CN106600050A - 一种基于bp神经网络的超短期负荷预测方法 - Google Patents
一种基于bp神经网络的超短期负荷预测方法 Download PDFInfo
- Publication number
- CN106600050A CN106600050A CN201611133685.2A CN201611133685A CN106600050A CN 106600050 A CN106600050 A CN 106600050A CN 201611133685 A CN201611133685 A CN 201611133685A CN 106600050 A CN106600050 A CN 106600050A
- Authority
- CN
- China
- Prior art keywords
- load
- formula
- data
- follows
- sample
- 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 33
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 4
- 230000001537 neural effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000000611 regression analysis Methods 0.000 abstract 1
- 230000006978 adaptation Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于RBF神经网络的超短期负荷预测方法。该方法为:步骤1,微电网负荷数据辨识和补全;步骤2,微电网数据归一化处理;步骤3,微电网数据去噪处理;步骤4,计算负荷样本差异度;步骤5,建立RBF神经网络负荷预测数学模型,进行在线预测。该方法以传统RBF神经网络预测模型为基础,结合回归分析法定义了负荷样本差异度,根据负荷样本差异度调整预测模型,使负荷预测模型自动地适应负荷变化。
Description
技术领域
本发明属于智能电网控制技术领域,特别涉及基于RBF神经网络的微网短期负荷预测方法。
背景技术
超短期负荷预测又称时分预测,指以5~30min为周期,预测未来1h之内的负荷变化情况。由于预测时刻间隔小,天气等因素对负荷变化的影响不显著,因此通常在预测中忽略气象等外部条件;预测***在线运行,并实时地根据历史数据快速、精确地预测出下一时刻的负荷变化,预测结果通常无需人为处理。超短期负荷预测在电力***状态估计、实时调度、自动发电控制以及实时电价制定等方面发挥着极其重要的作用。
近年来,微电网作为智能电网的浓缩已成为国内外学者的研究热点。超短期负荷预测是微电网优化运行策略和能量管理***的重要组成之一。由于用户侧响应、冷热负荷以及电动汽车充电等具有的波动性和滞后性,导致了负荷预测精度的降低。因此,提高超短期负荷预测精度是现代电力***发展的必然要求。
发明内容
针对上述现有技术存在的问题,本发明提出一种基于RBF神经网络的超短期负荷预测方法,其特征在于,该预测方法包括以下步骤:
步骤1:微电网负荷数据辨识和补全;
步骤2:微电网数据归一化处理;
步骤3:微电网数据去噪处理;
步骤4:计算负荷样本差异度;
步骤5:建立RBF神经网络负荷预测数学模型,进行在线预测;
所述步骤1中具体处理流程为:
步骤1.1:选取同类型临近日期负荷数据,对突变数据进行辨识,公式如下:
其中,Ld,t为第d天t时刻的负荷值;u为判定阈值;M为第d-1天最后时刻;当相邻时刻的负荷变化率大于判定阈值时,则判定负荷数据Ld,t为突变数据并予以剔除,然后将该时刻数据作为缺失数据进行补全;所述负荷属性包括第d天t时刻的负荷值Ld,t,判定阈值u,u=0.01,历史负荷数据的采样时间间隔为15min,采样时间t为1到96的整数;所述的日信息d为1到7的整数,以周为周期;
步骤1.2:对缺失的数据进行补全,公式如下:
其中,Ld-m,t为第d-m天t时刻的负荷数据;λ为权值系数0<λi<1,即表示Ld-m,t对Ld,t的影响程度;
步骤2:数据采用最值法归一化,公式如下:
其中,Lmax和Lmin分别为训练样本集中负荷数据的最大值和最小值;Ld,t、分别为归一化前、后的负荷数值;
步骤3:采用小波阈值去噪法方法
选择Sym4函数作为小波基函数,其中Symlet函数通常记为SymN`,N`为小波分解层数;
选择软阈值函数法,公式如下:
其中y(ω)为小波系数估计;ωj,k为在尺度j上第k层含噪信号的小波系数,k=1,2,…,nj,(nj=N/2J-j+1),J为分解尺度,N为信号的长度,T为阈值门限值;
选择通用阈值估计法,公式如下:
式中,σn为噪声标准方差,N为信号的长度;
步骤4:负荷样本训练,计算负荷样本差异度;输入第i天t时刻的负荷样本Ii,t,列矩阵如下:
Ii,t=(Li,t-1,Li,t-2,Li-1,t,Li-1,t-1,Li-1,t-2,△Li,t-1,d)
式中
第i天t时刻的训练样本,列矩阵如下:
Xi,t=((Ii-1,t,Li-1,t),…,(Ii-n,t,Li-n,t))T
其中n为Xi,t中的样本容量,且i>n;t>2,
对第i天t时刻的训练样本Xi,t进行回归分析,公式如下
将预测第j天t时刻时的输入样本Ij,t中相应元素代入上式,,得t-1时刻的回归估计值公式如下:
式中,0<ak<1,k=0,1…,6;
计算第j天t时刻的负荷样本差异度rj,t,公式如下:
所述的步骤5:建立RBF神经网络负荷预测模型并进行在线预测负荷
步骤5.1:建立RBF神经网络负荷预测模型,设定RBF神经网络结构为7-13-1型,即输入层7个神经元;隐含层13个神经元;输出层1个神经元;
设输入向量X=(x1,x2,...,xr,...xR),r=7则隐含层第i个神经元传递函数的输入值为输入向量X与权值向量V之间距离与隐含层阈值bi的乘积,最终隐含层第i个神经元的输出为
输出层的传递函数为线性函数,其输入为隐含层输出向量a与权值向量W的乘积与输出层阈值b2之和,最终输出层的输出结果为
式中,xp=(x1,x2,...,xp)T,p=7为第r个输入样本;wij为隐含层到输出层的连接权值;yj为输入样本对应网络输出层的第j个结点的实际输出,i=1,2,...,h,h=13;
步骤5.2:阈值判断,若rj,t≤u,则执行子步骤5-3;否则,更新训练样本Xj,t至与第j天第t时刻最相近的n条数据样本,重新训练网络模型并计算训练样本回归系数,存储相应结果;
步骤5.3:加载t时刻的预测模型进行预测,并输出预测结果;
步骤5.4:等待t时刻的实际负荷值,并作畸变数据的判定及处理;计算t时刻的预测误差。
本发明为提高超短期负荷预测精度,在传统RBF神经网络预测模型的基础上,建立一种基于RBF神经网络超短期负荷预测模型。结合回归分析法对样本数据与预测误差进行分析研究,定义了负荷样本差异度及其计算方法,在预测过程中以此估算当前预测样本所产生的误差并调整预测模型,实现了预测模型对负荷变化规律的自适应。
附图说明
图1是本发明的***流程图;
图2是在线预测负荷流程图;
图3是RBF神经网络结构图。
具体实施方式
下面结合附图对本发明具体说明。
本方法是根据以某市某一天96点负荷数据为样本,所述的日信息d为1到7的整数,以周为周期。具体步骤如图1所示:
步骤1进行微电网数据预处理
(1)突变数据辨识,根据如下公式
Ld,t为第d天t时刻的负荷值;u=0.01为判定阈值;M为第d-1天最后时刻。当相邻时刻的负荷变化率大于判定阈值时,则判定负荷数据Ld,t为突变数据并予以剔除,然后将该时刻数据作为缺失数据进行补全;
(2)数据不全采用如下公式
Ld-m,t为第d-m天t时刻的负荷数据;λ为权值系数,即表示Ld-m,t对Ld,t的影响程度。
步骤2数据归一化处理,采用如下公式
Lmax和Lmin分别为训练样本集中负荷数据的最大值和最小值;Ld,t、分别为归一化前、后的负荷数值。
步骤3采用小波阈值去噪法方法,选择Sym4函数作为小波基函数
其中Symlet函数通常记为SymN`,N`为小波分解层数;
选择软阈值函数法和通用阈值估计法,公式如下:
其中y(ω)为小波系数估计;ωj,k为在尺度j上第k层含噪信号的小波系数,k=1,2,…,nj,(nj=N/2J-j+1),J为分解尺度,N为信号的长度,T为阈值门限值;
式中,σn为噪声标准方差,N为信号的长度;
步骤4负荷样本训练,求样本差异度。
(1)输入第i天t时刻的负荷样本Ii,t,其公式如下:
Ii,t=(Li,t-1,Li,t-2,Li-1,t,Li-1,t-1,Li-1,t-2,△Li,t-1,d)
式中
(2)第i天t时刻的训练样本,式子如下
Xi,t=((Ii-1,t,Li-1,t),…,(Ii-n,t,Li-n,t))T
其中n为Xi,t中的样本容量,且i>n;t>2,
(3)对第i天t时刻的训练样本Xi,t进行回归分析,公式如下
式中,0<ak<1,k=0,1…,6;
(4)将预测第j天t时刻时的输入样本Ij,t中相应元素代入上式,得t-1时刻的回归估计值式子如下:
式中,0<ak<1,k=0,1…,6;
(5)计算第j天t时刻的负荷样本差异度rj,t,公式如下
步骤5在线预测负荷,如图2所示:
(1)建立RBF神经网络负荷数学模型,设定RBF神经网络结构为7-13-1型,即输入层7个神经元;隐含层13个神经元;输出层1个神经元,如图3所示;
设输入向量X=(x1,x2,...,xr,...xR),r=7则隐含层第i个神经元传递函数的输入值为输入向量X与权值向量V之间距离与隐含层阈值bi的乘积,最终隐含层第i个神经元的输出为
输出层的传递函数为线性函数,其输入为隐含层输出向量a与权值向量W的乘积与输出层阈值b2之和,b2=0.5…,0.8;最终输出层的输出结果为
式中,xp=(x1,x2,...,xp)T,p=7为第r个输入样本;wij为隐含层到输出层的连接权值;yj为输入样本对应网络输出层的第j个结点的实际输出,i=1,2,...,h,h=13;
(2)阈值判断,若rj,t≤u,则执行子步骤5.3;否则,更新训练样本Xj,t至与第j天第t时刻最相近的n条数据样本,重新训练网络模型并计算训练样本回归系数,存储相应结果;
(3)加载t时刻的预测模型进行预测,并输出预测结果;
(4)等待t时刻的实际负荷值,并作畸变数据的判定及处理;计算t时刻的预测误差。
对发明提出的改进RBF神经网络超短期预测模型进行仿真实验,设定负荷样本差异度阈值u为0.015,即限定最大相对误差百分数为3%。
最大相对误差为1.43%,满足最大限定要求,平均相对误差为0.29%,由此可见:与传统预测模型相比,基于RBF神经网络超短期预测模型有效地提高了预测精度。
本发明为提高超短期负荷预测精度,在传统RBF神经网络预测模型的基础上,建立一种基于RBF神经网络超短期负荷预测模型。结合回归分析法对样本数据与预测误差进行分析研究,定义了负荷样本差异度及其计算方法,在预测过程中以此估算当前预测样本所产生的误差并调整预测模型,实现了预测模型对负荷变化规律的自适应。
以上仅为本发明的具体实施例而已,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。
Claims (2)
1.一种基于RBF神经网络的超短期负荷预测方法,其特征在于:
步骤1:微电网负荷数据辨识和补全
步骤1.1:选取同类型临近日期负荷数据,对突变数据进行辨识,公式如下:
其中,Ld,t为第d天t时刻的负荷值;u为判定阈值;M为第d-1天最后时刻;当相邻时刻的负荷变化率大于判定阈值时,则判定负荷数据Ld,t为突变数据并予以剔除,然后将该时刻数据作为缺失数据进行补全;所述负荷属性包括第d天t时刻的负荷值Ld,t,判定阈值u,u=0.01,历史负荷数据的采样时间间隔为15min,采样时间t为1到96的整数;所述的日信息d为1到7的整数,以周为周期;
步骤1.2:对缺失的数据进行补全,公式如下:
其中,Ld-m,t为第d-m天t时刻的负荷数据;λ为权值系数即表示Ld-m,t对Ld,t的影响程度;
步骤2:数据归一化处理
采用最值法归一化,公式如下:
其中,Lmax和Lmin分别为训练样本集中负荷数据的最大值和最小值;Ld,t、分别为归一化前、后的负荷数值;
步骤3:数据去噪处理
采用小波阈值去噪法方法,选择Sym4函数作为小波基函数,其中Symlet函数通常记为SymN`,N`为小波分解层数;
步骤4:计算负荷样本差异度
负荷样本训练,计算负荷样本差异度;输入第i天t时刻的负荷样本Ii,t,列矩阵如下:Ii,t=(Li,t-1,Li,t-2,Li-1,t,Li-1,t-1,Li-1,t-2,△Li,t-1,d)
式中
第i天t时刻的训练样本,列矩阵如下:
Xi,t=((Ii-1,t,Li-1,t),…,(Ii-n,t,Li-n,t))T
其中n为Xi,t中的样本容量,且i>n;t>2,
对第i天t时刻的训练样本Xi,t进行回归分析,公式如下
式中:k=0,1…,6,将预测第j天t时刻时的输入样本Ij,t中相应元素代入上式,得t-1时刻的回归估计值式子如下:
ai定义及取值同上,
计算第j天t时刻的负荷样本差异度rj,t,公式如下:
步骤5:建立RBF神经网络负荷预测模型并进行在线预测
步骤5.1,建立RBF神经网络负荷预测模型,设定RBF神经网络结构为7-13-1型,即输入层7个神经元;隐含层13个神经元;输出层1个神经元;
设输入向量X=(x1,x2,…,xr,…xR),r=7,则隐含层第i个神经元传递函数的输入值为输入向量X与权值向量V之间距离与隐含层阈值bi的乘积,最终隐含层第i个神经元的输出为
输出层的传递函数为线性函数,其输入为隐含层输出向量a与权值向量W的乘积与输出层阈值b2之和,最终输出层的输出结果为
式中,xp=(x1,x2,...,xp)T,p=7为第r个输入样本;wij为隐含层到输出层的连接权值;yj为输入样本对应网络输出层的第j个结点的实际输出,i=1,2,...,h,h=13;
步骤5.2,阈值判断,若rj,t≤u,则执行子步骤5-3;否则,更新训练样本Xj,t至与第j天第t时刻最相近的n条数据样本,重新训练网络模型并计算训练样本回归系数,存储相应结果;
步骤5.3,加载t时刻的预测模型进行预测,并输出预测结果;
步骤5.4等待t时刻的实际负荷值,并作畸变数据的判定及处理;计算t时刻的预测误差。
2.进一步地,步骤3中,选择软阈值函数法,公式如下:
其中y(ω)为小波系数估计;ωj,k为在尺度j上第k层含噪信号的小波系数,k=1,2,…,nj,(nj=N/2J-j+1),J为分解尺度,N为信号的长度,T为阈值门限值;
选择通用阈值估计法,公式如下:
式中,σn为噪声标准方差,N为信号的长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611133685.2A CN106600050A (zh) | 2016-12-10 | 2016-12-10 | 一种基于bp神经网络的超短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611133685.2A CN106600050A (zh) | 2016-12-10 | 2016-12-10 | 一种基于bp神经网络的超短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600050A true CN106600050A (zh) | 2017-04-26 |
Family
ID=58598298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611133685.2A Pending CN106600050A (zh) | 2016-12-10 | 2016-12-10 | 一种基于bp神经网络的超短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600050A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301478A (zh) * | 2017-06-26 | 2017-10-27 | 广东电网有限责任公司珠海供电局 | 一种电缆线路短时负荷预测方法 |
CN107562695A (zh) * | 2017-09-01 | 2018-01-09 | 中国联合网络通信集团有限公司 | 一种配电变压器的负载数据处理方法及装置 |
CN108320046A (zh) * | 2017-12-27 | 2018-07-24 | 安徽机电职业技术学院 | 短期电力负荷预测建模方法 |
CN108596407A (zh) * | 2018-05-15 | 2018-09-28 | 浙江工业大学 | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 |
CN108920868A (zh) * | 2018-07-23 | 2018-11-30 | 国网江西省电力有限公司电力科学研究院 | 基于智能电表数据的负荷辨识模型参数修正方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN110232476A (zh) * | 2019-05-30 | 2019-09-13 | 华中科技大学 | 一种基于深度学习的微电网负荷预测方法 |
CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力***短期负荷预测方法 |
CN110852480A (zh) * | 2019-10-14 | 2020-02-28 | 杭州中恒云能源互联网技术有限公司 | 一种电力数据补全方法 |
CN110858309A (zh) * | 2018-08-22 | 2020-03-03 | 中国信息通信研究院 | 一种多基准时钟加权合成方法 |
CN110866633A (zh) * | 2019-10-25 | 2020-03-06 | 上海电气集团股份有限公司 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
CN112329973A (zh) * | 2020-08-20 | 2021-02-05 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于图神经网络和区域网格化的时空负荷预测方法 |
CN112508261A (zh) * | 2020-12-03 | 2021-03-16 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
CN112785088A (zh) * | 2021-02-25 | 2021-05-11 | 西安理工大学 | 一种基于dcae-lstm短期日负荷曲线预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295081A (zh) * | 2013-07-02 | 2013-09-11 | 上海电机学院 | 基于bp神经网络的电力***负荷预测方法 |
CN105631532A (zh) * | 2015-12-07 | 2016-06-01 | 江苏省电力公司检修分公司 | 一种基于模糊决策的神经网络模型电力***负荷预测方法 |
CN106022549A (zh) * | 2016-07-28 | 2016-10-12 | 兰州理工大学 | 基于神经网络和思维演化搜索的短期负荷预测方法 |
-
2016
- 2016-12-10 CN CN201611133685.2A patent/CN106600050A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295081A (zh) * | 2013-07-02 | 2013-09-11 | 上海电机学院 | 基于bp神经网络的电力***负荷预测方法 |
CN105631532A (zh) * | 2015-12-07 | 2016-06-01 | 江苏省电力公司检修分公司 | 一种基于模糊决策的神经网络模型电力***负荷预测方法 |
CN106022549A (zh) * | 2016-07-28 | 2016-10-12 | 兰州理工大学 | 基于神经网络和思维演化搜索的短期负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
潘超: "微电网超短期负荷预测方法及策略研究", 《CNKI》 * |
潘超: "微电网超短期负荷预测方法及策略研究-时间页", 《CNKI》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301478A (zh) * | 2017-06-26 | 2017-10-27 | 广东电网有限责任公司珠海供电局 | 一种电缆线路短时负荷预测方法 |
CN107562695A (zh) * | 2017-09-01 | 2018-01-09 | 中国联合网络通信集团有限公司 | 一种配电变压器的负载数据处理方法及装置 |
CN107562695B (zh) * | 2017-09-01 | 2020-08-14 | 中国联合网络通信集团有限公司 | 一种配电变压器的负载数据处理方法及装置 |
CN108320046A (zh) * | 2017-12-27 | 2018-07-24 | 安徽机电职业技术学院 | 短期电力负荷预测建模方法 |
CN108596407A (zh) * | 2018-05-15 | 2018-09-28 | 浙江工业大学 | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 |
CN108596407B (zh) * | 2018-05-15 | 2021-08-03 | 浙江工业大学 | 一种基于曼哈顿距离和无迹卡尔曼滤波的微电网日常综合负荷短时预测方法 |
CN108920868A (zh) * | 2018-07-23 | 2018-11-30 | 国网江西省电力有限公司电力科学研究院 | 基于智能电表数据的负荷辨识模型参数修正方法 |
CN110858309A (zh) * | 2018-08-22 | 2020-03-03 | 中国信息通信研究院 | 一种多基准时钟加权合成方法 |
CN110858309B (zh) * | 2018-08-22 | 2023-04-18 | 中国信息通信研究院 | 一种多基准时钟加权合成方法 |
CN109829587A (zh) * | 2019-02-12 | 2019-05-31 | 国网山东省电力公司电力科学研究院 | 基于深度lstm网络的小区域级超短期负荷预测及可视化方法 |
CN110232476B (zh) * | 2019-05-30 | 2021-12-03 | 华中科技大学 | 一种基于深度学习的微电网负荷预测方法 |
CN110232476A (zh) * | 2019-05-30 | 2019-09-13 | 华中科技大学 | 一种基于深度学习的微电网负荷预测方法 |
CN110472779A (zh) * | 2019-07-30 | 2019-11-19 | 东莞理工学院 | 一种基于时间卷积网络的电力***短期负荷预测方法 |
CN110852480A (zh) * | 2019-10-14 | 2020-02-28 | 杭州中恒云能源互联网技术有限公司 | 一种电力数据补全方法 |
CN110852480B (zh) * | 2019-10-14 | 2023-03-10 | 杭州中恒云能源互联网技术有限公司 | 一种电力数据补全方法 |
CN110866633A (zh) * | 2019-10-25 | 2020-03-06 | 上海电气集团股份有限公司 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
CN110866633B (zh) * | 2019-10-25 | 2023-11-24 | 上海电气集团股份有限公司 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
CN112329973A (zh) * | 2020-08-20 | 2021-02-05 | 国网湖北省电力有限公司襄阳供电公司 | 一种基于图神经网络和区域网格化的时空负荷预测方法 |
CN112508261A (zh) * | 2020-12-03 | 2021-03-16 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
CN112508261B (zh) * | 2020-12-03 | 2021-09-03 | 广东电网有限责任公司 | 一种基于神经网络的配电变压器负荷分层预测方法及装置 |
CN112785088A (zh) * | 2021-02-25 | 2021-05-11 | 西安理工大学 | 一种基于dcae-lstm短期日负荷曲线预测方法 |
CN112785088B (zh) * | 2021-02-25 | 2023-06-30 | 西安理工大学 | 一种基于dcae-lstm短期日负荷曲线预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600050A (zh) | 一种基于bp神经网络的超短期负荷预测方法 | |
CN110223517B (zh) | 基于时空相关性的短时交通流量预测方法 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
US11409347B2 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN106096767A (zh) | 一种基于lstm的路段行程时间预测方法 | |
CN104155574B (zh) | 基于自适应神经模糊推理***的配电网故障分类方法 | |
CN108280551A (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN109886444A (zh) | 一种交通短时客流预测方法、装置、设备和存储介质 | |
CN110472778A (zh) | 一种基于Blending集成学习的短期负荷预测方法 | |
Yu et al. | The forecast of the electrical energy generated by photovoltaic systems using neural network method | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
CN106920014A (zh) | 一种短时负荷预测方法及装置 | |
CN109598381B (zh) | 一种基于状态频率记忆神经网络的短时交通流预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
WO2019006995A1 (zh) | 一种电动汽车动力电池soc智能化预测*** | |
CN109657878A (zh) | 一种空调负荷预测方法及装置 | |
CN109815995A (zh) | 一种缺失观测值条件下锂电池剩余寿命预测方法 | |
CN104992008A (zh) | 基于Hilbert空间多核函数相乘的风速预测方法 | |
CN111445498A (zh) | 一种采用Bi-LSTM神经网络的目标跟踪方法 | |
CN108053066A (zh) | 工业生产用户能源管理***中可调电力负荷的预测方法 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN112215478B (zh) | 光储电站的功率协调控制方法和装置、存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |