CN108734355A - 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** - Google Patents
一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** Download PDFInfo
- Publication number
- CN108734355A CN108734355A CN201810506954.8A CN201810506954A CN108734355A CN 108734355 A CN108734355 A CN 108734355A CN 201810506954 A CN201810506954 A CN 201810506954A CN 108734355 A CN108734355 A CN 108734355A
- Authority
- CN
- China
- Prior art keywords
- sample
- load
- data
- class
- scene
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 16
- 240000002853 Nelumbo nucifera Species 0.000 claims description 6
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 6
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000000638 solvent extraction Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及***,针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;针对不均衡的负荷场景,提出均衡KNN算法对待测负荷进行精确的场景归类;采用bp神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用云计算的ApacheSpark编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。
Description
技术领域
本发明涉及电力负荷预测技术领域,具体涉及一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及***。
背景技术
能源互联网(energy internet,EI)是在第三次工业革命背景下,为解决化石燃料的逐渐枯竭及其造成的环境污染问题,以新能源技术与信息技术深入结合为特征的一种新的能源利用体系。与智能电网相比,能源互联网对现代互联网技术的依赖程度更为深广。
负荷预测一直以来都是电力***运行调控的关键环节,其影响着电力***诸多分析与决策功能的顺利实施,如经济调度、自动发电控制、安全评估、检修计划和电力市场运营等。在时间跨度上,负荷预测可大致分为中长期负荷预测与短期负荷预测,其中,后者预报***未来几小时、一天直至几天的负荷变化情况,主要为电力***的运行调控提供数据支撑,是本发明研究的重点。
从方法论角度,短期负荷预测所采用的方法可以大致分为时间序列预测法、智能预测法以及组合预测法。其中,时间序列法利用连续时间序列元素间的关联性,构建预测模型,通过外推的方式预测负荷未来的变化趋势,具体方法包括回归分析法、负荷求导法、指数平滑法、卡尔曼滤波法等。智能预测法主要通过构建适应高度非线性关联关系建模的学习结构,通过利用输入、输出历史数据的监督学习,获得输入输出的非线性映射关系,对未来负荷变化情况进行预测,具体方法包括专家***法、人工神经网络学习法,支持向量机学习法等。组合预测方法聚焦于两种及两种以上方法的组合,由于对不同的预测对象,很难找到一种普适最好的预测方法,各类预测方法所得结果都有一定的可信性,由此,组合预测法通过综合多种预测模型与方法来提高负荷预测的精度。上述方法构成了负荷预测坚实的理论基础,但其预测过程中,均未考虑当前电网所面临海量数据的应用背景,其对大数据环境下负荷预测问题的适用性,尚需进一步探讨。
云计算(cloud computing)是由位于网络上的一组服务器把其计算、存储、数据等资源以服务的形式提供给请求者以完成信息处理任务的方法和过程,云计算代表了一种基于互联网的大规模分布式的计算模式。云计算首先利用互联网将各种广域异构计算资源整合,以形成抽象的、虚拟的、可动态扩展的计算资源池,再通过互联网向用户按需提供计算能力、存储能力、软件平台和应用软件等服务。文献“云计算数据中心的新能源应用”中提出建立基于云计算的电力***计算平台,并从物理组成、***架构、软件技术等方面详细讨论了电力***云计算平台的实现;文献“云计算:构建未来电力***的核心计算平台”分析了发电、输变电以及用电各个环节中大数据的产生来源与特点,并详细地分析了已有大数据处理技术在智能电网建设和大数据处理方面的优势;文献“智能电网大数据处理技术现状与挑战”还结合云计算技术提出了一种电力用户侧大数据分析处理平台,并提出基于随机森林算法的并行负荷预测方法,缩短了负荷预测时间、提高了预测算法对大数据的处理能力;文献“电力用户侧大数据分析与并行负荷预测”基于局部加权线性回归和云计算平台,建立并行局部加权线性回归模型进行负荷预测,在减少负荷预测耗时的同时提高了预测的精度;文献“海量数据下的电力负荷短期预测”提出了一种在线序列化的极限学习机短期负荷预测模型,并采用MapReduce并行化编程,提高了算法处理高维数据的能力。
上述文献在传统算法的基础上引入并行计算的思想,显著地提高了预测算法处理电力负荷大数据的能力。
负荷的变化与气候、日期类型等因素有着密不可分的关系,相似的外部条件往往会对应着相似的负荷变化规律。文献“基于云计算和极限学习机的分布式电力负荷预测算法”采用聚类方法把电力负荷数据特征相近的历史数据归于同一负荷场景,分析了K最近邻法(KNN,k-nearest neighbor)等算法对未知数据类进行预测、标记的能力。然而,该方法中,每当一组新的负荷数据加入到负荷场景训练集中,需要利用新掌握的全部数据进行模型的重新训练,消耗大量的计算资源与训练时间。
