245801A (zh) 一种基于组合挖掘模型的电力负荷预测方法及系统
CN108920863B (zh) 一种机器人伺服系统能耗估计模型的建立方法
CN106251001A (zh) 一种基于改进模糊聚类算法的光伏功率预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN113205233B (zh) 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法
CN116307652A (zh) 一种智能电网人工智能资源分配方法
CN111008726B (zh) 一种电力负荷预测中类图片转换方法
CN112434848A (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
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
CN110135635A (zh) 一种区域电力饱和负荷预测方法及系统
CN112801356A (zh) 一种基于ma-lssvm的电力负荷预测方法
CN112308298B (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
CN111639111A (zh) 面向调水工程的多源监测数据深度挖掘和智能分析方法
CN113868938A (zh) 基于分位数回归的短期负荷概率密度预测方法、装置及系统
CN115759415A (zh) 基于lstm-svr的用电需求预测方法
CN113449919A (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN113344243A (zh) 基于改进哈里斯鹰算法优化elm的风速预测方法及系统
CN116316542A (zh) 区域分布式光伏功率预测方法、装置、计算机设备及存储介质
CN112183878B (zh) 一种结合知识图谱与神经网络的电力负荷预测方法
CN117913808A (zh) 一种分布式光伏发电预测方法及其装置
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
CN117113086A (zh) 一种储能机组负荷预测方法、系统、电子设备及介质
CN116883057A (zh) 一种基于XGBoost的高精度电力客户营销渠道偏好预测系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210514

RJ01 Rejection of invention patent application after publication