CN113065471B - 一种电力系统的短期负荷预测方法 - Google Patents
一种电力系统的短期负荷预测方法 Download PDFInfo
- Publication number
- CN113065471B CN113065471B CN202110365105.7A CN202110365105A CN113065471B CN 113065471 B CN113065471 B CN 113065471B CN 202110365105 A CN202110365105 A CN 202110365105A CN 113065471 B CN113065471 B CN 113065471B
- Authority
- CN
- China
- Prior art keywords
- power system
- short
- term load
- component
- curve
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电力系统的短期负荷预测方法,包括:采集电力系统短期负荷曲线,以及相关影响因子历史数据曲线;对电力系统短期负荷曲线及相关影响因子历史数据曲线进行n次分解,每个信号得到n个分量;基于支持向量机SVM计算电力系统短期负荷每个分量的函数表达式,根据最小二乘法计算每个分量权重,构建电力系统短期负荷预测模型;采集电力系统短期负荷未来24小时的温度、湿度和露点数据曲线并进行n次分解输入步骤(3),通过电力系统短期负荷预测模型输出结果。本发明通过对电力系统短期负荷及相关影响因子温度、湿度和露点数据信号多层分解,有效利用信号的丰富信息,提高电力系统短期负荷预测的准确性。
Description
技术领域
本发明涉及电力系统负荷预测技术领域,尤其是一种电力系统的短期负荷预测方法。
背景技术
伴随着我国经济的加快发展,电力系统的建设速度蓬勃发展,建设规模也十分庞大。电力系统的安全稳定经济运行,不仅有利于维系城市正常的生存功能,还有利于优化资源配畳,缓解日益紧张的能源压力。然而电能难以大量地直接储存,发电、输电和用电过程是同时进行的,为了保证电力系统运行的可靠性和经济性,需要制定合理的计划和调度方案,而准确的短期电力负荷预测是必要的前置条件。因此,实现高精度的电力系统短期负荷预测具有重大意义。
机器学习理论中,支持向量机(SVM)实现了结构风险最小化原理,根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,等价于解决一个线性约束的二次规划问题,因而它的解是唯一的、全局的和最优的。因此,SVM有较好的泛化能力,已经成功地推广应用到了在解决时间序列预测问题,取得了非常好的结果。
目前基于SVM的电力系统短期负荷预测模型在不同方法的尝试后预测精度得到显著提高,但大部分方法是在模型的参数优化算法上进行改进,并未过多关注于电力负荷相关影响因子数据曲线本身的特征提取,仍然可以做进一步提升。电力负荷相关影响因子数据曲线包含许多不同的频率,这些频率分量与电力系统负荷密切相关,有着丰富的信息,对提高预测精度具有重要的现实意义。
发明内容
本发明的目的在于提供一种能够更加可靠、准确地对电力系统进行短期负荷预测的电力系统的短期负荷预测方法。
为实现上述目的,本发明采用了以下技术方案:一种电力系统的短期负荷预测方法,该方法包括下列顺序的步骤:
(1)采集电力系统短期负荷曲线,以及相关影响因子历史数据曲线,所述相关影响因子包括温度、湿度和露点;
(2)对电力系统短期负荷曲线及相关影响因子历史数据曲线进行n次分解,每个信号得到n个分量;
(3)将步骤(2)采集的相关影响因子n个分量作为输入量,电力系统短期负荷n个分量作为输出量,基于支持向量机SVM计算电力系统短期负荷每个分量的函数表达式,根据最小二乘法计算每个分量权重,构建电力系统短期负荷预测模型;
(4)采集电力系统短期负荷未来24小时的温度、湿度和露点数据曲线并进行n次分解输入步骤(3),通过电力系统短期负荷预测模型输出结果。
所述步骤(1)具体包括以下步骤:
(1a)通过电力系统电压互感器在线采集电压信号U(t),采集数据点为N个;
(1b)通过电力系统电流互感器在线采集电流信号I(t),采集数据点为N个;
(1c)计算电力系统短期负荷曲线p(t):
(1d)采集电力系统负荷相关影响因子历史数据曲线,包括温度H(t)、湿度W(t)和露点Q(t)。
所述步骤(2)具体包括以下步骤:
(2a)对电力系统短期负荷曲线及相关影响因子历史数据曲线进行n次分解,得到pi(t)、hi(t)、wi(t)和qi(t),i=1,2……n;
其中,pi(t)代表电力系统短期负荷曲线P(t)的第i个分量,hi(t)代表温度H(t)的第i个分量,wi(t)代表湿度W(t)的第i个分量,qi(t)代表露点Q(t)的第i个分量;
(2b)电力系统短期负荷曲线P(t)的极值点为Xk,极值点对应时刻为τk,根据一次牛顿插值多项式计算两相邻极值点的中值Ak+1;
(2c)根据中值Ak+1和对应极值点计算分量信号点幅值Lk:
Lk+1=aAk+1+(1-a)Xk+1,k=1,2...m-2
L1=aX1+(1-a)X2
Lm=aXm+(1-a)Xm-1
式中,a是权重参数为0.5,m是极值点总个数,Lk是分量第k个点幅值,L1是分量第1个点幅值,Lm是分量第m个点幅值,X1是电力系统短期负荷曲线第1个点极值点,X2是电力系统短期负荷曲线第2个点极值点,Xm是电力系统短期负荷曲线第m个极值点;
(2d)针对分量信号点幅值Lk进行三次多项式拟合得到电力系统短期负荷曲线第一次分量p1(t),Sg(t)为p1(t)的分段曲线,g=1,2,3...G-1,每个分段都是三次多项式函数曲线,Sg(t)满足节点二次连续,左右两端点为自由边界;
Sg(t)=ag+bg(t-tg)+cg(t-tg)2+dg(t-tg)3
S'g(t)=bg+2cg(t-tg)+3dg(t-tg)2
S'g'(t)=2cg+6dg(t-tg)
G=m-1
式中,ag,bg,cg,dg代表Sg(t)三次多项式的函数曲线系数,Sg(t)的一阶导数为S'g(t),Sg(t)的二阶导数为S"g(t),G是分段曲线总个数;
已知节点:Sg(tg)=Lg,推出ag=Lg
2阶连续:S”g(tg+1)=S”g+1(tg+1),推出2cg+6hgdg-2cg+1=0
自由边界:S”1=S”G+1=0推出c1=cG+1=0
hg=tg+1-tg
计算出ag,bg,cg,dg,在分段曲线中带入相应系数连接形成电力系统短期负荷曲线第一次分量p1(t);Lg和Lg+1是分量第g和g+1个点幅值,c1和cG+1是系数C第1和G+1个数值,hg是中间计算参数,tg代表第g个点;
(2e)根据电力系统短期负荷曲线第一次分量p1(t)计算r1(t):
r1(t)=r0(t)-p1(t)
r0(t)=P(t)
式中,r1(t)是电力系统短期负荷曲线P(t)第一次分解的剩余残量,r0(t)定义残量初始值等于电力系统短期负荷曲线P(t);
(2f)针对剩余残量r1(t),重复步骤(2b)至(2d),对电力系统短期负荷曲线P(t)进行n次分解,直至阈值ε<0.2,有n个分量信号pi(t),i=1,2……n;
式中,rn(t)代表第n次分解后的剩余残量;ε是分解停止阈值;
(2g)针对电力系统负荷影响相关因子重复步骤(2b)至(2f)分解n次,得到hi(t)、wi(t)和qi(t),i=1,2……n。
所述步骤(3)具体包括以下步骤:
式中,ω是权值向量,b是阈值向量,xi和xj分别是第i、j个分量样本集Ri、Rj,yi(t)是第i个分量的输出目标值,|| ||2是2范数,σ是带宽;
(3b)根据目标优化函数J及约束条件L优化,得出电力系统短期负荷每个分量函数表达式Fi(x):
式中,αk是拉格朗日算子,ξ(t)和ξ*(t)是松弛因子,C是惩罚参数,θ是阈值取0.1;
(3c)根据最小二乘法计算电力系统短期负荷每个分量权重βi,构建电力系统短期负荷预测模型Y(t):
由上述技术方案可知,本发明的有益效果为:第一,本发明通过对电力系统短期负荷及相关影响因子温度、湿度和露点数据信号多层分解,有效利用信号的丰富信息,提高电力系统短期负荷预测的准确性;第二,本发明基于SVM计算相关影响因子与电力系统短期负荷函数关系式,并通过最小二乘法计算分量权重构建电力系统短期负荷模型,有效结合各信号的分量,使电力系统短期负荷的与预测结果有更高的准确可靠性,利于推广。
附图说明
图1为本发明的方法流程图。
具体实施方式
如图1所示,一种电力系统的短期负荷预测方法,该方法包括下列顺序的步骤:
(1)采集电力系统短期负荷曲线,以及相关影响因子历史数据曲线,所述相关影响因子包括温度、湿度和露点;
(2)对电力系统短期负荷曲线及相关影响因子历史数据曲线进行n次分解,每个信号得到n个分量;
(3)将步骤(2)采集的相关影响因子n个分量作为输入量,电力系统短期负荷n个分量作为输出量,基于支持向量机SVM计算电力系统短期负荷每个分量的函数表达式,根据最小二乘法计算每个分量权重,构建电力系统短期负荷预测模型;
(4)采集电力系统短期负荷未来24小时的温度、湿度和露点数据曲线并进行n次分解输入步骤(3),通过电力系统短期负荷预测模型输出结果。
所述步骤(1)具体包括以下步骤:
(1a)通过电力系统电压互感器在线采集电压信号U(t),采集数据点为N个;
(1b)通过电力系统电流互感器在线采集电流信号I(t),采集数据点为N个;
(1c)计算电力系统短期负荷曲线p(t):
(1d)采集电力系统负荷相关影响因子历史数据曲线,包括温度H(t)、湿度W(t)和露点Q(t)。
所述步骤(2)具体包括以下步骤:
(2a)对电力系统短期负荷曲线及相关影响因子历史数据曲线进行n次分解,得到pi(t)、hi(t)、wi(t)和qi(t),i=1,2……n;
其中,pi(t)代表电力系统短期负荷曲线P(t)的第i个分量,hi(t)代表温度H(t)的第i个分量,wi(t)代表湿度W(t)的第i个分量,qi(t)代表露点Q(t)的第i个分量;
(2b)电力系统短期负荷曲线P(t)的极值点为Xk,极值点对应时刻为τk,根据一次牛顿插值多项式计算两相邻极值点的中值Ak+1;
(2c)根据中值Ak+1和对应极值点计算分量信号点幅值Lk:
Lk+1=aAk+1+(1-a)Xk+1,k=1,2…m-2
L1=aX1+(1-a)X2
Lm=aXm+(1-a)Xm-1
式中,a是权重参数为0.5,m是极值点总个数,Lk是分量第k个点幅值,L1是分量第1个点幅值,Lm是分量第m个点幅值,X1是电力系统短期负荷曲线第1个点极值点,X2是电力系统短期负荷曲线第2个点极值点,Xm是电力系统短期负荷曲线第m个极值点;
(2d)针对分量信号点幅值Lk进行三次多项式拟合得到电力系统短期负荷曲线第一次分量p1(t),Sg(t)为p1(t)的分段曲线,g=1,2,3...G-1,每个分段都是三次多项式函数曲线,Sg(t)满足节点二次连续,左右两端点为自由边界;
Sg(t)=ag+bg(t-tg)+cg(t-tg)2+dg(t-tg)3
S'g(t)=bg+2cg(t-tg)+3dg(t-tg)2
S”g(t)=2cg+6dg(t-tg)
G=m-1
式中,ag,bg,cg,dg代表Sg(t)三次多项式的函数曲线系数,Sg(t)的一阶导数为S'g(t),Sg(t)的二阶导数为S"g(t),G是分段曲线总个数;
已知节点:Sg(tg)=Lg,推出ag=Lg
2阶连续:S”g(tg+1)=S”g+1(tg+1),推出2cg+6hgdg-2cg+1=0
自由边界:S”1=S”G+1=0推出c1=cG+1=0
hg=tg+1-tg
计算出ag,bg,cg,dg,在分段曲线中带入相应系数连接形成电力系统短期负荷曲线第一次分量p1(t);Lg和Lg+1是分量第g和g+1个点幅值,c1和cG+1是系数C第1和G+1个数值,hg是中间计算参数,tg代表第g个点;
(2e)根据电力系统短期负荷曲线第一次分量p1(t)计算r1(t):
r1(t)=r0(t)-p1(t)
r0(t)=P(t)
式中,r1(t)是电力系统短期负荷曲线P(t)第一次分解的剩余残量,r0(t)定义残量初始值等于电力系统短期负荷曲线P(t);
(2f)针对剩余残量r1(t),重复步骤(2b)至(2d),对电力系统短期负荷曲线P(t)进行n次分解,直至阈值ε<0.2,有n个分量信号pi(t),i=1,2……n;
式中,rn(t)代表第n次分解后的剩余残量;ε是分解停止阈值;
(2g)针对电力系统负荷影响相关因子重复步骤(2b)至(2f)分解n次,得到hi(t)、wi(t)和qi(t),i=1,2……n。
所述步骤(3)具体包括以下步骤:
式中,ω是权值向量,b是阈值向量,xi和xj分别是第i、j个分量样本集Ri、Rj,yi(t)是第i个分量的输出目标值,|| ||2是2范数,σ是带宽;
(3b)根据目标优化函数J及约束条件L优化,得出电力系统短期负荷每个分量函数表达式Fi(x):
式中,αk是拉格朗日算子,ξ(t)和ξ*(t)是松弛因子,C是惩罚参数,θ是阈值取0.1;
(3c)根据最小二乘法计算电力系统短期负荷每个分量权重βi,构建电力系统短期负荷预测模型Y(t):
综上所述,本发明通过对电力系统短期负荷及相关影响因子温度、湿度和露点数据信号多层分解,有效利用信号的丰富信息,提高电力系统短期负荷预测的准确性;本发明基于SVM计算相关影响因子与电力系统短期负荷函数关系式,并通过最小二乘法计算分量权重构建电力系统短期负荷模型,有效结合各信号的分量,使电力系统短期负荷的与预测结果有更高的准确可靠性,利于推广。
Claims (2)
1.一种电力系统的短期负荷预测方法,其特征在于:该方法包括下列顺序的步骤:
(1)采集电力系统短期负荷曲线,以及相关影响因子历史数据曲线,所述相关影响因子包括温度、湿度和露点;
(2)对电力系统短期负荷曲线及相关影响因子历史数据曲线进行n次分解,每个信号得到n个分量;
所述步骤(2)具体包括以下步骤:
(2a)对电力系统短期负荷曲线及相关影响因子历史数据曲线进行n次分解,得到pi(t)、hi(t)、wi(t)和qi(t),i=1,2……n;
其中,pi(t)代表电力系统短期负荷曲线P(t)的第i个分量,hi(t)代表温度H(t)的第i个分量,wi(t)代表湿度W(t)的第i个分量,qi(t)代表露点Q(t)的第i个分量;
(2b)电力系统短期负荷曲线P(t)的极值点为Xk,极值点对应时刻为τk,根据一次牛顿插值多项式计算两相邻极值点的中值Ak+1;
(2c)根据中值Ak+1和对应极值点计算分量信号点幅值Lk:
Lk+1=aAk+1+(1-a)Xk+1,k=1,2Lm-2
L1=aX1+(1-a)X2
Lm=aXm+(1-a)Xm-1
式中,a是权重参数为0.5,m是极值点总个数,Lk是分量第k个点幅值,L1是分量第1个点幅值,Lm是分量第m个点幅值,X1是电力系统短期负荷曲线第1个点极值点,X2是电力系统短期负荷曲线第2个点极值点,Xm是电力系统短期负荷曲线第m个极值点;
(2d)针对分量信号点幅值Lk进行三次多项式拟合得到电力系统短期负荷曲线第一次分量p1(t),Sg(t)为p1(t)的分段曲线,g=1,2,3...G-1,每个分段都是三次多项式函数曲线,Sg(t)满足节点二次连续,左右两端点为自由边界;
Sg(t)=ag+bg(t-tg)+cg(t-tg)2+dg(t-tg)3
S'g(t)=bg+2cg(t-tg)+3dg(t-tg)2
S”g(t)=2cg+6dg(t-tg)
G=m-1
式中,ag,bg,cg,dg代表Sg(t)三次多项式的函数曲线系数,Sg(t)的一阶导数为S'g(t),Sg(t)的二阶导数为S”g(t),G是分段曲线总个数;
已知节点:Sg(tg)=Lg,推出ag=Lg
2阶连续:S”g(tg+1)=S”g+1(tg+1),推出2cg+6hgdg-2cg+1=0
自由边界:S”1=S”G+1=0推出c1=cG+1=0
hg=tg+1-tg
计算出ag,bg,cg,dg,在分段曲线中带入相应系数连接形成电力系统短期负荷曲线第一次分量p1(t);Lg和Lg+1是分量第g和g+1个点幅值,c1和cG+1是系数C第1和G+1个数值,hg是中间计算参数,tg代表第g个点;
(2e)根据电力系统短期负荷曲线第一次分量p1(t)计算r1(t):
r1(t)=r0(t)-p1(t)
r0(t)=P(t)
式中,r1(t)是电力系统短期负荷曲线P(t)第一次分解的剩余残量,r0(t)定义残量初始值等于电力系统短期负荷曲线P(t);
(2f)针对剩余残量r1(t),重复步骤(2b)至(2d),对电力系统短期负荷曲线P(t)进行n次分解,直至阈值ε<0.2,有n个分量信号pi(t),i=1,2……n;
式中,rn(t)代表第n次分解后的剩余残量;ε是分解停止阈值;
(2g)针对电力系统负荷影响相关因子重复步骤(2b)至(2f)分解n次,得到hi(t)、wi(t)和qi(t),i=1,2……n;
(3)将步骤(2)采集的相关影响因子n个分量作为输入量,电力系统短期负荷n个分量作为输出量,基于支持向量机SVM计算电力系统短期负荷每个分量的函数表达式,根据最小二乘法计算每个分量权重,构建电力系统短期负荷预测模型;
所述步骤(3)具体包括以下步骤:
式中,ω是权值向量,b是阈值向量,xi和xj分别是第i、j个分量样本集Ri、Rj,yi(t)是第i个分量的输出目标值,|| ||2是2范数,σ是带宽;
(3b)根据目标优化函数J及约束条件L优化,得出电力系统短期负荷每个分量函数表达式Fi(x):
式中,αk是拉格朗日算子,ξ(t)和ξ*(t)是松弛因子,C是惩罚参数,θ是阈值取0.1;
(3c)根据最小二乘法计算电力系统短期负荷每个分量权重βi,构建电力系统短期负荷预测模型Y(t):
(4)采集电力系统短期负荷未来24小时的温度、湿度和露点数据曲线并进行n次分解输入步骤(3),通过电力系统短期负荷预测模型输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365105.7A CN113065471B (zh) | 2021-04-02 | 2021-04-02 | 一种电力系统的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365105.7A CN113065471B (zh) | 2021-04-02 | 2021-04-02 | 一种电力系统的短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065471A CN113065471A (zh) | 2021-07-02 |
CN113065471B true CN113065471B (zh) | 2022-08-30 |
Family
ID=76565716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365105.7A Active CN113065471B (zh) | 2021-04-02 | 2021-04-02 | 一种电力系统的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065471B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166073A (zh) * | 2013-07-24 | 2014-11-26 | 国家电网公司 | 一种基于改进双端行波法的配电网故障定位系统及方法 |
CN104700151A (zh) * | 2014-05-26 | 2015-06-10 | 国网辽宁省电力有限公司 | 一种基于三次样条插值曲线拟合的风电功率考核方法 |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN110322062A (zh) * | 2019-06-27 | 2019-10-11 | 国网宁夏电力有限公司电力科学研究院 | 短期电力负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
-
2021
- 2021-04-02 CN CN202110365105.7A patent/CN113065471B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104166073A (zh) * | 2013-07-24 | 2014-11-26 | 国家电网公司 | 一种基于改进双端行波法的配电网故障定位系统及方法 |
CN104700151A (zh) * | 2014-05-26 | 2015-06-10 | 国网辽宁省电力有限公司 | 一种基于三次样条插值曲线拟合的风电功率考核方法 |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN110322062A (zh) * | 2019-06-27 | 2019-10-11 | 国网宁夏电力有限公司电力科学研究院 | 短期电力负荷预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (4)
Title |
---|
A Hybrid Method for Short-term Load Forecasting in Power System;Xianghe Zhu et al;《Proceedings of the 10th World Congress on Intelligent Control and Automation》;20121126;第696-699页 * |
Electric load forecasting by the SVR model with differential empirical mode decomposition and auto regression;Guo-Feng Fan et al;《Neurocomputing》;20160115;第173卷;第958-970页 * |
最小二乘支持向量机的短期负荷多尺度预测模型;刘遵雄等;《西安交通大学学报》;20050610(第06期);第620-623页 * |
短期负荷预测的简化LS-SVM模型及实现;贺红林等;《计算机仿真》;20110115(第01期);第302-306页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113065471A (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376897A (zh) | 一种基于混合算法的短期风电功率预测方法 | |
CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN114239718B (zh) | 基于多元时序数据分析的高精度长期时间序列预测方法 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN106980044A (zh) | 一种适应风电接入的电力系统谐波电流估计方法 | |
CN114118569A (zh) | 基于多模态多任务的Transformer网络的风电功率多步预测方法 | |
Phan et al. | An approach using transformer-based model for short-term PV generation forecasting | |
CN115760213A (zh) | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 | |
CN115796338A (zh) | 光伏发电功率预测模型构建及光伏发电功率预测方法 | |
CN114742325A (zh) | 一种地铁隧道台阶法施工地表沉降预测方法及系统 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN113065471B (zh) | 一种电力系统的短期负荷预测方法 | |
CN107579516B (zh) | 一种提高电力系统状态估计计算速度的方法 | |
CN112948462A (zh) | 一种基于改进的奇异谱分析和Bp神经网络的超短期风速预测方法 | |
CN113361782A (zh) | 基于改进mkpls的光伏发电功率短期滚动预测方法 | |
CN109061544B (zh) | 一种电能计量误差估计方法 | |
CN105071388A (zh) | 一种基于极大似然估计的配电网状态估计方法 | |
CN115907142A (zh) | 一种短期电量预测方法及装置 | |
CN113553538B (zh) | 一种递推修正混合线性状态估计方法 | |
CN113342734B (zh) | 一种基于微波反射仪的等离子体密度分布实时计算装置 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
CN115293090A (zh) | 基于重构数据处理的多谐波源责任量化方法 | |
CN115313488A (zh) | 海上风电经柔直并网系统阻抗确定方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |