CN117096860A - 基于lssvm模型的架空输电线路载流量区间预测方法及设备 - Google Patents
基于lssvm模型的架空输电线路载流量区间预测方法及设备 Download PDFInfo
- Publication number
- CN117096860A CN117096860A CN202311006838.7A CN202311006838A CN117096860A CN 117096860 A CN117096860 A CN 117096860A CN 202311006838 A CN202311006838 A CN 202311006838A CN 117096860 A CN117096860 A CN 117096860A
- Authority
- CN
- China
- Prior art keywords
- carrying capacity
- current
- transmission line
- overhead transmission
- data set
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000007621 cluster analysis Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及载流量预测技术领域，特别涉及基于LSSVM模型的架空输电线路载流量区间预测方法及设备。方法包括：利用微气象监测设备历年实测的架空输电线路数据，构建历史数据集，并根据历史数据集筛选与载流量的相关系数大于设定阈值的气象因子，进而构建初始样本数据集；对初始样本数据集进行预处理和聚类分析，并根据处理后的样本数据集和LSSVM模型，得到用于预测未来时间段内的架空输电线路的载流量的模型。本发明能够挖掘环境数据与载流量之间的潜在关系，有效预测载流量的动态区间。
Description
技术领域
本发明涉及载流量预测技术领域，特别涉及基于LSSVM模型的架空输电线路载流量区间预测方法及设备。
背景技术
架空输电线路载流量是其热载荷能力的表征，与风速风向环境温度及日照强度等气象要素密切相关，故具有时变性和较强的波动性，显然准确预测架空输电线路载流量区间，对提高输电设备利用效率改善电力系统安全经济运行具有重要意义。
目前架空输电线路载流量区间预测方法存在如下问题：1.在气象环境的作用下，对载流量波动性强的点进行预测很难给未来载流量提供精确信息；2.现有的载流量间隔预测方法大多是因气象环境因素的改变而改变，使得预测结果在区间内与载流量的真实变化规律有很大偏差；3.现有架空输电线路载流量预测研究，相对于依靠线路在线监测设备，加大相关量测通信设备投入和日常运行维护成本，一定程度地制约了载流量预测技术在架空输电线路中的应用。
发明内容
针对上述问题，本发明的目的是提供一种基于LSSVM模型的架空输电线路载流量区间预测方法及设备，以解决上述架空输电线路载流量预测方法存在的技术问题，挖掘环境数据与载流量之间的潜在关系，有效预测载流量的动态区间，有效调高输电线路的输电潜力，降低电力调度压力，保障架空输电线路的安全运行。具体技术方案如下：
一种基于LSSVM模型的架空输电线路载流量区间预测方法，包括以下步骤：
步骤S1，利用微气象监测设备历年实测的架空输电线路数据，构建历史数据集；所述历史数据集包括多个气象因子和载流量；
步骤S2，根据所述历史数据集，筛选与载流量的相关系数大于设定阈值的气象因子；
步骤S3，构建初始样本数据集，并对初始样本数据集中的数据进行预处理操作，得到预处理操作后的样本数据集；所述初始样本数据集中的数据为过去时间段内的目标气象因子数据以及对应的载流量；其中，目标气象因子为与载流量的相关系数大于设定阈值的气象因子；
步骤S4，对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集；
步骤S5，构建LSSVM模型，采用聚类分析后的样本数据集对LSSVM模型进行训练，得到架空输电线路载流量区间预测模型；
步骤S6，获取当前时间段内的架空输电线路所在区域的目标气象因子数据，并输入至架空输电线路载流量区间预测模型，得到未来时间段内的架空输电线路的载流量区间。
优选地，所述步骤S1中的气象因子包括气温、地面风速、风向和日照强度。
优选地，所述步骤S2中的相关系数为Pearson相关系数。
优选地，所述步骤S3中的预处理操作包括缺失数据修复操作和数据标准化处理操作。
优选地，所述步骤S4中具体采用Kohonen网络训练算法对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集。
优选地，所述步骤S5具体包括以下步骤：
步骤S51，采用交叉验证法，将聚类分析后的样本数据集划分为训练集和测试集；
步骤S52，对LSSVM模型的参数进行初始化操作；
步骤S53，根据训练集、测试集和初始化操作后的LSSVM模型的参数，得到架空输电线路载流量区间预测模型。
优选地，所述架空输电线路载流量区间预测模型的评估指标包括预测区间覆盖率、平均区间宽度、统计区间预测耗时以及考虑覆盖率及宽度的综合评价指标。
一种基于LSSVM模型的架空输电线路载流量区间预测系统，应用于所述的方法，包括：
历史数据集构建模块，用于利用微气象监测设备历年实测的架空输电线路数据，构建历史数据集；所述历史数据集包括多个气象因子和载流量；
气象因子筛选模块，用于根据所述历史数据集，筛选与载流量的相关系数大于设定阈值的气象因子；
预处理模块，用于构建初始样本数据集，并对初始样本数据集中的数据进行预处理操作，得到预处理操作后的样本数据集；所述初始样本数据集中的数据为过去时间段内的目标气象因子数据以及对应的载流量；其中，目标气象因子为与载流量的相关系数大于设定阈值的气象因子；
聚类分析模块，用于对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集；
预测模型确定模块，用于根据聚类分析后的样本数据集和LSSVM模型，得到架空输电线路载流量区间预测模型；
预测模块，用于获取当前时间段内的架空输电线路所在区域的目标气象因子数据，并将当前时间段内的架空输电线路所在区域的目标气象因子数据输入至架空输电线路载流量区间预测模型，得到未来时间段内的架空输电线路的载流量区间。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的基于LSSVM模型的架空输电线路载流量区间预测方法。
与现有技术相比，本发明的有益效果为：
本发明依照微气象监测设备实测的微气象历史数据，分析架空输电线路载流量和气象数据变化，结合LSSVM预测模型实现架空输电线路载流量区间预测，以解决上述架空输电线路载流量预测方法存在的技术问题，挖掘环境数据与载流量之间的潜在关系，有效预测载流量的动态区间，有效调高输电线路的输电潜力，降低电力调度压力，保障架空输电线路的安全运行。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例提供的方法流程示意图；
图2为本发明实施例提供的架空输电线路载流量区间预测模型的预测结果图。
图3为本发明实施例提供的系统原理图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例一：
如图1所示，本实施例提供了一种基于LSSVM模型的架空输电线路载流量区间预测方法，包括以下步骤：
步骤S1，利用微气象监测设备历年实测的架空输电线路数据，构建历史数据集；所述历史数据集包括多个气象因子和载流量；其中，气象因子包括气温、地面风速、风向和日照强度。
步骤S2，根据所述历史数据集，筛选与载流量的相关系数大于设定阈值的气象因子；其中相关系数为Pearson相关系数。Pearson相关系数公式如下：
式中，|r|≤1，r为正数就代表两个变量间的关系为正相关，为负数就代表两个变量间的关系为负相关，r的绝对值越接近1两变量间的相关性越强。上述公式用于分析载流量与其他变量相关性的，公式是逐个分析载流量与气温，地面风速，风向，日照强度的相关性的，例如当分析载流量与气温的相关性时，a代表载流量数据序列，b代表气温数据序列。以此类推分析载流量与地面风速的相关性时，a代表载流量数据序列，b代表地面风速数据序列。
上述相关系数计算具体过程为：
(1)将气温、地面风速、风向、日照强度每组的数据分别各自与对应的载流量数据代入公式：
其中，ai表示第i个载流量数据，bi表示第i个气温/地面风速、风向和日照强度数据，表示载流量数据序列的平均值，/>表示气温/地面风速、风向和日照强度数据序列的平均值。
(2)将气温、地面风速、风向、日照强度与载流量相关系数分析汇总，观察气温、地面风速、风向、日照强度与载流量相关关系，由此选择合适的输入变量进行模型训练。
步骤S3，构建初始样本数据集，并对初始样本数据集中的数据进行预处理操作，得到预处理操作后的样本数据集；所述初始样本数据集中的数据为过去时间段内的目标气象因子数据以及对应的载流量；其中，目标气象因子为与载流量的相关系数大于设定阈值的气象因子。
预处理的操作：将缺失的数据补上，将不好的数据去掉，量化各数据指标，并将各基础数据标准化。
(1)缺失数据处理
在实际的数据记录过程中，由于测量设备损坏及其他情况的发生，会导致数据的缺失，如果不对其进行处理，将会给后续模型预测带来不利影响。为此，需要对这些确实的数据进行预先填补。
缺失数据修复规则如下式：
x(d,t)＝ω1x(d,t1)+ω2x(d,t2)+ω3x(d1,t)+ω4x(d2,t)； (3)
上式中，x(d,t)代表第d天第t时刻的数据，x(d,ti)(i＝1,2)代表第d天第t时刻之前和之后时刻对应的数据。当第d天的相邻两天的日期类型与第d天的日期类型相同时，x(dj,t)(j＝1,2)为第d天前一天和后一天t时刻对应的数据，否则x(dj,t)(j＝1,2)为与第d天日期类型相同的最近日期t时刻对应的数据，ω为加权系数。
(2)数据标准化处理
为了解决每个样本数据在量纲与规模上都不相同这一问题，需要对样本数据标准化。对于气象和其他相关要素，利用归一化处理可以屏蔽资料间差异性。
气象因子等数据标准化处理公式为：
上式中，b为对于待归一化的数据；bmax和bmin为总样本数据的最大数据和最小数据，b*为归一化的数据。
步骤S4，对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集。具体采用Kohonen网络训练算法对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集。Kohonen网络是一种具有自组织竞争神经网络特性的非监督学习网络，能够实现对环境信息的自动识别和聚类。在此基础上，提出了一种基于模糊聚类的聚类算法。
Kohonen网络训练算法包括以下步骤：
(1)初始化网络权值ωjk，确定聚类的类别数c，2≤c≤rc,k＝1,...n,j＝1,...,c，最大迭代次数T，迭代停止的常数ε，学习率α0。
(2)令i＝0，t＝0，计算新的输入向量Xi＝(Xi1,Xi2,....,Xin)与竞争层神经元j的欧式距离dij：
(3)对输入样本Xi，从输出层中找到最佳匹配特性节点j',即：
(4)确定j'的高斯领域h'jj，修正高斯领域内h'jj的各节点对应的连接权矢量，即：ωjk(t+1)＝ωjk(t)+α(t)h'jj(σ(t))(xik-ωjk(t))； (7)。
(5)提供下一个输入模式Xi＝(Xi1,Xi2,....,Xin)，即令i＝i+1，若i≤n，则返回第二步，否则往下继续。
(6)计算Et＝∑j(ωjk(t)-ωjk(t+1))2。
(7)如果E≤ε，则训练结束；否则调整学习率α(t)和更新h'jj进入下一次迭代。
步骤S5，构建LSSVM模型，采用聚类分析后的样本数据集对LSSVM模型进行训练，得到架空输电线路载流量区间预测模型；具体包括以下步骤：
步骤S51，采用交叉验证法，将聚类分析后的样本数据集划分为训练集和测试集；具体为：
(1)先将聚类分析后的样本数据集划分为k个大小相似的互斥子集，每个子集尽可能保持数据分布的一致性。
(2)然后每次选k-1个子集一组作为训练集，剩下一个子集作为测试集，共有k种分发得到k组训练集和测试集。
(3)进行k次训练和测试，对结果取平均值。
步骤S52，对LSSVM模型的参数进行初始化操作；其中，LSSVM模型表示为：
式中，x是模型输入，y是模型输出；Rl——→Rp是样本空间到高维特征空间的映射；其中w∈Rp,b∈R分别表示高维特征空间中的系数和偏差。
步骤S53，根据训练集、测试集和初始化操作后的LSSVM模型的参数，得到架空输电线路载流量区间预测模型。具体为：
(1)通过式子求解LSSVM回归模型，得到核函数矩阵K以及α和b，用式子/>计算出在样本上的拟合值/>同时通过对预测出的结果进行迭代，计算出未来一段时间的样本输出预计值/>
(2)给定置信度，如α＝0.05，查t-分布分位数标得到的值。
(3)通过以下式子计算出最终预测区间：
对LSSVM模型进行参数优化步骤包括：
(1)计算在不同训练样本个数n，嵌入维数m以及邻近点个数p条件下使得GammaText计算的噪声方差最小的参数组合(n0,m0,P0)，并取n＝n0、m＝m0时的噪声方差作为最小噪声方差。
(2)对LSSVM模型的输入和输出模型进行初始化参数n＝n0、m＝m0的获取，并通过网格搜索来判断γ＝1～800和σ＝10～500区间内使得式子达到最小的点(γ0,σ0)为LSSVM区间预测模型最优超参数。通过预测区间覆盖率(PICP)，平均区间宽度(NMPIW)，考虑覆盖率及宽度的综合评价指标(CWC)，统计区间预测耗时(CT)，提高模型的整体预测水平，其结果如表1所示。
表1区间预测结果
可见，通过构建的LSSVM模型实现对对架空输电线路载动态载流量的区间预测且预测区间总体误差小、精度高。
步骤S6，获取当前时间段内的架空输电线路所在区域的目标气象因子数据，并输入至架空输电线路载流量区间预测模型，得到未来时间段内的架空输电线路的载流量区间。其预测结果如图2所示。
实施例二：
如图3所示，本实施例提供了一种基于LSSVM模型的架空输电线路载流量区间预测系统，应用于所述的方法，包括：
历史数据集构建模块，用于利用微气象监测设备历年实测的架空输电线路数据，构建历史数据集；所述历史数据集包括多个气象因子和载流量；
气象因子筛选模块，用于根据所述历史数据集，筛选与载流量的相关系数大于设定阈值的气象因子；
预处理模块，用于构建初始样本数据集，并对初始样本数据集中的数据进行预处理操作，得到预处理操作后的样本数据集；所述初始样本数据集中的数据为过去时间段内的目标气象因子数据以及对应的载流量；其中，目标气象因子为与载流量的相关系数大于设定阈值的气象因子；
聚类分析模块，用于对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集；
预测模型确定模块，用于根据聚类分析后的样本数据集和LSSVM模型，得到架空输电线路载流量区间预测模型；
预测模块，用于获取当前时间段内的架空输电线路所在区域的目标气象因子数据，并将当前时间段内的架空输电线路所在区域的目标气象因子数据输入至架空输电线路载流量区间预测模型，得到未来时间段内的架空输电线路的载流量区间。
实施例三：
本实施例提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的基于LSSVM模型的架空输电线路载流量区间预测方法。
可选地，上述电子设备可以是服务器。
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的一种架空输电线路载流量区间预测方法。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可结合为一个模块，一个模块可拆分为多个模块，或一些特征可以忽略等。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM,Read-0nlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种基于LSSVM模型的架空输电线路载流量区间预测方法，其特征在于，包括以下步骤：
步骤S1，利用微气象监测设备历年实测的架空输电线路数据，构建历史数据集；所述历史数据集包括多个气象因子和载流量；
步骤S2，根据所述历史数据集，筛选与载流量的相关系数大于设定阈值的气象因子；
步骤S3，构建初始样本数据集，并对初始样本数据集中的数据进行预处理操作，得到预处理操作后的样本数据集；所述初始样本数据集中的数据为过去时间段内的目标气象因子数据以及对应的载流量；其中，目标气象因子为与载流量的相关系数大于设定阈值的气象因子；
步骤S4，对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集；
步骤S5，构建LSSVM模型，采用聚类分析后的样本数据集对LSSVM模型进行训练，得到架空输电线路载流量区间预测模型；
步骤S6，获取当前时间段内的架空输电线路所在区域的目标气象因子数据，并输入至架空输电线路载流量区间预测模型，得到未来时间段内的架空输电线路的载流量区间。
2.根据权利要求1所述的一种基于LSSVM模型的架空输电线路载流量区间预测方法，其特征在于，所述步骤S1中的气象因子包括气温、地面风速、风向和日照强度。
3.根据权利要求1所述的一种基于LSSVM模型的架空输电线路载流量区间预测方法，其特征在于，所述步骤S2中的相关系数为Pearson相关系数。
4.根据权利要求1所述的一种基于LSSVM模型的架空输电线路载流量区间预测方法，其特征在于，所述步骤S3中的预处理操作包括缺失数据修复操作和数据标准化处理操作。
5.根据权利要求1所述的一种基于LSSVM模型的架空输电线路载流量区间预测方法，其特征在于，所述步骤S4中具体采用Kohonen网络训练算法对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集。
6.根据权利要求1所述的一种基于LSSVM模型的架空输电线路载流量区间预测方法，其特征在于，所述步骤S5具体包括以下步骤：
步骤S51，采用交叉验证法，将聚类分析后的样本数据集划分为训练集和测试集；
步骤S52，对LSSVM模型的参数进行初始化操作；
步骤S53，根据训练集、测试集和初始化操作后的LSSVM模型的参数，得到架空输电线路载流量区间预测模型。
7.根据权利要求1所述的一种基于LSSVM模型的架空输电线路载流量区间预测方法，其特征在于，所述架空输电线路载流量区间预测模型的评估指标包括预测区间覆盖率、平均区间宽度、统计区间预测耗时以及考虑覆盖率及宽度的综合评价指标。
8.一种基于LSSVM模型的架空输电线路载流量区间预测系统，其特征在于，应用于权利要求1至7任一所述的方法，包括：
历史数据集构建模块，用于利用微气象监测设备历年实测的架空输电线路数据，构建历史数据集；所述历史数据集包括多个气象因子和载流量；
气象因子筛选模块，用于根据所述历史数据集，筛选与载流量的相关系数大于设定阈值的气象因子；
预处理模块，用于构建初始样本数据集，并对初始样本数据集中的数据进行预处理操作，得到预处理操作后的样本数据集；所述初始样本数据集中的数据为过去时间段内的目标气象因子数据以及对应的载流量；其中，目标气象因子为与载流量的相关系数大于设定阈值的气象因子；
聚类分析模块，用于对预处理操作后的样本数据集进行聚类分析，得到聚类分析后的样本数据集；
预测模型确定模块，用于根据聚类分析后的样本数据集和LSSVM模型，得到架空输电线路载流量区间预测模型；
预测模块，用于获取当前时间段内的架空输电线路所在区域的目标气象因子数据，并将当前时间段内的架空输电线路所在区域的目标气象因子数据输入至架空输电线路载流量区间预测模型，得到未来时间段内的架空输电线路的载流量区间。
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的基于LSSVM模型的架空输电线路载流量区间预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006838.7A CN117096860A (zh) | 2023-08-10 | 2023-08-10 | 基于lssvm模型的架空输电线路载流量区间预测方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006838.7A CN117096860A (zh) | 2023-08-10 | 2023-08-10 | 基于lssvm模型的架空输电线路载流量区间预测方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117096860A true CN117096860A (zh) | 2023-11-21 |
