CN115470862A - 动态自适应负荷预测模型组合方法 - Google Patents
动态自适应负荷预测模型组合方法 Download PDFInfo
- Publication number
- CN115470862A CN115470862A CN202211218576.6A CN202211218576A CN115470862A CN 115470862 A CN115470862 A CN 115470862A CN 202211218576 A CN202211218576 A CN 202211218576A CN 115470862 A CN115470862 A CN 115470862A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- combination
- short
- dynamic
- 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 abstract description 36
- 238000012549 training Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000013459 approach Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000015654 memory Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种动态自适应负荷预测模型组合方法，提出了一种短期负荷预测框架，该框架可以基于多种预测算法它们上一时段的预测精度，动态地识别是否需要进行预测结果组合，并调整组合预测模型的权重系数。所提出的框架充分发挥多个单一预测模型的优势，同时减少了因不恰当的组合组合方式增加预测误差的现象。该方法可以根据预期目标设定动态判断时段，依据各个模型的判断时段内的预测误差来决定是否需要进行模型组合并动态调整组合权重得到最终结果。通过以上步骤能够实现短时与极短时负荷预测精度的进一步提升，提高了预测模型在实际应用中的精确性与鲁棒性，推动新型电力系统的建设。
Description
技术领域
本发明属于电力系统技术领域，特别涉及电力系统负荷预测。
背景技术
随着全球能源转型和低碳发展，更多新兴分布式能源进入电网，给电能供需平衡带来巨大挑战。电力负荷又称用电负荷，是电力用户的用电设备在某一时刻向电力系统取用的电功率的总和，通过对用户历史负荷数据的分析能在一定程度上获取为了该用户的负荷情况。电网公司需要准确的电力负荷预测信息来保证电力的供需平衡，提高运营经济性，同时一系列电力系统相关的能源优化问题也需要可靠的负荷预测作为保障，因此对提高负荷预测的准确性提出了更高的要求。
为此，国内外学者从不同的时间尺度上提出了多种负荷预测方案。流行的预测方法包括多元回归算法、人工神经网络(ANN)、支持向量机(SVM)和时间序列分析等。然而在负荷预测的实际应用中，单一模型往往存在很多缺点，如负荷突变难以判断，复杂模型可能过拟合等。为了克服单一预测算法在预测精度方面的不足，考虑将多个单一模型的预测结果加权组合的组合框架进行预测。但是，由于组合框架通过多种方式确定权重系数来组合单个模型的预测结果，完全依赖于之前单个模型的预测误差。在某些情况下，错误的权重系数确定可能会导致组合框架增加预测误差。
为解决以上问题，本文提出了一种动态调整的组合模型，通过识别各个预测算法的结果与真值之间的关系来判断是否需要对不同算法的结果进行组合，避免由于某些时期的盲目组合而导致预测结果与真实值偏差较大的问题的同时，获得更高的预测精度。
发明内容
本发明为解决以上技术问题，采用以下技术方案：
本发明提出了一种动态自适应负荷预测模型组合方法，所述方法包括以下步骤：
步骤(1)：获取待预测的用户或地区的负荷、天气等历史数据；对获取到的数据进行缺失值插值补全、异常值清洗操作，并进行特征工程形成数据集。
步骤(2)：将进行特征工程后的数据集划分为训练集与测试集，并根据期望获得短期或超短期预测结果，设定动态判断时间段判断是否需要进行多模型组合。
步骤(3)：对(2)中设定好的训练集，搭建深度神经网络、LSTM、随机森林等模型进行训练，并通过合适的参数搜索方式提升每个模型的预测精度。
步骤(4)：当实际预测时，对步骤(3)得到的不同模型的虚拟预测结果进行动态判断，如果需要进行模型组合，则依据动态判断时段的误差求得权重并加权得到最终结果；若不需要进行组合，则取上一时段精准度最高的模型的结果为最终结果。
所述步骤(2)的动态判断过程为：
若期望获得的是极短期负荷预测结果，则以预测时间提前1小时的多个单一模型虚拟预测误差值作为判断依据；若期望获得的是短期负荷预测结果，则以前 1天该时刻的多个单一模型虚拟预测误差值作为判断依据。
在负荷预测组合模型中，权重的设定不应该为负值或者大于1。对动态判断时间点的模型预测结果进行判断，如果所有单个模型的虚拟预测结果都大于或者小于动态判断时刻的真实值，则在进行组合时会出现上述错误情况，因此不考虑使用多模型组合的方式；如果所有单个模型的虚拟预测结果同时包含大于或小于真实值的情况，则选取分布在真实值两侧误差最小的预测模型结果，在期望预测时间点上进行加权获得最终的预测结果。
首先，通过虚拟预测误差最低的两个模型的误差e1,e2获得偏差矩阵E(1)：
接下来，使用拉格朗日乘子法(2)找到两者之间的最佳权重ω1,ω2,期望获得的权重值只和应为1即：R＝[1,1]T。
通过权重与单个模型实际预测值
的线性组合(3)获得t时刻最终预测结果
上述组合方法采用的组合框架由模型预训练模块、动态判断模块以及加权组合模块组成，成体系的解决了多模型组合问题上的组合判定依据、权重确定等问题。动态调整框架先通过对处理好的数据调用多个先进负荷预测模型进行预测得到单一预测结果。再通过其预测结果与真实值的比较，判断是否存在分布于真实值两侧的预测结果，以确定是否需要进行多模型组合或选择预测精度最高的单一模型的结果作为最终预测结果。
对短期负荷预测及极短期负荷预测，设定不同的动态判断时段，以保证整体框架应对不同预测需求时的泛化性。
本发明采用以上技术方案，与现有技术相比，所具有的进步在于：
本发明针对短期与极短期负荷预测时，单一模型精度难以进一步提升的问题，通过动态自适应负荷预测组合框架，实现了充分利用多个模型的优势，以获得更好的负荷预测结果。
同时，本发明考虑到多模型组合时，可能存在的因错误的权重确定导致预测误差增大的问题，分别针对短期预测与极短期预测两个场景，建立不同的动态判断以及权重更新方式，可以自适应多种模型预测误差的变化，获得当前更加精准的预测结果。
采用本发明的方法避免由于某些时期的盲目组合而导致预测结果与真实值偏差较大的问题的同时，获得更高的预测精度，因此具有极其重要的意义。
附图说明
图1是动态组合框架图；
图2是单一模型训练说明图；
图3是本发明的方法流程图；
图4是区域1得到的结果曲线示意图；
图5是区域2得到的结果曲线示意图；
图6是区域3得到的结果曲线示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1：一种动态自适应负荷预测模型组合方法，所述方法包括以下步骤：
步骤(1)：获取待预测的用户或地区的负荷、天气等历史数据；对获取到的数据进行缺失值插值补全、异常值清洗操作，并进行特征工程形成数据集。
步骤(2)：将进行特征工程后的数据集划分为训练集与测试集，并根据期望获得短期或超短期预测结果，设定动态判断时间段判断是否需要进行多模型组合。
步骤(3)：对(2)中设定好的训练集，搭建深度神经网络、LSTM、随机森林等模型进行训练，并通过合适的参数搜索方式提升每个模型的预测精度。
步骤(4)：当实际预测时，对步骤(3)得到的不同模型的虚拟预测结果进行动态判断，如果需要进行模型组合，则依据动态判断时段的误差求得权重并加权得到最终结果；若不需要进行组合，则取上一时段精准度最高的模型的结果为最终结果。
所述步骤(2)的动态判断过程为：
若期望获得的是极短期负荷预测结果，则以预测时间提前1小时的多个单一模型虚拟预测误差值作为判断依据；若期望获得的是短期负荷预测结果，则以前 1天该时刻的多个单一模型虚拟预测误差值作为判断依据。
在负荷预测组合模型中，权重的设定不应该为负值或者大于1。对动态判断时间点的模型预测结果进行判断，如果所有单个模型的虚拟预测结果都大于或者小于动态判断时刻的真实值，则在进行组合时会出现上述错误情况，因此不考虑使用多模型组合的方式；如果所有单个模型的虚拟预测结果同时包含大于或小于真实值的情况，则选取分布在真实值两侧误差最小的预测模型结果，在期望预测时间点上进行加权获得最终的预测结果。
首先，通过虚拟预测误差最低的两个模型的误差e1,e2获得偏差矩阵E(1)：
接下来，使用拉格朗日乘子法(2)找到两者之间的最佳权重ω1,ω2,期望获得的权重值只和应为1即：R＝[1,1]T。
通过权重与单个模型实际预测值
的线性组合(3)获得t时刻最终预测结果
上述组合方法采用的组合框架由模型预训练模块、动态判断模块以及加权组合模块组成，成体系的解决了多模型组合问题上的组合判定依据、权重确定等问题。动态调整框架先通过对处理好的数据调用多个先进负荷预测模型进行预测得到单一预测结果。再通过其预测结果与真实值的比较，判断是否存在分布于真实值两侧的预测结果，以确定是否需要进行多模型组合或选择预测精度最高的单一模型的结果作为最终预测结果。
实施例2：对短期负荷预测及极短期负荷预测，设定不同的动态判断时段，以保证整体框架应对不同预测需求时的泛化性本发明设计的动态自适应负荷预测组合方法说明如图1所示，单个模型训练过程如图2所示。结合图3所示，下面详细介绍本发明的动态自适应负荷预测组合方法的具体实施例：
以江苏省某地区2020年1月1日至2022年6月30日采集的负荷数据和天气数据作为符合预测的样本数据，包括三个地区每15分钟的负荷数据和该地区每三个小时的温度、气压、降水量和湿度。负荷数据按地区分为三个数据集，天气数据通过插值预处理以对应每隔15分钟的负荷数据，选择平均绝对误差百分比EMAPE(4)作为负荷预测结果的评价指标。
单一模型选取随机森林、多层感知机回归以及长短期记忆网络三个常见但有效的用于负荷预测的模型。
随机森林算法是利用集成学习的思想对多个决策树进行集成。决策树是一个分类器，对于一个输入样本，N个决策树会有N个分类结果。随机森林收集所有的分类投票结果，然后分配得票最多的类别作为最终输出。
多层感知器模型是一个前向结构的人工神经网络，包含一个输入层、一个输出层和几个隐藏层，通过对神经网络中权重的更新提升网络输出准确度，并获得回归问题的最终输出。
长短期记忆神经网络模型是一种特殊的循环神经网络，主要解决长序列模型训练过程中梯度消失和梯度爆炸的问题。其基本组成单元包括遗忘门、输入门和输出门三部分。
选取的三个模型的优势如表1所示，同时本框架允许加入更多先进的预测模型，以获取更加准确的预测精度。
表1不同预测模型缺点对比
本发明在此案例中使用上述进行过参数调整后的三个单一模型对处理好的数据进行训练并根据得到的预测结果进行动态调整最终输出，在此案例中期望获得的是区域日期负荷预测结果，因此每一个时间点预测结果的判断都是根据前一天虚拟预测得到的误差确定的。
如果前一日该时刻三个预测模型的输出都高于或低于真实值，则在预测时刻选取前一日该时刻精度最高的模型输出为最终输出；如果前一日该时刻三个预测模型的输出分布在真实值的上下两侧，则在预测时刻选取精度最高的两个模型进行加权组合，权重系数根据前一日的误差情况确定。
三个区域最终得到的结果曲线如图4-6所示，三个单一模型及本发明提到的组合方法的日前预测平均绝对误差百分比结果如表2所示：
表2单一模型及组合模型平均误差百分比结果对比
| 随机森林 | 多层感知器 | 长短期记忆神经网络 | 组合模型 | |
| 区域1平均绝对误差百分比 | 4.0271143％ | 5.0863662％ | 5.0440221％ | 2.9655145％ |
| 区域2平均绝对误差百分比 | 4.1342760％ | 7.1255418％ | 9.3187109％ | 2.2519953％ |
| 区域3平均绝对误差百分比 | 3.1101842％ | 2.4080004％ | 1.9905607％ | 1.8521834％ |
如图4所示，区域1三个单一预测模型的预测结果一般均匀分布在真值的两侧，因此采用带权重的组合模型的预测值作为输出值。
如图5所示，区域2在7-9点和11-20点，存在长时间的大幅高估预测值。如果此时对预测结果进行线性组合，会导致较大的误差，所以此时动态调整的组合模型选择最接近真实值的预测结果作为实际预测值，避免使用组合模型预测导致误差增大的问题。
如图6所示，区域3在3点钟、10-16点钟、18点钟和21点钟预测值在真实值的某一侧波动，因此动态调整的组合模型在该时段选择误差最小的模型预测结果作为该时间段内的实际预测值。
上述分析表明，当不同预测模型的值分布在真值的上下两侧时，动态自适应组合模型选择通过加权线性组合得到的预测结果。当所有单个预测算法的值都在真值的某一侧时，动态自适应组合模型会选择最接近真值的预测结果作为实际预测值。
由此可见，本发明所提出的方法实现了负荷预测中多个单一模型的有效组合。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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和/或方框图一个方框或多个方框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和 /或方框图一个方框或多个方框中指定的功能。
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和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (5)
1.一种动态自适应负荷预测模型组合方法，其特征在于，所述方法包括以下步骤：
步骤(1)：获取待预测的用户或地区的负荷、天气历史数据；对获取到的数据进行缺失值插值补全、异常值清洗操作，并进行特征工程形成数据集；
步骤(2)：将进行特征工程后的数据集划分为训练集与测试集，并根据期望获得短期即日前预测或极短期即数小时前预测结果，设定动态判断时间段判断是否需要进行多模型组合；
步骤(3)：对(2)中设定好的训练集，搭建深度神经网络、LSTM、随机森林等模型进行训练，并通过合适的参数搜索方式提升每个模型的预测精度；
步骤(4)：当实际预测时，对步骤(3)得到的不同模型的虚拟预测结果进行动态判断，如果需要进行模型组合，则依据动态判断时段的误差求得权重并加权得到最终结果；若不需要进行组合，则取上一时段精准度最高的模型的结果为最终结果。
2.根据权利要求1所述的动态自适应负荷预测模型组合方法，其特征在于，所述步骤(2)的动态判断过程为：
若期望获得的是极短期负荷预测结果，则以预测时间提前1小时的多个单一模型虚拟预测误差值作为判断依据；若期望获得的是短期负荷预测结果，则以前1天该时刻的多个单一模型虚拟预测误差值作为判断依据，
首先，通过虚拟预测误差最低的两个模型的误差e1,e2获得偏差矩阵E(1)：
接下来，使用拉格朗日乘子法(2)找到两者之间的最佳权重ω1,ω2,期望获得的权重值只和应为1即：R＝[1,1]T；
通过权重与单个模型实际预测值
的线性组合(3)获得t时刻最终预测结果
3.根据权利要求1所述的动态自适应负荷预测模型组合方法，其特征在于，
上述组合方法采用的组合框架由模型预训练模块、动态判断模块以及加权组合模块组成。
4.根据权利要求1所述的动态自适应负荷预测模型组合方法，其特征在于，对短期负荷预测及极短期负荷预测，设定不同的动态判断时段，以保证整体框架应对不同预测需求时的泛化性。
5.如权利要求4所述的一种动态自适应负荷预测模型组合方法，其特征在于：若确定选取模型组合的方式得到最终结果，则依据上一时段的模型误差动态调整组合权重系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211218576.6A CN115470862A (zh) | 2022-10-06 | 2022-10-06 | 动态自适应负荷预测模型组合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211218576.6A CN115470862A (zh) | 2022-10-06 | 2022-10-06 | 动态自适应负荷预测模型组合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115470862A true CN115470862A (zh) | 2022-12-13 |
Family
ID=84334656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211218576.6A Pending CN115470862A (zh) | 2022-10-06 | 2022-10-06 | 动态自适应负荷预测模型组合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115470862A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596112A (zh) * | 2023-04-10 | 2023-08-15 | 哈博能源科技(苏州)有限公司 | 一种通用冷热电负荷预测方法及系统 |
| CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
| CN117371622A (zh) * | 2023-12-06 | 2024-01-09 | 国网湖北省电力有限公司经济技术研究院 | 一种区域中长期动态碳排放因子的预测方法、系统及设备 |
-
2022
- 2022-10-06 CN CN202211218576.6A patent/CN115470862A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596112A (zh) * | 2023-04-10 | 2023-08-15 | 哈博能源科技(苏州)有限公司 | 一种通用冷热电负荷预测方法及系统 |
| CN116979531A (zh) * | 2023-09-25 | 2023-10-31 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
| CN116979531B (zh) * | 2023-09-25 | 2023-12-12 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
| CN117371622A (zh) * | 2023-12-06 | 2024-01-09 | 国网湖北省电力有限公司经济技术研究院 | 一种区域中长期动态碳排放因子的预测方法、系统及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| CN112001439A (zh) | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 | |
| CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
| CN110046743A (zh) | 基于ga-ann的公共建筑能耗预测方法和系统 | |
| CN107944604A (zh) | 一种用于光伏功率预测的天气类型识别方法和装置 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN111476422A (zh) | 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法 | |
| 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 | |
| CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
| CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN112990587B (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN113762387A (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
| CN116307067A (zh) | 一种基于历史数据修正的法定节假日电量综合预测方法 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
| CN113762591B (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 | |
| CN110837952A (zh) | 一种基于博弈论的电网新技术设备选择方法及系统 | |
| 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 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
| CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 |
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 |