CN113449933B - 基于聚类电量曲线分解的地区中期负荷预测方法及装置 - Google Patents

基于聚类电量曲线分解的地区中期负荷预测方法及装置 Download PDF

Info

Publication number
CN113449933B
CN113449933B CN202111001894.2A CN202111001894A CN113449933B CN 113449933 B CN113449933 B CN 113449933B CN 202111001894 A CN202111001894 A CN 202111001894A CN 113449933 B CN113449933 B CN 113449933B
Authority
CN
China
Prior art keywords
electric quantity
industry
component
month
clustering
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
Application number
CN202111001894.2A
Other languages
English (en)
Other versions
CN113449933A (zh
Inventor
钟士元
罗路平
王伟
李映雪
舒娇
陈俊志
李玉婷
郑春
熊宁
谢鹏
聂更生
张文锦
肖异瑶
廖志伟
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.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Jiangxi Electric Power Co Ltd
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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111001894.2A priority Critical patent/CN113449933B/zh
Publication of CN113449933A publication Critical patent/CN113449933A/zh
Application granted granted Critical
Publication of CN113449933B publication Critical patent/CN113449933B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开基于聚类电量曲线分解的地区中期负荷预测方法及装置，方法包括根据各个相邻年份的电量序列相似度的均值大小，判断某一行业所属的行业周期性；将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；基于长期趋势分量和季节周期分量分别建立第一向量回归模型和第二向量回归模型；将某一行业的电量数据输入至与某一行业相关联的第一向量回归模型和第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。通过季节分解分离不同种类行业电量子序列，并针对不同电量序列建立对应支持向量回归预测模型，能够提高预测模型的准确率。

Description

基于聚类电量曲线分解的地区中期负荷预测方法及装置
技术领域
本发明属于电力负荷预测技术领域，尤其涉及一种基于聚类电量曲线分解的地区中期负荷预测方法及装置。
背景技术
中长期负荷预测是电网公司布局电力系统规划、优化电力资源配给与提供优质电力服务的基础，传统地区中长期负荷预测存在着历史电量数据样本较小、预测时间跨度较大以及影响因素复杂繁多等问题，特别是随着我国社会经济水平的快速发展，各类行业用电量稳中有升，跨行业用电特性与用电需求各不相同，因此做好地区负荷预测工作与行业用电规律研究有助于电网企业进行电力系统布局规划、提供针对行业的定制化供电服务。
当前国内对地区中长期负荷预测的研究主要集中于利用时间序列分解方法提取地区电量曲线规律信息以及利用人工智能技术实现影响因素多维回归负荷预测。现有时间序列分解方法诸如通过小波分解方法提取电量曲线周期性分量信息、利用经验模态分解方法分解非线性非平稳的电量曲线的本征模函数信息从而实现地区中长期负荷预测。此外，人工智能算法有如BP神经网络、卷积神经网络、长短时记忆网络等，利用已有的经济气象等影响因素对历史电量数据进行训练，分析地区负荷与多维影响因素关系，从而实现地区中长期负荷预测。
上述地区中长期负荷预测算法以地区整体负荷负荷发展趋势为研究目标，而传统时间序列分解方法旨在分解电量序列中的不同周期分量，对分解得出的子序列物理意义阐述不明，预测结果的可解释性相对较弱。一个地区的用电总量是由居民负荷和各行业用电负荷决定，行业的用电特性由其自身的生产规律决定，研究对应行业的发展趋势和用电规律可以有效提高负荷预测准确率。而目前对行业电量预测仍处于按产业归属分类的初步研究，并未完全针对行业自身生产规律进行有效研究。
发明内容
本发明提供一种基于聚类电量曲线分解的地区中期负荷预测方法及装置，用于至少解决上述技术问题之一。
第一方面，本发明提供一种基于聚类电量曲线分解的地区中期负荷预测方法，包括：响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行业的电量序列相似度的表达式为：
Figure 546629DEST_PATH_IMAGE001
式中，
Figure 94285DEST_PATH_IMAGE002
为累积归整距离，
Figure 733208DEST_PATH_IMAGE003
为
Figure 770434DEST_PATH_IMAGE004
点与
Figure 127597DEST_PATH_IMAGE005
点之间的距离，
Figure 541261DEST_PATH_IMAGE006
为通过累积归整距离计算得到的电量序列相似度，
Figure 97007DEST_PATH_IMAGE007
为
Figure 449010DEST_PATH_IMAGE008
点与
Figure 152524DEST_PATH_IMAGE009
点的累积归整距离，
Figure 245245DEST_PATH_IMAGE010
为
Figure 983394DEST_PATH_IMAGE011
点与
Figure 300105DEST_PATH_IMAGE012
点的累积归整距离；根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量，内循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进行计算；基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。
第二方面，本发明提供一种基于聚类电量曲线分解的地区中期负荷预测装置，包括：计算模块，配置为响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行业的电量序列相似度的表达式为：
Figure 631861DEST_PATH_IMAGE001
式中，
Figure 121748DEST_PATH_IMAGE002
为累积归整距离，
Figure 855349DEST_PATH_IMAGE003
为
Figure 77383DEST_PATH_IMAGE004
点与
Figure 755489DEST_PATH_IMAGE005
点之间的距离，
Figure 190012DEST_PATH_IMAGE006
为通过累积归整距离计算得到的电量序列相似度，
Figure 902753DEST_PATH_IMAGE007
为
Figure 561268DEST_PATH_IMAGE008
点与
Figure 599106DEST_PATH_IMAGE009
点的累积归整距离，
Figure 430796DEST_PATH_IMAGE010
为
Figure 138989DEST_PATH_IMAGE011
点与
Figure 296301DEST_PATH_IMAGE012
点的累积归整距离；判断模块，配置为根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；聚类模块，配置为筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；分解模块，配置为对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量，内循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进行计算；建立模块，配置为基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；输出模块，配置为响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的一种基于聚类电量曲线分解的地区中期负荷预测方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行本发明任一实施例的一种基于聚类电量曲线分解的地区中期负荷预测方法的步骤。
本申请的一种基于聚类电量曲线分解的地区中期负荷预测方法及装置，通过计算行业周期性筛选发展趋势变动的行业，在发展趋势稳定的行业基础上聚类分析类似用电特性的行业，通过季节分解分离不同种类行业电量子序列，并针对不同电量序列建立对应支持向量回归预测模型，使得能够在提高预测模型准确率的基础上，对于当地行业发展趋势有更为清晰的认知，有助于更为清晰地认识当地经济发展与产业升级情况，有助于供电企业提供更为优质且适合的供电服务。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图；
图2为本发明一实施例提供的又一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图；
图3为本发明一实施例提供的再一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图；
图4为本发明一实施例提供的一种基于聚类电量曲线分解的地区中期负荷预测装置的结构框图；
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本申请的一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图。
如图1所示，一种基于聚类电量曲线分解的地区中期负荷预测方法包括以下步骤：
步骤S101，响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度。
在本实施例中，对于某个行业电量序列，在行业电量周期性计算中引入动态时间归整算法，通过动态规划思想求解相邻年份电量序列之间的归整路径距离从而计算某一行业的电量序列相似度。假设某行业相邻年份归一化电量序列分别为
Figure 824365DEST_PATH_IMAGE013
和
Figure 397429DEST_PATH_IMAGE014
，
Figure 84763DEST_PATH_IMAGE015
为
Figure 22763DEST_PATH_IMAGE016
归整距离矩阵，计算所述某一行业的电量序列相似度的表达式为：
Figure 162757DEST_PATH_IMAGE001
式中，
Figure 273932DEST_PATH_IMAGE002
为累积归整距离，
Figure 691138DEST_PATH_IMAGE003
为
Figure 190253DEST_PATH_IMAGE004
点与
Figure 427330DEST_PATH_IMAGE005
点之间的距离，
Figure 670093DEST_PATH_IMAGE006
为通过累积归整距离计算得到的电量序列相似度，
Figure 933016DEST_PATH_IMAGE007
为
Figure 275136DEST_PATH_IMAGE008
点与
Figure 389722DEST_PATH_IMAGE009
点的累积归整距离，
Figure 45963DEST_PATH_IMAGE010
为
Figure 968919DEST_PATH_IMAGE011
点与
Figure 809837DEST_PATH_IMAGE012
点的累积归整距离。
步骤S102，根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性。其中，所述行业周期性包括强周期行业。
在本实施例中，通过计算行业电量过往相邻年份序列相似度均值得出行业周期性进而评判行业发展趋势是否出现变动。对行业周期性区分作如下定义：行业发展趋势稳定的强周期行业、行业发展趋势发生变化的弱周期行业以及受订单主导的无明显周期行业，具体判定指标如下表所示:
Figure 287085DEST_PATH_IMAGE017
。
步骤S103，筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果。
在本实施例中，将无明显周期行业电量序列作残差舍去处理。选择发展趋势变化后的弱周期行业电量序列作为训练数据。并筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果。
步骤S104，对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算。
在本实施例中，根据局部加权回归的时间序列季节方法对所述用电量聚类结果进行分解，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量，内循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进行计算，
内循环的计算过程如下：
Figure 606071DEST_PATH_IMAGE018
，
式中，
Figure 852376DEST_PATH_IMAGE019
为第i个月的某一行业用电量，
Figure 536298DEST_PATH_IMAGE020
为第i个月的长期趋势分量，
Figure 625477DEST_PATH_IMAGE021
为第i个月的季节周期分量，
Figure 357941DEST_PATH_IMAGE022
为第i个月的不规则余项分量；
Figure 583386DEST_PATH_IMAGE023
，
式中，
Figure 700859DEST_PATH_IMAGE024
为
Figure 887121DEST_PATH_IMAGE025
次迭代的第
Figure 813488DEST_PATH_IMAGE026
个月内循环计算的临时分量，
Figure 768806DEST_PATH_IMAGE027
为
Figure 122427DEST_PATH_IMAGE028
次迭代的第
Figure 592722DEST_PATH_IMAGE026
个月内循环临时分量的鲁棒性权重，
Figure 198147DEST_PATH_IMAGE029
为
Figure 398184DEST_PATH_IMAGE028
次迭代的第
Figure 532494DEST_PATH_IMAGE026
个月长期趋势分量；
Figure 817982DEST_PATH_IMAGE030
，
式中，
Figure 758256DEST_PATH_IMAGE031
为
Figure 422586DEST_PATH_IMAGE025
次迭代的第
Figure 58623DEST_PATH_IMAGE026
个月季节周期分量，
Figure 565827DEST_PATH_IMAGE032
为
Figure 247476DEST_PATH_IMAGE025
次迭代的第
Figure 422105DEST_PATH_IMAGE026
个月内循环计算的临时分量对低通滤波的低通量；
Figure 960534DEST_PATH_IMAGE033
，
式中，
Figure 95980DEST_PATH_IMAGE034
为
Figure 440374DEST_PATH_IMAGE025
次迭代的第
Figure 344876DEST_PATH_IMAGE026
个月长期趋势分量；
Figure 319785DEST_PATH_IMAGE035
，
式中，
Figure 536003DEST_PATH_IMAGE036
为
Figure 825033DEST_PATH_IMAGE025
次迭代的第
Figure 380779DEST_PATH_IMAGE026
个月不规则余项分量。
外循环对内循环鲁棒性权重进行计算的表达式为：
Figure 854486DEST_PATH_IMAGE037
，
式中，
Figure 430436DEST_PATH_IMAGE027
为
Figure 382211DEST_PATH_IMAGE028
次迭代的第
Figure 58043DEST_PATH_IMAGE026
个月内循环临时分量的鲁棒性权重，
Figure 578018DEST_PATH_IMAGE038
为避免余项离群值影响的临时变量，
Figure 768827DEST_PATH_IMAGE039
