CN110135643A - 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 - Google Patents
考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 Download PDFInfo
- Publication number
- CN110135643A CN110135643A CN201910414572.7A CN201910414572A CN110135643A CN 110135643 A CN110135643 A CN 110135643A CN 201910414572 A CN201910414572 A CN 201910414572A CN 110135643 A CN110135643 A CN 110135643A
- Authority
- CN
- China
- Prior art keywords
- short
- load
- term
- price
- term load
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 49
- 239000010959 steel Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 230000007787 long-term memory Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 7
- 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
- 238000010606 normalization Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 229910000658 steel phase Inorganic materials 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了考虑钢铁期货价格和实时电价因素的短期日负荷预测方法,利用协方差分析方法确定钢铁期货价格、实时电价、日期类型与负荷之间的相关系数,基于负荷值利用上述相关系数确定短期负荷预测输入数据中的中的钢铁期货价格、实时电价、日期类型值;对输入数据进行标准化处理,建立短期负荷预测输入数据训练集;基于短期负荷预测输入数据训练集,对负荷预测的长短期记忆模型进行训练,获得参数合适的短期负荷预测模型;将测试集中的负荷值输入至参数合适的短期负荷预测模型中完成带有冲击性负荷短期日负荷预测。本公开采用钢铁期货作为输入量,降低了冲击性负荷造成短期日负荷预测的误差。
Description
技术领域
本公开涉及电网调度部门用电负荷预测技术领域,特别是涉及考虑钢铁期货价格和实时电价因素的短期日负荷预测方法及***。
背景技术
电力***负荷预测是根据电力负荷、经济、社会、气象等的历史数据,探索电力负荷历史数据变化规律对未来负荷的影响,寻求电力负荷与各种相关因素之间的内在联系,从而对未来的电力负荷进行科学的预测。在电力***规划设计、运行管理和电力市场交易中,必须对负荷需求量的变化与负荷特性有一个准确的预测。这就是人们不断研究并发展电力***负荷预测理论的重要原因。
随着计算机技术、通讯技术、和网络技术的飞速发展,许多先进的预测算法得以快速的实现,电网测量数据也能被实时采集分析,这为研究电网负荷预测算法提供了可靠保障。
发明人在研究中发现,目前针对短期负荷预测算法中运用方法有:
(1)支持向量机预测法;
(2)多元线性预测法;
(3)灰色预测法;
(4)神经网络预测法;
以上方法在短期负荷预测中存在的主要问题:
1.时间序列法和多元线性预测法多是针对线性关系模型,预测误差较大。
2.上述方法在处理大数据量负荷预测方面,存在收敛速度慢、预测精度低的缺点。
3.上述方法未考虑冲击性负荷的特殊影响因素,精确性不高。
发明内容
本说明书实施方式的目的是提供考虑钢铁期货价格和实时电价因素的短期日负荷预测方法,采用钢铁期货作为输入量,降低了冲击性负荷造成短期日负荷预测的误差。
本说明书实施方式提供考虑钢铁期货价格和实时电价因素的短期日负荷预测方法,通过以下技术方案实现:
包括:
利用协方差分析方法确定钢铁期货价格、实时电价、日期类型与负荷之间的相关系数,基于负荷值利用上述相关系数确定短期负荷预测输入数据中的中的钢铁期货价格、实时电价、日期类型值;
对输入数据进行标准化处理,建立短期负荷预测输入数据训练集;
基于短期负荷预测输入数据训练集,对负荷预测的长短期记忆模型进行训练,获得参数合适的短期负荷预测模型;
将测试集中的负荷值输入至参数合适的短期负荷预测模型中完成带有冲击性负荷短期日负荷预测。
进一步的技术方案,对于将测试集中的负荷值输入至参数合适的短期负荷预测模型中获得的预测值,基于最小二乘算法的误差补偿算法,对预测误差进行校正。
本说明书实施方式提供考虑钢铁期货价格和实时电价因素的带有冲击性负荷的短期日负荷预测***,通过以下技术方案实现:
包括:
数据量输入模块,被配置为:利用协方差分析方法确定钢铁期货价格、实时电价、日期类型与负荷之间的相关系数,基于负荷值利用上述相关系数确定短期负荷预测输入数据中的中的钢铁期货价格、实时电价、日期类型值;
数据标准化处理模块,被配置为:对输入数据进行标准化处理,建立短期负荷预测输入数据训练集;
模型建立模块,被配置为:基于短期负荷预测输入数据训练集,对负荷预测的长短期记忆模型进行训练,获得参数合适的短期负荷预测模型;
预测模块,被配置为:将测试集中的负荷值输入至参数合适的短期负荷预测模型中完成带有冲击性负荷短期日负荷预测。
进一步的技术方案,预测模块中,对于将测试集中的负荷值输入至参数合适的短期负荷预测模型中获得的预测值,基于最小二乘算法的误差补偿算法,对预测误差进行校正。
与现有技术相比,本公开的有益效果是:
本公开建立了一种考虑钢铁期货价格和实时电价的带有冲击性负荷的短期日负荷预测方法,采用钢铁期货作为输入量,降低了冲击性负荷造成短期日负荷预测的误差。
本公开采用先进算法,预测准确度高,日负荷预采用长短期记忆模型算法,充分考虑时间序列,可解决在传统算法下难以解决的时序疑难问题。
本公开预测结果最小二乘算法弥补了在计算时产生的误差,结果更加准确。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例子LSTM单元结构示意图;
图2为本公开实施例子短期日负荷预测方法流程图;
图3为本公开实施例子长短期记忆网络LSTM网络结构图;
图4为本公开实施例子短期日负荷预测结果图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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。
实施例子一
该实施例公开了考虑钢铁期货价格和实时电价因素的短期日负荷预测方法,为了考虑钢铁生产用电冲击大的问题,综合分析钢铁期货价格和实时电价与钢生产用电的耦合关系,引入了钢铁期货价格和实时电价、日期类型、实时电价等影响因素,采用协方差系数法综合分析钢期货价格、电价及历史负荷与当前时刻负荷的相关性,确定输入数据。采用深度学习长短期记忆模型LSTM,并提出基于最小二乘算法的误差补偿算法,最终实现带有冲击性负荷***的短期日负荷预测。
具体步骤为:
步骤一:利用协方差分析方法确定钢铁期货价格、实时电价、日期类型(星期一至星期日、节假日)与负荷之间的相关系数,确定短期负荷预测输入数据;
步骤二:对步骤一中建立的输入数据进行标准化处理,建立短期负荷预测输入数据训练集;
步骤三:搭建负荷预测的长短期记忆(Long Short Term Memory,LSTM)模型,根据多次实验设置合适参数,建立短期负荷预测模型;
步骤四:提出基于最小二乘算法的误差补偿算法,对预测误差进行校正,完成带有冲击性负荷短期日负荷预测,电网调度人员依据短期日负荷的预测情况制订生产计划,确定各供电地区的供电电量,生产规划。
进一步的,所述步骤一中,利用协方差分析方法确定钢铁期货价格、实时电价、日期类型(星期一至星期日、节假日)与负荷之间的相关系数,确定短期负荷预测输入数据。设Li={li(1),li(2),…,li(k),…li(n)}表示第i天第k个采样间隔的负荷值集合,设Pi={pi(1),pi(2),…,pi(k),…,pi(n)}为第i天第k个采样间隔的钢铁期货价格集合。取一个月数据,计算Li与Pi之间关系。其中,i表示第i天,n是采样个数,这里采样间隔取15分钟,n为96。根据协方差相关系数函数,
cov(Li,Pi)=E([Li-E(Li)][Pi-E(Pi)])
其中,li(t)代表负荷集Li中的t时刻的负荷值,负荷值通过接口于电网调度综合平台获取。pi(t)代表负荷集Pi中的t时刻的钢铁期货价。
E()为通用的求均值期望函数。cov(Li,Pi)是协方差函数。则Li与Pi相关系数由下述公式求出
D(Li)=E[Li-E(Li)]2
D(Pi)=E[Pi-E(Pi)]2
D(Li),D(Pi)分别代表负荷预测、钢铁期货价格的标准差。
同理令Qi={qi(1),qi(2),…,qi(k),…qi(n)}表示第i天第k个采样间隔的电价值集合,Di={di(1),di(2),…,di(k),…di(n)}表示第i天第k个采样间隔的日期类型集合。其中,qi(t)代表负荷集Qi中的t时刻实时电价,di(t)代表负荷集Di中的t时刻的日期类型。
应用上述公式求出实时电价、日期类型与负荷之间的相关系数。经过计算,钢铁期货价格与负荷之间相关系数为0.7097,日期类型与负荷之间相关系数0.55,实时电价与负荷之间的相关系数为0.701。确定选取输入量为钢铁期货价格、实时电价、日期类型值。
步骤二中,对步骤一中建立的输入数据进行标准化处理,建立短期负荷预测输入数据训练集;使用离差标准化,是对原始数据的线性变换,使结果落到[0,1]区间。归一化公式如下:
其中,x*表示变换后数据,x表示为输入量变换前数据,xmin表示变换数据集中的最小值,xmax表示变换数据集中的最大值。输入量如下表:
根据上述归一化公式和表格中数据为输入量形成短期负荷预测输入数据X=[输入量1,输入量2,输入量3,输入量4,输入量5,输入量6,输入量7]。形成训练集后输入到python语言实现的短期负荷预测模型中进行训练,直至损失值和精确值降到0.5%以下停止训练,输出模型。
步骤三:通过python语言完成短期负荷预测程序实现搭建负荷预测的长短期记忆(Long Short Term Memory,LSTM)模型,根据多次实验设置合适参数。LSTM单元结构如图1所示。
其中,xt,ht和yt分别表示t时间的输入向量、隐含层状态、输出向量。图中记忆单元是神经元状态的记录,输入门和输出门用来读取和修正参数。遗忘门用来选择上一时刻的单元状态,计算公式如下:
ft=σ(Wf[ht-1,xt]+bf)
it=σ(Wi[ht-1,xt]+bi)
gt=tanh(Wg[ht-1,xt]+bg)
Ct=ftCt-1+itgt
ot=σ(Wo[ht-1,xt]+bo)
ht=ottanhCt
其中,f、i、g、C、o分别表示遗忘门、输入门、细胞状态、更新后细胞状态、输出门。W、b对应权重系数和偏置项,σ代表sigmoid激活函数,tanh代表双曲正切激活函数。本公开实施例子的负荷预测流程参见附图2所示。长短期记忆网络LSTM网络结构图参见附图3所示。
经过多次仿真实验,调节LSTM神经元个数参数、连接层数、隐含层个数、隐含层神经元个数,使训练结果最优。建立短期负荷预测模型。
进一步的步骤四:提出基于最小二乘算法的误差补偿算法,对预测误差进行校正,完成带有冲击性负荷短期日负荷预测。预测结果出来后采用最小二乘法进行误差优化,以提高预测精度。
对于数据(YLSTM-1,Y实际-1),(YLSTM-2,Y实际-2),…,(YLSTM-n,Y实际-n),构造多项式F(Y)=λ1+λ2YLSTM+λ3YLSTM 2+…+λmYLSTM m-1(m<n),使其
其中YLSTM-i为步骤三中的输出,Y实际-i为实际值,λ1,λ2,…,λm为待求的参数。设求导:
求解得到λ1,λ2,…,λm,进而得到F(Y)=λ1+λ2YLSTM+λ3YLSTM 2+…+λmYLSTM m-1(m<n),为最终负荷预测结果,具体的预测结果参见附图4所示。
实施例子二
本说明书实施方式提供考虑钢铁期货价格和实时电价因素的带有冲击性负荷的短期日负荷预测***,通过以下技术方案实现:
包括:
数据量输入模块,被配置为:利用协方差分析方法确定钢铁期货价格、实时电价、日期类型与负荷之间的相关系数,基于负荷值利用上述相关系数确定短期负荷预测输入数据中的中的钢铁期货价格、实时电价、日期类型值;
数据标准化处理模块,被配置为:对输入数据进行标准化处理,建立短期负荷预测输入数据训练集;
模型建立模块,被配置为:基于短期负荷预测输入数据训练集,对负荷预测的长短期记忆模型进行训练,获得参数合适的短期负荷预测模型;
预测模块,被配置为:将测试集中的负荷值输入至参数合适的短期负荷预测模型中完成带有冲击性负荷短期日负荷预测。
具体的,预测模块中,对于将测试集中的负荷值输入至参数合适的短期负荷预测模型中获得的预测值,基于最小二乘算法的误差补偿算法,对预测误差进行校正。
该***中相关的模块的具体实现过程可参见实施例子一考虑钢铁期货价格和实时电价因素的短期日负荷预测方法中的相关步骤,此处不再进行具体说明。
实施例子三
本说明书实施方式提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现考虑钢铁期货价格和实时电价因素的短期日负荷预测方法的步骤。
该实施例子中,考虑钢铁期货价格和实时电价因素的短期日负荷预测方法的步骤可参见实施例子一中的详细描述。
实施例子四
本说明书实施方式提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现考虑钢铁期货价格和实时电价因素的短期日负荷预测方法的步骤。
该实施例子中,考虑钢铁期货价格和实时电价因素的短期日负荷预测方法的步骤可参见实施例子一中的详细描述。
可以理解的是,在本说明书的描述中,参考术语“一实施例”、“另一实施例”、“其他实施例”、或“第一实施例~第N实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.考虑钢铁期货价格和实时电价因素的短期日负荷预测方法,其特征是,包括:
利用协方差分析方法确定钢铁期货价格、实时电价、日期类型与负荷之间的相关系数,基于负荷值利用上述相关系数确定短期负荷预测输入数据中的中的钢铁期货价格、实时电价、日期类型值;
对输入数据进行标准化处理,建立短期负荷预测输入数据训练集;
基于短期负荷预测输入数据训练集,对负荷预测的长短期记忆模型进行训练,获得参数合适的短期负荷预测模型;
将测试集中的负荷值输入至参数合适的短期负荷预测模型中完成带有冲击性负荷短期日负荷预测。
2.如权利要求1所述的考虑钢铁期货价格和实时电价因素的短期日负荷预测方法,其特征是,对于将测试集中的负荷值输入至参数合适的短期负荷预测模型中获得的预测值,基于最小二乘算法的误差补偿算法,对预测误差进行校正。
3.如权利要求1所述的考虑钢铁期货价格和实时电价因素的短期日负荷预测方法,其特征是,对输入数据进行标准化处理:使用离差标准化,是对原始数据的线性变换,使结果落到[0,1]区间。
4.如权利要求1所述的考虑钢铁期货价格和实时电价因素的短期日负荷预测方法,其特征是,每一个输入量代表相应的含义,对数量量进行归一化处理得到短期负荷预测输入数据训练集。
5.考虑钢铁期货价格和实时电价因素的带有冲击性负荷的短期日负荷预测***,其特征是,包括:
数据量输入模块,被配置为:利用协方差分析方法确定钢铁期货价格、实时电价、日期类型与负荷之间的相关系数,基于负荷值利用上述相关系数确定短期负荷预测输入数据中的中的钢铁期货价格、实时电价、日期类型值;
数据标准化处理模块,被配置为:对输入数据进行标准化处理,建立短期负荷预测输入数据训练集;
模型建立模块,被配置为:基于短期负荷预测输入数据训练集,对负荷预测的长短期记忆模型进行训练,获得参数合适的短期负荷预测模型;
预测模块,被配置为:将测试集中的负荷值输入至参数合适的短期负荷预测模型中完成带有冲击性负荷短期日负荷预测。
6.如权利要求5所述的考虑钢铁期货价格和实时电价因素的带有冲击性负荷的短期日负荷预测***,其特征是,预测模块中,对于将测试集中的负荷值输入至参数合适的短期负荷预测模型中获得的预测值,基于最小二乘算法的误差补偿算法,对预测误差进行校正。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-4任一所述的考虑钢铁期货价格和实时电价因素的短期日负荷预测方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-4任一所述的考虑钢铁期货价格和实时电价因素的短期日负荷预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414572.7A CN110135643A (zh) | 2019-05-17 | 2019-05-17 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910414572.7A CN110135643A (zh) | 2019-05-17 | 2019-05-17 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110135643A true CN110135643A (zh) | 2019-08-16 |
Family
ID=67575125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910414572.7A Pending CN110135643A (zh) | 2019-05-17 | 2019-05-17 | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135643A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489893A (zh) * | 2019-08-23 | 2019-11-22 | 国网山东省电力公司莱芜供电公司 | 一种基于可变权值的母线负荷预测方法及*** |
WO2021077977A1 (zh) * | 2019-10-23 | 2021-04-29 | 华能大理风力发电有限公司 | 风电竞价场内交易数据分析方法、装置、设备及介质 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及*** |
CN114219144A (zh) * | 2021-12-13 | 2022-03-22 | 广西电网有限责任公司北海供电局 | 一种主变负荷预测方法及*** |
CN115860797A (zh) * | 2022-12-08 | 2023-03-28 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
-
2019
- 2019-05-17 CN CN201910414572.7A patent/CN110135643A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073922A (zh) * | 2010-12-10 | 2011-05-25 | 沈阳工业大学 | 基于影响因素筛选的短期负荷预测方法 |
CN109376960A (zh) * | 2018-12-06 | 2019-02-22 | 国网北京市电力公司 | 基于lstm神经网络的电网负荷预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489893A (zh) * | 2019-08-23 | 2019-11-22 | 国网山东省电力公司莱芜供电公司 | 一种基于可变权值的母线负荷预测方法及*** |
WO2021077977A1 (zh) * | 2019-10-23 | 2021-04-29 | 华能大理风力发电有限公司 | 风电竞价场内交易数据分析方法、装置、设备及介质 |
CN112926807A (zh) * | 2021-04-15 | 2021-06-08 | 德州欧瑞电子通信设备制造有限公司 | 考虑预测误差的机柜设备发热量超短期预测方法及*** |
CN114219144A (zh) * | 2021-12-13 | 2022-03-22 | 广西电网有限责任公司北海供电局 | 一种主变负荷预测方法及*** |
CN115860797A (zh) * | 2022-12-08 | 2023-03-28 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
CN115860797B (zh) * | 2022-12-08 | 2023-07-18 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135643A (zh) | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 | |
US20170308934A1 (en) | Management method of power engineering cost | |
Shao et al. | Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm | |
CN108985965A (zh) | 一种结合神经网络和参数估计的光伏功率区间预测方法 | |
CN108280551A (zh) | 一种利用长短期记忆网络的光伏发电功率预测方法 | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
Jin et al. | Impact of cost–benefit analysis on financial benefit evaluation of investment projects under back propagation neural network | |
CN115081717B (zh) | 融合注意力机制和图神经网络的轨道交通客流预测方法 | |
CN112232561B (zh) | 基于约束并行lstm分位数回归的电力负荷概率预测方法 | |
Han | A forecasting method of pharmaceutical sales based on ARIMA-LSTM model | |
CN113344467A (zh) | 一种电力工程资金预测方法和装置 | |
Li et al. | Financial risk prediction for listed companies using IPSO-BP neural network | |
Liu et al. | Development Assessment of Higher Education System Based on TOPSIS‐Entropy, Hopfield Neural Network, and Cobweb Model | |
CN114331041A (zh) | 一种基于信息物理***架构的智慧电厂成熟度评估方法及*** | |
CN113570414A (zh) | 基于改进Adam算法优化深度神经网络的电价预测方法 | |
Mittal et al. | Electricity price forecasting using convolution and lstm models | |
Tai | Algorithm Analysis of VaR for Financial Market Risk Based on Optimized BP Neural Network | |
CN115796000A (zh) | 一种基于堆叠机器学习算法的短期气温预报集合订正方法 | |
Xu et al. | Research on Multistage Dynamic Trading Model Based on Gray Model and Auto‐Regressive Integrated Moving Average Model | |
Sun et al. | Multi-channel temporal graph convolutional network for stock return prediction | |
Chang et al. | The Composite Multi-Level Prediction Model for Stock Market Time Series | |
Dhokane et al. | Stock market prediction using the LSTM algorithm in association with the Relative Strength Index (RSI) and Exponential Moving Average (EMA) indicators. | |
Peng et al. | A research on stock index prediction based on multiple linear regression and ELM neural network | |
Sharma et al. | Stock Price Prediction Using Long Short Term Memory Algorithm | |
Yujia | Construction and Empirical Study of Regional Logistics Demand Prediction Model Based on BP-RBF Neural 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |