CN108846530A - 一种基于“聚类-回归”模型的短期负荷预测方法 - Google Patents
一种基于“聚类-回归”模型的短期负荷预测方法 Download PDFInfo
- Publication number
- CN108846530A CN108846530A CN201811140228.5A CN201811140228A CN108846530A CN 108846530 A CN108846530 A CN 108846530A CN 201811140228 A CN201811140228 A CN 201811140228A CN 108846530 A CN108846530 A CN 108846530A
- Authority
- CN
- China
- Prior art keywords
- cluster
- load
- data
- model
- recurrence
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000005611 electricity Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 210000005036 nerve Anatomy 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000005201 scrubbing Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 240000002853 Nelumbo nucifera Species 0.000 description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明针对电力行业短期负荷预测问题,公开了一种基于“聚类‑回归”模型的短期负荷预测方法。传统的负荷预测方法一般只基于“回归”模型,将影响电力负荷的因素作为属性,进行回归预测。在这个过程中,往往需要将非结构化信息结构化,而且人为因素影响较大。本发明的目的在于克服上述不足,提出一种基于“聚类‑回归”模型的短期电力负荷预测方法:第一步,对用户用电特征进行聚类分析,用电特征类似的用户聚为一簇,得到表征簇内用户用电水平的簇负荷特性曲线;第二步,将簇负荷特性曲线作为区域总负荷的属性因子,训练模型,进行回归预测。新方法的性能更好,在电力行业短期负荷预测问题中具备很好的实践应用价值。
Description
技术领域
本发明涉及一种短期电力负荷预测方法,尤其涉及一种“聚类-回归”模型的短期负荷预测方法,属于电力负荷预测领域。
背景技术
电力负荷预测是电力工作者们最为关注的问题之一,并在保障电力***的安全、稳定、经济运行中起着至关重要的作用,特别是短期负荷预测对于保证电网经济运行、合理调度、安排机组启停和检修均具有重大意义。随着电网智能化程度的不断提高,智能抄表***的不断普及,针对电力用户用电特征的高精度负荷预测必将会对电力***的各个环节产生影响。因此,新形势下高精度负荷预测的研究具有现实意义。
近年来,随着机器学习、数据挖掘、模式识别等理论的日益发展,基于电力大数据的负荷预测方法与理论也得到了快速的发展:
1)偏最小二乘法与反向传播人工神经网络算法结合的负荷预测方法。人工神经网络算法应用范围很广,其较强的非线性映射能力很好的解决了实际中建模困难的问题,但是其局限性在于网络训练过程中容易出现学习不足和过拟合,收敛速度慢,易陷入局部最优。
2)传统的基于模糊理论的方法也可以应用于负荷预测、气象评判以及负荷日类型划分,其不足之处在于模糊学习能力较弱,当映射划分不够细致时,输出比较粗糙。而且在引入天气状况、温度、人体舒适度时,这些指标虽可以作为负荷预测的参考量,但是在具体量化处理时,精度很难把握,主观因素影响较大。
3)电力***负荷呈现很强的周期性,以天、周、月、年为周期相互嵌套,通过小波变换将嵌套在一起的混合频率信号分解在不同的频率子带上,对各子带进行预测和重构,达到预测整体负荷的目的,但是预测结果与小波基的选择有很大关联,而小波基的选择是个难点。
发明内容
本发明提供了一种基于“聚类-回归”模型的短期负荷预测方法,该方法从分析影响负荷的用户用电特征入手,能够进行针对性更强、更加精确的用户用电负荷预测。
实现上述目的的一种技术方案是:一种基于“聚类-回归”模型的短期负荷预测方法,包括如下步骤:
1、一种基于“聚类-回归”模型的短期负荷预测方法,其特征在于,包括如下步骤:
S101:原始数据预处理步骤,包括数据清洗步骤与数据规范化步骤;
S2:聚类步骤,包括如下几个子步骤;
S201:对S101处理过后的用户用电原始数据选取五个特征:“总用电量、”“峰用电量”、“平用电量”、“谷用电量”以及“最大功率”并进行转化,采用比值转化的方法得到四个描述电力用户用电特征的物理量:峰总比、谷总比、平总比、负荷率,定义如下:
其中,r1表示峰总比,r2表示谷总比,r3表示平总比,η表示负荷率,Loverall表示总电量,Lpeak表示峰电量,Lvalley表示谷电量,Lflat表示平电量,Pmax表示最大功率;
S202:对电力用户按照S201中得到的峰总比、谷总比、平总比、负荷率四个属性采用聚类算法进行聚类;
S203:通过聚类,用电特征类似的用户聚为一簇,簇内用户的用电特征采用用簇负荷特性曲线来表示,簇负荷特性曲线计算如下:
对于簇Ci中的ni个用户,可得到C条簇负荷曲线,如下所示:
Load(i)=[l1,l2,L,lj]T,
i∈[1,C],j∈[1,96]
其中,Load(i)是簇Ci的簇负荷曲线向量,96维,簇负荷曲线向量元素是lj,lj是簇Ci所包含的用户在第j时刻的负荷均值;
S204:将得到的簇负荷特性曲线作为区域负荷的属性,区域负荷作为标签,构成对应的属性+标签的数据集;
S3:回归预测步骤,包括以下子步骤;
S301:对数据集采用回归算法进行回归,结合S204中得到的数据集,训练模型;
S302:回到步骤S2,重新依次进行聚类步骤的各项子步骤及S301步骤,在S202选用新的聚类算法,在S301选用新的回归算法,并使得聚类算法和回归算法排列组合,得到不同的“聚类-回归”模型,并通过现有数据选用各模型中对该用户区域预测精确性高的模型;
S303:选用S302中训练好的模型进行回归预测。
进一步的,在所述步骤S101中,所述数据清理步骤为剔除离群数据,缺失的数据用插值的方法进行补全;所述数据规范化步骤采用的方法有min-max标准化(Min-maxnormalization)、log函数转换、z-score标准化(zero-mena normalization)或比值转化。
进一步的,其特征在于,在所述步骤S202中,所述聚类算法包括K均值(k-means)、模糊C均值聚类(fuzzy c-mean clustering,FCM)或谱聚类(spectral clustering,SC)。
进一步的,其特征在于,在所述步骤301中,所述回归算法包括基于神经网络方法的广义回归神经网络(general regression neural network,GRNN)或支持向量回归(support vector machine regress ion,SVR)。
本发明的一种基于“聚类-回归”模型的短期负荷预测方法,考虑了电力用户的用电特征,预测具有针对性,用簇负荷特性曲线作为区域总负荷的属性因子,从而达到提高负荷预测精度的目的。首先对电力用户按用电特征聚类分簇,用电特征相似的用户成为一簇,得到每个簇的负荷特性曲线。对于某区域的负荷,是由这些簇负荷特性曲线按一定的规则组合而成的,所以这些曲线可当做区域总负荷的属性因子,经训练可得到预测模型。
本发明与传统的不经过“聚类”直接“回归”的负荷预测方法相比具有以下优势:
1)聚类阶段对用户用电特征进行了细化分析,用电特征类似的用户成为一簇,因为充分考虑了用户用电特征,使得下一步回归预测具有针对性,提高负荷预测精度。
2)将簇负荷特性曲线考虑为印象区域总负荷的属性因子,避免了在负荷预测时采用非结构化信息,避免误差引入,影响负荷预测精度。
附图说明
图1为本发明的一种基于“聚类-回归”模型的短期负荷预测方法算法流程图;
图2为聚类步骤S2采用三种聚类方法得到的簇负荷特性曲线。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如附图1所示,本发明的一种基于“聚类-回归”模型的短期负荷预测方法,通过以下技术方案来实现的:数据预处理步骤;聚类步骤;回归预测步骤。数据预处理步骤剔除坏数据,补全缺失数据,得到可靠的预处理数据;聚类步骤对预处理数据进行用户用电特征数据进行聚类分析,用电特征相似的用户聚为一簇,进而得到簇负荷特性曲线;将簇负荷特性曲线作为总负荷的属性因子,训练模型,进行回归预测。在回归预测之前通过聚类考虑了负荷的组成成分,使得负荷预测具有针对性,用簇负荷特性曲线作为区域总负荷的属性因子解决了传统负荷预测中将非结构化信息结构化引起的信息失真问题,从而能提高负荷预测精度。
数据预处理包括如下子步骤:
S101:原始数据预处理。主要包括数据清洗与数据规范化,由于电力***中的负荷数据一般来源于计量自动化***的自动采集,采集的数据在传输过程中可能出现错误或缺失。对离群点和遗漏的数据进行检测分析具有十分重要的意义,可以发现数据的潜在价值。剔除离群数据,缺失的数据一般可以用插值的方法来补全。数据规范化是为了便于程序统一处理,所以需要对数据进行标准化操作,标准化的方法还没有通用的法则可以遵循,常见的方法有:min-max标准化(Min-max normal ization),log函数转换,z-score标准化(zero-mena normal ization),比值转化。
聚类步骤S2包括如下子步骤:
S201:为了便于程序处理,对用户用电原始数据选取五个特征:“总用电量、”“峰用电量”、“平用电量”、“谷用电量”以及“最大功率”进行转化。采用比值转化的方法得到四个描述电力用户用电特征的物理量:峰总比、谷总比、平总比、负荷率。定义如下:
其中,r1表示峰总比,r2表示谷总比,r3表示平总比,η表示负荷率,Loverall表示总电量,Lpeak表示峰电量,Lvalley表示谷电量,Lflat表示平电量,Pmax表示最大功率。
S202:对电力用户按照S201中得到的峰总比、谷总比、平总比、负荷率四个属性进行聚类。聚类算法有很多,常见的有K均值(k-means)聚类、模糊C均值聚类(fuzzy c-meanclustering,FCM)、谱聚类(spectral clustering,SC)等。
S203:通过聚类,用电特征类似的用户聚为一簇,簇内用户的用电特征可以用簇负荷特性曲线来表示,簇负荷特性曲线计算如下所示:
对于簇Ci中的ni个用户,可得到C条簇负荷曲线,如下所示:
Load(i)=[l1,l2,L,lj]T,
i∈[1,C],j∈[1,96]
其中,Load(i)是簇Ci的簇负荷曲线向量,96维,簇负荷曲线向量元素是lj,lj是簇Ci所包含的用户在第j时刻的负荷均值。
采用K均值(k-means)聚类、模糊C均值聚类(fuzzy c-mean clustering,FCM)、谱聚类(spectral clustering,SC)得到的簇负荷特性曲线如附图2所示
S204:将得到的簇负荷特性曲线作为区域负荷的“属性”,区域负荷作为“标签”,构成对应的“属性+标签”的数据集。
回归预测步骤S3包括如下子步骤:
S301:对数据集采用回归算法进行回归,结合S204中得到的数据集,训练模型;
S302:回到步骤S2,重新依次进行聚类步骤的各项子步骤及S301步骤,在S202选用新的聚类算法,在S301选用新的回归算法,并使得聚类算法和回归算法排列组合,得到不同的“聚类-回归”模型,并通过现有数据选用各模型中对该用户区域预测精确性高的模型。
S303:选用S302中训练好的模型进行回归预测。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种基于“聚类-回归”模型的短期负荷预测方法,其特征在于,包括如下步骤:
S101:原始数据预处理步骤,包括数据清洗步骤与数据规范化步骤;
S2:聚类步骤,包括如下几个子步骤;
S201:对S101处理过后的用户用电原始数据选取五个特征:“总用电量、”“峰用电量”、“平用电量”、“谷用电量”以及“最大功率”并进行转化,采用比值转化的方法得到四个描述电力用户用电特征的物理量:峰总比、谷总比、平总比、负荷率,定义如下:
其中,r1表示峰总比,r2表示谷总比,r3表示平总比,η表示负荷率,Loverall表示总电量,Lpeak表示峰电量,Lvalley表示谷电量,Lflat表示平电量,Pmax表示最大功率;
S202:对电力用户按照S201中得到的峰总比、谷总比、平总比、负荷率四个属性采用聚类算法进行聚类;
S203:通过聚类,用电特征类似的用户聚为一簇,簇内用户的用电特征采用用簇负荷特性曲线来表示,簇负荷特性曲线计算如下:
对于簇Ci中的ni个用户,可得到C条簇负荷曲线,如下所示:
Load(i)=[l1,l2,L,lj]T,
i∈[1,C],j∈[1,96]
其中,Load(i)是簇Ci的簇负荷曲线向量,96维,簇负荷曲线向量元素是lj,lj是簇Ci所包含的用户在第j时刻的负荷均值;
S204:将得到的簇负荷特性曲线作为区域负荷的属性,区域负荷作为标签,构成对应的属性+标签的数据集;
S3:回归预测步骤,包括以下子步骤;
S301:对数据集采用回归算法进行回归,结合S204中得到的数据集,训练模型;
S302:回到步骤S2,重新依次进行聚类步骤的各项子步骤及S301步骤,在S202选用新的聚类算法,在S301选用新的回归算法,并使得聚类算法和回归算法排列组合,得到不同的“聚类-回归”模型,并通过现有数据选用各模型中对该用户区域预测精确性高的模型;
S303:选用S302中训练好的模型进行回归预测。
2.根据权利要求1所述的一种基于“聚类-回归”模型的短期负荷预测方法,其特征在于,在所述步骤S101中,所述数据清理步骤为剔除离群数据,缺失的数据用插值的方法进行补全;所述数据规范化步骤采用的方法有min-max标准化、log函数转换、z-score标准化或比值转化。
3.根据权利要求1所述的一种基于“聚类-回归”模型的短期负荷预测方法,其特征在于,在所述步骤S202中,所述聚类算法包括K均值、模糊C均值聚类或谱聚类。
4.根据权利要求1所述的一种基于“聚类-回归”模型的短期负荷预测方法,其特征在于,在所述步骤301中,所述回归算法包括基于神经网络方法的广义回归神经网络或支持向量回归。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811140228.5A CN108846530B (zh) | 2018-09-28 | 2018-09-28 | 一种基于“聚类-回归”模型的短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811140228.5A CN108846530B (zh) | 2018-09-28 | 2018-09-28 | 一种基于“聚类-回归”模型的短期负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846530A true CN108846530A (zh) | 2018-11-20 |
CN108846530B CN108846530B (zh) | 2021-11-26 |
Family
ID=64188081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811140228.5A Active CN108846530B (zh) | 2018-09-28 | 2018-09-28 | 一种基于“聚类-回归”模型的短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846530B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
CN110110915A (zh) * | 2019-04-28 | 2019-08-09 | 上海电力学院 | 一种基于cnn-svr模型的负荷集成预测方法 |
CN111126445A (zh) * | 2019-11-29 | 2020-05-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种面向智能电表海量数据的多步聚合负荷预测方法 |
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 |
CN111222688A (zh) * | 2019-12-06 | 2020-06-02 | 北京国电通网络技术有限公司 | 一种商业楼宇的日负荷预测方法 |
CN112308340A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力数据处理方法及装置 |
CN112330028A (zh) * | 2020-11-08 | 2021-02-05 | 国网天津市电力公司 | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 |
CN112327046A (zh) * | 2020-11-09 | 2021-02-05 | 北华航天工业学院 | 基于模糊聚类和支持向量回归的非侵入式负荷监测方法 |
CN112699933A (zh) * | 2020-12-28 | 2021-04-23 | 华中师范大学 | 用户教学素材加工处理能力自动识别方法及*** |
CN112821559A (zh) * | 2021-01-22 | 2021-05-18 | 西安理工大学 | 一种非侵入式家电负荷深度再识别方法 |
CN113361776A (zh) * | 2021-06-08 | 2021-09-07 | 国网上海市电力公司 | 一种基于用户用电行为聚类的电力负荷概率预测方法 |
CN113449933A (zh) * | 2021-08-30 | 2021-09-28 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
EP4089870A1 (de) * | 2021-05-12 | 2022-11-16 | Siemens AG Österreich | Verfahren zur effizienten bestimmung eines netzparameters eines energieversorgungsnetzes |
CN116029457A (zh) * | 2023-02-21 | 2023-04-28 | 南方电网调峰调频发电有限公司鲁布革水力发电厂 | 基于负荷数据分析的电力市场电能协调优化方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
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 |
-
2018
- 2018-09-28 CN CN201811140228.5A patent/CN108846530B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110756A1 (en) * | 2011-10-31 | 2013-05-02 | Siemens Corporation | Short-term Load Forecast Using Support Vector Regression and Feature Learning |
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 |
Non-Patent Citations (2)
Title |
---|
李林峰等: "基于FCM聚类与SVM的电力***短期负荷预测", 《江苏电机工程》 * |
鲁观娜等: "基于混合算法的智能电表计量自动化研究", 《舰船电子工程》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测(控)中心 | 一种电力负荷预测方法及预测装置 |
CN110110915A (zh) * | 2019-04-28 | 2019-08-09 | 上海电力学院 | 一种基于cnn-svr模型的负荷集成预测方法 |
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 |
CN111126445A (zh) * | 2019-11-29 | 2020-05-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种面向智能电表海量数据的多步聚合负荷预测方法 |
CN111222688A (zh) * | 2019-12-06 | 2020-06-02 | 北京国电通网络技术有限公司 | 一种商业楼宇的日负荷预测方法 |
CN111222688B (zh) * | 2019-12-06 | 2024-01-12 | 北京国电通网络技术有限公司 | 一种商业楼宇的日负荷预测方法 |
CN112330028A (zh) * | 2020-11-08 | 2021-02-05 | 国网天津市电力公司 | 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法 |
CN112327046B (zh) * | 2020-11-09 | 2021-09-07 | 北华航天工业学院 | 基于模糊聚类和支持向量回归的非侵入式负荷监测方法 |
CN112327046A (zh) * | 2020-11-09 | 2021-02-05 | 北华航天工业学院 | 基于模糊聚类和支持向量回归的非侵入式负荷监测方法 |
CN112308340A (zh) * | 2020-11-23 | 2021-02-02 | 国网北京市电力公司 | 电力数据处理方法及装置 |
CN112699933A (zh) * | 2020-12-28 | 2021-04-23 | 华中师范大学 | 用户教学素材加工处理能力自动识别方法及*** |
CN112699933B (zh) * | 2020-12-28 | 2023-07-07 | 华中师范大学 | 用户教学素材加工处理能力自动识别方法及*** |
CN112821559B (zh) * | 2021-01-22 | 2023-08-01 | 物兴科技(深圳)有限公司 | 一种非侵入式家电负荷深度再识别方法 |
CN112821559A (zh) * | 2021-01-22 | 2021-05-18 | 西安理工大学 | 一种非侵入式家电负荷深度再识别方法 |
EP4089870A1 (de) * | 2021-05-12 | 2022-11-16 | Siemens AG Österreich | Verfahren zur effizienten bestimmung eines netzparameters eines energieversorgungsnetzes |
WO2022238405A1 (de) * | 2021-05-12 | 2022-11-17 | Siemens Ag Österreich | Verfahren zur effizienten bestimmung eines netzparameters eines energieversorgungsnetzes |
CN113361776A (zh) * | 2021-06-08 | 2021-09-07 | 国网上海市电力公司 | 一种基于用户用电行为聚类的电力负荷概率预测方法 |
CN113449933A (zh) * | 2021-08-30 | 2021-09-28 | 国网江西省电力有限公司经济技术研究院 | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 |
CN116029457A (zh) * | 2023-02-21 | 2023-04-28 | 南方电网调峰调频发电有限公司鲁布革水力发电厂 | 基于负荷数据分析的电力市场电能协调优化方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108846530B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846530A (zh) | 一种基于“聚类-回归”模型的短期负荷预测方法 | |
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
Li et al. | Impact factors analysis on the probability characterized effects of time of use demand response tariffs using association rule mining method | |
Stephen et al. | Incorporating practice theory in sub-profile models for short term aggregated residential load forecasting | |
CN110619420B (zh) | 一种基于Attention-GRU的短期住宅负荷预测方法 | |
CN104820876A (zh) | 一种短期负荷预测方法和*** | |
CN113036759B (zh) | 一种电力用户负荷细粒度识别方法及识别*** | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN110765703B (zh) | 一种风电场聚合特性建模方法 | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
Zou et al. | A hybrid model based on multi-stage principal component extraction, GRU network and KELM for multi-step short-term wind speed forecasting | |
CN111242353A (zh) | 风电功率组合预测建模和预测方法 | |
CN109829560A (zh) | 一种配电网可再生能源发电集群接入规划方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
CN112215410A (zh) | 基于改进深度学习的电力负荷预测方法 | |
CN117172589A (zh) | 一种行业典型用户电力需求响应潜力评估方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115828755A (zh) | 微网群参与电网服务的评估方法、装置及可读存储介质 | |
CN116304537B (zh) | 基于智能量测终端的窃电用户核查方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN110210755B (zh) | 一种基于K_means聚类算法的用户需求响应能力评估方法 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及*** | |
CN112230056B (zh) | 一种基于OFMMK-Means聚类和复合分位数回归多谐波源贡献计算方法 | |
Jin et al. | Comprehensive evaluation of impacts of connecting distributed generation to the distribution network |
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 |