CN113869616A - 一种自适应的居民用户负荷预测方法 - Google Patents
一种自适应的居民用户负荷预测方法 Download PDFInfo
- Publication number
- CN113869616A CN113869616A CN202111471604.0A CN202111471604A CN113869616A CN 113869616 A CN113869616 A CN 113869616A CN 202111471604 A CN202111471604 A CN 202111471604A CN 113869616 A CN113869616 A CN 113869616A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- resident
- residents
- load 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
一种自适应的居民用户负荷预测方法,包括以下步骤:先对居民用户群中各居民历史负荷数据进行降维和聚类处理,按聚类结果将居民划分为不同类别,再将同类居民的历史负荷数据进行相加,得到代表各类居民用电模式的总负荷数据,然后根据负荷数据分别构造长短期记忆神经网络预测模型,并采用粒子群算法对预测模型超参数进行寻优,最终得到确定各类居民用电模式对应预测模型的最优超参数,并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型,从而得到各居民的负荷预测结果。本设计通过分析居民历史负荷数据的相似性,并在住宅层面开展准确的居民负荷预测,不仅预测精度高,而且预测效率高。
Description
技术领域
本发明涉及配电网负荷预测技术领域,尤其涉及一种自适应的居民用户负荷预测方法,主要适用于提高预测精度与预测效率。
背景技术
现代电力系统的强随机性特征愈发显著,准确的负荷预测在未来电网的规划和运行中发挥着越来越重要的作用。在过去几年中,诸如智能电表的先进计量基础设施的快速部署,实现了广泛的居民用电负荷数据采集,给居民负荷预测的实现提供了基础数据支撑。
目前,按负荷预测对象量级来看,负荷预测方法可分为网络级(或称系统级)和住宅级负荷预测。传统上研究人员主要关注网络级负荷预测方法,便于开展省级或市级调度控制管理。然而,与网络级负荷相比,住宅负荷具有更高的波动性和更强的不确定性,传统的网络级负荷预测学习方法应用于居民级负荷预测中时,往往无法获得令人满意的预测精度。因此,许多研究人员试图将深度学习应用于住宅负荷预测当中,以挖掘居民负荷的内在规律,提高其预测精度。
基于深度学习算法的负荷预测方法需要大量历史数据来训练形成有效的预测神经模型,并利用部分历史负荷数据形成验证集来对深度学习模型进行确认,避免形成的负荷预测神经模型出现过拟合现象。采用统一的超参数时,基于深度学习算法的住宅负荷预测方法无法反应居民间用电的差异性,将导致部分住宅用电负荷预测精度大幅降低。然而,为每一个住宅用电负荷分别训练合适的超参数既不现实也无必要。
发明内容
本发明的目的是克服现有技术中存在的预测精度低、预测效率低的缺陷与问题,提供一种预测精度高、预测效率高的自适应的居民用户负荷预测方法。
为实现以上目的,本发明的技术解决方案是:一种自适应的居民用户负荷预测方法,该方法包括以下步骤:
S1、先收集居民用户群中各居民历史负荷数据,并将各居民历史负荷数据进行归一化处理,再将归一化处理后的各居民历史负荷数据划分为训练集、验证集和测试集,并将训练集和验证集构成观察集,然后采用自动编码器对观察集数据进行降维处理;
S2、采用K均值聚类算法对降维后的数据进行聚类,按聚类结果将居民划分为不同类别;
S3、先将同类居民的历史负荷数据进行相加,得到代表各类居民用电模式的总负荷数据,再将总负荷数据进行归一化处理,然后将归一化处理后的总负荷数据划分为训练集、验证集和测试集;
S4、构造含有输入层、隐藏层和输出层的长短期记忆神经网络预测模型;
S5、使用步骤S3中训练集和验证集数据分别对步骤S4中构造的长短期记忆神经网络预测模型超参数进行粒子群算法寻优,在满足预测模型评价指标最优的基础上确定各类居民用电模式对应预测模型的最优超参数,并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型;
S6、使用步骤S1中训练集数据训练步骤S5中各居民最优超参数的长短期记忆神经网络预测模型,将步骤S1中测试集数据作为训练后各居民最优超参数的长短期记忆神经网络预测模型的输入,得到各居民的负荷预测结果。
上式中,为归一化之后的数据;为步骤S1中各居民历史负荷数据或者步骤S3
中各类居民用电模式的总负荷数据,,数据长度取决于智能电表的抄表间隔和
抄表天数,;和分别为各居民历史负荷数据中的最大值和最小
值。
步骤S1和步骤S3中,将归一化处理后的负荷数据按7:2:1依次划分为训练集、验证集、测试集。
步骤S1中,采用自动编码器对观察集数据进行降维处理包括以下步骤:
将步骤S11中形成的待降维负荷数据作为自动编码器神经网络模型的输入数
据,与第户居民历史负荷数据对应的自动编码器神经网络模型输出记为,利用损失函
数公式来训练形成自动编码器神经网络模型的参数,以使所构建的自动编码器神经网络模
型完成负荷数据的降维,损失函数公式为:
步骤S2中,采用K均值聚类算法对降维后的数据进行聚类具体包括以下步骤:
步骤S4具体包括以下步骤:
S42、通过训练集数据对长短期记忆神经网络预测模型的隐藏层进行训练,在验证集中取得输出结果误差较小情况下,确定长短期记忆神经网络预测模型超参数;
S43、采用步骤S42得到的长短期记忆神经网络预测模型超参数对测试集数据进行预测,得到预测结果;
S44、输出层对预测结果进行反归一化:
以平均绝对百分比误差MAPE作为负荷预测评价指标:
步骤S5具体包括以下步骤:
各个预测模型采用步骤S3中训练集数据进行训练,训练完成后将对应的验证集数据输入预测模型,所得输出结果与实际负荷值的平均绝对百分比误差MAPE作为粒子群算法的粒子适应度值;
上式中,为当前迭代次数,为最大迭代次数,为第1个粒子在第次迭代
时的变化方向,为第2个粒子在第次迭代时的变化方向,为第次迭代时的第
个超参数二位数组的隐含层神经元个数,为第次迭代时优化器学习率,为第
个超参数二位数组前次迭代中的历史最优解,为所有个超参数二位数组前次迭
代中的历史最优解,、为范围内随机数,为惯性因子,和为两个加速因子,为加速因子的初始值,为加速因子的最终值,为加速因子的初始
值,为加速因子的最终值,为惯性因子的最大值,为惯性因子的最小
值;
S53、执行步骤S52中当负荷预测平均绝对百分比误差MAPE趋于稳定或循环更新参
数达到最大迭代次数时,停止超参数更新,获得第类居民用电模式下的长短期记忆
神经网络预测模型最优超参数,即最优神经元个数和优化器学习率。
与现有技术相比,本发明的有益效果为:
本发明一种自适应的居民用户负荷预测方法中,先对客户群中各居民历史负荷数据进行降维和聚类,从而将用电模式相似的居民划分为同类,再根据聚类结果将同类居民原始历史负荷数据进行加和,得到对应不同用电模式的负荷数据,然后根据这些负荷数据分别构建长短期记忆网络预测模型,并采用粒子群算法对模型超参数进行寻优,最终得到对应于不同居民用电模式的预测模型最优超参数,基于此,可以为每户居民快速构建合适超参数的预测模型。因此,本发明提高了住宅用户负荷预测的精度和效率。
附图说明
图1是本发明一种自适应的居民用户负荷预测方法的流程图。
图2是本发明所提方法与传统方法下百户居民负荷预测结果平均绝对百分比值示意图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1,一种自适应的居民用户负荷预测方法,该方法包括以下步骤:
S1、先收集居民用户群中各居民历史负荷数据,并将各居民历史负荷数据进行归一化处理,再将归一化处理后的各居民历史负荷数据划分为训练集、验证集和测试集,并将训练集和验证集构成观察集,然后采用自动编码器对观察集数据进行降维处理;
S2、采用K均值聚类算法对降维后的数据进行聚类,按聚类结果将居民划分为不同类别;
S3、先将同类居民的历史负荷数据进行相加,得到代表各类居民用电模式的总负荷数据,再将总负荷数据进行归一化处理,然后将归一化处理后的总负荷数据划分为训练集、验证集和测试集;
S4、构造含有输入层、隐藏层和输出层的长短期记忆神经网络预测模型;
S5、使用步骤S3中训练集和验证集数据分别对步骤S4中构造的长短期记忆神经网络预测模型超参数进行粒子群算法寻优,在满足预测模型评价指标最优的基础上确定各类居民用电模式对应预测模型的最优超参数,并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型;
S6、使用步骤S1中训练集数据训练步骤S5中各居民最优超参数的长短期记忆神经网络预测模型,将步骤S1中测试集数据作为训练后各居民最优超参数的长短期记忆神经网络预测模型的输入,得到各居民的负荷预测结果。
上式中,为归一化之后的数据;为步骤S1中各居民历史负荷数据或者步骤S3
中各类居民用电模式的总负荷数据,,数据长度取决于智能电表的抄表间隔和
抄表天数,;和分别为各居民历史负荷数据中的最大值和最小
值。
步骤S1和步骤S3中,将归一化处理后的负荷数据按7:2:1依次划分为训练集、验证集、测试集。
步骤S1中,采用自动编码器对观察集数据进行降维处理包括以下步骤:
将步骤S11中形成的待降维负荷数据作为自动编码器神经网络模型的输入数
据,与第户居民历史负荷数据对应的自动编码器神经网络模型输出记为,利用损失函
数公式来训练形成自动编码器神经网络模型的参数,以使所构建的自动编码器神经网络模
型完成负荷数据的降维,损失函数公式为:
步骤S2中,采用K均值聚类算法对降维后的数据进行聚类具体包括以下步骤:
步骤S4具体包括以下步骤:
S42、通过训练集数据对长短期记忆神经网络预测模型的隐藏层进行训练,在验证集中取得输出结果误差较小情况下,确定长短期记忆神经网络预测模型超参数;
S43、采用步骤S42得到的长短期记忆神经网络预测模型超参数对测试集数据进行预测,得到预测结果;
S44、输出层对预测结果进行反归一化:
以平均绝对百分比误差MAPE作为负荷预测评价指标:
步骤S5具体包括以下步骤:
各个预测模型采用步骤S3中训练集数据进行训练,训练完成后将对应的验证集数据输入预测模型,所得输出结果与实际负荷值的平均绝对百分比误差MAPE作为粒子群算法的粒子适应度值;
上式中,为当前迭代次数,为最大迭代次数,为第1个粒子在第次迭代
时的变化方向,为第2个粒子在第次迭代时的变化方向,为第次迭代时的第
个超参数二位数组的隐含层神经元个数,为第次迭代时优化器学习率,为第
个超参数二位数组前次迭代中的历史最优解,为所有个超参数二位数组前次迭
代中的历史最优解,、为范围内随机数,为惯性因子,和为两个加速因子,为加速因子的初始值,为加速因子的最终值,为加速因子的初始
值,为加速因子的最终值,为惯性因子的最大值,为惯性因子的最小
值;
S53、执行步骤S52中当负荷预测平均绝对百分比误差MAPE趋于稳定或循环更新参
数达到最大迭代次数时,停止超参数更新,获得第类居民用电模式下的长短期记忆
神经网络预测模型最优超参数,即最优神经元个数和优化器学习率。
本发明的原理说明如下:
对居民负荷进行预测,在构建预测模型时往往需要先确定模型超参数。而无论是对居民用户统一设置模型超参数还是分别对每户单独设置模型超参数,都会影响其预测精度或预测效率。因此,本设计根据居民用电模式的相似性,对用电模式相似的居民统一设置模型超参数,由此提高预测精度和效率。
本设计首先收集客户群中各居民历史负荷数据,将其进行归一化处理和数据划
分。同时,通过对居民历史负荷观察集数据进行降维和聚类,然后根据聚类结果划分用电模
式不同的用户,即用电模式相似的用户归为同一类,用电模式不相似的用户归为不同类。对
不同的用电模式分别构建不同的长短期记忆神经网络预测模型并使用粒子群算法对预测
模型的隐藏层神经元个数和优化器学习率超参数进行寻优。最后根据寻优结果快速构
建各居民最优超参数下的长短期记忆神经网络预测模型,从而实现居民负荷的高效、准确
预测。
实施例:
参见图1,一种自适应的居民用户负荷预测方法,该方法包括以下步骤:
S1、先收集居民用户群中各居民历史负荷数据,并将各居民历史负荷数据进行归一化处理,再将归一化处理后的各居民历史负荷数据划分为训练集、验证集和测试集,并将训练集和验证集构成观察集,然后采用自动编码器对观察集数据进行降维处理;
采用自动编码器对观察集数据进行降维处理包括以下步骤:
将步骤S11中形成的待降维负荷数据作为自动编码器神经网络模型的输入数
据,与第户居民历史负荷数据对应的自动编码器神经网络模型输出记为,利用损失函
数公式来训练形成自动编码器神经网络模型的参数,以使所构建的自动编码器神经网络模
型完成负荷数据的降维,损失函数公式为:
S2、采用K均值聚类算法对降维后的数据进行聚类,按聚类结果将居民划分为不同类别;
采用K均值聚类算法对降维后的数据进行聚类具体包括以下步骤:
S3、先将同类居民的历史负荷数据进行相加,得到代表各类居民用电模式的总负荷数据,再将总负荷数据进行归一化处理,然后将归一化处理后的总负荷数据划分为训练集、验证集和测试集;
S4、构造含有输入层、隐藏层和输出层的长短期记忆神经网络预测模型;具体包括以下步骤:
S42、通过训练集数据对长短期记忆神经网络预测模型的隐藏层进行训练,在验证集中取得输出结果误差较小情况下,确定长短期记忆神经网络预测模型超参数;
S43、采用步骤S42得到的长短期记忆神经网络预测模型超参数对测试集数据进行预测,得到预测结果;
S44、输出层对预测结果进行反归一化:
以平均绝对百分比误差MAPE作为负荷预测评价指标:
S5、使用步骤S3中训练集和验证集数据分别对步骤S4中构造的长短期记忆神经网络预测模型超参数进行粒子群算法寻优,在满足预测模型评价指标最优的基础上确定各类居民用电模式对应预测模型的最优超参数,并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型;具体包括以下步骤:
各个预测模型采用步骤S3中训练集数据进行训练,训练完成后将对应的验证集数据输入预测模型,所得输出结果与实际负荷值的平均绝对百分比误差MAPE作为粒子群算法的粒子适应度值;
上式中,为当前迭代次数,为最大迭代次数,为第1个粒子在第次迭代
时的变化方向,为第2个粒子在第次迭代时的变化方向,为第次迭代时的第
个超参数二位数组的隐含层神经元个数,为第次迭代时优化器学习率,为第
个超参数二位数组前次迭代中的历史最优解,即MAPE最小,为所有个超参数二位
数组前次迭代中的历史最优解,、为范围内随机数,为惯性因子,和为两
个加速因子,为加速因子的初始值,为加速因子的最终值,为加速
因子的初始值,为加速因子的最终值,为惯性因子的最大值,为惯
性因子的最小值;
S53、执行步骤S52中当负荷预测平均绝对百分比误差MAPE趋于稳定或循环更新参
数达到最大迭代次数时,停止超参数更新,获得第类居民用电模式下的长短期记忆
神经网络预测模型最优超参数,即最优神经元个数和优化器学习率;
S6、使用步骤S1中训练集数据训练步骤S5中各居民最优超参数的长短期记忆神经网络预测模型,将步骤S1中测试集数据作为训练后各居民最优超参数的长短期记忆神经网络预测模型的输入,得到各居民的负荷预测结果。最后,通过MAPE对各户居民负荷预测结果进行评价分析。
上式中,为归一化之后的数据;为步骤S1中各居民历史负荷数据或者步骤S3
中各类居民用电模式的总负荷数据,,数据长度取决于智能电表的抄表间隔和
抄表天数,;和分别为各居民历史负荷数据中的最大值和最小
值。
步骤S1和步骤S3中,将归一化处理后的负荷数据按7:2:1依次划分为训练集、验证集、测试集。
使用样本数据在长短期记忆神经网络预测模型统一设置超参数和自适应寻优超参数两种情况下进行预测,验证本设计所提出的一种自适应的居民用户负荷预测方法的有效性。
以襄阳市某小区100户居民2021年3月1日至2021年3月30日智能电表所采集数据
为例。智能电表的抄表间隔为15分钟,负荷数据长度为2880。将2021年3月1日至2021年3月
21日数据作为训练集、2021年3月22日至2021年3月27日数据作为验证集、2021年3月28日至
2021年3月30日数据作为测试集,同时设置2021年3月1日至2021年3月27日数据作为观察
集。数据集处理为特征对应标签的形式时,时间步长设置为6。使用粒子群算法优化长短
期记忆神经网络预测模型,其参数设置如下表所示:
聚类得到三种不同用电模式的用户群,通过粒子群算法对这三种用电模式对应的预测模型进行参数寻优的结果以及统一设置参数,如下表所示:
图2给出了长短期记忆神经网络预测模型统一设置超参数和自适应寻优超参数两种情况下,该100户居民负荷预测结果所得出的平均绝对百分比值。
可以看到,统一设置超参数情况下含有平均绝对百分比误差过大的情况,如第52户居民的MAPE值达到了310%,同时还有另外3户居民的MAPE值超过了100%。而在采用了本设计所提出的预测方法后,所有居民的MAPE均有所下降。图中可以看出,MAPE值较大的用户得到了明显的改善。100户居民的MAPE平均值也从统一设置参数情况下的44.4%下降至本设计方法对应的37.4%。
综上,本设计提出的一种自适应的居民负荷预测方法,能够快速的为居民用户群中的每一户居民确定长短期记忆神经网络预测模型的最优超参数,预测效率高,同时有着较高的预测精度,可为后续的居民需求侧响应,家庭能源管理等提供理论指导。
Claims (8)
1.一种自适应的居民用户负荷预测方法,其特征在于,该方法包括以下步骤:
S1、先收集居民用户群中各居民历史负荷数据,并将各居民历史负荷数据进行归一化处理,再将归一化处理后的各居民历史负荷数据划分为训练集、验证集和测试集,并将训练集和验证集构成观察集,然后采用自动编码器对观察集数据进行降维处理;
S2、采用K均值聚类算法对降维后的数据进行聚类,按聚类结果将居民划分为不同类别;
S3、先将同类居民的历史负荷数据进行相加,得到代表各类居民用电模式的总负荷数据,再将总负荷数据进行归一化处理,然后将归一化处理后的总负荷数据划分为训练集、验证集和测试集;
S4、构造含有输入层、隐藏层和输出层的长短期记忆神经网络预测模型;
S5、使用步骤S3中训练集和验证集数据分别对步骤S4中构造的长短期记忆神经网络预测模型超参数进行粒子群算法寻优,在满足预测模型评价指标最优的基础上确定各类居民用电模式对应预测模型的最优超参数,并以此为基础建立各居民最优超参数的长短期记忆神经网络预测模型;
S6、使用步骤S1中训练集数据训练步骤S5中各居民最优超参数的长短期记忆神经网络预测模型,将步骤S1中测试集数据作为训练后各居民最优超参数的长短期记忆神经网络预测模型的输入,得到各居民的负荷预测结果。
3.根据权利要求1所述的一种自适应的居民用户负荷预测方法,其特征在于:步骤S1和步骤S3中,将归一化处理后的负荷数据按7:2:1依次划分为训练集、验证集、测试集。
4.根据权利要求1所述的一种自适应的居民用户负荷预测方法,其特征在于:步骤S1中,采用自动编码器对观察集数据进行降维处理包括以下步骤:
将步骤S11中形成的待降维负荷数据作为自动编码器神经网络模型的输入数据,与第户居民历史负荷数据对应的自动编码器神经网络模型输出记为,利用损失函数公式来训练形成自动编码器神经网络模型的参数,以使所构建的自动编码器神经网络模型完成负荷数据的降维,损失函数公式为:
5.根据权利要求1所述的一种自适应的居民用户负荷预测方法,其特征在于:步骤S2中,采用K均值聚类算法对降维后的数据进行聚类具体包括以下步骤:
7.根据权利要求1所述的一种自适应的居民用户负荷预测方法,其特征在于:步骤S4具体包括以下步骤:
S42、通过训练集数据对长短期记忆神经网络预测模型的隐藏层进行训练,在验证集中取得输出结果误差较小情况下,确定长短期记忆神经网络预测模型超参数;
S43、采用步骤S42得到的长短期记忆神经网络预测模型超参数对测试集数据进行预测,得到预测结果;
S44、输出层对预测结果进行反归一化:
以平均绝对百分比误差MAPE作为负荷预测评价指标:
8.根据权利要求1所述的一种自适应的居民用户负荷预测方法,其特征在于:步骤S5具体包括以下步骤:
各个预测模型采用步骤S3中训练集数据进行训练,训练完成后将对应的验证集数据输入预测模型,所得输出结果与实际负荷值的平均绝对百分比误差MAPE作为粒子群算法的粒子适应度值;
上式中,为当前迭代次数,为最大迭代次数,为第1个粒子在第次迭代时的变化方向,为第2个粒子在第次迭代时的变化方向,为第次迭代时的第个超参数二位数组的隐含层神经元个数,为第次迭代时优化器学习率,为第个超参数二位数组前次迭代中的历史最优解,为所有个超参数二位数组前次迭代中的历史最优解,、为范围内随机数,为惯性因子,和为两个加速因子,为加速因子的初始值,为加速因子的最终值,为加速因子的初始值,为加速因子的最终值,为惯性因子的最大值,为惯性因子的最小值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111471604.0A CN113869616A (zh) | 2021-12-06 | 2021-12-06 | 一种自适应的居民用户负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111471604.0A CN113869616A (zh) | 2021-12-06 | 2021-12-06 | 一种自适应的居民用户负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113869616A true CN113869616A (zh) | 2021-12-31 |
Family
ID=78985900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111471604.0A Pending CN113869616A (zh) | 2021-12-06 | 2021-12-06 | 一种自适应的居民用户负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869616A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638440A (zh) * | 2022-05-17 | 2022-06-17 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
CN114662922A (zh) * | 2022-03-24 | 2022-06-24 | 国网江苏省电力有限公司南通供电分公司 | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 |
CN115439206A (zh) * | 2022-11-08 | 2022-12-06 | 税友信息技术有限公司 | 一种申报数据预测方法、装置、设备及介质 |
CN116090679A (zh) * | 2023-04-12 | 2023-05-09 | 国网山东省电力公司利津县供电公司 | 一种配电网负荷预测方法 |
-
2021
- 2021-12-06 CN CN202111471604.0A patent/CN113869616A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662922A (zh) * | 2022-03-24 | 2022-06-24 | 国网江苏省电力有限公司南通供电分公司 | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 |
CN114662922B (zh) * | 2022-03-24 | 2023-12-26 | 国网江苏省电力有限公司南通供电分公司 | 考虑光伏不确定性的居民需求响应潜力评估方法及系统 |
CN114638440A (zh) * | 2022-05-17 | 2022-06-17 | 国网湖北省电力有限公司经济技术研究院 | 一种基于充电桩使用度的充电负荷超短期预测方法 |
CN115439206A (zh) * | 2022-11-08 | 2022-12-06 | 税友信息技术有限公司 | 一种申报数据预测方法、装置、设备及介质 |
CN115439206B (zh) * | 2022-11-08 | 2023-03-07 | 税友信息技术有限公司 | 一种申报数据预测方法、装置、设备及介质 |
CN116090679A (zh) * | 2023-04-12 | 2023-05-09 | 国网山东省电力公司利津县供电公司 | 一种配电网负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
CN113869616A (zh) | 一种自适应的居民用户负荷预测方法 | |
CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN108416466A (zh) | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN110570023A (zh) | 一种基于sarima-grnn-svm的短期商业电力负荷预测方法 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN111861089A (zh) | 一种电力现货市场的综合评价方法 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN114676941A (zh) | 园区综合能源系统电-热负荷联合自适应预测方法及装置 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN109146553A (zh) | 基于多密度聚类与多核svm的实时电价预测系统及其方法 | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN111914900A (zh) | 一种用户用电模式分类方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
Gao et al. | Establishment of economic forecasting model of high-tech industry based on genetic optimization neural network | |
CN116468138A (zh) | 空调负荷预测方法、系统、电子设备及计算机存储介质 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 |
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 |