CN113393028B - 一种基于数据挖掘技术的负荷预测方法 - Google Patents
一种基于数据挖掘技术的负荷预测方法 Download PDFInfo
- Publication number
- CN113393028B CN113393028B CN202110651314.8A CN202110651314A CN113393028B CN 113393028 B CN113393028 B CN 113393028B CN 202110651314 A CN202110651314 A CN 202110651314A CN 113393028 B CN113393028 B CN 113393028B
- Authority
- CN
- China
- Prior art keywords
- load
- feeder
- data
- feeder line
- correlation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005516 engineering process Methods 0.000 title claims abstract description 24
- 238000007418 data mining Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000005611 electricity Effects 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000009776 industrial production Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000012097 association analysis method Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开一种基于数据挖掘技术的负荷预测方法，其包括以下步骤：(1)获取馈线数据及预处理；(2)使用数据挖掘技术中的聚类方法分析各类馈线的负荷特征；(3)对获得的每类馈线负荷进行分析，定性每类馈线负荷所属行业用电特性，达到精细化分析的目的；(4)构建影响因素集合；(5)运用相关性分析和关联规则分析对影响负荷特性的诸多因素与每类馈线负荷进行挖掘，研究出馈线负荷特性与其影响因子间的关联特性；(6)对每类馈线负荷和影响因素分别构建神经网络预测模型，完成负荷预测。本发明可以获得更具有科学性和准确性的负荷预测情况，从而有利于全面考察不同地区配变的负载情况，有利于电网运行管理以及调度规划。
Description
技术领域
本发明属于电力技术领域，具体来说，涉及一种基于数据挖掘技术的负荷预测方法。
背景技术
电力负荷的预测对于电网运行规划管理、制定电力调度计划意义重大，精确的电力负荷预测方法能够实现电力能源的精准规划，是用户稳定用电、电网稳定运行、经济稳定发展的重要保障。过去常用的负荷预测方法如时间序列法、趋势外推法、回归分析法、灰色模型法等，但是需要建立精准且复杂的模型。大数据技术及数据挖掘技术的发展为海量负荷数据的高效处理提供了可行方式，常见的可用于负荷预测的数据挖掘技术有支持向量机、神经网络、聚类分析。
由于系统负荷由多个用电负荷构成，用电负荷的变化千差万别，不同类型的用电负荷具有自身的负荷特性与负荷发展规律，用电负荷在叠加时会削弱甚至抵消某些用电负荷的变化规律，使得系统负荷的规律性变得模糊，难以精确定位负荷波动真正原因；同时由于负荷的影响因素众多，且他们之间的非线性、复杂性和滞后性等特点，在实际应用中建立系统负荷与众多影响因素之间的关系模型存在很大困难。因此现有的负荷预测精度不高。
发明内容
本发明的目的在于克服上述现有负荷预测技术的缺点，针对海量的电网运行数据，提供一种基于数据挖掘技术的电力负荷预测方法。
本发明具体为一种基于数据挖掘技术的负荷预测方法，包含以下步骤：
(1)获取馈线数据并进行预处理；
(2)使用数据挖掘技术中的聚类方法分析各类馈线的负荷特征，对获得的每类馈线负荷进行分析；
(3)根据各馈线簇的负荷水平和负荷曲线形状定性每类馈线负荷所属行业用电特性；
(4)构建影响因素集合；
(5)运用相关性分析和关联规则分析对影响负荷特性的诸多因素与每类馈线负荷进行分析，挖掘出馈线负荷特性与其影响因子间的关联特性；
(6)使用RBF神经网络对各馈线簇进行预测，根据各馈线簇在待预测时间的负荷预测值，得到系统在待预测时间的总用电负荷预测值，完成基于数据挖掘技术的负荷预测。
进一步的，所述步骤(2)具体包括以下步骤：
21)初始化聚类中心：随机选取C个聚类中心；
22)计算质心：不断迭代计算隶属度μij和簇中心cj的过程，直到他们达到最优；
其中隶属度
将每一个样本数据xi指派到最近的聚类中心，形成C个簇，目标函数如下：
其中：m为聚类的簇数；c为事先指定的聚类中心个数；xi为第i个样本；Cj是j簇的中心；μij为样本xi相对于第j簇聚类中心的隶属度；
23)通过迭代方法不断修正聚类中心，直到满足预先设置的目标函数精度，即当||μij (k+1)-μij (k)||＜ε，停止迭代，否则返回步骤2)；
