CN115688535A - 基于波形相似性分析的功率数据组合插值方法及系统 - Google Patents
基于波形相似性分析的功率数据组合插值方法及系统 Download PDFInfo
- Publication number
- CN115688535A CN115688535A CN202211296931.1A CN202211296931A CN115688535A CN 115688535 A CN115688535 A CN 115688535A CN 202211296931 A CN202211296931 A CN 202211296931A CN 115688535 A CN115688535 A CN 115688535A
- Authority
- CN
- China
- Prior art keywords
- interpolation
- active power
- weight
- value
- particle
- 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
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Complex Calculations (AREA)
Abstract
本公开涉及数据处理相关技术领域,提出了一种基于波形相似性分析的功率数据组合插值方法及系统,组合插值方法包括如下步骤:分别使用不同的插值方法对获取的有功功率数据进行插值,并初始化各个插值结果的权重,获得初始组合插值结果;基于动态时间规整算法计算插值前后用户有功功率序列的相似度;采用粒子群对权重进行优化,求取插值前后用户平均有功功率序列相似度最高时对应的权重值,获得最优的插值结果。通过基于波形匹配的用户平均有功功率序列插值方法,在增补数据刷新频率较低的用户平均有功功率时间序列的同时,保证插值前后用户平均有功功率序列波形相似度最大,削弱插值误差的影响,提高电能质量分析的精度和有效性。
Description
技术领域
本公开涉及数据处理相关技术领域,具体的说,是涉及一种基于波形相似性分析的功率数据组合插值方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,并不必然构成在先技术。
随着新能源和大量分布式负荷的广泛接入,现代电力系统的电能质量问题日趋严重。传统的电能质量问题分析手段主要依赖于电网物理模型进行电能质量传输路径分析、定位和责任划分等工作,但是新型电力系统中新能源和负荷的不确定性、电能双向传输等新特征的出现导致传统物理建模和分析变得异常复杂。随着海量检测设备如在线电能质量监测终端、便携式电能质量测试仪、电力录波仪、SCADA、PMU、智能电表的广泛应用,基于海量数据融合的数据驱动方法为电能质量分析提供了新的思路。
用户侧的用电信息一般通过智能电表获取,智能电表能够获得时间间隔为15min的平均有功功率、无功功率等数据。智能电表采集的有功功率数据是衡量用户电费的依据,也是受到用户认可度最高的数据,所以用户有功功率数据是电能质量分析时常用到的数据类型之一。电力系统中的电能质量检测终端一般部署在10kV母线的公共连接点处,可以监测公共连接点的谐波电压以及部分馈出线路的用户有功功率数据,数据刷新频率一般为3min。很多研究利用公共连接点的电能质量数据和用户侧智能电表数据可以进行谐波源定位和责任划分等工作。
发明人发现,上述监测数据来源于不同的系统和装置,其数据刷新频率存在明显差异,在一定程度上阻碍了电能质量数据融合和电能质量问题分析。
发明内容
本公开为了解决上述问题,提出了一种基于波形相似性分析的功率数据组合插值方法及系统,基于波形相似性的用户平均有功功率序列插值方法,在增补数据刷新频率较低的用户平均有功功率时间序列的同时,保证插值前后用户平均有功功率序列波形相似度最大,削弱插值误差的影响,提高电能质量分析的精度和有效性。
为了实现上述目的,本公开采用如下技术方案:
一个或多个实施例提供了基于波形相似性分析的功率数据组合插值方法,包括如下步骤:
分别使用不同的插值方法对获取的有功功率数据进行插值,并初始化各个插值结果的权重,获得初始组合插值结果;
基于动态时间规整算法计算插值前后用户有功功率序列的相似度;
采用粒子群对权重进行优化,求取插值前后用户平均有功功率序列相似度最高时对应的权重值,获得最优的插值结果。
一个或多个实施例提供了基于波形相似性分析的功率数据组合插值系统,包括:
插值模块:被配置为分别使用不同的插值方法对获取的有功功率数据进行插值,并初始化各个插值结果的权重,获得初始组合插值结果;
相似度分析模块:被配置为基于动态时间规整算法计算插值前后用户有功功率序列的相似度;
优化模块:被配置为采用粒子群对权重进行优化,求取插值前后用户平均有功功率序列相似度最高时对应的权重值,获得最优的插值结果。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法所述的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法所述的步骤。
与现有技术相比,本公开的有益效果为:
本公开的方法针对电能质量数据存在不确定性和多样性,单一的插值算法不能在任何时刻都准确描述电能质量数据的变化规律的问题,提出了一种组合插值方法以汇集多种单一插值算法所包含的信息,在保证插值前后用户平均有功功率序列波形相似度最大的基础上确定不同插值算法的权重,极大改善用户有功功率序列的插值结果。
本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的限定。
图1是本公开实施例1的方法的流程图;
图2是本公开实施例1的仿真示例插值前用户有功功率时间序列图;
图3是本公开实施例1的仿真示例线性插值法得到的用户有功功率时间序列;
图4是本公开实施例1的仿真示例三次样条插值法得到的用户有功功率时间序列图;
图5是本公开实施例1的仿真示例拉格朗日插值法得到的用户有功功率时间序列图;
图6是本公开实施例1的仿真示例粒子群优化过程中适应度的变化趋势;
图7是本公开实施例1的仿真示例组合插值法得到的用户有功功率时间序列;
图8是本公开实施例1的仿真示例粒子群优化组合插值法与平均权重组合插值法的动态时间规整距离对比。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。需要说明的是,在不冲突的情况下,本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式公开的技术方案中,如图1-图8所示,基于波形相似性分析的功率数据组合插值方法,包括如下步骤:
步骤1、分别使用不同的插值方法对获取的有功功率数据进行插值,并初始化各个插值结果的权重,获得组合插值结果;
步骤2、基于动态时间规整算法(dynamic time warping,DTW)计算插值前后平均有功功率序列的相似度;
步骤3、采用粒子群对权重进行优化,求取插值前后用户平均有功功率序列相似度最高时对应的权重值,获得最优的插值结果。
本实施例中,从数据挖掘理念出发,针对用户平均有功功率数据与电能质量检测系统数据刷新频率不同的问题,通过插值前后数据序列的相似度分析对用户平均有功功率序列插值,在增补数据刷新频率较低的用户平均有功功率时间序列的同时,保证插值前后用户平均有功功率序列波形相似度最大,削弱插值误差的影响,提高电能质量分析的精度和有效性。
在一些实施例中,插值方法可以包括线性插值、三次样条插值、拉格朗日插值中的至少两种。
(1-1)线性插值的方法,可以如下:
对某时段测量的用户平均有功功率序列(ti,0,Pi,0),i=1,2,...n0进行线性插值,获得插值后的测量序列(ti,1,Pi,1),i=1,2,...n。任意两点ti,0,ti+1,0之间的插值函数为:
其中,Pi,0和Pi+1,0分别是ti,0和ti+1,0时刻对应的平均有功功率值。
(1-2)三次样条插值方法,可以如下:
对某时段测量的用户平均有功功率序列(ti,0,Pi,0),i=1,2,...n0进行三次样条插值,获得插值后的测量序列(ti,2,Pi,2),i=1,2,...n。三次样条插值函数为:
P2(t)=ai+bit+cit2+dit3 (2)
其中,ai,bi,ci,di为三次样条插值函数中的系数,可以通过以下三个条件求出:
2)P2(ti,0)=Pi,0,即满足插值条件
(1-3)拉格朗日插值的方法,可以如下:
对某时段测量的用户平均有功功率序列(ti,0,Pi,0),i=1,2,...n0进行拉格朗日插值,获得插值后的用户平均有功功率序列(ti,3,Pi,3),i=1,2,...n。插值函数数学表达式为:
本实施例中,初始化各个插值结果的权重的方法为随机选取权重值,各个插值结果对应的权重和为1,每个权重的数值为0至1之间的随机数。
不同插值方法在用户平均有功功率数据插值的应用效果有比较大的差异,组合各类插值方法的插值结果能够避免单一插值方法的局限性,获得更好的用户平均有功功率序列(tj,Pj),j=1,2,...n,组合函数为:
Pj(tj)=ω1P1(tj)+ω2P2(tj)+ω3P3(tj) (4)
其中,ω1、ω2和ω3分别是上述三种插值结果对应的权重,且ω∈(0,1),ω1+ω2+ω3=1,本步骤中随机选取满足上述条件的权重值。
步骤2中,基于动态时间规整算法计算插值前后用户平均有功功率序列的相似度,具体方法包括:
(2-1)计算插值前有功功率序列Pi,0和插值后的有功功率序列Pj各点之间的欧氏距离,将得到的结果作为元素构建欧氏距离矩阵;
可以获得一个n0×n阶欧氏距离矩阵M,其中,矩阵中的元素Mi,j表示序列Pi,0的第i个点与序列Pj的第j个点之间的欧氏距离,计算公式如下:
(2-2)根据构建的欧氏距离矩阵M,计算累计距离构建累计距离矩阵Mc。
定义Mc为累计距离矩阵,该矩阵各个元素的计算公式如下:
(2-3)根据累计距离矩阵Mc的元素值计算时间序列的DTW距离,距离越小表示时间序列Pi,0和Pj的相似度越高。
利用累计距离距离矩阵Mc确定时间序列Pi,0和Pj的DTW距离,其计算公式如下:
步骤3中,采用粒子群对权重进行优化,求取插值前后用户平均有功功率序列相似度最高时对应的权重值,获得最优的插值结果,其具体方法包括:
步骤31:在三维搜索空间内随机生成粒子群算法初始种群;
种群数量为N,种群中每个粒子可视作其中的一个搜索单元,本实施例中每个粒子位置为对应线性插值、三次样条法插值和拉格朗日插值三种插值结果对应的权重(ω1,ω2,ω3);
初始化粒子,为每个粒子随机赋予一个初始位置xk和速度vk,开始粒子群算法迭代过程。其中,xk=(xk1,xk2,xk3)代表粒子k的当前位置,vk=(vk1,vk2,vk3)代表粒子k的当前速度。
每个粒子的位置对应权重ω的数值,也就是优化问题一个可行解,粒子在搜索空间向最优值运动,直至获得最优解。
步骤32、粒子群的适应值为时间序列Pi0和Pj的DTW距离,以适应度函数最小为目标,通过比较所有粒子的适应度函数值来共享位置信息,寻找最接近理论最优位置的粒子作为运动方向,大量迭代逼近理论最优位置。
步骤33,判断是否满足终止条件,如果满足,输出当前的最优粒子位置和其对应的适应度函数值;
其中,终止条件可以包括收敛条件或达到了设定的最大迭代步数。
判断是否满足收敛条件,设定次数如两次的迭代求得的适应度值差值小于设定的阈值,如果是,则输出当前的最优粒子位置和其对应的适应度函数值。否则,判断目前迭代次数是否达到了设定的最大迭代步数,如果达到则停止算法迭代,输出当前的最优粒子位置和其对应的适应度函数值。
可选的,本实施例中可以设定适应度阈值为0.001。
步骤34、如果不满足终止条件,更新粒子的位置和速度;
如果不满足收敛条件也没有达到设定的最大迭代步数,则按照下式更新粒子的位置和速度:
其中,c1、c2为学习因子,又称为加速因子,是非负常数;r1、r2为随机选取的两个数,取值范围在(0,1)内;分别表示第i个粒子在第t+1次次迭代中位置、速度向量的第d维分量;分别表示第t次迭代时第k个粒子个体经验、群体经验向量第d维分量。pk=(pk1,pk2,pk3)代表粒子k所经历的个体最优位置,pg=(pg1,pg2,pg3)代表群体经验的最优值。个体经验是每个粒子单独搜寻的最优解(个体极值)的位置。群体经验是粒子群中的个体最优解(全局最优解)的位置。
步骤35、计算粒子的适应度值,并将适应度值小于个体极值、全局最优值的粒子更新作为个体经验、群体经验;
具体的,计算粒子的适应度值,将粒子适应值分别与个体极值、全局最优值进行比较,若较优,则将其分别作为个体经验、群体经验。
步骤36重复进行步骤33至步骤35,不断迭代,直到得到满足终止条件,寻优结束,输出群体经验中的粒子位置为最终权重。
为说明本实施例的方法的技术效果,进行了仿真实验。
获取某110kV变电站10kV母线上某一用户的各用户平均有功功率数据进行分析,数据时长为1d,数据间隔为15min。电能质量监测系统数据间隔为3min,插值前用户有功功率时间序列如图2所示,为了方便电能质量分析,需要对用户平均有功功率数据进行插值。
分别使用线性插值法、三次样条插值法和拉格朗日插值法对用户平均有功功率数据进行插值,获得数据间隔为3min的3个不同的用户平均有功功率时间序列。如图3为线性插值法得到的用户有功功率时间序列,如图4为三次样条插值法得到的用户有功功率时间序列,如图5为拉格朗日插值法得到的用户有功功率时间序列。可以看出相对于线性插值,三次样条插值法和拉格朗日插值法得到的用户有功功率时间序列更为光滑。三种插值方法得到的用户有功功率时间序列插值结果虽然大致趋势相似,在具体数值大小上存在明显差异,依靠单一插值方法获得的插值结果可能存在较大误差。
权重值初始化为0.3,0.3和0.4,获得组合的插值结果。利用DTW算法计算插值前后用户平均有功功率序列的相似度。
利用粒子群算法调整3个权重的数值大小,直至插值前后用户平均有功功率序列的相似度最大,从而获得优化的组合插值结果。
如图6所示为粒子群优化过程中适应度的变化趋势,从图中可以看出经过若干次迭代后,适应度数值基本稳定,满足收敛条件。如图7所示为组合插值法得到的用户有功功率时间序列,从图中可以看出该时间序列含有上述三种单一插值结果的所有信息,所以该时间序列与单一插值法得到插值结果存在几乎相同的变化趋势,但是在波形的平滑程度和数值大小上略有不同。
图8为组合插值后用户有功功率时间序列与原始用户有功功率时间序列的DTW距离,其中平均权重组合插值法对应的DTW距离为98.7,从图中可以看出,采用本实施例的方法,DTW距离降低至91.8,插值前后数据序列的相似度明显提高。说明用粒子群优化权重的方法能够获得更准确的用户功率数据插值结果。
实施例2
基于实施例1,本实施例中提供基于波形相似性分析的功率数据组合插值系统,包括:
插值模块:被配置为分别使用不同的插值方法对获取的有功功率数据进行插值,并初始化各个插值结果的权重,获得初始组合插值结果;
相似度分析模块:被配置为基于动态时间规整算法计算插值前后用户有功功率序列的相似度;
优化模块:被配置为采用粒子群对权重进行优化,求取插值前后用户平均有功功率序列相似度最高时对应的权重值,获得最优的插值结果。
此处需要说明的是,本实施例中的各个模块与实施例1中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例3
本实施例提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1的方法所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1的方法所述的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于波形相似性分析的功率数据组合插值方法,其特征在于,包括如下步骤:
分别使用不同的插值方法对获取的有功功率数据进行插值,并初始化各个插值结果的权重,获得初始组合插值结果;
基于动态时间规整算法计算插值前后用户有功功率序列的相似度;
采用粒子群对权重进行优化,求取插值前后用户平均有功功率序列相似度最高时对应的权重值,获得最优的插值结果。
2.如权利要求1所述的基于波形相似性分析的功率数据组合插值方法,其特征在于:插值方法包括线性插值、三次样条插值、拉格朗日插值中的至少两种。
3.如权利要求1所述的基于波形相似性分析的功率数据组合插值方法,其特征在于:初始化各个插值结果的权重的方法为随机选取权重值,各个插值结果对应的权重和为1,每个权重的数值为0至1之间的随机数。
4.如权利要求1所述的基于波形相似性分析的功率数据组合插值方法,其特征在于:基于动态时间规整算法计算插值前后用户平均有功功率序列的相似度,具体方法包括:
计算插值前有功功率序列Pi,0和插值后的有功功率序列Pj各点之间的欧氏距离,将得到的结果作为元素构建欧氏距离矩阵;
根据构建的欧氏距离矩阵M,计算累计距离构建累计距离矩阵Mc;
根据累计距离矩阵Mc的元素值计算时间序列的DTW距离,距离越小,插值前有功功率序列Pi,0和插值后的有功功率序列Pj相似度越高。
5.如权利要求1所述的基于波形相似性分析的功率数据组合插值方法,其特征在于:
采用粒子群对权重进行优化的方法,步骤包括:
在三维搜索空间内随机生成粒子群算法初始种群,每个粒子位置为不同插值结果对应的权重;
设定粒子群的适应值为时间序列Pi0和Pi的DTW距离,以适应度函数最小为目标;
迭代更新粒子的位置,判断是否满足终止条件,如果满足,输出当前的最优粒子位置和其对应的适应度函数值;
如果不满足终止条件,更新粒子的位置和速度;
计算粒子的适应度值,并将适应度值小于个体极值、全局最优值的粒子更新作为个体经验、群体经验;直到得到满足终止条件,寻优结束,输出群体经验中的粒子位置为最终权重。
6.如权利要求5所述的基于波形相似性分析的功率数据组合插值方法,其特征在于:终止条件为满足收敛条件:设定次数的迭代求得的适应度值差值小于设定的阈值;
或,终止条件为达到了设定的最大迭代步数。
7.如权利要求5所述的基于波形相似性分析的功率数据组合插值方法,其特征在于:个体经验是每个粒子单独搜寻的最优解的位置;群体经验是粒子群中的个体最优解的位置。
8.基于波形相似性分析的功率数据组合插值系统,其特征在于,包括:
插值模块:被配置为分别使用不同的插值方法对获取的有功功率数据进行插值,并初始化各个插值结果的权重,获得初始组合插值结果;
相似度分析模块:被配置为基于动态时间规整算法计算插值前后用户有功功率序列的相似度;
优化模块:被配置为采用粒子群对权重进行优化,求取插值前后用户平均有功功率序列相似度最高时对应的权重值,获得最优的插值结果。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296931.1A CN115688535A (zh) | 2022-10-21 | 2022-10-21 | 基于波形相似性分析的功率数据组合插值方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211296931.1A CN115688535A (zh) | 2022-10-21 | 2022-10-21 | 基于波形相似性分析的功率数据组合插值方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688535A true CN115688535A (zh) | 2023-02-03 |
Family
ID=85066059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211296931.1A Pending CN115688535A (zh) | 2022-10-21 | 2022-10-21 | 基于波形相似性分析的功率数据组合插值方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688535A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115757A (zh) * | 2023-10-24 | 2023-11-24 | 中安创科(深圳)技术有限公司 | 一种枪支实时监控系统及监控方法 |
-
2022
- 2022-10-21 CN CN202211296931.1A patent/CN115688535A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115757A (zh) * | 2023-10-24 | 2023-11-24 | 中安创科(深圳)技术有限公司 | 一种枪支实时监控系统及监控方法 |
CN117115757B (zh) * | 2023-10-24 | 2024-02-02 | 中安创科(深圳)技术有限公司 | 一种枪支实时监控系统及监控方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | A hybrid model for short-term PV output forecasting based on PCA-GWO-GRNN | |
CN110909912B (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
Zheng et al. | Addressing the conditional and correlated wind power forecast errors in unit commitment by distributionally robust optimization | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
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 | |
CN115470704B (zh) | 一种动态多目标优化方法、装置、设备和计算机可读介质 | |
CN109919421A (zh) | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 | |
Xuemei et al. | Particle swarm optimization-based LS-SVM for building cooling load prediction | |
CN109657882A (zh) | 基于vmd-pso-lssvm的短期电力负荷预测模型建立方法 | |
CN105160441B (zh) | 基于增量式超限向量回归机集成网络的实时电力负荷预测方法 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN106503833A (zh) | 基于支持向量机算法的光伏发电短期功率滚动预测方法 | |
CN110009125A (zh) | 基于emd-vmd-pso-bpnn的短期电力负荷预测模型建立方法 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
Ghofrani et al. | Hybrid clustering-time series-bayesian neural network short-term load forecasting method | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
CN115688535A (zh) | 基于波形相似性分析的功率数据组合插值方法及系统 | |
Gensler et al. | An analog ensemble-based similarity search technique for solar power forecasting | |
CN112001537A (zh) | 一种基于灰色模型和支持向量机的短期风电功率预测方法 | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
CN112381315A (zh) | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network |
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 |