为
Figure 399660DEST_PATH_IMAGE040
次迭代的第
Figure 664419DEST_PATH_IMAGE026
个月不规则余项分量；
Figure 479929DEST_PATH_IMAGE041
，
式中，
Figure 33401DEST_PATH_IMAGE042
为bisquare函数，
Figure 264662DEST_PATH_IMAGE043
为自变量；
Figure 711824DEST_PATH_IMAGE044
，
式中，
Figure 308021DEST_PATH_IMAGE045
为
Figure 425755DEST_PATH_IMAGE046
函数。
步骤S105，基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型。
步骤S106，响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。
综上描述，本申请的方法基于动态时间规整算法的行业电量曲线相似度判断可以有效避免因不同年份的春节假期在不同月份导致的电量低谷月份不同的“春节效应”现象导致的行业周期性误判。在行业电量周期性计算结果的基础上，并聚类同一产业下属的用电特性相似行业，使用季节分解算法提取长期趋势分量、季节周期分量以及不规则残差分量。对各电量子序列建立支持向量回归预测模型，可以有效提高预测模型准确率，对于当地行业发展趋势有更为清晰的认知，有助于更为清晰地认识当地经济发展与产业升级情况，有助于供电企业提供更为优质且适合的供电服务。
请参阅图2，其示出了本申请的又一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图。该流程图主要是对步骤S102“根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性”的情况的进一步限定的步骤的流程图。
如图2所示，在步骤S201中，判断各个相邻年份的所述电量序列相似度的均值是否大于第一预设阈值；
在步骤S202中，若各个相邻年份的所述电量序列相似度的均值大于第一预设阈值，则某一行业为强周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值，判断各个相邻年份的所述电量序列相似度的均值是否大于第二预设阈值；
在步骤S203中，若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值且大于第二预设阈值，则某一行业为弱周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第二预设阈值，则某一行业为无明显周期行业。
在本实施例中，对于步骤S201，判断各个相邻年份的所述电量序列相似度的均值是否大于第一预设阈值。之后，对于步骤S202，若各个相邻年份的所述电量序列相似度的均值大于第一预设阈值，则某一行业为强周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值，判断各个相邻年份的所述电量序列相似度的均值是否大于第二预设阈值。最后，对于步骤S203，若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值且大于第二预设阈值，则某一行业为弱周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第二预设阈值，则某一行业为无明显周期行业。从而实现了把行业用电量作为研究对象，利用动态时间规整算法确定行业用电周期性从判断行业经济发展趋势变动情况。
请参阅图3，其示出了本申请的再一种基于聚类电量曲线分解的地区中期负荷预测方法的流程图。
如图3所示，在步骤S301中，输入用电特性相同或相似的至少两个强周期行业的历史电量数据，去除显著离群数据，并作归一化处理；
在步骤S302中，对用电特性相同或相似的至少两个强周期行业的历史电量数据随机选择至少两个聚类中心，并计算各电量序列到聚类中心距离，并将各电量序列归入最近聚类中心类别；
在步骤S303中，若聚类中心收敛则计算并记录聚类数下的误差平方和，并制定误差平方和-聚类个数曲线图，其中，计算所述误差平方和的表达式为：
Figure 523024DEST_PATH_IMAGE047
，
Figure 965638DEST_PATH_IMAGE048
，
式中，
Figure 857370DEST_PATH_IMAGE049
为第
Figure 447752DEST_PATH_IMAGE050
个类别的聚类中心，
Figure 224078DEST_PATH_IMAGE051
为第
Figure 380253DEST_PATH_IMAGE050
个类别的行业电量序列集合，
Figure 583832DEST_PATH_IMAGE052
为第
Figure 395930DEST_PATH_IMAGE050
个类别的行业电量序列集合中元素的总数，
Figure 835002DEST_PATH_IMAGE053
为第
Figure 252208DEST_PATH_IMAGE054
个类别的行业
Figure 423426DEST_PATH_IMAGE055
电量序列，
Figure 50717DEST_PATH_IMAGE056
为聚类个数；
在步骤S304中，增加聚类数目直至聚类数目达到上限，选择所述误差平方和-聚类个数曲线图中变化曲率最大的点，对应聚类数为最佳聚类结果。
在本实施例中，对于步骤S301，输入用电特性相同或相似的至少两个强周期行业的历史电量数据，去除显著离群数据，并作归一化处理。之后，对于步骤S302，对用电特性相同或相似的至少两个强周期行业的历史电量数据随机选择至少两个聚类中心，并计算各电量序列到聚类中心距离，并将各电量序列归入最近聚类中心类别。然后，对于步骤S303，若聚类中心收敛则计算并记录聚类数下的误差平方和，并制定误差平方和-聚类个数曲线图，其中，误差平方和-聚类个数曲线图的纵坐标为误差平方和，横坐标为聚类个数。最后，对于步骤S304，增加聚类数目直至聚类数目达到上限，根据误差平方和与聚类数曲线图选择变化曲率最大的点，对应聚类数为最佳聚类结果。
本实施例的方法，采用对用电特性相同或相似的至少两个强周期行业进行聚类处理，目的是为了分离不同用电特性的行业，降低了对之后季节分解的季节周期分量计算影响，从而提高聚类曲线的周期性，进而提高电量预测的准确性。
请参阅图4，其示出了本申请的一种基于聚类电量曲线分解的地区中期负荷预测装置的结构框图。
如图4所示，地区中期负荷预测装置400，包括计算模块410、判断模块420、聚类模块430、分解模块440、建立模块450以及输出模块460。
其中，计算模块410，配置为响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行业的电量序列相似度的表达式为：
Figure 900337DEST_PATH_IMAGE001
式中，
Figure 296683DEST_PATH_IMAGE002
为累积归整距离，
Figure 638802DEST_PATH_IMAGE003
为
Figure 628755DEST_PATH_IMAGE004
点与
Figure 144050DEST_PATH_IMAGE005
点之间的距离，
Figure 332586DEST_PATH_IMAGE006
为通过累积归整距离计算得到的电量序列相似度，
Figure 48869DEST_PATH_IMAGE057
为
Figure 385173DEST_PATH_IMAGE008
点与
Figure 845104DEST_PATH_IMAGE009
点的累积归整距离，
Figure 888146DEST_PATH_IMAGE058
为
Figure 899965DEST_PATH_IMAGE011
点与
Figure 333351DEST_PATH_IMAGE012
点的累积归整距离；
判断模块420，配置为根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；
聚类模块430，配置为筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；
分解模块440，配置为对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量，内循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进行计算；
建立模块450，配置为基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；
输出模块460，配置为响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。
应当理解，图4中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图4中的诸模块，在此不再赘述。
在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于聚类电量曲线分解的地区中期负荷预测方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度；
根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性；
筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；
对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算；
基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；
响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于聚类电量曲线分解的地区中期负荷预测装置的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至基于聚类电量曲线分解的地区中期负荷预测装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图5是本发明实施例提供的电子设备的结构示意图，如图5所示，该设备包括：一个处理器510以及存储器520。电子设备还可以包括：输入装置530和输出装置540。处理器510、存储器520、输入装置530和输出装置540可以通过总线或者其他方式连接，图5中以通过总线连接为例。存储器520为上述的计算机可读存储介质。处理器510通过运行存储在存储器520中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于聚类电量曲线分解的地区中期负荷预测方法。输入装置530可接收输入的数字或字符信息，以及产生与基于聚类电量曲线分解的地区中期负荷预测装置的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于基于聚类电量曲线分解的地区中期负荷预测装置中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
响应于获取某地区中某一行业的历史电量数据，基于所述某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度；
根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性；
筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；
对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算；
基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；
响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于聚类电量曲线分解的地区中期负荷预测方法，其特征在于，包括：
响应于获取某地区中某一行业的历史电量数据，基于某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行业的电量序列相似度的表达式为：
Figure FDA0003326729310000011
式中，D(i，j)为累积归整距离，d(xi，yj)为xi点与yj点之间的距离，θ为通过累积归整距离计算得到的电量序列相似度，D(i-1，j)为xi-1点与yj点的累积归整距离，D(i，j-1)为xi点与yj-1点的累积归整距离；
根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；
筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；
对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量以及不规则余项分量，内循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进行计算，内循环的计算过程如下：
Yi＝Ti+Si+Ri，
式中，Yi为第i个月的某一行业用电量，Ti为第i个月的长期趋势分量，Si为第i个月的季节周期分量，Ri为第i个月的不规则余项分量；
Figure FDA0003326729310000012
式中，Ci (k+1)为k+1次迭代的第i个月内循环计算的临时分量，wi (k)为k次迭代的第i个月内循环临时分量的鲁棒性权重，Ti (k)为k次迭代的第i个月长期趋势分量；
Figure FDA0003326729310000021
式中，
Figure FDA0003326729310000022
为k+1次迭代的第i个月季节周期分量，
Figure FDA0003326729310000023
为k+1次迭代的第i个月内循环计算的临时分量对低通滤波的低通量；
Figure FDA0003326729310000024
式中，Ti (k+1)为k+1次迭代的第i个月长期趋势分量；
Figure FDA0003326729310000025
式中，
Figure FDA0003326729310000026
为k+1次迭代的第i个月不规则余项分量；
外循环对内循环鲁棒性权重进行计算的表达式为：
Figure FDA0003326729310000027
式中，wi (k)为k次迭代的第i个月内循环临时分量的鲁棒性权重，h为避免余项离群值影响的临时变量，
Figure FDA0003326729310000028
为k次迭代的第i个月不规则余项分量；
Figure FDA0003326729310000029
式中，B(u)为bisquare函数，u为自变量；
Figure FDA00033267293100000210
式中，median()为median函数；
基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；
响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。
2.根据权利要求1所述的一种基于聚类电量曲线分解的地区中期负荷预测方法，其特征在于，其中，所述行业周期性还包括弱周期行业和无明显周期行业，所述根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性包括：
判断各个相邻年份的所述电量序列相似度的均值是否大于第一预设阈值；
若各个相邻年份的所述电量序列相似度的均值大于第一预设阈值，则某一行业为强周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值，判断各个相邻年份的所述电量序列相似度的均值是否大于第二预设阈值；
若各个相邻年份的所述电量序列相似度的均值不大于第一预设阈值且大于第二预设阈值，则某一行业为弱周期行业，若各个相邻年份的所述电量序列相似度的均值不大于第二预设阈值，则某一行业为无明显周期行业。
3.根据权利要求1所述的一种基于聚类电量曲线分解的地区中期负荷预测方法，其特征在于，所述将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果包括：
输入用电特性相同或相似的至少两个强周期行业的历史电量数据，去除显著离群数据，并作归一化处理；
对用电特性相同或相似的至少两个强周期行业的历史电量数据随机选择至少两个聚类中心，并计算各电量序列到聚类中心距离，并将各电量序列归入最近聚类中心类别；
若聚类中心收敛则计算并记录聚类数下的误差平方和，并制定误差平方和-聚类个数曲线图，其中，计算所述误差平方和的表达式为：
Figure FDA0003326729310000031
式中，mj为第j个类别的聚类中心，Cj为第j个类别的行业电量序列集合，|Cj|为第j个类别的行业电量序列集合中元素的总数，Yp为第j个类别的行业p电量序列，k为聚类个数；
增加聚类数目直至聚类数目达到上限，选择所述误差平方和-聚类个数曲线图中变化曲率最大的点，对应聚类数为最佳聚类结果。
4.根据权利要求1所述的一种基于聚类电量曲线分解的地区中期负荷预测方法，其特征在于，所述对所述用电量聚类结果进行分解包括：
根据局部加权回归的时间序列季节方法对所述用电量聚类结果进行分解。
5.一种基于聚类电量曲线分解的地区中期负荷预测装置，其特征在于，包括：
计算模块，配置为响应于获取某地区中某一行业的历史电量数据，基于某一行业的相邻年份电量序列之间的归整路径距离计算某一行业的电量序列相似度，其中，计算所述某一行业的电量序列相似度的表达式为：
Figure FDA0003326729310000041
式中，D(i，j)为累积归整距离，d(xi，yj)为xi点与yj点之间的距离，θ为通过累积归整距离计算得到的电量序列相似度，D(i-1，j)为xi-1点与yj点的累积归整距离，D(i，j-1)为xi点与yj-1点的累积归整距离；
判断模块，配置为根据各个相邻年份的所述电量序列相似度的均值大小，判断所述某一行业所属的行业周期性，其中，所述行业周期性包括强周期行业；
聚类模块，配置为筛选出某地区中的强周期行业，并将用电特性相同或相似的至少两个强周期行业的历史电量数据进行聚类分析，使得到用电量聚类结果；
分解模块，配置为对所述用电量聚类结果进行分解，并基于内外双循环机制对所述用电量聚类结果分解后的分量进行计算，其中，所述用电量聚类结果分解后的分量包括长期趋势分量、季节周期分量以及不规则余项分量，内循环用于对长期趋势分量进行拟合和对季节周期分量进行计算，外循环用于对内循环鲁棒性权重进行计算，内循环的计算过程如下：
Yi＝Ti+Si+Ri，
式中，Yi为第i个月的某一行业用电量，Ti为第i个月的长期趋势分量，Si为第i个月的季节周期分量，Ri为第i个月的不规则余项分量；
Figure FDA0003326729310000042
式中，Ci (k+1)为k+1次迭代的第i个月内循环计算的临时分量，wi (k)为k次迭代的第i个月内循环临时分量的鲁棒性权重，Ti (k)为k次迭代的第i个月长期趋势分量；
Figure FDA0003326729310000051
式中，
Figure FDA0003326729310000052
为k+1次迭代的第i个月季节周期分量，
Figure FDA0003326729310000053
为k+1次迭代的第i个月内循环计算的临时分量对低通滤波的低通量；
Figure FDA0003326729310000054
式中，Ti (k+1)为k+1次迭代的第i个月长期趋势分量；
Figure FDA0003326729310000055
式中，
Figure FDA0003326729310000056
为k+1次迭代的第i个月不规则余项分量；
外循环对内循环鲁棒性权重进行计算的表达式为：
Figure FDA0003326729310000057
式中，wi (k)为k次迭代的第i个月内循环临时分量的鲁棒性权重，h为避免余项离群值影响的临时变量，
Figure FDA0003326729310000058
为k次迭代的第i个月不规则余项分量；
Figure FDA0003326729310000059
式中，B(u)为bisquare函数，u为自变量；
Figure FDA00033267293100000510
式中，median()为median函数；
建立模块，配置为基于所述长期趋势分量和所述季节周期分量分别建立第一向量回归模型和第二向量回归模型；
输出模块，配置为响应于获取的当前某一行业的电量数据，将所述某一行业的电量数据输入至与所述某一行业相关联的所述第一向量回归模型和所述第二向量回归模型中，使输出某一行业负荷预测结果，并将各行业负荷预测结果求和得出地区中期负荷预测结果。
6.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至4任一项所述的方法。
CN202111001894.2A 2021-08-30 2021-08-30 基于聚类电量曲线分解的地区中期负荷预测方法及装置 Active CN113449933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111001894.2A CN113449933B (zh) 2021-08-30 2021-08-30 基于聚类电量曲线分解的地区中期负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111001894.2A CN113449933B (zh) 2021-08-30 2021-08-30 基于聚类电量曲线分解的地区中期负荷预测方法及装置

Publications (2)

Publication Number Publication Date
CN113449933A CN113449933A (zh) 2021-09-28
CN113449933B true CN113449933B (zh) 2021-12-10

Family

ID=77818931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111001894.2A Active CN113449933B (zh) 2021-08-30 2021-08-30 基于聚类电量曲线分解的地区中期负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN113449933B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385210B (zh) * 2023-06-06 2023-08-15 江苏图南数字科技有限公司 一种基于物联网的供电能耗监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553516A (zh) * 2020-04-17 2020-08-18 贵州电网有限责任公司 一种短期电量负荷精准预测方法
CN112446518A (zh) * 2019-08-30 2021-03-05 华北电力大学（保定） 基于EMD分解的EMD-XGBoost中长期风电电量预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9753477B2 (en) * 2014-09-15 2017-09-05 Honeywell International Inc. Load forecasting for residential sector demand response
CN105404935A (zh) * 2015-11-11 2016-03-16 国网浙江省电力公司经济技术研究院 一种考虑业扩增量的电力系统月度负荷预测方法
CN106127360A (zh) * 2016-06-06 2016-11-16 国网天津市电力公司 一种基于用户特性分析的多模型负荷预测方法
CN108846530B (zh) * 2018-09-28 2021-11-26 国网上海市电力公司 一种基于“聚类-回归”模型的短期负荷预测方法
CN109657877A (zh) * 2018-12-29 2019-04-19 安徽数升数据科技有限公司 一种基于双层回归模型的电力中长期负荷预测方法
CN111731625B (zh) * 2020-05-20 2022-04-12 南通大学 一种自动检测和管理脱落索书号标签的图书的机械装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446518A (zh) * 2019-08-30 2021-03-05 华北电力大学（保定） 基于EMD分解的EMD-XGBoost中长期风电电量预测方法
CN111553516A (zh) * 2020-04-17 2020-08-18 贵州电网有限责任公司 一种短期电量负荷精准预测方法

Also Published As

Publication number Publication date
CN113449933A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN110610280B (zh) 一种电力负荷短期预测方法、模型、装置及系统
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
Yao et al. Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost
CN111241755A (zh) 电力负荷预测方法
Sengar et al. Ensemble approach for short term load forecasting in wind energy system using hybrid algorithm
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
Lv et al. EGA-STLF: A hybrid short-term load forecasting model
Gong et al. Bottom-up load forecasting with Markov-based error reduction method for aggregated domestic electric water heaters
Sundararajan et al. Regression and generalized additive model to enhance the performance of photovoltaic power ensemble predictors
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN116663746A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN113449933B (zh) 基于聚类电量曲线分解的地区中期负荷预测方法及装置
CN111310963A (zh) 电站的发电数据预测方法、装置、计算机设备和存储介质
CN115759336A (zh) 一种面向短期电力负荷预测的预测方法及存储介质
CN116821832A (zh) 针对高压工商业用户用电负荷的异常数据辨识与修正方法
CN108108837B (zh) 一种地区新能源电源结构优化预测方法和系统
CN112598188A (zh) 神经网络的生成方法、功率预测方法、装置和存储介质
CN117277312A (zh) 一种基于灰色关联分析的电力负荷影响因素方法及设备
CN113837486B (zh) 一种基于rnn-rbm的配网馈线长期负荷预测方法
CN112766535B (zh) 一种考虑负荷曲线特征的建筑负荷预测方法及系统
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
Dong et al. Image-based processing mechanism for peak load forecasting in smart grids
CN112801388A (zh) 一种基于非线性时间序列算法的电力负荷预测方法及系统
Ji et al. Online refinement of day‐ahead forecasting using intraday data for campus‐level load
CN114004414A (zh) 一种耦合Copula与LSTM的工企用能负荷预测方法

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
GR01 Patent grant
GR01 Patent grant