CN117239746B - 一种基于机器学习的电力负荷预测方法及系统 - Google Patents
一种基于机器学习的电力负荷预测方法及系统 Download PDFInfo
- Publication number
- CN117239746B CN117239746B CN202311526162.4A CN202311526162A CN117239746B CN 117239746 B CN117239746 B CN 117239746B CN 202311526162 A CN202311526162 A CN 202311526162A CN 117239746 B CN117239746 B CN 117239746B
- Authority
- CN
- China
- Prior art keywords
- load
- sequence
- circuit
- cluster
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 230000007704 transition Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000005311 autocorrelation function Methods 0.000 claims description 5
- 230000036961 partial effect Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- 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
本发明涉及人工智能领域，更具体地，本发明涉及一种基于机器学习的电力负荷预测方法及系统，方法包括：获取历史电路负荷数据得到负荷序列的周期，对所述负荷序列进行差分，获得差分序列；根据所述差分序列进行聚类，得到多个聚类簇相对应的多个负荷波动数据值；计算各个聚类簇的所述负荷序列的状态转移概率矩阵；计算未来时刻电路负荷的概率向量，从而计算未来的电路负荷数据；通过周期对负荷序列进行差分计算，计算相邻时间点之间的差异，减少序列中的时变性、周期性和趋势性因素，从而使得周期序列更加平稳，提高了电力系统的效率和可靠性，减少能源消耗，更好地预测调配能源，从而有利于对未来状态进行预测。
Description
技术领域
本发明一般地涉及人工智能领域。更具体地，本发明涉及一种基于机器学习的电力负荷预测方法及系统。
背景技术
近年来，随着人工智能技术的快速发展，越来越多的领域应用人工智能技术。在电力系统中，负荷预测与调度是电力能源管控中非常重要的一项工作，它涉及到对未来负荷进行准确预测，并制定相应的发电计划和输电调度方案，以保持电力系统的平衡和稳定运行。负荷预测是通过分析历史负荷数据、天气数据、经济指标等多个因素，使用统计学方法、机器学习算法或混合模型等技术手段，对未来一段时间内的负荷进行预测。预测的精确性对于合理安排发电计划和输电调度至关重要。因此，使用机器学习的方法对电荷进行预测是本专利解决的问题。
目前，公开号为CN116822376A的专利文件公开了基于改进SMA-GRU短期电力负荷预测方法及系统，该方法基于GRU模型结合注意力机制和SMA方法对电力的负荷进行预测。
目前的方法对电力负荷数据本身存在的波动性研究不足，导致预测结果并不能反映未来电力负荷数据，降低电力系统的效率与可靠性，提高了能源消耗与成本，模型没有很好的考虑到电力负荷自身的特征。
发明内容
在第一方面中，一种基于机器学习的电力负荷预测方法，包括：获取历史电路负荷数据以得到负荷序列，并根据所述负荷序列确定周期；根据所述周期对所述负荷序列进行差分，获得负荷序列的差分序列，其中，所述差分序列的时间间隔为负荷序列的周期；根据所述差分序列进行聚类，得到多个聚类簇相对应的多个负荷波动数据值，其中，每个聚类簇对应一个状态标签；计算各个聚类簇的所述负荷序列的状态转移概率矩阵；根据所述状态转移概率矩阵，计算未来时刻电路负荷的概率向量，所述概率向量包括未来时刻的电路负荷属于每个聚类簇的概率；根据所述历史负荷数据、每个聚类簇的所述负荷波动数据值和所述概率向量，计算出未来的电路负荷数据。
在一个实施例中，获取历史电路负荷数据以得到负荷序列，并根据所述负荷序列确定周期，包括步骤：将采集到的所述历史电路负荷数据进行处理和清洗，以去除异常值、缺失值或噪声干扰因素；根据采集到的历史电路负荷数据的时间戳信息，按照时间顺序进行排序，将排序后的负荷数据按照时间顺序组织成一个负荷序列；计算所述负荷序列的偏自相关函数，获得负荷序列的周期。
通过采用上述技术方案，通过计算相邻时间点之间的差异来揭示序列内在的规律和趋势，差分是时间序列建模的前置步骤，它可以减少序列中的时变性、周期性和趋势性因素，从而使得序列更加平稳。
在一个实施例中，根据所述差分序列进行聚类，得到多个聚类簇相对应的多个负荷波动数据值中，计算每个聚类簇的均值，所述聚类簇对应负荷数据波动性数据值的满足下述关系式：
其中，表示第/>个聚类簇对应的负荷数据的波动性，/>表示第/>个聚类簇中元素的个数，/>表示第/>个聚类簇中第/>个元素的值。
在一个实施例中，计算各个聚类簇的所述负荷序列的状态转移概率矩阵的计算公式如下：
其中，表示状态转移概率矩阵中第/>行第/>列的值，用于表示状态/>转移到状态/>的概率，/>表示相邻负荷数据的状态标签从状态/>转换到状态/>的数量，/>表示负荷数据的标签的总数量，遍历/>，/>得到状态转移概率矩阵/>。
通过采用上述技术方案，使用偏自相关函数可以用来帮助判断时间序列是否平稳，分析时间序列数据中直接相关性，推断出滞后项和当前值之间的关系。
在一个实施例中，根据所述状态转移概率矩阵，计算未来时刻电路负荷的概率向量，所述概率向量包括未来时刻的电路负荷属于每个聚类簇的概率，满足下述关系式：
其中，表示/>时刻电路负荷的标签，/>表示/>时刻电路负荷的标签，表示电路负荷序列的状态转移概率矩阵。
通过采用上述技术方案，马尔可夫链是一种随机过程，具有马尔可夫性质，即未来状态的概率只取决于当前状态，而与过去的状态无关，状态转移概率矩阵是一个方阵，表示从一个状态到另一个状态的概率；假设有个可能的状态，那么状态转移概率矩阵的维度就是/>；其中，第/>行第/>列的元素表示从状态/>转移到状态/>的概率，有利于对预测未来状态、计算平稳分布。
在一实施例中，根据所述历史负荷数据、每个聚类簇的所述负荷波动数据值和所述概率向量，计算出未来的电路负荷数据中，未来的电路负荷满足下述关系式：
其中，表示/>时刻的电路负荷值，/>表示/>时刻的电路负荷值，/>表示/>时刻电路负荷的状态标签为/>的概率，/>表示第/>个聚类簇对应的负荷数据的波动性。
第二方面，一种基于机器学习的电力负荷预测系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现任一项所述的基于机器学习的电力负荷预测方法。
本申请具有以下效果：
1、本申请通过周期对负荷序列进行差分计算，计算相邻时间点之间的差异，减少序列中的时变性、周期性和趋势性因素，从而使得周期序列更加平稳，提高了电力系统的效率和可靠性，减少能源消耗，更好地预测调配能源，从而有利于对未来状态进行预测。
2、本申请通过电力负荷数据的周期对负荷数据进行差分，对差分的结果进行聚类，根据每个聚类簇的特征得到每个电力负荷数据的标签，对电力负荷数据建立马尔可夫模型，根据每个聚类簇的特征和马尔可夫模型的输出结果计算出未来的电力负荷。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本申请的实施例一种基于机器学习的电力负荷预测方法中步骤S1-S6的方法流程图。
图2是本申请实施例一种基于机器学习的电力负荷预测方法中步骤S10-S12的方法流程图。
图3是本申请实施例一种基于机器学习的电力负荷预测系统的结构框图。
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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1，一种基于机器学习的电力负荷预测方法包括步骤S1-S6，具体如下：
S1：获取历史电路负荷数据以得到负荷序列，并根据负荷序列确定周期，参照图2，包括步骤S10-S12：
S10：将采集到的历史电路负荷数据进行处理和清洗，以去除异常值、缺失值或噪声干扰因素；
S11：根据采集到的历史电路负荷数据的时间戳信息，按照时间顺序进行排序，将排序后的负荷数据按照时间顺序组织成一个负荷序列；
S12：计算负荷序列的偏自相关函数，获得负荷序列的周期。
示例性的，负荷序列是指负荷数据按照一定的时间顺序排列形成的序列，负荷序列是按照时间进行排序，从而反映了负荷数据的时序性和演变规律。例如，可以将一天内的负荷数据按照从0时到24时的顺序排列，形成一个负荷序列，负荷序列可以展示负荷的周期性、季节性、以及其他时间相关的特征。
通过使用偏自相关函数，获得负荷序列的周期，分析时间序列数据中直接相关性，以使负荷的周期更具有时间相关特征，从而获取负荷数据中，较为典型的数据，从而掌握负荷数据的波动性。
S2：根据周期对负荷序列进行差分，获得负荷序列的差分序列，其中，差分序列的时间间隔为负荷序列的周期。
示例性的，对负荷序列进行差分意味着计算相邻时间点之间的差异，以揭示负荷序列内在的变化规律和趋势。差分可以帮助去除负荷序列中的季节性、周期性和趋势性因素，使其更加平稳，便于进一步分析和建模，但需要注意，在进行差分操作时要注意选择合适的差分阶数，并进行平稳性检验，以确保序列的平稳性。
S3：根据差分序列进行聚类，得到多个聚类簇相对应的多个负荷波动数据值，其中，每个聚类簇对应一个状态标签。
计算每个聚类簇的均值，聚类簇对应负荷数据波动性数据值的满足下述关系式：
其中，表示第/>个聚类簇对应的负荷数据的波动性，/>表示第/>个聚类簇中元素的个数，/>表示第/>个聚类簇中第/>个元素的值。
示例性的，的值越远离0，说明该聚类簇对应的负荷数据的波动性越大，将/>从小到大排列，根据该顺序给每个聚类簇一个标签，聚类簇的标签即为其波动性的排列顺序，聚类簇对应的负荷数据的标签与聚类簇的标签一致。
根据给出标签的获取方式，对差分序列使用k-means聚类，聚类簇的个数根据轮廓系数法确定为5，每个聚类簇对应的波动性为（0.8，1.5，0.1，-0.5，0.3），排序后为（-0.5，0.1，0.3，0.8，1.5），则第一个聚类簇的标签为4，第二个聚类簇的标签为5，第三个聚类簇的标签为2，第四个聚类簇的标签为1，第五个聚类簇的标签为3，每个聚类簇对应的负荷数据的标签和其所在聚类簇的标签一致。
S4：计算各个聚类簇的负荷序列的状态转移概率矩阵。
根据每个负荷数据的标签对负荷数据建立马尔可夫模型，根据负荷数据的标签计算负荷数据的状态转移概率矩阵，计算公式如下：
其中，表示状态转移概率矩阵中第/>行第/>列的值，用于表示状态/>转移到状态/>的概率，/>表示相邻负荷数据的状态标签从状态/>转换到状态/>的数量，/>表示负荷数据的标签的总数量，遍历/>，/>得到状态转移概率矩阵/>。
示例性的，得到状态转移概率矩阵，当负荷数据有5个标签类别时，状态转移概率矩阵的大小为5×5，第/>行第/>列的值表示相邻负荷数据的标签从标签/>转移到标签/>的概率。
S5：根据状态转移概率矩阵，计算未来时刻电路负荷的概率向量，概率向量包括未来时刻的电路负荷的标签属于每个聚类簇的概率。
未来时刻电路负荷的概率向量，满足下述关系式：
其中，表示/>时刻电路负荷的标签，/>表示/>时刻电路负荷的标签，表示电路负荷序列的状态转移概率矩阵。
示例性的，和/>是一个向量，其向量的维度等于负荷数据的标签类别数。/>的表示形式为/>，/>表示/>的标签是1的概率，/>表示的标签是/>的概率。
S6：根据历史负荷数据、每个聚类簇的负荷波动数据值和概率向量，计算出未来的电路负荷数据。
未来的电路负荷满足下述关系式：
其中，表示/>时刻的电路负荷值，/>表示/>时刻的电路负荷值，/>表示/>时刻电路负荷的状态标签为/>的概率，/>表示第/>个聚类簇对应的负荷数据的波动性。
示例性的，电路负荷数据有5个标签值，每个标签对应的波动性如下：（（1，-0.5），（2，0.1），（3，0.3），（4，0.8），（5，1.5）），根据电路负荷数据时刻的标签预测计算出电路负荷数据/>时刻每个标签的概率值（0.4，0.2，0.1，0.1，0.2），则根据上述公式计算出未来的电路负荷值为：
其中，表示预测的下一时刻电路负荷值，/>为当前时刻的电路负荷值，根据实际情况，本方法可以进行多次预测。
本发明还提供了一种基于机器学习的电力负荷预测系统，如图3所示，系统包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明第一方面的基于机器学习的电力负荷预测方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (3)
1.一种基于机器学习的电力负荷预测方法，其特征在于，包括：
获取历史电路负荷数据以得到负荷序列，并根据所述负荷序列确定周期；
根据所述周期对所述负荷序列进行差分，获得负荷序列的差分序列，其中，所述差分序列的时间间隔为负荷序列的周期；
根据所述差分序列进行聚类，得到多个聚类簇相对应的多个负荷波动数据值，其中，每个聚类簇对应一个状态标签；
计算各个聚类簇的所述负荷序列的状态转移概率矩阵；
根据所述状态转移概率矩阵，计算未来时刻电路负荷的概率向量，所述概率向量包括未来时刻的电路负荷属于每个聚类簇的概率；
根据所述历史负荷数据、每个聚类簇的所述负荷波动数据值和所述概率向量，计算出未来的电路负荷数据；
获取历史电路负荷数据以得到负荷序列，并根据负荷序列确定周期，包括步骤：
将采集到的所述历史电路负荷数据进行处理和清洗，以去除异常值、缺失值或噪声干扰因素；
根据采集到的历史电路负荷数据的时间戳信息，按照时间顺序进行排序，将排序后的负荷数据按照时间顺序组织成一个负荷序列；
计算所述负荷序列的偏自相关函数，获得负荷序列的周期；
计算各个聚类簇的所述负荷序列的状态转移概率矩阵的计算公式如下：
其中，表示状态转移概率矩阵中第/>行第/>列的值，用于表示状态/>转移到状态/>的概率，/>表示相邻负荷数据的状态标签从状态/>转换到状态/>的数量，/>表示负荷数据的标签的总数量，遍历/>，/>得到状态转移概率矩阵/>；
根据所述状态转移概率矩阵，计算未来时刻电路负荷的概率向量，所述概率向量包括未来时刻的电路负荷属于每个聚类簇的概率，满足下述关系式：
其中，表示/>时刻电路负荷的标签，/>表示/>时刻电路负荷的标签，表示电路负荷序列的状态转移概率矩阵；
根据所述历史负荷数据、每个聚类簇的所述负荷波动数据值和所述概率向量，计算出未来的电路负荷数据中，未来的电路负荷满足下述关系式：
其中，表示/>时刻的电路负荷值，/>表示/>时刻的电路负荷值，/>表示/>时刻电路负荷的状态标签为/>的概率，/>表示第/>个聚类簇对应的负荷数据的波动性，k表示为电路负荷的状态标签的个数。
2.根据权利要求1所述一种基于机器学习的电力负荷预测方法，其特征在于，根据所述差分序列进行聚类，得到多个聚类簇相对应的多个负荷波动数据值中，计算每个聚类簇的均值，所述聚类簇对应负荷数据波动性数据值的满足下述关系式：
其中，表示第/>个聚类簇对应的负荷数据的波动性，/>表示第/>个聚类簇中元素的个数，/>表示第/>个聚类簇中第/>个元素的值。
3.一种基于机器学习的电力负荷预测系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-2任一项所述的基于机器学习的电力负荷预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526162.4A CN117239746B (zh) | 2023-11-16 | 2023-11-16 | 一种基于机器学习的电力负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526162.4A CN117239746B (zh) | 2023-11-16 | 2023-11-16 | 一种基于机器学习的电力负荷预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117239746A CN117239746A (zh) | 2023-12-15 |
| CN117239746B true CN117239746B (zh) | 2024-01-30 |
Family
ID=89091632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311526162.4A Active CN117239746B (zh) | 2023-11-16 | 2023-11-16 | 一种基于机器学习的电力负荷预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117239746B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435932B (zh) * | 2023-12-21 | 2024-03-01 | 广州中科医疗美容仪器有限公司 | 一种减脂设备的参数控制方法及系统 |
| CN117541036B (zh) * | 2024-01-10 | 2024-04-05 | 中网华信科技股份有限公司 | 一种基于智慧园区的能源管理方法及系统 |
| CN117630476B (zh) * | 2024-01-26 | 2024-03-26 | 上海懿尚生物科技有限公司 | 一种适用于动物实验室的用电负荷实时监测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509173A (zh) * | 2011-10-28 | 2012-06-20 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力系统负荷准确预测方法 |
| CN111160617A (zh) * | 2019-12-06 | 2020-05-15 | 北京国电通网络技术有限公司 | 一种电力日负荷预测方法及装置 |
| CN112884077A (zh) * | 2021-03-26 | 2021-06-01 | 国网辽宁省电力有限公司经济技术研究院 | 基于形状的动态时间归整聚类的园区短期负荷预测方法 |
| CN115271161A (zh) * | 2022-06-15 | 2022-11-01 | 华南理工大学 | 一种多能负荷短期预测方法 |
| CN115935212A (zh) * | 2022-12-07 | 2023-04-07 | 国网江苏省电力有限公司营销服务中心 | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014075108A2 (en) * | 2012-11-09 | 2014-05-15 | The Trustees Of Columbia University In The City Of New York | Forecasting system using machine learning and ensemble methods |
| GB2577853B (en) * | 2018-06-22 | 2021-03-24 | Moixa Energy Holdings Ltd | Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources |
-
2023
- 2023-11-16 CN CN202311526162.4A patent/CN117239746B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509173A (zh) * | 2011-10-28 | 2012-06-20 | 山东电力集团公司青岛供电公司 | 一种基于马尔科夫链的电力系统负荷准确预测方法 |
| CN111160617A (zh) * | 2019-12-06 | 2020-05-15 | 北京国电通网络技术有限公司 | 一种电力日负荷预测方法及装置 |
| CN112884077A (zh) * | 2021-03-26 | 2021-06-01 | 国网辽宁省电力有限公司经济技术研究院 | 基于形状的动态时间归整聚类的园区短期负荷预测方法 |
| CN115271161A (zh) * | 2022-06-15 | 2022-11-01 | 华南理工大学 | 一种多能负荷短期预测方法 |
| CN115935212A (zh) * | 2022-12-07 | 2023-04-07 | 国网江苏省电力有限公司营销服务中心 | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| A_Weekly_Load_Data_Mining_Approach_Based_on_Hidden_Markov_Model;SHIXIANG LU;《IEEE Access》;全文 * |
| Application_of_improved_gray_Markov_model_in_power_load_forecasting;Jianrong Jia;《IEEE》;全文 * |
| 基基于于隐隐马马尔尔可可夫夫模模型型的的非非侵侵入入式式负负荷荷监监测测泛泛化化性性能能改改进进;苏晓;《控制理论与应用》;全文 * |
| 面向云边协同的配变短期负荷集群预测;郭祥富;《电力系统保护与控制》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117239746A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117239746B (zh) | 一种基于机器学习的电力负荷预测方法及系统 | |
| Wan et al. | Model-free real-time EV charging scheduling based on deep reinforcement learning | |
| Corizzo et al. | Anomaly detection and repair for accurate predictions in geo-distributed big data | |
| CN111144468B (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
| Liu et al. | Midterm power load forecasting model based on kernel principal component analysis and back propagation neural network with particle swarm optimization | |
| Raghavendra et al. | Artificial humming bird with data science enabled stability prediction model for smart grids | |
| CN114676941A (zh) | 园区综合能源系统电-热负荷联合自适应预测方法及装置 | |
| Zhang et al. | Transfer learning featured short-term combining forecasting model for residential loads with small sample sets | |
| Rouzbahani et al. | Optimizing scheduling policy in smart grids using probabilistic Delayed Double Deep Q-Learning (P3DQL) algorithm | |
| Bhatt et al. | Machine learning‐based approach for useful capacity prediction of second‐life batteries employing appropriate input selection | |
| Ahmed | Short-term electrical load demand forecasting based on lstm and rnn deep neural networks | |
| CN108879656B (zh) | 一种基于子抽样svr集成的短期电力负荷预测方法 | |
| Kramer et al. | Power prediction in smart grids with evolutionary local kernel regression | |
| Venticinque et al. | Learning and prediction of E-car charging requirements for flexible loads shifting | |
| Almalaq et al. | Comparison of recursive and non-recursive ANNs in energy consumption forecasting in buildings | |
| Myilsamy et al. | State-of-Health Prediction for Li-ion Batteries for Efficient Battery Management System Using Hybrid Machine Learning Model | |
| Irfan et al. | Week Ahead Electricity Power and Price Forecasting Using Improved DenseNet-121 Method. | |
| Haben et al. | Core Concepts and Methods in Load Forecasting: With Applications in Distribution Networks | |
| Mele et al. | Machine Learning Platform for Profiling and Forecasting at Microgrid Level | |
| Zhang et al. | Transfer learning featured combining short-term load forecast with small-sample conditions | |
| CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
| Li et al. | Short-term Power Load Forecasting based on Feature Fusion of Parallel LSTM-CNN | |
| Xie et al. | Electricity price forecasting by clustering-LSSVM | |
| Hertel et al. | Transformer neural networks for building load forecasting | |
| Hameed et al. | Enhanced classification with logistic regression for short term price and load forecasting in smart homes |
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 |