CN115238976A - 一种含温度敏感负荷的夏季负荷预测分层模型 - Google Patents

一种含温度敏感负荷的夏季负荷预测分层模型 Download PDF

Info

Publication number
CN115238976A
CN115238976A CN202210819610.9A CN202210819610A CN115238976A CN 115238976 A CN115238976 A CN 115238976A CN 202210819610 A CN202210819610 A CN 202210819610A CN 115238976 A CN115238976 A CN 115238976A
Authority
CN
China
Prior art keywords
load
neural network
layer
temperature
predicted
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
CN202210819610.9A
Other languages
English (en)
Inventor
鲍福增
刘娆
常燕南
孙艺文
巴宇
王海霞
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202210819610.9A priority Critical patent/CN115238976A/zh
Publication of CN115238976A publication Critical patent/CN115238976A/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

Abstract

一种含温度敏感负荷的夏季负荷预测分层模型，将其应用于夏季电力系统日前负荷预测问题。步骤为：1)建立第一层神经网络模型，用以分离和预测系统负荷中的温度敏感趋势量。2)得到历史温度敏感趋势负荷和历史残差负荷。3)建立并训练第二层神经网络。4)得到预测负荷结果。本发明构建分层的神经网络模型，第一层先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度影响；将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，考虑其他非温度影响负荷的因素，实现对残差负荷的预测；最后整合两层的预测结果，完成夏季的负荷预测。本发明思路简单、灵活，可显著提升模型的预测精度，解决了使用神经网络进行夏季负荷预测时没有突出温度的首要影响的问题。

Description

一种含温度敏感负荷的夏季负荷预测分层模型
技术领域
本发明属于电力系统负荷预测领域，具体涉及一种负荷预测模型，并将其应用于夏季含温度敏感负荷的负荷预测领域。
背景技术
随着电力需求的不断增长，电力系统夏季的负荷越来越大。在负荷高峰时段，负荷预测的精准度较差。较差的精准度在很多方面给电力系统运行带来不良的后果。就较长时间而言，无法准确预判最大负荷，进而难以合理安排检修计划；就较短时间而言，不能明析次日负荷变化，无法适宜安排发电计划。因此负荷预测的精准性将会直接影响电网运行的经济性和安全性。因此需要提升夏季负荷预测的精准性。
负荷预测需要考虑气象因素，日期因素和历史负荷因素。气象因素包括温度、风力等；日期因素是指星期日因素；历史负荷因素是指前几天的负荷的影响。从数学的角度看，负荷预测问题是一种多元非线性的回归问题，而神经网络模型凭借其在处理多元非线性回归问题的具有很强的优势，已经成为负荷预测领域主流的预测模型。但这些影响负荷的因素对负荷的影响并不是等同的，而神经网络在考虑不同因素时并没有在结构上考虑不同因素之间的区别。而夏季温度是影响负荷的首要因素，其影响远大于其他因素，必须要突出它的影响。然而已有的神经网络模型并没有考虑突出温度的影响，使得夏季的负荷预测精准性降低。
本发明构建了一种分层的神经网络模型，第一层，先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度的影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，考虑其他非温度影响负荷的因素，实现对残差负荷的预测。最后整合两层的预测结果，完成夏季的负荷预测。本发明预测精度较高。
发明内容
针对神经网络进行负荷预测时没有突出温度的首要影响的问题，本发明构建了一种分层的神经网络模型，第一层，先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度的影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，结合其他非温度影响负荷的因素，实现对残差负荷的预测。最后整合两层的预测结果完成夏季的负荷预测。具体结构如图1所示。
为了达到上述目的，本发明采用的技术方案是：
一种含温度敏感负荷的夏季负荷预测分层模型，包括以下步骤：
步骤1：建立第一层神经网络模型，用以分离和预测系统负荷中的温度敏感趋势量。
所述的第一层神经网络需要探究温度与负荷之间的关系，而温度对于负荷既有即时的影响，即实时温度对于负荷的影响，也有温度累积效应即前几日温度数据的影响，即当前几日温度持续高温时，温度虽然不变，但负荷仍然呈现先快后慢的增长模式。就其本质而言温度对于负荷的影响是一种多元非线性回归问题，所以模型需要实时以及前几日的温度数据作为模型的输入。另外由于每个时刻的温度与负荷的关系并不完全相同，所以还需要引入小时信息用来区分不同时刻温度与负荷之间关系。依据以上分析，依据TCN神经网络的特点获得第一层神经网络的输入和输出如式(1)所示。
Figure BDA0003743652600000021
其中，Ti表示待拟合负荷i-1小时前的温度，hi表示待拟合负荷i-1小时前的小时数，LT表示待拟合的温度趋势负荷，在训练中用系统负荷L代替。
在模型的输入输出确定后，建立分层模型中的第一层神经网络，其中输入层负责读入式(1)中的输入，TCN层卷积核中的过滤器数量设置为128，时间步参数设置为72，Dense层输出设置为1，如图2所示。
步骤2：得到历史温度敏感趋势负荷和历史残差负荷。通过将待预测日前一段时间的数据作为训练集，对步骤1建立的第一层神经网络进行训练，可以得到历史系统负荷中的历史温度敏感趋势负荷，再将历史系统负荷减去历史温度敏感趋势量负荷可以得到历史残差负荷。
步骤3：建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用。
除温度以外，影响负荷的因素还有很多，如风力、历史负荷和预测日类型等非温度影响因素。第一层神经网络探究了温度与负荷的变化关系，在从总负荷中减去第一层神经网络输出的温度影响趋势负荷后，可以将对系统负荷的预测转化为对残差负荷的预测，从而剔除温度对负荷预测的影响，研究非温度影响因素的作用，即第二层神经网络仅需关注非温度影响因素对残差负荷的影响。基于LSTM神经网络搭建第二层神经网络，用来完成对残差负荷的预测。
第二层神经网络需要考虑除温度外的其他因素与负荷之间的关系，其中包括风力等非温度气象因素，历史负荷因素以及预测日类型因素。由于不同小时的负荷对于不同因素的关系不同，所以还需要引入小时作为输入。基于以上分析，依据LSTM神经网络的特点建立第二层神经网络的输入和输出如式(2)所示。
Figure BDA0003743652600000031
其中，Ri表示待预测时间点23+i小时前的残差负荷，Wi表示预测时间点i-1小时前的风速，hi表示待预测时间点i-1小时前小时数，
Figure BDA0003743652600000032
表示待预测时间点i-1小时前的经过one-hot编码的星期数据，R表示待预测残差负荷。
在模型的输入输出确定后，建立分层模型中的第二层神经网络，其中输入层负责读入式(2)中的输入，LSTM层神经元数量设置为128，时间步参数设置为72，Dense层输出设置为1，如图3所示。
在确定了第二层神经网络的具体结构后，对第二层神经网络进行训练。第二层的神经网络的训练集来源于基于第一层神经网络的结果，需要先准备好第一层神经网络的训练集，然后对第一层神经网络进行训练；即得到第一层神经网络的训练结果后，加入第二层神经网络所需的输入如式(2)所示，得到第二层神经网络的训练集；再训练第二层神经网络。训练流程如图4所示。通过以上的训练流程后便可以得到训练好的第二层神经网络。
步骤4：得到预测负荷结果。使用第一层神经网络得到待预测日的温度趋势负荷，使用第二层神经网络得到待预测日的残差负荷。将两者相加得到了待预测日的系统负荷，具体预测流程如图5所示。
本发明的有益效果为：
本发明解决了使用神经网络进行夏季负荷预测时没有突出温度的首要影响的问题，其计算速度较快。传统的神经网络在结构上没有考虑到不同因素的区别，使得夏季负荷的最重要影响因素温度的重要性被忽略。本发明构建分层的神经网络模型，第一层先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，考虑其他非温度影响负荷的因素，实现对残差负荷的预测。最后整合两层的预测结果，完成夏季的负荷预测。本发明考虑了夏季短期负荷预测中不同因素的主次作用，突出了温度的影响，提升了夏季短期负荷预测的精度。
附图说明
图1为分层神经网络结构图；
图2为第一层神经网络结构图；
图3为第二层神经网络结构图；
图4为第二层神经网络训练流程图；
图5为分层模型预测流程图；
图6为分层模型预测结果图。
具体实施方式
针对神经网络进行负荷预测时没有突出温度的首要影响的问题，本发明构建了一种分层的神经网络模型，第一层，先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度的影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，结合其他非温度影响负荷的因素，实现对残差负荷的预测。最后整合两层的预测结果完成夏季的负荷预测。具体结构如图1所示。以我国某地区的2018年6月至2018年7月的数据作为训练集预测2018年8月1-7日的负荷为例。
一种含温度敏感负荷的夏季负荷预测分层模型，包括以下步骤：
步骤1：建立第一层神经网络模型，用以分离和预测系统负荷中的温度敏感趋势量。第一层神经网络需要探究温度与负荷之间的关系，而温度对于负荷既有即时的影响，即实时温度对于负荷的影响，也有温度累积效应即前几日温度数据的影响，即当前几日温度持续高温时，温度虽然不变，但负荷仍然呈现先快后慢的增长模式。就其本质而言温度对于负荷的影响是一种多元非线性回归问题，所以模型需要实时以及前几日的温度数据作为模型的输入。另外由于每个时刻的温度与负荷的关系并不完全相同，所以还需要引入小时信息用来区分不同时刻温度与负荷之间关系。依据以上分析，依据TCN神经网络的特点获得第一层神经网络的输入和输出如式(1)所示。
Figure BDA0003743652600000041
output＝LT
其中，Ti表示待拟合负荷i-1小时前的温度，hi表示待拟合负荷i-1小时前的小时数，LT表示待拟合的温度趋势负荷，在训练中用系统负荷L代替。考虑到3天以内的温度累积效应，所以以3天以内的全部温度作为模型的输入，由于采用小时级的温度数据，所以取i＝3*24。
第一层神经网络的训练集部分输入输出如表1所示。
表1 第一层神经网络训练集部分输入输出
Figure BDA0003743652600000042
Figure BDA0003743652600000051
在模型的输入输出确定后，建立分层模型中的第一层神经网络，其中输入层负责读入式(1)中的输入，TCN层卷积核中的过滤器数量设置为128，时间步参数设置为72，Dense层输出设置为1，如图2所示。
步骤2：得到历史温度敏感趋势负荷和历史残差负荷。通过将待预测日前一段时间的数据作为训练集，对步骤1建立的第一层神经网络进行训练，可以得到历史系统负荷中的历史温度敏感趋势负荷，再将历史系统负荷减去历史温度敏感趋势负荷可以得到历史残差负荷。部分历史数据如表2所示。
表2 部分历史数据
Figure BDA0003743652600000052
步骤3：建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用。
除温度以外，影响负荷的因素还有很多，如风力、历史负荷和预测日类型等非温度影响因素。第一层神经网络探究了温度与负荷的变化关系，在从总负荷中减去第一层神经网络输出的温度影响趋势负荷后，可以将对系统负荷的预测转化为对残差负荷的预测，从而剔除温度对负荷预测的影响，研究非温度影响因素的作用，即第二层神经网络仅需关注非温度影响因素对残差负荷的影响。基于LSTM神经网络搭建第二层神经网络，用来完成对残差负荷的预测。
第二层神经网络需要考虑除温度外的其他因素与负荷之间的关系，其中包括风力等非温度气象因素，历史负荷因素以及预测日类型因素。由于不同小时的负荷对于不同因素的关系不同，所以还需要引入小时作为输入。基于以上分析，依据LSTM神经网络的特点建立第二层神经网络的输入和输出如式(2)所示。
Figure BDA0003743652600000061
output＝R
其中，Ri表示待预测时间点23+i小时前的残差负荷，Wi表示预测时间点i-1小时前的风速，hi表示待预测时间点i-1小时前小时数，
Figure BDA0003743652600000063
表示待预测时间点i-1小时前的经过one-hot编码的星期数据，R表示待预测残差负荷，考虑3天内的每个小时的残差负荷，i＝3*24。
第二层神经网络部分输入输出如表3所示。
表3 第二层神经网络训练集部分输入输出
Figure BDA0003743652600000062
在模型的输入输出确定后，建立分层模型中的第二层神经网络，其中输入层负责读入式(2)中的输入，LSTM层神经元数量设置为128，时间步参数设置为72，Dense层输出设置为1，如图3所示。
在确定了第二层神经网络的具体结构后，对第二层神经网络进行训练。首先，第二层的神经网络的训练集来源于基于第一层神经网络的结果，需要先准备好第一层神经网络的训练集，然后对第一层神经网络进行训练；然后，得到第一层神经网络的训练结果后，加入第二层神经网络所需非温度的其他因素，得到第二层神经网络的训练集，如表3所示；最后，训练第二层神经网络。训练流程如图4所示。通过以上的训练流程后便可以得到训练后的第二层神经网络。
步骤4：得到预测负荷结果。使用第一层神经网络得到待预测日的温度趋势负荷，使用第二层神经网络得到待预测日的残差负荷。将两者相加得到了待预测日的系统负荷，具体预测流程如图5所示。
依据以上的训练流程，得到了训练后的第一层神经网络和第二层神经网络，预测2018年8月1日至2018年8月7日的负荷，具体预测结果如图6所示。其中，部分预测结果如表4所示。
表4 部分预测结果
Figure BDA0003743652600000071
对预测结果进行统计分析，具体结果如表5所示。
表5 预测结果统计分析表
Figure BDA0003743652600000072
本发明解决了夏季使用神经网络进行负荷预测时没有突出温度的首要影响的问题，其计算速度较快。传统的神经网络在结构上没有考虑到不同因素的区别，使得夏季最重要因素温度的重要性被忽略。本发明通过构建了一种分层的神经网络模型，第一层，先对考虑温度对负荷非线性影响的神经网络进行训练，以突出温度的影响。将这一层得到的温度敏感趋势量结合系统负荷获得残差负荷送入第二层，考虑其他非温度影响负荷的因素，实现对残差负荷的预测。最后整合两层的预测结果，完成夏季的负荷预测。
上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。

Claims (1)

1.一种含温度敏感负荷的夏季负荷预测分层模型，其特征在于，包括以下内容：
步骤1：建立第一层神经网络模型，用以分离和预测系统负荷中的温度敏感趋势量；
所述的第一层神经网络探究温度与负荷之间的关系，根据TCN神经网络的特点获得第一层神经网络的输入和输出如式(1)所示；
Figure FDA0003743652590000011
output＝LT
其中，Ti表示待拟合负荷i-1小时前的温度，hi表示待拟合负荷i-1小时前的小时数，LT表示待拟合的温度趋势负荷，在训练中用系统负荷L代替；
在模型的输入输出确定后，建立分层模型中的第一层神经网络；
步骤2：得到历史温度敏感趋势负荷和历史残差负荷；通过将待预测日前一段时间的数据作为训练集，对步骤1建立的第一层神经网络进行训练，可以得到历史系统负荷中的历史温度敏感趋势负荷，再将历史系统负荷减去历史温度敏感趋势量负荷可以得到历史残差负荷；
步骤3：建立并训练第二层神经网络，用来考虑非温度其他因素对负荷的作用；
第一层神经网络探究温度与负荷的变化关系，在从总负荷中减去第一层神经网络输出的温度影响趋势负荷后，将对系统负荷的预测转化为对残差负荷的预测，从而剔除温度对负荷预测的影响，研究非温度影响因素的作用，即第二层神经网络仅需关注非温度影响因素对残差负荷的影响；基于LSTM神经网络搭建第二层神经网络，用来完成对残差负荷的预测；依据LSTM神经网络的特点建立第二层神经网络的输入和输出如式(2)所示；
Figure FDA0003743652590000012
output＝R
其中，Ri表示待预测时间点23+i小时前的残差负荷，Wi表示预测时间点i-1小时前的风速，hi表示待预测时间点i-1小时前小时数，
Figure FDA0003743652590000013
表示待预测时间点i-1小时前的经过one-hot编码的星期数据，R表示待预测残差负荷；
在模型的输入输出确定后，建立分层模型中的第二层神经网络；并对第二层神经网络进行训练，第二层的神经网络的训练集为第一层神经网络的训练结果；
步骤4：得到预测负荷结果；使用第一层神经网络得到待预测日的温度趋势负荷，使用第二层神经网络得到待预测日的残差负荷；将两者相加得到了待预测日的系统负荷。
CN202210819610.9A 2022-07-13 2022-07-13 一种含温度敏感负荷的夏季负荷预测分层模型 Pending CN115238976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210819610.9A CN115238976A (zh) 2022-07-13 2022-07-13 一种含温度敏感负荷的夏季负荷预测分层模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210819610.9A CN115238976A (zh) 2022-07-13 2022-07-13 一种含温度敏感负荷的夏季负荷预测分层模型

Publications (1)

Publication Number Publication Date
CN115238976A true CN115238976A (zh) 2022-10-25

Family

ID=83674061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210819610.9A Pending CN115238976A (zh) 2022-07-13 2022-07-13 一种含温度敏感负荷的夏季负荷预测分层模型

Country Status (1)

Country Link
CN (1) CN115238976A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116780658A (zh) * 2023-08-17 2023-09-19 国网浙江省电力有限公司金华供电公司 考虑源-荷双侧不确定性的多能互补优化调度方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116780658A (zh) * 2023-08-17 2023-09-19 国网浙江省电力有限公司金华供电公司 考虑源-荷双侧不确定性的多能互补优化调度方法
CN116780658B (zh) * 2023-08-17 2023-11-10 国网浙江省电力有限公司金华供电公司 考虑源-荷双侧不确定性的多能互补优化调度方法

Similar Documents

Publication Publication Date Title
CN102426674A (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN103606022A (zh) 一种短期负荷预测方法
CN110264001A (zh) 基于多时序的用电负荷预测方法
CN115169703A (zh) 一种基于长短时记忆网络组合的短期电力负荷预测方法
CN109299814B (zh) 一种气象影响电量分解预测方法
CN115238976A (zh) 一种含温度敏感负荷的夏季负荷预测分层模型
WO2023236478A1 (zh) 基于区块链的企业碳排能耗数据管理运营系统及方法
CN114596693A (zh) 用于能源监控和管理的方法、系统、介质和程序产品
CN112003278A (zh) 一种分布式光伏自用电比例预测的实现方法及系统
CN110796314A (zh) 一种考虑温度梯度变化的月度统调用电量预测方法
CN111860985A (zh) 基于负荷分解的日前电力负荷预测方法
CN116720985B (zh) 一种建筑碳排放监测方法及系统
CN113610296A (zh) 一种区域内用电负荷峰值预测方法及电网投资规划方法
CN113869556A (zh) 一种用电量预测方法、装置及设备
CN107563573B (zh) 一种基于自适应学习混合模型的太阳能发电量的预测方法
CN109146191B (zh) 一种基于泛蕴涵模型的短期电力负荷预测方法及系统
Chen et al. Neural network based very short term load prediction
CN110991750A (zh) 基于神经网络的短期电力负荷预测方法
Babu et al. A review on energy forecasting algorithms crucial for energy industry development and policy design
CN113112315B (zh) 一种电力调频交易辅助决策方法及系统
CN116432510A (zh) 一种基于集成学习-天牛须优化算法的柔性负荷预测方法
CN107968397A (zh) 一种考虑运行随机性的配电网传输能力计算方法
CN210776794U (zh) 一种针对温度变化进行负荷分析预测的装置
CN111242359B (zh) 一种基于数据漂移的太阳辐射在线动态预测方法
CN113902188B (zh) 一种电能计量物资需求预测方法

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