CN116307028A - 一种基于改进决策树的短期电力负荷预测方法及系统 - Google Patents
一种基于改进决策树的短期电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN116307028A CN116307028A CN202211499897.8A CN202211499897A CN116307028A CN 116307028 A CN116307028 A CN 116307028A CN 202211499897 A CN202211499897 A CN 202211499897A CN 116307028 A CN116307028 A CN 116307028A
- Authority
- CN
- China
- Prior art keywords
- short
- power load
- load prediction
- term power
- data
- 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 57
- 238000003066 decision tree Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 27
- 230000008602 contraction Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011151 fibre-reinforced plastic Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001556 precipitation 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
- 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
- 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
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力负荷预测技术领域,尤其涉及一种基于改进决策树的短期电力负荷预测方法及系统。所述方法包括:S1:对短期电力负荷预测所需的数据聚类;S2:填补所述短期电力负荷预测所需的数据;S3:基于梯度提升的决策树方法,构建短期电力负荷预测模型;S4:采用短期电力负荷预测模型完成短期电力负荷预测。本发明提供的上述方法可以满足供电部门和配电部门对于电力的实时调度,帮助发电厂制定合理的发电计划、有关部门协调供电、配电、和用电之间的关系,使电力系统运行的更为流畅与稳定。
Description
技术领域
本发明属于电力负荷预测技术领域,尤其涉及一种基于改进决策树的短期电力负荷预测方法及系统。
背景技术
随着我国电力工业的高速发展,国家经济的快速发展,对电力负荷预测的要求也愈发严格,精准的电力负荷预测能够帮助调度部门,在发电、输电、配电、用电等过程中合理的分配使用,保证电网在运行过程中的安全性、稳定性、经济性。在电力建设的规划阶段,如果调度部门做出的电力负荷预测值最终小于实际的电力负荷,那么会造成电力系统的储备容量不足,主要有可能导致系统的稳定性和可靠性大幅度降低;反之如果电力负荷的预测值大于实际的电力负荷,那么会造成设备的运行效率过低,能源的浪费。因此短期电力负荷预测对于电力系统的规划和运行至关重要,具有重要的意义。
发明内容
鉴于此,本发明公开提供了一种基于改进决策树的短期电力负荷预测方法及系统,以合理安排调度计划,实现电网资源的合理配置。
本发明的技术方案,具体为:一种基于改进决策树的短期电力负荷预测方法,包括:
S1:聚类处理短期电力负荷的原始数据集,完成对短期电力负荷预测所需的数据聚类;
S2:填补所述短期电力负荷预测所需的数据,得到完整的聚类后的短期电力负荷预测所需数据;
S3:基于梯度提升的决策树方法,构建短期电力负荷预测模型;
S4:采用短期电力负荷预测模型处理所述完整的聚类后的短期电力负荷预测所需数据,最终完成短期电力负荷预测。
进一步地,S1中采用C均值模糊聚类方法完成对短期电力负荷的原始数据集聚类,包括:
S11:聚类中心表示为mj,j=1,2,…,c,c为原始数据获取的类别数量,xk为原始数据集中的任意样本,第k个样本对其的隶属程度用表示,b为平滑因子,μj(xi)为第i个样本的隶属函数,得到聚类损失指标函数J为:
S21:循环处理mj,即以mj和μj(xi)为参照,通过J对二者的偏导均为0,得到以下公式,并得到J的最小值:
其中mj为各个聚类中心,最终得到聚类中心m,在满足所需的精度标准后,确定了上述的聚类中心和隶属函数,最终完成数据聚类,其中所述精度标准为:满足负荷预测所需的大数据;
进一步地,S2中采用低秩矩阵填充及奇异值阈值方法对短期电力负荷预测所需的数据完成填补:
包括:
S21:使M∈Rm×n为构建聚类获取的存在缺失数据的矩阵,确定矩阵中缺失的元素,并完成矩阵的补完;
S22:使S为数据填补后的完整矩阵,Ω为位置几何,得到低矩阵填充的补全公式为:
S23:使σk为奇异值,得到核范数||S||*:
S23:使用奇异值阈值方法完成矩阵的求解,使U、V为m×n阶酉矩阵,∑为对角矩阵,τ为收缩步长,同时为奇异值收缩因子,T表示待填补数据解释,得到属于S的奇异值收缩算子Dτ:
Dτ(S)=UDτ(∑)VT(5)
公式(5)中Dτ(∑)为正数,使{σi-τ}+=max(0,t),则通过奇异值减τ得到Dτ(∑):
Dr(Σ)=diag({σi-τ}+)(6)
进一步地,S3具体包括:以决策树为基础,将梯度提升与决策树相结合,生成梯度提升的决策树方法,生成数量为m弱回归树,且需位于损失函数负梯度的方向上;并且使用组合方式处理m个弱回归树,最终构建得到短期电力负荷预测模型。
进一步地,S4包括:
S41:使A为日属性向量,模型的初始值为f0,以属性向量为依据,各个弱回归树的预测输出值用Fi(A)表示,其中i=1,2,…,m,所有的预测输出值累加值为F(A):
F(A)=f0+X(f1+f2+…+fm)+PΩ(8)
S42:M和L(y,g(a))为迭代次数和损失函数,c为损失函数的最小化常数值:
S43:使a为历史负荷数据和气象数据,其中z为a的数据数量,y为负荷数据,得到损失函数L(y,g(a))为:
S45:构建以(Ai,rmi)为基础的弱回归树,使Rmi为叶子节点区域,其中j=1,2,…,Q,Q为叶节点数量,同时采用线性搜索的方法获取Rmi的最小c值:
S46:更新回归模型,引入学习速率v,0<v≤1,使I()为指示函数,其中Ai若处于Rmj中,则为1;反之亦然,得到fm(A):
最终得到预测模型F(A)=fm(A)。将日属性向量X带入模型中,即可获取短期电力负荷预测结果。
本发明提供了一种基于改进决策树的短期电力负荷预测方法及系统,该方法基于决策树的短期电力负荷预测模型;首先通过分析短期电力负荷,确定多种数据为预测所需数据,采用C均值模糊聚类算法聚类该数据;使用低秩矩阵填充理论和奇异值阈值方法,填补聚类后数据中的缺失,使用基于梯度提升决策树模型预测短期电力负荷,合理安排调度计划,帮助实现电网资源的合理配置。
本发明提供的上述方法可以满足供电部门和配电部门对于电力的实时调度,帮助发电厂制定合理的发电计划、有关部门协调供电、配电、和用电之间的关系,使电力系统运行的更为流畅与稳定。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明公开实施例提供的一种基于改进决策树的短期电力负荷预测方法的流程示意图;
图2为本发明公开实施例提供的聚类效果测试结果示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的系统的例子。
为了得到效果更好的电力负荷预测值,本发明提出了一种基于改进决策树的短期电力负荷预测方法。首先分析短期电力负荷,对短期电力负荷进行数据聚类;其次为保证聚类获取数据的完整性,对短期电力负荷预测所需的数据进行填补;然后以决策树为基础,将梯度提升与决策树相结合,并进行改进,生成梯度提升的决策树算法;采用基于梯度提升的决策树模型完成短期电力负荷预测;最终对生成的预测结果进行测试分析并评判最终的结果。实验结果表明基于改进决策树的短期电力负荷预测方法的最终效果更优,具有更高的可行性和实用性。
上述方法具体包括电力负荷数据处理和电力负荷短期预测两个部分:如图1所示,
S1:聚类处理短期电力负荷的原始数据集,完成对短期电力负荷预测所需的数据聚类;
S1中具体是:分析短期电力负荷,对短期电力负荷进行数据聚类,采用C均值模糊聚类方法完成所需的数据聚类;
具体包括:
S11:对原始数据集进行聚类处理,使聚类中心表示为mj(j=1,2,…,c),c为原始数据获取的类别数量,xk为原始数据集中的任意样本,第k个样本对其的隶属程度用表示,b为平滑因子,μj(xi)为第i个样本的隶属函数,从而得到聚类损失指标函数J为:
上述原始数据包括气温、风速、降水量、负荷等数据;
需要进行循环处理,循环处理mj,以mj和μj(xi)为参照,通过J对二者的偏导均为0得到以下公式,并得到J的最小值
其中mj在此为各个聚类中心,最终得到聚类中心m,在满足所需的精度标准后,确定了原始数据的聚类中心和隶属函数,最终完成数据聚类。所需的精度标准为满足负荷预测所需的大数据
S2:填补所述短期电力负荷预测所需的数据,得到完整的聚类后的短期电力负荷预测所需数据;
为保证聚类获取数据的完整性,对短期电力负荷预测所需的数据采用低秩矩阵填充理论和奇异值阈值法完成填补;
S21:使M∈Rm×n为构建聚类获取的存在缺失数据的矩阵,从而需要确定矩阵中缺失的元素,并完成矩阵的补完。
S22:使S为数据填补后的完整矩阵,Ω为位置几何,从而得到低矩阵填充理论的补全公式为:
S23:为了约束目标矩阵的低秩特点,使σk为奇异值,从而得到核范数||S||*:
S24:在进行大量的数据填补过程中,需要完成上述步骤的矩阵填补,使用奇异值算法完成矩阵的求解,同时保证填补的效果。使U、V为m×n阶酉矩阵,∑为对角矩阵,τ为收缩步长,同时为奇异值收缩因子,T表示待填补数据解释,从而得到属于S的奇异值收缩算子Dτ:
Dτ(S)=UDτ(∑)VT (6)
上述公式中Dτ(∑)为正数,并使{σi-τ}+=max(0,t),则可以通过奇异值减τ得到Dτ(∑):
Dr(Σ)=diag({σi-τ}+)
S3:基于梯度提升的决策树方法,构建短期电力负荷预测模型;
以决策树为基础,将梯度提升与决策树相结合,采用基于梯度提升决策树模型完成短期电力负荷预测,生成数量为m弱回归树;采用组合方式对m个弱回归树获取强回归树。
S4:采用短期电力负荷预测模型处理所述完整的聚类后的短期电力负荷预测所需数据,最终完成短期电力负荷预测。
进一步地,S1中采用C均值模糊聚类方法完成对短期电力负荷的原始数据集聚类,包括:
S11:聚类中心表示为mj,j=1,2,…,c,c为原始数据获取的类别数量,xk为原始数据集中的任意样本,第k个样本对其的隶属程度用表示,b为平滑因子,μj(xi)为第i个样本的隶属函数,得到聚类损失指标函数J为:
S21:循环处理mj,以mj和μj(xi)为参照,通过J对二者的偏导均为0,得到以下公式,并得到J的最小值:
进一步地,S2中采用低秩矩阵填充及奇异值阈值方法对短期电力负荷预测所需的数据完成填补:
包括:
S21:使M∈Rm×n为构建聚类获取的存在缺失数据的矩阵,确定矩阵中缺失的元素,并完成矩阵的补完;
S22:使S为数据填补后的完整矩阵,Ω为位置几何,得到低矩阵填充的补全公式为:
S23:使σk为奇异值,得到核范数||S||*:
S23:使用奇异值阈值方法完成矩阵的求解,使U、V为m×n阶酉矩阵,∑为对角矩阵,τ为收缩步长,同时为奇异值收缩因子,T表示待填补数据解释,得到属于S的奇异值收缩算子Dτ:
Dτ(S)=UDτ(∑)VT (5)
公式(5)中Dτ(∑)为正数,使{σi-τ}+=max(0,t),则通过奇异值减τ得到Dτ(∑):
Dr(Σ)=diag({σi-τ}+) (6)
进一步地,S3具体包括:以决策树为基础,将梯度提升与决策树相结合,并进行改进,生成梯度提升的决策树方法,生成数量为m弱回归树,且需位于损失函数负梯度的方向上;并且使用组合方式处理m个弱回归树,最终构建得到短期电力负荷预测模型。
进一步地,,S4包括:
S41:使A为日属性向量,模型的初始值为f0,以属性向量为依据,各个弱回归树的预测输出值用Fi(A)表示,其中i=1,2,…,m,所有的预测输出值累加值为F(A):
F(A)=f0+X(f1+f2+…+fm)+PΩ (8);
S42:M和L(y,g(a))为迭代次数和损失函数,c为损失函数的最小化常数值:
S43:使a为历史负荷数据和气象数据,其中z为a的数据数量,y为负荷数据,得到损失函数L(y,g(a))为:
S45:构建以(Ai,rmi)为基础的弱回归树,使Rmi为叶子节点区域,其中j=1,2,…,Q,Q为叶节点数量,同时采用线性搜索的方法获取Rmi的最小c值:
S46:更新回归模型,引入学习速率v,0<v≤1,使I()为指示函数,其中Ai若处于Rmj中,则为1;反之亦然,得到fm(A):
最终得到预测模型F(A)=fm(A)。将日属性向量X带入模型中,即可获取短期电力负荷预测结果。
应用本实施方案提供的上述方法对生成的预测结果进行测试分析并评判最终的结果。
以相同类和不同类的相似度和差异度为基础,确定类内和类间的两种相似度评定指标,使Iai和Iri为第i个样本数据的类内和类间的相似度指标,ni为类内数据数量,从而得到:
为了验证本发明的有效性,本发明将获取某地区的历史负荷数据作为实验使用数据,同时获取该地区在同一时间内的气象历史数据,并对日服和实行预测,获取各个时间的负荷预测结果。其结果如图2和表1所示,结果显示,通过本发明所提出的电力负荷预测方法多得到的预测值良好,能够获取不同天气下负荷变化的结果,具有更高的可行性和实用性,能够为电力系统运行提供可靠的依据。
表1电网风险值结果
本实施方案在电力负荷短期预测在电网系统的运行和规划过程中起着非常重要的作用,可以满足供电部门和配电部门对于电力的实时调度,帮助发电厂制定合理的发电计划,帮助有关部门协调供电、配电、和用电之间的关系,使电力系统运行的更为流畅与稳定。实验结果表明基于改进决策树的短期电力负荷预测方法的最终效果更优,具有更高的可行性和实用性。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
Claims (5)
1.一种基于改进决策树的短期电力负荷预测方法,其特征在于,包括:
S1:聚类处理短期电力负荷的原始数据集,完成对短期电力负荷预测所需的数据聚类;
S2:填补所述短期电力负荷预测所需的数据,得到完整的聚类后的短期电力负荷预测所需数据;
S3:基于梯度提升的决策树方法,构建短期电力负荷预测模型;
S4:采用短期电力负荷预测模型处理所述完整的聚类后的短期电力负荷预测所需数据,最终完成短期电力负荷预测。
3.根据权利要求1所述的一种基于改进决策树的短期电力负荷预测方法,其特征在于,S2中采用低秩矩阵填充及奇异值阈值方法对短期电力负荷预测所需的数据完成填补:
包括:
S21:使M∈Rm×n为构建聚类获取的存在缺失数据的矩阵,确定矩阵中缺失的元素,并完成矩阵的补完;
S22:使S为数据填补后的完整矩阵,Ω为位置几何,得到低矩阵填充的补全公式为:
S23:使σk为奇异值,得到核范数||S||*:
S23:使用奇异值阈值方法完成矩阵的求解,使U、V为m×n阶酉矩阵,∑为对角矩阵,τ为收缩步长,同时为奇异值收缩因子,T表示待填补数据解释,得到属于S的奇异值收缩算子Dτ:
Dτ(S)=UDτ(∑)VT (5)
公式(5)中Dτ(∑)为正数,使{σi-τ}+=max(0,t),则通过奇异值减τ得到Dτ(∑):
Dr(∑)=diag({σi-τ}+) (6)
4.根据权利要求1所述的一种基于改进决策树的短期电力负荷预测方法,其特征在于,
S3具体包括:以决策树为基础,将梯度提升与决策树相结合,并进行改进,生成梯度提升的决策树方法,生成数量为m弱回归树,且需位于损失函数负梯度的方向上;并且使用组合方式处理m个弱回归树,最终构建得到短期电力负荷预测模型。
5.根据权利要求1所述的一种基于改进决策树的短期电力负荷预测方法,其特征在于,S4包括:
S41:使A为日属性向量,模型的初始值为f0,以属性向量为依据,各个弱回归树的预测输出值用Fi(A)表示,其中i=1,2,...,m,所有的预测输出值累加值为F(A):
F(A)=f0+X(f1+f2+…+fm)+PΩ (8)
S42:M和L(y,g(a))为迭代次数和损失函数,c为损失函数的最小化常数值:
S43:使a为历史负荷数据和气象数据,其中z为a的数据数量,y为负荷数据,得到损失函数L(y,g(a))为:
S45:构建以(Ai,rmi)为基础的弱回归树,使Rmi为叶子节点区域,其中j=1,2,...,Q,Q为叶节点数量,同时采用线性搜索的方法获取Rmi的最小c值:
S46:更新回归模型,引入学习速率v,0<v≤1,使I()为指示函数,其中Ai若处于Rmj中,则为1;反之亦然,得到fm(A):
最终得到预测模型F(A)=fm(A)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211499897.8A CN116307028A (zh) | 2022-11-28 | 2022-11-28 | 一种基于改进决策树的短期电力负荷预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211499897.8A CN116307028A (zh) | 2022-11-28 | 2022-11-28 | 一种基于改进决策树的短期电力负荷预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307028A true CN116307028A (zh) | 2023-06-23 |
Family
ID=86776771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211499897.8A Pending CN116307028A (zh) | 2022-11-28 | 2022-11-28 | 一种基于改进决策树的短期电力负荷预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307028A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117331705A (zh) * | 2023-12-01 | 2024-01-02 | 深圳品阔信息技术有限公司 | 一种基于大数据的数据预测分析方法及系统 |
-
2022
- 2022-11-28 CN CN202211499897.8A patent/CN116307028A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117331705A (zh) * | 2023-12-01 | 2024-01-02 | 深圳品阔信息技术有限公司 | 一种基于大数据的数据预测分析方法及系统 |
CN117331705B (zh) * | 2023-12-01 | 2024-03-29 | 深圳品阔信息技术有限公司 | 一种基于大数据的数据预测分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN111179121B (zh) | 基于专家系统与深度逆向强化学习的电网紧急控制方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN111461463A (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN112803398A (zh) | 基于经验模态分解和深度神经网络的负荷预测方法及系统 | |
CN107437135A (zh) | 一种新型储能选型方法 | |
CN116307028A (zh) | 一种基于改进决策树的短期电力负荷预测方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN114387121A (zh) | 一种电力仓储物资供应的协同优化调度方法及系统 | |
CN112149976A (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN116307211A (zh) | 一种风电消纳能力预测及优化方法及系统 | |
CN117638859A (zh) | 一种基于伴随模型动态交互的机组组合快速求解方法 | |
CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN107016470A (zh) | 风力发电场风能预测方法和装置 | |
CN116777153A (zh) | 考虑分布式能源接入的配电网灵活性归因分析方法 | |
Yundra et al. | Hybrid Model Combined Fuzzy Multi-Objective Decision Making with Feed Forward Neural Network (F-MODM-FFNN) For Very Short-Term Load Forecasting Based on Weather Data. | |
CN114358382B (zh) | 电力系统等效惯量概率预测方法、装置、产品及存储介质 | |
CN116154875A (zh) | 基于tcn和误差函数的光伏电站有功功率优化分配方法 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
Arakelyan et al. | Analysis of the DCS historical data for estimation of input signal significance | |
CN102867032B (zh) | 基于历史数据统计的新能源发电风险离散化分析方法 |
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 |