CN113705929A - 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 - Google Patents
一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 Download PDFInfo
- Publication number
- CN113705929A CN113705929A CN202111079795.6A CN202111079795A CN113705929A CN 113705929 A CN113705929 A CN 113705929A CN 202111079795 A CN202111079795 A CN 202111079795A CN 113705929 A CN113705929 A CN 113705929A
- Authority
- CN
- China
- Prior art keywords
- load
- predicted
- prediction
- time period
- data
- 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 86
- 230000004927 fusion Effects 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
本发明提供了一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，该方法包括：根据第一参考时段的负荷数据和第一参考时段的气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段负荷的第二预测结果，再根据第一预测结果和第二预测结果，确定目标预测时段的最终负荷预测结果。通过重点针对节假日进行负荷预测，再将其与常规负荷预测模型得到的第一预测结果相结合，有效的考虑了与正常日负荷差异较大的节假日的特殊性，能够提高特殊日期负荷预测的预测精度。
Description
技术领域
本申请属于电力负荷预测技术领域，尤其涉及一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法。
背景技术
负荷预测对电网的合理调度和运行起着重要的作用。准确的负荷预测可以降低电网运行成本，提高电力系统运行的可靠性、经济效果、自动化程度和管理科学化程度。因此，面对大规模并网建设的现代电网，高效的负荷预测显得尤为重要。由于特殊日期(例如春节假期)的特殊性，负荷水平与正常日差异较大，导致预测难度较大。
但是无论是传统的算法还是新兴的基于人工智能的预测算法，在负荷预测中，均以负荷曲线整体作为预测对象，以保证曲线的连续性。但由于曲线整体的平滑性，对于特殊日期负荷预测的预测精度低。
发明内容
有鉴于此，本发明提供了一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，旨在解决对特殊日期负荷预测的预测精度低的问题。
本发明实施例的第一方面提供了一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，包括：
获取根据历史负荷数据预测得到的目标预测时段负荷的第一预测结果；其中，所述目标预测时段包括至少一个待预测特殊时段；所述待预测特殊时段为所述目标预测时段中的节假日；所述节假日为春节；
获取第一参考时段的负荷数据和第一参考时段的气象数据，根据第一参考时段的负荷数据和第一参考时段的气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段负荷的第二预测结果；其中，所述第一参考时段为所述目标预测时段中与所述待预测特殊时段的前一时段；
根据所述第一预测结果和所述第二预测结果，确定所述目标预测时段的最终负荷预测结果。
本发明实施例的第二方面提供了一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置，包括：
获取模块，用于获取根据历史负荷数据预测得到的目标预测时段负荷的第一预测结果；其中，所述目标预测时段包括至少一个待预测特殊时段；所述待预测特殊时段为所述目标预测时段中的节假日；所述节假日为春节；
第一预测模块，用于获取第一参考时段的负荷数据和第一参考时段的气象数据，根据第一参考时段的负荷数据和第一参考时段的气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段负荷的第二预测结果；其中，所述第一参考时段为所述目标预测时段中与所述待预测特殊时段的前一时段；
第二预测模块，用于根据所述第一预测结果和所述第二预测结果，确定所述目标预测时段的最终负荷预测结果。
本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上第一方面所述基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法的步骤。
本发明实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，根据第一参考时段的负荷数据和第一参考时段的气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段负荷的第二预测结果，再根据第一预测结果和第二预测结果，确定目标预测时段的最终负荷预测结果。通过重点针对节假日进行负荷预测，再将其与常规负荷预测模型得到的第一预测结果相结合，有效的考虑了与正常日负荷差异较大的节假日的特殊性，能够提高特殊日期负荷预测的预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法的应用环境图；
图2是本发明一实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法的实现流程图；
图3是本发明实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法中确定最终负荷预测结果的实现流程图；
图4是本发明实施示例提供的历史特殊时段和第二参考时段的平均负荷数据的曲线图；
图5是本发明实施示例提供的最终负荷预测结果的曲线图；
图6是本发明实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置的结构示意图；
图7是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
负荷预测对电网的合理调度和运行起着重要的作用。准确的负荷预测可以降低电网运行成本，提高电力系统运行的可靠性。同时，负荷预测的准确性直接关系到电网运行的经济效果、电网的自动化程度和管理科学化程度。因此，面对大规模并网建设的现代电网，高效的负荷预测显得尤为重要。
负荷预测技术经过近几十年的发展，已经有许多不同的模型和方法被应用至此领域，包括传统的预测技术与基于人工智能的预测技术。经典或传统的预测方法主要包括回归分析预测方法、时间序列预测方法和灰色模型预测方法等。时间序列法的本质也是回归法，都是将预测目标作为因变量，但回归分析法的自变量是用各影响因素作为可控变量，而时间序列法的自变量是历史负荷。灰色模型预测方法是在灰色系统理论框架下，以小样本、信息不确定的时间序列为研究对象，通过建立灰色模型，对部分已知信息生成、提取有价值的信息，以实现对系统序列的预测与控制。随着现代科学技术的飞速发展，近年来，一些基于新兴学科理论的现代预测方法逐渐得到了成功应用，尤其是人工智能技术的不断完善，各种各样新的负荷预测方法也不断涌现，成为解决非线性问题和复杂系统问题的有效方法，主要包括人工神经网络、模糊逻辑方法、支持向量机等。
但是无论是传统的算法还是新兴的基于人工智能的预测算法，在负荷预测中，均以负荷曲线整体作为预测对象，以保证曲线的连续性，但对于最大、最小负荷这样的尖峰值或低谷值往往由于曲线整体的平滑性而预测不准，而春节由于假期的特殊性，负荷水平与正常日差异较大，导致预测难度进一步加大。
因此，本发明研究介绍一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，通过重点针对节假日进行负荷预测，再将其与常规负荷预测模型得到的第一预测结果相结合，有效的考虑了与正常日负荷差异较大的节假日的特殊性，能够提高特殊日期负荷预测的预测精度。
图1是本发明实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法的应用环境图。本发明实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法可以但不限于应用于该应用环境。如图1所示，该系统中包括：终端11和电子设备12。终端11和电子设备12可以通过网络进行通信。
电子设备12响应于终端11发送的目标预测时段的负荷预测请求。电子设备12用于从气象平台中获取目标预测时段的气象预报数据和历史时段的气象数据。电子设备12还用于根据存储的负荷数据、获取的气象预报数据和历史气象数据对目标预测时段的电力系统进行负荷预测，得到最终负荷预测结果并将其发送给终端11。
终端11可以包括但不限于各种电力设备终端、个人计算机、笔记本电脑、智能手机、平板电脑、便携式可穿戴设备。电子设备12可以是服务器、终端等，在此不作限定。服务器可以用独立服务器或者是多个服务器组成的服务器集群来实现。终端可以包括但不限于台式计算机、笔记本电脑、平板电脑等。
图2是本发明一实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法的实现流程图。如图2所示，该实施例中，以该方法应用于图1中的电子设备为例进行说明，基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，包括：
S201，获取根据历史负荷数据预测得到的目标预测时段负荷的第一预测结果；其中，目标预测时段包括至少一个待预测特殊时段；待预测特殊时段为目标预测时段中的节假日，节假日为春节。
S202，获取第一参考时段的负荷数据和第一参考时段的气象数据，根据第一参考时段的负荷数据和第一参考时段的气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段负荷的第二预测结果；其中，第一参考时段为目标预测时段中与待预测特殊时段的前一时段。
S203，根据第一预测结果和第二预测结果，确定目标预测时段的最终负荷预测结果。
本实施例中，目标预测时段可以为春节期间、五一假期期间等，在此不作限定。待预测特殊时段可以是目标预测时段中的某一天。第一参考时段可以为目标预测时段中与特殊时段相邻的前一周。气象数据可以是温度、湿度等在此不作限定。
