CN114091325A - 一种基于多模型分层学习的配电台区负荷预测方法及系统 - Google Patents

一种基于多模型分层学习的配电台区负荷预测方法及系统 Download PDF

Info

Publication number
CN114091325A
CN114091325A CN202111303734.3A CN202111303734A CN114091325A CN 114091325 A CN114091325 A CN 114091325A CN 202111303734 A CN202111303734 A CN 202111303734A CN 114091325 A CN114091325 A CN 114091325A
Authority
CN
China
Prior art keywords
model
algorithm
data
power distribution
layer prediction
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
CN202111303734.3A
Other languages
English (en)
Inventor
舒舟
杨文锋
谢莹华
廖威
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.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau 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 Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN202111303734.3A priority Critical patent/CN114091325A/zh
Publication of CN114091325A publication Critical patent/CN114091325A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于多模型分层学习的配电台区负荷预测方法，包括获取配电台区的相关数据；将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，得到该配电台区所需预测的负荷值；其中，多模型分层学习模型包括依序连接的上层预测模型和下层预测模型；上层预测模型中预设有K种算法模型；下层预测模型中预设有一种算法模型，且该算法模型的输入来自于上层预测模型中的K种算法模型的输出结果，该算法模型的输出即为所需预测的负荷值。本发明还提供一种基于多模型分层学习的配电台区负荷预测系统。实施本发明，通过利用多种算法的差异性，构建多模型分层学习模型来提高负荷预测模型的泛化能力，从而解决现有技术预测偏差较大的问题。

Description

一种基于多模型分层学习的配电台区负荷预测方法及系统
技术领域
本发明涉及电力系统数据处理技术领域，尤其涉及一种基于多模型分层学习的配电台区负荷预测方法及系统。
背景技术
近年来，配电台区负荷作为电力系统配电网规划、调度、运维等一系列部门的一项重要工作，受到广泛的重视。精准的负荷预测将有效提高配电网调度水平和安全运行水平，有助于指导消纳低压台区光伏，优化配电网潮流运行方式。
随着配电台区在线监测设备逐步成熟以及数字电网建设的全面推进，获取海量并存储的配电台区用电负荷数据信息和相关联数据已不再困难。
目前，负荷预测是一个复杂多因素影响的技术问题。然而，现有的负荷预测技术仅采用单一人工智能算法对负荷进行预测，暂无法解决台区级负荷预测存在的因供电半径较小、用电随机性大等所导致的预测偏差较大的问题。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于多模型分层学习的配电台区负荷预测方法及系统，通过利用多种算法的差异性，构建多模型分层学习模型来提高负荷预测模型的泛化能力，从而解决现有技术预测偏差较大的问题。
为了解决上述技术问题，本发明实施例提供了一种基于多模型分层学习的配电台区负荷预测方法，所述方法包括以下步骤：
获取配电台区的相关数据；
将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，得到该配电台区所需预测的负荷值；其中，所述多模型分层学习模型包括依序连接的上层预测模型和下层预测模型；所述上层预测模型中预设有K种算法模型；所述下层预测模型中预设有一种算法模型，且该算法模型的输入来自于所述上层预测模型中的K种算法模型的输出结果，该算法模型的输出即为所需预测的负荷值；K为大于1的正整数。
其中，所述下层预测模型中的算法模型为所述上层预测模型中的K种算法模型之其中一种；或
所述下层预测模型中的算法模型与所述上层预测模型中的K种算法模型均不同。
其中，所述上层预测模型中K种算法模型有五种，包括XGBoost算法模型、 RF算法模型、BP神经网络算法模型、LSTM神经网络算法模型和支持向量机 SVM算法模型。
其中，所述配电台区的相关数据包括负荷数据、气象数据和配变投运年限数据；其中，所述负荷数据和所述气象数据均为连续数据；所述配变投运年限数据为离散数据。
本发明实施例还提供了一种基于多模型分层学习的配电台区负荷预测系统，包括；
数据获取单元，用于获取配电台区的相关数据；
负荷预测单元，用于将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，得到该配电台区所需预测的负荷值；其中，所述多模型分层学习模型包括依序连接的上层预测模型和下层预测模型；所述上层预测模型中预设有K种算法模型；所述下层预测模型中预设有一种算法模型，且该算法模型的输入来自于所述上层预测模型中的K种算法模型的输出结果，该算法模型的输出即为所需预测的负荷值；K为大于1的正整数。
其中，所述下层预测模型中的算法模型为所述上层预测模型中的K种算法模型之其中一种；或
所述下层预测模型中的算法模型与所述上层预测模型中的K种算法模型均不同。
其中，所述上层预测模型中K种算法模型有五种，包括XGBoost算法模型、 RF算法模型、BP神经网络算法模型、LSTM神经网络算法模型和支持向量机 SVM算法模型。
其中，所述配电台区的相关数据包括负荷数据、气象数据和配变投运年限数据；其中，所述负荷数据和所述气象数据均为连续数据；所述配变投运年限数据为离散数据。
实施本发明实施例，具有如下有益效果：
本发明利用多种算法的差异性，构建多模型分层学习模型来提高负荷预测模型的泛化能力，并将配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，快速得到配电台区所需预测的负荷值，从而解决了现有技术中因供电半径较小、用电随机性大等所带来的预测偏差较大的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种基于多模型分层学习的配电台区负荷预测方法的流程图；
图2为本发明实施例提供的一种基于多模型分层学习的配电台区负荷预测方法中多模型分层学习模型进行训练的应用场景图；
图3为本发明实施例提供的一种基于多模型分层学习的配电台区负荷预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提出的一种基于多模型分层学习的配电台区负荷预测方法，所述方法包括以下步骤：
步骤S1、获取配电台区的相关数据；
步骤S2、将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，得到该配电台区所需预测的负荷值；其中，所述多模型分层学习模型包括依序连接的上层预测模型和下层预测模型；所述上层预测模型中预设有 K种算法模型；所述下层预测模型中预设有一种算法模型，且该算法模型的输入来自于所述上层预测模型中的K种算法模型的输出结果，该算法模型的输出即为所需预测的负荷值；K为大于1的正整数。
具体过程为，在步骤S1之前，首先，利用多种算法的差异性，预先构建出多模型分层学习模型，且该多模型分层学习模型包括依序连接的上层预测模型和下层预测模型。其中，上层预测模型中预设有K种算法模型，K为大于1的正整数；下层预测模型中预设有一种算法模型，且该算法模型的输入来自于上层预测模型中的K种算法模型的输出结果，该算法模型的输出即为所需预测的负荷值。应当说明的是，下层预测模型中的算法模型可以是上层预测模型中的K种算法模型之其中一种，也可以与上层预测模型中的K种算法模型均不同，具体根据实际需要进行设计。
在一个实施例中，上层预测模型中K种算法模型有五种，包括XGBoost算法模型、RF算法模型、BP神经网络算法模型、LSTM神经网络算法模型和支持向量机SVM算法模型。上述五种算法模型的输出结果(即预测结果)作为下层预测模型中的算法模型的输入，在下层预测模型中的算法模型进行预测，输出所需预测的负荷值。
其次，对该多模型分层学习模型进行训练。
(1)从配电网的计量系统获取配电台区的历史负荷数据以及配变投运年限数据，时间间隔为15min/点。同时，通过外部气象数据源获取相对应的温度数据，时间间隔与负荷数据保持一致。
(2)对历史负荷数据以及气象数据进行清洗处理，对缺失和明显异常数据可采用人工选择相似日参考对照补全或数据拟合方式补全。将清洗后的历史负荷数据、气象数据(包括温度数据)和配变投运年限数据(包括年、月、星期、日、小时等)形成配电台区的相关历史数据。其中，历史负荷数据和气象数据均为连续数据；配变投运年限数据为离散数据。
(3)在配电台区的相关历史数据中，选择历史负荷数据，温度数据，日期信息作为输入属性，最终形成为上层预测模型的训练数据集。其中，输入属性形式可参照下表1所示，即输入属性为237维：
表1
Figure BDA0003339344060000051
(4)鉴于上层预测模型中预设有K种算法模型，需将步骤(3)形成的原始训练数据集划分为K个子数据集并保证每块的数据不重叠。K种算法模型中每一种算法模型均利用其中1个子数据集作为验证数据集(每个算法互不相同)，其他K-1个子数据集作为训练数据集。
通过K种算法模型中每一种算法模型得到的预测结果重新组合成新的数据集，且将该组合成新的数据集作为下层预测模型中的算法模型的输入进行训练，从而得到训练好的多模型分层学习模型，且该训练好的多模型分层学习模型输出为1维，即为待预测时刻的负荷值，如图2所示。
应当说明的是，各算法模型采用交叉验证的方式选择最优的超参数组作为最终预测模型的超参数设置。
在步骤S1中，确定需要预测的配电台区，并获取该配电台区的相关数据，包括负荷数据、气象数据和配变投运年限数据。应当说明的是，所获取的配电台区的相关数据需要根据历史数据一样进行处理成为符合多模型分层学习模型所需数据要求。
在步骤S2中，将该配电台区的相关数据导入上述训练好的多模型分层学习模型进行预测，即可得到该配电台区所需预测的负荷值。
如图3所示，为本发明实施例中，提供的一种基于多模型分层学习的配电台区负荷预测系统，包括；
数据获取单元110，用于获取配电台区的相关数据；
负荷预测单元120，用于将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，得到该配电台区所需预测的负荷值；其中，所述多模型分层学习模型包括依序连接的上层预测模型和下层预测模型；所述上层预测模型中预设有K种算法模型；所述下层预测模型中预设有一种算法模型，且该算法模型的输入来自于所述上层预测模型中的K种算法模型的输出结果，该算法模型的输出即为所需预测的负荷值；K为大于1的正整数。
其中，所述下层预测模型中的算法模型为所述上层预测模型中的K种算法模型之其中一种；或
所述下层预测模型中的算法模型与所述上层预测模型中的K种算法模型均不同。
其中，所述上层预测模型中K种算法模型有五种，包括XGBoost算法模型、 RF算法模型、BP神经网络算法模型、LSTM神经网络算法模型和支持向量机 SVM算法模型。
其中，所述配电台区的相关数据包括负荷数据、气象数据和配变投运年限数据；其中，所述负荷数据和所述气象数据均为连续数据；所述配变投运年限数据为离散数据。
实施本发明实施例，具有如下有益效果：
本发明利用多种算法的差异性，构建多模型分层学习模型来提高负荷预测模型的泛化能力，并将配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，快速得到配电台区所需预测的负荷值，从而解决了现有技术中因供电半径较小、用电随机性大等所带来的预测偏差较大的问题。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种基于多模型分层学习的配电台区负荷预测方法，其特征在于，所述方法包括以下步骤：
获取配电台区的相关数据；
将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，得到该配电台区所需预测的负荷值；其中，所述多模型分层学习模型包括依序连接的上层预测模型和下层预测模型；所述上层预测模型中预设有K种算法模型；所述下层预测模型中预设有一种算法模型，且该算法模型的输入来自于所述上层预测模型中的K种算法模型的输出结果，该算法模型的输出即为所需预测的负荷值；K为大于1的正整数。
2.如权利要求1所述的基于多模型分层学习的配电台区负荷预测方法，其特征在于，所述下层预测模型中的算法模型为所述上层预测模型中的K种算法模型之其中一种；或
所述下层预测模型中的算法模型与所述上层预测模型中的K种算法模型均不同。
3.如权利要求2所述的基于多模型分层学习的配电台区负荷预测方法，其特征在于，所述上层预测模型中K种算法模型有五种，包括XGBoost算法模型、RF算法模型、BP神经网络算法模型、LSTM神经网络算法模型和支持向量机SVM算法模型。
4.如权利要求1所述的基于多模型分层学习的配电台区负荷预测方法，其特征在于，所述配电台区的相关数据包括负荷数据、气象数据和配变投运年限数据；其中，所述负荷数据和所述气象数据均为连续数据；所述配变投运年限数据为离散数据。
5.一种基于多模型分层学习的配电台区负荷预测系统，其特征在于，包括；
数据获取单元，用于获取配电台区的相关数据；
负荷预测单元，用于将该配电台区的相关数据导入预先训练好的多模型分层学习模型进行预测，得到该配电台区所需预测的负荷值；其中，所述多模型分层学习模型包括依序连接的上层预测模型和下层预测模型；所述上层预测模型中预设有K种算法模型；所述下层预测模型中预设有一种算法模型，且该算法模型的输入来自于所述上层预测模型中的K种算法模型的输出结果，该算法模型的输出即为所需预测的负荷值；K为大于1的正整数。
6.如权利要求5所述的基于多模型分层学习的配电台区负荷预测系统，其特征在于，所述下层预测模型中的算法模型为所述上层预测模型中的K种算法模型之其中一种；或
所述下层预测模型中的算法模型与所述上层预测模型中的K种算法模型均不同。
7.如权利要求6所述的基于多模型分层学习的配电台区负荷预测系统，其特征在于，所述上层预测模型中K种算法模型有五种，包括XGBoost算法模型、RF算法模型、BP神经网络算法模型、LSTM神经网络算法模型和支持向量机SVM算法模型。
8.如权利要求5所述的基于多模型分层学习的配电台区负荷预测系统，其特征在于，所述配电台区的相关数据包括负荷数据、气象数据和配变投运年限数据；其中，所述负荷数据和所述气象数据均为连续数据；所述配变投运年限数据为离散数据。
CN202111303734.3A 2021-11-05 2021-11-05 一种基于多模型分层学习的配电台区负荷预测方法及系统 Pending CN114091325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111303734.3A CN114091325A (zh) 2021-11-05 2021-11-05 一种基于多模型分层学习的配电台区负荷预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111303734.3A CN114091325A (zh) 2021-11-05 2021-11-05 一种基于多模型分层学习的配电台区负荷预测方法及系统

Publications (1)

Publication Number Publication Date
CN114091325A true CN114091325A (zh) 2022-02-25

Family

ID=80298957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111303734.3A Pending CN114091325A (zh) 2021-11-05 2021-11-05 一种基于多模型分层学习的配电台区负荷预测方法及系统

Country Status (1)

Country Link
CN (1) CN114091325A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879570A (zh) * 2022-10-25 2023-03-31 国网安徽省电力有限公司合肥供电公司 电网负荷预测模型的建立方法及计算机可读储存介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879570A (zh) * 2022-10-25 2023-03-31 国网安徽省电力有限公司合肥供电公司 电网负荷预测模型的建立方法及计算机可读储存介质
CN115879570B (zh) * 2022-10-25 2024-05-07 国网安徽省电力有限公司合肥供电公司 电网负荷预测模型的建立方法及计算机可读储存介质

Similar Documents

Publication Publication Date Title
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
CN111680841B (zh) 基于主成分分析的短期负荷预测方法、系统及终端设备
CN103310286A (zh) 一种具有时间序列特性的产品订单预测方法及装置
CN104077651B (zh) 电网检修计划优化方法
López et al. New online load forecasting system for the Spanish Transport System Operator
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN109583629A (zh) 基于偏差自校正的改进相似日短期负荷预测方法及装置
CN116822997B (zh) 一种考虑绿色电力的实时碳排放核算方法及装置
Zhang et al. Enhancing economics of power systems through fast unit commitment with high time resolution
Dong et al. A multifactorial short-term load forecasting model combined with periodic and non-periodic features-a case study of qingdao, China
Bagheri et al. Adaptive‐robust multi‐resolution generation maintenance scheduling with probabilistic reliability constraint
Peng et al. Multi-objective robust optimization allocation for energy storage using a novel confidence gap decision method
Lao et al. The optimized multivariate grey prediction model based on dynamic background value and its application
CN114091325A (zh) 一种基于多模型分层学习的配电台区负荷预测方法及系统
CN111697560B (zh) 一种基于lstm预测电力系统负荷的方法及系统
Abumohsen et al. Electrical load forecasting based on random forest, xgboost, and linear regression algorithms
CN114091776A (zh) 一种基于K-means的多分支AGCNN短期电力负荷预测方法
CN109447336A (zh) 一种上游水库与其反调节水库坝间水位优化控制方法
Cen et al. Multi-Task Learning of the PatchTCN-TST Model for Short-Term Multi-Load Energy Forecasting Considering Indoor Environments in a Smart Building
Hajjaji et al. Evaluation of artificial intelligence algorithms for predicting power consumption in university campus microgrid
CN117200352A (zh) 一种基于云边融合的光伏发电调控方法及系统
Chang et al. Probabilistic load forecasting via point forecast feature integration
CN112783865A (zh) 一种半监督人机结合的运维故障库生成方法及系统
CN113723717B (zh) 系统日前短期负荷预测方法、装置、设备和可读存储介质
CN115577903A (zh) 新能源对电网调峰影响的评估方法、装置、设备及介质

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