CN108304978A - 一种基于数据聚类理论的中期地区电力负荷预测方法 - Google Patents
一种基于数据聚类理论的中期地区电力负荷预测方法 Download PDFInfo
- Publication number
- CN108304978A CN108304978A CN201810430741.1A CN201810430741A CN108304978A CN 108304978 A CN108304978 A CN 108304978A CN 201810430741 A CN201810430741 A CN 201810430741A CN 108304978 A CN108304978 A CN 108304978A
- Authority
- CN
- China
- Prior art keywords
- load
- index
- factor
- region
- mid
- 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 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000012098 association analyses Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013277 forecasting method Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000000611 regression analysis Methods 0.000 description 5
- 238000007418 data mining Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于数据聚类理论的中期地区电力负荷预测方法,包括:区域划分、影响因素关联分析和负荷空间分布预测。本发明利用聚类理论方法,以区域块为基本单位,将地区内各个区域块进行重新划分,根据其相似度进行组合,作为后期负荷预测的基本单位。本发明利用神经网络算法预测负荷密度和同时率,考虑了包含时间、空间等多属性多层次的因素,挖掘了各种层次的影响因素对负荷密度及同时率的影响,可提升本发明中负荷预测方法的精度和效率,有助于电网精细化规划。与此同时,BP神经网络算法具有计算稳定、任意复杂的模式分类能力强、多维函数映射能力优等优点,适合于负荷预测。
Description
技术领域
本发明涉及一种基于数据聚类理论的中期地区电力负荷预测方法,属电力负荷预测技术领域。
背景技术
中期负荷预测是电网规划、运行的基础工作,准确的预测能给电网规划带来巨大的经济效益。但中期负荷预测的时间跨度大,受到各种非线性和不确定的影响因素类型多,且具有显著的地域性特点,预测难度大。
目前我国实际电网规划工作中,中期电力负荷预测通常采用传统的组合预测法,如将回归分析法、趋势外推法、弹性系数法和大用户+自然增长法相结合。这种组合预测法操作简单、需用历史数据少,但是这种方法仅考虑电力负荷水平与宏观经济指标及电力用户的关系,本质上都是线性模型,预测效果不佳,从而会影响电网规划的实际效益。而在中期负荷预测的方法研究上,有不少学者从聚类分析、数据挖掘等方面展开工作,如李亦言“考虑城市化的中长期负荷预测模型”运用层次分析法对各主要构成要素进行主观赋权,然后利用模糊聚类法进行负荷预测;崔旻“基于数据挖掘的电力***中长期负荷预测新方法”结合了改进的层次分析法和聚类算法对中长期负荷进行预测。这些研究方法都存在主观对负荷影响因素进行赋权问题,降低了负荷预测的精度,且聚类算法只是对负荷的组成进行简单分类预测,没有考虑到不同区域块的用电负荷特性的不同,考虑的影响负荷的因素也较为粗略。
发明内容
本发明的目的是,针对上述问题,为了能够挖掘不同的负荷影响因素对地区中期负荷水平的影响,提高负荷预测的准确性,本发明公开一种基于数据聚类理论的中期地区电力负荷预测方法。
本发明实现的技术方案如下,一种基于数据聚类理论的中期地区电力负荷预测方法,包括区域划分、影响因素关联分析和负荷空间分布预测。
所述区域划分,根据地区社会经济水平和土地性质方面指标和聚类方法分析结果,将一个大区域划分为若干个具有相似特征的区域块,以作为本预测方法的最小地理单位;
所述影响因素关联分析,用于针对每一种影响因素,分析其与区域块的负荷密度、同时率进行相关性分析,得出各影响因素对地区负荷密度、同时率影响的权重;
所述负荷空间分布预测,用于采用负荷空间预测法对该地区的中期负荷进行预测。
所述区域划分,根据地区社会经济水平和土地性质方面指标和聚类方法分析结果,将一个大区域划分为若干个具有相似特征的区域块,以作为本预测方法的最小地理单位;
所述影响因素关联分析,用于针对每一种影响因素,分析其与区域块的负荷密度、同时率进行相关性分析,得出各影响因素对地区负荷密度、同时率影响的权重;
所述负荷空间分布预测,用于采用负荷空间预测法对该地区的中期负荷进行预测。
所述聚类方法,假定政治政策指标、产业结构调整指标、宏观经济指标、常住人口、居民消费水平、电力电量消费习惯指标、电价、重大活动指标、历史负荷特性指标、时间因素指标构成指标矩阵H,则指标矩阵H为:
其中,Hnm是第m个指标在第n个指标为基准值时的相应值;第n个指标的基准值b可根据第n个指标的历史值估算;
假设H矩阵的特征值分别为γ1,γ2,...,γm,特征影响因素
得出第i个指标与第j个指标之间的距离dij为:
其中,Hik为第i个指标在第k个指标为基准值时的相应值;Hkj为第k个指标在第j个指标为基准值时的相应值;λk为第k个指标对应H矩阵下的特征值;λl为第l个指标对应H矩阵下的特征值。
所述影响因素关联分析,选取区域块的负荷为研究对象,通过相关性分析,分析区域块负荷与经济发展水平、区域块用地类别、人口、居民消费水平、电价、以及时间因素影响因素的关联规则;进而得出各区域块的负荷密度与影响因素之间的关联度的集合;接着对整个地区的历史负荷数据和各个区域块历史负荷数据之间进行比较,得出历史年的同时率数据,通过相关性分析,分析同时率与用地性质种类、人口、电价、时间因素影响因素的关联度的集合。
所述负荷空间分布预测,采用人工神经网络算法,以影响因素关联分析对每一个区域块进行负荷密度预测和整个地区的负荷同时率进行预测,从而得到整个地区的中期负荷预测结果。
本发明的有益效果是,本发明利用聚类理论方法,调研地区中社会经济水平、土地性质和负荷特性方面指标,以区域块为基本单位,将地区内各个区域块进行重新划分,根据其相似度进行组合,作为后期负荷预测的基本单位。如此,方法中的中期负荷预测算法将具有较强的适应性,也能减轻负荷预测工作前期的工作量,即本发明中区域划分和影响因素关联分析的结果的重用性高。本发明利用神经网络算法预测负荷密度和同时率,考虑了包含时间、空间等多属性多层次的因素,挖掘了各种层次的影响因素对负荷密度及同时率的影响,可提升本发明中负荷预测方法的精度和效率,有助于电网精细化规划。与此同时,BP神经网络算法具有计算稳定、任意复杂的模式分类能力强、多维函数映射能力优等优点,十分适合于负荷预测。
附图说明
图1是正向回归分析负荷预测图;
图2是饱和年负荷倒推法图;
图3是本发明实施例提供的一种中期地区电力负荷预测方法功能模块图;
图4是本发明实施例提供的一种中期地区电力负荷预测方法示意图。
具体实施方式
本发明的具体实施方式如图所示。
本实施例一种中期地区电力负荷预测方法,该方法的步骤如下:
(1)收集该地区的相关数据,并进行聚类分析。收集数据信息包括政治政策、产业结构调整、宏观经济指标、常住人口、居民消费水平、电力电量消费习惯、电价、重大活动、历史负荷情况、时间因素等,海量数据经过初步按照宏观用电和局部用电两大方面进行聚类分析,并结合政府的控制性详细用地规划和实际用户情况,将一个地区划分为多个区域块,每一个区域块只有一种用电性质。用地性质可分为工业用地、医疗卫生用地、市政设施用地、居住用地、商业金融用地、行政办公用地、铁路用地、等28种用地性质。
(2)对每一个区域块的负荷影响因素及整个地区的同时率进行关联分析。
选取区域块的负荷为研究对象,通过相关性分析,分析负荷与经济发展水平、区域块用地类别、人口、居民消费水平、电价、以及时间因素等的关系,在此基础上应用数据挖掘中的关联规则算法进行关联规则挖掘,挖掘区域块负荷与影响因子之间的关联规则,由于负荷密度与负荷成正比关系,进而可以得出负荷密度与影响因子之间的关联规则,从而对后续的负荷预测提供支持。
通过对整个地区的历史负荷数据和各个区域块历史负荷数据之间的比较,得出历史年的同时率数据,通过相关性分析,分析同时率与用地性质种类、人口、电价、时间因素等的关系,在此基础上应用数据挖掘中的关联规则算法进行关联规则挖掘,挖掘整个地区同时率与影响因子之间的关联规则,为后续的同时率预测奠定基础。
(3)采用人工神经网络的方法进行每一个区域块的负荷预测。
首先对区域块的历史负荷数据通过横向识别和纵向识别的方法进行数据预处理;然后对处理后的数据进行量化和归一化处理,再然后根据不同的用地性质建立BP神经网络的负荷预测模型,分季度对每个区域块未来1-3年的负荷进行预测。
(4)采用人工神经网络的方法进行同时率的预测。
同上,建立BP神经网络的预测模型,分季度对整个地区未来1-3年的同时率进行预测,根据上述每个区块预测结果与相对应同时率相乘,即可得到未来1-3年的负荷空间分布。
(5)根据每个区域块的负荷预测结果和`同时率,采用负荷空间分布预测法得出该地区的中期负荷水平。
以A地区为例,采用传统的负荷预测方法和本发明中的预测方法分别进行中期负荷预测,对比预测结果。
A地区主要负荷为居住、商业金融和行政办公,2017年的常住人口为32万人,地区生产总值为59.2亿元,其负荷水平也处于快速增长期,2013~2017年其负荷情况如表1所示,该地区无电厂,故网供负荷为全社会负荷。
表1 2013~2017年A地区网供最大负荷情况
年份 | 网供最大负荷(MW) | 增长率(%) |
2013年 | 59.83 | 42.38 |
2014年 | 52.36 | 12.44 |
2015年 | 77.06 | 47.06 |
2016年 | 102.16 | 32.49 |
2017年 | 137.99 | 35.12 |
年均增长率 | / | 23.23 |
按照传统的正向回归分析法,采用二项式模型对负荷进行回归分析,拟合曲线如图1所示。
由图1可知,二项式模型对历史负荷拟合度较好,2018~2020年A地区的整体负荷预测结果如表2所示。
根据A地区目前的成熟度和发展速度,预测该地区2025年负荷达到饱和,采用3此和4此多项式进行曲线拟合,倒推出各中间年的负荷水平,拟合曲线如图2所示。
表2采用传统方法A地区各规划年负荷水平预测及推荐值
单位:兆瓦
年份 | 2018年 | 2019年 | 2020年 | 年均增长率(%) |
回归分析法 | 167.78 | 206.59 | 250.33 | 21.96 |
饱和年负荷倒推法 | 170.05 | 211.54 | 258.60 | 23.29 |
推荐值 | 168.91 | 209.06 | 254.46 | 22.62 |
采用本实施例的方法进行负荷预测,首先收集数据,进行处理筛选、剔除异常数据,再将其按照宏观用电和局部用电两大方面进行分类,算出主成分因子的特征值和特征权重,从而计算各影响因子与主成分因子之间的空间距离,部分数据如表3所示,同时考虑区域中土地在政府控制性详规等文件中的定位,据此将A地区划分为389个区域块,以作为本预测方法的最小地理单位。
表3主成分因子聚类分析结果
再以每个区域块为最小单元,分析该区域块的历史负荷密度与收集的该区域块各影响因子的相关性,再采用FP树关联规则进行挖掘,进而得出负荷密度与各影响因子之间的关联规则。
通过对整个地区的历史负荷数据和各个区域块历史负荷数据之间的比较,得出历史年的同时率数据,以同样的方法得出同时率与各影响因子之间的关联规则。最后采用人工神经网络的方法对对各区域块的负荷密度和同时率进行预测,进而得到A地区各年度的负荷水平,如表4所示。
表4基于聚类理论A地区各规划年负荷水平预测及推荐值
单位:兆瓦
年份 | 2018年 | 2019年 | 2020年 | 年均增长率(%) |
基于聚类理论的负荷预测法 | 168.92 | 208.87 | 254.48 | 22.63 |
对比表2和表4分析可知,该方法切实可行并有效,与传统的负荷预测方法相比,预测的准确度更高、预测结果更为合理。
Claims (5)
1.一种基于数据聚类理论的中期地区电力负荷预测方法,其特征在于,所述方法包括:区域划分、影响因素关联分析和负荷空间分布预测;
所述区域划分,根据地区社会经济水平和土地性质方面指标和聚类方法分析结果,将一个大区域划分为若干个具有相似特征的区域块,以作为本预测方法的最小地理单位;
所述影响因素关联分析,用于针对每一种影响因素,分析其与区域块的负荷密度、同时率进行相关性分析,得出各影响因素对地区负荷密度、同时率影响的权重;
所述负荷空间分布预测,用于采用负荷空间预测法对该地区的中期负荷进行预测。
2.根据权利要求1所述的一种基于数据聚类理论的中期地区电力负荷预测方法,其特征在于,所述区域划分,收集的数据包括但不限于:政治政策指标、产业结构调整指标、宏观经济指标、常住人口、居民消费水平、电力电量消费习惯指标、电价、重大活动指标、历史负荷特性指标、时间因素指标;基于聚类理论,将这些海量数据进行处理筛选、剔除异常数据,再将其按照宏观用电和局部用电两大方面进行分类,算出指标之间的空间距离;考虑区域中土地在政府控制性详规文件中的定位,据此将一个大区域划分为若干个具有相似特征的区域块,以作为所述预测方法的最小地理单位。
3.根据权利要求1所述的一种基于数据聚类理论的中期地区电力负荷预测方法,其特征在于,所述聚类方法,假定政治政策指标、产业结构调整指标、宏观经济指标、常住人口、居民消费水平、电力电量消费习惯指标、电价、重大活动指标、历史负荷特性指标、时间因素指标构成指标矩阵H,则指标矩阵H为:
其中,Hnm是第m个指标在第n个指标为基准值时的相应值;第n个指标的基准值b可根据第n个指标的历史值估算;
假设H矩阵的特征值分别为γ1,γ2,…,γm,特征影响因素
得出第i个指标与第j个指标之间的距离dij为:
其中,Hik为第i个指标在第k个指标为基准值时的相应值;Hkj为第k个指标在第j个指标为基准值时的相应值;λk为第k个指标对应H矩阵下的特征值;λl为第l个指标对应H矩阵下的特征值。
4.根据权利要求1所述的一种基于数据聚类理论的中期地区电力负荷预测方法,其特征在于,所述影响因素关联分析,选取区域块的负荷为研究对象,通过相关性分析,分析区域块负荷与经济发展水平、区域块用地类别、人口、居民消费水平、电价、以及时间因素影响因素的关联规则;进而得出各区域块的负荷密度与影响因素之间的关联度的集合;接着对整个地区的历史负荷数据和各个区域块历史负荷数据之间进行比较,得出历史年的同时率数据,通过相关性分析,分析同时率与用地性质种类、人口、电价、时间因素影响因素的关联度的集合。
5.根据权利要求1所述的一种基于数据聚类理论的中期地区电力负荷预测方法,其特征在于,所述负荷空间分布预测,采用人工神经网络算法,以影响因素关联分析对每一个区域块进行负荷密度预测和整个地区的负荷同时率进行预测,从而得到整个地区的中期负荷预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430741.1A CN108304978A (zh) | 2018-05-08 | 2018-05-08 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810430741.1A CN108304978A (zh) | 2018-05-08 | 2018-05-08 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304978A true CN108304978A (zh) | 2018-07-20 |
Family
ID=62846616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810430741.1A Pending CN108304978A (zh) | 2018-05-08 | 2018-05-08 | 一种基于数据聚类理论的中期地区电力负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304978A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086951A (zh) * | 2018-10-10 | 2018-12-25 | 东北电力大学 | 一种计及城市发展程度的多阶段空间负荷预测方法 |
CN109376972A (zh) * | 2019-01-01 | 2019-02-22 | 中南大学 | 一种基于区块聚类的智慧电网短期电力负荷预测方法 |
CN110264010A (zh) * | 2019-06-26 | 2019-09-20 | 国网江西省电力有限公司经济技术研究院 | 新型乡村电力饱和负荷预测方法 |
CN110619190A (zh) * | 2019-10-07 | 2019-12-27 | 桂林理工大学 | 一种基于gpr的危岩落石运移距离预测方法及装置 |
CN111126565A (zh) * | 2019-11-28 | 2020-05-08 | 广东电网有限责任公司 | 一种基于深度学习的地块负荷密度指标预测方法及装置 |
CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
CN111401638A (zh) * | 2020-03-17 | 2020-07-10 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
CN111461449A (zh) * | 2020-04-09 | 2020-07-28 | 昆明能讯科技有限责任公司 | 一种用电负荷预测方法及计算机程序产品 |
CN111461197A (zh) * | 2020-03-27 | 2020-07-28 | 国网上海市电力公司 | 一种基于特征提取的空间负荷分布规律研究方法 |
CN111612031A (zh) * | 2020-04-03 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于高维空间聚类近邻搜索的区域建筑动态负荷预测方法 |
CN111695792A (zh) * | 2020-05-29 | 2020-09-22 | 北方国际合作股份有限公司 | 基于多属性聚类的地铁照明***异常能耗分析方法 |
CN112288143A (zh) * | 2020-10-14 | 2021-01-29 | 昆明电力交易中心有限责任公司 | 一种基于关联分析的地区能源消耗研究方法 |
CN112330125A (zh) * | 2020-10-29 | 2021-02-05 | 广东电网有限责任公司 | 配电变压器利用率指标的参数确定方法、装置和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402726A (zh) * | 2011-11-04 | 2012-04-04 | 中国电力科学研究院 | 一种基于区域负荷分析的大规模配电网电力电量预测方法 |
CN103226736A (zh) * | 2013-03-27 | 2013-07-31 | 东北电力大学 | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 |
CN103544385A (zh) * | 2013-10-14 | 2014-01-29 | 华北电力大学 | 顾及空间异质性的多尺度空间负荷预测方法 |
CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
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 |
CN105488598A (zh) * | 2015-12-28 | 2016-04-13 | 国家电网公司 | 一种基于模糊聚类的中长期电力负荷预测方法 |
CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用*** |
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 |
CN106127360A (zh) * | 2016-06-06 | 2016-11-16 | 国网天津市电力公司 | 一种基于用户特性分析的多模型负荷预测方法 |
CN106980910A (zh) * | 2017-04-01 | 2017-07-25 | 国网宁夏电力公司经济技术研究院 | 中长期电力负荷测算***及方法 |
CN107742167A (zh) * | 2017-10-19 | 2018-02-27 | 重庆星能电气有限公司 | 基于三层宏观组网约束的中压配网精准规划方法 |
-
2018
- 2018-05-08 CN CN201810430741.1A patent/CN108304978A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402726A (zh) * | 2011-11-04 | 2012-04-04 | 中国电力科学研究院 | 一种基于区域负荷分析的大规模配电网电力电量预测方法 |
CN103226736A (zh) * | 2013-03-27 | 2013-07-31 | 东北电力大学 | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 |
CN103544385A (zh) * | 2013-10-14 | 2014-01-29 | 华北电力大学 | 顾及空间异质性的多尺度空间负荷预测方法 |
CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
CN104200277A (zh) * | 2014-08-12 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种中长期电力负荷预测模型建立方法 |
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 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用*** |
CN105488598A (zh) * | 2015-12-28 | 2016-04-13 | 国家电网公司 | 一种基于模糊聚类的中长期电力负荷预测方法 |
CN105678403A (zh) * | 2015-12-30 | 2016-06-15 | 国网浙江省电力公司经济技术研究院 | 一种基于模型族分解与集成技术的区域饱和负荷预测方法 |
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 |
CN106127360A (zh) * | 2016-06-06 | 2016-11-16 | 国网天津市电力公司 | 一种基于用户特性分析的多模型负荷预测方法 |
CN106980910A (zh) * | 2017-04-01 | 2017-07-25 | 国网宁夏电力公司经济技术研究院 | 中长期电力负荷测算***及方法 |
CN107742167A (zh) * | 2017-10-19 | 2018-02-27 | 重庆星能电气有限公司 | 基于三层宏观组网约束的中压配网精准规划方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086951B (zh) * | 2018-10-10 | 2021-10-01 | 东北电力大学 | 一种计及城市发展程度的多阶段空间负荷预测方法 |
CN109086951A (zh) * | 2018-10-10 | 2018-12-25 | 东北电力大学 | 一种计及城市发展程度的多阶段空间负荷预测方法 |
CN109376972A (zh) * | 2019-01-01 | 2019-02-22 | 中南大学 | 一种基于区块聚类的智慧电网短期电力负荷预测方法 |
CN110264010A (zh) * | 2019-06-26 | 2019-09-20 | 国网江西省电力有限公司经济技术研究院 | 新型乡村电力饱和负荷预测方法 |
CN110619190A (zh) * | 2019-10-07 | 2019-12-27 | 桂林理工大学 | 一种基于gpr的危岩落石运移距离预测方法及装置 |
CN111144611A (zh) * | 2019-11-22 | 2020-05-12 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于聚类和非线性自回归的空间负荷预测方法 |
CN111126565A (zh) * | 2019-11-28 | 2020-05-08 | 广东电网有限责任公司 | 一种基于深度学习的地块负荷密度指标预测方法及装置 |
CN111401638A (zh) * | 2020-03-17 | 2020-07-10 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
CN111401638B (zh) * | 2020-03-17 | 2024-02-02 | 国网上海市电力公司 | 基于极限学习机与负荷密度指标法的空间负荷预测方法 |
CN111461197A (zh) * | 2020-03-27 | 2020-07-28 | 国网上海市电力公司 | 一种基于特征提取的空间负荷分布规律研究方法 |
CN111612031A (zh) * | 2020-04-03 | 2020-09-01 | 华电电力科学研究院有限公司 | 基于高维空间聚类近邻搜索的区域建筑动态负荷预测方法 |
CN111461449A (zh) * | 2020-04-09 | 2020-07-28 | 昆明能讯科技有限责任公司 | 一种用电负荷预测方法及计算机程序产品 |
CN111695792A (zh) * | 2020-05-29 | 2020-09-22 | 北方国际合作股份有限公司 | 基于多属性聚类的地铁照明***异常能耗分析方法 |
CN111695792B (zh) * | 2020-05-29 | 2023-08-01 | 北方国际合作股份有限公司 | 基于多属性聚类的地铁照明***异常能耗分析方法 |
CN112288143A (zh) * | 2020-10-14 | 2021-01-29 | 昆明电力交易中心有限责任公司 | 一种基于关联分析的地区能源消耗研究方法 |
CN112288143B (zh) * | 2020-10-14 | 2024-02-20 | 昆明电力交易中心有限责任公司 | 一种基于关联分析的地区能源消耗研究方法 |
CN112330125A (zh) * | 2020-10-29 | 2021-02-05 | 广东电网有限责任公司 | 配电变压器利用率指标的参数确定方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304978A (zh) | 一种基于数据聚类理论的中期地区电力负荷预测方法 | |
Zou et al. | Comprehensive flood risk assessment based on set pair analysis-variable fuzzy sets model and fuzzy AHP | |
Tsakiris et al. | A system-based paradigm of drought analysis for operational management | |
CN103049651A (zh) | 一种用于电力负荷聚类的方法及装置 | |
CN106651211A (zh) | 一种不同尺度区域洪水灾害风险评估的方法 | |
CN104239968A (zh) | 一种快速模糊粗糙集短期负荷预测方法 | |
Chen et al. | A case-based distance method for screening in multiple-criteria decision aid | |
Khan et al. | Evaluating the performance of several data mining methods for predicting irrigation water requirement | |
de Souza et al. | A data based model to predict landslide induced by rainfall in Rio de Janeiro city | |
MirarabRazi et al. | Identifying optimal location of ecotourism sites by analytic network process and genetic algorithm (GA):(Kheyroud Forest) | |
Amra et al. | Forecasting groundwater production and rain amounts using ARIMA-Hybrid ARIMA: Case study of Deir El-Balah City in GAZA | |
CN114723283A (zh) | 一种面向城市群的生态承载力遥感评估方法及装置 | |
Mirhashemi et al. | The study of environmental and human factors affecting aquifer depth changes using tree algorithm | |
CN110458722A (zh) | 基于多目标随机向量函数连接网络的洪水区间预报方法 | |
Adedeji et al. | Neuro-fuzzy mid-term forecasting of electricity consumption using meteorological data | |
Javari et al. | Analyzing the resilience of urban settlements using multiple-criteria decision-making (MCDM) models (case study: Malayer city) | |
CN110264010B (zh) | 新型乡村电力饱和负荷预测方法 | |
Yan et al. | A cloud-based dual-objective nonlinear programming model for irrigation water allocation in Northwest China | |
CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 | |
CN106384307A (zh) | 一种县域配电网规划差异化评估方法 | |
Wang et al. | A fuzzy intelligent system for land consolidation–a case study in Shunde, China | |
Jimenez Navarro et al. | A bioinspired ensemble approach for multi-horizon reference evapotranspiration forecasting in Portugal | |
Khan et al. | Irrigation water requirement prediction through various data mining techniques applied on a carefully pre-processed dataset | |
Huqqani et al. | Assessment of landslide susceptibility mapping using artificial bee colony algorithm based on different normalizations and dimension reduction techniques | |
CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180720 |
|
RJ01 | Rejection of invention patent application after publication |