CN114819380A - 基于模型融合的电网母线负荷预测方法 - Google Patents
基于模型融合的电网母线负荷预测方法 Download PDFInfo
- Publication number
- CN114819380A CN114819380A CN202210512695.6A CN202210512695A CN114819380A CN 114819380 A CN114819380 A CN 114819380A CN 202210512695 A CN202210512695 A CN 202210512695A CN 114819380 A CN114819380 A CN 114819380A
- Authority
- CN
- China
- Prior art keywords
- model
- power grid
- load prediction
- grid bus
- models
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 208000025174 PANDAS Diseases 0.000 claims description 3
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 3
- 235000016496 Panda oleosa Nutrition 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 6
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 240000004718 Panda Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000717 retained effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于模型融合的电网母线负荷预测方法，利用数据本身的信息，创造性的将数据的时间序列模型转变为多变量的回归模型进行计算，并采用熵权法进行特征筛选出若干特征，利用数百个lightgbm模型分别训练模型，然后采用LR算法对lightgbm模型结果进行融合。通过预测电力负荷未来的分布情况，可以提高调度的精细化水平，促进电网安全，达到有序用电实现节能减排。
Description
技术领域
本发明属于电网大数据分析技术领域，尤其涉及一种基于模型融合的电网母线负荷预测方法。
背景技术
参考现有技术提供的一种母线负荷预测方法，采用横向比较法修正历史负荷数据中的异常值，采用灰色关联投影法确定母线负荷的关键影响因素；采用改进的K-means聚类方法将特性相近的负荷曲线归为一类，得到若干典型负荷模式，构建分类模型，建立影响因素与聚类结果之间的映射关系；针对每类负荷模式，利用多元线性回归方法训练多个预测模型；通过分类模型确定待测日的类别，然后还要选择相匹配的回归模型实现负荷预测。但该种方式流程复杂，导致中间很多特征信息没法合理的利用，因此实际上无法准确的预测电网母线负荷，实用价值有限。
具体缺点包括：
1)需要先对母线负荷数据进行分类然后进行相关的模型构建，这导致构建模型流程复杂。
2)依据时间序列预测方法对不同类别的母线训练不同的模型，导致训练的模型更多，训练时间久，预测流程很繁杂。
3)由于现有模型需要训练多个模型，因此不同类别的母线相互之间是割裂开的，不会相互影响，因此无法很好的利用不同母线之间的特征差异，作为良好的特征属性。
发明内容
为了弥补现有技术的空白和不足,电网调度系统必须采取科学的发电调度方式，准确的电网母线负荷预测是实现节能降耗与电网调度精细化管理的基础。本发明提出一种基于模型融合的电网母线负荷预测方法，利用数据本身的信息，创造性的将数据的时间序列模型转变为多变量的回归模型进行计算，并采用熵权法进行特征筛选出若干特征，利用数百个lightgbm模型分别训练模型，然后采用LR算法对lightgbm模型结果进行融合。
通过预测电力负荷未来的分布情况，可以提高调度的精细化水平，促进电网安全，达到有序用电实现节能减排。
本发明具体采用以下技术方案：
一种基于模型融合的电网母线负荷预测方法，其特征在于：将变电站数据的时间序列模型转变为多变量的回归模型进行计算，并采用熵权法进行特征筛选出若干特征，利用大量lightgbm模型分别训练模型，然后采用LR算法对lightgbm模型训练结果进行融合。
进一步地，所述变电站数据包括：变电站及母线的信息、形成时间序列的的负荷数据，以及对应的包括天气、温度、风力的天气预报数据
进一步地，采用pandas的时间库对时间特征进行处理，提取年，月，日特征；依据lamnda函数对温度特征，进行提取早晚温度，并构建早晚温差特征；采用lambda处理天气和风向风力变化特征，并应用LabelEncoder对天气和风向风力变化处理后的特征进行编码。
进一步地，采用200个lightgbm分别进行模型构建，训练兵生成200个模型；再通过LR模型对200个模型进行融合，并输出计算结果。
进一步地，结果评价指标采用绝对平均误差：MAE作为基本的评判指标。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的基于模型融合的电网母线负荷预测方法。
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的基于模型融合的电网母线负荷预测方法。
与现有技术相比，本发明及其优选方案通过预测电力负荷未来的分布情况，可以提高调度的精细化水平，促进电网安全，达到有序用电实现节能减排。其相比于现有的预测模型，实现更为简单、计算量显著减小，且充分利用了数据本身的属性，预测效果更好。
附图说明
图1为本发明实施例提供的基于模型融合的电网母线负荷预测方法的流程图。
具体实施方式
为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本说明书使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明实施例基于模型融合的电网母线负荷预测方法流程如图1所示，包括：
1.获取数据的基本特征
训练数据含有3张表，有44座变电站、83条母线的数据、以及从2020年1月1日至2021年6月5日的以5分钟为间隔的负荷数据(做归一化匿名处理)及对应每天的天气、温度、风力等天气预报数据。
数据表格的模板如下所示：
44座变电站
母线负荷数据表
天气数据表
预测结果表：
| 字段名 | 类型 | 说明 |
| id | Int | 母线编号(同变电站与母线信息表中的母线id) |
| create_time | Datetime | 母线负荷的时刻，对应到小时 |
| minute | Int | 母线在0、5、10…55分钟时刻下的负荷值 |
| V | Float | 需预测的该时刻下对应母线的负荷值 |
通过数据处理，将三张表建立联系，通过地区id，母线id等合并三张表。
2.采用pandas的时间库对时间特征进行处理，提取年，月，日等特征；依据lamnda函数对温度特征，进行提取早晚温度，并构建早晚温差特征；
3.采用lambda处理天气和风向风力变化特征，并应用LabelEncoder对天气和风向风力变化处理后的特征进行编码。
4.采用200个lightgbm分别进行模型构建，生成200个模型计算结果。
5.通过LR(Logistic regression)模型对上述200个模型进行融合，并输出计算结果。
6.结果评价指标采用绝对平均误差：MAE作为基本的评判指标。
以下是对本实施例技术要点Lightgbm+LR模型的详细说明：
LR(逻辑回归)算法简单有效，是工业界最常用的算法之一。但LR算法是线性模型，不能捕捉到非线性信息，需要大量特征工程找到特征组合。本实施例为了发现有效的特征组合,采用多个Lightgbm模型构建特征组合，形成LR的输入数据特征。先采用熵权法筛选的已有特征训练多个lightgbm模型，然后利用lightgbm模型学习到的树来构造新特征，最后将新的特征扔到LR模型进行训练。
1.熵权法
熵权法根据指标变异性的大小来确定客观权重。一般来说，若某个指标的信息熵越小，表明指标值的变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相反，某个指标的信息熵越大，表明指标值的变异程度越小，提供的信息量也越少，在综合评价中所起到的作用也越小，其权重也就越小。
信息熵的计算公式为：对于第j个指标而言，
ej越大，即第j个指标的信息熵越大，表明j个指标的信息越少；信息值的定义： dj＝1-ej。信息效用值越大，其对用的信息越多。
熵权法的计算步骤：
第一步：判断输入的矩阵中是否存在负数，如果有则要重新标准化到非负区间。
首先假设已经正向化后的矩阵为
即有n个样本，m个指标，对其标准化的矩阵记为Z，Z中的每个元素：
若出现负值则需要采用其他标准化方式：
第二步：计算第j项指标下第i个样本所占的比重，并将其看作相对熵计算中用到的概率。
假设有n个要评价的对象，m个评价指标，且经过了上一步处理得到的非负矩阵为：
计算概率矩阵P，其中P中每一个矩阵元素pij的计算公式如下：
容易验证：
即保证了每一个指标所对应的概率和为1.
第三步：计算每个指标的信息熵，并计算信息效用值，并归一化得到每个指标的熵权。
对于第j个指标而言
dj＝1-ej
将信息效用值进行归一化就可得到每个指标的熵权：
2.Lightgbm模型
本实施例采用Lightgbm+LR算法进行模型训练和验证，目前传统的boosting算法对所有特征搜索所有样本点寻找最优切分点，特别是针对高维数据训练时间久。本实施例为了解决这种在大样本高纬度数据的环境下耗时的问题，采用lightgbm进行计算。
Lightgbm使用了如下两种解决办法：一是GOSS(Gradient-based One-SideSampling, 基于梯度的单边采样)，不使用所用的样本点来计算梯度，而是对样本进行采样来计算梯度；二是EFB(Exclusive Feature Bundling，互斥特征捆绑)，这里不使用所有的特征来进行扫描获得最佳的切分点，而是将某些特征进行捆绑在一起来降低特征的维度，是寻找最佳切分点的消耗减少。这样大大的降低的处理样本的时间复杂度，但在精度上，通过大量的实验证明，在某些数据集上使用Lightgbm并不损失精度，甚至有时还会提升精度。
单边梯度采样GOSS是从降低样本方向来对样本进行抽样的一种算法，剔除绝大部分小梯度的样本，用余下的样本计算信息增益，这种策略不仅可以降低数据量，还可以保证一定的准确率。
现假定梯度提升决策树模型的样本集在第M颗树构建过程中的目标值为：第i个样本的损失函数在前M-1颗树中的负梯度取值rmi。
其中y表示真实值，f(x)表示模型预测值。
负梯度表示的意义可理解为当前模型对于样本的预测误差，所以梯度大的样本在当前模型下的预测误差就大，这部分样本对模型预测能力的改进帮助就比较大。梯度小的样本在当前模型下的预测误差就小，这部分样本的预测结果已经相当不错了，它对模型预测能力的改进帮助就比较小，为减少训练过程中的样本量以达到加速训练的目的的一个直接想法就是舍弃这些梯度比较小的样本，然而直接舍弃小梯度样本会对样本的分布情况带来改变，改变样本分布情况的行为会降低模型的预测能力，为解决上述问题，梯度单边采样算法被提出。其描述如下：
GOSS保留了梯度从大到小排序后的前a×100％样本，在从剩下的样本随机采样b×100％的小梯度样本。同时为小梯度样本乘以系数
以补偿在采样小梯度样本过程中改变样本分布情况的问题。
互斥特征捆绑EFB(Exclusive Feature Bundling)是一种减少特征数量的方法。通过将多组互斥的特征绑定为对应的绑定特征集，在训练过程中用绑定特征集来取代其内部的各个特征以达到减少特征数量的作用。该方法主要解决如下两个问题：1)哪些特征可以绑定在一起:首先将特征当成点，构建一个带权边的图，顶点连线代表特征的互斥程度；然后以点的度为依据对点进行降序排列；最后遍历所有点，将互斥程度小于r的特征置于一个捆绑特征集中。2)如何将这些特征进行绑定:EFB是通过添加偏移量来实现该问题的。比如说，有两个特征A与B可以进行捆绑，A的取值区间在[0,10),B的取值区间在 [0,20)，通过给特征B添加偏移量10，捆绑特征的取值即为[0,30)，由此来取代特征A 和特征B原来的取值。
3.逻辑回归模型(Logistic regression，LR)
逻辑回归是在线性回归的基础上，增加一个转化函数，能够将预测值映射到[0,1]之间，以0.5为分界线，从而达到分类的目的。其中经常用到的转化函数是sigmoid函数。
逻辑回归模型:
对于0，1分类的LR模型概率公式如下：
其中，x是特征输入，w是参数，又称为权重向量，wTx为w和x的内积。
将两个公式合并成一个,可以写成如下的形式：
P(y|x；w)＝(hθ(x))y(1-hθ(x))1-y,
则比较两个类别的概率，默认阈值为0.5，即：
若p(y|x；w)>0.5，则属于在正类(y＝1)
若p(y|x；w)<0.5，则属于在负类(y＝0)。
本实施例提供的以上涉及算法的程序设计方案可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程图中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于模型融合的电网母线负荷预测方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。
Claims (7)
1.一种基于模型融合的电网母线负荷预测方法，其特征在于：将变电站数据的时间序列模型转变为多变量的回归模型进行计算，并采用熵权法进行特征筛选出若干特征，利用大量lightgbm模型分别训练模型，然后采用LR算法对lightgbm模型训练结果进行融合。
2.根据权利要求1所述的基于模型融合的电网母线负荷预测方法，其特征在于：所述变电站数据包括：变电站及母线的信息、形成时间序列的的负荷数据，以及对应的包括天气、温度、风力的天气预报数据。
3.根据权利要求2所述的基于模型融合的电网母线负荷预测方法，其特征在于：采用pandas的时间库对时间特征进行处理，提取年，月，日特征；依据lamnda函数对温度特征，进行提取早晚温度，并构建早晚温差特征；采用lambda处理天气和风向风力变化特征，并应用LabelEncoder对天气和风向风力变化处理后的特征进行编码。
4.根据权利要求3所述的基于模型融合的电网母线负荷预测方法，其特征在于：采用200个lightgbm分别进行模型构建，训练兵生成200个模型；再通过LR模型对200个模型进行融合，并输出计算结果。
5.根据权利要求4所述的基于模型融合的电网母线负荷预测方法，其特征在于：结果评价指标采用绝对平均误差：MAE作为基本的评判指标。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5其中任一所述的基于模型融合的电网母线负荷预测方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5其中任一所述的基于模型融合的电网母线负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210512695.6A CN114819380B (zh) | 2022-05-12 | 2022-05-12 | 基于模型融合的电网母线负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210512695.6A CN114819380B (zh) | 2022-05-12 | 2022-05-12 | 基于模型融合的电网母线负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114819380A true CN114819380A (zh) | 2022-07-29 |
| CN114819380B CN114819380B (zh) | 2024-06-28 |
Family
ID=82513189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210512695.6A Active CN114819380B (zh) | 2022-05-12 | 2022-05-12 | 基于模型融合的电网母线负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114819380B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101969197A (zh) * | 2010-08-17 | 2011-02-09 | 国电南瑞科技股份有限公司 | 一种母线负荷预测精度综合评价方法 |
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
| CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
| CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
| CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
| CN114118839A (zh) * | 2021-12-01 | 2022-03-01 | 国网浙江省电力有限公司经济技术研究院 | 一种电网恢复力评估方法及装置、电子设备、存储介质 |
| CN114169434A (zh) * | 2021-12-07 | 2022-03-11 | 国电南瑞科技股份有限公司 | 一种负荷预测方法 |
-
2022
- 2022-05-12 CN CN202210512695.6A patent/CN114819380B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101969197A (zh) * | 2010-08-17 | 2011-02-09 | 国电南瑞科技股份有限公司 | 一种母线负荷预测精度综合评价方法 |
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
| AU2016325186A1 (en) * | 2016-09-09 | 2018-03-29 | Beijing Guodiantong Corporation | Bus load forecasting method |
| CN108549960A (zh) * | 2018-04-20 | 2018-09-18 | 国网重庆市电力公司永川供电分公司 | 一种24小时电力负荷预测方法 |
| CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
| CN112001439A (zh) * | 2020-08-19 | 2020-11-27 | 西安建筑科技大学 | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 |
| CN114118839A (zh) * | 2021-12-01 | 2022-03-01 | 国网浙江省电力有限公司经济技术研究院 | 一种电网恢复力评估方法及装置、电子设备、存储介质 |
| CN114169434A (zh) * | 2021-12-07 | 2022-03-11 | 国电南瑞科技股份有限公司 | 一种负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡如乐: "基于SSA-Bi-LSTM神经网络的母线负荷预测方法", 广东电力, vol. 35, no. 02, 25 February 2022 (2022-02-25), pages 20 - 25 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114819380B (zh) | 2024-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| Yuan et al. | Multi-objective wind power scenario forecasting based on PG-GAN | |
| CN109766950B (zh) | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 | |
| CN103116762B (zh) | 一种基于自调制字典学习的图像分类方法 | |
| CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
| CN110555989B (zh) | 一种基于Xgboost算法的交通量预测方法 | |
| CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
| Tao et al. | Input dimension reduction for load forecasting based on support vector machines | |
| CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
| CN109325631A (zh) | 基于数据挖掘的电动汽车充电负荷预测方法和系统 | |
| CN109063743A (zh) | 基于半监督多任务学习的医疗数据分类模型的构建方法 | |
| CN109902340A (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| Wang et al. | Big data analytics for price forecasting in smart grids | |
| CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN113762591A (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 | |
| Zhai et al. | Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting. | |
| CN114819380B (zh) | 基于模型融合的电网母线负荷预测方法 | |
| CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
| CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
| CN113837486A (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
| Qin | Software reliability prediction model based on PSO and SVM | |
| CN118468728B (zh) | 基于增量更新的交直流大电网动态安全预警方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |