CN112990587B - 一种对台区用电进行精准预测的方法及系统、设备、介质 - Google Patents
一种对台区用电进行精准预测的方法及系统、设备、介质 Download PDFInfo
- Publication number
- CN112990587B CN112990587B CN202110312066.4A CN202110312066A CN112990587B CN 112990587 B CN112990587 B CN 112990587B CN 202110312066 A CN202110312066 A CN 202110312066A CN 112990587 B CN112990587 B CN 112990587B
- Authority
- CN
- China
- Prior art keywords
- value
- characteristic
- load
- residual
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005611 electricity Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 37
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 20
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 241001123248 Arma Species 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000001744 unit root test Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- 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)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种对台区用电进行精准预测的方法及系统、设备、介质。本方法通过将反映台区用电稳定状态的第一特征值作为表征量之一,提高了预测结果的精准度,并对所有的第二特征量分别进行单一模型构建,得到包含所有第二特征值的不同时刻的负荷预测值序列和残差值序列,大大提升了计算速度和计算效率,利用第一特征值对第二特征值对应的残差值进行了修正,大幅提高了预测结果的精准度。同时将负荷预测值序列和修正后的残差值序列作为GRU网络的输入,考虑到了单一特征值模型的误差对于预测结果的精度影响,进一步提高了最终预测结果的准确度,利用GRU网络进行了多个第二特征值的筛选,通过更新门去除冗余数据,进一步提升了计算能力和计算效率。
Description
技术领域
本发明涉及台区用电预测技术领域,特别地,涉及一种对台区用电进行精准预测的方法及系统、设备、计算机可读取的存储介质。
背景技术
现阶段为了满足电力需求响应、配电网规划、业扩报装和能源电动车充电的需求,需要利用台区富余的容量达到开放共享的目的,以降低配电网建设成本,达到资源的充分利用。而传统的电力配电网规划中对可开放容量这一指标是以台区用户的最大负荷来设计的,当位于台区用电低谷时,未能充分利用富余的容量,使得建设成本和电力资源造成浪费。因此,如何精准的预测台区用电负荷成为目前电力配电网规划亟待解决的关键性问题。
目前,负荷预测已经成为电力行业发展的重要项目之一,例如利用机器学习、深度学习等方法建立负荷预测模型,然后根据误差诊断的形式得到最优模型,最后利用最优模型进行用电预测。但是,这种负荷预测方式需要选取大量的特征量并建立大量的特征量模型,计算量过大,计算十分复杂,且同时预测精度也较差。
发明内容
本发明提供了一种对台区用电进行精准预测的方法及系统、设备、计算机可读取的存储介质,以解决现有采用误差诊断的负荷预测方式存在的计算量过大、预测精度差的技术问题。
根据本发明的一个方面,提供一种一种对台区用电进行精准预测的方法,包括以下内容:
步骤S1:采集台区内用户近两年的负荷数据,利用余弦距离公式分析台区内各用户用电的稳定状态以得到关于台区用电稳定状态的第一特征值;
步骤S2:采集台区总负荷数据并选出与台区用电负荷数据相关的至少一个第二特征值;
步骤S3:对所有的第二特征值逐个进行单一模型构建以得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值,并利用不同台区用电稳定状态下的第二特征值对应的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到每个第二特征值对应的修正系数,利用该修正系数对不同时刻的残差值序列中每个第二特征值所对应的残差值进行对应修正;
步骤S4:将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果。
进一步地,所述步骤S1具体包括以下内容:
步骤S11:采集台区内各用户近两年的负荷数据;
步骤S12:基于台区内某一用户近两年的负荷数据得到其每一年关于日最大功率的时序特征向量;
步骤S13:基于权重占比公式对上述两个时序特征向量进行变换以得到两个新的时序特征向量;
步骤S14:利用余弦距离公式计算两个新的时序特征向量之间的余弦距离值以判断近两年该用户的负荷稳定状态;