综上所述,现有技术中对于能源互联网海量、高维数据带来的单机计算资源不足、耗时巨大的问题,尚缺乏有效的解决方案。
发明内容
有鉴于此,本发明的目的是提出一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及***,针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;针对不均衡的负荷场景,提出均衡KNN算法对待测负荷进行精确的场景归类;采用bp神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用云计算的ApacheSpark编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。
本发明采用以下技术方案实现:一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,包括以下步骤:
步骤S1:对电力负荷历史数据进行聚类,得到聚类后的负荷场景;
步骤S2:采用均衡KNN算法对聚类后的负荷场景进行均衡分析,得到均衡的负荷场景,并进行负荷场景决策;
步骤S3:对步骤S2中得到的负荷场景进行训练,并进行负荷预测。
其中,所述步骤S1中,采用K均值聚类算法[非必要技术特征]对电力负荷历史数据进行聚类。所述步骤S3中,采用神经网络对对步骤S2中得到的负荷场景进行训练。
进一步地,所述步骤S1具体包括以下步骤:
步骤S11:将海量电力负荷历史数据分布式存储于Hadoop平台的分布式文件***HDFS上;
步骤S12:读取HDFS中电力负荷历史数据,并对其进行分块处理,选取K个聚类中心;
步骤S13:将当前聚类中心数据发送到所有节点,并寻找距离节点中数据最近的聚类中心及并计算节点中数据与最近的聚类中心的对应距离,并对训练数据添加类别标签;
步骤S14:计算每个聚类中心的类别数据的总和与每个聚类中心的均值,根据均值更新聚类中心;
步骤S15:判断聚类结果是否收敛达到收敛条件,如果没有达到则返回步骤S13,否则结束迭代,输出聚类结果,聚类结果即为负荷场景。
进一步地,步骤S2中具体包括以下步骤:
步骤S211:将测试数据和步骤S1中产生的负荷场景数据分布式存储于Hadoop平台的分布式文件***HDFS上,并形成测试数据集和负荷场景数据集,并将所述负荷场景数据集作为训练数据集;
步骤S212:利用Spark平台将训练数据集和测试数据集转换为负荷场景RDD数据集和测试RDD数据集;
步骤S213:确定负荷场景RDD数据集中各类的标志样本、阈值、样本标志度和类标志度;
步骤S214:计算考虑样本标志度的负荷场景RDD数据集的候选类中每个样本与测试RDD数据集中测试样本的欧式距离,并选出该考虑样本标志度的欧式距离最小的h个近邻样本;
步骤S215:计算步骤S214所选出的k个近邻样本所属类的考虑类标志度的权重,将k个近邻样本归属到类权重最大的类别,得到均衡的负荷场景数据。
进一步地,所述步骤S213具体为:
计算负荷场景RDD数据集的各类中每个样本数据与其余样本数据的欧式距离和,选取距离和最小的样本作为该类的标志样本;
计算负荷场景RDD数据集中各类的阈值:计算负荷场景RDD数据集的各类中每个样本与标志样本的欧氏距离和,选取类中每个样本与标志样本的欧氏距离和的最大值作为该类的阈值;
分别计算负荷场景RDD数据集的类中样本与标志样本的欧氏距离、标志样本与类中样本的距离,并计算二者的比值,即为样本标志度;
计算负荷场景RDD数据集的每个类中标志样本与各个样本的欧式距离和,并求取欧式距离和的最大值与欧式距离和的差值、欧式距离和的最大值与欧式距离和的最小值的差值,然后计算两差值的比值,即为类标志度。
进一步地,确定了每个类的阈值后,计算测试RDD数据集中测试样本与类中样本的距离和,并把该距离和大于类的阈值的类排除。
进一步地,步骤S3中,所述神经网络采用并行化调整后的BP神经网络,其中,对BP神经网络的并行化调整方法包括以下步骤:
步骤S331:设置初始参数,包括输入层节点个数、输出层节点个数、隐含层数目、以及隐含层节点个数和误差范围;
步骤S332:对均衡的负荷场景数据进行预处理,并进行归一化;
步骤S333:在slave节点启动Map任务,每个Mapper端获得一个训练集;根据所获得的训练集对神经网络权值进行修正,最终将修正权值发送到Reduce端;
步骤S334:在Master节点启动Reducere任务,计算各Slave发送来的修正的平均值作为输出;
步骤S335:更新配置文件;
步骤S336:判断神经网络正向传播处理值与预期值之间的差值是否达到预设精度或者学习次数是否大于设定的最大次数,若是,则得到并行化调整后的BP神经网络,否则返回步骤S333。
进一步地,所述步骤S6具体包括以下步骤:
步骤S31:基于Spark平台,利用负荷场景数据集对并行化调整后的BP神经网络模型进行训练,得到预测模型;
步骤S32:由预测模型对测试数据集进行预测,并利用平均绝对百分比误差和加速比来评估模型预测效果。
本发明还提供了一种基于上文所述的基于均衡KNN算法的短期电力负荷并行预测方法的***,包括存储设备、处理设备,所述存储设备用以存储上述方法的指令,所述处理设备加载并执行所述存储设备中存储的指令。
与现有技术相比,本发明有以下有益效果:本发明针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;针对不均衡的负荷场景,提出均衡KNN算法对待测负荷进行精确的场景归类;采用bp神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用云计算的ApacheSpark编程框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力。
附图说明
图1是本发明实施例基于均衡KNN算法的短期电力负荷并行预测方法流程图;
图2是本发明实施例K均值算法聚类流程图;
图3是本发明实施例均衡KNN算法流程图;
图4是本发明实施例均衡KNN分类算法计算结构图;
图5是本发明实施例BP神经网络算法聚类流程图;
图6是本发明实施例历史负荷数据图;
图7是本发明实施例聚类后的负荷场景;
图8是本发明实施例负荷场景决策流程图;
图9是本发明实施例传统算法与并行算法所需时间对比图;
图10是本发明实施例预测结果对比图;
图11是本发明实施例预测结果均方根误差图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
正如背景技术所介绍的,为提高电力负荷预测精度,应对能源互联网海量、高维数据带来的单机计算资源不足的问题,本实施例提出了一种应用于电能质量综合治理场景的基于均衡KNN短期电力负荷并行预测方法,针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;针对不均衡的负荷场景,提出均衡KNN算法对待测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用云计算的Apache Spark计算框架对提出的算法模型进行并行化改进,提高其处理海量高维数据的能力,解决海量数据下模型训练耗时巨大的问题,显著缩短了基于海量数据进行负荷预测的模型训练与预测时间。
如图1所示,本实施例提供了一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,该方法包括以下步骤:
步骤S1:利用K均值聚类算法对电力负荷历史数据进行聚类,得到聚类后的负荷场景;
步骤S2:采用均衡KNN算法对聚类后的负荷场景进行均衡分析,得到均衡的负荷场景,并进行负荷场景决策;
步骤S3:对步骤S2中得到的负荷场景进行神经网络训练,并进行负荷预测。
在本实施例中,在负荷预测中要对历史负荷曲线进行场景分析的主要原因是负荷曲线的趋势和走向与气候、日期类型等因素有着密不可分的关系,如果没有针对性地对海量数据下的用户负荷进行研究,那么会导致每个用户的用电规模产生相当高的资源损失。所以要采用合理的数据挖掘技术,把用电规律接近和相似的负荷类型划分到同一场景下。如图2所示,本发明在选用K均值聚类方法对负荷场景进行划分,采用Apache Spark计算框架提高算法的时间刻度,具体步骤如下所示:
步骤S11:将海量电力负荷历史数据分布式存储于Hadoop平台的分布式文件***HDFS上;
步骤S12:读取HDFS中电力负荷历史数据,并以64M大小对电力负荷历史数据进行分块处理,选取K个聚类中心,这里的K为聚类的个数;
步骤S13:将当前聚类中心数据发送到所有节点,并寻找距离节点中数据最近的聚类中心及并计算节点中数据与最近的聚类中心的对应距离,并对训练数据添加类别标签;其中,节点中数据与最近的聚类中心对应距离c的计算公式为:
c=argmin||xi-uj||;
式中,xi为第i类的聚类中心数据;uj为第i类中第j个训练数据。
步骤S14:计算每个聚类中心的类别数据的总和与每个聚类中心的均值,根据均值更新聚类中心;其中,每个聚类中心的类别数据的总和与每个聚类中心的均值的计算公式为:
其中,ui为类中训练数据到聚类中心的均值;xi为第i个训练数据;Sj为第j类中数据个数;
步骤S15:判断聚类结果是否收敛达到收敛条件(前后两次迭代,距离差值小于0.1或者迭代超过10次),如果没有达到则返回步骤S13,否则结束迭代,输出聚类结果,聚类结果即为负荷场景。
在本实施例中,由于上述步骤一产生的负荷场景数据不均衡,导致最终的负荷场景决策不准确。本发明采用均衡KNN算法对负荷场景进行均衡分析,并进行负荷场景决策。
首先,本实施例对传统的KNN算法模块进行介绍。
KNN是一种非参数分类算法,其通过计算寻找离测试样本最近的类别,完成样本的分类。KNN的分类步骤大致可以表述为:预先给定一个样本数据集合T,如果待测样本有k个最邻近的代表样本,并且这k个代表样本中的大多数是属于某一预定类型的,那么这个待测样本也将被归于这一类中。
KNN算法一般采用欧氏距离表征测试样本与已知类别样本的距离d:
式中,Ti表示训练样本;dj表示测试样本,n表示样本的特征数,ωit和ωjt分别表示样本向量和中的第t个特征的值。
传统KNN算法的分类思想和过程比较简单,不需要估计参数,但是在海量数据集的背景下,算法的在分类过程中的计算量是惊人的;传统KNN算法分类的性能易受训练样本的影响,当样本数据集不均衡时,分类的性能极易受到影响,甚至变得极差。
本实施例采用的是改进的均衡KNN算法模型,具体如下:
本发明提出的均衡KNN算法大大提高了原始KNN算法处理不均衡数据的精度。均衡KNN算法的具体思路如图3所示,改进后的均衡KNN算法的具体步骤如下:
(1)输入训练数据集与待测特征数据集,并对样本数据进行标准化处理。
其中,X为电力负荷特征集;为归一化后的电力负荷特征集;min(X)为电力负荷中最小值;max(X)为电力负荷中最大值;
(2)确定标志样本。计算类中每一个样本数据与其余样本数据的欧式距离和,并选出距离和最小的值,取距离和最小的样本为该类的标志样本。
式中,xt、xi分别为类中第t和第i个样本。
(3)计算各类的阈值。计算各类中每个样本与标志样本的欧氏距离和,并取最大值作为类的阈值Iflagi。
式中,Mi为第i类的标准样本,xt为第i类中第t样本,Iflagi为第i类的阈值。
确定了每个类的阈值后,计算测试样本与类中样本的距离和,并把距离和大于阈值的类排除,从而提高分类的精确度与速度。
(4)计算样本标志度与类标志度。分别计算类中样本与标志样本的欧氏距离、标志样本与类中样本的距离,并计算二者的比值,即为样本标志度Rci。
式中,Mi为第i类的标志样本,xt、xi分别为第i类中第t和第i个样本;ni为第i类的样本个数。
计算每个类中标志样本与各个样本的欧式距离和,并求取欧式距离和最大值与该类的标志样本与各个样本的欧式距离和的差值、欧式距离和的最大值与欧式距离和的最小值的差值,然后计算两差值的比值,即为类标志度Pi。
式中,Mi为第i类的标志样本,Mj为第j类的标志样本,ni、nj分别为第i和第j个类的样本个数,xt、xi分别为第i类中第t和第i个样本。
(5)计算考虑样本标志度的距离。计算测试样本xj与候选类中每个样本xi的欧氏距离d(xi,xj),并找出距离最小的h个近邻样本。
式中,Rci为第c个类的第i样本的样本标志度,ωit和ωjt分别表示样本向量xi和xj中的第t个特征值。
(6)计算出所选出的h个近邻样本所属类的考虑类标志度的权重,Wjt属于第t类ct的权重计算为:
式中,Pi为第i类的类标志度,v(xi,xj)为投票的权重函数,本发明取d(xi,xj),
(7)将xi被归为类权重最大的类别。
如图4所示,本实施例的步骤S2中具体包括以下步骤:
步骤S211:将测试数据和步骤S1中产生的负荷场景数据分布式存储于Hadoop平台的分布式文件***HDFS上,并形成测试数据集和负荷场景数据集,并将所述负荷场景数据集作为训练数据集;
步骤S212:利用Spark平台将训练数据集和测试数据集转换为负荷场景RDD数据集和测试RDD数据集;
步骤S213:确定负荷场景RDD数据集中各类的标志样本、阈值、样本标志度和类标志度;
步骤S214:计算考虑样本标志度的负荷场景RDD数据集的候选类中每个样本与测试RDD数据集中测试样本的欧式距离,并选出该考虑样本标志度的欧式距离最小的h个近邻样本;
步骤S215:计算步骤S214所选出的k个近邻样本所属类的考虑类标志度的权重,将k个近邻样本归属到类权重最大的类别,得到均衡的负荷场景数据。
在本实施例中,所述步骤S213具体为:
计算负荷场景RDD数据集的各类中每个样本数据与其余样本数据的欧式距离和,选取距离和最小的样本作为该类的标志样本;
计算负荷场景RDD数据集中各类的阈值:计算负荷场景RDD数据集的各类中每个样本与标志样本的欧氏距离和,选取类中每个样本与标志样本的欧氏距离和的最大值作为该类的阈值;
分别计算负荷场景RDD数据集的类中样本与标志样本的欧氏距离、标志样本与类中样本的距离,并计算二者的比值,即为样本标志度;
计算负荷场景RDD数据集的每个类中标志样本与各个样本的欧式距离和,并求取欧式距离和的最大值与欧式距离和的差值、欧式距离和的最大值与欧式距离和的最小值的差值,然后计算两差值的比值,即为类标志度。
在本实施例中,确定了每个类的阈值后,计算测试RDD数据集中测试样本与类中样本的距离和,并把该距离和大于类的阈值的类排除。
较佳的,在本实施例中在步骤S2中已经决策出了测试数据的负荷场景,步骤S3是在上述结果的基础上利用神经网络进行负荷场景的训练与结果预测。
BP神经网络是一种按误差逆向传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。它由输出层、输入层和若干隐层组成。它的BP学习算法有网络信息流的正向传播和误差的反向传播更新神经元联接权值两个过程组成。
为了运用并行运算的方法来减少算法的运行时间,就要把BP学***均值对权值做一次批量处理更新,
在本实施例中,如图5所示,对BP神经网络的并行化调整方法包括以下步骤:
步骤S331:设置初始参数,包括输入层节点个数、输出层节点个数、隐含层数目、以及隐含层节点个数和误差范围;
步骤S332:对均衡的负荷场景数据进行预处理,并进行归一化;
步骤S333:在slave节点启动Map任务,每个Mapper端获得一个训练集;根据所获得的训练集对神经网络权值进行修正,最终将修正权值发送到Reduce端;
步骤S334:在Master节点启动Reducere任务,计算各Slave发送来的修正的平均值作为输出;
步骤S335:更新配置文件;
步骤S336:判断神经网络正向传播处理值与预期值之间的差值是否达到预设精度或者学习次数是否大于设定的最大次数,若是,则得到并行化调整后的BP神经网络,否则返回步骤S333。
在本实施例中,所述步骤S6具体包括以下步骤:
步骤S31:基于Spark平台,利用负荷场景数据集对并行化调整后的BP神经网络模型进行训练,得到预测模型;
步骤S32:由预测模型对测试数据集进行预测,并利用平均绝对百分比误差和加速比来评估模型预测效果。
本实施例还提供了一种基于上文所述的基于均衡KNN算法的短期电力负荷并行预测方法的***,包括存储设备、处理设备,所述存储设备用以存储上述方法的指令,所述处理设备加载并执行所述存储设备中存储的指令。
特别的,由于本实施例的电力负荷预测是通过历史数据对未来电力负荷的预测,因此预测值与实际值存在差距,产生电力负荷预测误差。本实施例预测算法产生预测误差的原因很多,归纳起来主要包括:1)电力负荷历史数据不够完整;2)电力负荷场景划分辨识度不够;3)训练模型的初始参数选取不当。本实施例采用的评测指标如下:
设y(i)和分别表示i时刻的实际负荷值和预测负荷值,则有:
绝对对误差:
相对误差:
其中,e1为日平均误差。由于预测误差有正负,为了避免正负相抵消,计算其平均数的时候取误差的绝对值。
其中,e2为均方根误差。均方根误差指标加强了数值大的误差的作用,提高了该指标的灵敏性。
本实施例的数据来源是某电网智能电表所采集的负荷数据,其历史负荷数据如图6所示。图6中负荷数据包括温度、湿度、降水、风速、日类型、季节等特征,采用整点时刻的负荷数据进行训练与预测。
图7中四个子图对应每一类的负荷曲线,可以看出K-均值聚类算法具有极好的聚类能力,能够很好的区分出特征不同的负荷曲线,即负荷场景。
针对聚类后的数据进行不均衡分析,在得到均衡数据后进行负荷场景决策并确定负荷值,这个过程如图8所示。
从图9所示的结果可以看出,在小数据样本时,两者之间的预测时间相差不大,相反,单机的算法所需要的时间略优于并行算法,原因在于:并行算法在小样本集下仍将数据分成若干个子样本集,不同数据子集之间的通讯代价增高反而影响预测速度;但随着样本集的增大,预测算法所需的迭代时间有了明显不同,并行算法所需的时间要远远小于单机方法。
本实施例基于云计算的负荷预测算法得到的负荷预测值与实际负荷值对比结果如表1所示。
表1负荷预测结果对比图
如图10和图11所示,预测值的曲线与实际值的曲线趋势相似,其均方根误差平均值为2.13%。预测结果的误差符合负荷预测的误差标准。证明基于云计算的负荷预测算法是可行的。
本实施例以某电网数据为例对***的性能进行了严格的测试,包括***的大数据处理性能和电力负荷预测精确度的测试。结果表明,本实施例针对传统KNN算法的严重缺陷,进行了改进,提高了负荷场景觉得的精确度。通过K均值模型进行数据预处理后,将具有并行编程模型和计算框架的Spark和本发明的负荷预测算法相结合,提出了均衡KNN算法,以及并行化的神经网络编程模型,解决了海量数据的计算量问题,预测所耗的时间大大缩短,同时还保证了预测精度满足负荷预测要求。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (10)
1.一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:包括以下步骤:
步骤S1:对电力负荷历史数据进行聚类,得到聚类后的负荷场景;
步骤S2:采用均衡KNN算法对聚类后的负荷场景进行均衡分析,并进行负荷场景决策,得到均衡的负荷场景;
步骤S3:对步骤S2中得到的负荷场景进行训练,并进行负荷预测。
2.根据权利要求1所述的一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:所述步骤S1中,采用K均值聚类算法对电力负荷历史数据进行聚类。
3.根据权利要求1所述的一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:所述步骤S3中,采用神经网络对对步骤S2中得到的负荷场景进行训练。
4.根据权利要求2所述的一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:所述步骤S1具体包括以下步骤:
步骤S11:将海量电力负荷历史数据分布式存储于Hadoop平台的分布式文件***HDFS上;
步骤S12:读取HDFS中电力负荷历史数据,并对其进行分块处理,选取K个聚类中心;
步骤S13:将当前聚类中心数据发送到所有节点,并寻找距离节点中数据最近的聚类中心及并计算节点中数据与最近的聚类中心的对应距离,并对训练数据添加类别标签;
步骤S14:计算每个聚类中心的类别数据的总和与每个聚类中心的均值,根据均值更新聚类中心;
步骤S15:判断聚类结果是否收敛达到收敛条件,如果没有达到则返回步骤S13,否则结束迭代,输出聚类结果,聚类结果即为负荷场景。
5.根据要求1所述的一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:步骤S2中具体包括以下步骤:
步骤S211:将测试数据和步骤S1中产生的负荷场景数据分布式存储于Hadoop平台的分布式文件***HDFS上,并形成测试数据集和负荷场景数据集,并将所述负荷场景数据集作为训练数据集;
步骤S212:利用Spark平台将训练数据集和测试数据集转换为负荷场景RDD数据集和测试RDD数据集;
步骤S213:确定负荷场景RDD数据集中各类的标志样本、阈值、样本标志度和类标志度;
步骤S214:计算考虑样本标志度的负荷场景RDD数据集的候选类中每个样本与测试RDD数据集中测试样本的欧式距离,并选出该考虑样本标志度的欧式距离最小的h个近邻样本;
步骤S215:计算步骤S214所选出的k个近邻样本所属类的考虑类标志度的权重,将k个近邻样本归属到类权重最大的类别,得到均衡的负荷场景数据。
6.根据权利要求5所述的一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:所述步骤S213具体为:
计算负荷场景RDD数据集的各类中每个样本数据与其余样本数据的欧式距离和,选取距离和最小的样本作为该类的标志样本;
计算负荷场景RDD数据集的各类中每个样本与标志样本的欧氏距离和,选取类中每个样本与标志样本的欧氏距离和的最大值作为该类的阈值;
分别计算负荷场景RDD数据集的类中样本与标志样本的欧氏距离、标志样本与类中样本的距离,并计算二者的比值,即为样本标志度;
计算负荷场景RDD数据集的每个类中标志样本与各个样本的欧式距离和,并求取欧式距离和的最大值与欧式距离和的差值、欧式距离和的最大值与欧式距离和的最小值的差值,然后计算两差值的比值,即为类标志度。
7.根据权利要求6所述的一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:确定了每个类的阈值后,计算测试RDD数据集中测试样本与类中样本的距离和,并把该距离和大于类的阈值的类排除。
8.根据权利要求3所述的一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:步骤S3中,所述神经网络采用并行化调整后的BP神经网络,其中,对BP神经网络的并行化调整方法包括以下步骤:
步骤S331:设置初始参数,包括输入层节点个数、输出层节点个数、隐含层数目、以及隐含层节点个数和误差范围;
步骤S332:对均衡的负荷场景数据进行预处理,并进行归一化;
步骤S333:在slave节点启动Map任务,每个Mapper端获得一个训练集;根据所获得的训练集对神经网络权值进行修正,最终将修正权值发送到Reduce端;
步骤S334:在Master节点启动Reducere任务,计算各Slave发送来的修正的平均值作为输出;
步骤S335:更新配置文件;
步骤S336:判断神经网络正向传播处理值与预期值之间的差值是否达到预设精度或者学习次数是否大于设定的最大次数,若是,则得到并行化调整后的BP神经网络,否则返回步骤S333。
9.根据权利要求3所述的一种应用于电能质量综合治理场景的短期电力负荷并行预测方法,其特征在于:所述步骤S3具体包括以下步骤:
步骤S31:基于Spark平台,利用负荷场景数据集对并行化调整后的BP神经网络模型进行训练,得到预测模型;
步骤S32:由预测模型对测试数据集进行预测,并利用平均绝对百分比误差和加速比来评估模型预测效果。
10.一种基于权利要求1-9任一项所述的应用于电能质量综合治理场景的短期电力负荷并行预测方法的***,其特征在于:包括存储设备、处理设备,所述存储设备用以存储权利要求1-9任一项方法的指令,所述处理设备加载并执行所述存储设备中存储的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810506954.8A CN108734355B (zh) | 2018-05-24 | 2018-05-24 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810506954.8A CN108734355B (zh) | 2018-05-24 | 2018-05-24 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734355A true CN108734355A (zh) | 2018-11-02 |
CN108734355B CN108734355B (zh) | 2022-03-08 |
Family
ID=63936354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810506954.8A Active CN108734355B (zh) | 2018-05-24 | 2018-05-24 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734355B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766950A (zh) * | 2019-01-18 | 2019-05-17 | 东北大学 | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 |
CN109919422A (zh) * | 2019-01-23 | 2019-06-21 | 浙江工业大学 | 一种考虑数据动态模糊依赖关系的电能质量综合评价方法 |
CN109945420A (zh) * | 2019-03-26 | 2019-06-28 | 南京南瑞继保电气有限公司 | 基于负荷预测的空调控制方法、装置及计算机存储介质 |
CN110032624A (zh) * | 2019-03-26 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种样本筛选方法及装置 |
CN111178417A (zh) * | 2019-12-23 | 2020-05-19 | 云南恒协科技有限公司 | 一种用户个体及群体的能源精确负荷预测方法 |
CN111340291A (zh) * | 2020-02-26 | 2020-06-26 | 南京邮电大学 | 一种基于云计算技术的中长期电力负荷组合预测***及方法 |
CN111476419A (zh) * | 2020-04-08 | 2020-07-31 | 长园深瑞继保自动化有限公司 | 储能***的计划值预测方法及储能协调控制装置 |
CN111680852A (zh) * | 2020-08-13 | 2020-09-18 | 国网浙江省电力有限公司 | 地区整体能耗监控方法及其监控*** |
CN111680939A (zh) * | 2020-08-13 | 2020-09-18 | 国网浙江省电力有限公司 | 基于人工智能的企业复工复产程度监控方法 |
CN111680764A (zh) * | 2020-08-13 | 2020-09-18 | 国网浙江省电力有限公司 | 一种行业复工复产程度监控方法 |
CN111768034A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 |
CN112288120A (zh) * | 2019-07-26 | 2021-01-29 | 上海漕泾热电有限责任公司 | 一种热电联产机组生产调度实时优化***及方法 |
CN112632154A (zh) * | 2020-12-30 | 2021-04-09 | 城云科技(中国)有限公司 | 基于时间数据确定并行业务数量及时间区间的方法及装置 |
CN113283774A (zh) * | 2021-06-07 | 2021-08-20 | 润电能源科学技术有限公司 | 采暖供热机组深度调峰方法、装置、电子设备及存储介质 |
CN113657687A (zh) * | 2021-08-30 | 2021-11-16 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
CN113687292A (zh) * | 2020-05-18 | 2021-11-23 | 宁夏隆基宁光仪表股份有限公司 | 大数据、云环境下电能表错误接线的检测***及方法 |
CN114688692A (zh) * | 2020-12-30 | 2022-07-01 | 北京天诚同创电气有限公司 | 负荷预测方法、***及装置 |
CN116527620A (zh) * | 2023-06-25 | 2023-08-01 | 上海帜讯信息技术股份有限公司 | 基于多种消息体的机器学习发送方法、装置及存储介质 |
CN117150282A (zh) * | 2023-09-16 | 2023-12-01 | 石家庄正和网络有限公司 | 一种基于预测模型的二手设备回收评估方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060131232A1 (en) * | 2004-11-29 | 2006-06-22 | Christian Rosen | Method for water purification |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN105205563A (zh) * | 2015-09-28 | 2015-12-30 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
CN106022521A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 |
CN106446967A (zh) * | 2016-10-28 | 2017-02-22 | 国网福建省电力有限公司 | 一种新型电力***负荷曲线聚类方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN107169589A (zh) * | 2017-04-12 | 2017-09-15 | 佛山电力设计院有限公司 | 一种基于knn和轮盘赌算法的低压网格精细化负荷预测方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN107609667A (zh) * | 2017-07-20 | 2018-01-19 | 国网山东省电力公司电力科学研究院 | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** |
CN107807961A (zh) * | 2017-10-10 | 2018-03-16 | 国网浙江省电力公司丽水供电公司 | 一种基于Spark计算引擎的配电网大数据分区处理方法 |
CN107832876A (zh) * | 2017-10-27 | 2018-03-23 | 国网江苏省电力公司南通供电公司 | 基于MapReduce框架的分区最大负荷预测方法 |
-
2018
- 2018-05-24 CN CN201810506954.8A patent/CN108734355B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060131232A1 (en) * | 2004-11-29 | 2006-06-22 | Christian Rosen | Method for water purification |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN105205563A (zh) * | 2015-09-28 | 2015-12-30 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
CN105590174A (zh) * | 2015-12-29 | 2016-05-18 | 南京因泰莱电器股份有限公司 | 基于k-均值聚类rbf神经网络的企业用电负荷预测方法 |
CN106022521A (zh) * | 2016-05-19 | 2016-10-12 | 四川大学 | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 |
CN106446967A (zh) * | 2016-10-28 | 2017-02-22 | 国网福建省电力有限公司 | 一种新型电力***负荷曲线聚类方法 |
CN106600059A (zh) * | 2016-12-13 | 2017-04-26 | 北京邮电大学 | 基于改进rbf神经网络的智能电网短期负荷预测方法 |
CN107169589A (zh) * | 2017-04-12 | 2017-09-15 | 佛山电力设计院有限公司 | 一种基于knn和轮盘赌算法的低压网格精细化负荷预测方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN107609667A (zh) * | 2017-07-20 | 2018-01-19 | 国网山东省电力公司电力科学研究院 | 基于Box_cox变换和UFCNN的供热负荷预测方法及*** |
CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
CN107807961A (zh) * | 2017-10-10 | 2018-03-16 | 国网浙江省电力公司丽水供电公司 | 一种基于Spark计算引擎的配电网大数据分区处理方法 |
CN107832876A (zh) * | 2017-10-27 | 2018-03-23 | 国网江苏省电力公司南通供电公司 | 基于MapReduce框架的分区最大负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
张素香 等: "海量数据下的电力负荷短期预测", 《中国电机工程学报》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766950B (zh) * | 2019-01-18 | 2023-07-14 | 东北大学 | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 |
CN109766950A (zh) * | 2019-01-18 | 2019-05-17 | 东北大学 | 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法 |
CN109919422A (zh) * | 2019-01-23 | 2019-06-21 | 浙江工业大学 | 一种考虑数据动态模糊依赖关系的电能质量综合评价方法 |
CN110032624B (zh) * | 2019-03-26 | 2023-01-20 | 创新先进技术有限公司 | 一种样本筛选方法及装置 |
CN110032624A (zh) * | 2019-03-26 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 一种样本筛选方法及装置 |
CN109945420A (zh) * | 2019-03-26 | 2019-06-28 | 南京南瑞继保电气有限公司 | 基于负荷预测的空调控制方法、装置及计算机存储介质 |
CN112288120A (zh) * | 2019-07-26 | 2021-01-29 | 上海漕泾热电有限责任公司 | 一种热电联产机组生产调度实时优化***及方法 |
CN111178417A (zh) * | 2019-12-23 | 2020-05-19 | 云南恒协科技有限公司 | 一种用户个体及群体的能源精确负荷预测方法 |
CN111340291A (zh) * | 2020-02-26 | 2020-06-26 | 南京邮电大学 | 一种基于云计算技术的中长期电力负荷组合预测***及方法 |
CN111340291B (zh) * | 2020-02-26 | 2022-09-02 | 南京邮电大学 | 一种基于云计算技术的中长期电力负荷组合预测***及方法 |
CN111476419A (zh) * | 2020-04-08 | 2020-07-31 | 长园深瑞继保自动化有限公司 | 储能***的计划值预测方法及储能协调控制装置 |
CN113687292B (zh) * | 2020-05-18 | 2024-02-02 | 宁夏隆基宁光仪表股份有限公司 | 大数据、云环境下电能表错误接线的检测***及方法 |
CN113687292A (zh) * | 2020-05-18 | 2021-11-23 | 宁夏隆基宁光仪表股份有限公司 | 大数据、云环境下电能表错误接线的检测***及方法 |
CN111768034A (zh) * | 2020-06-29 | 2020-10-13 | 上海积成能源科技有限公司 | 一种电力负荷预测中基于近邻算法进行插补补充缺失值的方法 |
CN111680764B (zh) * | 2020-08-13 | 2020-10-27 | 国网浙江省电力有限公司 | 一种行业复工复产程度监控方法 |
CN111680764A (zh) * | 2020-08-13 | 2020-09-18 | 国网浙江省电力有限公司 | 一种行业复工复产程度监控方法 |
CN111680939A (zh) * | 2020-08-13 | 2020-09-18 | 国网浙江省电力有限公司 | 基于人工智能的企业复工复产程度监控方法 |
CN111680852A (zh) * | 2020-08-13 | 2020-09-18 | 国网浙江省电力有限公司 | 地区整体能耗监控方法及其监控*** |
CN112632154A (zh) * | 2020-12-30 | 2021-04-09 | 城云科技(中国)有限公司 | 基于时间数据确定并行业务数量及时间区间的方法及装置 |
CN112632154B (zh) * | 2020-12-30 | 2024-03-12 | 城云科技(中国)有限公司 | 基于时间数据确定并行业务数量及时间区间的方法及装置 |
CN114688692A (zh) * | 2020-12-30 | 2022-07-01 | 北京天诚同创电气有限公司 | 负荷预测方法、***及装置 |
CN114688692B (zh) * | 2020-12-30 | 2023-10-20 | 北京天诚同创电气有限公司 | 负荷预测方法、***及装置 |
CN113283774A (zh) * | 2021-06-07 | 2021-08-20 | 润电能源科学技术有限公司 | 采暖供热机组深度调峰方法、装置、电子设备及存储介质 |
CN113657687B (zh) * | 2021-08-30 | 2023-09-29 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
CN113657687A (zh) * | 2021-08-30 | 2021-11-16 | 国家电网有限公司 | 基于特征工程和多路深度学习的电力负荷预测方法 |
CN116527620A (zh) * | 2023-06-25 | 2023-08-01 | 上海帜讯信息技术股份有限公司 | 基于多种消息体的机器学习发送方法、装置及存储介质 |
CN117150282A (zh) * | 2023-09-16 | 2023-12-01 | 石家庄正和网络有限公司 | 一种基于预测模型的二手设备回收评估方法及*** |
CN117150282B (zh) * | 2023-09-16 | 2024-01-30 | 石家庄正和网络有限公司 | 一种基于预测模型的二手设备回收评估方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108734355B (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734355A (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** | |
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN114970362B (zh) | 一种多能源结构下的电网负荷调度预测方法及*** | |
CN109919356B (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN108805193A (zh) | 一种基于混合策略的电力缺失数据填充方法 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和*** | |
CN110135635A (zh) | 一种区域电力饱和负荷预测方法及*** | |
CN108898259A (zh) | 基于多因素综合的自适应进化规划电力负荷预测方法及*** | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN109858665A (zh) | 基于特征筛选与anfis-pso的光伏短期功率预测方法 | |
CN116366453A (zh) | 异构网元业务需求表征与虚拟网元的自适应动态部署方法 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
Wang et al. | Short-term load forecasting with LSTM based ensemble learning | |
CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及*** | |
CN114119273A (zh) | 一种园区综合能源***非侵入式负荷分解方法及*** | |
CN115600729A (zh) | 一种考虑多属性网格电网负荷预测方法 | |
Ghanbari et al. | An intelligent load forecasting expert system by integration of ant colony optimization, genetic algorithms and fuzzy logic | |
CN104217296A (zh) | 一种上市公司绩效综合评价方法 | |
CN116956160A (zh) | 一种基于自适应树种算法的数据分类预测方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** |
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 |