本实施例中，通过获取根据历史负荷数据预测得到的目标预测时段的第一预测结果；其中，目标预测时段包括至少一个待预测特殊时段；根据第一参考时段的负荷数据和气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段的第二预测结果；其中，第一参考时段为目标预测时段中与特殊时段相邻的前一时段；根据第一预测结果和第二预测结果，确定目标预测时段的最终负荷预测结果。通过重点针对节假日进行负荷预测，再将其与常规负荷预测模型得到的第一预测结果相结合，有效的考虑了与正常日负荷差异较大的节假日的特殊性，能够提高特殊日期负荷预测的预测精度。
图3是本发明实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法中确定最终负荷预测结果的实现流程图。如图3所示，在一些实施例中，S202，包括：
S301，根据第一参考时段的负荷数据、气象数据、待预测特殊时段的气象预报数据，以及第一公式，确定待预测特殊时段的第二预测结果。
第一公式为：
bx+1＝bx-c-(ax-ax+1) (1)
其中，bx+1为第二预测结果，ax+1为待预测特殊时段对应的第一预测负荷，ax+1由气象预报数据确定，bx为第一参考时段对应的负荷值，ax为第一参考时段的第一预测负荷，ax由第一参考时段的气象数据确定，c为预设差值。
本实施例中，预设差值可以直接从数据库中获取，也可以是通过计算得到，在此不作限定。若目标预测时段为今年春节期间，则预设差值表示去年春节的实际负荷差与计算得到的第一预测负荷差的差值，即去年春节去除气温影响后的负荷，并且假设去年气温影响与今年春节的气温影响相同，则c表示今年春节期间的气温影响量。
本实施例中，若c>0，即受气温影响的负荷小于实际变化的负荷，说明由于春节假期因素导致的负荷减少。
若c＝0，即受气温影响的负荷等于实际变化的负荷，说明由于春节假期没有导致负荷产生变化。
若c<0，即受气温影响的负荷大于实际变化的负荷，说明由于春节假期因素导致的负荷增多。
在一些实施例中，在S202之后，还包括：
S302，选取第二预测结果中的至少一个极大值和至少一个极小值作为负荷特征值。
S203，包括：
S303，根据第一预测结果和负荷特征值，确定目标预测时段的最终负荷预测结果。
本实施例中，最终预测结果可以为曲线形式。通过选取预测结果中的极大值和极小值，再通过其对第一预测结果进行处理，可以在保持负荷预测曲线的连续性的同时，能够避免常规负荷预测方法由于以负荷曲线整体作为预测对象、主要体现预测曲线的平滑性而导致的曲线尖峰或低谷部分的预测精度低的问题，有效提高负荷预测的准确性。
在一些实施例中，S303，包括：
从负荷特征值中选取最大特征值和最小特征值。
根据第一预测结果、最大特征值、最小特征值以及第二公式，确定目标预测时段的第二预测负荷，并将其作为最终负荷预测结果。
第二公式为：
其中，x1为目标预测时段中待预测特殊时段的第二预测负荷，
为待预测特殊时段的第一预测结果所包含的负荷映射值，bmax为最大特征值，bmin为最小特征值，x2为目标预测时段中除待预测特殊时段外其他时段的第二预测负荷，
为目标预测时段中除待预测特殊时段外其他时段的第一预测结果所包含的负荷映射值，xmax为目标预测时段对应的历史负荷数据中的最大负荷值，xmin为目标预测时段对应的历史负荷数据中的最小负荷值。
在一些实施例中，该方法还包括：
根据第一参考时段的气象数据、待预测特殊时段的气象预报数据以及预先构建的气象-负荷关联模型，确定待预测特殊时段的第一预测负荷和第一参考时段的第一预测负荷。
本实施例中，气象-负荷关联模型可以是最小二乘支持向量回归模型、神经网络模型等，在此不作限定。
在一些实施例中，该方法还包括：根据最小二乘算法构建气象-负荷关联模型。
在一些实施例中，该方法还包括：
获取历史特殊时段的气象数据和负荷数据，以及第二参考时段的气象数据和第二参考时段的负荷数据；
根据历史特殊时段的气象数据和负荷数据，以及第二参考时段的气象数据的负荷数据，确定预设差值；
其中，历史特殊时段为历史时段中与待预测特殊时段对应的时段；第二参考时段为历史时段中与历史特殊时段的前一时段。
在一些实施例中，确定预设差值包括：
根据历史特殊时段的气象数据、第二参考时段的气象数据，以及预先构建的气象-负荷关联模型，确定历史特殊时段的平均预测负荷以及历史特殊时段前预设时段的平均预测负荷；
根据历史特殊时段的负荷数据、第二参考时段的负荷数据，确定历史特殊时段的平均预测负荷、第二参考时段的平均预测负荷，
根据历史特殊时段的平均负荷数据和平均预测负荷，以及第二参考时段的平均负荷数据和平均预测负荷，确定预设差值。
本实施例中，若历史特殊时段为去年春节期间，则第二参考时段可以为春节的前一周。
在一些实施例中，在S201之前，还包括：
获取原始历史负荷数据；
对原始历史负荷数据进行归一化，得到历史负荷数据。
本实施例中，不同时间段的负荷通常在负荷水平上具有一定的差异，而这样的差异可能会给曲线的预测结果带来一定影响，为了消除这样的差异，在获取原始的负荷数据后，对其进行归一化，也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0，1]之间：
其中，x1为归一化后的负荷数据，x0为原始的负荷数据，xmax为原始的负荷数据的最大值，xmin为原始的负荷数据的最小值。
在一些实施例中，该方法还包括：
根据历史负荷数据和预先构建的神经网络模型，得到第一预测结果。
本实施例中，预先构建的神经网络模型可以是BP神经网络模型，BP神经网络学习规则的指导思想是：通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。
输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元。中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构。最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
通过BP神经网络的方法对归一化负荷曲线进行预测，通过历史各年春节期间及前后的负荷曲线形态变化，预测当年春节归一化负荷曲线，即为第一预测结果。
下面通过实施示例对上述设备控制方法进行说明，但并不作为限定。在该实施示例中，选取某区域负荷进行分析与预测。基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法可由以下步骤实现：
步骤1，获取历史时段的原始负荷数据和气象数据，获取待预测年春节期间的气象预报数据。
步骤2，数据归一化。
步骤3，根据归一化的历史负荷数据和预先构建的BP神经网络模型，得到第一预测结果。图4是本发明实施示例提供的历史春节期间和历史春节期间的前一周的平均负荷数据的曲线图。如图4所示，两条曲线分别为通过BP神经网络算法预测得到第一预测结果的曲线形式以及春节一周前的负荷曲线。
步骤4，根据历史春节期间的气象数据、历史春节期间的前一周的气象数据，以及预先构建的气象-负荷关联模型，确定历史春节期间的平均预测负荷以及历史春节期间前预设时段的平均预测负荷；根据历史春节期间的负荷数据、历史春节期间的前一周的负荷数据，确定历史春节期间的平均预测负荷、历史春节期间的前一周的平均预测负荷，根据历史春节期间的平均负荷数据和平均预测负荷，以及历史春节期间的前一周的平均负荷数据和平均预测负荷，确定预设差值。得到的预设差值如表1所示：
表1 预设差值表
步骤5，根据待预测年春节期间的前一周的气象数据、待预测特殊时段的气象预报数据以及根据最小二乘算法预先构建的气象-负荷关联模型，确定待预测特殊时段的第一预测负荷和待预测年春节期间的前一周的第一预测负荷。
步骤6，根据待预测特殊时段的第一预测负荷、待预测年春节期间的前一周的第一预测负荷、预设差值、待预测年春节期间的前一周对应的负荷值，以及第一公式，确定待预测特殊时段的第二预测结果。
步骤7，从第二预测结果中选取最大特征值和最小特征值。在本步骤中，可以通过待预测年春节之前负荷与气象值，拟合得到最大特征值、最小特征值，即待预测年春节之前的最大负荷和最小负荷，具体如下：
表2 待预测年春节之前的最大负荷和最小负荷
步骤8，根据第一预测结果、最大特征值、最小特征值以及第二公式，预测得到待遇测年春节期间的最大与最小负荷，即上述第二预测负荷，具体如下：
表3 待遇测年春节期间的最大与最小负荷
步骤9，并根据待预测年春节期间的第二预测负荷对第一预测结果进行处理，得到待预测年春节期间的最终负荷预测结果。图5是本发明实施示例提供的最终负荷预测结果的曲线图。如图5所示，横轴为时间，纵轴为负荷值。
本实施示例中，通过计算得到，该方法对于春节期间的平均负荷准确率达到98.2％，验证了预测的有效性。
本实施例中，根据第一参考时段的负荷数据和第一参考时段的气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段负荷的第二预测结果，再根据第一预测结果和第二预测结果，确定目标预测时段的最终负荷预测结果。通过重点针对节假日进行负荷预测，再将其与常规负荷预测模型得到的第一预测结果相结合，有效的考虑了与正常日负荷差异较大的节假日的特殊性，能够提高特殊日期负荷预测的预测精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图6是本发明实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置的结构示意图。如图7所示，基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置6，包括：
获取模块610，用于获取根据历史负荷数据预测得到的目标预测时段负荷的第一预测结果；其中，目标预测时段包括至少一个待预测特殊时段；待预测特殊时段为目标预测时段中的节假日，节假日为春节。
第一预测模块620，用于获取第一参考时段的负荷数据和第一参考时段的气象数据，根据第一参考时段的负荷数据和第一参考时段的气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段负荷的第二预测结果；其中，第一参考时段为目标预测时段中与待预测特殊时段的前一时段。
第二预测模块630，用于根据第一预测结果和第二预测结果，确定目标预测时段的最终负荷预测结果。
可选的，第一预测模块620，用于根据第一参考时段的负荷数据、气象数据、待预测特殊时段的气象预报数据，以及第一公式，确定待预测特殊时段的第二预测结果；
第一公式为：
bx+1＝bx-c-(ax-ax+1)
其中，bx+1为第二预测结果，ax+1为待预测特殊时段对应的第一预测负荷，ax+1由气象预报数据确定，bx为第一参考时段对应的负荷值，ax为第一参考时段的第一预测负荷，ax由第一参考时段的气象数据确定，c为预设差值。
可选的，基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置6，还包括：特征选取模块640。
特征选取模块640，用于选取第二预测结果中的至少一个极大值和至少一个极小值作为负荷特征值；
第二预测模块630，用于根据第一预测结果和负荷特征值，确定目标预测时段的最终负荷预测结果。
可选的，第二预测模块630，具体用于从负荷特征值中选取最大特征值和最小特征值；
根据第一预测结果、最大特征值、最小特征值以及第二公式，确定目标预测时段的第二预测负荷，并将其作为最终负荷预测结果。
第二公式为：
其中，x1为目标预测时段中待预测特殊时段的第二预测负荷，
为待预测特殊时段的第一预测结果所包含的负荷映射值，bmax为最大特征值，bmin为最小特征值，x2为目标预测时段中除待预测特殊时段外其他时段的第二预测负荷，
为目标预测时段中除待预测特殊时段外其他时段的第一预测结果所包含的负荷映射值，xmax为目标预测时段对应的历史负荷数据中的最大负荷值，xmin为目标预测时段对应的历史负荷数据中的最小负荷值。
可选的，基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置6，还包括：第三预测模块650。
第三预测模块650，用于根据第一参考时段的气象数据、待预测特殊时段的气象预报数据以及预先构建的气象-负荷关联模型，确定待预测特殊时段的第一预测负荷和第一参考时段的第一预测负荷；
可选的，基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置6，还包括：模型建立模块660。
模型建立模块660，用于根据最小二乘算法构建气象-负荷关联模型。
可选的，基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置6，还包括：差值计算模块660。
差值计算模块660，用于获取历史特殊时段的气象数据和负荷数据，以及第二参考时段的气象数据和第二参考时段的负荷数据；
根据历史特殊时段的气象数据和负荷数据，以及第二参考时段的气象数据的负荷数据，确定预设差值；
其中，历史特殊时段为历史时段中与待预测特殊时段对应的时段；第二参考时段为历史时段中与历史特殊时段的前一时段。
可选的，差值计算模块660，用于根据历史特殊时段的气象数据、第二参考时段的气象数据，以及预先构建的气象-负荷关联模型，确定历史特殊时段的平均预测负荷以及历史特殊时段前预设时段的平均预测负荷；
根据历史特殊时段的负荷数据、第二参考时段的负荷数据，确定历史特殊时段的平均预测负荷、第二参考时段的平均预测负荷，
根据历史特殊时段的平均负荷数据和平均预测负荷，以及第二参考时段的平均负荷数据和平均预测负荷，确定预设差值。
可选的，基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置6，还包括：预处理模块670。
预处理模块670，用于获取原始历史负荷数据；
对原始历史负荷数据进行归一化，得到历史负荷数据。
可选的，其特征在于，方法还包括：第四预测模块680。
第四预测模块680，用于根据历史负荷数据和预先构建的神经网络模型，得到第一预测结果。
本实施例提供的基于负荷特征曲线及典型特征值融合的春节假期负荷预测装置，可用于执行上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
图7是本发明实施例提供的电子设备的示意图。如图7所示，本发明的一个实施例提供的电子设备7，该实施例的电子设备7包括：处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72。处理器70执行计算机程序72时实现上述各个基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法实施例中的步骤，例如图2所示的步骤201至步骤203。或者，处理器70执行计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块610至630的功能。
示例性的，计算机程序72可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器71中，并由处理器70执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序72在电子设备7中的执行过程。
电子设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是电子设备7的示例，并不构成对电子设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器71可以是电子设备7的内部存储单元，例如电子设备7的硬盘或内存。存储器71也可以是电子设备7的外部存储设备，例如电子设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器71还可以既包括电子设备7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及终端所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例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程序，计算机程序被处理器执行时实现上述基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法实施例中的步骤。
计算机可读存储介质存储有计算机程序72，计算机程序72包括程序指令，程序指令被处理器70执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序72来指令相关的硬件来完成，计算机程序72可存储于一计算机可读存储介质中，该计算机程序72在被处理器70执行时，可实现上述各个方法实施例的步骤。其中，计算机程序72包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
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，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，包括：
获取根据历史负荷数据预测得到的目标预测时段负荷的第一预测结果；其中，所述目标预测时段包括至少一个待预测特殊时段；所述待预测特殊时段为所述目标预测时段中的节假日；所述节假日为春节；
获取第一参考时段的负荷数据和第一参考时段的气象数据，根据第一参考时段的负荷数据和第一参考时段的气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段负荷的第二预测结果；其中，所述第一参考时段为所述目标预测时段中与所述待预测特殊时段的前一时段；
根据所述第一预测结果和所述第二预测结果，确定所述目标预测时段的最终负荷预测结果。
2.根据权利要求1所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，所述根据第一参考时段的负荷数据和气象数据，以及待预测特殊时段的气象预报数据，确定待预测特殊时段的第二预测结果，包括：
根据第一参考时段的负荷数据、气象数据、待预测特殊时段的气象预报数据，以及第一公式，确定待预测特殊时段的第二预测结果；
所述第一公式为：
bx+1＝bx-c-(ax-ax+1)
其中，bx+1为所述第二预测结果，ax+1为所述待预测特殊时段对应的第一预测负荷，ax+1由所述气象预报数据确定，bx为所述第一参考时段对应的负荷值，ax为所述第一参考时段的第一预测负荷，ax由所述第一参考时段的气象数据确定，c为预设差值。
3.根据权利要求1所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，在确定待预测特殊时段的第二预测结果之后，还包括：
选取第二预测结果中的至少一个极大值和至少一个极小值作为负荷特征值；
所述根据所述第一预测结果和所述第二预测结果，确定所述目标预测时段的最终负荷预测结果，包括：
根据所述第一预测结果和所述负荷特征值，确定所述目标预测时段的最终负荷预测结果。
4.根据权利要求3所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，所述根据所述第一预测结果和所述负荷特征值，确定所述目标预测时段的最终负荷预测结果，包括：
从所述负荷特征值中选取最大特征值和最小特征值；
根据所述第一预测结果、所述最大特征值、所述最小特征值以及第二公式，确定目标预测时段的第二预测负荷，并将其作为所述最终负荷预测结果；
所述第二公式为：
其中，x1为所述目标预测时段中待预测特殊时段的第二预测负荷，
为所述待预测特殊时段的第一预测结果所包含的负荷映射值，bmax为所述最大特征值，bmin为所述最小特征值，x2为目标预测时段中除待预测特殊时段外其他时段的第二预测负荷，
为目标预测时段中除待预测特殊时段外其他时段的第一预测结果所包含的负荷映射值，xmax为所述目标预测时段对应的历史负荷数据中的最大负荷值，xmin为所述目标预测时段对应的历史负荷数据中的最小负荷值。
5.根据权利要求2所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，所述方法还包括：
根据所述第一参考时段的气象数据、所述待预测特殊时段的气象预报数据以及预先构建的气象-负荷关联模型，确定所述待预测特殊时段的第一预测负荷和所述第一参考时段的第一预测负荷。
6.根据权利要求5所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，所述方法还包括：
根据最小二乘算法构建所述气象-负荷关联模型。
7.根据权利要求5所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，所述方法还包括：
获取历史特殊时段的气象数据和负荷数据，以及第二参考时段的气象数据和第二参考时段的负荷数据；
根据所述历史特殊时段的气象数据和负荷数据，以及所述第二参考时段的气象数据的负荷数据，确定所述预设差值；
其中，所述历史特殊时段为历史时段中与所述待预测特殊时段对应的时段；所述第二参考时段为所述历史时段中与所述历史特殊时段的前一时段。
8.根据权利要求7所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，所述确定所述预设差值包括：
根据所述历史特殊时段的气象数据、所述第二参考时段的气象数据，以及预先构建的气象-负荷关联模型，确定所述历史特殊时段的平均预测负荷以及所述历史特殊时段前预设时段的平均预测负荷；
根据所述历史特殊时段的负荷数据、所述第二参考时段的负荷数据，确定历史特殊时段的平均预测负荷、所述第二参考时段的平均预测负荷，
根据所述历史特殊时段的平均负荷数据和平均预测负荷，以及所述第二参考时段的平均负荷数据和平均预测负荷，确定所述预设差值。
9.根据权利要求1-5任一项所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，在获取根据历史负荷数据预测得到的目标预测时段的第一预测结果之前，所述方法还包括：
获取原始历史负荷数据；
对所述原始历史负荷数据进行归一化，得到所述历史负荷数据。
10.根据权利要求1-5任一项所述的基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法，其特征在于，所述方法还包括：
根据所述历史负荷数据和预先构建的神经网络模型，得到所述第一预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111079795.6A CN113705929A (zh) | 2021-09-15 | 2021-09-15 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111079795.6A CN113705929A (zh) | 2021-09-15 | 2021-09-15 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705929A true CN113705929A (zh) | 2021-11-26 |
Family
ID=78660512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111079795.6A Pending CN113705929A (zh) | 2021-09-15 | 2021-09-15 | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705929A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114493051A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 基于组合预测的提升精度的光伏功率预测方法、装置 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318322A (zh) * | 2014-10-11 | 2015-01-28 | 中国南方电网有限责任公司 | 基于农历日期的节假日负荷预测方法 |
| CN106786519A (zh) * | 2016-12-12 | 2017-05-31 | 国网上海市电力公司 | 一种优化预测电网典型日负荷的方法 |
| CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
| CN108764547A (zh) * | 2018-05-17 | 2018-11-06 | 西安交通大学 | 一种满足电量约束的中长期负荷曲线生成方法 |
| CN110009140A (zh) * | 2019-03-20 | 2019-07-12 | 华中科技大学 | 一种日电力负荷预测方法及预测装置 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN112561207A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种考虑气象因素的电网负荷预测方法、装置和电力系统 |
| CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
| CN112926801A (zh) * | 2021-03-31 | 2021-06-08 | 云南电网有限责任公司 | 一种基于分位数回归的负荷曲线组合预测方法及装置 |
| WO2021109515A1 (zh) * | 2019-12-03 | 2021-06-10 | 江苏智臻能源科技有限公司 | 基于关联分析与卡尔曼滤波法的短期负荷预测方法 |
| CN113139698A (zh) * | 2021-05-13 | 2021-07-20 | 国网山东省电力公司枣庄供电公司 | 负荷预测方法、装置及设备 |
| CN113326985A (zh) * | 2021-05-31 | 2021-08-31 | 广东电网有限责任公司 | 一种短期负荷预测方法及装置 |
| CN113361785A (zh) * | 2021-06-10 | 2021-09-07 | 国网河北省电力有限公司经济技术研究院 | 配电网短期负荷预测方法、装置、终端及存储介质 |
-
2021
- 2021-09-15 CN CN202111079795.6A patent/CN113705929A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318322A (zh) * | 2014-10-11 | 2015-01-28 | 中国南方电网有限责任公司 | 基于农历日期的节假日负荷预测方法 |
| CN106786519A (zh) * | 2016-12-12 | 2017-05-31 | 国网上海市电力公司 | 一种优化预测电网典型日负荷的方法 |
| CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
| CN108764547A (zh) * | 2018-05-17 | 2018-11-06 | 西安交通大学 | 一种满足电量约束的中长期负荷曲线生成方法 |
| CN110009140A (zh) * | 2019-03-20 | 2019-07-12 | 华中科技大学 | 一种日电力负荷预测方法及预测装置 |
| WO2021109515A1 (zh) * | 2019-12-03 | 2021-06-10 | 江苏智臻能源科技有限公司 | 基于关联分析与卡尔曼滤波法的短期负荷预测方法 |
| AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
| CN112561207A (zh) * | 2020-12-25 | 2021-03-26 | 浙江华云电力工程设计咨询有限公司 | 一种考虑气象因素的电网负荷预测方法、装置和电力系统 |
| CN112734135A (zh) * | 2021-01-26 | 2021-04-30 | 吉林大学 | 一种电力负荷预测方法、智能终端及计算机可读存储介质 |
| CN112926801A (zh) * | 2021-03-31 | 2021-06-08 | 云南电网有限责任公司 | 一种基于分位数回归的负荷曲线组合预测方法及装置 |
| CN113139698A (zh) * | 2021-05-13 | 2021-07-20 | 国网山东省电力公司枣庄供电公司 | 负荷预测方法、装置及设备 |
| CN113326985A (zh) * | 2021-05-31 | 2021-08-31 | 广东电网有限责任公司 | 一种短期负荷预测方法及装置 |
| CN113361785A (zh) * | 2021-06-10 | 2021-09-07 | 国网河北省电力有限公司经济技术研究院 | 配电网短期负荷预测方法、装置、终端及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 袁泉 等: "节能发电调度下考虑风电功率短期预测的日前市场经济调度模型", 《电气应用》, vol. 38, no. 3, 31 December 2019 (2019-12-31), pages 92 - 96 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114493051A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 基于组合预测的提升精度的光伏功率预测方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636010B (zh) | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 | |
| CN108446795B (zh) | 电力系统负荷波动分析方法、装置及可读存储介质 | |
| CN110751326B (zh) | 一种光伏日前功率预测方法、装置以及存储介质 | |
| CN112651563B (zh) | 负荷预测方法、装置、计算机可读存储介质及电子设备 | |
| CN111639793A (zh) | 一种锅炉群组调度优化方法及装置 | |
| CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
| CN113743673A (zh) | 一种台风期间的电力负荷预测方法 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN112308335A (zh) | 一种基于xgboost算法的短期电价预测方法及装置 | |
| CN116186548A (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
| CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
| CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
| CN114219177A (zh) | 机房环境调控方法、装置、电子设备及存储介质 | |
| CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
| CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
| CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
| CN113177366B (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
| CN113657936A (zh) | 电力负荷预测方法及终端 | |
| CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
| CN114971053A (zh) | 低压台区网络线损率在线预测模型的训练方法及装置 | |
| CN114154415A (zh) | 设备寿命的预测方法及装置 | |
| CN113139698A (zh) | 负荷预测方法、装置及设备 | |
| CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
| CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
| CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 |
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 |