CN113065715A - 一种综合能源系统多元负荷超短期预测方法 - Google Patents
一种综合能源系统多元负荷超短期预测方法 Download PDFInfo
- Publication number
- CN113065715A CN113065715A CN202110431795.1A CN202110431795A CN113065715A CN 113065715 A CN113065715 A CN 113065715A CN 202110431795 A CN202110431795 A CN 202110431795A CN 113065715 A CN113065715 A CN 113065715A
- Authority
- CN
- China
- Prior art keywords
- load
- days
- layer
- energy system
- time
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 229940088594 vitamin Drugs 0.000 claims description 3
- 229930003231 vitamin Natural products 0.000 claims description 3
- 235000013343 vitamin Nutrition 0.000 claims description 3
- 239000011782 vitamin Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 abstract description 2
- 230000002146 bilateral effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 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
- 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
- G06N3/045—Combinations of 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
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种综合能源系统多元负荷超短期预测方法，包括：S1，建立典型综合能源系统用能结构模型；S2，定义综合能源系统多元负荷相关性评价指标；S3，建立综合能源系统日内超短期负荷预测输入数据集；S4，提出采用核主成分分析法对输入数据集进行降维解耦的处理方法；S5，采用交叉寻优得广义回归神经网络的最优带宽参数；S6，采用广义回归神经网络对数据进行预测处理。本发明基于综合能源系统多元负荷之间和负荷与天气因素之间存在的非线性相关性，采用核主成分分析法进而使用广义回归神经网络对多元负荷进行预测，提出了基于核主成分析和广义回归神经网络的超短期负荷预测模型。此预测模型适用于综合能源系统的超短期负荷预测。
Description
技术领域
本发明涉及电力系统的综合能源系统负荷预测领域，具体涉及一种综合能源系统多元负荷超短期预测方法。
背景技术
可再生能源的消纳利用，供需协作、多能融合、高效配置是目前能源供给消费模式发展的方向[4]。传统能源供给、传输、消费模式向新模式的变化重要特征就是高度的耦合，能源转换与分配更加协调、能源供给消费更加清洁安全，并且随着电力市场化改革、能源交易市场改革的推进，未来能源的消费体系将走向以终端消费为导向的综合能源系统(IES)。随之也将诞生新兴的综合能源服务商为不同终端用户用能需求服务。为了提升服务质量、满足用户用能需求、降低自身供能成本、提升市场竞争力，对用户侧用能结构特征分析及多元负荷预测是综合能源系统服务商必要的技术实力基础。此外，伴随着智能监测设备与大数据技术的不断发展，数据庞大、结构复杂的综合能源数据得以记录，以机器学习算法、大数据挖掘为代表的数据处理方式也将广泛被利用在能源供应领域。因此，深入分析用户用能行为，对终端能源需求预测迫在眉睫。
未来的电力系统是一个源荷双侧随机性系统，在源荷双侧随机性电力系统中，由于可再生能源具有随机性、间歇性和波动性特点，难以对其进行准确预测。这是对电网运行产生不利影响的主要原因，间歇性、波动性较大的可再生能源发电给电源侧带来随机因素，使得源侧不能完全可控。这种源荷双侧随机性特征对电力系统安全稳定、经济运行带来了一系列挑战，影响电力系统的实时供需平衡，增大了系统调度决策的难度。未来电网调度技术的关键问题在于如何应对系统发电侧可再生能源出力具有的强随机波动性、反调峰特性和需求侧日益增长的随机性，在风电、需求预测的基础上，统筹优化安排机组出力和各类调度资源，满足风电、多元负荷随机波动情况下的实时功率供需平衡。
发明内容
针对现有技术的不足，本发明提出了一种综合能源系统多元负荷超短期预测方法，所述方法包括以下步骤：
步骤S1，建立典型综合能源系统用能结构模型；
步骤S2，定义综合能源系统多元负荷相关性评价指标；
步骤S3，建立综合能源系统日内超短期负荷预测输入数据集；
步骤S4，提出采用核主成分分析法对输入数据集进行降维解耦的处理方法；
步骤S5，采用交叉寻优得广义回归神经网络的最优带宽参数；
步骤S6，采用广义回归神经网络对数据进行预测处理；
步骤S7，广义回归网络预测输出结果数据集。
可选地，主要多元负荷包括电负荷、热负荷、冷负荷。相关影响因素取温度、湿度。
可选地，所述步骤S2中对电负荷、热负荷、冷负荷、温度、湿度之间的非线性相关进行分析。非线性定量采用Spearman秩相关系数来进行描述。
可选地，所述步骤S3包括：假设对第d天的t时刻电、热、冷负荷进行预测，则输入数据矩阵如下：
其中，
为电负荷历史数据，
为热负荷历史数据，
为冷负荷历史数据，Td,Md为温度、湿度历史数据。
式中，
为第i天第j时刻的电负荷值；
为d-3天t-1时刻、d-3天t时刻、d-3天t+1时刻、d-2天t-1时刻、d-2天t时刻、d-2天t+1时刻、d-1天t-1时刻、d-1天t时刻、d-1天t+1时刻、d天t-3时刻、d天t-2时刻、d天t-1时刻负荷值组成，共12维。同样的
由
历史热负荷值、历史冷负荷值组成，各12维。Td由d-3天、d-2天、d-1天、d天的最大气温值、最小气温值、平均气温值组成，共12维。同样有Md由d-3天、d-2天、d-1天、d天的最大相对湿度值、最小相对湿度值、平均相对湿度值组成，共12维。输入矩阵共60维。
可选地，所述步骤S4包括：采用KPCA核主成分分析法对输入矩阵进行降维解耦。为保证所选取的主成分能够很好的代替原始输入矩阵，选择累计贡献率大于95％的成分构成新的输入数据集。
可选地，所述步骤S5包括：通过交叉寻优重复实验对广义回归神经网络模型的隐含层带宽参数σ进行一维寻优，交叉寻优的步骤如下：
(1)假定一个带宽参数σ；
(2)从输入样本集中选一个子集作为测试集，其余样本作为训练集；
(3)用训练出的网络对测试集做测试，得绝对误差；
(4)重复2-3步骤，直到所有样本都作为测试后，定义误差函数：
将此函数作为衡量带宽参数σ的标准，进行寻优求解。确定KPCA-GRNN模型的最优带宽参数。
可选地，所述步骤S6包括：采用GRNN网络学习，GRNN神经网络由输入层、隐含层、求和层、输出层四层组成。输入层与隐含层神经元个数相同，输入层只接受数据集的输入，传递函数为简单的线性函数，传给隐含层后经过径向基函数进行如下处理：
式中，σ和GRNN网络带宽参数。
第三层求和层与隐含层神经元个数也相同。求和层有两种传递函数，用来对隐含层的输出进行处理。一是分母单元求和函数SD，计算各神经元的代数和，即求和权值为1，如下：
二是分子单元求和函数SNj，计算各神经元的期望和，即求和的权值为第i个样本中的第j个元素yij，如下：
第四层输出层将加和层的分子、分母单元相除，传递函数如下：
输出层神经元个数与输出数据的维度相同。
可选地，所述步骤S7包括：输出矩阵表示为：
分别为第d天第t时刻的电负荷、热负荷、冷负荷预测值。
本发明提供的一种综合能源系统多元负荷超短期预测模型的有益效果包括：
1、本发明提供的一种综合能源系统多元负荷超短期预测模型，这种模型预测综合能源系统多元负荷超短期预测中具有误差性小、计算速度快、结果可靠性高等优点。
2、本发明提供的模型考虑了综合能源系统多元负荷之间的非线性相关性，在输入数据集中考虑复杂的耦合性，通过核主成分分析对输入数据集降维解耦易于学习。加快了预测精度与速度。
附图说明
如图1所示为本发明提供的一种典型风电场集群波动性建模方法的流程图；
如图2所示为本发明提供的实例A集群风电场年平均出力特性曲线；(a)电负荷预测对比图及预测误差百分比；(b)热负荷预测对比图及预测误差百分比；(c)冷负荷预测对比图及预测误差百分比；
图3为本发明的典型综合能源系统结构图；
图4为本发明的输出层神经元个数与输出数据的维度结构示意图。
具体实施方式
本发明提供一种综合能源系统多元负荷超短期预测模型，其方法流程如图1所示，由图1可知，所述方法包括：
步骤S1，建立典型综合能源系统用能结构模型；
步骤S2，定义综合能源系统多元负荷相关性评价指标；
步骤S3，建立综合能源系统日内超短期负荷预测输入数据集；
步骤S4，提出采用核主成分分析法对输入数据集进行降维解耦的处理方法；
步骤S5，采用交叉寻优得广义回归神经网络的最优带宽参数；
步骤S6，采用广义回归神经网络对数据进行预测处理；
步骤S7，广义回归网络预测输出结果数据集。
更具体地说，步骤S1中定义的典型综合能源系统结构图如图3所示。主要多元负荷包括电负荷、热负荷、冷负荷。相关影响因素取温度、湿度。
步骤S2中对电负荷、热负荷、冷负荷、温度、湿度之间的非线性相关进行分析。非线性定量采用Spearman秩相关系数来进行描述。
步骤S3包括：假设对第d天的t时刻电、热、冷负荷进行预测，则输入数据矩阵如下：
其中，
为电负荷历史数据，
为热负荷历史数据，
为冷负荷历史数据，Td,Md为温度、湿度历史数据。
式中，
为第i天第j时刻的电负荷值；
为d-3天t-1时刻、d-3天t时刻、d-3天t+1时刻、d-2天t-1时刻、d-2天t时刻、d-2天t+1时刻、d-1天t-1时刻、d-1天t时刻、d-1天t+1时刻、d天t-3时刻、d天t-2时刻、d天t-1时刻负荷值组成，共12维。同样的
由
历史热负荷值、历史冷负荷值组成，各12维。Td由d-3天、d-2天、d-1天、d天的最大气温值、最小气温值、平均气温值组成，共12维。同样有Md由d-3天、d-2天、d-1天、d天的最大相对湿度值、最小相对湿度值、平均相对湿度值组成，共12维。输入矩阵共60维。
步骤S4包括：采用KPCA核主成分分析法对输入矩阵进行降维解耦。为保证所选取的主成分能够很好的代替原始输入矩阵，选择累计贡献率大于95％的成分构成新的输入数据集。
步骤S5包括：通过交叉寻优重复实验对广义回归神经网络模型的隐含层带宽参数σ进行一维寻优，交叉寻优的步骤如下：
(1)假定一个带宽参数σ；
(2)从输入样本集中选一个子集作为测试集，其余样本作为训练集；
(3)用训练出的网络对测试集做测试，得绝对误差；
(4)重复2-3步骤，直到所有样本都作为测试后，定义误差函数：
将此函数作为衡量带宽参数σ的标准，进行寻优求解。确定KPCA-GRNN模型的最优带宽参数。
步骤S6包括：采用GRNN网络学习，GRNN神经网络由输入层、隐含层、求和层、输出层四层组成。输入层与隐含层神经元个数相同，输入层只接受数据集的输入，传递函数为简单的线性函数，传给隐含层后经过径向基函数进行如下处理：
式中，σ和GRNN网络带宽参数。
第三层求和层与隐含层神经元个数也相同。求和层有两种传递函数，用来对隐含层的输出进行处理。一是分母单元求和函数SD，计算各神经元的代数和，即求和权值为1，如下：
二是分子单元求和函数SNj，计算各神经元的期望和，即求和的权值为第i个样本中的第j个元素yij，如下：
第四层输出层将加和层的分子、分母单元相除，传递函数如下：
输出层神经元个数与输出数据的维度相同。结构图图4所示。
步骤S7包括：输出矩阵表示为：
分别为第d天第t时刻的电负荷、热负荷、冷负荷预测值。
步骤S7之后，还包括：
步骤S8中为了进一步验证综合能源系统多元负荷超短期预测模型的准确性，以某工业园区综合能源系统为例进行多元负荷超短期预测。模型的输入数据由园区的历史电负荷、热负荷、冷负荷、温度、湿度五个维度组成，构建超短期预测输入数据集，在预测之前将数据进行规格化处理。针对日内超短期预测模型输入数据要求，在15分钟尺度上构建超短期预测输入数据集。通过序列矩阵对输入数据进行描述。采用KPCA核主成分分析法对输入矩阵进行降维解耦。为保证所选取的主成分能够很好的代替原始输入矩阵，选择累计贡献率大于95％的成分构成新的输入数据集。核主成分结果如下表1所示:
表1降维结果
由表1可见，KPCA对在达到95％累计贡献率要求时，仅需要前8个贡献率最大的主成分即可，将原本60维输入矩阵降维解耦到8维，第一主成分贡献率有75.39％，充分展示了KPCA在非线性耦合降维解耦中的优良表现。
同样通过交叉寻优重复实验对广义回归神经网络模型的隐含层带宽参数σ进行一维寻优，将电负荷、热负荷、冷负荷预测测试集与真实值的差值和作为寻优目标，寻优区间[0.01,1]，确定KPCA-GRNN模型的最优带宽参数为0.37。对二零一九年六月十二日上午9时至12:45时止、14时至17:45时止的两个时段的电负荷、热负荷、冷负荷进行预测，超短期多元负荷预测结果如图2：
由可以看到日内超短期负荷预测最大误差在0.9690％，平均误差0.4562％，精度相当高。随着时间的临近，超短期多元负荷预测的精度大大提高。
Claims (9)
1.一种综合能源系统多元负荷预测方法，其特征在于，包括以下步骤：
步骤S1，建立典型综合能源系统用能结构模型；
步骤S2，定义综合能源系统多元负荷相关性评价指标；
步骤S3，建立综合能源系统日内超短期负荷预测输入数据集；
步骤S4，提出采用核主成分分析法对输入数据集进行降维解耦的处理方法；
步骤S5，采用交叉寻优得广义回归神经网络的最优带宽参数；
步骤S6，采用广义回归神经网络对数据进行预测处理；
步骤S7，广义回归网络预测输出结果数据集。
2.根据权利要求1所述的预测方法，其特征在于，所述多元负荷包括电负荷、热负荷与冷负荷。
3.根据权利要求1所述的预测方法，其特征在于，所述步骤S2包括：对电负荷、热负荷、冷负荷、温度、湿度之间的非线性相关进行分析；非线性定量采用Spearman秩相关系数来进行描述。
4.根据权利要求1所述的预测方法，其特征在于，所述步骤S3包括：假设对第d天的t时刻电、热、冷负荷进行预测，则输入数据矩阵如下：
其中，
为电负荷历史数据，
为热负荷历史数据，
为冷负荷历史数据，Td,Md为温度、湿度历史数据。
式中，
为第i天第j时刻的电负荷值；
为d-3天t-1时刻、d-3天t时刻、d-3天t+1时刻、d-2天t-1时刻、d-2天t时刻、d-2天t+1时刻、d-1天t-1时刻、d-1天t时刻、d-1天t+1时刻、d天t-3时刻、d天t-2时刻、d天t-1时刻负荷值组成，共12维；
由
历史热负荷值、历史冷负荷值组成，各12维；Td由d-3天、d-2天、d-1天、d天的最大气温值、最小气温值、平均气温值组成，共12维。同样有Md由d-3天、d-2天、d-1天、d天的最大相对湿度值、最小相对湿度值、平均相对湿度值组成，共12维。
5.根据权利要求1所述的预测方法，其特征在于，所述步骤S4包括：采用KPCA核主成分分析法对输入矩阵进行降维解耦。为保证所选取的主成分能够很好的代替原始输入矩阵，选择累计贡献率大于95％的成分构成新的输入数据集。
6.根据权利要求1所述的预测方法，其特征在于，所述步骤S5包括：通过交叉寻优重复实验对广义回归神经网络模型的隐含层带宽参数σ进行一维寻优，交叉寻优的步骤如下：
(1)假定一个带宽参数σ；
(2)从输入样本集中选一个子集作为测试集，其余样本作为训练集；
(3)用训练出的网络对测试集做测试，得绝对误差y(xi)；
(4)重复步骤2与步骤3，直到所有样本都作为测试后，定义误差函数：
将此函数作为衡量带宽参数σ的标准，进行寻优求解；确定KPCA-GRNN模型的最优带宽参数。
7.根据权利要求1所述的预测方法，其特征在于，所述步骤S6包括：采用GRNN网络学习，GRNN神经网络包括输入层、隐含层、求和层、与输出层；所述输入层与隐含层神经元个数相同，输入层只接受数据集的输入，传递函数为简单的线性函数，传给隐含层后经过径向基函数进行如下处理：
式中，σ和GRNN网络带宽参数；
第三层求和层与隐含层神经元个数也相同。求和层有两种传递函数，用来对隐含层的输出进行处理。一是分母单元求和函数SD，计算各神经元的代数和，即求和权值为1，如下：
二是分子单元求和函数SNj，计算各神经元的期望和，即求和的权值为第i个样本中的第j个元素yij，如下：
第四层输出层将加和层的分子、分母单元相除，传递函数如下：
输出层神经元个数与输出数据的维度相同。
8.根据权利要求1所述的预测方法，其特征在于，所述步骤S7包括：输出矩阵表示为：
分别为第d天第t时刻的电负荷、热负荷、冷负荷预测值。
9.一种计算机可读的存储介质，存储有指令，其特征在于，所述指令执行时能够实现权利要求1～8任一所述的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110431795.1A CN113065715A (zh) | 2021-04-21 | 2021-04-21 | 一种综合能源系统多元负荷超短期预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110431795.1A CN113065715A (zh) | 2021-04-21 | 2021-04-21 | 一种综合能源系统多元负荷超短期预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113065715A true CN113065715A (zh) | 2021-07-02 |
Family
ID=76567314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110431795.1A Withdrawn CN113065715A (zh) | 2021-04-21 | 2021-04-21 | 一种综合能源系统多元负荷超短期预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113065715A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113515898A (zh) * | 2021-08-09 | 2021-10-19 | 国网湖北省电力有限公司电力科学研究院 | “电冷热气”综合用能网络精细化监测与建模方法 |
| CN113705098A (zh) * | 2021-08-30 | 2021-11-26 | 国网江苏省电力有限公司营销服务中心 | 一种基于pca和ga-bp网络的风道加热器建模方法 |
| CN116050667A (zh) * | 2023-03-22 | 2023-05-02 | 国网山东省电力公司烟台供电公司 | 面向分布式光伏的智能电网负荷预测管理系统及管理方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
| CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
| CN112232575A (zh) * | 2020-10-21 | 2021-01-15 | 国网山西省电力公司经济技术研究院 | 一种基于多元负荷预测的综合能源系统调控方法和装置 |
-
2021
- 2021-04-21 CN CN202110431795.1A patent/CN113065715A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109426889A (zh) * | 2017-09-01 | 2019-03-05 | 南京理工大学 | 基于kpca与改进神经网络结合的短期负荷预测方法 |
| CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 |
| CN112232575A (zh) * | 2020-10-21 | 2021-01-15 | 国网山西省电力公司经济技术研究院 | 一种基于多元负荷预测的综合能源系统调控方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 马建鹏 等: "基于Copula 理论与KPCA-GRNN结合的区域综合能源 系统多元负荷短期预测模型", 《电工电能新技术》, vol. 39, no. 03 * |
| 马建鹏: "基于智能理论的综合能源系统多元负荷短期预测研究", 《中国硕士学位论文电子期刊工程科技Ⅱ辑》, pages 1 - 64 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113515898A (zh) * | 2021-08-09 | 2021-10-19 | 国网湖北省电力有限公司电力科学研究院 | “电冷热气”综合用能网络精细化监测与建模方法 |
| CN113705098A (zh) * | 2021-08-30 | 2021-11-26 | 国网江苏省电力有限公司营销服务中心 | 一种基于pca和ga-bp网络的风道加热器建模方法 |
| CN116050667A (zh) * | 2023-03-22 | 2023-05-02 | 国网山东省电力公司烟台供电公司 | 面向分布式光伏的智能电网负荷预测管理系统及管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
| CN113065715A (zh) | 一种综合能源系统多元负荷超短期预测方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
| CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN104933627A (zh) | 机床产品制造系统的能效组合评价方法 | |
| CN112308427A (zh) | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 | |
| CN114943372A (zh) | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 | |
| CN113139596A (zh) | 低压台区线损神经网络的优化算法 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
| CN110880044A (zh) | 一种基于马尔科夫链的负荷预测方法 | |
| CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
| CN112488443B (zh) | 一种基于数据驱动的配电设备利用率评估的方法及系统 | |
| CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
| CN111900717A (zh) | 一种含高维随机变量的交直流混联电网运行风险评估方法 | |
| CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
| CN115907198A (zh) | 一种长距离供热负荷智能预测系统 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN108923413A (zh) | 基于支持向量机的电压质量预测方法 | |
| CN116050945B (zh) | 一种用于配电网末端低压台区降损分析评价系统及方法 | |
| CN113657677B (zh) | 一种基于变权组合模型的变压器油温预测方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210702 |
|
| WW01 | Invention patent application withdrawn after publication |