步骤S15:重复执行步骤S12至步骤S14以计算得到台区内所有用户的余弦距离值,基于所有的余弦距离值分布情况进行台区用电负荷稳定状态等级的划分,并基于不同稳定状态等级的占比得到关于台区用电稳定状态的第一特征值。
进一步地,所述步骤S3包括以下内容:
步骤S31:将其中一个第二特征值对应的数据作为数据源,对每一组数据序列检验其平稳性,若数据序列平稳则采用ARMA模型计算预测值,若数据序列不平稳则采用ARIMA模型计算预测值,从而得到该特征值对应的预测值序列;
步骤S32:基于该预测值序列得到该第二特征值对应的预测模型;
步骤S33:基于该预测模型得到该第二特征值在不同时刻的负荷预测值,并结合对应时刻的实际值计算得到不同时刻的残差值;
步骤S34:重复执行上述步骤,得到每个第二特征值在不同时刻对应的负荷预测值和残差值,从而得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值;
步骤S35:基于不同的台区用电稳定状态,将其中一个第二特征值通过其对应的预测模型得到的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到该第二特征值所对应的修正系数,并利用该修正系数对不同时刻的残差值序列中该第二特征值所对应的残差值进行修正;
步骤S36:重复执行上述步骤S35,对上述不同时刻的残差值序列中每个第二特征值所对应的残差值进行修正,从而得到修正后的不同时刻的残差值序列。
进一步地,还包括以下步骤:
步骤S5:获取台区配电变压器的容量信息,并结合最终的台区用电负荷预测结果判断是否上报预警信息至主站。
进一步地,所述第二特征值包括星期序号、节假日、气候、月份和台区日用电习惯中的至少一者。
进一步地,所述步骤S15中基于所有的余弦距离值分布情况将台区用电负荷稳定状态划分为0.2、0.4、0.6、0.8和1.0五个等级,数值越高越稳定,根据不同稳定状态等级的占比η1、η0.8、η0.6、η0.4、η0.2,得到关于台区用电稳定状态的第一特征值τη,
进一步地,所述步骤S31中采用单位根检验法检验每组数据序列是否平稳。
另外,本发明还提供一种对台区用电进行精准预测的系统,包括
第一特征值计算模块,用于采集台区内用户近两年的负荷数据,利用余弦距离公式分析台区内各用户用电的稳定状态以得到关于台区用电稳定状态的第一特征值;
第二特征值选取模块,用于采集台区总负荷数据并选出与台区用电负荷数据相关的至少一个第二特征值;
单一模型构建模块,用于对所有的第二特征值逐个进行单一模型构建以得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值,并利用不同台区用电稳定状态下的第二特征值对应的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到每个第二特征值对应的修正系数,利用该修正系数对不同时刻的残差值序列中每个第二特征值所对应的残差值进行对应修正;
预测模块,用于将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果。
另外,本发明还提供一种设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明还提供一种计算机可读取的存储介质,用于存储对台区用电进行精准预测的计算机程序,该计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果:
本发明的一种对台区用电进行精准预测的方法,通过台区内各用户近两年的负荷数据并结合余弦距离公式分析得到关于台区用电稳定状态的第一特征值,将其与筛选出来的与台区用电负荷数据相关的至少第二特征值共同作为表征台区用电负荷数据的特征量,通过将反映台区用电稳定状态的第一特征值作为表征量之一,提高了台区用电预测结果的精准度。若台区的用电稳定性较弱,在该年的各特征值参数在后续的样本量(有大量电器的新加入)增大更新后,具有较大改变,对台区的预测结果具有较大影响。然后对所有的第二特征量分别进行单一模型构建,得到包含所有第二特征值的不同时刻的负荷预测值序列和残差值序列,采用单一特征量建模的方式大大提升了计算速度和计算效率。并且,利用第一特征值对第二特征值对应的残差值进行了修正,大幅提高了预测结果的精准度。最后,将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果,同时将负荷预测值序列和修正后的残差值序列作为门控循环单元神经网络的输入,考虑到了单一特征值模型所带来的误差对于预测结果的精度影响,进一步提高了最终预测结果的准确度,同时,利用门控循环单元神经网络进行了多个第二特征值的筛选,通过门控循环单元神经网络的更新门将冗余的数据去除,进一步提升了计算能力和计算效率,减少了计算时间。
另外,本发明的一种对台区用电进行精准预测的系统、设备及计算机可读取的存储介质同样具有上述优点。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的对台区用电进行精准预测的方法的流程示意图。
图2是图1中的步骤S1的子流程示意图。
图3是图1中的步骤S3的子流程示意图。
图4是本发明的对台区用电进行精准预测的方法的另一实施方式的流程示意图。
图5是本发明另一实施例的对台区用电进行精准预测的系统的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示,本发明的优选实施例提供一种对台区用电进行精准预测的方法,包括以下内容:
