CN114091758A - 一种中短期负荷预测方法、系统以及存储介质 - Google Patents
一种中短期负荷预测方法、系统以及存储介质 Download PDFInfo
- Publication number
- CN114091758A CN114091758A CN202111397195.4A CN202111397195A CN114091758A CN 114091758 A CN114091758 A CN 114091758A CN 202111397195 A CN202111397195 A CN 202111397195A CN 114091758 A CN114091758 A CN 114091758A
- Authority
- CN
- China
- Prior art keywords
- load
- input vector
- data set
- medium
- neural network
- 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 description 44
- 238000003860 storage Methods 0.000 title claims description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 241001481710 Cerambycidae Species 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000013277 forecasting method Methods 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research 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
- G06N3/08—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
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种中短期负荷预测方法,包括步骤一、根据待预测的日期类型以及气象数据类型获取对应的历史采样样本,构建样本数据集;步骤二、归一化样本数据集中的负荷数据,获得归一化后的第一输入向量,以及对样本数据集中的气象数据、日期类型进行量化处理,获得量化后的第二输入向量;步骤三、根据第一、第二输入向量和输出向量确定BP神经网络的结构;步骤四、通过天牛须算法优化BP神经网络,建立IBAS‑BP优化模型;步骤五、通过IBAS‑BP优化模型进行中短期电力负荷预测。本发明的基于天牛须算法优化BP神经网络,相对于传统的BP神经网络,提高了BP神经网络的收敛速度和学习能力,克服了电力负荷预测偏差大的问题。
Description
技术领域
本发明涉及电力负荷预测技术领域,具体而言,涉及一种中短期负荷预测方法、系统以及存储介质。
背景技术
中短期负荷预测是电力系统经济调度的基础组成部分,也是电力系统安全运行的重要保障。随着社会经济的高速发展,各行各业对电能的需求与日俱增,与此同时,对电力负荷预测精度的要求也逐渐提高,提高负荷预测精度可以合理地安排电力生产和调度运行计划,也对电网的经济效益有重要影响。
但是随着现代技术理论的不断提升,负荷预测的方法从回归分析法、时间序列法、趋势外推法等发展到人工神经网络法、支持向量机法等。其中,BP神经网络在信息处理方面表现突出,可以实现从输入到输出的任意非线性映射,在负荷预测领域得到了广泛应用。但传统BP神经网络存在负荷预测准确性欠缺、预测偏差较大的现状。针对上述这一问题,亟需一种解决中短期负荷预测准确性差的新方法。
发明内容
本发明的目的在于提供一种中短期负荷预测方法、系统以及存储介质,旨在提供一种解决中短期负荷预测准确性差的新方法,以解决背景技术中所指出的传统BP神经网络存在负荷预测准确性欠缺、预测偏差较大的问题。
本发明的实施例通过以下技术方案实现:一种中短期负荷预测方法,包括以下步骤:
步骤一、根据待预测的日期类型以及气象数据类型获取对应的历史采样样本,构建样本数据集;
步骤二、归一化样本数据集中的负荷数据,获得归一化后的第一输入向量,以及对样本数据集中的气象数据、日期类型进行量化处理,获得量化后的第二输入向量;
步骤三、根据第一、第二输入向量和输出向量确定BP神经网络的结构;
步骤四、通过天牛须算法优化BP神经网络,建立IBAS-BP优化模型;
步骤五、通过IBAS-BP优化模型进行中短期电力负荷预测。
进一步地,所述步骤二中的归一化为在输入层将负荷数据换算为[-1,1]区间的值,公式表示为:
上式中,xmax、xmin分别为样本数据集中负荷数据的最大值和最小值。
进一步地,所述步骤二中的所述第一输入向量包括T-1时刻的实际负荷数据,第二输入向量包括T时刻的天气预报、T时刻的日期类型、T-1时刻的气象因素、T-1时刻的日期类型、T-2时刻的降雨量、T-3时刻的降雨量;
所述步骤三中的所述输出向量为T时刻的预测负荷数据。
进一步地,所述步骤四具体包括:
设置天牛种群初始参数,通过第一、第二输入向量设置天牛左右须位置、左右须间距、初始步长以及迭代次数;
依据初始参数对BP神经网络进行训练,获得初始误差值,通过比较个体的初始误差值,获得天牛空间坐标以及个体位置坐标;
根据变步长更新步长,重复上述步骤,通过更新的天牛空间移动方向结合适应度评价函数,更新天牛空间坐标和个体位置坐标;
达到设置迭代次数,输出天牛空间坐标和个体位置坐标,优化BP层级间的连接权重,获得优化后的IBAS-BP优化模型。
进一步地,所述步骤二在对样本数据集中的气象数据、日期类型进行量化处理之后还包括:
对样本数据集中的数据进行预处理,采用直接删除法或平均值填充法处理数据集中的异常负荷数据。
进一步地,在对样本数据集中的数据进行预处理之后,所述方法还包括:采用横向比较法对样本数据集中的异常负荷数据进行二次修正。
本发明还提供一种中短期负荷预测系统,应用到如上述所述的方法,包括:
数据集构建模块,用于根据待预测的日期类型以及气象数据类型获取对应的历史采样样本,构建样本数据集;
数据处理模块,用于归一化样本数据集中的负荷数据,获得归一化后的第一输入向量,以及对样本数据集中的气象数据、日期类型进行量化处理,获得量化后的第二输入向量;
结构确定模块,用于根据第一、第二输入向量和输出向量确定BP神经网络的结构;
优化模块,用于通过天牛须算法优化BP神经网络,建立IBAS-BP优化模型;
预测模块,用于通过IBAS-BP优化模型进行中短期电力负荷预测。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的方法。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明的基于天牛须算法优化BP神经网络,相对于传统的BP神经网络,提高了BP神经网络的收敛速度和学习能力,克服了电力负荷预测偏差大的问题。
附图说明
图1为本发明实施例1提供的中短期负荷预测方法的流程示意图;
图2为本发明实施例1提供的天牛须算法的优化BP神经网络的流程示意图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
经申请人研究发现,随着现代技术理论的不断提升,负荷预测的方法从回归分析法、时间序列法、趋势外推法等发展到人工神经网络法、支持向量机法等。其中,BP神经网络在信息处理方面表现突出,可以实现从输入到输出的任意非线性映射,在负荷预测领域得到了广泛应用。但传统BP神经网络存在负荷预测准确性欠缺、预测偏差较大的现状。针对上述这一问题,本发明实施例提供一种解决中短期负荷预测准确性差的新方法,具体如下:
参考图1,本发明实施例提供一种中短期负荷预测方法,包括以下步骤:
步骤一、根据待预测的日期类型以及气象数据类型获取对应的历史采样样本,构建样本数据集;
步骤二、为了避免神经元饱和现象,归一化样本数据集中的负荷数据,获得归一化后的第一输入向量:在输入层将负荷数据换算为[-1,1]区间的值,公式表示为:
上式中,xmax、xmin分别为样本数据集中负荷数据的最大值和最小值。
对样本数据集中的气象数据、日期类型进行量化处理,获得量化后的第二输入向量;例如,依据人体舒适度量化温度对负荷的影响:人体舒适温度区间为15~25℃,温度在15~25℃区间时对负荷的影响较小,近似量化取值为0;当温度低于15℃或高于25℃时对负荷的影响较大,当处于低温天气时,负荷随温度下降而增加,量化取值愈小,当处于高温天气时,负荷随温度上升而增加,量化取值愈大;依据抗洪、排渍负荷的增加量化降雨量对负荷的影响:降雨一般分为无雨、小雨、中雨、大雨、暴雨、大暴雨和特大暴雨7种,在防洪季节,降雨一般只引起抗洪、排渍负荷的增加,例如,无雨对负荷无影响,近似量化取值为0;当处于高降雨量天气时,负荷随降雨量上升而增加,量化取值愈大;依据节假日负荷的增加量化日期类型对负荷的影响:例如,节假日负荷会较工作日有所增长,工作日近似量化取值为0,节假日近似量化取值为1。
进一步地,对样本数据集中的数据进行预处理,采用直接删除法或平均值填充法处理数据集中的异常负荷数据。例如:当缺失值只占整体数据的一小部分,可直接删除缺失值(行);而如果缺失值占比较大时,借助其他非缺失数据寻找最邻近的数据,然后进行加权平均求值填充。
为避免出现数据遗漏的情况,本实施还采用横向比较法对样本数据集中的异常负荷数据进行二次修正,根据前后相邻时刻的负荷数据进行判断,考察该点负荷数据书否在最大变化范围内,进而判断异常,对其进行修正。
进一步地执行步骤三、根据第一、第二输入向量和输出向量确定BP神经网络的结构;在本实施例中所述步骤二中的所述第一输入向量包括T-1时刻的实际负荷数据,第二输入向量包括T时刻的天气预报、T时刻的日期类型、T-1时刻的气象因素、T-1时刻的日期类型、T-2时刻的降雨量、T-3时刻的降雨量;所述步骤三中的所述输出向量为T时刻的预测负荷数据。
进一步地执行步骤四、通过天牛须算法优化BP神经网络,建立IBAS-BP优化模型;
参考图2,具体包括:设置天牛种群初始参数,通过第一、第二输入向量设置天牛左右须位置、左右须间距、初始步长以及迭代次数;
依据初始参数对BP神经网络进行训练,获得初始误差值,通过比较个体的初始误差值,获得天牛空间坐标以及个体位置坐标;
根据变步长更新步长,重复上述步骤,通过更新的天牛空间移动方向结合适应度评价函数,更新天牛空间坐标和个体位置坐标;
达到设置迭代次数,输出天牛空间坐标和个体位置坐标,优化BP层级间的连接权重,获得优化后的IBAS-BP优化模型。
进一步执行负荷预测步骤,步骤五、通过IBAS-BP优化模型进行中短期电力负荷预测。将历史负荷数据划分为测试集和训练集,训练集作为样本输入IBAS-BP优化模型进行训练,测试集则按照日期类型分为工作日、一般公休日、节假日,气象数据类型分为高温天气、低温天气、高降雨量天气、低降雨量天气等分别进行预测或多种组合进行预测。
本发明还提供一种中短期负荷预测系统,应用到如上述所述的方法,包括:
数据集构建模块,用于根据待预测的对象类型、日期类型以及气象数据类型获取对应的历史采样样本,构建样本数据集;
数据处理模块,用于归一化样本数据集中的负荷数据,获得归一化后的第一输入向量,以及对样本数据集中的气象数据、日期类型进行量化处理,获得量化后的第二输入向量;
结构确定模块,用于根据第一、第二输入向量和输出向量确定BP神经网络的结构;
优化模块,用于通过天牛须算法优化BP神经网络,建立IBAS-BP优化模型;
预测模块,用于通过IBAS-BP优化模型进行中短期电力负荷预测。
此外,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的方法。
综上,本发明的基于天牛须算法优化BP神经网络,相对于传统的BP神经网络,提高了BP神经网络的收敛速度和学习能力,克服了电力负荷预测偏差大的问题。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种中短期负荷预测方法,其特征在于,包括以下步骤:
步骤一、根据待预测的日期类型以及气象数据类型获取对应的电力系统历史采样样本,构建样本数据集;
步骤二、归一化样本数据集中的负荷数据,获得归一化后的第一输入向量,以及对样本数据集中的气象数据、日期类型进行量化处理,获得量化后的第二输入向量;
步骤三、根据第一、第二输入向量和输出向量确定BP神经网络的结构;
步骤四、通过天牛须算法优化BP神经网络,建立IBAS-BP优化模型;
步骤五、通过IBAS-BP优化模型进行中短期电力负荷预测。
3.如权利要求1所述的中短期负荷预测方法,其特征在于,所述步骤二中的所述第一输入向量包括T-1时刻的实际负荷数据,第二输入向量包括T时刻的天气预报、T时刻的日期类型、T-1时刻的气象因素、T-1时刻的日期类型、T-2时刻的降雨量、T-3时刻的降雨量;
所述步骤三中的所述输出向量为T时刻的预测负荷数据。
5.如权利要求1所述的中短期负荷预测方法,其特征在于,所述步骤二在对样本数据集中的气象数据、日期类型进行量化处理之后还包括:
对样本数据集中的数据进行预处理,采用直接删除法或平均值填充法处理数据集中的异常负荷数据。
6.如权利要求5所述的中短期负荷预测方法,其特征在于,在对样本数据集中的数据进行预处理之后,所述方法还包括:采用横向比较法对样本数据集中的异常负荷数据进行二次修正。
7.一种中短期负荷预测系统,应用到如权利要求1至6任一项所述的方法,其特征在于,包括:
数据集构建模块,用于根据待预测的日期类型以及气象数据类型获取对应的历史采样样本,构建样本数据集;
数据处理模块,用于归一化样本数据集中的负荷数据,获得归一化后的第一输入向量,以及对样本数据集中的气象数据、日期类型进行量化处理,获得量化后的第二输入向量;
结构确定模块,用于根据第一、第二输入向量和输出向量确定BP神经网络的结构;
优化模块,用于通过天牛须算法优化BP神经网络,建立IBAS-BP优化模型;
预测模块,用于通过IBAS-BP优化模型进行中短期电力负荷预测。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111397195.4A CN114091758A (zh) | 2021-11-23 | 2021-11-23 | 一种中短期负荷预测方法、系统以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111397195.4A CN114091758A (zh) | 2021-11-23 | 2021-11-23 | 一种中短期负荷预测方法、系统以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091758A true CN114091758A (zh) | 2022-02-25 |
Family
ID=80303603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111397195.4A Pending CN114091758A (zh) | 2021-11-23 | 2021-11-23 | 一种中短期负荷预测方法、系统以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091758A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415734A (zh) * | 2023-04-18 | 2023-07-11 | 浙江浙达能源科技有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
CN117490002A (zh) * | 2023-12-28 | 2024-02-02 | 成都同飞科技有限责任公司 | 基于流量监测数据的供水管网流量预测方法及系统 |
-
2021
- 2021-11-23 CN CN202111397195.4A patent/CN114091758A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415734A (zh) * | 2023-04-18 | 2023-07-11 | 浙江浙达能源科技有限公司 | 一种基于深度学习的超短期负荷预测方法及系统 |
CN117490002A (zh) * | 2023-12-28 | 2024-02-02 | 成都同飞科技有限责任公司 | 基于流量监测数据的供水管网流量预测方法及系统 |
CN117490002B (zh) * | 2023-12-28 | 2024-03-08 | 成都同飞科技有限责任公司 | 基于流量监测数据的供水管网流量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876054B (zh) | 基于改进遗传算法优化极限学习机的短期电力负荷预测方法 | |
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN114091758A (zh) | 一种中短期负荷预测方法、系统以及存储介质 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN110705743A (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN110689183B (zh) | 一种集群光伏功率概率预测方法、系统、介质及电子设备 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN110555989A (zh) | 一种基于Xgboost算法的交通量预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN113507118B (zh) | 一种风电功率预测方法及系统 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
CN116341725A (zh) | 一种电负荷预测与节能系统、方法、电子设备和储存介质 | |
CN115238948A (zh) | 小水电发电量预测方法及装置 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 | |
CN113222281A (zh) | 基于改进AlexNet-GRU模型的配电网短期负荷预测方法及装置 | |
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 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN112183878A (zh) | 一种结合知识图谱与神经网络的电力负荷预测方法 |
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 |