CN108122173A - 一种基于深度信念网络的多行业负荷预测方法 - Google Patents
一种基于深度信念网络的多行业负荷预测方法 Download PDFInfo
- Publication number
- CN108122173A CN108122173A CN201711385664.4A CN201711385664A CN108122173A CN 108122173 A CN108122173 A CN 108122173A CN 201711385664 A CN201711385664 A CN 201711385664A CN 108122173 A CN108122173 A CN 108122173A
- Authority
- CN
- China
- Prior art keywords
- load
- prediction
- model
- profession
- training
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 43
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 238000004939 coking Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000009941 weaving Methods 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
- 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
-
- 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"
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于深度信念网络的多行业负荷预测方法，该法先先分析各行业的负荷影响因素，并根据分析结果将各行业划分为不同的预测类型，再针对不同的预测类型分别建立与之一一对应的负荷预测初始模型，然后采用训练数据集训练这些负荷预测初始模型，得到负荷预测模型，最后利用该负荷预测模型对不同行业的负荷进行预测即可。本设计不仅为供电企业提供了决策依据，而且保证了配电网负荷预测的准确、高效性。
Description
技术领域
本发明属于配电网负荷预测技术领域，具体涉及一种基基于深度信念网络的多行业负荷预测方法。
背景技术
随着我国经济的快速发展与人民生活水平的日益提高，用户用电量表现出增长的态势，各行业的快速发展使得用户用电需求趋于多元化，对供电的要求也日益提高。准确的电力负荷特性分析与预测一方面能够提高电力生产企业自身的经济效益以及电力用户安全、可靠、经济用电的社会效益，另一方面为供电企业优化能源结构、合理配置资源、制定业扩报装策略提供合理、环保、可靠的决策依据。但是目前的负荷预测对象多是区域负荷，缺少一种针对多种不同行业的负荷预测方法，不利于供电企业掌握各行业的用电规律，给进一步的优化供电结构带来困难。
随着智能电网建设的逐步推进，数据呈现出了***性的増长趋势，传统的数据挖掘方法应对如此庞大的数据量存在获取有效信息困难与效率低下等问题，难以取得理想的结果。
发明内容
基于以上背景，本发明提供了一种高效准确且适用于不同行业的基于深度信念网络的多行业负荷预测方法。
为实现以上目的，本发明的技术方案如下：
参见图1，一种基于深度信念网络的多行业负荷预测方法，依次包括以下步骤：
步骤A、先分析各行业的负荷影响因素，再根据分析结果将各行业划分为不同的预测类型；
步骤B、先针对不同的预测类型分别建立与之一一对应的负荷预测初始模型，再采用训练数据集训练这些负荷预测初始模型，得到负荷预测模型；
步骤C、利用步骤B中生成的负荷预测模型对不同行业的负荷进行预测。
所述步骤B中，所述采用训练数据集训练这些负荷预测初始模型，得到负荷预测模型依次包括以下步骤：
步骤B1、针对不同的预测类型确定其对应的负荷预测初始模型的输入层变量和输出层变量；
步骤B2、设定隐层的层数和节点数，堆叠每层受限玻尔兹曼机形成负荷预测初始模型，其中，所述隐层的层数即为受限玻尔兹曼机的个数；
步骤B3、设定负荷预测初始模型的训练参数；
步骤B4、先根据步骤B1确定的输入层变量与输出层变量收集相关数据，建立对应负荷预测初始模型的训练数据集，然后对训练数据集进行归一化处理；
步骤B5、采用步骤B3设定的训练参数对负荷预测初始模型的每层受限玻尔兹曼机单独采用自下向上的非监督学习法进行预训练；
步骤B6、先将预训练后的每层受限玻尔兹曼机堆叠成预测模型，然后利用步骤B4得到的训练数据集、根据步骤B3设定的训练参数采用自上向下的有监督学习法对预测模型进行训练，得到负荷预测模型。
步骤B1中，所述输入层变量包括前一预测时间维度历史负荷数值和该地区预测时间维度下每个负荷影响因素的增长/变化率，所述输出层变量为负荷预测结果；
步骤B3中，所述负荷预测初始模型的训练参数包括每层受限玻尔兹曼机的学习效率、训练数据集的迭代训练次数；
步骤B4采用以下公式进行归一化处理：
式中，x为归一化处理前的输入值或输出值，为经过归一化处理后的输入值或输出值，xmax为输入值或输出值的最大值，xmin为输入值或输出值的最小值。
所述步骤A依次包括以下步骤：
步骤A1、首先确定行业类别，然后采集各行业用户的用电数据，并确定影响各行业用户负荷的主要因素；
步骤A2、采用相关性分析法计算不同行业用户负荷与步骤A1得到的主要因素的关联度，使每个行业均形成一个关联度数列；
步骤A3、根据步骤A2得到的各行业的关联度数列，通过聚类分析方法将各行业划分为不同的预测类型；
步骤A1中，所述影响各行业用户负荷的主要因素包括三种产业GDP、电价水平、地区人口数、人均可支配收入和平均气温；
步骤A2中，所述相关性分析法为灰色关联度分析法；
步骤A3中，所述聚类分析法为k-means聚类分析法。
所述步骤C依次包括以下步骤：
步骤C1、先按照步骤A所述方法将各待测行业划分为不同的预测类型，然后选择与预测类型相对应的负荷预测模型；
步骤C2、先按照步骤B4所述方法得到归一化处理后的数据集，然后将其输入对应的负荷预测模型中，得到的结果即为各待测行业的负荷预测结果。
与现有技术相比，本发明的有益效果为：
本发明一种基于深度信念网络的多行业负荷预测方法先根据不同行业负荷的影响因素将各行业划分为不同的预测类型，然后针对不同的预测类型分别建立与之一一对应的负荷预测初始模型，再采用训练数据集训练这些负荷预测初始模型，得到负荷预测模型，一方面，该方法充分发挥深度信念网络的优势，将其应用于不同行业的负荷预测可以充分利用智能电网运行产生的庞大数据，保证了负荷预测的准确、高效，便于实际应用，另一方面，该方法有利于供电企业掌握不同行业的用电规律，为供电企业的合理规划行业布局、优化能源配置结构、制定业扩报装策略等提供了决策依据。因此，本发明不仅为供电企业提供了决策依据，而且保证了配电网负荷预测的准确、高效性。
附图说明
图1为本发明的流程图。
图2为本发明实施例1的模型结构图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的说明。
参见图1，一种基于深度信念网络的多行业负荷预测方法，依次包括以下步骤：
步骤A、先分析各行业的负荷影响因素，再根据分析结果将各行业划分为不同的预测类型；
步骤B、先针对不同的预测类型分别建立与之一一对应的负荷预测初始模型，再采用训练数据集训练这些负荷预测初始模型，得到负荷预测模型；
步骤C、利用步骤B中生成的负荷预测模型对不同行业的负荷进行预测。
所述步骤B中，所述采用训练数据集训练这些负荷预测初始模型，得到负荷预测模型依次包括以下步骤：
步骤B1、针对不同的预测类型确定其对应的负荷预测初始模型的输入层变量和输出层变量；
步骤B2、设定隐层的层数和节点数，堆叠每层受限玻尔兹曼机形成负荷预测初始模型，其中，所述隐层的层数即为受限玻尔兹曼机的个数；
步骤B3、设定负荷预测初始模型的训练参数；
步骤B4、先根据步骤B1确定的输入层变量与输出层变量收集相关数据，建立对应负荷预测初始模型的训练数据集，然后对训练数据集进行归一化处理；
步骤B5、采用步骤B3设定的训练参数对负荷预测初始模型的每层受限玻尔兹曼机单独采用自下向上的非监督学习法进行预训练；
步骤B6、先将预训练后的每层受限玻尔兹曼机堆叠成预测模型，然后利用步骤B4得到的训练数据集、根据步骤B3设定的训练参数采用自上向下的有监督学习法对预测模型进行训练，得到负荷预测模型。
步骤B1中，所述输入层变量包括前一预测时间维度历史负荷数值和该地区预测时间维度下每个负荷影响因素的增长/变化率，所述输出层变量为负荷预测结果；
步骤B3中，所述负荷预测初始模型的训练参数包括每层受限玻尔兹曼机的学习效率、训练数据集的迭代训练次数；
步骤B4采用以下公式进行归一化处理：
式中，x为归一化处理前的输入值或输出值，为经过归一化处理后的输入值或输出值，xmax为输入值或输出值的最大值，xmin为输入值或输出值的最小值。
所述步骤A依次包括以下步骤：
步骤A1、首先确定行业类别，然后采集各行业用户的用电数据，并确定影响各行业用户负荷的主要因素；
步骤A2、采用相关性分析法计算不同行业用户负荷与步骤A1得到的主要因素的关联度，使每个行业均形成一个关联度数列；
步骤A3、根据步骤A2得到的各行业的关联度数列，通过聚类分析方法将各行业划分为不同的预测类型；
步骤A1中，所述影响各行业用户负荷的主要因素包括三种产业GDP、电价水平、地区人口数、人均可支配收入和平均气温；
步骤A2中，所述相关性分析法为灰色关联度分析法；
步骤A3中，所述聚类分析法为k-means聚类分析法。
所述步骤C依次包括以下步骤：
步骤C1、先按照步骤A所述方法将各待测行业划分为不同的预测类型，然后选择与预测类型相对应的负荷预测模型；
步骤C2、先按照步骤B4所述方法得到归一化处理后的数据集，然后将其输入对应的负荷预测模型中，得到的结果即为各待测行业的负荷预测结果。
本发明的原理说明如下：
本发明对负荷分类初始模型的训练分为两步实施：第一步采用非监督学习方法自下向上对每层受限玻尔兹曼机单独进行预训练，以得到初始权重值，第二步将将预训练后的每层受限玻尔兹曼机堆叠成预测模型，采用自上向下的有监督学习方法对其进行训练，对权重初值进行微调，可确保整个网络权重达到最优分布。
本发明所述灰色关联度分析具体为：先确定某行业负荷数据为***特征序列、确定上述影响因素为影响因素序列，并对两数列进行无量纲处理，再求取不同行业负荷与不同影响因素序列的关联度，并形成数列。
本发明所述k-means聚类分析法具体为：先设置不同的聚类个数对不同行业关联度数列进行聚类，然后比较不同聚类个数的聚类效果，从而确定最终的聚类数(即预测类型种类数)。
实施例1：
参见图1、图2，一种基于深度信念网络的多行业负荷预测方法，依次按照以下步骤进行：
步骤1、由于第一产业负荷占比很小，故确定仅对第二产业、第三产业以及居民用电负荷进行研究，具体包括：交通运输和电气及电子设备、金属、黑金属、纺织、橡胶和塑料、非金属矿物、服装鞋帽、通用及专用设备、化学原料及制品、石油加工和炼焦、食品饮料和烟草、造纸及纸制品、金融房地产和商务及居民服务业、批发和零售、住宿和餐饮业、交通运输业、共管理和社会组织及国际组织、教育文化和体育及娱乐业、卫生和社会保障及社会福利业，采集某地区近十年上述行业用多个用户的用电数据，并确定影响各行业用户负荷的主要因素，包括三种产业GDP、电价水平、地区人口数、人均可支配收入和平均气温；
步骤2、采用灰色关联度分析法计算不同行业用户负荷与步骤A1得到的主要因素的关联度，使每个行业均形成一个关联度数列；
步骤3、根据步骤A2得到的各行业的关联度数列，通过k-means聚类分析方法将各待测行业划分为5个不同的预测类型；
步骤4、先针对不同的预测类型分别建立与之一一对应的负荷预测初始模型，然后确定不同的预测类型所对应的负荷预测初始模型的输入层变量和输出层变量，其中，所述输入层变量包括前一年末负荷数值、该地区三种产业GDP的年增长率、地区人口年变化率、人均可支配收入的年增长率、平均气温年变化率，输出层变量为本年末负荷数值；
步骤5、考虑到样本数量、训练时间、模型拟合程度等因素，设定隐层的层数为2层、隐层的节点数为15个(输入层的节点数为7)，堆叠每层受限玻尔兹曼机形成负荷预测初始模型，其中，所述隐层的层数即为受限玻尔兹曼机的个数；
步骤6、设定各负荷预测初始模型每层受限玻尔兹曼机的学习效为0.01、训练数据集的迭代训练次数为5000次；
步骤7、先根据步骤4确定的输入层变量与输出层变量收集相关数据，将80％的数据作为对应负荷预测初始模型的训练数据集，其余用于模型测试，然后采用以下公式对训练数据集进行归一化处理：
式中，x为归一化处理前的输入值或输出值，为经过归一化处理后的输入值或输出值，xmax为输入值或输出值的最大值，xmin为输入值或输出值的最小值；
步骤8、采用步骤6设定的训练参数对负荷预测初始模型的每层受限玻尔兹曼机单独采用自下向上的非监督学习法进行预训练；
步骤9、先将预训练后的每层受限玻尔兹曼机堆叠成预测模型，然后利用步骤7得到的训练数据集、根据步骤6设定的训练参数采用自上向下的有监督学习法对预测模型进行训练，得到负荷预测模型。
步骤10、先按照步骤1﹣3所述方法将各待测行业划分为不同的预测类型，然后选择与预测类型相对应的负荷预测模型；
步骤11、先对步骤7得到的剩余20％的数据进行归一化处理后，得到测试数据集，然后将其输入步骤9得到的对应的负荷预测模型中，得到的结果即为各待测行业的负荷预测结果。
为考察本发明方法的可行性和有效性，将实施例1得到的结果按照以下公式计算平均误差率：
式中，n为测试数据样本总数，ti为预测结果，yi为实际数值。
计算结果表明：采用本实施例所述方法预测得到的结果的平均误差率不超过2％，具有较高的准确性。
Claims (6)
1.一种基于深度信念网络的多行业负荷预测方法，其特征在于：
所述方法依次包括以下步骤：
步骤A、先分析各行业的负荷影响因素，再根据分析结果将各行业划分为不同的预测类型；
步骤B、先针对不同的预测类型分别建立与之一一对应的负荷预测初始模型，再采用训练数据集训练这些负荷预测初始模型，得到负荷预测模型；
步骤C、利用步骤B中生成的负荷预测模型对不同行业的负荷进行预测。
2.根据权利要求1所述的一种基于深度信念网络的多行业负荷预测方法，其特征在于：
所述步骤B中，所述采用训练数据集训练这些负荷预测初始模型，得到负荷预测模型依次包括以下步骤：
步骤B1、确定不同的预测类型所对应的负荷预测初始模型的输入层变量和输出层变量；
步骤B2、设定隐层的层数和节点数，堆叠每层受限玻尔兹曼机形成负荷预测初始模型，其中，所述隐层的层数即为受限玻尔兹曼机的个数；
步骤B3、设定负荷预测初始模型的训练参数；
步骤B4、先根据步骤B1确定的输入层变量与输出层变量收集相关数据，建立对应负荷预测初始模型的训练数据集，然后对训练数据集进行归一化处理；
步骤B5、采用步骤B3设定的训练参数对负荷预测初始模型的每层受限玻尔兹曼机单独采用自下向上的非监督学习法进行预训练；
步骤B6、先将预训练后的每层受限玻尔兹曼机堆叠成预测模型，然后利用步骤B4得到的训练数据集、根据步骤B3设定的训练参数采用自上向下的有监督学习法对预测模型进行训练，得到负荷预测模型。
3.根据权利要求2所述的一种基于深度信念网络的多行业负荷预测方法，其特征在于：
步骤B1中，所述输入层变量包括前一预测时间维度历史负荷数值和该地区预测时间维度下每个负荷影响因素的增长/变化率，所述输出层变量为负荷预测结果；
步骤B3中，所述负荷预测初始模型的训练参数包括每层受限玻尔兹曼机的学习效率、训练数据集的迭代训练次数；
步骤B4采用以下公式进行归一化处理：
式中，x为归一化处理前的输入值或输出值，为经过归一化处理后的输入值或输出值，xmax为输入值或输出值的最大值，xmin为输入值或输出值的最小值。
4.根据权利要求2所述的一种基于深度信念网络的多行业负荷预测方法，其特征在于：
所述步骤A依次包括以下步骤：
步骤A1、首先确定行业类别，然后采集各行业用户的用电数据，并确定影响各行业用户负荷的主要因素；
步骤A2、采用相关性分析法计算不同行业用户负荷与步骤A1得到的主要因素的关联度，使每个行业均形成一个关联度数列；
步骤A3、根据步骤A2得到的各行业的关联度数列，通过聚类分析方法将各行业划分为不同的预测类型。
5.根据权利要求4所述的一种基于深度信念网络的多行业负荷预测方法，其特征在于：
步骤A1中，所述影响各行业用户负荷的主要因素包括三种产业GDP、电价水平、地区人口数、人均可支配收入和平均气温；
步骤A2中，所述相关性分析法为灰色关联度分析法；
步骤A3中，所述聚类分析法为k-means聚类分析法。
6.根据权利要求4所述的一种基于深度信念网络的多行业负荷预测方法，其特征在于：
所述步骤C依次包括以下步骤：
步骤C1、先按照步骤A所述方法将各待测行业划分为不同的预测类型，然后选择与预测类型相对应的负荷预测模型；
步骤C2、先按照步骤B4所述方法得到归一化处理后的数据集，然后将其输入对应的负荷预测模型中，得到的结果即为各待测行业的负荷预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711385664.4A CN108122173A (zh) | 2017-12-20 | 2017-12-20 | 一种基于深度信念网络的多行业负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711385664.4A CN108122173A (zh) | 2017-12-20 | 2017-12-20 | 一种基于深度信念网络的多行业负荷预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108122173A true CN108122173A (zh) | 2018-06-05 |
Family
ID=62230553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711385664.4A Pending CN108122173A (zh) | 2017-12-20 | 2017-12-20 | 一种基于深度信念网络的多行业负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108122173A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033128A (zh) * | 2019-03-18 | 2019-07-19 | 西安科技大学 | 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法 |
| CN112862216A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种基于深度置信网络的多行业能源需求预测方法 |
| WO2021208342A1 (zh) * | 2020-04-14 | 2021-10-21 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电*** |
| CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力***背景下的分层分区短期负荷预测方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999791A (zh) * | 2012-11-23 | 2013-03-27 | 广东电网公司电力科学研究院 | 一种电力行业中基于客户分群的电力负荷预测方法 |
| US20140095415A1 (en) * | 2012-09-28 | 2014-04-03 | Electronics And Telecommunications Research Institute | Apparatus and method for forecasting energy consumption |
| CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力***短期负荷预测方法 |
| CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
-
2017
- 2017-12-20 CN CN201711385664.4A patent/CN108122173A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140095415A1 (en) * | 2012-09-28 | 2014-04-03 | Electronics And Telecommunications Research Institute | Apparatus and method for forecasting energy consumption |
| CN102999791A (zh) * | 2012-11-23 | 2013-03-27 | 广东电网公司电力科学研究院 | 一种电力行业中基于客户分群的电力负荷预测方法 |
| CN104881706A (zh) * | 2014-12-31 | 2015-09-02 | 天津弘源慧能科技有限公司 | 一种基于大数据技术的电力***短期负荷预测方法 |
| CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110033128A (zh) * | 2019-03-18 | 2019-07-19 | 西安科技大学 | 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法 |
| CN110033128B (zh) * | 2019-03-18 | 2023-01-31 | 西安科技大学 | 基于受限玻尔兹曼机的刮板输送机负载自适应预测方法 |
| WO2021208342A1 (zh) * | 2020-04-14 | 2021-10-21 | 广东卓维网络有限公司 | 一种多元用户与电网友好互动用电*** |
| CN112862216A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种基于深度置信网络的多行业能源需求预测方法 |
| CN116826745A (zh) * | 2023-08-30 | 2023-09-29 | 山东海兴电力科技有限公司 | 一种电力***背景下的分层分区短期负荷预测方法及*** |
| CN116826745B (zh) * | 2023-08-30 | 2024-02-09 | 山东海兴电力科技有限公司 | 一种电力***背景下的分层分区短期负荷预测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cai et al. | Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN106022509B (zh) | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 | |
| CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及*** | |
| CN108122173A (zh) | 一种基于深度信念网络的多行业负荷预测方法 | |
| Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
| CN107730059A (zh) | 基于机器学习的变电站电量趋势预测分析的方法 | |
| CN106446967A (zh) | 一种新型电力***负荷曲线聚类方法 | |
| CN106485262A (zh) | 一种母线负荷预测方法 | |
| CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
| CN105160416A (zh) | 一种结合主元分析与神经网络的台区合理线损预测方法 | |
| CN105654196A (zh) | 一种基于电力大数据的自适应负荷预测选择方法 | |
| CN106952027A (zh) | 一种10kV配电网线路规划接入容量计算方法 | |
| CN110689162B (zh) | 一种基于用户侧分类的母线负荷预测方法、装置及*** | |
| CN108960488A (zh) | 一种基于深度学习与多源信息融合的饱和负荷空间分布精准预测方法 | |
| CN103942606A (zh) | 基于果蝇智能优化算法的居民用电客户细分方法 | |
| CN109902340A (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
| CN108734216A (zh) | 基于负荷曲线形态的电力用户分类方法、装置及存储介质 | |
| CN106777005A (zh) | 基于大数据技术改进聚类算法的用户用电行为分析方法 | |
| CN109685567A (zh) | 一种基于卷积神经网络和模糊聚类的用电客户画像新方法 | |
| CN109003010A (zh) | 电网项目投资效益的评价方法 | |
| CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
| CN107194526A (zh) | 一种基于模糊聚类的售电侧市场化改革进度评估方法 | |
| CN107248031A (zh) | 一种针对负荷曲线峰谷差的快速电力用户分类方法 | |
| Liu et al. | Development Assessment of Higher Education System Based on TOPSIS‐Entropy, Hopfield Neural Network, and Cobweb Model |
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: 20180605 |