CN113962485A - 一种基于机器学习的超短期电力负荷预测方法及装置 - Google Patents

一种基于机器学习的超短期电力负荷预测方法及装置 Download PDF

Info

Publication number
CN113962485A
CN113962485A CN202111376352.3A CN202111376352A CN113962485A CN 113962485 A CN113962485 A CN 113962485A CN 202111376352 A CN202111376352 A CN 202111376352A CN 113962485 A CN113962485 A CN 113962485A
Authority
CN
China
Prior art keywords
clustering
module
prediction
ultra
power load
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
Application number
CN202111376352.3A
Other languages
English (en)
Inventor
欧阳文华
常乐
蒙天骐
徐在德
安义
戚沁雅
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
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power 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, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111376352.3A priority Critical patent/CN113962485A/zh
Publication of CN113962485A publication Critical patent/CN113962485A/zh
Pending legal-status Critical Current

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
    • G06F18/23—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
    • G06N20/00—Machine learning
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的超短期电力负荷预测方法，对原始数据归一化操作；使用变分模态分解方法对负荷数据进行处理，将波动性较强的原始负荷数据分解为多个较平稳的本征模态函数分量；使用Kmeans方法对各本征模态函数分量进行聚类，得到新负荷序列；考虑影响因素对电力负荷的影响进行特征构造；利用XGBoost模型对新负荷序列进行预测，之后对各预测值叠加重构得到最终预测结果。本发明考虑天气、节假日等因素影响构造数据特征并结合VMD、Kmeans、XGBoost方法的优点，可提高超短期负荷预测精度。

Description

一种基于机器学习的超短期电力负荷预测方法及装置
技术领域
本发明涉及一种基于机器学习的超短期电力负荷预测方法及装置，属于电力数据处理技术领域。
背景技术
电力负荷预测是保障电力系统安全稳定运行的技术前提之一，其中超短期负荷预测对于实时安全分析和实时经济调度具有重要的意义。当前经济迅速发展，各行业对于电力的需求越来越高，负荷类型也愈发复杂且电力负荷受温度、湿度、节假日等因素的影响，其随机性较强，因此提高负荷预测精度是当前研究的主要目标。
国内外对于负荷预测模型的研究主要分为时间序列模型，机器学习与深度学习模型。XGBoost是机器学习的一种模型，是对Boosting算法的优化，常用于数据挖掘，对于电力负荷数据的拟合有较好的效果。
变分模态分解(VMD)是一种时频分析法，可将非平稳信号分解为多个较平稳的本征模态函数(IMF)。
发明内容
针对电力负荷受复杂环境影响随机性较强，预测精度不高问题，本发明考虑天气及节假日影响构造数据特征并通过数据挖掘和机器学习算法建立模型，提出了一种基于机器学习的超短期电力负荷预测方法及装置。本发明使用变分模态分解(VMD)方法分解电力负荷数据以减少负荷数据非平稳性对预测精度带来的影响。同时，若对分解后的多个IMF依次预测，则预测时间会成倍增加，降低了预测效率，故本发明使用K均值聚类方法Kmeans对各IMF聚类，以保证预测效率。
本发明通过下述技术方案来实现。一种基于机器学习的超短期电力负荷预测方法，步骤如下：
第一步，对原始数据归一化操作；
第二步，使用变分模态分解(VMD)方法对负荷数据进行处理，将波动性较强的原始负荷数据分解为多个较平稳的本征模态函数(IMF)分量；
第三步，使用Kmeans方法对各本征模态函数(IMF)分量进行聚类，为确定聚类数，对不同聚类数进行效果测试，使用轮廓系数法和模糊划分系数评价效果，得到效果最好的聚类数后进行聚类，然后依次将同一类的负荷分量叠加，得到新负荷序列；
第四步，考虑影响因素对电力负荷的影响进行特征构造；
第五步，利用XGBoost模型对新负荷序列进行预测，之后对各预测值叠加重构得到最终预测结果。
进一步地，第四步所述影响因素包括天气、节假日、温度等因素。
进一步地，第二步中，分解过程为：首先，根据前人研究结果和实际应用经验设置惩罚参数为2000，初始中心频率为0；然后，预设分解阶数K值范围，依次进行分解实验，将中心频率最为接近的一组实验的分解阶数K值设定为最佳参数；最后，设置最佳参数对原始数据进行分解，得到n个本征模态函数(IMF)分量。
第三步中，聚类过程为：首先，需确定聚类数，预设不同聚类数如2-8类，依次进行聚类并使用轮廓系数法与模糊划分系数对聚类效果进行评分以此确定最佳聚类数；其中，轮廓系数法与模糊划分系数评分两者得分越高则表示聚类效果越好；然后，设置最佳聚类数进行聚类，将同类中负荷分量叠加，得到m组新负荷序列。
第五步的具体过程如下：首先，对XGBoost模型参数进行初始化，设置初始参数；然后，根据前人研究及实际应用经验设置调参范围；最后，使用网格搜索与交叉验证法寻找最优参数，评估指标为平均绝对百分误差MAPE，其计算公式如下：
Figure BDA0003363998630000021
式中，式中，
Figure BDA0003363998630000022
表示预测值，yi述表示真实值，i＝1,2,3...n,；使用网格搜索进行遍历寻优，计算并记录MAPE值进行对比，得到最佳参数；将最佳参数替换最大树高初始值，继续下一参数寻优，以此类推得到一组最佳参数；
在XGBoost模型设置已找寻的最佳参数，将构造特征后的各组数据按照8:2划分训练集与测试集，依次预测后叠加重构得到最后连续96个点的预测值，计算并记录MAPE、平均绝对误差MAE、均方根误差RMSE对预测模型进行评估。
本发明还提供了一种基于机器学习的超短期电力负荷预测装置，包括数据导入及归一化模块、分解模块、聚类模块、特征构造模块、预测模块和评估模块，所述分解模块接收数据导入及归一化模块处理后的数据，并进行变分模态分解处理，得到本征模态函数分量；所述聚类模块对本征模态函数分量聚类分析得到新负荷序列；所述特征构造模块根据新负荷序列历史信息、天气、节假日特征构造特征；所述预测模块对新负荷序列进行预测得到最终预测结果：所述评估模块比较预测结果与真实值之间的误差，评估超短期电力负荷预测装置的预测效果。
更具体地，数据导入及归一化模块用于对原始数据使用峰值法归一化处理并导入超短期电力负荷预测装置。
更具体地，分解模块用于变分模态分解(VMD)模型参数确定，包括惩罚参数、初始中心频率及分解阶数，之后对数据进行分解得到多个本征模态函数分量。
更具体地，聚类模块用于Kmeans参数确定，之后对分解模块得到的分量聚类并分别对同一类分量叠加，得到新负荷序列。
更具体地，预测模块用于XGBoost模型参数寻优，之后对特征构造模块得到的各序列特征预测，最后叠加重构得到预测值。
更具体地，评估模块用于计算预测值与真实值之间的误差，包括MAPE、MAE、RMSE，以此评估超短期电力负荷预测装置的预测效果。
本发明考虑天气、节假日等因素影响构造数据特征并结合VMD、Kmeans、XGBoost方法的优点，采用VMD处理负荷数据，把波动性较强的负荷序列分解为不同频率下平稳的分量进行预测，提高了超短期预测精度，同时使用Kmeans方法对分量聚类后叠加在预测，避免了负荷数据分解为多分量在预测所带来的耗时影响，在一定程度上保证了预测效率，对于实施安全分析和实时经济调度起到一些参考作用。本发明可提高超短期负荷预测精度。
附图说明
图1为本发明的方法流程图。
图2为基于机器学习的超短期电力负荷预测装置的流程图。
图中：10-数据导入及归一化模块、20-分解模块、30-聚类模块、40-特征构造模块、50-预测模块、60-评估模块。
具体实施方式
下面对本发明进一步详细阐明。
参照图1，一种基于机器学习的超短期电力负荷预测方法，步骤如下：
第一步，对原始数据归一化操作；
使用峰值法归一化对原始数据进行处理，其公式如下：
Figure BDA0003363998630000031
式中：Xi表示原始负荷，Xmax表示Xi的最大值，
Figure BDA0003363998630000032
表示归一化后的数值，i代表序号。
第二步，使用变分模态分解(VMD)方法对负荷数据进行处理，将波动性较强的原始负荷数据分解为多个较平稳的本征模态函数(IMF)分量；
变分模态分解(VMD)的参数对分解效果有很大影响，故分解前先确定其重要参数。首先，根据前人研究结果和实际应用经验设置惩罚参数为2000，初始中心频率为0；然后，分解阶数K对分解的效果至关重要，先预设分解阶数K值范围，然后依次进行分解实验，将中心频率最为接近的一组实验的分解阶数K值设定为最佳参数；最后，设置最佳参数对原始数据进行分解，得到n个本征模态函数(IMF)分量。
第三步，使用Kmeans方法对各本征模态函数(IMF)分量进行聚类，为确定聚类数，对不同聚类数进行效果测试，使用轮廓系数法和模糊划分系数评价效果，得到效果最好的聚类数后进行聚类，然后依次将同一类的负荷分量叠加，得到新负荷序列；
对变分模态分解(VMD)方法分解得到的各本征模态函数(IMF)分量使用Kmeans方法进行聚类。首先，需确定聚类数，预设不同聚类数如2-8类，依次进行聚类并使用轮廓系数法与模糊划分系数对聚类效果进行评分以此确定最佳聚类数；其中，轮廓系数法与模糊划分系数评分两者得分越高则表示聚类效果越好；然后，设置最佳聚类数进行聚类，将同类中负荷分量叠加，得到m组新负荷序列。
第四步，考虑天气、节假日等因素对电力负荷的影响进行特征构造；
考虑天气、节假日等因素对电力负荷的影响，结合新负荷序列历史数据进行特征构造，详情如表1所示。
表1特征详情
Figure BDA0003363998630000041
第五步，利用XGBoost模型对新负荷序列进行预测，之后对各预测值叠加重构得到最终预测结果。步骤如下：
(1)模型参数的设置直接影响预测结果，故预测前需对XGBoost参数进行寻优。首先，XGBoost常用参数为最大树高、迭代次数、学习率等，对模型参数进行初始化，设置初始参数；然后，根据前人研究及实际应用经验设置调参范围。最后，使用网格搜索与交叉验证法寻找最优参数，评估指标为平均绝对百分误差MAPE，其计算公式如下：
Figure BDA0003363998630000042
式中，式中，
Figure BDA0003363998630000051
表示预测值，yi述表示真实值，i＝1,2,3...n,以最大树高调优为例进行过程说明。设置初始化参数为5；设置最大树高调参范围为3-10；使用网格搜索进行遍历寻优，计算并记录MAPE值进行对比，得到最佳参数；将最佳参数替换最大树高初始值，继续下一参数寻优，以此类推得到一组最佳参数。各参数初始化值、调参范围如表2所示。
表2 XGBoost参数初始化与调参范围表
Figure BDA0003363998630000052
(2)在XGBoost模型设置已找寻的最佳参数，将构造特征后的各组数据按照8:2划分训练集与测试集，依次预测后叠加重构得到最后连续96个点的预测值，计算并记录MAPE、平均绝对误差MAE、均方根误差RMSE对预测模型进行评估。
如图2所示，一种基于机器学习的超短期电力负荷预测装置，包括数据导入及归一化模块10、分解模块20、聚类模块30、特征构造模块40、预测模块50和评估模块60，所述分解模块20接收数据导入及归一化模块10处理后的数据，并进行变分模态分解处理，得到本征模态函数分量；所述聚类模块30对本征模态函数分量聚类分析得到新负荷序列；所述特征构造模块40根据新负荷序列历史信息、天气、节假日特征构造特征；所述预测模块50对新负荷序列进行预测得到最终预测结果：所述评估模块60比较预测结果与真实值之间的误差，评估超短期电力负荷预测装置的预测效果。
本发明中，数据导入及归一化模块10用于对原始数据使用峰值法归一化处理并导入超短期电力负荷预测装置。
本发明中，分解模块20一方面用于变分模态分解(VMD)模型的参数确定：根据前人研究结果和实际应用经验设置惩罚参数为2000，初始中心频率为0；预设分解阶数K值范围，然后依次进行分解实验，将中心频率最为接近的一组实验的分解阶数K值设定为最佳参数。另一方面用于设置变分模态分解(VMD)最佳参数对原始数据进行分解，得到n个本征模态函数分量。
本发明中，聚类模块30一方面用于Kmeans聚类数的确定：预设不同聚类数，如2-8类，依次按照预设聚类数进行处理，使用轮廓系数法与模糊划分系数对聚类效果进行评分。其中，轮廓系数法与模糊划分系数评分两者得分越高则表示聚类效果越好，以两种方法评价得分确定最佳聚类数。另一方面设置最佳聚类数进行聚类，将同类中负荷分量叠加，得到m组新负荷序列。
本发明中，特征构造模块40用于预测前的特征构造：根据新负荷序列历史数据、天气、节假日信息构造特征。考虑预测日期临近前一天数据、预测点临近前7个时刻点数据、日期类型、工作日、节假日、最高最低及平均温度共14维特征。
本发明中，预测模块50一方面用于XGBoost模型参数寻优：第一步，设置XGBoost的最大树高、迭代次数、学习率等常用参数初始化值，对模型参数进行初始化。第二步，设置调参范围。第三步，使用网格搜索与交叉验证法寻找最优参数，评估指标为平均绝对百分误差MAPE，其计算公式如下：
Figure BDA0003363998630000061
以最大树高调优为例进行过程说明。设置初始化参数为5；设置最大树高调参范围为3-10；使用网格搜索进行遍历寻优，计算并记录MAPE值进行对比，得到最佳参数；将最佳参数替换最大树高初始值，继续下一参数寻优，以此类推得到一组最佳参数。
另一方面用于使用最佳参数的XGBoost模型预测：将各分量构造的特征按照8:2划分训练集与测试集对模型进行训练，最后依次预测连续96个时刻的负荷值分量，将各分量预测结果叠加得到最终预测值。
本发明中，评估模块60用于计算预测值与真实值之间的误差，包括MAPE、MAE、RMSE，以此评估超短期电力负荷预测装置的预测效果。

Claims (10)

1.一种基于机器学习的超短期电力负荷预测方法，其特征在于，步骤如下：
第一步，对原始数据归一化操作；
第二步，使用变分模态分解方法对负荷数据进行处理，将波动性较强的原始负荷数据分解为多个较平稳的本征模态函数分量；
第三步，使用Kmeans方法对各本征模态函数分量进行聚类，为确定聚类数，对不同聚类数进行效果测试，使用轮廓系数法和模糊划分系数评价效果，得到效果最好的聚类数后进行聚类，然后依次将同一类的负荷分量叠加，得到新负荷序列；
第四步，考虑影响因素对电力负荷的影响进行特征构造；
第五步，利用XGBoost模型对新负荷序列进行预测，之后对各预测值叠加重构得到最终预测结果。
2.如权利要求1所述的基于机器学习的超短期电力负荷预测方法，其特征在于，第四步所述影响因素包括天气、节假日、温度。
3.如权利要求1所述的基于机器学习的超短期电力负荷预测方法，其特征在于，其特征在于，第二步中，分解过程为：首先，根据前人研究结果和实际应用经验设置惩罚参数为2000，初始中心频率为0；然后，预设分解阶数K值范围，依次进行分解实验，将中心频率最为接近的一组实验的分解阶数K值设定为最佳参数；最后，设置最佳参数对原始数据进行分解，得到n个本征模态函数分量。
4.如权利要求1所述的基于机器学习的超短期电力负荷预测方法，其特征在于，第三步中，聚类过程为：首先，需确定聚类数，预设不同聚类数如2-8类，依次进行聚类并使用轮廓系数法与模糊划分系数对聚类效果进行评分以此确定最佳聚类数；其中，轮廓系数法与模糊划分系数评分两者得分越高则表示聚类效果越好；然后，设置最佳聚类数进行聚类，将同类中负荷分量叠加，得到m组新负荷序列。
5.如权利要求1所述的基于机器学习的超短期电力负荷预测方法，其特征在于，第五步的具体过程如下：首先，对XGBoost模型参数进行初始化，设置初始参数；然后，根据前人研究及实际应用经验设置调参范围；最后，使用网格搜索与交叉验证法寻找最优参数，评估指标为平均绝对百分误差MAPE，其计算公式如下：
Figure FDA0003363998620000011
式中，式中，
Figure FDA0003363998620000012
表示预测值，yi述表示真实值，i＝1,2,3...n,；使用网格搜索进行遍历寻优，计算并记录MAPE值进行对比，得到最佳参数；将最佳参数替换最大树高初始值，继续下一参数寻优，以此类推得到一组最佳参数；
在XGBoost模型设置已找寻的最佳参数，将构造特征后的各组数据按照8:2划分训练集与测试集，依次预测后叠加重构得到最后连续96个点的预测值，计算并记录MAPE、平均绝对误差MAE、均方根误差RMSE对预测模型进行评估。
6.一种基于机器学习的超短期电力负荷预测装置，其特征在于，包括数据导入及归一化模块、分解模块、聚类模块、特征构造模块、预测模块和评估模块，所述分解模块接收数据导入及归一化模块处理后的数据，并进行变分模态分解处理，得到本征模态函数分量；所述聚类模块对本征模态函数分量聚类分析得到新负荷序列；所述特征构造模块根据新负荷序列历史信息、天气、节假日特征构造特征；所述预测模块对新负荷序列进行预测得到最终预测结果：所述评估模块比较预测结果与真实值之间的误差，评估超短期电力负荷预测装置的预测效果。
7.如权利要求6所述的基于机器学习的超短期电力负荷预测装置，其特征在于，数据导入及归一化模块用于对原始数据使用峰值法归一化处理并导入超短期电力负荷预测装置。
8.如权利要求6所述的基于机器学习的超短期电力负荷预测装置，其特征在于，分解模块用于变分模态分解模型参数确定，包括惩罚参数、初始中心频率及分解阶数，之后对数据进行分解得到多个本征模态函数分量。
9.如权利要求6所述的基于机器学习的超短期电力负荷预测装置，其特征在于，聚类模块用于Kmeans参数确定，之后对分解模块得到的分量聚类并分别对同一类分量叠加，得到新负荷序列。
10.如权利要求6所述的基于机器学习的超短期电力负荷预测装置，其特征在于，预测模块用于XGBoost模型参数寻优，之后对特征构造模块得到的各序列特征预测，最后叠加重构得到预测值。
CN202111376352.3A 2021-11-19 2021-11-19 一种基于机器学习的超短期电力负荷预测方法及装置 Pending CN113962485A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111376352.3A CN113962485A (zh) 2021-11-19 2021-11-19 一种基于机器学习的超短期电力负荷预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111376352.3A CN113962485A (zh) 2021-11-19 2021-11-19 一种基于机器学习的超短期电力负荷预测方法及装置

Publications (1)

Publication Number Publication Date
CN113962485A true CN113962485A (zh) 2022-01-21

Family

ID=79471255

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111376352.3A Pending CN113962485A (zh) 2021-11-19 2021-11-19 一种基于机器学习的超短期电力负荷预测方法及装置

Country Status (1)

Country Link
CN (1) CN113962485A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169232A (zh) * 2022-07-11 2022-10-11 山东科技大学 一种日高峰负荷预测方法、计算机设备以及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115169232A (zh) * 2022-07-11 2022-10-11 山东科技大学 一种日高峰负荷预测方法、计算机设备以及可读存储介质
CN115169232B (zh) * 2022-07-11 2024-03-01 山东科技大学 一种日高峰负荷预测方法、计算机设备以及可读存储介质

Similar Documents

Publication Publication Date Title
CN109711609B (zh) 基于小波变换和极限学习机的光伏电站输出功率预测方法
CN109886464B (zh) 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法
CN102609766B (zh) 一种风电场风速智能预测方法
CN110569883B (zh) 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法
CN112668611B (zh) 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法
CN110163444A (zh) 一种基于gasa-svr的需水预测方法
CN110619419A (zh) 城市轨道交通的客流预测方法
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN113962485A (zh) 一种基于机器学习的超短期电力负荷预测方法及装置
CN112308298A (zh) 一种面向半导体生产线的多场景性能指标预测方法及系统
CN110796303A (zh) 一种基于ewt和odbscan的短期电力负荷预测方法
CN113380345A (zh) 基于深度森林的有机化学偶联反应产率预测与分析方法
CN113761777A (zh) 一种基于hp-ovmd的超短期光伏功率预测方法
CN111882114A (zh) 一种短时交通流量预测模型构建方法及预测方法
CN116245019A (zh) 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质
CN111506868A (zh) 一种基于hht权值优化的超短期风速预测方法
CN111062539A (zh) 基于次级用电量特性聚类分析的总电量预测方法
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
CN113449920A (zh) 一种风电功率预测方法、系统及计算机可读介质
CN116882776A (zh) 钢铁生产节能策略设置方法、装置、电子设备及存储介质
CN112215410A (zh) 基于改进深度学习的电力负荷预测方法
CN116108963A (zh) 一种基于集成学习模块的电力碳排放预测方法及设备
CN115374991A (zh) 一种基于改进统计升尺度的光伏集群出力预测方法
CN111539275B (zh) 一种基于负载特性可视化的电气负载分类方法和系统
CN112016732A (zh) 一种基于irf和odbscan的电力负荷频域预测方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 330096 No. 88, Minqiang Road, private science and Technology Park, Qingshanhu District, Nanchang City, Jiangxi Province

Applicant after: STATE GRID JIANGXI ELECTRIC POWER COMPANY LIMITED Research Institute

Applicant after: State Grid Co., Ltd.

Address before: 330096 No.88 Minqiang Road, private science and Technology Park, high tech Zone, Nanchang City, Jiangxi Province

Applicant before: STATE GRID JIANGXI ELECTRIC POWER COMPANY LIMITED Research Institute

Applicant before: State Grid Co., Ltd.