Family
ID=88772755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311006838.7A Pending CN117096860A (zh) | 2023-08-10 | 2023-08-10 | 基于lssvm模型的架空输电线路载流量区间预测方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117096860A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784617A (zh) * | 2024-02-26 | 2024-03-29 | 西安图为电气技术有限公司 | 模块控制方法、装置、计算机设备、存储介质和产品 |
-
2023
- 2023-08-10 CN CN202311006838.7A patent/CN117096860A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117784617A (zh) * | 2024-02-26 | 2024-03-29 | 西安图为电气技术有限公司 | 模块控制方法、装置、计算机设备、存储介质和产品 |
| CN117784617B (zh) * | 2024-02-26 | 2024-05-10 | 西安图为电气技术有限公司 | 模块控制方法、装置、计算机设备、存储介质和产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108320016B (zh) | 一种建筑能耗短期预测方法 | |
| CN110414788B (zh) | 一种基于相似日和改进lstm的电能质量预测方法 | |
| CN111709490B (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
| Lipu et al. | Artificial intelligence based hybrid forecasting approaches for wind power generation: Progress, challenges and prospects | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| US11840998B2 (en) | Hydraulic turbine cavitation acoustic signal identification method based on big data machine learning | |
| CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
| Lu et al. | Feature extraction of meteorological factors for wind power prediction based on variable weight combined method | |
| CN114386324A (zh) | 一种基于转折性时段识别的超短期风电功率分段预测方法 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
| CN117096860A (zh) | 基于lssvm模型的架空输电线路载流量区间预测方法及设备 | |
| CN111898825A (zh) | 一种光伏发电功率短期预测方法及装置 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及系统 | |
| CN114912716A (zh) | 基于双向长短时记忆网络的短期电力负荷预测方法及系统 | |
| 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 | |
| CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
| CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
| CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 | |
| CN115544886A (zh) | 高速电梯的失效时间节点预测方法、系统、设备和介质 | |
| CN113761023A (zh) | 一种基于改进广义神经网络的光伏发电短期功率预测方法 | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 |
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 |