CN113298296A - 一种自下而上的输电变电站日前负荷概率预测方法 - Google Patents
一种自下而上的输电变电站日前负荷概率预测方法 Download PDFInfo
- Publication number
- CN113298296A CN113298296A CN202110501818.1A CN202110501818A CN113298296A CN 113298296 A CN113298296 A CN 113298296A CN 202110501818 A CN202110501818 A CN 202110501818A CN 113298296 A CN113298296 A CN 113298296A
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- medium
- day
- ahead
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000009825 accumulation Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 1
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement 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
- 238000012545 processing 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力技术领域,涉及一种自下而上的输电变电站日前负荷概率预测方法,包括:以待预测变电站下属的中压配电变电站历史负荷曲线为基础,归一化后形成待聚类的中压配变负荷曲线数据集;对待聚类中压配电变电站负荷曲线进行聚类,将属于同一类的未归一化前的中压配电变电站负荷曲线进行累加,形成各类中压配电变电站历史负荷总和曲线;获取历史累加误差曲线;获取预测均值与预测方差;根据步各类中压配电变电站负荷以及累加误差的日前预测均值与预测方差,以累加方式获取输电变电站日前负荷预测均值与预测方差,并形成预测区间。本发明能有效克服现有方法的不足,能更准确地估计变电站负荷预测结果中的不确定性,并给出较窄的预测区间。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种自下而上的输电变电站日前负荷概率预测方法。
背景技术
目前针对高压输电变电站短期负荷预测方法主要是基于采集自变电站本身的高压负荷数据。这种情况下,由于高压输变电站本身所包含的负荷量测设备较少,能用于高压负荷预测的信息量会受到限制,存在对输电变电站短期负荷预测的不确定性估计不足与概率预测精度不高的问题。
发明内容
本发明的目的是针对上述现有输电变电站概率负荷预测方法的不足,提出一种自下而上的输电变电站日前负荷概率预测方法。
为了达到上述目的,本发明所采用的技术方案如下:
一种自下而上的输电变电站日前负荷概率预测方法,具体包括如下步骤:
S1:以待预测变电站下属的中压配电变电站历史负荷曲线为基础,归一化后形成待聚类的中压配变负荷曲线数据集;
S2:采用K-means算法对待聚类中压配电变电站负荷曲线进行聚类,获得中压配电变电站负荷聚类结果,将属于同一类的未归一化前的中压配电变电站负荷曲线进行累加,形成各类中压配电变电站历史负荷总和曲线;
S3:根据各类中压配电变电站历史负荷总和曲线,以及输电变电站历史负荷曲线,获取历史累加误差曲线;
S4:根据各类中压配电变电站历史负荷总和曲线,以及历史累加误差曲线,采用基于前馈神经网络的概率负荷预测方法对各类中压配电变电站的日前负荷以及日前累加误差进行预测,获取预测均值与预测方差;
S5:根据步各类中压配电变电站负荷以及累加误差的日前预测均值与预测方差,以累加方式获取输电变电站日前负荷预测均值与预测方差,并形成预测区间。
优选的,所述步骤S1具体为:
针对待预测变电站下属的h个中压配电变电站的中压配电变电站历史负荷曲线集Yorigina=[ynormalized,1,ynormalized,2,…,ynormalized,h],采用max-min方法进行归一化,即:
其中,yoriginal,t和ynormalized,t分别为原始负荷曲线和归一化后的负荷曲线的第t个元素,形成归一化后的历史累加误差曲线集Ynormalized。
优选的,所述步骤S2具体为:
采用K-means算法对归一化后的历史累加误差曲线集Ynormalized进行聚类,聚类的目标是各类类内距离最小,即:
其中,ynormalized,j为第j条中压配电变电站负荷曲线,第i个ci为聚类中心向量。
采用DBI指标判断分类类数是否达到最优,其计算方法如下:
对于所有归属于同一聚类中心的中压配电变电站负荷曲线进行累加,形成k 类中压配电变电站历史负荷总和曲线yl,其中l=1…k。
优选的,所述步骤S3具体为:
设输电变电站历史负荷曲线为yhv,基于k类中压配电变电站历史负荷总和曲线yl,计算历史累加误差曲线为:
优选的,步骤S4具体为:
给定一个包含N对输入与输出的训练集:
其中,xi=[xi1,xi2,...,xid]是输入,yi是训练集的目标,一个具有nr个隐藏节点和激活函数g(·)的前馈神经网络表示为:
其中,wj=[wj1,wj2,...,wjd]T为连接第j个隐藏节点和输入节点的权重向量,βj为连接第j个隐藏节点和输出节点的权重向量,bj为第j个隐藏节点的阈值, f(xi;w,b,β)为FNN的输出;
当采用训练好的网络来预测t时刻的日前负荷值时,选择过去d天中t时刻的历史负荷值作为网络的输入xt,输入时间跨度d采用遍历法进行确定;
给定一个包含Ntest组输入输出的测试集其中xt=[xt1,xt2,...,xtd]为输入,yt为实际负荷值,Ntest为测试样本数,在具体输入xt的情况下,对实际负荷值yt的预测可以用f(xt;w,b,β)表示;
其中,预测误差εt由模型误差和数据误差造成,εt被表示为以上两类误差的和,即:
εt=εm,t+εd,t (8)
其中,εm,t是模型参数、结构带来的误差,εd,t则是数据噪声带来的误差;
公式(8)中的模型误差与数据噪声误差的方差和总的预测误差的方差之间的关系被表示为:
对于数据噪声方差,基于训练输入集变量xi,历史数据中的噪声方差估计如下:
给出一个训练集:
优选的,所述步骤S5具体为:
其中,z1-α/2表示标准高斯分布的临界值。
本发明的有益效果在于:
本发明提出了一种自下而上的输电变电站日前负荷概率预测方法,在所提方法中,中压负荷的预测均值和方差分别独立获得,并最终累加为高压输电变电站的负荷预测均值与方差,进一步形成预测区间。该方法能获得精度更高、预测区间更窄的概率负荷预测结果,从而能更好帮助电力公司建立发电计划、进行电力调度、分析潮流和监测高压变压器或输电线路的过载情况。
附图说明
图1为本发明一种自下而上的输电变电站日前负荷概率预测方法的流程示意图;
图2为本发明一种自下而上的输电变电站日前负荷概率预测方法中训练前馈神经网络的示意图。
具体实施方式
下面结合实施例和附图对本发明作进一步的说明。
本发明实施例提出一种自下而上的输电变电站日前负荷概率预测方法,如图1所示,具体包括如下步骤:
S1:以待预测变电站下属的中压配电变电站历史负荷曲线为基础,归一化后形成待聚类的中压配变负荷曲线数据集;
S2:采用K-means算法对待聚类中压配电变电站负荷曲线进行聚类,获得中压配电变电站负荷聚类结果,将属于同一类的未归一化前的中压配电变电站负荷曲线进行累加,形成各类中压配电变电站历史负荷总和曲线;
S3:根据各类中压配电变电站历史负荷总和曲线,以及输电变电站历史负荷曲线,获取历史累加误差曲线;
S4:根据各类中压配电变电站历史负荷总和曲线,以及历史累加误差曲线,采用基于前馈神经网络的概率负荷预测方法对各类中压配电变电站的日前负荷以及日前累加误差进行预测,获取预测均值与预测方差;
S5:根据步各类中压配电变电站负荷以及累加误差的日前预测均值与预测方差,以累加方式获取输电变电站日前负荷预测均值与预测方差,并形成预测区间。
上述技术方案中,进一步地,所述步骤S1具体为:
针对待预测变电站下属的h个中压配电变电站每15min一点的中压配电变电站历史负荷曲线集Yorigina=[ynormalized,1,ynormalized,2,…,ynormalized,h]采用max-min方法进行归一化,即:
其中,yoriginal,t和ynormalized,t分别为原始负荷曲线和归一化后的负荷曲线的第t个元素。形成归一化后的历史累加误差曲线集Ynormalized
进一步地,所述步骤S2具体为:
采用K-means算法对归一化后的历史累加误差曲线集Ynormalized进行聚类,聚类的目标是各类类内距离最小,即最小化:
其中ynormalized,j为第j条中压配电变电站负荷曲线,第i个ci为聚类中心向量。
本实施例中采用DBI指标判断分类类数是否达到最优,采用戴维森堡丁指数(Davies-Bouldin Index,也称为分类适确性指标或DBI指标)确定最优聚类类数,其计算方法如下:
式中k为聚类类数,别表示第i类、第j类中的数据对象到相应类的聚类中心的平均距离。D(ci,cj)表示第i类到第j类的聚类中心的欧氏距离。DBI越小意味着类内距离越小,类间距离越大分类效果越明显。由此,寻找DBI指标的最小值就可以快速确定最优类数。
对于所有归属于同一聚类中心的中压配电变电站负荷曲线进行累加,形成k 类中压配电变电站历史负荷总和曲线yl,其中l=1…k。
进一步地,所述步骤S3具体为:
设输电变电站历史负荷曲线为yhv,基于k类中压配电变电站历史负荷总和曲线yl,可以计算历史累加误差曲线为:
进一步地,步骤S4中:
每一类中压配电变电站历史负荷总和曲线采用如下基于前馈神经网络的概率负荷预测方法进行预测,已获得预测均值与预测区间。
采用的前馈神经网络只有一个隐藏层的前馈神经网络进行预测,如图2所示。给定一个包含N对输入与输出的训练集:
其中,xi=[xi1,xi2,...,xid]是输入,yi是训练集的目标。一个具有nr个隐藏节点和激活函数g(·)的前馈神经网络在数学上可以表示为:
其中,wj=[wj1,wj2,...,wjd]T为连接第j个隐藏节点和输入节点的权重向量,βj为连接第j个隐藏节点和输出节点的权重向量,bj为第j个隐藏节点的阈值, f(xi;w,b,β)为FNN的输出。激活函数g(·)是最常用的sigmoid函数。该网络采用经典的反向传播法进行训练。
当采用训练好的网络来预测t时刻的日前负荷值时,本实施例中选择过去d 天中t时刻的历史负荷值作为网络的输入xt,输入时间跨度d采用遍历法进行确定。
给定一个包含Ntest组输入输出的测试集其中xt=[xt1,xt2,...,xtd]为输入,yt为实际负荷值,Ntest为测试样本数,对于本章中关注的日前负荷预测问题, Ntest=96。在具体输入xt的情况下,对实际负荷值yt的预测可以用f(xt;w,b,β)表示。
其中,预测误差εt主要由模型误差和数据误差造成,因此,εt可以被表示为以上两类误差的和,并写作:
εt=εm,t+εd,t (8)
其中,εm,t是模型参数、结构带来的误差,εd,t则是数据噪声带来的误差。
公式(8)中的模型误差与数据噪声误差是相互独立且负荷高斯分布的,这两类误差的方差和总的预测误差的方差之间的关系可以被表示为:
对于数据噪声方差,基于训练输入集变量xi,历史数据中的噪声方差可估计如下:
对于累加误差利用基于前馈神经网络的概率预测方法进行预测,从而根据εa的历史值来预测其日前值。具体来说,可以基于历史的累加误差,给出一个类似公式(5)的训练集:
进一步地,步骤S5中:
因为独立产生的中压出线或配变负荷预测结果是相互独立且符合高斯分布的,可以通过分别累加预测分布均值和预测分布的方差的方式来累加中压概率负荷预测结果。具体来说,如果是第l条中压出线或第l个中压配变负荷的日前预测结果的均值,由此高压变电站的日前负荷点预测结果的均值可以被表示为:
其中的z1-α/2标准高斯分布的临界值,其值主要取决于置信度100(1-α)%。
在一示例实施例中,对基于中压配变负荷曲线的预测框架进行了实例测试,主要包括对2018年8月27日高压变电站的负荷曲线进行了预测和分析。变电站下属的996个中压配变已经按照其负荷曲线特征分为7个类。
首先通过前馈神经网络对配变负荷进行预测,此处以第一类和第二类配变负荷预测为例。对于第一类配变的负荷预测结果,MAPE指标值为4.90%,MAE 指标值为0.772。对于第二类配变的负荷预测结果,MAPE指标值为2.33%,MAE 指标值为2.187。预测误差较小,说明经典前馈神经网络对预测配变群的日前负荷来说是有效的。
表1比较了本发明提出的自下而上的输电变电站日前负荷概率预测方法和传统概率预测方法在预测变电站的日前负荷时的表现。
表1
采用自下而上的输电变电站日前负荷概率预测方法预测输电变电站在不同季节的负荷曲线,以检验所提出的方法在处理不同数据集时的有效性。
为了更好地展现所提出的方法的性能,本发明将所提出的预测方法与三种流行的概率负荷预测方法进行比较,包括persistence、指数平滑法(Exponential SmoothingMethod,ESM)和基于bootstrap的极端学习机(Bootstrap based Extreme LearningMachine,BELM)法等。各算法性能的综合比较如表2所示。
表2
从表2中可以看出,本发明所提出的方法的APIW均小于其他方法。具体来说,与persistence和ESM相比,预测区间平均缩小了50%以上。同时,本发明提出的方法的所有PICP指标值都接近相应的置信度。其获取的所有预测区间对应的ACE指标值都接近于零,特别是在95%和90%的置信度下,这说明本方法构建的PI具有较高的可靠性。例如,在夏季时,本方法在置信度95%和90%时获取的预测区间的ACE指标值在1%左右,小于或等于其他三种方法。
总的来说,本章所提出的方法能提供可靠的点预测结果和概率预测结果,并且能显著缩窄预测区间。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (6)
1.一种自下而上的输电变电站日前负荷概率预测方法,其特征在于,具体包括如下步骤:
S1:以待预测变电站下属的中压配电变电站历史负荷曲线为基础,归一化后形成待聚类的中压配变负荷曲线数据集;
S2:采用K-means算法对待聚类中压配电变电站负荷曲线进行聚类,获得中压配电变电站负荷聚类结果,将属于同一类的未归一化前的中压配电变电站负荷曲线进行累加,形成各类中压配电变电站历史负荷总和曲线;
S3:根据各类中压配电变电站历史负荷总和曲线,以及输电变电站历史负荷曲线,获取历史累加误差曲线;
S4:根据各类中压配电变电站历史负荷总和曲线,以及历史累加误差曲线,采用基于前馈神经网络的概率负荷预测方法对各类中压配电变电站的日前负荷以及日前累加误差进行预测,获取预测均值与预测方差;
S5:根据步各类中压配电变电站负荷以及累加误差的日前预测均值与预测方差,以累加方式获取输电变电站日前负荷预测均值与预测方差,并形成预测区间。
3.根据权利要求1所述的自下而上的输电变电站日前负荷概率预测方法,其特征在于,所述步骤S2具体为:
采用K-means算法对归一化后的历史累加误差曲线集Ynormalized进行聚类,聚类的目标是各类类内距离最小,即:
其中,ynormalized,j为第j条中压配电变电站负荷曲线,第i个ci为聚类中心向量;
采用DBI指标判断分类类数是否达到最优,其计算方法如下:
对于所有归属于同一聚类中心的中压配电变电站负荷曲线进行累加,形成k类中压配电变电站历史负荷总和曲线yl,其中l=1…k。
5.根据权利要求1所述的自下而上的输电变电站日前负荷概率预测方法,其特征在于,步骤S4具体为:
给定一个包含N对输入与输出的训练集:
其中,xi=[xi1,xi2,...,xid]是输入,yi是训练集的目标,一个具有nr个隐藏节点和激活函数g(·)的前馈神经网络表示为:
其中,wj=[wj1,wj2,...,wjd]T为连接第j个隐藏节点和输入节点的权重向量,βj为连接第j个隐藏节点和输出节点的权重向量,bj为第j个隐藏节点的阈值,f(xi;w,b,β)为FNN的输出;
当采用训练好的网络来预测t时刻的日前负荷值时,选择过去d天中t时刻的历史负荷值作为网络的输入xt,输入时间跨度d采用遍历法进行确定;
给定一个包含Ntest组输入输出的测试集其中xt=[xt1,xt2,...,xtd]为输入,yt为实际负荷值,Ntest为测试样本数,在具体输入xt的情况下,对实际负荷值yt的预测可以用f(xt;w,b,β)表示;
其中,预测误差εt由模型误差和数据误差造成,εt被表示为以上两类误差的和,即:
εt=εm,t+εd,t (8)
其中,εm,t是模型参数、结构带来的误差,εd,t则是数据噪声带来的误差;
公式(8)中的模型误差与数据噪声误差的方差和总的预测误差的方差之间的关系被表示为:
对于数据噪声方差,基于训练输入集变量xi,历史数据中的噪声方差估计如下:
给出一个训练集:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501818.1A CN113298296A (zh) | 2021-05-08 | 2021-05-08 | 一种自下而上的输电变电站日前负荷概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501818.1A CN113298296A (zh) | 2021-05-08 | 2021-05-08 | 一种自下而上的输电变电站日前负荷概率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298296A true CN113298296A (zh) | 2021-08-24 |
Family
ID=77321058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110501818.1A Pending CN113298296A (zh) | 2021-05-08 | 2021-05-08 | 一种自下而上的输电变电站日前负荷概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298296A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706213A (zh) * | 2021-09-02 | 2021-11-26 | 华能(福建)能源开发有限公司 | 一种应用电力市场公开信息预测变电站负荷的方法 |
CN115511173A (zh) * | 2022-09-16 | 2022-12-23 | 国网天津市电力公司 | 一种基于概率建模和误差修正的电采暖负荷预测方法 |
-
2021
- 2021-05-08 CN CN202110501818.1A patent/CN113298296A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706213A (zh) * | 2021-09-02 | 2021-11-26 | 华能(福建)能源开发有限公司 | 一种应用电力市场公开信息预测变电站负荷的方法 |
CN113706213B (zh) * | 2021-09-02 | 2023-08-18 | 华能(福建)能源开发有限公司 | 一种应用电力市场公开信息预测变电站负荷的方法 |
CN115511173A (zh) * | 2022-09-16 | 2022-12-23 | 国网天津市电力公司 | 一种基于概率建模和误差修正的电采暖负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106850254B (zh) | 一种电力通信网中关键节点识别方法 | |
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN110149237B (zh) | 一种Hadoop平台计算节点负载预测方法 | |
Browell et al. | Improved very short‐term spatio‐temporal wind forecasting using atmospheric regimes | |
CN103324980A (zh) | 一种风电场风速预测方法 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
CN109815995A (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
CN113884807B (zh) | 基于随机森林和多层架构聚类的配电网故障预测方法 | |
Iwata et al. | Differential evolutionary particle swarm optimization for load adjustment distribution state estimation using correntropy | |
Schäfer et al. | Evaluating machine learning models for the fast identification of contingency cases | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
Zhang et al. | Base station network traffic prediction approach based on LMA-DeepAR | |
Guo et al. | Wind speed forecasting of genetic neural model based on rough set theory | |
Zhang et al. | A power system transient stability assessment method based on active learning | |
CN115618743B (zh) | 一种瞄准镜系统的状态评估方法及状态评估系统 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
Mishra et al. | Tree Based Fault Classification in Underground Cable | |
CN113496255B (zh) | 基于深度学习与决策树驱动的配电网混合观测布点方法 | |
De Santis et al. | Evolutionary optimization of an affine model for vulnerability characterization in smart grids | |
CN114741822A (zh) | 一种自然灾害下配电网停电概率预测方法、系统及装置 | |
Balaji et al. | Deep Learning Based Energy Consumption Prediction on Internet of Things Environment. | |
Mustapha et al. | Data selection and fuzzy-rules generation for short-term load forecasting using ANFIS | |
Bai et al. | Contingency-based voltage stability monitoring via neural network with multi-level feature fusion |
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 |