CN115528684A - 一种超短期负荷预测方法、装置及电子设备 - Google Patents

一种超短期负荷预测方法、装置及电子设备 Download PDF

Info

Publication number
CN115528684A
CN115528684A CN202211292832.6A CN202211292832A CN115528684A CN 115528684 A CN115528684 A CN 115528684A CN 202211292832 A CN202211292832 A CN 202211292832A CN 115528684 A CN115528684 A CN 115528684A
Authority
CN
China
Prior art keywords
data
load
prediction
target
prediction model
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
CN202211292832.6A
Other languages
English (en)
Inventor
胡伟
苏阳
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.)
Sunshine Hui Carbon Technology Co ltd
Original Assignee
Sunshine Hui Carbon Technology 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 Sunshine Hui Carbon Technology Co ltd filed Critical Sunshine Hui Carbon Technology Co ltd
Priority to CN202211292832.6A priority Critical patent/CN115528684A/zh
Publication of CN115528684A publication Critical patent/CN115528684A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种超短期负荷预测方法、装置及电子设备，本发明中，调用目标负荷预测模型对目标历史负荷数据进行处理，以得到初始历史负荷数据对应的超短期负荷预测结果。即通过本发明，能够进行超短期负荷预测。进一步，目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；参考负荷预测模型为参考预测输入数据长度对应、且基于参考预测输入数据长度对应的质心向量生成，也即，目标负荷预测模型是从参考负荷预测模型中筛选出的较优的参考负荷预测模型，则基于该目标负荷预测模型进行超短期负荷预测，预测准确度高。

Description

一种超短期负荷预测方法、装置及电子设备
技术领域
本发明涉及负荷预测领域，更具体的说，涉及一种超短期负荷预测方法、装置及电子设备。
背景技术
微电网是由分布式发电、储能系统和负荷组成的可控供能系统，受到相关政策的鼓励，具有广泛、可观的发展前景。
超短期负荷预测在整个微电网能量调度管理系统中不可或缺，是对储能系统、柴油发电机及风力发电机等可控微源进行优化调度的基础。此外超短期负荷预测的结果也会影响整个微电网的安全稳定运行和优化策略的实施。如何实现超短期负荷预测，是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本发明提供一种超短期负荷预测方法、装置及电子设备，以解决亟需实现超短期负荷预测的问题。
为解决上述技术问题，本发明采用了如下技术方案：
一种超短期负荷预测方法，包括：
获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据；所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成；
计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据；
调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。
可选地，所述目标负荷预测模型的确定过程包括：
获取历史负荷数据样本；
对所述历史负荷数据样本进行数据预处理操作，得到目标负荷数据样本；
对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度；
确定所述参考预测输入数据长度对应的质心向量，并基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型；
筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型。
可选地，对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度，包括：
获取预先确定的预测输出数据长度；
基于所述目标负荷数据样本以及所述预测输出数据长度，确定时间长度的取值范围，所述时间长度为所述预测输出数据长度与参考预测输入数据长度之和；
确定所述目标负荷数据样本中，时间长度从取值范围的最小值逐步增加到最大值中的过程中形成的各个数据集的自相关系数；
筛选出自相关系数满足自相关系数筛选规则的目标自相关系数，并确定出所述目标自相关系数对应的参考预测输入数据长度。
可选地，确定所述参考预测输入数据长度对应的质心向量，包括：
设置种群的数量为所述参考预测输入数据长度的个数，并采用k-mean聚类方法确定所述种群的初始质心向量；
将所述初始质心向量作为粒子群算法的粒子位置集合，并设置所述粒子群算法的寻优范围为所述参考预测输入数据长度的个数；
使用所述粒子群算法对所述初始质心向量进行修正操作，得到质心向量。
可选地，基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型，包括：
获取负荷预测模型；所述负荷预测模型的模型参数至少包括核函数的中心和核函数宽度参数；
将所述参考预测输入数据长度对应的质心向量作为所述核函数的中心，以及将所有质心向量的相互距离最大值作为所述核函数宽度参数，得到参考负荷预测模型。
可选地，筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型，包括：
将所述目标负荷数据样本分为训练集和验证集；
使用所述训练集对所述参考负荷预测模型进行训练，并使用所述验证集对所述参考负荷预测模型进行验证，得到预测误差；
确定是否存在预测误差符合预测误差规则的参考负荷预测模型；
若有，则筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型；
若无，则返回所述确定所述参考预测输入数据长度对应的质心向量这一步骤，并顺序进行，直至能够筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型时停止，或达到最大迭代次数时停止。
可选地，基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据，包括：
基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行异常值删除操作，得到中间历史负荷数据；
对所述中间历史负荷数据进行数据缺失值处理以及归一化处理，得到目标历史负荷数据。
可选地，基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行异常值删除操作，得到中间历史负荷数据，包括：
计算所述初始历史负荷数据的第一平均值和第一标准差，以及计算所述初始历史负荷数据的数据点的变化率的第二平均值和第二标准差；
基于所述初始历史负荷数据、所述初始历史负荷数据的数据点的变化率、所述第一平均值、所述第一标准差、所述第二平均值和所述第二标准差，构建控制区间；
删除所述初始历史负荷数据中，不满足所述控制区间的数据点，得到中间历史负荷数据。
一种超短期负荷预测装置，包括：
数据获取模块，用于获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据；所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成；
数据处理模块，用于计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据；
负荷预测模块，用于调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。
一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于执行上述的超短期负荷预测方法。
相较于现有技术，本发明具有以下有益效果：
本发明提供一种超短期负荷预测方法、装置及电子设备，获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据，计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据，调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。即通过本发明，能够进行超短期负荷预测。进一步，所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成，也即，目标负荷预测模型是从参考负荷预测模型中筛选出的较优的参考负荷预测模型，则基于该目标负荷预测模型进行超短期负荷预测，预测准确度高。
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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种微电网的架构图；
图2为本发明实施例提供的一种超短期负荷预测方法的方法流程图；
图3为本发明实施例提供的另一种超短期负荷预测方法的方法流程图；
图4为本发明实施例提供的又一种超短期负荷预测方法的方法流程图；
图5为本发明实施例提供的一种超短期负荷预测装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
微电网是由分布式发电、储能系统和负荷组成的可控供能系统，受到相关政策的鼓励，具有广泛、可观的发展前景。超短期负荷预测在整个微电网能量调度管理系统中不可或缺，是对储能系统、柴油发电机及风力发电机等可控微源进行优化调度的基础。此外超短期负荷预测的结果也会影响整个微电网的安全稳定运行和优化策略的实施。其主要体现在负荷预测的精度不高会增加微电网运行费用成本，而且不能准确获得负荷的变化趋势，导致发电量产生波动，对其相连的大电网也会造成破坏。因此，提高微网电力负荷预测的精度无疑是当下亟待解决的一个问题。
微电网与传统大规模电网相比差异较大，微网超短期负荷预测更加复杂，主要由于微网用户容量小，负荷的随机性较强，负荷聚合的平滑效应弱，负荷的整体波动性较显著，变化比较剧烈。同时考虑到微网系统缺乏气象数据，或者与气象因素关联不大的情况，因此，如何进行微电网的超短期负荷预测，是本领域技术人员亟需解决的技术问题。
为了解决这一问题，本发明拟通过历史负荷数据，基于自相关系数、k-mean聚类和粒子群算法的最小二乘支持向量机实现超短期负荷预测。
更具体的，本发明提供一种超短期负荷预测方法、装置及电子设备，获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据，计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据，调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。即通过本发明，能够进行超短期负荷预测。进一步，所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成，也即，目标负荷预测模型是从参考负荷预测模型中筛选出的较优的参考负荷预测模型，则基于该目标负荷预测模型进行超短期负荷预测，预测准确度高。
在上述内容的基础上，本发明的一实施例提供了一种超短期负荷预测方法。在介绍超短期负荷预测方法之前，先对微电网的架构进行介绍。
参照图1，本发明通过数据采集器实时获取微网系统中电表、热表测量的功率数据(采样频率受实际电表和数据采集器限制)，然后上传到工控机中进行超短期负荷预测的模型训练和预测。
电表和热表可以采集光伏、风电、电网、负荷和储能的功率数据。本实施例中，由于是进行超短期负荷预测，所以主要是采集负荷的功率数据。在对负荷进行超短期负荷预测时，若是进行电负荷预测，则使用电表采集负荷的历史电负荷。若是进行冷热负荷预测，则使用热表采集负荷的历史冷热负荷。
参照图2，超短期负荷预测方法可以包括：
S11、获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据。
其中，所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成。
在实际应用中，会确定出多个参考预测输入数据长度，参考预测输入数据长度是指在对历史负荷数据进行处理时的处理长度，如一天、两天或几小时的负荷数据，一般在确定参考预测输入数据长度时，均以分钟为单位，如一天对应24*60分钟，1小时对应60分钟。如可以使用一天，即24*60分钟的历史负荷数据进行短负荷预测，也可以使用两天或几小时的历史负荷数据进行短负荷预测。此外，参考预测输入数据长度还可以以负荷数据个数表示，如20个负荷数据、60个负荷数据等。
在确定出参考预测输入数据长度之后，会计算参考预测输入数据长度对应的质心向量，然后基于质心向量生成参考负荷预测模型，从参考负荷预测模型中筛选出的预测误差符合预测误差规则的参考负荷预测模型，即作为目标负荷预测模型。
在确定了目标负荷预测模型之后，目标负荷预测模型对应的参考预测输入数据长度也会确定，并作为目标预测输入数据长度，目标预测输入数据长度的含义参照上述的参考预测输入数据长度的含义解释。
然后在进行目标负荷预测模型的使用时，会获取目标预测输入数据长度的初始历史负荷数据。
如在目标预测输入数据长度为一天，即24*60分钟时，若预测2022.9.30日的短负荷，则采集2022.9.29日的初始历史负荷数据。
如在目标预测输入数据长度为两天，即48*60分钟时，若预测2022.9.30日的短负荷，则采集2022.9.28-29日的初始历史负荷数据。
使用不同的目标预测输入数据长度进行超短期负荷预测，会导致预测精度不同，所以本实施例中，首先需要确定目标负荷预测模型以及该模型对应的目标预测输入数据长度。
S12、计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据。
为了避免数据异常和数据缺失的问题，可以对数据进行预处理操作，预处理操作可以为异常值处理、缺失值处理和归一化处理等。
S13、调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。
具体的，将上述的目标历史负荷数据输入到目标负荷预测模型中，即可得到初始历史负荷数据对应的超短期负荷预测结果。
本实施例中，获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据，计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据，调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。即通过本发明，能够进行超短期负荷预测。进一步，所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成，也即，目标负荷预测模型是从参考负荷预测模型中筛选出的较优的参考负荷预测模型，则基于该目标负荷预测模型进行超短期负荷预测，预测准确度高。
上述实施例提及了目标负荷预测模型，现对目标负荷预测模型的确定过程进行介绍。参照图3，可以包括：
S21、获取历史负荷数据样本。
本实施例中，可以通过工控机获取数据采集器上传的一段历史时间内的负荷有功功率数据(时间跨度越大越好，建议3个月以上)，时间间隔为几分钟(例如15mi n)，并作为历史负荷数据样本。
S22、对所述历史负荷数据样本进行数据预处理操作，得到目标负荷数据样本。
本实施例中，以电表采集的历史电负荷数据进行超短期负荷预测方法的介绍。
电表采样获得负荷有功功率数据，即历史负荷数据样本为x1(t1),x2(t2),x3(t3),...,xn(tn)，以第一个数据为基准(即认为第一个数据点是正常值)，按公式
Figure BDA0003901981620000091
计算每个数据点的变化率Δxi(ti),i＝2,3,...,n。
在实际应用中，由于通过电表采集的数据，难免出现数据异常和缺失的情况，而且超短期负荷预测输入的单位与数量级不统一。因而进行负荷预测前，需要进行数据预处理，包含以下步骤：
1、异常值删除操作：
计算如下数值：
历史负荷数据样本的平均值，即第一平均值
Figure BDA0003901981620000092
历史负荷数据样本的标准差，即第一标准差
Figure BDA0003901981620000093
历史负荷数据样本的数据点变化率的平均值，即第二平均值：
Figure BDA0003901981620000094
历史负荷数据样本的数据点变化率的标准差，即第二标准差：
Figure BDA0003901981620000095
根据拉依达准则pauta准则，构造两个控制区间：
|xi(ti)-Ex|＜3σx,i＝2,3,...,n
|Δxi(ti)-EΔx＜3σΔx,i＝2,3,...,n
当初始历史负荷数据样本中的数据点不满足两个控制区间的任意一个时，删除该数据点，然后进入数据缺失处理阶段。
本实施例中，使用变化率的标准差和平均值进行异常值删除处理，是考虑了当数据存在偶发性大跳变(即相邻两个数插值很大)时，但是这两个数据点又处于正常值的范围，这会导致基于数据的异常值判别算法识别不出，因而此处增加了基于数据变化率的异常值判断。例如当天正常负荷数据最大值是10MW，最小值是5MW，正常情况下数据应该缓慢增大或者减小，但是由于设备故障或者别的原因，从9MW功率直接减少到5MW(异常点)，然后增大回9MW，基于数据的异常值识别算法很难识别出5MW的异常数据，而基于变化率的异常值识别算法可以识别出5MW的异常数据，从而能够准确识别出异常值，提高异常值删除的准确度。
2、数据缺失值处理或时间跨度不一致处理：
假设删除后的剩余的数据点为x1(t1),x2(t2),x3(t3),...,xk(tk)，通过这些数据构造拉格朗日插值函数为
Figure BDA0003901981620000101
其中，p、q为变量，取值范围均为1-k，k为数据的最大量，t表示时间，f(t)表示该时间点的负荷有功功率。
然后在t1到tk时间区间内划分z个等间距时间段，间距为Δt，那么处理后的数据集为{fi(Δt*i),i＝1,2,...,z}。
归一化处理：
对数据集{fi(Δt*i),i＝1,2,...,z}进行归一化处理，公式如下：
Figure BDA0003901981620000102
其中，
Figure BDA0003901981620000103
为归一化后的数据，fmax是在z个时间段内数据集{fi(Δt*i),i＝1,2,...,z}的最大值，fmin是数据集{fi(Δt*i),i＝1,2,...,z}的最小值。
通过上述的数据缺失值处理以及归一化处理，即可得到目标负荷数据样本。
S23、对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度。
具体的，参考预测输入数据长度可以作为参考负荷预测模型的输入项，输出项ny一般可以根据实际应用设为固定值，如30分钟，或6个负荷数据(即预测未来6个负荷数据点的负荷)。需要说明的是，参考预测输入数据长度和输出项ny的单位应统一，如均以分钟为单位或者均以负荷数据个数为单位。
步骤S23具体可以包括如下步骤：
1)获取预先确定的预测输出数据长度。
具体的，预测输出数据长度即为输出项ny，如为6。
2)基于所述目标负荷数据样本以及所述预测输出数据长度，确定时间长度的取值范围。
其中，所述时间长度为所述预测输出数据长度与参考预测输入数据长度之和。
本实施例利用自相关系数A粗略确定模型输入项，对于z个时间段内的数据集
Figure BDA0003901981620000111
当时间长度为m(m即代表输入项和输出项的和)时，该时间段的目标负荷数据样本的自相关系数A计算公式如下：
Figure BDA0003901981620000112
其中，i是变量，取值范围为1,2,…,z，
Figure BDA0003901981620000113
是数据集
Figure BDA0003901981620000114
的平均值。
本实施例是通过数据相关性确定输入项个数，当输出项个数为ny时，输入项必须存在至少为1，故m的最小值为ny+1。由于数据集最多只有z个，故m的最大值为z-1。
3)确定所述目标负荷数据样本中，时间长度从取值范围的最小值逐步增加到最大值中的过程中形成的各个数据集的自相关系数。
具体的，时间长度m从ny+1逐步增加到z-1，得到每个数据集Q(负荷有功功率数据具有时间关联性，因而数据集Q的变化规律是震荡衰减的波形)。
然后，计算每个数据集Q的自相关系数。
4)筛选出自相关系数满足自相关系数筛选规则的目标自相关系数，并确定出所述目标自相关系数对应的参考预测输入数据长度。
具体的，筛选出数据集Q中自相关系数的绝对值大于0.1的峰谷值(峰谷值的数量为np)，作为目标自相关系数，找到目标自相关系数对应的时间序列长度{mi,i＝1,2,...,np}。最后我们可以确定输入项为{(mi-ny),i＝1,2,...,np}。输入项mi-ny即为参考预测输入数据长度。
S24、确定所述参考预测输入数据长度对应的质心向量，并基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型。
本实施例中，本实施例拟采用基于k-mean聚类和粒子群算法的最小二乘支持向量机，实现微网系统的超短期负荷预测。具体的，使用k-mean聚类和粒子群算法确定质心向量。
具体的，确定所述参考预测输入数据长度对应的质心向量，可以包括：
1)设置种群的数量为所述参考预测输入数据长度的个数，并采用k-mean聚类方法确定所述种群的初始质心向量。
设置种群个数为np(种群个数是由自相关系数判断输入项个数所得),每个种群应用k-mean聚类方法迭代得到理想参数，过程如下：
a)判断是否是初次运行，如果是，从数据集中随机选择R个样本作为初始质心向量：{μ1,μ2,...,μR}，同时设置R个簇，每个初始簇对应每一个初始质心向量；反之，从所得最优种群的粒子位置作为初始质心向量。
b)计算训练集
Figure BDA0003901981620000121
的样本与各个质心向量的距离：
Figure BDA0003901981620000122
然后将样本归属于距离最小的质心向量的簇。
c)对每个簇重新计算新的质心，如果所有质心不再变化或者迭代次数达到最大值，转到步骤d)，反之，转到步骤a)。
d)输出每个种群的最终的初始质心向量
Figure BDA0003901981620000123
2)将所述初始质心向量作为粒子群算法的粒子位置集合，并设置所述粒子群算法的寻优范围为所述参考预测输入数据长度的个数。
将上述得到种群的初始质心向量
Figure BDA0003901981620000124
作为粒子群算法的粒子位置集合，定义{v1,v2,...,vR}可作为粒子速度集合，设置所述粒子群算法的寻优范围为所述参考预测输入数据长度的个数np，以避免局部最优。
3)使用所述粒子群算法对所述初始质心向量进行修正操作，得到质心向量。
依据以下公式进行第j粒子位置
Figure BDA0003901981620000125
与速度
Figure BDA0003901981620000126
更新：
Figure BDA0003901981620000127
Figure BDA0003901981620000128
其中，w为惯性权重因子，k表示迭代次数；c1表示学习因子，c2表示学习因子，r1和r2表示[0,1]之间的两个随机数，
Figure BDA0003901981620000129
表示当前迭代次数k的粒子j所能搜索的最优位置，
Figure BDA0003901981620000131
表示当前迭代次数k的整个种群所能搜索的最优位置，即最优的质心向量。
通过本步骤，即可得到每个种群对应的质心向量，一个种群对应一参考预测输入数据长度，即通过本步骤得到参考预测输入数据长度对应的质心向量。
在得到质心向量之后，基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型。具体的，包括如下步骤：
获取负荷预测模型，所述负荷预测模型的模型参数至少包括核函数的中心和核函数宽度参数，将所述参考预测输入数据长度对应的质心向量作为所述核函数的中心，以及将所有质心向量的相互距离最大值作为所述核函数宽度参数，得到参考负荷预测模型。
具体的，依据每个种群所得质心向量，构建最小二乘支持向量机预测模型，也即负荷预测模型为：
y＝wψ(x)+b,
其中，y是输出项，x是每个种群对应输入项，w是支持向量机的权值(初始权值取随机)，b是支持向量机的阈值(初始阈值也取随机)，但是权值w和阈值b是基于训练集通过最小二乘法获得近似最优值。ψ(x)是核函数，本实施例选择径向基函数，即
Figure BDA0003901981620000132
ci为核函数的中心，σ为核函数宽度参数。根据每个种群的当前迭代所得质心向量
Figure BDA0003901981620000133
为最小二乘支持向量机的核函数的中心和函数宽度参数赋值，公式为
Figure BDA0003901981620000134
σ是每个种群质心向量的相互距离最大值，作为核函数的中心ci，核函数宽度参数σ是通过改进的K-mean聚类和粒子群群算法获得近似最优的参数。
S25、筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型。
具体的，可以将所述目标负荷数据样本分为训练集和验证集。
在得到目标负荷数据样本之后，将其分为训练集和验证集。
将目标负荷数据样本分训练集
Figure BDA0003901981620000141
和验证集
Figure BDA0003901981620000142
其中l∈[1,z]，是边界点，一般取
Figure BDA0003901981620000143
可以使用所述训练集对所述参考负荷预测模型进行训练，并使用所述验证集对所述参考负荷预测模型进行验证，得到预测误差。
在使用训练集迭代训练后，通过验证集得到最小二乘支持向量机预测值，将其进行反归一化(即为实际预测值)，然后计算均方根误差(即为预测误差)，作为粒子群算法的适应度评价指标，选出每个种群的最优质心向量。
确定是否存在预测误差符合预测误差规则的参考负荷预测模型，本实施例中，预测误差规则中可以设定预测误差阈值，然后确定是否存在预测误差小于预测误差阈值的参考负荷预测模型，若有，则筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型。
需要说明的是，若是筛选出多个参考负荷预测模型，则选择预测误差最小的参考负荷预测模型作为目标负荷预测模型，目标负荷预测模型对应的参考预测输入数据长度即可作为目标预测输入数据长度。此后，可基于实时采集的数据，通过数据预处理与最优的最小二乘支持向量机模型即可实现在线的超短期负荷预测。
若没有筛选出，则返回所述确定所述参考预测输入数据长度对应的质心向量这一步骤，并顺序进行，直至能够筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型时停止，或达到最大迭代次数时停止。
本实施例中，本发明对初始历史负荷数据进行异常值处理和缺失项填充，在异常值辨识中，对初始历史负荷数据和初始历史负荷数据的变化率进行pauta准则判定，减少误判率。
本实施例先通过自相关系数确定合理的预测模型输入项集(含多个输入可选项)，然后基于k-mean聚类和粒子群算法的最小二乘支持向量机的预测结果分析，确定输入项数据长度，对比其他算法输入项通过人工选择或者随机选择更具合理性。
本实施例中的最小二乘支持向量机预测精度受到初始参数(核函数的中心和宽度参数)的影响，通过k-mean聚类和粒子群算法反复迭代优化，可获得近似最优的初始参数，使得预测精度大大提高。
本实施例所提的超短期负荷预测算法融合了自相关系数、k-mean聚类和粒子群算法的优势，在一定程度上减少了迭代次数，缩小了寻优的范围，加快了算法的收敛性，提高了最小二乘支持向量机的预测精度。
本实施例所提的超短期负荷预测方法，可应用于缺乏气象数据，或者负荷与气象因素关联不大的场景，辅助能量管理系统实现优化调度。
本发明的另一实施例中，参照图4，给出了“基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据”，的具体实现过程，包括：
S31、基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行异常值删除操作，得到中间历史负荷数据；
步骤S31具体包括：
1)计算所述初始历史负荷数据的第一平均值和第一标准差，以及计算所述初始历史负荷数据的数据点的变化率的第二平均值和第二标准差。
2)基于所述初始历史负荷数据、所述初始历史负荷数据的数据点的变化率、所述第一平均值、所述第一标准差、所述第二平均值和所述第二标准差，构建控制区间。
3)删除所述初始历史负荷数据中，不满足所述控制区间的数据点，得到中间历史负荷数据。
S32、对所述中间历史负荷数据进行数据缺失值处理以及归一化处理，得到目标历史负荷数据。
需要说明的是，步骤S31和S32的具体实现过程，请参照上述实施例中的相应说明。
本实施例中，对数据进行预处理操作，避免了数据异常和数据缺失的问题。
可选地，在上述超短期负荷预测方法的实施例的基础上，本发明的另一实施例提供了一种超短期负荷预测装置，参照图5，可以包括：
数据获取模块11，用于获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据；所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成；
数据处理模块12，用于计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据；
负荷预测模块13，用于调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。
进一步，还包括模型确定模块，所述模型确定模块包括：
样本获取子模块，用于获取历史负荷数据样本；
数据处理子模块，用于对所述历史负荷数据样本进行数据预处理操作，得到目标负荷数据样本；
长度计算子模块，用于对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度；
模型构建子模块，用于确定所述参考预测输入数据长度对应的质心向量，并基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型；
模型筛选子模块，用于筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型。
进一步，长度计算子模块包括：
长度获取单元，用于获取预先确定的预测输出数据长度；
取值确定单元，用于基于所述目标负荷数据样本以及所述预测输出数据长度，确定时间长度的取值范围，所述时间长度为所述预测输出数据长度与参考预测输入数据长度之和；
系数确定单元，用于确定所述目标负荷数据样本中，时间长度从取值范围的最小值逐步增加到最大值中的过程中形成的各个数据集的自相关系数；
长度确定单元，用于筛选出自相关系数满足自相关系数筛选规则的目标自相关系数，并确定出所述目标自相关系数对应的参考预测输入数据长度。
进一步，所述模型构建子模块用于确定所述参考预测输入数据长度对应的质心向量时，具体用于：
设置种群的数量为所述参考预测输入数据长度的个数，并采用k-mean聚类方法确定所述种群的初始质心向量；
将所述初始质心向量作为粒子群算法的粒子位置集合，并设置所述粒子群算法的寻优范围为所述参考预测输入数据长度的个数；
使用所述粒子群算法对所述初始质心向量进行修正操作，得到质心向量。
进一步，模型构建子模块用于基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型时，具体用于：
获取负荷预测模型；所述负荷预测模型的模型参数至少包括核函数的中心和核函数宽度参数；
将所述参考预测输入数据长度对应的质心向量作为所述核函数的中心，以及将所有质心向量的相互距离最大值作为所述核函数宽度参数，得到参考负荷预测模型。
进一步，模型筛选子模块具体用于：
将所述目标负荷数据样本分为训练集和验证集；
使用所述训练集对所述参考负荷预测模型进行训练，并使用所述验证集对所述参考负荷预测模型进行验证，得到预测误差；
确定是否存在预测误差符合预测误差规则的参考负荷预测模型；
若有，则筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型；
若无，则返回所述确定所述参考预测输入数据长度对应的质心向量这一步骤，并顺序进行，直至能够筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型时停止，或达到最大迭代次数时停止。
进一步，数据处理模块12包括：
异常值删除子模块，用于基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行异常值删除操作，得到中间历史负荷数据；
缺失及归一化处理子模块，用于对所述中间历史负荷数据进行数据缺失值处理以及归一化处理，得到目标历史负荷数据。
进一步，异常值删除子模块具体用于：
计算所述初始历史负荷数据的第一平均值和第一标准差，以及计算所述初始历史负荷数据的数据点的变化率的第二平均值和第二标准差；
基于所述初始历史负荷数据、所述初始历史负荷数据的数据点的变化率、所述第一平均值、所述第一标准差、所述第二平均值和所述第二标准差，构建控制区间；
删除所述初始历史负荷数据中，不满足所述控制区间的数据点，得到中间历史负荷数据。
本实施例中，获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据，计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据，调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。即通过本发明，能够进行超短期负荷预测。进一步，所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成，也即，目标负荷预测模型是从参考负荷预测模型中筛选出的较优的参考负荷预测模型，则基于该目标负荷预测模型进行超短期负荷预测，预测准确度高。
需要说明的是，本实施例中的各个模块、子模块和单元的工作过程，请参照上述实施例中的相应说明，在此不再赘述。
可选地，在上述超短期负荷预测方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于执行上述的超短期负荷预测方法。
本实施例中，获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据，计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据，调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。即通过本发明，能够进行超短期负荷预测。进一步，所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成，也即，目标负荷预测模型是从参考负荷预测模型中筛选出的较优的参考负荷预测模型，则基于该目标负荷预测模型进行超短期负荷预测，预测准确度高。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种超短期负荷预测方法，其特征在于，包括：
获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据；所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成；
计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据；
调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。
2.根据权利要求1所述的超短期负荷预测方法，其特征在于，所述目标负荷预测模型的确定过程包括：
获取历史负荷数据样本；
对所述历史负荷数据样本进行数据预处理操作，得到目标负荷数据样本；
对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度；
确定所述参考预测输入数据长度对应的质心向量，并基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型；
筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型。
3.根据权利要求2所述的超短期负荷预测方法，其特征在于，对所述目标负荷数据样本进行自相关系数计算，以得到多个参考预测输入数据长度，包括：
获取预先确定的预测输出数据长度；
基于所述目标负荷数据样本以及所述预测输出数据长度，确定时间长度的取值范围，所述时间长度为所述预测输出数据长度与参考预测输入数据长度之和；
确定所述目标负荷数据样本中，时间长度从取值范围的最小值逐步增加到最大值中的过程中形成的各个数据集的自相关系数；
筛选出自相关系数满足自相关系数筛选规则的目标自相关系数，并确定出所述目标自相关系数对应的参考预测输入数据长度。
4.根据权利要求2所述的超短期负荷预测方法，其特征在于，确定所述参考预测输入数据长度对应的质心向量，包括：
设置种群的数量为所述参考预测输入数据长度的个数，并采用k-mean聚类方法确定所述种群的初始质心向量；
将所述初始质心向量作为粒子群算法的粒子位置集合，并设置所述粒子群算法的寻优范围为所述参考预测输入数据长度的个数；
使用所述粒子群算法对所述初始质心向量进行修正操作，得到质心向量。
5.根据权利要求2所述的超短期负荷预测方法，其特征在于，基于所述质心向量，构建所述参考预测输入数据长度对应的参考负荷预测模型，包括：
获取负荷预测模型；所述负荷预测模型的模型参数至少包括核函数的中心和核函数宽度参数；
将所述参考预测输入数据长度对应的质心向量作为所述核函数的中心，以及将所有质心向量的相互距离最大值作为所述核函数宽度参数，得到参考负荷预测模型。
6.根据权利要求2所述的超短期负荷预测方法，其特征在于，筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型，包括：
将所述目标负荷数据样本分为训练集和验证集；
使用所述训练集对所述参考负荷预测模型进行训练，并使用所述验证集对所述参考负荷预测模型进行验证，得到预测误差；
确定是否存在预测误差符合预测误差规则的参考负荷预测模型；
若有，则筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型；
若无，则返回所述确定所述参考预测输入数据长度对应的质心向量这一步骤，并顺序进行，直至能够筛选出预测误差符合预测误差规则的参考负荷预测模型，并作为目标负荷预测模型时停止，或达到最大迭代次数时停止。
7.根据权利要求1所述的超短期负荷预测方法，其特征在于，基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据，包括：
基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行异常值删除操作，得到中间历史负荷数据；
对所述中间历史负荷数据进行数据缺失值处理以及归一化处理，得到目标历史负荷数据。
8.根据权利要求7所述的超短期负荷预测方法，其特征在于，基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行异常值删除操作，得到中间历史负荷数据，包括：
计算所述初始历史负荷数据的第一平均值和第一标准差，以及计算所述初始历史负荷数据的数据点的变化率的第二平均值和第二标准差；
基于所述初始历史负荷数据、所述初始历史负荷数据的数据点的变化率、所述第一平均值、所述第一标准差、所述第二平均值和所述第二标准差，构建控制区间；
删除所述初始历史负荷数据中，不满足所述控制区间的数据点，得到中间历史负荷数据。
9.一种超短期负荷预测装置，其特征在于，包括：
数据获取模块，用于获取预先确定出的目标负荷预测模型对应的目标预测输入数据长度，并按照所述目标预测输入数据长度，获取初始历史负荷数据；所述目标负荷预测模型为从多个参考负荷预测模型中，筛选出的预测误差符合预测误差规则的参考负荷预测模型；所述参考负荷预测模型为参考预测输入数据长度对应、且基于所述参考预测输入数据长度对应的质心向量生成；
数据处理模块，用于计算所述初始历史负荷数据的数据点的变化率，并基于所述初始历史负荷数据以及所述初始历史负荷数据的数据点的变化率，对所述初始历史负荷数据进行数据预处理操作，得到目标历史负荷数据；
负荷预测模块，用于调用所述目标负荷预测模型对所述目标历史负荷数据进行处理，以得到所述初始历史负荷数据对应的超短期负荷预测结果。
10.一种电子设备，其特征在于，包括：存储器和处理器；
其中，所述存储器用于存储程序；
处理器调用程序并用于执行如权利要求1-8任一项所述的超短期负荷预测方法。
CN202211292832.6A 2022-10-21 2022-10-21 一种超短期负荷预测方法、装置及电子设备 Pending CN115528684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211292832.6A CN115528684A (zh) 2022-10-21 2022-10-21 一种超短期负荷预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211292832.6A CN115528684A (zh) 2022-10-21 2022-10-21 一种超短期负荷预测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN115528684A true CN115528684A (zh) 2022-12-27

Family

ID=84703248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211292832.6A Pending CN115528684A (zh) 2022-10-21 2022-10-21 一种超短期负荷预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115528684A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035373A (zh) * 2023-10-09 2023-11-10 中国电建集团山东电力管道工程有限公司 一种管道预制生产线智能管理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117035373A (zh) * 2023-10-09 2023-11-10 中国电建集团山东电力管道工程有限公司 一种管道预制生产线智能管理方法及系统
CN117035373B (zh) * 2023-10-09 2024-01-23 中国电建集团山东电力管道工程有限公司 一种管道预制生产线智能管理方法及系统

Similar Documents

Publication Publication Date Title
CN110380444B (zh) 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法
CN104200275A (zh) 基于用户行为特点的用电模式分类和控制方法
Kaboli et al. An expression-driven approach for long-term electric power consumption forecasting
CN112186761A (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN115660232A (zh) 风电功率的超短期预测方法、装置及系统
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
Qian et al. N-1 static security assessment method for power grids with high penetration rate of renewable energy generation
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
CN109816165A (zh) 风电超短期功率预测方法及系统
CN117374920A (zh) 考虑环境因素的超短期预测方法、装置及介质
CN115275975A (zh) 一种光储充电站电力数据匹配度的确定方法及装置
CN115616333A (zh) 一种配电网线损预测方法及系统
CN115173421A (zh) 一种基于渐进拉丁超立方采样的概率最优潮流计算方法
Wu et al. Fast dc optimal power flow based on deep convolutional neural network
Zhao et al. On predicting the pue with gated recurrent unit in data centers
Chen et al. Variation-cognizant probabilistic power flow analysis via multi-task learning
Hu et al. A short-term wind speed forecasting model based on improved QPSO optimizing LSSVM
Xu et al. A new approach for fast reliability evaluation of composite power system considering wind farm
CN113256018B (zh) 一种基于条件分位数回归模型的风电功率超短期概率预测方法
CN115983663B (zh) 基于新能源的发电分析方法及相关设备
Indralaksono et al. Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors
Yang et al. Scenario Analysis of Wind Power Considering Sequential Randomness and Correlation
Xu et al. Bi-LSTM-based load forecasting for power grid
Zhou et al. Research on Correlation Aggregation Method of Multiple Wind Farms Based on FA-LSTM
CN117937587A (zh) 一种分布式能源的配电优化方法和系统

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