CN113222216A - 冷热电负荷预测方法、装置及系统 - Google Patents
冷热电负荷预测方法、装置及系统 Download PDFInfo
- Publication number
- CN113222216A CN113222216A CN202110399447.0A CN202110399447A CN113222216A CN 113222216 A CN113222216 A CN 113222216A CN 202110399447 A CN202110399447 A CN 202110399447A CN 113222216 A CN113222216 A CN 113222216A
- Authority
- CN
- China
- Prior art keywords
- cluster
- heating
- cooling
- power load
- cold
- 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
Links
- 238000010438 heat treatment Methods 0.000 title claims abstract description 88
- 238000001816 cooling Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
Abstract
本发明公开了一种冷热电负荷预测方法、装置及系统,所述方法包括基于迭代自组织数据分析算法对历史冷热电负荷数据进行聚类分析,获得聚类结果簇目;将所述聚类结果簇目作为灰色预测模型的阶数;将历史冷热电负荷数据输入至所述灰色预测模型,获得对应的预测结果,完成对冷热电负荷的预测。本发明充分考虑了冷热电负荷之间相关性,并能够准确辨识影响冷热电负荷重要影响因素,对于冷热电负荷预测具有良好的适应性和实用性。
Description
技术领域
本发明属于电力系统运行、需求侧管理技术领域,具体涉及一种冷热电负荷预测方法、装置及系统,尤其是基于迭代自组织数据分析算法的冷热电负荷预测方法、装置及系统。
背景技术
目前,冷热电三联供系统引起了极大的关注,并变得越来越流行。冷热电三联供系统可以通过整合可再生能源发电、微型涡轮机、多能量(制冷、供暖和电力)存储设备、供暖系统和制冷系统来实现能源的级联利用,通过实施冷热电三联供,燃料效率可以提高到60%-80%,远远高于未实施冷热电三联供的传统微电网的效率。准确预测冷热电三联供系统中冷热电负荷对冷热电三联供系的经济运行至关重要,同时,冷热电负荷的预测也是冷热电三联供系统规划设计、和管理的前提,因此,研究冷热电三联供系的冷热电负荷预测,具有重要的理论意义和工程价值。
目前,国内外关于冷热电三联供系的冷热电负荷预测方法主要有基于历史数据的外推法,数值模拟预测法和以神经网络为代表的人工智能方法。由于冷热电负荷之间往往存在着某种相关性,且冷热电负荷的往往受到许多外在因素相关自然(如温度、湿度、光照、风速)、经济因素、日历规则(节假日)的影响。传统的基于历史数据的外推法和数值模拟预测法无法辨识重要影响因素并且无法考虑冷热电负荷之间的相关性,精度往往不够理想。以神经网络为代表的人工智能方法虽然能够通过海量数据的训练获得很高的精度,但是所需要的样本数据过大,并且所需要的时间较长。
虽然对冷热电三联供系的冷热电负荷预测的研究很多,但是缺乏考虑冷热电负荷之间相关性并准确辨识影响冷热电负荷重要影响因素的三联供系统冷热电负荷预测方法。因此,亟待解决上述问题。
发明内容
针对上述问题,本发明提出一种冷热电负荷预测方法、装置及系统,充分考虑了冷热电负荷之间相关性,并能够准确辨识影响冷热电负荷重要影响因素,对于冷热电负荷预测具有良好的适应性和实用性。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种冷热电负荷预测方法,包括:
基于迭代自组织数据分析算法对历史冷热电负荷数据进行聚类分析,获得聚类结果簇目;
将所述聚类结果簇目作为灰色预测模型的阶数;
将历史冷热电负荷数据输入至所述灰色预测模型,获得对应的预测结果,完成对冷热电负荷的预测。
可选地,所述聚类结果簇目的获取方法包括:
基于历史冷热电负荷数据构建冷热电负荷矩阵;
随机选取W个初始簇中心;
针对冷热电负荷矩阵中的各冷热电负荷数据,以及W个初始簇中心,获得若干个初始聚类簇;
将各初始聚类簇中的冷热电负荷数与预设的冷热电负荷数阈值进行比对,并基于比对结果对各初始聚类簇进行删除或更新,获得若干个第一聚类簇;
计算各第一聚类簇的簇中心之间的距离;
针对小于预设最小距离阈值的距离按照递增的顺序依次排列,形成距离递增序列;
从最小的首项距离开始,合并与该距离对应的两个第一聚类簇;
从递增序列的第二项开始,需要检查涉及的第一聚类簇是否合并过,对于两项都未合并过的第一聚类簇进行合并,每次合并时同步更新簇中心的个数,直到遍历完所述距离递增序列,获得最终的聚类结果簇目。
可选地,所述第一聚类簇的获取方法包括:
若某初始聚类簇中的冷热电负荷数据数目小于预设的冷热电负荷数据数目,则删除该初始聚类簇,同时将该初始聚类簇中的冷热电负荷数据重新聚类到其他初始聚类簇,完成各初始聚类簇的删除或更新,获得第一聚类簇。
可选地,各第一聚类簇的簇中心的计算公式为:
可选地,所述计算各第一聚类簇的簇中心之间的距离步骤之前还包括:
若当前的迭代运算的次数为奇数,或者所述第一聚类簇的数目大于设定值的两倍,则计算每一个第一聚类簇中冷热电负荷数据距离簇中心的标准差的最大值Max(σj),若该最大值超过标准差阈值theta_S,且满足下式,则将该簇中心分裂生成两个新的簇中心:
or Nc≤K/2
其中,K为预期的冷热电负荷曲线聚类中心数目;theta_N为每一个聚类中心包含的最少冷热电负荷数;为各第一聚类簇中冷热电负荷数据到各第一聚类簇的簇中心的平均距离;为全部冷热电负荷数据到其所在第一聚类簇的簇中心的总平均距离;Nc为簇中心总数;Nj为各第一聚类簇中冷热电负荷数据的数目;
新的簇中心由原簇中心对应分量加减λ·Max(σj)生成,计算公式为:
其中,dj为原始簇中心;d+和d-为由原始簇中心分裂形成的新中心;σj冷热电负荷数据距离簇中心的标准差;λ调整参数。
可选地,各第一聚类簇的簇中心之间的距离的计算公式为:
Dst=||ds-dt||,s=1,2,……,Nc-1,t=s+1,……,Nc
其中,Dst表示各第一聚类簇的簇中心之间的距离,ds、dt分别表示第一聚类中的第s、t簇中心;Nc表示此第一聚类中的所有簇中心数目。
可选地,所述新的聚类中心通过以下公式计算获得:
式中,Sl表示新的聚类中心;l表示合并次数;Ns、Nt分别表示第一聚类簇第s、t簇中包含的负荷曲线数目;Ss、St分别表示第s、t簇;L表示合并次数最大值;N+表示正整数。
第二方面,本发明提供了一种冷热电负荷预测装置,包括:
聚类单元,用于基于迭代自组织数据分析算法对历史冷热电负荷数据进行聚类分析,获得聚类结果簇目;
赋值单元,用于将所述聚类结果簇目作为灰色预测模型的阶数;
预测单元,用于将历史冷热电负荷数据输入至所述灰色预测模型,获得对应的预测结果,完成对冷热电负荷的预测。
第三方面,本发明提供了一种冷热电负荷预测系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述方法的步骤。
与现有技术相比,本发明的有益效果:
本发明首先运用迭代自组织数据分析算法对用户冷热电负荷进行聚类分析,通过聚类分析辨识出影响冷热电负荷的关键因素,在此基础上建立基于灰色预测的预测模型,运用历史数据对三联供系统冷热电负荷进行预测。相比于传统算法,其关键思想及步骤是增加了迭代自组织数据分析算法,充分考虑冷热电负荷之间相关性并准确辨识影响冷热电负荷重要影响因素,对于冷热电负荷预测具有良好的适应性和实用性,预测精度高,计算较为简便。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明一种实施例的冷热电负荷预测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
本发明实施例中提供了一种冷热电负荷预测方法,包括以下步骤:
(1)基于迭代自组织数据分析算法对历史冷热电负荷数据进行聚类分析,获得聚类结果簇目;
(2)将所述聚类结果簇目作为灰色预测模型的阶数;
(3)将历史冷热电负荷数据输入至所述灰色预测模型,获得对应的预测结果,完成对冷热电负荷的预测。
在本发明实施例的一种具体实施方式中,所述聚类结果簇目的获取方法包括:
步骤(A)基于历史冷热电负荷数据构建冷热电负荷矩阵Pbl;
步骤(B)随机选取W个初始簇中心,{d1,d2,......,dW}(W可以不等于K);
步骤(C)针对冷热电负荷矩阵Pbl中的各冷热电负荷数据,以及W个初始簇中心,获得若干个初始聚类簇;所述若干个初始聚类簇的获得方法具体为:对冷热电负荷矩阵Pbl中的所有冷热电负荷数据,分别计算其到各个初始簇中心的欧氏距离,并分配至距离最近的聚类簇,直至所有冷热电负荷数据分配完毕,获得若干个初始聚类簇Sj;
步骤(D)将各初始聚类簇Sj中的冷热电负荷数与预设的冷热电负荷数阈值进行比对,并基于比对结果对各初始聚类簇进行删除或更新,获得若干个第一聚类簇,具体地,所述第一聚类簇的获取方法包括:
若某初始聚类簇中的冷热电负荷数据数目小于预设的冷热电负荷数据数目theta_N,则删除该初始聚类簇,同时将该初始聚类簇中的冷热电负荷数据重新聚类到他初始聚类簇,完成各初始聚类簇的删除或更新,获得第一聚类簇。
各第一聚类簇的簇中心dj的计算公式为:
步骤(E)计算各第一聚类簇的簇中心之间的距离Dst,在本发明实施例的一种具体实施方式中,所述Dst的计算公式为:
Dst=||ds-dt||,s=1,2,……,Nc-1,t=s+1,……,Nc
其中,Dst表示各第一聚类簇的簇中心之间的距离,ds、dt分别表示第一聚类中的第s、t簇中心;Nc表示此第一聚类中的所有簇中心数目。
步骤(F)针对小于预设最小距离阈值的Dst按照递增的顺序依次排列,形成距离递增序列;
步骤(H)从最小的首项Dst开始,合并与该Dst对应的两个第一聚类簇,获得的新的聚类中心,所述新的聚类中心的计算公式为:
式中,Sl表示新的聚类中心;l表示合并次数;Ns、Nt分别表示第一聚类簇第s、t簇中包含的负荷曲线数目;Ss、St分别表示第s、t簇;L表示合并次数最大值;N+表示正整数。
步骤(I)从距离递增序列的第二项开始,需要检查涉及的第一聚类簇是否合并过,对于两项都未合并过的第一聚类簇则进行合并,每次合并时同步更新簇中心的个数,直到遍历完所述距离递增序列,获得最终的聚类结果簇目。注意,如果当前不是第I次迭代(迭代的总次数)且输入参数不变,则跳转回步骤(B);当前为最后一次迭代,则结束;若输入参数改变,则重新聚类,即重新执行步骤(A)-(I)。
在本发明实施例的一种具体实施方式中,所述计算各第一聚类簇的簇中心之间的距离Dst步骤之前还包括:
若当前的迭代运算的次数为奇数,或者所述第一聚类簇的数目大于设定值的两倍,则计算每一个第一聚类簇中冷热电负荷数据距离簇中心的标准差的最大值Max(σj),若该最大值超过标准差阈值theta_S,且满足下式,则将该簇中心分裂生成两个新的簇中心:
or Nc≤K/2
其中,K为预期的冷热电负荷曲线聚类中心数目;theta_N为每一个聚类中心包含的最少冷热电负荷数;为各第一聚类簇中冷热电负荷数据到各第一聚类簇的簇中心的平均距离;为全部冷热电负荷数据到其所在第一聚类簇的簇中心的总平均距离;Nc为簇中心总数;
新的簇中心由原簇中心对应分量加减λ·Max(σj)生成,计算公式为:
其中,dj为原始簇中心;d+,d-为由原始簇中心分裂形成的新中心;σj冷热电负荷数据距离簇中心的标准差;λ调整参数;
若当前迭代次数已经达到设置上限,则置theta_C为0,跳转至步骤(E);
若当前迭代运算的次数不是偶数且聚类簇的数目小于设定值的两倍,则迭代自组织数据分析算法继续;
若当前聚类簇的数目小于等于设定值的一半,则迭代自组织数据分析算法继续。
所述灰色预测模型采用的是现有技术,其计算公式为:
U(0)(k)*=U(1)(k)*-U(1)(k-1)*
根据聚类结果确定灰色预测模型的阶数n;U(0)(k)*为输出的n维冷热电负荷预测结果向量,U(1)(k)*、U(1)(k-1)*分别为冷热电负荷累加序列k,k-1时刻数值。
实施例2
基于与实施例1相同的发明构思,本发明实施例中提供了一种冷热电负荷预测装置,包括:
聚类单元,用于基于迭代自组织数据分析算法对历史冷热电负荷数据进行聚类分析,获得聚类结果簇目;
赋值单元,用于将所述聚类结果簇目作为灰色预测模型的阶数;
预测单元,用于将历史冷热电负荷数据输入至所述灰色预测模型,获得对应的预测结果,完成对冷热电负荷的预测。
其余部分均与实施例1相同。
实施例3
本发明实施例中提供了一种冷热电负荷预测系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述方法的步骤。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种冷热电负荷预测方法,其特征在于,包括:
基于迭代自组织数据分析算法对历史冷热电负荷数据进行聚类分析,获得聚类结果簇目;
将所述聚类结果簇目作为灰色预测模型的阶数;
将历史冷热电负荷数据输入至所述灰色预测模型,获得对应的预测结果,完成对冷热电负荷的预测。
2.根据权利要求1所述的一种冷热电负荷预测方法,其特征在于:所述聚类结果簇目的获取方法包括:
基于历史冷热电负荷数据构建冷热电负荷矩阵;
随机选取W个初始簇中心;
针对冷热电负荷矩阵中的各冷热电负荷数据,以及W个初始簇中心,获得若干个初始聚类簇;
将各初始聚类簇中的冷热电负荷数与预设的冷热电负荷数阈值进行比对,并基于比对结果对各初始聚类簇进行删除或更新,获得若干个第一聚类簇;
计算各第一聚类簇的簇中心之间的距离;
针对小于预设最小距离阈值的距离按照递增的顺序依次排列,形成距离递增序列;
从最小的首项距离开始,合并与该距离对应的两个第一聚类簇;
从递增序列的第二项开始,需要检查涉及的第一聚类簇是否合并过,对于两项都未合并过的第一聚类簇进行合并,每次合并时同步更新簇中心的个数,直到遍历完所述距离递增序列,获得最终的聚类结果簇目。
3.根据权利要求2所述的一种冷热电负荷预测方法,其特征在于:所述第一聚类簇的获取方法包括:
若某初始聚类簇中的冷热电负荷数据数目小于预设的冷热电负荷数据数目,则删除该初始聚类簇,同时将该初始聚类簇中的冷热电负荷数据重新聚类到其他初始聚类簇,完成各初始聚类簇的删除或更新,获得第一聚类簇。
5.根据权利要求1所述的一种冷热电负荷预测方法,其特征在于:所述计算各第一聚类簇的簇中心之间的距离步骤之前还包括:
若当前的迭代运算的次数为奇数,或者所述第一聚类簇的数目大于设定值的两倍,则计算每一个第一聚类簇中冷热电负荷数据距离簇中心的标准差的最大值Max(σj),若该最大值超过标准差阈值theta_S,且满足下式,则将该簇中心分裂生成两个新的簇中心:
or Nc≤K/2
其中,K为预期的冷热电负荷曲线聚类中心数目;theta_N为每一个聚类中心包含的最少冷热电负荷数;为各第一聚类簇中冷热电负荷数据到各第一聚类簇的簇中心的平均距离;为全部冷热电负荷数据到其所在第一聚类簇的簇中心的总平均距离;Nc为簇中心总数;Nj为各第一聚类簇中冷热电负荷数据的数目;
新的簇中心由原簇中心对应分量加减λ·Max(σj)生成,计算公式为:
其中,dj为原始簇中心;d+和d-为由原始簇中心分裂形成的新中心;σj冷热电负荷数据距离簇中心的标准差;λ调整参数。
6.根据权利要求1所述的一种冷热电负荷预测方法,其特征在于:各第一聚类簇的簇中心之间的距离的计算公式为:
Dst=||ds-dt||,s=1,2,……,Nc-1,t=s+1,……,Nc
其中,Dst表示各第一聚类簇的簇中心之间的距离,ds、dt分别表示第一聚类中的第s、t簇中心;Nc表示此第一聚类中的所有簇中心数目。
8.一种冷热电负荷预测装置,其特征在于,包括:
聚类单元,用于基于迭代自组织数据分析算法对历史冷热电负荷数据进行聚类分析,获得聚类结果簇目;
赋值单元,用于将所述聚类结果簇目作为灰色预测模型的阶数;
预测单元,用于将历史冷热电负荷数据输入至所述灰色预测模型,获得对应的预测结果,完成对冷热电负荷的预测。
9.一种冷热电负荷预测系统,其特征在于,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110399447.0A CN113222216A (zh) | 2021-04-14 | 2021-04-14 | 冷热电负荷预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110399447.0A CN113222216A (zh) | 2021-04-14 | 2021-04-14 | 冷热电负荷预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113222216A true CN113222216A (zh) | 2021-08-06 |
Family
ID=77087149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110399447.0A Pending CN113222216A (zh) | 2021-04-14 | 2021-04-14 | 冷热电负荷预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222216A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源系统非侵入式负荷分解方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
CN105488598A (zh) * | 2015-12-28 | 2016-04-13 | 国家电网公司 | 一种基于模糊聚类的中长期电力负荷预测方法 |
CN106022954A (zh) * | 2016-05-16 | 2016-10-12 | 四川大学 | 基于灰色关联度的多重bp神经网络负荷预测方法 |
CN109309382A (zh) * | 2018-09-13 | 2019-02-05 | 广东工业大学 | 一种短期电力负荷预测方法 |
CN110188221A (zh) * | 2019-04-08 | 2019-08-30 | 国网浙江省电力有限公司舟山供电公司 | 一种基于形状距离的负荷曲线层次聚类方法 |
US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
CN110533304A (zh) * | 2019-08-12 | 2019-12-03 | 湖南大学 | 一种电力系统负荷不确定性分析方法 |
CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
-
2021
- 2021-04-14 CN CN202110399447.0A patent/CN113222216A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力系统短期负荷预测方法 |
CN105488598A (zh) * | 2015-12-28 | 2016-04-13 | 国家电网公司 | 一种基于模糊聚类的中长期电力负荷预测方法 |
CN106022954A (zh) * | 2016-05-16 | 2016-10-12 | 四川大学 | 基于灰色关联度的多重bp神经网络负荷预测方法 |
US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
CN109309382A (zh) * | 2018-09-13 | 2019-02-05 | 广东工业大学 | 一种短期电力负荷预测方法 |
CN110188221A (zh) * | 2019-04-08 | 2019-08-30 | 国网浙江省电力有限公司舟山供电公司 | 一种基于形状距离的负荷曲线层次聚类方法 |
CN110533304A (zh) * | 2019-08-12 | 2019-12-03 | 湖南大学 | 一种电力系统负荷不确定性分析方法 |
CN112508275A (zh) * | 2020-12-07 | 2021-03-16 | 国网湖南省电力有限公司 | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 |
Non-Patent Citations (2)
Title |
---|
危志强: "基于改进模糊聚类算法的短期负荷预测研究", 中国优秀硕士论文全文库工程科技Ⅱ辑, no. 1, 15 January 2021 (2021-01-15) * |
姚程文: "基于CNN-GRU混合神经网络的负荷预测方法", 电网技术, vol. 44, no. 9, 24 July 2020 (2020-07-24), pages 3416 - 4324 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114119273A (zh) * | 2021-11-10 | 2022-03-01 | 山东大学 | 一种园区综合能源系统非侵入式负荷分解方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
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 | |
CN111754037B (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN111401755A (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN115983430B (zh) | 一种综合能源系统管理优化的方法及系统 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
Tian et al. | Daily power demand prediction for buildings at a large scale using a hybrid of physics-based model and generative adversarial network | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN112865089A (zh) | 一种改进的主动配电网大规模场景分析方法 | |
CN111192158A (zh) | 一种基于深度学习的变电站日负荷曲线相似度匹配方法 | |
Yan et al. | Improved hybrid sparrow search algorithm for an extreme learning machine neural network for short‐term photovoltaic power prediction in 5G energy‐routing base stations | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
Zhang et al. | The power big data-based energy analysis for intelligent community in smart grid | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Wei et al. | An instance based multi-source transfer learning strategy for building’s short-term electricity loads prediction under sparse data scenarios | |
Odonkor et al. | Optimization of energy use strategies in building clusters using pareto bands | |
Tan et al. | Long-term load forecasting based on feature fusion and lightgbm | |
CN114580298A (zh) | 一种基于rbf-isbo的微电网优化调度方法及系统 | |
CN113449466A (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
Tian et al. | Sensitivity guided genetic algorithm for placement of distributed energy resources | |
Ma et al. | Photovoltaic time series aggregation method based on K-means and MCMC algorithm | |
Zhao et al. | Study of short-term load forecasting in big data environment | |
CN113128064B (zh) | 用于仿真的热电数据聚合方法、系统、装置及存储介质 | |
CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 |
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 |