CN116090624A - 一种细粒度负荷分段预测方法 - Google Patents
一种细粒度负荷分段预测方法 Download PDFInfo
- Publication number
- CN116090624A CN116090624A CN202211741542.5A CN202211741542A CN116090624A CN 116090624 A CN116090624 A CN 116090624A CN 202211741542 A CN202211741542 A CN 202211741542A CN 116090624 A CN116090624 A CN 116090624A
- Authority
- CN
- China
- Prior art keywords
- load
- fluctuation
- fine
- prediction
- grained
- 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 77
- 230000011218 segmentation Effects 0.000 title claims abstract description 11
- 238000012937 correction Methods 0.000 claims abstract description 37
- 238000005265 energy consumption Methods 0.000 claims abstract description 31
- 230000005611 electricity Effects 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 230000001174 ascending effect Effects 0.000 claims abstract description 7
- 230000010355 oscillation Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000004660 morphological change Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 2
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 2
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种细粒度负荷分段预测方法,步骤如下:基于日负荷曲线提取降维指标,并建立用户用电模式聚类模型;构建多任务群体负荷预测模型;完成不同类别用户日负荷曲线分段;分析不同波动段的波动率、波动标准差、波动度、高能耗占比和低能耗占比指标,识别波动段的类型;针对上升、下降趋势负荷波动段建立群体预测结果直接修正预测模型;针对高能耗波动、低能耗波动、尖峰波动和振荡波动段建立循环分类修正预测模型;构建细粒度用户完整负荷曲线预测模型。本发明针对预测难度较大的细粒度负荷,改善预测精度,保证电网能够精准掌握细粒度负荷曲线变化情况,随时匹配末端用户的电力需求情况,助力智慧用能和点对点电力交易的快速发展。
Description
技术领域
本发明涉及负荷预测方法,尤其涉及一种细粒度负荷曲线分段预测方法。
背景技术
随着电力系统的不断发展,电网对智慧用能的需求更加迫切。此外,现代电力市场中,点对点(P2P)电力交易逐渐兴起,该交易方式要求随时匹配末端用户的电力供需情况。精准掌握细粒度负荷曲线变化情况,对于电力系统而言意义重大。然而,细粒度负荷波动性强,周期规律性差,精确预测难度大,现有的负荷预测研究主要集中在系统级、子级层级、馈线级和建筑级的模型建立上,针对大规模负荷进行统一训练获得通用预测模型,这种方法针对性弱,无法充分满足当前电力部门对负荷预测精确程度的追求。
发明内容
发明目的:针对现有技术存在的问题,本发明的目的是提供一种能够提高细粒度负荷预测精度的方法,使得末端负荷能够满足电力系统可控要求,以便其参与到系统调度中来。
技术方案:本发明所述细粒度负荷分段预测方法,包括以下步骤:
(1)基于日负荷曲线提取降维指标,并建立用户用电模式聚类模型;
(2)构建多任务群体负荷预测模型;
(3)完成不同类别用户日负荷曲线分段;
(4)分析不同波动段的波动率K、波动标准差σ、波动度R、高能耗占比Ph和低能耗占比P1指标,完成波动段的类型识别;
(5)针对上升、下降趋势波动段建立群体预测结果直接修正预测模型;
(6)针对高能耗波动、低能耗波动、尖峰波动和振荡波动段建立循环分类修正预测模型;
(7)构建细粒度用户完整负荷曲线预测模型。
进一步的,步骤(1)中基于日负荷曲线提取降维指标,包括:
对日负荷曲线进行分析,提取出包括负荷率、日峰谷差率、最高利用小时率、最大负荷出现时间、最小负荷出现时间、峰期负载率和谷期负载率在内的7个日负荷特性指标作为居民日负荷曲线的降维指标;其中,
其中,负荷率k1为:
k1=Pave/Pmax;
式中,Pave为日平均负荷;Pmax为日最大负荷;
最高利用小时率k2为:
日峰谷差率k3为:
k3=(Pmax-Pmin)/Pmax;
式中,Pmin为日最小负荷;
峰期负荷率k4和谷期负荷率k5分别为:
k4=Pave.peak/Pave ;
k5=Pave.low/Pave ;
式中,Pave.peak和Pave.low分别为峰期负荷平均值和谷期负荷平均值;结合细粒度负荷用电特性以及相关电价政策,规定峰时段为:8:00-12:00和14:00-21:00;谷时段为:21:00-24:00和0:00-8:00;Pave为日负荷平均值。
进一步的,步骤(1)中建立用户用电模式聚类模型,包括:
其中,xi,j为矩阵第i行第j列的元素表示第i个用户对应的第j个日负荷特性指标,j=1,2,...,7;n为一定范围内所有细粒度用户的数量;
将该矩阵作为K-means算法的输入,对一定范围内所有细粒度用户用电模式进行聚类;K-means算法将根据每个用户用电模式到各类别聚类中心C={C1,C2,C3,…,CK}的欧氏距离dj,t,将n个用户划分至K类;欧氏距离dj,t为:
其中,yj,t表示第j个用户的第t个指标对应数值;ci,t表示第i类聚类中心的第t个指标对应数值;
其中,li为第i类用户的总户数;Yn为所有类型用户的集合;比较欧氏距离的计算结果,遍历每个细粒度用户数据样本,将其划分至对应欧氏距离最小的聚类中心所属类别中,得到K类簇群的集合S={S1,S2,S3,…,SK}。
进一步的,步骤(2)中构建多任务群体负荷预测模型具体内容包括:
根据步骤(1)的划分结果,得到K类用户,将各类别中所有细粒度用户负荷进行加和求均值,得到K类群体负荷数据;对这K类群体负荷和历史气候数据进行标准化处理:
其中,x表示样本中的一个特征,x*表示利用max-min法获得的标准化特征值,min和max分别表示样本特征集合的最小值和最大值;
以标准化后的数据作为全连接深度神经网络的输入,建立多任务群体负荷预测模型;采用Adam算法作为模型参数的优化方法完成调参工作,参数更新公式如下:
式中,θt表示网络的参数,gt表示梯度,表示对神经网络各层神经元参数进行梯度求解;mt和分别表示矫正前后梯度gt的一阶矩估计值;vt和则分别表示矫正前后梯度gt的二阶矩估计值;其余各参数的默认设置值分别为:a=0.001,β1=0.9,β2=0.999,ε=10-8。
进一步的,步骤(3)采用SDA算法对K类用户日负荷曲线分别进行分段的步骤包括:
(3.1)选取时间窗口宽度ε,ε的值反映了SDA算法对于相同趋势波动段中的噪声敏感程度;
(3.2)起始点为A,则BA和CA的长度即为时间窗口宽度ε,B、C点确定后就不再变化;
(3.3)在该负荷曲线上寻找下一个负荷点D,上下窗BA和CA同时向D点摆动,则此时的上下窗更新为BD和CD;
(3.4)重复步骤(3.3),不断进行窗体更新过程,直至遍历到拐点H;同时,为了保证A至H之间的所有负荷点均处于上下窗范围内,此时的上窗BG不会摆动到H点,而下窗继续摆动到H点,上下窗的延长线仍相交;
(3.5)上窗BG继续保持不变,下窗摆动至I点,此时上下窗平行,迭代结束;
(3.6)更新波动段起始点为I,重复以上步骤进行新一轮的迭代;
其中,上窗和下窗的计算公式为:
其中,Dup表示上窗,Ddown表示下窗,p0表示波动段起始点的细粒度负荷值,p(t)表示t时刻的细粒度负荷值,T表示样本数据点总数;
迭代过程中,意味着一段波动段划分结束的条件为:
其中,tm=mimt指tm取Dup≥Ddown条件满足时的最小时刻,该时刻的t值即为该波动段的终止时刻;
波动率K为:
其中,PO表示该波动段的起点功率值;PE表示该波动段的终点功率值;T表示日负荷曲线样本点数;
波动标准差σ为:
其中,Pv表示该波动段的功率均值;Pi表示该波动段上的各样本点功率值;N表示该波动段包含的样本点数;
波动度R为:
其中,|Pi-Pi+1|表示该波动段上相邻时刻的功率差值;
高能耗占比Ph和低能耗占比Pl的计算公式分别为:
Ph=TH/T ;
Pl=TL/T ;
其中,TH和TL分别表示该波动段内,功率值在日负荷峰值90%以上的时间和负荷值在日负荷谷值110%以下的时间;
以上述5类负荷波动特性指标参数值作为聚类指标,利用K-means算法对个波动段进行聚类分析;计算聚类所得各类别中所有波动段的5类指标参数平均值;根据参数平均值进行波动段的类型判定;最终得到K条按照不同类型波动段进行划分的用户负荷曲线。
进一步的,步骤(5)中,建立基于群体预测结果的直接修正预测模型:
利用负荷一阶差分向量的余弦距离,反映两条负荷曲线形态变化的差异程度,提取每个单任务的任务特定表示,一阶差分余弦距离的具体计算步骤如下:
各类居民群体历史负荷(平均每户负荷)一阶差分值的计算公式为:
zclu,i=xclu,(i+1)-xclu,i i∈[1,n-1];
属于该类别的某细粒度用户历史负荷平均一阶差分值的计算公式为:
Zresi,i=xresi,(i+1)-xresi,i i∈[1,n-1];
式中,zclu,i和zresi,i分别为居民群体平均每户的历史负荷差分向量第i维度值和该类中某细粒度用户历史负荷差分向量的第i维度值,一天的时间总维度n=96,xclu,i,xresi,i分别为居民群体平均每户历史日负荷归一化后的第i维度值和细粒度用户历史负荷归一化后的第i维度值;
负荷曲线差分余弦距离的计算公式为:
dc=1-cresi,clu;
式中,dc为群体负荷和细粒度用户负荷差分向量的余弦距离;cresi,clu为两条负荷曲线的余弦相似度;zresi,zclu分别为各维度一阶差分值形成的两条日负荷曲线的差分向量;
定义标准化下经修正得到的细粒度用户负荷第i维度的负荷值为:
x′resi,i+1=x′clu,i+z′resi,i i∈[1,n-1];
其中,x′clu,i表示预测对象即细粒度用户,所在类标准化下的群体负荷预测结果第i维度值;z′resi,i是通过下式计算得到的细粒度用户负荷一阶差分向量的第i维度值:
其中,z′clu,i是基于FDNN模型输出的群体负荷计算所得的标准化一阶差分向量的第i维度值;
进一步的,步骤(6)循环分类修正预测方法中,单次迭代的具体步骤为:
(6.1)根据第t次迭代的预测结果,分别计算每一户细粒度负荷曲线与各类群体预测输出(平均每户)负荷曲线之间的一阶差分余弦距离,将该数值的倒数作为第m个用户对于第k类细粒度负荷预测模型的适应度,其中,指第m户居民与第k类负荷预测模型的适应度;
(6.2)遍历所有细粒度用户以及K类训练模型后,形成适应度矩阵E(M×K);
(6.3)适应度数值越大,说明该细粒度用户与对应类别的负荷预测模型适应程度越高;因此,以适应度矩阵E为依据,将第m户居民重新划分到矩阵E第m行中适应度数值最大元素所对应的类别中;
(6.4)完成所有居民的重新划分后,再进行本轮循环的预测环节,预测算法同步骤(2);
(6.5)多次循环,直至满足事先设定的循环结束条件;遍历所有居民以及所有类别的训练模型后,得到的适应度矩阵E(M×K)可以表示为:
其中,将循环结束的条件设置为:第t-1次和第t次前后两次聚类修正结果中,各户居民被划分类别的相似率达到65%;或第t-1次和第t次前后两次的预测结果误差满足:
MAPE(t-1)-MAPE(t)≤0.1%;
则可认为循环过程已达到稳定,t=T次时,循环结果最优;式中,MAPE(t)指t时刻的预测标准差;
循环结束后,以各细粒度用户的历史负荷数据作为预测模型输入的测试集,以其所属类别的预测训练模型作为该细粒度用户的负荷预测器,预测器输出则为各细粒度用户负荷预测最终结果。
进一步的,步骤(7)中,构建细粒度用户完整负荷曲线预测模型,步骤如下:
利用步骤(5)建立的群体预测结果直接修正预测模型,对上升、下降趋势波动段进行预测;
利用循环分类修正预测法对其余波动段进行预测分析;
针对某细粒度用户,得到其待预测日负荷曲线上所有波动段的预测结果,进行简单加和,获得该细粒度用户的完整日负荷预测结果。
有益效果:和现有技术相比,本发明具有如下显著优点:1、能够改善细粒度负荷预测精度,精准掌握细粒度负荷曲线变化情况;2、保证电网能够随时匹配末端用户的电力需求情况,助力智慧用能和点对点电力交易的快速发展。
附图说明
图1为本发明的流程图;
图2为全连接深度神经网络结构示意图;
图3为基于SDA算法的负荷分段原理图;
图4为波动段的类型判定流程图;
图5为基于群体负荷预测输出曲线进行修正的细粒度负荷预测方法流程图;
图6为基于群体负荷训练模型的循环分类修正预测法流程图;
图7为细粒度负荷分段预测方法流程图;
图8中的(a)、(b)、(c)、(d)、(e)和(f)为居民用户用电模式聚类所得结果及各类别聚类中心;
图9中的(a)、(b)、(c)、(d)、(e)和(f)为各类居民日负荷曲线SDA分段结果;
图10中的(a)、(b)、(c)、(d)、(e)和(f)为各类居民日负荷曲线类型划分结果。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明的技术方案。
如图1所示,本发明所述细粒度负荷分段预测方法,包括以下步骤:
步骤一、分析日负荷曲线,提取降维指标:
对日负荷曲线进行分析,提取出包括负荷率、日峰谷差率、最高利用小时率、最大负荷出现时间、最小负荷出现时间、峰期负载率和谷期负载率在内的7个特性指标作为居民日负荷曲线的降维指标,各指标定义和物理意义如表1所示。该实例中,结合细粒度负荷用电特性以及相关电价政策,规定峰时段为:8:00-12:00和14:00-21:00;谷时段为:21:00-24:00和0:00-8:00。
表1:基于日负荷曲线的特性指标
上表中,负荷率的计算公式为:
k1=Pave/Pmax (1-1)
其中,Pave为日平均负荷;Pmax为日最大负荷。
最高利用小时率的计算公式为:
日峰谷差率的计算公式为:
k3=(Pmax-Pmin)/Pmax (1-3)
其中,Pmin为日最小负荷。
峰期负荷率和谷期负荷率的计算公式分别为:
k4=Pave.peak/Pave (1-4)
k5=Pave.low/Pave (1-5)
其中,Pave.peak和Pave.low分别为峰期负荷平均值和谷期负荷平均值。
步骤二、基于细粒度用户的日负荷降维指标计算结果,建立用户用电模式聚类模型:
由日负荷特性指标形成聚类指标矩阵将该矩阵作为K-means算法的输入,对一定范围内所有细粒度用户用电模式进行聚类。其中,n为一定范围内所有细粒度用户的数量。K-means算法将依据每个用户用电模式到各类别聚类中心C={C1,C2,C3,…,CK}的欧氏距离,将n个用户划分至K类。欧氏距离的计算公式为:
其中,yj,t表示第j个用户的第t个指标对应数值;ci,t表示第i类聚类中心的第t个指标对应数值,其计算公式为:
其中,li为第i类用户的总户数。比较欧氏距离的计算结果,遍历每个细粒度用户数据样本,将其划分至对应欧氏距离最小的聚类中心所属类别中,得到K类簇群的集合S={S1,S2,S3,…,SK}。需要注意的是,K-means算法的聚类数K需要提前利用手肘法和轮廓系数法联合确定。手肘法的基本原理是,随着划分的类别数不断增加,每个类别中各元素的误差平方和(sum of the squared errors,SSE)会不断减小,下降幅度也会逐次骤减;当达到某一拐点后,折线又会随着K值的继续增大而趋于平缓,则选取那个拐点对应数值作为最终的聚类数。SSE的计算公式为:
SSE代表了所有样本的聚类误差,体现聚类效果。当选择的聚类总数K小于实际聚类数时,增大设定的K值可以显著改善各簇的簇内聚合度,具体表现为SSE下降幅度很大;而当K逐渐增大至接近真实聚类数时,聚类效果的改善不再明显,SSE曲线的趋势也将趋于平缓。
某一样本的轮廓系数计算公式如下:
式中,a(i)表示各簇内样本之间的差异,为第j个样本到簇内其他样本的平均欧氏距离值;b(i)表示不同类别簇间各样本之间的差异,为第j个样本到簇外其他样本的最小欧氏距离值。所有样本的轮廓系数平均值即为该聚类结果的轮廓系数,其取值在-1~1之间,值越大说明该类别内划分的样本相似度越高,不同类间的样本相似度低,聚类效果好。
步骤三、基于细粒度用户聚类结果,构建各类用户的多任务群体负荷预测模型:
根据聚类结果,将各类别中所有细粒度用户负荷进行加和求均值,得到K类群体负荷数据。接着,采用单层隐藏层FDNN,构建各类用户的多任务群体负荷预测模型。具有单层隐藏层的全连接深度神经网络模型的具体结构如图2所示。
FDNN多任务负荷预测模型以最小化前向传播产生的损失函数J(w,b)为目标,对模型的各层参数w、b进行迭代优化。考虑到Adam学习算法计算速度快、占用内存少,能够得到更加高效的深度学习模型,采用Adam算法作为模型参数的优化方法完成调参工作。Adam算法的参数更新公式如下:
式中,θt表示网络的参数,gt表示梯度,mt和分别表示矫正前后梯度gt的一阶矩估计值;vt和则分别表示矫正前后梯度gt的二阶矩估计值。其余各参数的默认设置值分别为:a=0.001,β1=0.9,β2=0.999,ε=10-8。此外,本实施例选择ReLU函数作为FDNN的激活函数以进一步增加模型非线性。为了进一步提高FDNN模型预测效果,加快神经网络收敛速度,采用min-max标准化方法对原始输入数据进行线性变化:
其中,min和max分别表示样本特征集合的最小值和最大值。
步骤四、采用SDA算法对K类用户日负荷曲线分别进行分段:
考虑到细粒度负荷的强随机性,引入基于摇摆窗算法(swinging dooralgorithm,SDA)的细粒度负荷曲线分段方法。SDA算法是一种原理较为简单的变时间窗口线性分段方法,相较固定窗宽的算法而言,该方法能够获得更精确的细粒度负荷曲线划分结果。SDA算法的具体步骤为:
步骤1:选取时间窗口宽度ε,ε的值反映了SDA算法对于相同趋势波动段中的噪声敏感程度,需要结合算例实际情况对ε进行选取;
步骤2:如图3所示,起始点为A,则BA和CA的长度即为时间窗口宽度ε,B、C点确定后就不再变化;
步骤3:在该负荷曲线上寻找下一个负荷点D,上下窗BA和CA同时向D点摆动,则此时的上下窗更新为BD和CD;
步骤4:重复步骤3,不断进行窗体更新过程,直至遍历到拐点H。同时,为了保证A至H之间的所有负荷点均处于上下窗范围内,此时的上窗BG不会摆动到H点,而下窗继续摆动到H点,上下窗的延长线仍相交;
步骤5:上窗BG继续保持不变,下窗摆动至I点,此时上下窗平行,迭代结束;
步骤6:更新波动段起始点为I,重复以上步骤进行新一轮的迭代。
基于SDA算法进行居民日负荷曲线划分的原理如式(1-12)所示:
其中,Dup表示上窗,Ddown表示下窗,p0表示波动段起始点的细粒度负荷值,p(t)表示t时刻的细粒度负荷值,T表示样本数据点总数96。
迭代过程中,当上下窗满足式(1-13)的约束条件时,本波动段划分结束。
其中,tm=mint指tm取Dup≥Ddown条件满足时的最小时刻,该时刻的t值即为该波动段的终止时刻。
考虑到聚类结果中,类内元素的用电共性以及类间元素的用电特性差异,本实施例将分别基于K类群体负荷曲线进行分段,最终获得个波动段。其中,由于SDA算法为变窗体算法,且不同类别用户的用电负荷特性各异,因此各类群体负荷曲线划分得到的波动段个数Nk也各不相同。
步骤五、分析不同波动段的波动率K、波动标准差σ、波动度R、高能耗占比Ph和低能耗占比P1五类指标,完成波动段的类型识别:
表2:基于日负荷曲线的特性指标
表2中,波动率K的计算公式为:
其中,PO表示该波动段的起点功率值;PE表示该波动段的终点功率值;T表示日负荷曲线样本点数。
波动标准差σ的计算公式为:
其中,Pv表示该波动段的功率均值;Pi表示该波动段上的各样本点功率值;N表示该波动段包含的样本点数。
波动度R的计算公式为:
其中,|Pi-Pi+1|表示该波动段上相邻时刻的功率差值。
高能耗占比Ph和低能耗占比Pl的计算公式分别为:
Ph=TH/T (1-17)
Pl=TL/T (1-18)
其中,TH和TL分别表示该波动段内,功率值在日负荷峰值90%以上的时间和负荷值在日负荷谷值110%以下的时间。
以5类负荷波动特性指标参数值作为聚类指标,利用K-means算法对个波动段进行聚类分析。计算聚类所得各类别中所有波动段的5类指标参数平均值,根据参数平均值进行波动段的类型判定。判定的具体流程如图4,最终将得到K条按照不同类型波动段进行划分的用户日负荷曲线。
步骤六、建立基于群体负荷预测输出曲线的细粒度负荷修正预测模型:
单个细粒度用户和其所在类所有用户平均日负荷曲线的区别主要体现在曲线形态上,因此,本实施例依据负荷曲线形态特性的不同进行预测结果的修正,保证各个单任务的独特性。实现了“使用足够大的数据集提取细粒度用户共同模式,并利用特定个体的小数据集来修正每个个体模型”理论的实际运用。
已知,数据组的一阶差分向量可有效提取出反映负荷上升、下降、平稳等形态变化的功率变化向量;此外,两个向量之间的余弦距离可以用来表征不同向量方向的一致性。因此,引入负荷一阶差分向量的余弦距离,用于反映两条负荷曲线形态变化的差异程度,提取每个单任务的任务特定表示。一阶差分余弦距离的具体计算步骤如下:
各类群体历史负荷(平均每户负荷)一阶差分值的计算公式为:
zclu,i=xclu,(i+1)-xclu,i i∈[1,n-1] (1-19)
属于该类别的某细粒度用户历史负荷平均一阶差分值的计算公式为:
zresi,i=xresi,(i+1)-xresi,i i∈[1,n-1] (1-20)
式中,zclu,i和zresi,i分别为某一类群体负荷差分向量的第i维度值和该类中某细粒度用户负荷差分向量的第i维度值,n=96,xclu,i,xresi,i分别为群体平均日负荷归一化后的第i维度值和单一细粒度用户负荷归一化后的第i维度值。
负荷曲线差分余弦距离的计算公式为:
dc=1-cresi,clu (1-21)
式中,dc为群体负荷和细粒度负荷差分向量的余弦距离;cresi,clu为两条负荷曲线的余弦相似度;zresi,zclu分别为按照式(1-19)和式(1-20)计算得到的所有维度一阶差分值形成的两条日负荷曲线的差分向量。
根据以上思路,定义标准化下经修正得到的单一细粒度负荷的第i维度负荷值如式(1-23)所示。
x′resi,i+1=x′clu,i+z′resi,i i∈[1,n-1] (1-23)
其中,x′clu,i表示预测对象(即单一细粒度用户)所在类标准化下,群体负荷预测结果的第i维度值。z′resi,i是通过式(1-24)计算得到的单一细粒度负荷一阶差分向量的第i维度值:
其中,z′clu,i是基于FDNN模型输出的群体负荷计算所得的标准化一阶差分向量的第i维度值。
因此,将x′resi去标准化后得到的向量则为的细粒度负荷预测结果。综上所述,基于群体负荷预测输出曲线的细粒度负荷修正预测方法的流程如图5所示。
步骤七、建立基于群体负荷训练模型的循环分类修正预测模型:
已知本发明的最终目标为获得高精度的细粒度负荷预测输出,然而,步骤二中,聚类的目标为获得类内元素相似度高,类间元素差异大的居民类别划分结果。如果保证在对细粒度用户分类阶段就将其划分到对应历史负荷曲线形态差异更小的类别中,由此增强聚类环节和预测环节的结构紧密度,可以进一步得到适应度和拟合度更高的细粒度负荷预测模型。因此,本步骤依据循环思想,提出了一种基于群体负荷训练模型的循环分类修正预测方法。
循环的思想是指在满足一定条件时,重复执行循环体内容。设定总循环次数为T,每次循环过程中,各进行一次类别划分修正和一次分别针对K类群体负荷的预测模型训练,每次预测结束后再根据计算出的适应度矩阵,进行下一次的类别划分修正。具体的循环体内容为:在第t次迭代过程中,根据上一次迭代计算得到的适应度矩阵进行分类修正,获得新的K类用户簇,并利用更新后的K类用户历史负荷数据分别进行新一轮的预测模型训练,每一类用户通过训练都会获得适用于该类细粒度用户的预测模型。则单次迭代的具体步骤为:
1)根据第t次迭代的预测结果,分别计算每个用户负荷曲线与各类群体预测输出(平均每户)负荷曲线之间的一阶差分余弦距离,将该数值的倒数作为第m个用户(共M=600个用户)对于第k类细粒度负荷预测模型的适应度,其中,指第m个用户与第k类负荷预测模型的适应度;
2)遍历所有用户以及K类训练模型后,形成适应度矩阵E(M×K);
3)适应度数值越大,说明该细粒度用户与对应类别的负荷预测模型适应程度越高;因此,以适应度矩阵E为依据,将第m户居民重新划分到矩阵E第m行中适应度数值最大元素所对应的类别中;
4)完成所有居民的重新划分后,再进行本轮循环的预测环节;
5)多次循环,直至满足事先设定的循环结束条件。遍历所有居民以及所有类别的训练模型后,得到的适应度矩阵E(M×K)可以表示为:
其中,循环结束的条件为:第t-1次和第t次前后两次聚类修正结果中,各细粒度用户被划分类别的相似率达到65%;或第t-1次和第t次前后两次的预测结果误差满足:
MAPE(t-1)-MAPE(t)≤0.1% (1-26)
则可认为循环过程已达到稳定,即t=T次时,循环结果最优。
循环结束后,以各细粒度用户的历史负荷数据作为预测模型输入的测试集,以其所属类别的预测训练模型作为该细粒度用户的负荷预测器,预测器输出则为各细粒度用户负荷预测最终结果。综上所述,该方法的流程如图6所示。
步骤八、建立细粒度用户完整负荷曲线预测模型:
利用传统方法分析时,上升、下降趋势波动段预测结果存在超前或滞后现象;因此,利用步骤六建立的群体预测结果直接修正预测模型,对上升、下降趋势波动段进行预测。
由于步骤七建立的循环分类修正预测模型,通过循环修正不断增强分类环节和预测环节的结构关联性,一般来说预测效果最好。因此,利用循环分类修正预测法对其余波动段进行预测分析。
针对某细粒度用户,得到其待预测日负荷曲线上所有波动段的预测结果,进行简单加和,则可获得该细粒度用户的完整日负荷预测结果。
为验证本发明的可行性和正确性,作如下实例:
获取江苏省某小区内600户居民的日负荷数据和气温数据,作为本实例分析的数据基础。分别计算出600户居民负荷的负荷率、日峰谷差率、最高利用小时率、最大负荷出现时间、最小负荷出现时间、峰期负载率和谷期负载率参数值,形成600×7的聚类指标矩阵。根据该矩阵进行K-means聚类,将该小区居民用户分为6类,聚类结果如图8所示。
利用SDA算法对6类居民群体日负荷曲线进行分段,分段结果如图9所示,6类居民负荷曲线共划分得到109个负荷波动段,各类居民负荷曲线对应的波动段数分别为[16,14,14,26,21,18]。接着,通过计算波动特性指标,对每个波动段的波动特性进行定量描述。依据这5类负荷波动特性指标的计算值,建立聚类指标矩阵,并利用K-means算法对109个波动段进行聚类分析。聚类所得各簇波动段的波动特性指标平均值如表3所示。其中,该表最后一列内容,是依据图4所示流程完成的各类波动段的类型判定结果。
表3:各簇波动段的波动特征参数平均值及其判定类型
注:表中加粗数据为该列最大值。
根据每个波动段的类型判定结果,得到6类居民日负荷曲线的类型划分结果如图10所示。其中,不同类型的波动段分别存在以下特征:
1)下降趋势波动:该类型波动段内,居民负荷总体呈下降趋势,同时伴随着一定程度的波动;
2)上升趋势波动:该类型波动段内,居民负荷总体呈上升趋势,同时伴随着一定程度的波动;
3)高能耗波动:该类型波动段内,居民负荷较大,相较其他波动段而言,该类波动段的波动程度较小;
4)低能耗波动:该类型波动段内,居民负荷较小,相较其他波动段而言,该类波动段的波动程度也较小;
5)尖峰波动:由家庭内部大功率电器的开关行为或同时刻多个负荷的开关行为引起,负荷曲线出现明显的尖峰现象,波动十分剧烈;
6)振荡波动:由家庭内部小功率电器的用电行为或部分电器不稳定用电行为所导致,表现为居民负荷随机振动的现象。
最后,选择基于群体负荷预测输出曲线的细粒度居民负荷修正法对上升趋势波动段和下降趋势波动段进行预测分析;同时,选择基于群体负荷训练模型的循环分类修正预测法对高能耗波动、低能耗波动、尖峰波动以及振荡波动进行预测分析。并最终将所有波动段的预测结果进行结合得到完整日负荷预测曲线。
基于本发明和其中的两种细粒度居民负荷预测方法分别对某小区内居民负荷进行分析,并与传统方法的预测效果进行比较。不同方法输出的平均MAPE值如表4所示。
表4:不同方法效果对比
显然,在以上几种方法中,本发明提出的分段预测方法,针对不同波动段的负荷特性,分别利用不同的修正预测方法分段进行预测研究,能够获得最好的预测效果,MAPE的值仅有34.96%。
Claims (9)
1.一种细粒度负荷分段预测方法,其特征在于,包括以下步骤:
(1)基于日负荷曲线提取降维指标,并建立用户用电模式聚类模型;
(2)构建多任务群体负荷预测模型;
(3)完成不同类别用户日负荷曲线分段;
(4)分析不同波动段的波动率K、波动标准差σ、波动度R、高能耗占比Ph和低能耗占比Pl指标,完成波动段的类型识别;
(5)针对上升、下降趋势波动段建立群体预测结果直接修正预测模型;
(6)针对高能耗波动、低能耗波动、尖峰波动和振荡波动段建立循环分类修正预测模型;
(7)构建细粒度用户完整负荷曲线预测模型。
2.根据权利要求1所述的细粒度负荷分段预测方法,其特征在于,步骤(1)中基于日负荷曲线提取降维指标,包括:
对日负荷曲线进行分析,提取出包括负荷率、日峰谷差率、最高利用小时率、最大负荷出现时间、最小负荷出现时间、峰期负载率和谷期负载率在内的7个日负荷特性指标作为居民日负荷曲线的降维指标;其中,
其中,负荷率k1为:
k1=Pave/Pmax;
式中,Pave为日平均负荷;Pmax为日最大负荷;
最高利用小时率k2为:
日峰谷差率k3为:
k3=(Pmax-Pmin)/Pmax;
式中,Pmin为日最小负荷;
峰期负荷率k4和谷期负荷率k5分别为:
k4=Pave.peak/Pave;
k5=Pave.low/Pave;
式中,Pave.peak和Pave.low分别为峰期负荷平均值和谷期负荷平均值;结合细粒度负荷用电特性以及相关电价政策,规定峰时段为:8:00-12:00和14:00-21:00;谷时段为:21:00-24:00和0:00-8:00;Pave为日负荷平均值。
3.根据权利要求2所述的细粒度负荷分段预测方法,其特征在于,步骤(1)中建立用户用电模式聚类模型,包括:
其中,xi,j为矩阵第i行第j列的元素表示第i个用户对应的第j个日负荷特性指标,j=1,2,...,7;n为一定范围内所有细粒度用户的数量;
将该矩阵作为K-means算法的输入,对一定范围内所有细粒度用户用电模式进行聚类;K-means算法将根据每个用户用电模式到各类别聚类中心C={C1,C2,C3,…,CK}的欧氏距离dj,t,将n个用户划分至K类;欧氏距离dj,t为:
其中,yj,t表示第j个用户的第t个指标对应数值;ci,t表示第i类聚类中心的第t个指标对应数值;
其中,li为第i类用户的总户数;Yn为所有类型用户的集合;比较欧氏距离的计算结果,遍历每个细粒度用户数据样本,将其划分至对应欧氏距离最小的聚类中心所属类别中,得到K类簇群的集合S={S1,S2,S3,…,SK}。
4.根据权利要求3所述的细粒度负荷分段预测方法,其特征在于,步骤(2)中构建多任务群体负荷预测模型具体内容包括:
根据步骤(1)的划分结果,得到K类用户,将各类别中所有细粒度用户负荷进行加和求均值,得到K类群体负荷数据;对这K类群体负荷和历史气候数据进行标准化处理:
其中,x表示样本中的一个特征,x*表示利用max-min法获得的标准化特征值,min和max分别表示样本特征集合的最小值和最大值;
以标准化后的数据作为全连接深度神经网络的输入,建立多任务群体负荷预测模型;采用Adam算法作为模型参数的优化方法完成调参工作,参数更新公式如下:
5.根据权利要求3所述的细粒度负荷分段预测方法,其特征在于,步骤(3)采用SDA算法对K类用户日负荷曲线分别进行分段的步骤包括:
(3.1)选取时间窗口宽度ε,ε的值反映了SDA算法对于相同趋势波动段中的噪声敏感程度;
(3.2)起始点为A,则BA和CA的长度即为时间窗口宽度ε,B、C点确定后就不再变化;
(3.3)在该负荷曲线上寻找下一个负荷点D,上下窗BA和CA同时向D点摆动,则此时的上下窗更新为BD和CD;
(3.4)重复步骤(3.3),不断进行窗体更新过程,直至遍历到拐点H;同时,为了保证A至H之间的所有负荷点均处于上下窗范围内,此时的上窗BG不会摆动到H点,而下窗继续摆动到H点,上下窗的延长线仍相交;
(3.5)上窗BG继续保持不变,下窗摆动至I点,此时上下窗平行,迭代结束;
(3.6)更新波动段起始点为I,重复以上步骤进行新一轮的迭代;
其中,上窗和下窗的计算公式为:
其中,Dup表示上窗,Ddown表示下窗,p0表示波动段起始点的细粒度负荷值,p(t)表示t时刻的细粒度负荷值,T表示样本数据点总数;
迭代过程中,意味着一段波动段划分结束的条件为:
其中,tm=mint指tm取Dup≥Ddown条件满足时的最小时刻,该时刻的t值即为该波动段的终止时刻;
波动率K为:
其中,PO表示该波动段的起点功率值;PE表示该波动段的终点功率值;T表示日负荷曲线样本点数;
波动标准差σ为:
其中,Pv表示该波动段的功率均值;Pi表示该波动段上的各样本点功率值;N表示该波动段包含的样本点数;
波动度R为:
其中,|Pi-Pi+1|表示该波动段上相邻时刻的功率差值;
高能耗占比Ph和低能耗占比Pl的计算公式分别为:
Ph=TH/T;
Pl=TL/T;
其中,TH和TL分别表示该波动段内,功率值在日负荷峰值90%以上的时间和负荷值在日负荷谷值110%以下的时间;
7.根据权利要求6所述的细粒度负荷分段预测方法,其特征在于,步骤(5)中,建立基于群体预测结果的直接修正预测模型:
利用负荷一阶差分向量的余弦距离,反映两条负荷曲线形态变化的差异程度,提取每个单任务的任务特定表示,一阶差分余弦距离的具体计算步骤如下:
各类居民群体历史负荷(平均每户负荷)一阶差分值的计算公式为:
zclu,i=xclu,(i+1)-×clu,i i∈[1,n-1];
属于该类别的某细粒度用户历史负荷平均一阶差分值的计算公式为:
zresi,i=xresi,(i+1)-xresi,i i∈[1,n-1];
式中,zclu,i和zresi,i分别为居民群体平均每户的历史负荷差分向量第i维度值和该类中某细粒度用户历史负荷差分向量的第i维度值,一天的时间总维度n=96,xclu,i,xresi,i分别为居民群体平均每户历史日负荷归一化后的第i维度值和细粒度用户历史负荷归一化后的第i维度值;
负荷曲线差分余弦距离的计算公式为:
dc=1-cresi,clu;
式中,dc为群体负荷和细粒度用户负荷差分向量的余弦距离;cresi,clu为两条负荷曲线的余弦相似度;zresi,zclu分别为各维度一阶差分值形成的两条日负荷曲线的差分向量;
定义标准化下经修正得到的细粒度用户负荷第i维度的负荷值为:
x′resi,i+1=x′clu,i+z′resi,i i∈[1,n-1];
其中,x′clu,i表示预测对象即细粒度用户所在类标准化下的群体负荷预测结果第i维度值;z′resi,i是通过下式计算得到的细粒度用户负荷一阶差分向量的第i维度值:
其中,z′clu,i是基于FDNN模型输出的群体负荷计算所得的标准化一阶差分向量的第i维度值。
8.根据权利要求6所述的细粒度负荷分段预测方法,其特征在于,步骤(6)循环分类修正预测方法中,单次迭代的具体步骤为:
(6.1)根据第t次迭代的预测结果,分别计算每一户细粒度负荷曲线与各类群体预测输出(平均每户)负荷曲线之间的一阶差分余弦距离,将该数值的倒数作为第m个用户对于第k类细粒度负荷预测模型的适应度,其中,指第m户居民与第k类负荷预测模型的适应度;
(6.2)遍历所有细粒度用户以及K类训练模型后,形成适应度矩阵E(M×K);
(6.3)适应度数值越大,说明该细粒度用户与对应类别的负荷预测模型适应程度越高;因此,以适应度矩阵E为依据,将第m户居民重新划分到矩阵E第m行中适应度数值最大元素所对应的类别中;
(6.4)完成所有居民的重新划分后,再进行本轮循环的预测环节,预测算法同步骤(2);
(6.5)多次循环,直至满足事先设定的循环结束条件;遍历所有居民以及所有类别的训练模型后,得到的适应度矩阵E(M×K)可以表示为:
其中,将循环结束的条件设置为:第t-1次和第t次前后两次聚类修正结果中,各户居民被划分类别的相似率达到65%;或第t-1次和第t次前后两次的预测结果误差满足:
M4PE(t-1)-MAPE(t)≤0.1%;
则可认为循环过程已达到稳定,t=T次时,循环结果最优;式中,MAPE(t)指t时刻的预测标准差;
循环结束后,以各细粒度用户的历史负荷数据作为预测模型输入的测试集,以其所属类别的预测训练模型作为该细粒度用户的负荷预测器,预测器输出则为各细粒度用户负荷预测最终结果。
9.根据权利要求8所述的细粒度负荷分段预测方法,其特征在于,步骤(7)中,构建细粒度用户完整负荷曲线预测模型,步骤如下:
利用步骤(5)建立的群体预测结果直接修正预测模型,对上升、下降趋势波动段进行预测;
利用循环分类修正预测法对其余波动段进行预测分析;
针对某细粒度用户,得到其待预测日负荷曲线上所有波动段的预测结果,进行简单加和,获得该细粒度用户的完整日负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211741542.5A CN116090624A (zh) | 2022-12-30 | 2022-12-30 | 一种细粒度负荷分段预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211741542.5A CN116090624A (zh) | 2022-12-30 | 2022-12-30 | 一种细粒度负荷分段预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116090624A true CN116090624A (zh) | 2023-05-09 |
Family
ID=86211547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211741542.5A Pending CN116090624A (zh) | 2022-12-30 | 2022-12-30 | 一种细粒度负荷分段预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670413A (zh) * | 2023-12-13 | 2024-03-08 | 中教畅享科技股份有限公司 | 一种基于市场人群行为的市场预测方法 |
-
2022
- 2022-12-30 CN CN202211741542.5A patent/CN116090624A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670413A (zh) * | 2023-12-13 | 2024-03-08 | 中教畅享科技股份有限公司 | 一种基于市场人群行为的市场预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754113B (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
Tang et al. | Short‐term power load forecasting based on multi‐layer bidirectional recurrent neural network | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
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 | |
CN110263995A (zh) | 考虑负荷增长率与用户用电特性的配变重过载预测方法 | |
CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
Cai et al. | Short‐term load forecasting method based on deep neural network with sample weights | |
Li et al. | A clustering-based approach for “cross-scale” load prediction on building level in HVAC systems | |
CN111008504A (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
CN112734135A (zh) | 一种电力负荷预测方法、智能终端及计算机可读存储介质 | |
CN116090624A (zh) | 一种细粒度负荷分段预测方法 | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
CN115907195A (zh) | 一种光伏发电功率预测方法、系统、电子设备及介质 | |
Li et al. | Short term prediction of photovoltaic power based on FCM and CG-DBN combination | |
CN112186761A (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN116629428A (zh) | 一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法 | |
CN116880169A (zh) | 一种基于深度强化学习的峰值功率需求预测控制方法 | |
Wei et al. | An instance based multi-source transfer learning strategy for building’s short-term electricity loads prediction under sparse data scenarios | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN116646927A (zh) | 一种基于分段滤波与纵横聚类的风电功率预测方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN114444760A (zh) | 一种基于模式提取和误差调整的行业用户电量预测方法 |
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 |