步骤S1:采集台区内用户近两年的负荷数据,利用余弦距离公式分析台区内各用户用电的稳定状态以得到关于台区用电稳定状态的第一特征值;
步骤S2:采集台区总负荷数据并选出与台区用电负荷数据相关的至少一个第二特征值;
步骤S3:对所有的第二特征值逐个进行单一模型构建以得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值,并利用不同台区用电稳定状态下的第二特征值对应的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到每个第二特征值对应的修正系数,利用该修正系数对不同时刻的残差值序列中每个第二特征值所对应的残差值进行对应修正;
步骤S4:将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果。
可以理解,本实施例的一种对台区用电进行精准预测的方法,通过台区内各用户近两年的负荷数据并结合余弦距离公式分析得到关于台区用电稳定状态的第一特征值,将其与筛选出来的与台区用电负荷数据相关的至少第二特征值共同作为表征台区用电负荷数据的特征量,通过将反映台区用电稳定状态的第一特征值作为表征量之一,提高了台区用电预测结果的精准度。若台区的用电稳定性较弱,在该年的各特征值参数在后续的样本量(有大量电器的新加入)增大更新后,具有较大改变,对台区的预测结果具有较大影响。然后对所有的第二特征量分别进行单一模型构建,得到包含所有第二特征值的不同时刻的负荷预测值序列和残差值序列,采用单一特征量建模的方式大大提升了计算速度和计算效率。并且,利用第一特征值对第二特征值对应的残差值进行了修正,大幅提高了预测结果的精准度。最后,将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果,同时将负荷预测值序列和修正后的残差值序列作为门控循环单元神经网络的输入,考虑到了单一特征值模型所带来的误差对于预测结果的精度影响,进一步提高了最终预测结果的准确度,同时,利用门控循环单元神经网络进行了多个第二特征值的筛选,通过门控循环单元神经网络的更新门将冗余的数据去除,进一步提升了计算能力和计算效率,减少了计算时间。
可以理解,如图2所示,所述步骤S1具体包括以下内容:
步骤S11:采集台区内各用户近两年的负荷数据;
步骤S12:基于台区内某一用户近两年的负荷数据得到其每一年关于日最大功率的时序特征向量;
步骤S13:基于权重占比公式对上述两个时序特征向量进行变换以得到两个新的时序特征向量;
步骤S14:利用余弦距离公式计算两个新的时序特征向量之间的余弦距离值以判断近两年该用户的负荷稳定状态;
步骤S15:重复执行步骤S12至步骤S14以计算得到台区内所有用户的余弦距离值,基于所有的余弦距离值分布情况进行台区用电负荷稳定状态等级的划分,并基于不同稳定状态等级的占比得到关于台区用电稳定状态的第一特征值。
具体地,通过台区用户a近两年的负荷数据得到关于日最大功率的时序特征向量其中,/>为最近一年关于日最大功率的时序特征向量,
由于最近一年关于日最大功率的时序特征向量对用户状态的判断权重较大,故需要对上述两个时序特征向量进行变化,以得到新的时序特征向量。采用的权重占比公式为:
从而换算得到的两个新的时序特征向量分别为:
然后利用余弦距离公式计算两个新的时序特征向量之间的余弦距离值,其中,余弦距离公式如下:
公式中的X、Y分别表示两个新的时序特征向量
对台区内所有用户均执行上述内容以计算得到每个用户的余弦距离值,对于所有的余弦距离值,将0~0.2、0.2~0.4、0.4~0.6、0.6~0.8、0.8~1.0分别映射为稳定状态0.2、0.4、0.6、0.8、1.0,数值越高越稳定。然后根据不同稳定状态等级的占比η1、η0.8、η0.6、η0.4、η0.2,得到关于台区用电稳定状态的第一特征值τη,
在本发明中,基于台区内各用户近两年的用电数据进行分析得到每个用户的用电稳定状态,从而得到反映台区用电稳定状态的第一特征值,并将其作为台区用电预测的特征量之一,提高了台区用电预测结果的准确度。并且,考虑到最近一年的数据对用户用电稳定状态的判断权重比较大,采取了权重占比公式对原始负荷数据进行了转换,基于转换后的负荷数据评估用户的用电稳定状态,进一步提高了预测结果的准确度。而现有的负荷预测方案中并没有考虑到台区用电稳定状态的影响,因而,本发明的用电预测方法相比于现有的预测方法大大提升了预测精度。
另外,当台区内出现业扩信息、用户迁出/迁入信息、新能源充电桩安装信息等情况时实现自动上传,使主站可以得到台区数据的变动,以进行日数据的更新、用户等级更新,并重新计算第一特征值。
可以理解,在所述步骤S2中,所述第二特征值至少包括星期序号、节假日、气候、月份和台区日用电习惯中的至少一者。其中,对于星期序号:不同的星期序号分别以编号1~7来表示;对于节假日:法定节假日和正常日分别编号为1、0;对于气候:晴天、阴天、雨天分别编号为1、2、3;对于月份:分别编号为1、2、……、12;而对于台区日用电习惯则采用用户一天24h的功率数据,例如以15分钟的时间间隔的负荷数据作为样本数据,或者以30分钟时间间隔的负荷数据作为样本数据。
可以理解,如图3所示,所述步骤S3包括以下内容:
步骤S31:将其中一个第二特征值对应的数据作为数据源,对每一组数据序列检验其平稳性,若数据序列平稳则采用ARMA模型计算预测值,若数据序列不平稳则采用ARIMA模型计算预测值,从而得到该特征值对应的预测值序列;
步骤S32:基于该预测值序列得到该第二特征值对应的预测模型;
步骤S33:基于该预测模型得到该第二特征值在不同时刻的负荷预测值,并结合对应时刻的实际值计算得到不同时刻的残差值;
步骤S34:重复执行上述步骤,得到每个第二特征值在不同时刻对应的负荷预测值和残差值,从而得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值;
步骤S35:基于不同的台区用电稳定状态,将其中一个第二特征值通过其对应的预测模型得到的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到该第二特征值所对应的修正系数,并利用该修正系数对不同时刻的残差值序列中该第二特征值所对应的残差值进行修正;
步骤S36:重复执行上述步骤S35,对上述不同时刻的残差值序列中每个第二特征值所对应的残差值进行修正,从而得到修正后的不同时刻的残差值序列。
具体地,根据至少一个第二特征值中的任一特征值所对应的数据作为数据源,例如周一负荷模型则用周一的负荷数据作为数据源,对于每一组数据序列进行平稳性检验,若数据序列平稳则无需进行差分处理,直接采用ARMA模型计算预测值,若数据序列不平稳则需要采用ARIMA模型计算预测值,从而得到该第二特征值所对应的预测值序列。即将ARMA模型和ARIMA模型得到的预测值按照时序依次排列即可得到该第二特征值所对应的预测值序列,但是由于受到ARIMA模型精度的影响,该预测结果的准确性较差。其中,优选采用单位根检验方法检验每个数据序列的平稳性,若检验结果大于0.95,则该数据序列平稳,若检验结果大于0.95,则该数据序列不平稳,利用单位根检验方法可以快速、准确地检验平稳性。其中,判断数据序列是否平稳的阈值也可以是0.99、0.9、0.96或者其它数值,可以根据需要进行选择。可以理解,通过对每个特征值的每组数据序列进行平稳定检验,数据序列平稳则采用ARMA模型计算预测值,数据序列不平稳则需要采用ARIMA模型计算预测值,大大提升了计算速度,并且对于不平稳的数据序列采用差分处理的方式降低了离散程度的影响,进一步提高了预测精度。
另外,对于数据序列不平稳的情况,需要基于单位根检验法确定差分的阶数d,然后对该组序列进行d阶差分处理。例如,d阶非平稳序列通过差分处理得到如:
其中,ARMA模型表示为:ARIMA模型表示为:式中,p为自回归阶数,q为移动平均项,L为滞后算子,/>为序列项[x1、x2、...、xt-1]的自回归系数,θi为误差项[ε1、ε2、...、εt-1]的自回归系数,εt为误差项,其服从(0,σ2)的随机误差,Xt为预测值,d为差分阶数。
由于所述步骤S3中是针对每个第二特征值进行单一模型构建,因此,基于上述得到的预测值序列可以计算得到该单一特征值所对应的预测模型,具体为:
其中,c为常数项。
然后基于上述预测模型可以得到特征值x(1)在t时刻的负荷预测值则残差值其中/>为t时刻的负荷预测值,/>为t时刻的实际值。同时,得到其它时刻的负荷预测值和残差值。
重复执行上述内容,逐一将n个第二特征值进行单一预测模型构建,得到每个第二特征值在不同时刻对应的负荷预测值和残差值,从而可以得到不同时刻的负荷预测值序列和残差值序列。例如,将t时刻的所有第二特征值的预测值进行排序即可得到t时刻的负荷预测值序列同样,将t时刻的所有第二特征值的残差值进行排序即可得到t时刻的残差值序列/>同样的方式即可得到其它时刻的负荷预测值序列和残差值序列。
但此时,不同时刻的残差值序列中各个第二特征值对应的残差值受台区用电稳定状态的影响较大,存在较大的误差,因此,需要对其进行修正。而第一特征值则主要用于对任一第二特征值对应的残差值进行修正,通过ARIMA模型对单一第二特征值对应的残差值进行修正,得到修正后的残差值/>将修正后的残差值/>输入GRU层。
具体地,根据多组不同台区用电稳定状态下的一个第二特征值,将该第二特征值通过其对应的预测模型得到的t时刻的残差值序列,其中,该t时刻的残差值序列中的各个残差值分别对应不同的台区用电稳定状态,且由于ARIMA模型中t时刻的预测值与前1~t-1时刻的预测值有关,为了减少计算量,故采取t时刻对应不同台区稳定状态的残差值进行模型构建即可。将该第二特征值在t时刻对应的残差值序列与对应的第一特征值/>进行线性模型的构建,具体为:/>上标i表示特征值类型,ki表示第二特征值i对应的修正系数,εi表示第二特征值i对应的误差项。从而得到第二特征值i的修正系数为利用该修正系数对步骤S34中得到的不同时刻的残差值序列中该第二特征值i对应的残差值进行修正,即修正后的残差值为:/>
然后重复执行上述内容,对其它第二特征值逐一进行残差值的修正,从而得到修正后的不同时刻的残差值序列将不同时刻的修正后的残差值序列/>和负荷预测值序列/>一起输入至GRU网络进行训练和预测。
可以理解,在所述步骤S3中,还可以使用小批量梯度下降方法来对残差值过大的模型进行优化,以提高预测精度。
可以理解,在所述步骤S4中,由步骤S3可以得到不同时刻的负荷预测值序列和修正后的残差值序列Λ1′、Λ2′、...、Λt′,将其进行非线性组合后作为输入值,例如,使输入值/>然后过门控循环单元神经网络的门控开关进行特征值的选择。
门控循环单元神经网络可以根据更新门zt(zt∈[0,1])控制从ht-1历史状态中保留多少信息、在Yt中接受多少信息,其激活函数更新门可表示为:/>其中wi,νi分别为输入值/>的参数,ht-1为上一节点的输出值,bz为常数项。
当rt=0,候选状态只与当前输入Yt相关;当rt=1,候选状态/>与当前输入Yt和历史状态ht-1相关。该过程分成了信息过滤池(根据更新门的[0,1]来选择信息)、信息存储池(通过记忆单元对候选状态的选择和存储)、信息输出层(通过σ决定信息是保留还是存储,根据tanh函数将值规范化在[-1,1]),从而做到筛选的作用。
最后得到预测输出值该预测输出值为预测值和残差值之和。
可以理解,如图4所示,作为优选的,所述对台区用电进行精准预测的方法还包括以下步骤:
步骤S5:获取台区配电变压器的容量信息,并结合最终的台区用电负荷预测结果判断是否上报预警信息至主站。
具体地,获取台区配电变压器的容量信息Crated,然后可以计算得到台区的可开放容量预测值C′,C′=Crated-ht。当台区的可开放容量C′超过一定阈值时,即上报预警信息至主站。例如,台区的可开放容量偏小或者过高均可以上报预警信息至主站。
可以理解,本发明采用的预测模型整体包括输入层、GRU(门控循环单元神经网络)层、输出层、损失函数层、优化层。其中,
输入层:在ARIMA、ARMA模型训练过程中通过样本数据使用小批量梯度下降,设置小批量的样本来计算梯度并更新参数,如样本量1w,则设置batch_size为200,迭代50次即可。由于单一特征值的参数较少,且该训练方法兼顾随机梯度下降法的优点,缩短了训练时间,提高了训练效率。
GRU层:GRU层在整个模型中起到关键作用,根据输入层得到的ARIMA预测值和残差值对不同特征值的参数wi,νi,并且对特征值x(i)进行选择。
输出层:输出层与GRU层相连接,将输出结果作为预测结果。该层的神经元个数与输出个数匹配,最后预测输出ht为N×1阶矩阵,N为输出的预测步数(例:输入为365天*96个点的负荷数据,预测输出为96个点的负荷数据)。
优化层:在训练阶段,使用Adam优化算法对模型参数进行优化,在模型训练过程中可以优化各个神经元节点的权重和偏差,使损失函数L降低到最优值,通过反向传播和权重更新来优化预测模型中的权重参数。
可以理解,本发明还针对本发明采用的ARIMA-GRU模型与ARIMA-LSTM预测模型进行了对比实验,样本量为96*365,使用相同迭代次数(iteration=200)和(batch_size=96*7),在训练集中达到同样mse时,ARIMA-GRU模型需要时间为ARIMA-LSTM模型的50%左右,因为经历一次迭代ARIMA-GRU模型需要28ms,而ARIMA-LSTM模型需要52ms。因为由于GRU网络对参数的选择,使得参数更少,大大降低了过拟合现象,提高了运行效率。而相比于现有的其它单一预测模型,则大大提升了预测结果的精准度。另外,如图5所示,本发明的另一实施例还提供一种对台区用电进行精准预测的系统,优选采用如上所述的方法,该系统包括
第一特征值计算模块,用于采集台区内用户近两年的负荷数据,利用余弦距离公式分析台区内各用户用电的稳定状态以得到关于台区用电稳定状态的第一特征值;
第二特征值选取模块,用于采集台区总负荷数据并选出与台区用电负荷数据相关的至少一个第二特征值;
单一模型构建模块,用于对所有的第二特征值逐个进行单一模型构建以得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值,并利用不同台区用电稳定状态下的第二特征值对应的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到每个第二特征值对应的修正系数,利用该修正系数对不同时刻的残差值序列中每个第二特征值所对应的残差值进行对应修正;
预测模块,用于将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果。
可以理解,本实施例的系统中的各个模块与上述方法实施例的各个步骤相对应,故每个模块的具体工作原理和工作过程在此不再赘述,请参考上述方法实施例。
可以理解,本实施例的一种对台区用电进行精准预测的系统,通过台区内各用户近两年的负荷数据并结合余弦距离公式分析得到关于台区用电稳定状态的第一特征值,将其与筛选出来的与台区用电负荷数据相关的至少第二特征值共同作为表征台区用电负荷数据的特征量,通过将反映台区用电稳定状态的第一特征值作为表征量之一,提高了台区用电预测结果的精准度。若台区的用电稳定性较弱,在该年的各特征值参数在后续的样本量(有大量电器的新加入)增大更新后,具有较大改变,对台区的预测结果具有较大影响。然后对所有的第二特征量分别进行单一模型构建,得到包含所有第二特征值的不同时刻的负荷预测值序列和残差值序列,采用单一特征量建模的方式大大提升了计算速度和计算效率。并且,利用第一特征值对第二特征值对应的残差值进行了修正,大幅提高了预测结果的精准度。最后,将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果,同时将负荷预测值序列和修正后的残差值序列作为门控循环单元神经网络的输入,考虑到了单一特征值模型所带来的误差对于预测结果的精度影响,进一步提高了最终预测结果的准确度,同时,利用门控循环单元神经网络进行了多个第二特征值的筛选,通过门控循环单元神经网络的更新门将冗余的数据去除,进一步提升了计算能力和计算效率,减少了计算时间。
另外,本发明一种设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明一种计算机可读取的存储介质,用于存储对台区用电进行精准预测的计算机程序,该计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取介质的形式包括:软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质,其可用来存储、编码或承载用来给机器执行的指令,并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤,其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种对台区用电进行精准预测的方法,其特征在于,包括以下内容:
步骤S1:采集台区内用户近两年的负荷数据,利用余弦距离公式分析台区内各用户用电的稳定状态以得到关于台区用电稳定状态的第一特征值;
步骤S2:采集台区总负荷数据并选出与台区用电负荷数据相关的至少一个第二特征值;
步骤S3:对所有的第二特征值逐个进行单一模型构建以得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值,并利用不同台区用电稳定状态下的第二特征值对应的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到每个第二特征值对应的修正系数,利用该修正系数对不同时刻的残差值序列中每个第二特征值所对应的残差值进行对应修正;
步骤S4:将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果;
步骤S5:获取台区配电变压器的容量信息,并结合最终的台区用电负荷预测结果判断是否上报预警信息至主站。
2.如权利要求1所述的对台区用电进行精准预测的方法,其特征在于,所述步骤S1具体包括以下内容:
步骤S11:采集台区内各用户近两年的负荷数据;
步骤S12:基于台区内某一用户近两年的负荷数据得到其每一年关于日最大功率的时序特征向量;
步骤S13:基于权重占比公式对上述两个时序特征向量进行变换以得到两个新的时序特征向量;
步骤S14:利用余弦距离公式计算两个新的时序特征向量之间的余弦距离值以判断近两年该用户的负荷稳定状态;
步骤S15:重复执行步骤S12至步骤S14以计算得到台区内所有用户的余弦距离值,基于所有的余弦距离值分布情况进行台区用电负荷稳定状态等级的划分,并基于不同稳定状态等级的占比得到关于台区用电稳定状态的第一特征值。
3.如权利要求1所述的对台区用电进行精准预测的方法,其特征在于,所述步骤S3包括以下内容:
步骤S31:将其中一个第二特征值对应的数据作为数据源,对每一组数据序列检验其平稳性,若数据序列平稳则采用ARMA模型计算预测值,若数据序列不平稳则采用ARIMA模型计算预测值,从而得到该特征值对应的预测值序列;
步骤S32:基于该预测值序列得到该第二特征值对应的预测模型;
步骤S33:基于该预测模型得到该第二特征值在不同时刻的负荷预测值,并结合对应时刻的实际值计算得到不同时刻的残差值;
步骤S34:重复执行上述步骤,得到每个第二特征值在不同时刻对应的负荷预测值和残差值,从而得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值;
步骤S35:基于不同的台区用电稳定状态,将其中一个第二特征值通过其对应的预测模型得到的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到该第二特征值所对应的修正系数,并利用该修正系数对不同时刻的残差值序列中该第二特征值所对应的残差值进行修正;
步骤S36:重复执行上述步骤S35,对上述不同时刻的残差值序列中每个第二特征值所对应的残差值进行修正,从而得到修正后的不同时刻的残差值序列。
4.如权利要求1所述的对台区用电进行精准预测的方法,其特征在于,
所述第二特征值包括星期序号、节假日、气候、月份和台区日用电习惯中的至少一者。
5.如权利要求2所述的对台区用电进行精准预测的方法,其特征在于,
所述步骤S15中基于所有的余弦距离值分布情况将台区用电负荷稳定状态划分为0.2、0.4、0.6、0.8和1.0五个等级,数值越高越稳定,根据不同稳定状态等级的占比η1、η0.8、η0.6、η0.4、η0.2,得到关于台区用电稳定状态的第一特征值τη,
6.如权利要求3所述的对台区用电进行精准预测的方法,其特征在于,所述步骤S31中采用单位根检验法检验每组数据序列是否平稳。
7.一种对台区用电进行精准预测的系统,采用如权利要求1~6任一项所述的方法,其特征在于,包括
第一特征值计算模块,用于采集台区内用户近两年的负荷数据,利用余弦距离公式分析台区内各用户用电的稳定状态以得到关于台区用电稳定状态的第一特征值;
第二特征值选取模块,用于采集台区总负荷数据并选出与台区用电负荷数据相关的至少一个第二特征值;
单一模型构建模块,用于对所有的第二特征值逐个进行单一模型构建以得到不同时刻的负荷预测值序列和残差值序列,每个时刻的负荷预测值序列和残差值序列均对应所有的第二特征值,并利用不同台区用电稳定状态下的第二特征值对应的t时刻的残差值序列与对应的第一特征值序列构建线性修正模型以得到每个第二特征值对应的修正系数,利用该修正系数对不同时刻的残差值序列中每个第二特征值所对应的残差值进行对应修正;
预测模块,用于将不同时刻的负荷预测值序列和修正后的残差值序列进行非线性组合后输入门控循环单元神经网络中,得到最终的台区用电负荷预测结果。
8.一种设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如权利要求1~6任一项所述的方法的步骤。
9.一种计算机可读取的存储介质,用于存储对台区用电进行精准预测的计算机程序,其特征在于,该计算机程序在计算机上运行时执行如权利要求1~6任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312066.4A CN112990587B (zh) | 2021-03-24 | 2021-03-24 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110312066.4A CN112990587B (zh) | 2021-03-24 | 2021-03-24 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112990587A CN112990587A (zh) | 2021-06-18 |
CN112990587B true CN112990587B (zh) | 2023-10-24 |
Family
ID=76333343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110312066.4A Active CN112990587B (zh) | 2021-03-24 | 2021-03-24 | 一种对台区用电进行精准预测的方法及系统、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990587B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113420436B (zh) * | 2021-06-21 | 2022-08-26 | 湘潭大学 | 基于gru和arima-t的非侵入式事件检测方法 |
CN114219126A (zh) * | 2021-11-12 | 2022-03-22 | 三峡大学 | 基于残差修正的小水电渗透地区网供负荷预测方法 |
CN115392594B (zh) * | 2022-10-27 | 2023-03-24 | 南方电网数字电网研究院有限公司 | 一种基于神经网络和特征筛选的用电负荷模型训练方法 |
CN115545361B (zh) * | 2022-12-02 | 2023-05-09 | 国网湖北省电力有限公司信息通信公司 | 一种电网传输线路气候环境预测方法、系统及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06337852A (ja) * | 1993-05-31 | 1994-12-06 | Hitachi Ltd | ニューラルネットワークによる時系列予測方法 |
CN105447596A (zh) * | 2015-11-19 | 2016-03-30 | 国网河南省电力公司电力科学研究院 | 一种优化的电力数据短期预测方法 |
CN105760952A (zh) * | 2016-02-15 | 2016-07-13 | 国网山东省电力公司电力科学研究院 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110135637A (zh) * | 2019-05-13 | 2019-08-16 | 武汉科技大学 | 基于长短期记忆与自适应提升的微电网短期负荷预测方法 |
CN110222882A (zh) * | 2019-05-21 | 2019-09-10 | 国家电网公司西南分部 | 一种电力系统中长期负荷的预测方法和装置 |
CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
CN110929954A (zh) * | 2019-12-05 | 2020-03-27 | 中国南方电网有限责任公司 | 负荷预测方法、装置、计算机设备和存储介质 |
CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
CN111784068A (zh) * | 2020-07-09 | 2020-10-16 | 北京理工大学 | 基于eemd的电力负荷组合预测方法及装置 |
CN111967688A (zh) * | 2020-09-02 | 2020-11-20 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
CN112330046A (zh) * | 2020-11-18 | 2021-02-05 | 国网天津市电力公司 | 基于多维灰色-神经网络混合协调的电力需求预测方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
-
2021
- 2021-03-24 CN CN202110312066.4A patent/CN112990587B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06337852A (ja) * | 1993-05-31 | 1994-12-06 | Hitachi Ltd | ニューラルネットワークによる時系列予測方法 |
CN105447596A (zh) * | 2015-11-19 | 2016-03-30 | 国网河南省电力公司电力科学研究院 | 一种优化的电力数据短期预测方法 |
CN105760952A (zh) * | 2016-02-15 | 2016-07-13 | 国网山东省电力公司电力科学研究院 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
CN108898246A (zh) * | 2018-06-19 | 2018-11-27 | 深圳供电局有限公司 | 一种基于电力系统的负荷预测管理系统 |
CN108985514A (zh) * | 2018-07-17 | 2018-12-11 | 广东工业大学 | 基于eemd和lstm的负荷预测方法、装置及设备 |
CN109886498A (zh) * | 2019-03-01 | 2019-06-14 | 北京邮电大学 | 一种基于特征选择的emd-gru短期电力负荷预测方法 |
CN110135637A (zh) * | 2019-05-13 | 2019-08-16 | 武汉科技大学 | 基于长短期记忆与自适应提升的微电网短期负荷预测方法 |
CN110222882A (zh) * | 2019-05-21 | 2019-09-10 | 国家电网公司西南分部 | 一种电力系统中长期负荷的预测方法和装置 |
CN110263866A (zh) * | 2019-06-24 | 2019-09-20 | 苏州智睿新能信息科技有限公司 | 一种基于深度学习的电力用户负荷区间预测方法 |
CN110929954A (zh) * | 2019-12-05 | 2020-03-27 | 中国南方电网有限责任公司 | 负荷预测方法、装置、计算机设备和存储介质 |
CN111260136A (zh) * | 2020-01-17 | 2020-06-09 | 上海电力大学 | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 |
CN111784068A (zh) * | 2020-07-09 | 2020-10-16 | 北京理工大学 | 基于eemd的电力负荷组合预测方法及装置 |
CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
CN111967688A (zh) * | 2020-09-02 | 2020-11-20 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
CN112330046A (zh) * | 2020-11-18 | 2021-02-05 | 国网天津市电力公司 | 基于多维灰色-神经网络混合协调的电力需求预测方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
基于时间序列和神经网络的电力系统负荷预测;张颖, 高中文;哈尔滨理工大学学报(01);第30-32, 36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112990587A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112990587B (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN113537600B (zh) | 一种全过程耦合机器学习的中长期降水预报建模方法 | |
CN106022549A (zh) | 基于神经网络和思维演化搜索的短期负荷预测方法 | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
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 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
CN115017970A (zh) | 一种基于迁移学习的用气行为异常检测方法及系统 | |
CN115034473A (zh) | 一种电价预测方法、系统及装置 | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN113537578A (zh) | 一种电力用户行为预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
Yang et al. | Ultra-short-term load prediction of integrated energy system based on load similar fluctuation set classification | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
CN113268929B (zh) | 短期负荷区间预测方法及装置 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 |
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 |