CN113240193A - 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 - Google Patents

一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 Download PDF

Info

Publication number
CN113240193A
CN113240193A CN202110622868.5A CN202110622868A CN113240193A CN 113240193 A CN113240193 A CN 113240193A CN 202110622868 A CN202110622868 A CN 202110622868A CN 113240193 A CN113240193 A CN 113240193A
Authority
CN
China
Prior art keywords
prediction
load
data
components
modal
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
CN202110622868.5A
Other languages
English (en)
Inventor
胡天羽
周孟然
卞凯
胡锋
来文豪
孙磊
褚海波
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202110622868.5A priority Critical patent/CN113240193A/zh
Publication of CN113240193A publication Critical patent/CN113240193A/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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

Abstract

本发明公开一种基于模态分解和群优化算法的短期电力负荷预测方法，涉及电力负荷预测领域和人工智能领域，包含以下步骤：(1)负荷数据的获取(2)负荷数据的分解。(3)负荷数据的划分。(4)模型输入矩阵的构建。(5)预测模型的构建。本发明采用VMD对负荷序列进行分解，通过ABC算法对SVR的c和g参数进行寻优，构建ABC‑SVR模型对分解后的若干分量进行预测，具有较好的预测性能并且对于数据量的要求较小，具有较好的实践应用价值。

Description

一种基于变分模态分解和人工蜂群优化的短期电力负荷预测 方法
技术领域
本发明涉及电力负荷预测领域与人工智能领域，主要是一种对于短期电力系统负荷需求量的预测方法。
背景技术
电力负荷预测(Electric Load Forecast)主要是通过对影响因素和负荷值之间的关系进行分析，获取负荷的变化规律并对未来的负荷数值进行预测。电力负荷预测根据预测周期的长短可以分为三类；长期负荷预测、中期负荷预测和短期负荷预测，其中短期负荷预测对于电力系统电价的确定、电力调度、电力线系统经济运行、提高电力系统的效率和可靠性都有着极为重要的意义，是负荷预测中最重要的任务之一。因此采用合适的手段对短期负荷进行精准预测具有极为重要极的实际价值。
人工智能(AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能算法在寻找潜在规律和数据内部复杂特征方面具有较好的效果，因此被众多研究者认为在能源预测领域具有较好的应用前景。目前已引用于交通流量预测、光伏功率预测、风速预测等领域。
随着新能源越来越多的并入电网，电网格局、用电结构都在发生变化。新能源发电受光照、风速等多种因素的影响，发电量和电能频率等都具有不确定性，这就给电网的负荷平衡和负荷管理带来了巨大的挑战。负荷序列的时变性和非线性性也使得负荷的特征较为复杂。另一方面，大部分负荷预测方法需要结合多种影响因素如经济条件、社会条件、气象条件等，也需要大量的历史负荷数据，预测精度对数据量的大小具有较强的依赖性。
发明内容
针对上述问题，本发明提供一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法。
为实现上述目的，本发明采用的技术方案为：一种基于模态分解和群优化算法的短期电力负荷预测方法，包括以下步骤：
(1)负荷数据的获取：采集地区每小时负荷需求数据。
(2)负荷数据的分解：采用模态分解方法对采集的数据进行分解。
(3)负荷数据的划分：按一定比例将分解后各分量的数据按照一定比例顺序划分为训练集和预测集。
(4)模型输入矩阵的构建：基于负荷序列数据进行输入矩阵的构建。
(5)预测模型的构建：通过优化算法对预测模型的参数进行寻优，构建预测负荷预测模型。
作为优选，所述步骤(2)中，采用变分模态分解(Variational ModeDecomposition，VMD)将数据分解为若干高频分量和若干低频分量，分量的总数 K由分解分量的中心频率决定，具体步骤如下：
(21)初始化
Figure BDA0003099867010000011
和n；
式中uk为模态函数，ωk为中心频率，λ为拉格朗日惩罚算子，α为二次惩罚因子，n为迭代次数。
(22)按照下式更新uk：
Figure BDA0003099867010000021
(23)按照下式更新ωk：
Figure BDA0003099867010000022
(24)按照下式更新λ：
Figure BDA0003099867010000023
(25)当迭代精度ε＞0，满足下式时终止迭代，获得K个IMF分量。
Figure BDA0003099867010000024
(26)为了获得最优的分量数K，本发明通过分量中心频率进行判断，具体步骤如下：
(261)当分量数设为K时，且分解出的K个分量中没有中心频率相近的时，K＝K+1。
(262)再次进行模态分解，若仍无中心频率相近的分量，重复(261)步骤；若有中心频率相近的分量，K＝K-1,K即为最佳模态分解数，将原始序列分解为K 个分量。
作为优选，所述步骤(3)中，采用顺序划分的方式，将每一个分量的数据都按一定比例划分为不重复的训练集和预测集。
作为优选，所述步骤(4)中，模型输入矩阵由对分解后的K各模态分量的训练集、预测集，分别构建输入矩阵，预测模型的输入为预测时刻前m个小时的实际负荷数值，构建具体步骤如下：
(41)分解后的第p个(p＝1,2,3…K)模态分量的训练集输入构建过程如下:
根据样本数据产生A(m×s),样本数为n，s＝n-m(n>m)即式：
Figure BDA0003099867010000025
式中，a1,a2,...an-1为对应时刻的负荷数值。
(42)其余分量的训练集、测试集输入矩阵如(41)。
作为优选，所述步骤(5)中，采用支持向量回归(SVR)对负荷进行预测，并采用人工蜂群算法(ABC)对SVR模型进行参数优化，具体步骤如下：
(51)分解后的第p个(p＝1,2,3…K)模态分量预测模型构建过程如下：
(511)选择径向基函数(Radial Basis Function，RBF)作为SVR的核函数；
(512)惩罚系数c和核函数参数g设定在[lb,ub](ub,lb分别代表搜索范围的上下限)范围内；
(513)初始化生成含有N个解的初始种群，每个解xi(i＝1,2,…N)，用一个2维向量(xi1,xi2)T来表示，产生的初始解如下式所示:
xi＝lb+(ub-lb)·rand(0,1)
(514)对食物源即最优解进行搜索，具体如下式所示：
zij＝xij+rij(xij-xkj)
式中，j∈{1,2},k∈{1,2,...,N},j和k都是随机选取但k≠j；rij∈[-1,1]是一个随机数。
(515)ABC算法对食物源的收益进行估计，即采用适度函数判断当前解是否为最优解，结合SVR具体如下：
Figure BDA0003099867010000031
式中，fiti为第i个解的适应度值，SN为解的数量，yi为实际值，
Figure BDA0003099867010000032
为预测值，当fiti达到最小值时得到最优解。
(516)通过控制limit参数改变某个解的更新次数，若经过limit次更新之后仍然需要改进求解的精度，则算法陷入局部最优，此时更新相应的解，具体如下式：
Figure BDA0003099867010000033
式中，
Figure BDA0003099867010000034
为目前j维的最小值；
Figure BDA0003099867010000035
为目前j维的最大值。
(517)若达到预设的迭代次数，则结束ABC的寻优过程，得出参数c和g 的最优质，否则继续执行(514)。
(52)其他分量的ABC-SVR预测模型构建如(51)。
(53)将K个分量预测集数据输入对应的ABC预测模型中，再将预测结果叠加，获得最终预测结果，通过预测误差及决定系数来分析所建立的预测模型的预测效果。
有益效果
通过上述技术方案，本发明的有益效果是：提出一种新的短期负荷预测模型，基于负荷序列进行预测，无需大量的其他影响因素，对数据的要求较低；采用了 VMD对负荷数据进行分解,可以将特征信息分离到不同的分量中，有效避免了模态混叠的问题；采用ABC优化算法对SVR模型的参数进行优化，ABC算法具有较好的全局搜索能力，可以有效提高了模型预测的性能，有利于电力负荷的精准预测，在负荷预测领域具有较好的应用前景。
图1是短期电力负荷预测流程图。
图2是ABC寻优SVR参数的算法流程图。
具体实施方式
为使本发明的目的、技术方案、优点更加清楚明了，以下结合具体实施例，并参照附图，对本发明进行进一步详细说明。
本发明一种基于模态分解和群优化算法的短期电力负荷预测方法，包括以下步骤：
(1)负荷数据的获取：采集地区每小时负荷需求数据。
(2)负荷数据的分解：采用模态分解方法对采集的数据进行分解。
(3)负荷数据的划分：按一定比例将分解后各分量的数据按照一定比例顺序划分为训练集和预测集。
(4)模型输入矩阵的构建：基于负荷序列数据进行输入矩阵的构建。
(5)预测模型的构建：通过优化算法对预测模型的参数进行寻优，构建预测负荷预测模型。
首先，采用变分模态分解(VMD)对负荷序列进行分解，将负荷序列分解成若干高频分量和低频分量；再对分解后的跟分量数据进行划分，前80％数据作为训练集，后20％的数据作为预测集；之后，针对各个分量分别建立支持向量回归 (SVR)预测模型进行电力负荷分量的预测，并使用人工蜂群(ABC)算法对SVR的 cost参数和gamma参数进行寻优，叠加各个分量的预测值，得出最终的电力负荷预测结果；最后训练集用于预测模型的建立，测试集用于检验预测效果。
为使本发明的目的、技术方案、优点更加清楚明了，以下结合具体实例，并参照附图，对本发明一种基于模态分解和群优化算法的短期电力负荷预测方法进行进一步详细说明，本发明提供的一种基于模态分解和群优化算法的短期电力负荷预测方法，所述预测步骤如附图1所示：
(2)负荷数据分解：采用变分模态分解(Variational Mode Decomposition， VMD)将数据分解为5个分量。
(3)负荷数据的划分，将分解后的历史负荷数据按照顺序划分，前80％数据作为训练集，后20％的数据作为预测集。
(4)模型输入矩阵的构建，对分解后的5各模态分量的训练集、预测集，分别构建输入矩阵，预测模型的输入为预测时刻前3个小时的实际负荷数值，构建具体步骤如下：
(41)分解后的第p个(p＝1,2,3,4,5)模态分量的训练集输入构建过程如下:
根据样本数据产生A(3×s),样本数为n，s＝n-3(n>3)即式：
Figure BDA0003099867010000041
式中，a1,a2,...an-1为对应时刻的负荷数值。
(42)其余4个分量的训练集、测试集输入矩阵如(31)。
(5)ABC-SVR预测模型的构建，将5分量的训练集数据分别输入到5个 ABC-SVR预测模型中，通过ABC算法对SVR的c参数和g参数进行寻优以达到提升预测精度的目的，完成模型构建后再将训练集数据输入模型得到预测K个分量的预测结果，将5个结果叠加的到最终的预测结果，以此对模型的预测精度进行检验，具体步骤如下：
(51)分解后的第p个(p＝1,2,3,4,5)模态分量预测模型构建过程如下：
(511)选择径向基函数(Radial Basis Function，RBF)作为SVR的核函数；
(512)惩罚系数cost和核函数参数gamma设定在[0.01,100](范围内；
(513)初始化生成含有N个解的初始种群，每个解xi(i＝1,2,…N)，用一个2维向量(xi1,xi2)T来表示，产生的初始解如下式所示:
xi＝lb+(ub-lb)·rand(0,1)
(514)对食物源即最优解进行搜索，具体如下式所示：
zij＝xij+rij(xij-xkj)
式中，j∈{1,2},k∈{1,2,...,N},j和k都是随机选取但k≠j；rij∈[-1,1]是一个随机数。
(515)ABC算法对食物源的收益进行估计，即采用适度函数判断当前解是否为最优解，结合SVR具体如下：
Figure BDA0003099867010000051
式中，fiti为第i个解的适应度值，SN为解的数量，yi为实际值，
Figure BDA0003099867010000052
为预测值，当fiti达到最小值时得到最优解。
(516)通过控制limit参数改变某个解的更新次数，若经过limit次更新之后仍然需要改进求解的精度，则算法陷入局部最优，此时更新相应的解，具体如下式：
Figure BDA0003099867010000053
式中，
Figure BDA0003099867010000054
为目前j维的最小值；
Figure BDA0003099867010000055
为目前j维的最大值。
(517)若达到预设的迭代次数达到100，则结束ABC的寻优过程，得出参数c和g的最优值，否则继续执行(514)。
(52)其他4个分量的ABC-SVR预测模型构建如(51)。
(53)将5个分量预测集数据输入对应的ABC预测模型中，再将预测结果叠加，获得最终预测结果，通过预测误差及决定系数来分析所建立的预测模型的预测效果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种基于模态分解和群优化算法的短期电力负荷预测方法，其特征在于，包括以下步骤：
(1)负荷数据的获取：采集地区每小时负荷需求数据。
(2)负荷数据的分解：采用模态分解方法对采集的数据进行分解。
(3)负荷数据的划分：按一定比例将分解后各分量的数据按照一定比例顺序划分为训练集和预测集。
(4)模型输入矩阵的构建：基于负荷序列数据进行输入矩阵的构建。
(5)预测模型的构建：通过优化算法对预测模型的参数进行寻优，构建预测负荷预测模型。
2.根据权利要求1所述一种基于模态分解和群优化算法的短期电力负荷预测方法，其特征在于，所述步骤(2)中，采用变分模态分解(Variational Mode Decomposition，VMD)将数据分解为若干高频分量和若干低频分量，分量(IMF)的总数K由分解分量的中心频率决定，具体步骤如下：
(21)初始化
Figure FDA0003099866000000011
{λ1}和n；
式中uk为模态函数，ωk为中心频率，λ为拉格朗日惩罚算子，α为二次惩罚因子，n为迭代次数。
(22)按照下式更新uk：
Figure FDA0003099866000000012
(23)按照下式更新ωk：
Figure FDA0003099866000000013
(24)按照下式更新λ：
Figure FDA0003099866000000014
(25)当迭代精度ε＞0，满足下式时终止迭代，获得K个IMF分量。
Figure FDA0003099866000000015
(26)为了获得最优的分量数K，本发明通过分量中心频率进行判断，具体步骤如下：
(261)当分量数设为K时，且分解出的K个分量中没有中心频率相近的时，K＝K+1。
(262)再次进行模态分解，若仍无中心频率相近的分量，重复(261)步骤；若有中心频率相近的分量，K＝K-1,K即为最佳模态分解数，将原始序列分解为K个分量。
3.根据权利要求1所述一种基于模态分解和群优化算法的短期电力负荷预测方法，其特征在于，所述步骤(3)中，采用顺序划分的方式，将每一个分量的数据都按一定比例划分为不重复的训练集和预测集。
4.根据权利要求1所述一种基于模态分解和群优化算法的短期电力负荷预测方法，其特征在于，所述步骤(4)中，模型输入矩阵由对分解后的K各模态分量的训练集、测试集，分别构建输入矩阵，预测模型的输入为预测时刻前m个小时的实际负荷数值，构建具体步骤如下：
(41)分解后的第p个(p＝1,2,3…K)模态分量的训练集输入构建过程如下:
根据样本数据产生A(m×s),样本数为n，s＝n-m(n>m)即式：
Figure FDA0003099866000000021
式中，a1,a2,...an1为对应时刻的负荷数值。
(42)其余分量的训练集、测试集输入矩阵如(41)。
5.根据权利要求1所述一种基于模态分解和群优化算法的短期电力负荷预测方法，其特征在于，所述步骤(5)中，采用支持向量回归(SVR)对负荷进行预测，并采用人工蜂群算法(ABC)对SVR模型进行参数优化，具体步骤如下：
(51)分解后的第p个(p＝1,2,3…K)模态分量预测模型构建过程如下：
(511)选择径向基函数(Radial Basis Function，RBF)作为SVR的核函数；
(512)惩罚系数c和核函数参数g设定在[lb,ub](ub,lb分别代表搜索范围的上下限)范围内；
(513)初始化生成含有N个解的初始种群，每个解xi(i＝1,2,…N)，用一个2维向量(xi1,xi2)T来表示，产生的初始解如下式所示:
xi＝lb+(ub-lb)·rand(0,1)
(514)对食物源即最优解进行搜索，具体如下式所示：
zij＝xij+rij(xij-xkj)
式中，j∈{1,2},k∈{1,2,...,N},j和k都是随机选取但k≠j；rij∈[-1,1]是一个随机数。
(515)ABC算法对食物源的收益进行估计，即采用适度函数判断当前解是否为最优解，结合SVR具体如下：
Figure FDA0003099866000000022
式中，fiti为第i个解的适应度值，SN为解的数量，yi为实际值，
Figure FDA0003099866000000023
为预测值，当fiti达到最小值时得到最优解。
(516)通过控制limit参数改变某个解的更新次数，若经过limit次更新之后仍然需要改进求解的精度，则算法陷入局部最优，此时更新相应的解，具体如下式：
Figure FDA0003099866000000031
式中，
Figure FDA0003099866000000032
为目前j维的最小值；
Figure FDA0003099866000000033
为目前j维的最大值。
(517)若达到预设的迭代次数，则结束ABC的寻优过程，得出参数c和g的最优质，否则继续执行(514)。
(52)其他分量的ABC-SVR预测模型构建如(51)。
(53)将K个分量预测集数据输入对应的ABC预测模型中，再将预测结果叠加，获得最终预测结果，通过预测误差及决定系数来分析所建立的预测模型的预测效果。
CN202110622868.5A 2021-06-03 2021-06-03 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法 Pending CN113240193A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110622868.5A CN113240193A (zh) 2021-06-03 2021-06-03 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110622868.5A CN113240193A (zh) 2021-06-03 2021-06-03 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法

Publications (1)

Publication Number Publication Date
CN113240193A true CN113240193A (zh) 2021-08-10

Family

ID=77136795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110622868.5A Pending CN113240193A (zh) 2021-06-03 2021-06-03 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法

Country Status (1)

Country Link
CN (1) CN113240193A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113673471A (zh) * 2021-08-31 2021-11-19 国网山东省电力公司滨州供电公司 一种变压器绕组振动信号特征提取方法
CN113723244A (zh) * 2021-08-20 2021-11-30 中国电子科技集团公司第二十八研究所 一种基于改进变分模态分解的雷达辐射源信号分离方法
CN115225516A (zh) * 2022-07-18 2022-10-21 重庆邮电大学 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110648017A (zh) * 2019-08-30 2020-01-03 广东工业大学 一种基于二层分解技术的短期冲击负荷预测方法
CN112132347A (zh) * 2020-09-24 2020-12-25 华北电力大学 一种基于数据挖掘的短期电力负荷预测方法
US20210097453A1 (en) * 2018-06-12 2021-04-01 Tsinghua University Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium
CN112884236A (zh) * 2021-03-10 2021-06-01 南京工程学院 一种基于vdm分解与lstm改进的短期负荷预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210097453A1 (en) * 2018-06-12 2021-04-01 Tsinghua University Method for quantile probabilistic short-term power load ensemble forecasting, electronic device and storage medium
CN110648017A (zh) * 2019-08-30 2020-01-03 广东工业大学 一种基于二层分解技术的短期冲击负荷预测方法
CN112132347A (zh) * 2020-09-24 2020-12-25 华北电力大学 一种基于数据挖掘的短期电力负荷预测方法
CN112884236A (zh) * 2021-03-10 2021-06-01 南京工程学院 一种基于vdm分解与lstm改进的短期负荷预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
纪广月: "基于主成分分析和ABC-SVR的人居环境监测和评价研究", 《应用泛函分析学报》, vol. 22, no. 3, 30 September 2020 (2020-09-30), pages 182 - 193 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723244A (zh) * 2021-08-20 2021-11-30 中国电子科技集团公司第二十八研究所 一种基于改进变分模态分解的雷达辐射源信号分离方法
CN113673471A (zh) * 2021-08-31 2021-11-19 国网山东省电力公司滨州供电公司 一种变压器绕组振动信号特征提取方法
CN113673471B (zh) * 2021-08-31 2024-04-09 国网山东省电力公司滨州供电公司 一种变压器绕组振动信号特征提取方法
CN115225516A (zh) * 2022-07-18 2022-10-21 重庆邮电大学 一种基于改进abc-vmd的最小二乘支持向量机网络流量预测方法
CN115225516B (zh) * 2022-07-18 2023-09-12 重庆邮电大学 基于改进abc-vmd的lssvm网络流量预测方法

Similar Documents

Publication Publication Date Title
CN113240193A (zh) 一种基于变分模态分解和人工蜂群优化的短期电力负荷预测方法
Cheng et al. A new combined model based on multi-objective salp swarm optimization for wind speed forecasting
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
JP2013074695A (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
CN115796393B (zh) 基于多能互动的能源网管理优化方法、系统及存储介质
CN109002892A (zh) 一种改进de-gwo算法的实现方法
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
Hakli BinEHO: a new binary variant based on elephant herding optimization algorithm
Zhang et al. Wind speed prediction research considering wind speed ramp and residual distribution
CN108233417A (zh) 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法
CN117039895B (zh) 一种用于储能辅助黑启动的风功率预测方法及系统
CN110009125A (zh) 基于emd-vmd-pso-bpnn的短期电力负荷预测模型建立方法
Kosana et al. A novel reinforced online model selection using Q-learning technique for wind speed prediction
CN116014724A (zh) 一种有源配电网网格化负荷预测方法
Wang et al. Design and research of hybrid forecasting system for wind speed point forecasting and fuzzy interval forecasting
CN113205228B (zh) 一种短期风力发电输出功率的预测方法
Ida Evangeline et al. Real-time optimal power flow solution for wind farm integrated power system using evolutionary programming algorithm
Zhang et al. A short-term photovoltaic power output prediction for virtual plant peak regulation based on K-means clustering and improved BP neural network
Zhang et al. Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
CN109426901A (zh) 一种中长期用电预测方法及装置
CN117195449A (zh) 一种风电场排布优化方法、装置、设备及介质
CN115564139B (zh) 基于能值评估的能源系统运行状态优化方法及装置
CN113779861B (zh) 光伏功率的预测方法及终端设备
CN115796327A (zh) 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210810