24)对分类好的馈线数据进行无量纲归一化，根据其负荷曲线可以分析出其用电特征。
进一步的，所述步骤(4)中馈线负荷的影响因素集合中包括经济发展类指标、社会居民发展类指标和气候类指标，所述经济发展类指标包括GDP、第一产业生产总值、第二产业生产总值、第三产业生产总值、规模以上工业生产总值，所述社会居民发展类指标包括地区总人数、人均国内生产总值、居民消费价格指数、城镇化率。
进一步的，所述步骤(5)具体包括以下步骤：
51)在构建影响因素集合后，采用皮尔逊相关系数分析法判断每个影响因素与聚类后的馈线负荷数据的相关性；
52)采用灰色关联分析法对强相关因素进行关联规则分析；
53)获得关联性较强的因素，与聚类后的各类馈线负荷作为输入训练神经网络。
进一步的，所述步骤51)具体包括以下内容：
1)以聚类后的馈线负荷数据为参考序列X0，各个影响因素序列为比较序列Xi；
2)无量纲化处理：通过归一化处理将各数据处理为同一量纲下的数据；
3)计算相关性，皮尔逊相关系数计算公式如下：
通过皮尔逊相关系数计算得出各影响因素与馈线数据的相关性强度，然后保留强相关以上的影响因素。
进一步的，所述步骤52)具体包括以下内容：
1)选取参考序列，即为馈线数据，比较序列，即为相关性分析筛选后的强相关性因素；
2)数据变换：对数据进行处理变换，保证灰色关联分析在同一量纲下进行；
3)计算关联度：采用典型灰色关联模型的邓氏模型，关联度计算公式如下：
其中：ξ(X0(k),Xi(k))称为参考序列与比较序列的关联系数
进一步的，所述步骤(6)中：
RBF神经网络的数据流向为：训练样本-RBF隐藏层-权重矩阵-输出层，输入层到输出层为非线性映射，隐藏层的激活函数为径向基RBF函数；
假设隐含层节点个数为s，第p个训练样本xp从隐含层的第i个节点(i＝1,2,…,s)的输出为：
其中ci为第i个基函数的中心值，与输入向量同维数；xp-ci为核函数中心，σ为函数的宽度参数；||xp-ci||2为xp和ci的距离。
进一步的，所述步骤(6)中：RBF神经网络算法流程主要包括以下步骤：
1)网络初始化，随机选取h个训练样本作为聚类中心ci；
2)使用K-Means算法将输入的训练样本集合聚类；
3)重新调整聚类中心，直到新的聚类中心不再发生变化；
4)求解方差
式中cmax为选取中心的最大距离；
5)计算隐藏层和输出层的权值
6)输出
将馈线负荷历史数据与影响因素作为输入集合训练神经网络，得到各馈线簇的预测值；各馈线簇的预测值之和即为整个馈线负荷的总用电负荷预测值。
与现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明不受数据大小的限制，可以应用在不同地区的应用场景，对于实施例的描述，不应成为本发明的限制。本发明采用的模糊c均值聚类方法更科学有效的划分得到馈线簇类，能够准确得到各馈线的用电特征，从而获得更加精细化的负荷划分。使用相关性分析和关联规则分析二次筛选，得到的影响因素更加精确、科学，从而使得负荷预测的结果更加准确。
附图说明
图1是本发明一种基于数据挖掘技术的负荷预测方法的流程图。
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，以下结合附图及实施案例对本发明进行深入地详细说明。应当理解，此处所描述的具体实施案例仅仅用以解释本发明，并不用于限定发明。
获取系统中各馈线的历史负荷数据，在具体获取过程中，根据具体需求进行采集，采样点为采集时间96点负荷数据，采集时间为典型日(如每月最大负荷发生日)；在采集到数据之后对异常值、空值进行处理，当数据量很大时可做行删除处理，另外在做模糊C均值聚类之前，需要对数据做归一化处理。
在本发明中的用电行为分析步骤，借助聚类分析技术，即模糊c均值算法，聚类算法的流程主要包括以下步骤：
1}初始化聚类中心：随机选取C个聚类中心；
2)计算质心：不断迭代计算隶属度μij和簇中心cj的过程，直到他们达到最优。
其中隶属度
将每一个样本数据xi指派到最近的聚类中心，形成C个簇，目标函数如下：
其中：m为聚类的簇数；c为事先指定的聚类中心个数；xi为第i个馈线的负荷曲线，以向量表示；Cj是j簇的中心；μij为第j个样本相对于第i类负荷曲线中心的隶属度。
3)通过迭代方法不断修正聚类中心，直到满足预先设置的目标函数精度，即当||μij (k+1)-μij (k)||＜ε，停止迭代，否则返回步骤(2)。其中第2)步决定了最终生成几个聚类簇，即几个行业，根据行业精细划分，聚类中心应在8个以上。
构建影响因素集合：通过本地年鉴信息，搜集本地生产总值，人均生产总值等经济指标，搜集月最高气温、最低气温、降水量等气候指标，搜集城市化率，人均消费水平等社会发展指标。通过这些指标构建完整的影响因素集合；利用各主导因素构建每个簇类预测模型的输入集合。
首先通过相关性分析，找出每个馈线簇中对馈线数据相关性较强的因素，以皮尔逊相关系数作为计算标准。再对这些相关性较强的因素与馈线负荷使用灰色关联模型进行关联规则分析，找出关联性较强的因素，作为主导因素构建每个簇类预测模型的输入集合。技术步骤如下：
1)以聚类后的馈线负荷数据为参考序列X0，各个影响因素序列为比较序列Xi。
2)无量纲化处理。通过归一化处理将各数据处理为同一量纲下进性下一步的操作。
3)计算相关性。皮尔逊相关系数计算公式如下：
通过皮尔逊相关系数可以计算得出各影响因素与馈线数据的相关性强度，然后保留强相关以上的影响因素。
接下来对这些强相关因素进行关联规则分析，本发明采用灰色关联分析。灰色关联分析在本发明中的技术路线如下：
1)选取参考序列，即为馈线数据，比较序列，即为相关性分析筛选后的强相关性因素。
2)数据变换。对数据进行处理变换，保证灰色关联分析在同一量纲下进行。
3)计算关联度。本发明采用典型灰色关联模型的邓氏模型。关联度计算公式如下：
其中：ξ(X0(k),Xi(k))称为参考序列与比较序列的关联系数
最终获得与聚类后的各类馈线簇关联性较强的因素，与各类馈线负荷作为输入训练神经网络。
馈线负荷预测：本发明借助大数据技术架构，研究了对馈线数据的数据挖掘技术实现了负荷预测。综合考虑影响因素的类型，构建了影响因素集合，并将数据挖掘技术应用在分析用电行为，为提升预测模型的精准性奠定了基础。
馈线负荷预测主要包括以下步骤：
1)网络初始化。随机选取h个训练样本作为聚类中心ci。
2)使用K-Means算法将输入的训练样本集合聚类。
3)重新调整聚类中心，直到新的聚类中心不再发生变化。
4)求解方差。
式中cmax为选取中心的最大距离。
5)计算隐藏层和输出层的权值。
6)输出
将馈线负荷历史数据与影响因素作为输入集合训练神经网络，得到各馈线簇的预测值。各馈线簇的预测值之和即为整个馈线负荷的总用电负荷预测值。可使用SPSSModeler数据挖掘软件完成此步，自动完成神经网络的训练。
下面列举一个实例。
以某地区的馈线负荷为例，采样时间范围为2017-01——2020-07中每个月的典型日负荷数据，采样间隔为15min，每个馈线每天采样96点数据。使用模糊C均值将其聚类，最终获得18个聚类簇。以聚类1和聚类6为例，进行相关性分析，结果如下：
对相关性为强的进行灰色关联分析，结果如下：
可以得出聚类1关联度最高的因素GDP和人均GDP，聚类6关联度最高的因素GDP和人均可支配收入。
将关联因素和各类聚类簇一起作为输入分别进行RBF神经网络训练，最终得到预测结果——2020年8月最大负荷。下面为与传统的预测方法线性回归模型及不考虑聚类的RBF神经网络预测模型方法的对比：
最后应该说明的是，结合上述实施例仅说明本发明的技术方案而非对其限制。所属领域的普通技术人员应当理解到，本领域技术人员可以对本发明的具体实施方式进行修改或者等同替换，但这些修改或变更均在申请待批的权利要求保护范围之中。
Claims (4)
1.一种基于数据挖掘技术的负荷预测方法，其特征在于，该方法包含以下步骤：
(1)获取馈线数据并进行预处理；
(2)使用数据挖掘技术中的聚类方法分析各类馈线的负荷特征，对获得的每类馈线负荷进行分析；
(3)根据各馈线簇的负荷水平和负荷曲线形状定性每类馈线负荷所属行业用电特性；
(4)构建影响因素集合；
(5)运用相关性分析和关联规则分析对影响负荷特性的诸多因素与每类馈线负荷进行分析，挖掘出馈线负荷特性与其影响因子间的关联特性；
(6)使用RBF神经网络对各馈线簇进行预测，根据各馈线簇在待预测时间的负荷预测值，得到系统在待预测时间的总用电负荷预测值，完成基于数据挖掘技术的负荷预测；
所述步骤(5)具体包括以下步骤：
51)在构建影响因素集合后，采用皮尔逊相关系数分析法判断每个影响因素与聚类后的馈线负荷数据的相关性；
52)采用灰色关联分析法对强相关因素进行关联规则分析；
53)获得关联性较强的因素，与聚类后的各类馈线负荷作为输入训练神经网络；
所述步骤51)具体包括以下内容：
1)以聚类后的馈线负荷数据为参考序列X0，各个影响因素序列为比较序列Xi；
2)无量纲化处理：通过归一化处理将各数据处理为同一量纲下的数据；
3)计算相关性，皮尔逊相关系数计算公式如下：
通过皮尔逊相关系数计算得出各影响因素与馈线数据的相关性强度，然后保留强相关以上的影响因素；
所述步骤52)具体包括以下内容：
1)选取参考序列，即为馈线数据，比较序列，即为相关性分析筛选后的强相关性因素；
2)数据变换：对数据进行处理变换，保证灰色关联分析在同一量纲下进行；
3)计算关联度：采用典型灰色关联模型的邓氏模型，关联度计算公式如下：
其中：ξ(X0(k),Xi(k))称为参考序列与比较序列的关联系数
所述步骤(6)中：RBF神经网络算法流程主要包括以下步骤：
1)网络初始化，随机选取h个训练样本作为聚类中心ci；
2)使用K-Means算法将输入的训练样本集合聚类；
3)重新调整聚类中心，直到新的聚类中心不再发生变化；
4)求解方差
式中cmax为选取中心的最大距离；
5)计算隐藏层和输出层的权值
6)输出
将馈线负荷历史数据与影响因素作为输入集合训练神经网络，得到各馈线簇的预测值；各馈线簇的预测值之和即为整个馈线负荷的总用电负荷预测值。
2.根据权利要求1所述的一种基于数据挖掘技术的负荷预测方法，其特征在于，所述步骤(2)具体包括以下步骤：
21)初始化聚类中心：随机选取C个聚类中心；
22)计算质心：不断迭代计算隶属度μij和簇中心cj的过程，直到他们达到最优；
其中隶属度
将每一个样本数据xi指派到最近的聚类中心，形成C个簇，目标函数如下：
其中：m为聚类的簇数；c为事先指定的聚类中心个数；xi为第i个样本；Cj是j簇的中心；μij为样本xi相对于第j簇聚类中心的隶属度；
23)通过迭代方法不断修正聚类中心，直到满足预先设置的目标函数精度，即当
停止迭代，否则返回步骤2)；
24)对分类好的馈线数据进行无量纲归一化，根据其负荷曲线能够分析出其用电特征。
3.根据权利要求1所述的一种基于数据挖掘技术的负荷预测方法，其特征在于，所述步骤(4)中馈线负荷的影响因素集合中包括经济发展类指标、社会居民发展类指标和气候类指标，所述经济发展类指标包括GDP、第一产业生产总值、第二产业生产总值、第三产业生产总值、规模以上工业生产总值，所述社会居民发展类指标包括地区总人数、人均国内生产总值、居民消费价格指数、城镇化率。
4.根据权利要求1所述的一种基于数据挖掘技术的负荷预测方法，其特征在于，所述步骤(6)中：
RBF神经网络的数据流向为：训练样本-RBF隐藏层-权重矩阵-输出层，输入层到输出层为非线性映射，隐藏层的激活函数为径向基RBF函数；
假设隐含层节点个数为s，第p个训练样本xp从隐含层的第i个节点的输出为：
其中，i＝1,2,…,s，ci为第i个基函数的中心值，与输入向量同维数；xp-ci为核函数中心，σ为函数的宽度参数；||xp-ci||2为xp和ci的距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110651314.8A CN113393028B (zh) | 2021-06-10 | 2021-06-10 | 一种基于数据挖掘技术的负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110651314.8A CN113393028B (zh) | 2021-06-10 | 2021-06-10 | 一种基于数据挖掘技术的负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113393028A CN113393028A (zh) | 2021-09-14 |
| CN113393028B true CN113393028B (zh) | 2022-08-19 |
Family
ID=77620452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110651314.8A Active CN113393028B (zh) | 2021-06-10 | 2021-06-10 | 一种基于数据挖掘技术的负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113393028B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113887809A (zh) * | 2021-10-11 | 2022-01-04 | 国网新疆电力有限公司巴州供电公司 | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 |
| CN114069617A (zh) * | 2021-11-11 | 2022-02-18 | 广东电网有限责任公司 | 一种馈线负荷的预测方法及装置 |
| CN113872204B (zh) * | 2021-12-03 | 2022-03-22 | 全球能源互联网研究院有限公司 | 一种基于电网图拓扑计算的用电负荷性质确定方法及装置 |
| CN114781685B (zh) * | 2022-03-17 | 2024-01-09 | 广西电网有限责任公司 | 基于大数据挖掘技术的大用户用电负荷预测方法及系统 |
| CN115829272B (zh) * | 2022-12-08 | 2023-07-28 | 国网江苏省电力有限公司南通供电分公司 | 一种行业电量需求关键影响因素提取方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
| CN110689195A (zh) * | 2019-09-26 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种电力日负荷预测方法 |
| CN111784019A (zh) * | 2019-12-26 | 2020-10-16 | 国网北京市电力公司 | 电力负荷处理方法和装置 |
| CN111815054A (zh) * | 2020-03-31 | 2020-10-23 | 浙江大学 | 基于大数据的工业蒸汽热网短期负荷预测方法 |
| CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
-
2021
- 2021-06-10 CN CN202110651314.8A patent/CN113393028B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
| CN110689195A (zh) * | 2019-09-26 | 2020-01-14 | 云南电网有限责任公司电力科学研究院 | 一种电力日负荷预测方法 |
| CN111784019A (zh) * | 2019-12-26 | 2020-10-16 | 国网北京市电力公司 | 电力负荷处理方法和装置 |
| CN111815054A (zh) * | 2020-03-31 | 2020-10-23 | 浙江大学 | 基于大数据的工业蒸汽热网短期负荷预测方法 |
| CN112561156A (zh) * | 2020-12-11 | 2021-03-26 | 国网江苏省电力有限公司南通供电分公司 | 基于用户负荷模式分类的短期电力负荷预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113393028A (zh) | 2021-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113393028B (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
| CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN109461025B (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
| CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
| Ozkan et al. | Data mining-based upscaling approach for regional wind power forecasting: Regional statistical hybrid wind power forecast technique (RegionalSHWIP) | |
| CN110674993A (zh) | 一种用户负荷短期预测方法和装置 | |
| Zeng et al. | A learning framework based on weighted knowledge transfer for holiday load forecasting | |
| CN111144468A (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
| CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
| CN111126499A (zh) | 一种基于二次聚类的用电行为模式分类方法 | |
| CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| Müller et al. | Electrical load forecasting in disaggregated levels using fuzzy ARTMAP artificial neural network and noise removal by singular spectrum analysis | |
| CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
| CN109389517B (zh) | 一种量化线路损耗影响因素的分析方法及装置 | |
| CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| Ilich et al. | Modeling of employment structural transformations | |
| Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
| CN116307250A (zh) | 一种基于典型日特征选择的短期负荷预测方法及系统 | |
| CN114372835B (zh) | 综合能源服务潜力客户识别方法、系统及计算机设备 | |
| CN107464015B (zh) | 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法 | |
| Karimi et al. | Analyzing the results of buildings energy audit by using grey incidence analysis | |
| Piwowarski et al. | Issues of multi-criteria methods applicability supporting complex business process decision-making in management | |
| CN114091904A (zh) | 一种基于人工智能算法的企业迁移园区招商分析方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |