CN116742625A - 变电站下网负荷的预测方法及系统 - Google Patents
变电站下网负荷的预测方法及系统 Download PDFInfo
- Publication number
- CN116742625A CN116742625A CN202311013067.4A CN202311013067A CN116742625A CN 116742625 A CN116742625 A CN 116742625A CN 202311013067 A CN202311013067 A CN 202311013067A CN 116742625 A CN116742625 A CN 116742625A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- weather
- prediction
- index
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007418 data mining Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 238000001556 precipitation Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 9
- 230000002844 continuous effect Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 27
- 238000012545 processing Methods 0.000 abstract description 11
- 230000002457 bidirectional effect Effects 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002688 persistence Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- 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]
-
- 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
Abstract
本发明公开了一种变电站下网负荷的预测方法及系统，该方法采用改进的Apriori算法进行数据挖掘，对于不满足最小支持度的项集，其超集必然不满足最小支持度，故而将不满足最小支持度的项集及其超集剔除，不进行全局扫描，从而大大节省了扫描数据库的耗时，并且，引入了平衡相关度判别机制，以将具有双向关联的关联规则进行合并，减少了预测过程中的数据处理量，大大提高了预测速度，尤其是面对实时的各项复杂气象条件时，可以很好地满足变电站下网负荷预测的低时延要求。而且，还将强相关规则的置信度转化为不同气象指标的权重系数，置信度高的气象指标，其权重系数也越高，从而提高了负荷预测精度。
Description
技术领域
本发明涉及电网负荷预测技术领域，特别地，涉及一种变电站下网负荷的预测方法及系统、电子设备、计算机可读取的存储介质。
背景技术
随着居民生活水平的提高，能源消耗不断增加，调温负荷（例如空调、地暖、空气热泵等）占总用电负荷的比例越来越大，导致电网的气象敏感性增加，而目前的负荷预测方法一般仅考虑经济增长率的影响，而忽略了气象条件的影响，从而导致负荷预测结果的准确度很差。目前，有研究提出了采用Apriori算法对气象数据和负荷数据进行数据挖掘和关联分析，从而将气象条件纳入到负荷预测中，在一定程度上提高了负荷预测精度。但是，传统Apriori算法的挖掘思路是逐层搜索的迭代挖掘，每寻找一次频繁项集时都需要全局搜索一遍，在面对实时的各项复杂气象数据时，传统Apriori算法的挖掘效率较低，无法满足负荷预测的低时延要求。另外，目前的负荷预测方法并未考虑特殊气象条件对于负荷预测结果的影响，负荷预测结果的精度较差。
发明内容
本发明提供了一种变电站下网负荷的预测方法及系统、电子设备、计算机可读取的存储介质，以解决现有负荷预测方法采用传统的Apriori算法进行数据挖掘时无法满足低时延要求的技术问题。
根据本发明的一个方面，提供一种变电站下网负荷的预测方法，包括以下内容：
收集历史数据，其中，历史数据包括变电站所在地的历史气象数据、历史经济数据和历史负荷数据；
分别对历史气象数据和历史负荷数据进行规则提取，以将历史气象数据和历史负荷数据中不同量纲的数据集转换成事项集，并利用各事项集构建项目集合；
基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则；
将强相关规则的置信度转化为气象指标的权重系数；
构建负荷指标的预测模型，并获取预测日的气象指标预测值，基于预测模型、预测日的气象指标预测值和气象指标的权重系数对预测日的负荷指标进行预测，得到负荷指标在预测日的预测值。
进一步地，所述基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则的过程包括以下内容：
设定最小支持度和最小置信度，并将项集中包含的项数k初始化为2，其中，最小支持度表示认为具有显著出现频率的最低限值，最小置信度表示具有显著规律特征的最低限值；
遍历全局扫描项目集合Ck，通过最小支持度判别项目集合Ck中具有显著出现频率的项集作为第二目标项集，将各第二目标项集组成频繁项集集合；
对频繁项集集合进行最小置信度判别，构成k项数据间的强相关规则；
计算构成强相关规则的不同气象指标之间的平衡相关度，并将计算得到的平衡相关度与最大平衡相关度阈值进行比对，若不同气象指标之间的平衡相关度小于最大平衡相关度阈值，则对不同气象指标进行合并；
判断是否已经搜索完最大项数，若是则挖掘结束，若否则重复上述步骤。
进一步地，基于下式计算构成强相关规则的不同气象指标之间的平衡相关度：
；
其中，表示构成强相关规则的气象指标A和气象指标B之间的平衡相关度，表示气象指标A发生则气象指标B发生的概率，表
示气象指标B发生则气象指标A发生的概率，表示气象指标A发生的概率，表示气象指标B发生的概率，表示气象指标A或气象指标B发生
的概率。
进一步地，基于下式将强相关规则的置信度转化为气象指标的权重系数：
；
其中，表示第k个气象指标对第i个负荷指标的置信度，表示第k个气象指标
对第i个负荷指标的权重系数，表示与第i个负荷指标具有强相关联系的气象指标总数，表示最小置信度。
进一步地，负荷指标的预测模型为：
；
其中，表示第i个负荷指标在预测日的预测值，表示变电站所在城市的GDP
增长率，和分别表示历史数据中第k个气象指标的最大值和最小值，和
分别表示历史数据中第i个负荷指标的最大值和最小值，表示第k个气象指标在预测日
的预测值。
进一步地，还包括以下内容：
判断预测日的气象条件是否满足特殊气象条件，若满足，则采取对应的修正模型对预测模型的输出结果进行修正。
进一步地，若预测日的气象条件属于温度突变，则采用以下温度突变修正模型对预测模型的输出结果进行修正：
；
其中，表示第i个负荷指标在预测日的修正值，表示温度突变的同期历史
数据或相似日历史数据的第i个负荷指标的相对变化量，表示温度突变的同期历史数据
或相似日历史数据的气温变化量，表示预测日的气温变化量；
若预测日的气象条件属于持续热积累，则采用以下持续效应修正模型对预测模型的输出结果进行修正：
；
其中，表示第i个负荷指标在预测日修正后的预测值，表示预测模型输出的第
i个负荷指标的预测值，表示持续效应修正系数，n表示持续效应累计天数；
若预测日的气象条件属于降雨，则采用以下降雨效应修正模型对预测模型的输出结果进行修正：
；
其中，表示修正值，和分别表示预测日的气温预测值和降水量预测值，、、、、和表示多项式展开系数。
另外，本发明还提供一种变电站下网负荷的预测系统，包括：
历史数据收集模块，用于收集历史数据，其中，历史数据包括变电站所在地的历史气象数据、历史经济数据和历史负荷数据；
规则提取模块，用于分别对历史气象数据和历史负荷数据进行规则提取，以将历史气象数据和历史负荷数据中不同量纲的数据集转换成事项集，并利用各事项集构建项目集合；
数据挖掘模块，用于基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则；
数据转化模块，用于将强相关规则的置信度转化为气象指标的权重系数；
负荷预测模块，用于构建负荷指标的预测模型，并获取预测日的气象指标预测值，基于预测模型、预测日的气象指标预测值和气象指标的权重系数对预测日的负荷指标进行预测，得到负荷指标在预测日的预测值。
另外，本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明还提供一种计算机可读取的存储介质，用于存储基于数据挖掘进行变电站下网负荷预测的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果：
本发明的变电站下网负荷的预测方法，采用了改进的Apriori算法对项目集合进行数据挖掘，在数据挖掘过程中，考虑到对于不满足最小支持度的项集，其超集必然不满足最小支持度，故而将不满足最小支持度的项集及其超集剔除，不进行全局扫描，从而大大节省了扫描数据库的耗时，并且，引入了平衡相关度判别机制，以将具有双向关联的关联规则进行合并，减少了预测过程中的数据处理量，大大提高了预测速度，从而大大提高了数据挖掘效率，尤其是面对实时的各项复杂气象条件时，可以很好地满足变电站下网负荷预测的低时延要求。而且，还将强相关规则的置信度转化为不同气象指标的权重系数，置信度高的气象指标，其权重系数也越高，从而提高了负荷预测精度。
另外，本发明的变电站下网负荷的预测系统同样具有上述优点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的变电站下网负荷的预测方法的流程示意图。
图2是典型日负荷曲线示意图。
图3是本发明优选实施例中改进的Apriori算法进行数据挖掘的逻辑流程示意图。
图4是本发明优选实施例的变电站下网负荷的预测方法的另一流程示意图。
图5是本发明优选实施例中分别采用传统Apriori算法和本发明的改进Apriori算法进行数据挖掘的耗时对比结果。
图6是本发明另一实施例的变电站下网负荷的预测系统的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
可以理解，如图1所示，本发明的优选实施例提供一种变电站下网负荷的预测方法，包括以下内容：
步骤S1：收集历史数据，其中，历史数据包括变电站所在地的历史气象数据、历史经济数据和历史负荷数据；
步骤S2：分别对历史气象数据和历史负荷数据进行规则提取，以将历史气象数据和历史负荷数据中不同量纲的数据集转换成事项集，并利用各事项集构建项目集合；
步骤S3：基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则；
步骤S4：将强相关规则的置信度转化为气象指标的权重系数；
步骤S5：构建负荷指标的预测模型并获取预测日的气象指标预测值，基于预测模型、预测日的气象指标预测值和气象指标的权重系数对预测日的负荷指标进行预测，得到负荷指标在预测日的预测值。
可以理解，本实施例的变电站下网负荷的预测方法，采用了改进的Apriori算法对项目集合进行数据挖掘，在数据挖掘过程中，考虑到对于不满足最小支持度的项集，其超集必然不满足最小支持度，故而将不满足最小支持度的项集及其超集剔除，不进行全局扫描，从而大大节省了扫描数据库的耗时，并且，引入了平衡相关度判别机制，以将具有双向关联的关联规则进行合并，减少了预测过程中的数据处理量，大大提高了预测速度，从而大大提高了数据挖掘效率，尤其是面对实时的各项复杂气象条件时，可以很好地满足变电站下网负荷预测的低时延要求。而且，还将强相关规则的置信度转化为不同气象指标的权重系数，置信度高的气象指标，其权重系数也越高，从而提高了负荷预测精度。
可以理解，在所述步骤S1中，对气象数据、负荷数据和经济数据进行收集和筛选，其中，气象数据选取对电力负荷的影响最为显著的多个气象指标，分别是气温、风速、日照时长、气压、湿度和降水量，如将时间范围设定为2022年1月1日至2022年12月31日，采集数据时间尺度设定为15分钟，空间范围设定为JS省A市。而针对JS省A市500kV变电站的下网负荷情况，通过提炼负荷特性开展分析，负荷数据则选取最大负荷、负荷率（平均负荷与最大负荷比值）、最小负荷率（最小负荷与最大负荷比值）、峰谷差（最大负荷与最小负荷之差）、峰谷差率（峰谷差与最大负荷比值）、负荷利用小时数（输送电量与最大负荷比值）等负荷指标，时间范围设定为2022年1月1日至2022年12月31日。此外，负荷预测还直接与变压器所在城市的经济状况相关，其负荷状况与该地GDP呈正相关，因此需要收集该地GDP数据。可选地，由于非工作日负荷的变化规律与一般工作日具有较大差别，因此本发明将以工作日负荷的变化为研究对象进行数据挖掘，因此需要对收集的历史负荷数据进行筛选，一是去掉法定节假日数据，二是根据电力部门的运行记录，剔除拉闸限电日数据。
可以理解，在所述步骤S2中，传统Apriori数据挖掘算法及本发明改进的Apriori算法都需要先对多元数据集按照一定规则进行特征提取，将不同量纲的数据集转换成由不同特征构成的事项集。因此，根据现场实际状况，针对A市500kV变电站的历史负荷数据（即负荷运行数据）进行数据特征提取如表1所示，从而将历史负荷数据划分为不同特征构成的事项集。
表1、JS省A市500kV变电站的负荷运行数据特征提取结果
其中，表1为以春秋日18:00的负荷水平作为标准评价指标，其余时间点需要按照典型日负荷曲线按照比例进行换算，其中，典型日负荷曲线如图2所示。可选地，表1是针对春秋两个季节的评价指标，由于夏冬两个季节的气候变化会导致季节性负荷上涨，因此，针对夏冬两个季节，需要将表1中的最大负荷、峰谷差、负荷利用小时数等指标的评价标准进行上浮，一般上浮5%。
另外，由于气象站数据属于记录各气象特征数值的记录数据，并未直接反映出待
研究的特征，故需要对记录型数据进行计算处理，以获得可反应外部特征属性的数据集。具
体地，可通过查验气象因素评定标准来将历史气象数据划分为多个不同特征构成的事项
集，气象数据平均值计算公式见下式：，其中，表示该气象数据的平均值，取
该季节下的数值进行平均，i表示时间截面序号，表示该气象数据的时序值。而距离平均
值的相对值计算公式为：，另外，按一季有90天为标准进行计算，每天采样次，则标准差的计算公式为：。因此，本发明采用标准差
作为气象数据的评价指标来划分气象等级。例如，采用标准差作为评价指标对气温进行等
级评价的结果如表2所示。
表2、气温的评价指标和评价等级
可以理解，在将不同量纲的气象数据集和负荷数据集转换为事项集后，然后将气象事项集和负荷数据集合并得到项目集合，即可构建得到同时包含气象指标和负荷指标的项目集合。
可以理解，在所述步骤S3中，如图3所示，所述基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则的过程包括以下内容：
设定最小支持度和最小置信度，并将项集中包含的项数k初始化为2，其中，最小支持度表示认为具有显著出现频率的最低限值，最小置信度表示具有显著规律特征的最低限值；
从三项集开始，将项目集合Ck-1中小于最小支持度的项目集合及其对应的超集剔除，将项目集合Ck-1中大于等于最小支持度的各个项集作为第一目标项集，将各第一目标项集及其对应的三项集组成剩余项目集合Ck；
遍历全局扫描剩余项目集合Ck，通过最小支持度判别剩余项目集合Ck中具有显著出现频率的项集作为第二目标项集，将各第二目标项集组成频繁项集集合；
对频繁项集集合进行最小置信度判别，构成k项数据间的强相关规则；
计算构成强相关规则的不同气象指标之间的平衡相关度，并将计算得到的平衡相关度与最大平衡相关度阈值进行比对，若不同气象指标之间的平衡相关度小于最大平衡相关度阈值，则对不同气象指标进行合并；
判断是否已经搜索完最大项数，若是则挖掘结束，若否则重复上述步骤。
具体地，首先，定义最小支持度和最小置信度，这两个指标分别表示挖掘后的数据
间相关特征，其中，最小支持度表示认为具有显著出现频率的最低限值，最小置信度表示具
有显著规律特征的最低限值，并将项集中包含的项数k初始化为2。其中，本发明设定最小支
持度为35%、最小置信度为70%，当然，具体取值可以根据精度需要进行选择，在此不做具体
限定。另外，支持度的定义为：，即项集A和B同时发生的概率
为关联规则的支持度，而置信度的定义为：，即项集A发生则
项集B发生的概率为关联规则的置信度。
然后，从三项集C3（即形成三个数据项的关联规则）开始，对于已经不满足最小支持度的二项集C2，其超集（即包含二项集C2的三项集C3）必然不满足最小支持度，故而将该二项集C2和对应的超集剔除，对于该项集的三项集C3不进行全局扫描，节省扫描数据库耗时。同理，对于四项集C4，若其对应的三项集C3不满足最小支持度，则将对应的三项集C3剔除，并不再对四项集C4进行全局扫描。
然后，遍历全局扫描剩余的三项集C3，通过最小支持度判别具有显著出现频率的项集，将满足最小支持度的项集组成频繁项集集合。
接着，对频繁项集集合进行最小置信度判别，将小于最小置信度的集合剔除，保留大于等于最小置信度的集合，从而构成k项数据间的强相关规则，即得到负荷指标和气象指标之间的强相关规则。
然后，对于构建强相关规则的不同气象指标之间进行平衡相关度判别，挑选出具有双向关联的关联规则，并将这些存在双向关联规则的气象指标进行合并，以减少后续预测计算的处理量，大大提升了预测速度。具体地，基于下式计算构成强相关规则的不同气象指标之间的平衡相关度：
；
其中，表示构成强相关规则的气象指标A和气象指标B之间的平衡相关
度，表示气象指标A发生则气象指标B发生的概率，表
示气象指标B发生则气象指标A发生的概率，表示气象指标A发生的概率，表示气象指标B发生的概率，表示气象指标A或气象指标B发生
的概率。从上式可以看出，为两个置信度的
和，用于评估A和B的相关程度，其值在0~2之间，值越大则反映A与B联系越紧密，而则用于评估两个项集A和B的平衡程度，值越
小则反映A与B之间越平衡。本发明通过该将上述两个部分联系起来，通过设立平衡相关度
的阈值，即最大平衡相关度，一般设定为0.3，若计算得到的平衡相关度小于0.3，则判定A和
B之间是双向关联关系，若计算得到的平衡相关度大于等于0.3，则判定A和B之间是单向关
联关系。
最后，判断是否已经搜索完最大项数，若是则结束数据挖掘，若否则重复上述过程。
可以理解，传统的Apriori 算法在应对各种气象数据的爆炸式增长时，无法满足负荷预测低时延的要求。而本发明的改进Apriori算法，对三个数据项及以上的关联规则算法进行改进，对于已经不满足最小支持度的项集，其超集必然不满足最小支持度，例如出现AB和BC的概率均小于0.5，则出现ABC的概率也一定小于0.5，故而将不满足最小支持度的项集及其对应的超集剔除，不进行全局扫描，通过减少扫描次数实现性能优化，大大减少了扫描数据库耗时。并且，传统的Apriori 算法无法反映事项之间的关联关系是单相关联关系还是双向关联关系，而本发明中首次提出了平衡相关度的概念，以降水量和湿度的关系为例，在降水的情况下，湿度大概率会增高，但反之湿度增高不一定因为降水，则此关系即单向关联关系；再以湿度与气压关系为例，湿度的变化会大概率引起气压的变化，反之气压的变化也会反映到湿度变化上，则此关系即双向关联关系。因此，本发明改进的Apriori算法通过计算具有强相关规则的不同气象指标的平衡相关度，就可分辨哪些事项之间是单向关联，哪些事项之间是双向关联，并将双向关联的事项进行合并，减少了预测过程中的数据处理量，从而提升预测速度。
可以理解，在所述步骤S4中，具体基于下式将强相关规则的置信度转化为气象指标的权重系数：
；
其中，表示第k个气象指标对第i个负荷指标的置信度，表示第k个气象指标
对第i个负荷指标的权重系数，表示与第i个负荷指标具有强相关联系的气象指标总数，表示最小置信度。可以理解，通过上式将强相关规则的置信度转化为不同气象指标的
权重系数，置信度高的气象指标，其权重系数也越高，可以提高负荷预测结果的精度。
可以理解，在所述步骤S5中，采用多变量分析法构建负荷指标的预测模型为：
；
其中，表示第i个负荷指标在预测日的预测值，表示变电站所在城市的GDP
增长率，优选采用上一年的年度GDP增长率，基于变电站所在城市的历史经济数据计算得
到，和分别表示历史数据中第k个气象指标的最大值和最小值，和分别
表示历史数据中第i个负荷指标的最大值和最小值，表示第k个气象指标在预测日的预
测值。
可选地，如图4所示，所述变电站下网负荷的预测方法还包括以下内容：
步骤S6：判断预测日的气象条件是否满足特殊气象条件，若满足，则采取对应的修正模型对预测模型的输出结果进行修正。
可以理解，由于大气运动的不可预见性和气象变化的不确定性，常表现为气象的突变或持续累积两种。本发明将气象场景划分为如表3所示，对于正常气象条件，即满足表3中的1~3类气象条件，预测模型输出的负荷预测结果是准确度的。而当预测日的气象条件属于表3中的4~7类时，可以认为预测误差是由特殊气象效应引起的，需要对特殊气象场景下的负荷预测结果进行修正。
表3、气象场景划分结果
具体地，对于温度突变，因与前一天的气温存在较大差距，不可使用前一天气温当参数进行建模，但可考虑利用温度突变的同期历史数据或相似日历史数据进行修正建模。因此，若预测日的气象条件属于温度突变，则采用以下温度突变修正模型对预测模型的输出结果进行修正：
；
其中，表示第i个负荷指标在预测日的修正值，表示温度突变的同期历史
数据或相似日历史数据的第i个负荷指标的相对变化量，表示温度突变的同期历史数据
或相似日历史数据的气温变化量，表示预测日的气温变化量。然后，利用计算得到的对预测模型的输出结果进行修正。
另外，持续效应是指连续几日的高温或低温，温度变化不大，但负荷却随之累积升，因每一天的负荷都与前一天的负荷相关，且按指数关系递增，因此，本发明使用包含持续效应修正系数的指数函数进行描述。具体地，若预测日的气象条件属于持续热积累，则采用以下持续效应修正模型对预测模型的输出结果进行修正：
；
其中，表示第i个负荷指标在预测日修正后的预测值，表示预测模型输出的第
i个负荷指标的预测值，表示持续效应修正系数，n表示持续效应累计天数。
另外，与前两种的修正模型不同，降雨、降雪效应的修正模型不需考虑前一日的气象条件变化，而是需要包含气温和降水量的影响，因此，本发明采用包含两个变量的最小二乘法进行描述，并利用收集的历史数据滚动修正多项式系数。具体地，若预测日的气象条件属于降雨，则采用以下降雨效应修正模型对预测模型的输出结果进行修正：
；
其中，表示修正值，和分别表示预测日的气温预测值和降水量预测值，、、、、和表示多项式展开系数，其基于历史数据修正得到。
可以理解，为了验证本发明的变电站下网负荷预测方法的真实性和有效性，本申请的发明人还进行了实例证明。
首先，对气象数据与负荷数据进行收集与筛选，因所收集的海量数据不适用于全部展示，因此分别选取1月15日16:00、4月15日16:00、7月15日16:00、10月15日16:00的采样数据进行展示。其中，气象数据如表4所示，负荷数据如表5所示。
表4、气象数据部分展示
；
表5、JS省A市500kV变电站的下网负荷数据部分展示
另外，经收集，该地2022年GDP年增长率为5.3%。
然后，查询典型日变电站下网负荷曲线发现，16:00时段负荷与18:00标准负荷对比，为标准负荷的0.9倍，因此需要在最大负荷及峰谷差指标中将标准进行换算，在考虑季节换算后的特征提取如表6所示。
表6、JS省A市某500kV变电站的下网负荷数据特征提取
而对气象历史数据进行规则提取的结果如表7所示。
表7、JS省A市气象数据特征提取
然后，通过改进的Apriori算法进行数据挖掘分析，并通过平衡相关度的检验，气象数据的平衡相关度检验结果如表8所示。
表8、气象数据的平衡相关度检验结果
可以看出，在第1条关联规则中，气压-湿度的支持度和置信度均满足要求，且平衡相关度远远低于阈值0.3。经分析，“低气压”气象条件往往与“高湿度”气象条件常常叠加出现，湿度的变化会大概率引起气压的变化，反之气压的变化也会反映到湿度变化上，其属于双向关联关系，在之后的权重计算中，可以将气压-湿度指标合一进行预测计算。反之，在第2条关联规则中，降水量-湿度的支持度和置信度均满足要求，但平衡相关度大于阈值0.3。经分析，在降水的情况下，湿度大概率会增高，但反之湿度增高不一定因为降水，此关系即单向关联关系，即不能将降水量数据和湿度数据合并计算。另外，第3、4条关联规则同理。另外，挖掘后得到的强相关规则结果如表9所示。
表9、强相关规则结果
然后，对数据挖掘结果的强相关规则进行定性分析。从表9可以看出，“气温”气象条件与几乎与所有负荷特性息息相关，其在夏季和冬季尤其明显，严重影响着季节性负荷的大小（如空调，电取暖等负荷）。在工作日的早晚，也会因为温差的变化，对部分生产性负荷产生较大影响，影响着峰谷差、峰谷差率等指标。“风速”气象条件在夏季、冬季运行场景下对风力发电能力影响较为明显，其中该地风力发电装机容量较大，风速的变化可以影响风机出力，从而影响变电站下网的峰谷差、峰谷差率指标。同理“日照时长”气象条件下对太阳能发电影响较为明显，亦会影响上述指标。“低气压”气象条件往往与“高湿度”气象条件常常叠加出现。从气象学角度看，低气压是指的近地面的气压，一般夏天形成在陆地上，低气压的气流是向上上升，而气流越上升气温越下降，且往往伴随着较高湿度，带给人体感以持续的憋闷感，会影响空调等季节性负荷的大小，会对平均负荷、负荷利用小时数产生较大影响。“降水量”气象条件往往与“高湿度”“低气压”“低气温”叠加出现，会较大程度上影响居民用电习惯，会对电网最大负荷指标产生较大影响。
然后，将得出强相关规则的置信度转化为气象指标的权重系数，用于负荷预测的定量计算。以最大负荷指标为例进行说明，在考虑多气象因素影响时，通过关联规则分析剔除掉关联程度较低数据类型（风速和日照时长），并将关联程度较高的数据类型合并（气压和湿度），进行负荷预测，权重系数计算结果如表10所示。
表10、变电站下网最大负荷指标的权重系数
然后，采用多变量分析法建立变电站下网负荷指标的预测模型，根据该地2022年GDP年增长5.3%，因此，cGDP=5.3%,，而历史数据中负荷指标和气象指标的最大值和最小值如表11所示。
表11、历史数据中负荷指标和气象指标的最大值和最小值
；
根据上述指标可求得待测日最大负荷与待测日的气温、湿度-气压-降水量的函数关系。
然后，以该地气象数据对2023年3月15日（即待测日）500kV变电站的下网最大负荷进行预测，其中，待测日及其前4日的气象数据如表12所示。
表12、待测日及其前4日的气象数据
因待预测日的气象条件为普通春秋日气象条件，因此不需进行修正，带入相关公式计算可求得2023年3月15日18:00该地500kV变电站的下网最大负荷718MW，同理可求出其他负荷参数如表13所示。
表13、JS省A市某500kV变电站在预测日的下网负荷指标
从表13可以看出，各个负荷指标的预测值与实际测量值误差均在3%误差之内，满足5%负荷预测的精准要求，说明本发明降低了复杂气象条件下变电站下网负荷的预测误差，提高其预测的可靠性和准确性。
另外，为了验证本发明中特殊气象条件下修正模型的有效性，以该地气象数据对2023年1月15日该地500kV变电站的下网最大负荷进行预测。其中，待测日及其前4日的气象数据如表14所示。
表14、待测日及其前4日的气象数据
；
因预测日的气象条件满足低温热积累气象条件，因此需要进行修正，代入相关公式计算可求出修正前后的负荷参数如表15所示。
表15、JS省A市某500kV变电站下网负荷指标结果
从表15可以看出，各个负荷指标的预测值经修正后，明显比未修正的预测值更加精准，说明特殊气候条件的持续积累现象确实会对负荷预测造成一定影响。将修正后的预测值与实际测量值误进行对比，误差均在2%误差之内，满足5%负荷预测的精准要求，说明了本发明建立的特殊气象条件的修正模型更加精确、有效。
此外，为了验证改进后的Apriori算法性能，分别采用传统Apriori算法和本发明的改进Apriori算法对相同的数据进行挖掘，设置同样一年的气象数据与负荷数据，挖掘耗时结果对比如图5所示。从图5可以明显看出，本发明的改进Apriori算法进行运算时，运算时间明显少于传统Apriori算法，说明本发明的改进Apriori算法在计算时间和性能上比传统Apriori 算法有很大程度的提高。
另外，如图6所示，本发明的另一实施例还提供一种变电站下网负荷的预测系统，优选采用如上所述的预测方法，其包括：
历史数据收集模块，用于收集历史数据，其中，历史数据包括变电站所在地的历史气象数据、历史经济数据和历史负荷数据；
规则提取模块，用于分别对历史气象数据和历史负荷数据进行规则提取，以将历史气象数据和历史负荷数据中不同量纲的数据集转换成事项集，并利用各事项集构建项目集合；
数据挖掘模块，用于基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则；
数据转化模块，用于将强相关规则的置信度转化为气象指标的权重系数；
负荷预测模块，用于构建负荷指标的预测模型并获取预测日的气象指标预测值，基于预测模型、预测日的气象指标预测值和气象指标的权重系数对预测日的负荷指标进行预测，得到负荷指标在预测日的预测值。
可以理解，本实施例的变电站下网负荷的预测系统，采用了改进的Apriori算法对项目集合进行数据挖掘，在数据挖掘过程中，考虑到对于不满足最小支持度的项集，其超集必然不满足最小支持度，故而将不满足最小支持度的项集及其超集剔除，不进行全局扫描，从而大大节省了扫描数据库的耗时，并且，引入了平衡相关度判别机制，以将具有双向关联的关联规则进行合并，减少了预测过程中的数据处理量，大大提高了预测速度，从而大大提高了数据挖掘效率，尤其是面对实时的各项复杂气象条件时，可以很好地满足变电站下网负荷预测的低时延要求。而且，还将强相关规则的置信度转化为不同气象指标的权重系数，置信度高的气象指标，其权重系数也越高，从而提高了负荷预测精度。
另外，所述变电站下网负荷的预测系统还包括：
预测修正模块，用于判断预测日的气象条件是否满足特殊气象条件，若满足，则采取对应的修正模型对预测模型的输出结果进行修正。
另外，本发明的另一实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储基于数据挖掘进行变电站下网负荷预测的计算机程序，其特征在于，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取存储介质的形式包括：软盘（floppy disk）、可挠性盘片（flexible disk）、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片（punch cards）、纸带（paper tape）、任何其余的带有洞的图案的物理介质、随机存取存储器（RAM）、可编程只读存储器（PROM）、可抹除可编程只读存储器（EPROM）、快闪可抹除可编程只读存储器（FLASH-EPROM）、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
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。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种变电站下网负荷的预测方法，其特征在于，包括以下内容：
收集历史数据，其中，历史数据包括变电站所在地的历史气象数据、历史经济数据和历史负荷数据；
分别对历史气象数据和历史负荷数据进行规则提取，以将历史气象数据和历史负荷数据中不同量纲的数据集转换成事项集，并利用各事项集构建项目集合；
基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则；
将强相关规则的置信度转化为气象指标的权重系数；
构建负荷指标的预测模型，并获取预测日的气象指标预测值，基于预测模型、预测日的气象指标预测值和气象指标的权重系数对预测日的负荷指标进行预测，得到负荷指标在预测日的预测值。
2.如权利要求1所述的变电站下网负荷的预测方法，其特征在于，所述基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则的过程包括以下内容：
设定最小支持度和最小置信度，并将项集中包含的项数k初始化为2，其中，最小支持度表示认为具有显著出现频率的最低限值，最小置信度表示具有显著规律特征的最低限值；
遍历全局扫描项目集合Ck，通过最小支持度判别项目集合Ck中具有显著出现频率的项集作为第二目标项集，将各第二目标项集组成频繁项集集合；
对频繁项集集合进行最小置信度判别，构成k项数据间的强相关规则；
计算构成强相关规则的不同气象指标之间的平衡相关度，并将计算得到的平衡相关度与最大平衡相关度阈值进行比对，若不同气象指标之间的平衡相关度小于最大平衡相关度阈值，则对不同气象指标进行合并；
判断是否已经搜索完最大项数，若是则挖掘结束，若否则重复上述步骤。
3.如权利要求2所述的变电站下网负荷的预测方法，其特征在于，基于下式计算构成强相关规则的不同气象指标之间的平衡相关度：
；
其中，表示构成强相关规则的气象指标A和气象指标B之间的平衡相关度，表示气象指标A发生则气象指标B发生的概率，/>表示气象指标B发生则气象指标A发生的概率，/>表示气象指标A发生的概率，表示气象指标B发生的概率，/>表示气象指标A或气象指标B发生的概率。
4.如权利要求1所述的变电站下网负荷的预测方法，其特征在于，基于下式将强相关规则的置信度转化为气象指标的权重系数：
；
其中，表示第k个气象指标对第i个负荷指标的置信度，/>表示第k个气象指标对第i个负荷指标的权重系数，/>表示与第i个负荷指标具有强相关联系的气象指标总数，/>表示最小置信度。
5.如权利要求4所述的变电站下网负荷的预测方法，其特征在于，负荷指标的预测模型为：
；
其中，表示第i个负荷指标在预测日的预测值，/>表示变电站所在城市的GDP增长率，/>和/>分别表示历史数据中第k个气象指标的最大值和最小值，/>和/>分别表示历史数据中第i个负荷指标的最大值和最小值，/>表示第k个气象指标在预测日的预测值。
6.如权利要求1所述的变电站下网负荷的预测方法，其特征在于，还包括以下内容：
判断预测日的气象条件是否满足特殊气象条件，若满足，则采取对应的修正模型对预测模型的输出结果进行修正。
7.如权利要求6所述的变电站下网负荷的预测方法，其特征在于，若预测日的气象条件属于温度突变，则采用以下温度突变修正模型对预测模型的输出结果进行修正：
；
其中，表示第i个负荷指标在预测日的修正值，/>表示温度突变的同期历史数据或相似日历史数据的第i个负荷指标的相对变化量，/>表示温度突变的同期历史数据或相似日历史数据的气温变化量，/>表示预测日的气温变化量；
若预测日的气象条件属于持续热积累，则采用以下持续效应修正模型对预测模型的输出结果进行修正：
；
其中，表示第i个负荷指标在预测日修正后的预测值，/>表示预测模型输出的第i个负荷指标的预测值，/>表示持续效应修正系数，n表示持续效应累计天数；
若预测日的气象条件属于降雨，则采用以下降雨效应修正模型对预测模型的输出结果进行修正：
；
其中，表示修正值，/>和/>分别表示预测日的气温预测值和降水量预测值，/>、/>、、/>、/>和/>表示多项式展开系数。
8.一种变电站下网负荷的预测系统，其特征在于，包括：
历史数据收集模块，用于收集历史数据，其中，历史数据包括变电站所在地的历史气象数据、历史经济数据和历史负荷数据；
规则提取模块，用于分别对历史气象数据和历史负荷数据进行规则提取，以将历史气象数据和历史负荷数据中不同量纲的数据集转换成事项集，并利用各事项集构建项目集合；
数据挖掘模块，用于基于项目集合进行数据挖掘，得到气象指标和负荷指标之间的强相关规则；
数据转化模块，用于将强相关规则的置信度转化为气象指标的权重系数；
负荷预测模块，用于构建负荷指标的预测模型，并获取预测日的气象指标预测值，基于预测模型、预测日的气象指标预测值和气象指标的权重系数对预测日的负荷指标进行预测，得到负荷指标在预测日的预测值。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1~7任一项所述的方法的步骤。
10.一种计算机可读取的存储介质，用于存储基于数据挖掘进行变电站下网负荷预测的计算机程序，其特征在于，所述计算机程序在计算机上运行时执行如权利要求1~7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013067.4A CN116742625B (zh) | 2023-08-14 | 2023-08-14 | 变电站下网负荷的预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311013067.4A CN116742625B (zh) | 2023-08-14 | 2023-08-14 | 变电站下网负荷的预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116742625A true CN116742625A (zh) | 2023-09-12 |
| CN116742625B CN116742625B (zh) | 2023-12-19 |
Family
ID=87904705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311013067.4A Active CN116742625B (zh) | 2023-08-14 | 2023-08-14 | 变电站下网负荷的预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116742625B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180349514A1 (en) * | 2017-06-05 | 2018-12-06 | International Business Machines Corporation | Domain-oriented predictive model feature recommendation system |
| CN109740826A (zh) * | 2019-01-30 | 2019-05-10 | 广东工业大学 | 一种基于动态数据挖掘的冷热电联供系统负荷预测方法 |
| CN115456306A (zh) * | 2022-10-13 | 2022-12-09 | 广东电网有限责任公司 | 一种母线负荷预测方法、系统、设备及存储介质 |
| CN115907822A (zh) * | 2022-11-25 | 2023-04-04 | 国电南瑞南京控制系统有限公司 | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 |
-
2023
- 2023-08-14 CN CN202311013067.4A patent/CN116742625B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180349514A1 (en) * | 2017-06-05 | 2018-12-06 | International Business Machines Corporation | Domain-oriented predictive model feature recommendation system |
| CN109740826A (zh) * | 2019-01-30 | 2019-05-10 | 广东工业大学 | 一种基于动态数据挖掘的冷热电联供系统负荷预测方法 |
| CN115456306A (zh) * | 2022-10-13 | 2022-12-09 | 广东电网有限责任公司 | 一种母线负荷预测方法、系统、设备及存储介质 |
| CN115907822A (zh) * | 2022-11-25 | 2023-04-04 | 国电南瑞南京控制系统有限公司 | 一种考虑区域及经济影响的负荷特征指标关联性挖掘方法 |
Non-Patent Citations (1)
| Title |
|---|
| 曲朝阳;辛红金;陈鹏;辛彩春;: "基于混合支持度Apriori算法的短期负荷预测模型", 电测与仪表, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116742625B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Stathopoulos et al. | Wind power prediction based on numerical and statistical models | |
| US10963602B2 (en) | Device for predicting amount of photovoltaic power generation, and method for predicting amount of photovoltaic power generation | |
| JP3984604B2 (ja) | 太陽光発電システムの発電量予測方法、装置、およびプログラム | |
| CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
| CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
| KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
| CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
| CN114442198B (zh) | 一种基于加权算法的森林火险气象等级预报方法 | |
| CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
| Otache et al. | ARMA modelling of Benue River flow dynamics: comparative study of PAR model | |
| CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
| CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
| CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
| KR101556463B1 (ko) | 열대 저기압의 강풍과 폭우 지수를 이용한 인명 및 재산피해 규모 추정 방법, 시스템, 및 프로그램 | |
| KR20160074325A (ko) | 기상변화에 따른 전력수요지수 예측 시스템 및 그 방법 | |
| CN116742625B (zh) | 变电站下网负荷的预测方法及系统 | |
| CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
| CN113569409B (zh) | 耦合气候累积效应的植被生产力模型优化方法 | |
| CN112883577B (zh) | 一种海上风电场出力典型场景生成方法及存储介质 | |
| CN115545319A (zh) | 一种基于气象相似日集的电网短期负荷预测方法 | |
| CN115238967A (zh) | 一种结合云图和相邻电站集群的光伏功率预测方法及装置 | |
| CN113065700A (zh) | 一种基于显著性与敏感性因子分析法的短时强降水预报方法 | |
| CN115049443B (zh) | 基于多尺度特征的自适应回归气象中长期优化方法及系统 | |
| CN116992781B (zh) | 基于深度学习的多步多要素风浪预报方法 | |
| CN117318028A (zh) | 一种光伏发电功率概率预测方法、系统、芯片及设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |