CN110705763B - 一种包含误差修正的超短期负荷预测方法及*** - Google Patents
一种包含误差修正的超短期负荷预测方法及*** Download PDFInfo
- Publication number
- CN110705763B CN110705763B CN201910900793.5A CN201910900793A CN110705763B CN 110705763 B CN110705763 B CN 110705763B CN 201910900793 A CN201910900793 A CN 201910900793A CN 110705763 B CN110705763 B CN 110705763B
- Authority
- CN
- China
- Prior art keywords
- prediction
- predictor
- error
- holt
- winter
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012937 correction Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000015654 memory Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种包含误差修正的超短期负荷预测方法及***,所述方法包括:获取用户负荷历史数据,所述用户负荷历史数据包括训练数据集和指定时段的测试集;基于训练数据集训练Holt‑Winter预测器,并基于所述Holt‑Winter预测器对所述指定时段的用户负荷进行预测;根据所述指定时段的预测值和测试集,得到误差预测训练集;基于误差预测训练集训练基于超限学习机的误差预测器;基于Holt‑Winter预测器和误差预测器得到组合预测模型,进行负荷预测。本发明综合考虑了符合数据的周期性规律和用电的不确定性,保证了预测精度。
Description
技术领域
本发明属于电力负荷预测技术领域,尤其涉及一种包含误差修正的超短期负荷预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
多能互补综合能源***融合风、光、地热等多种可再生能源,采用分布式供能方式,可有效提高可再生能源消纳率和能源综合利用率,是城市未来能源供应的重要手段。
精准的负荷预测可以抑制负荷不确定性的不良影响,更好地支撑综合能源***的规划、运行和服务,是实现综合能源***优化运行的重要基础。因此研究超短期负荷预测方法,提升负荷预测精度对***经济、高效、稳定运行有着重要意义。但由于综合能源***不再仅仅以电能作为研究对象,涵盖了更为广泛的热(冷)、气、油等多种能源形式,需要直接应对不同用户的多元化用能需求,多种负荷变化的随机性对负荷的精准预测提出了更大的挑战。
现有的负荷预测方法主要分为统计模型和机器学习模型两种,统计模型中线性回归(例如ARIMA、Holt-Winter等)、卡尔曼滤波等方法应用较为普遍,这类方法可以总结负荷曲线自身较为规律的变化(如周期性、季节性等),但对于价格、天气、政策等多种对负荷的影响很难建立精确的数学模型,从而难以获得令人满意的结果。机器学习方法在分析过程中无需建立对象的精确模型,可以抽象诸多外在影响因素与负荷的内在联系,越来越多的被应用于负荷预测。常见的方法有支持向量机(SVM)、卷积神经网络(CNN)、长短期记忆网络(LSTM)等。尽管采用机器学习方法进行负荷预测得到了较好的结果,但上述方法忽略了负荷本身的周期性和季节性特点,预测精度难以进一步提高。
检索发现,中国发明专利CN109615117A《一种基于ARIMA模型的煤改电电力负荷预测方法》利用ARIMA模型实现负荷预测,有利于电网负载的均衡化,避免能源的浪费。中国发明专利CN103295075B《一种超短期电力负荷预测与预警方法》提出了一种基于卡尔曼滤波和小波回声状态网络的超短期负荷预测与预警方法,实现大型企业负荷预测。中国发明专利CN109934392A《一种基于深度学习的微电网短期负荷预测方法》提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的机器学习预测方法,深度挖掘负荷数据存在的特征和关系,以提高预测精度和可靠性。但是上述发明都是通过单一采用统计模型或机器学习模型实现负荷预测,没能有效结合两种模型的优势。
发明内容
为克服上述现有技术的不足,本发明提供了一种包含误差修正的超短期负荷预测方法及***,综合考虑了符合数据的周期性规律和用电的不确定性,保证了预测精度。
为实现上述目的,本发明的一个或多个实施例提供了如下技术方案:
一种包含误差修正的超短期负荷预测方法,包括以下步骤:
获取用户负荷历史数据,所述用户负荷历史数据包括训练数据集和指定时段的测试集;
基于训练数据集训练Holt-Winter预测器,并基于所述Holt-Winter预测器对所述指定时段的用户负荷进行预测;
根据所述指定时段的预测值和测试集,得到误差预测训练集;
基于误差预测训练集训练基于超限学习机的误差预测器;
基于Holt-Winter预测器和误差预测器得到组合预测模型,进行负荷预测。
获取用户负荷历史数据后,还对所述用户负荷历史数据进行数据稳定性校验、数据清洗和数据归一化预处理。
进一步地,基于训练数据集训练Holt-Winter预测器包括:
利用粒子群算法,以预测结果的均方根误差最小作为目标,优化Holt-Winter预测器的参数,获得Holt-Winter预测器。
进一步地,基于组合预测模型进行负荷预测包括:
接收负荷预测所需数据,基于Holt-Winter预测器进行负荷预测,并得到预测误差;
将预测误差作为误差预测器的输入,得到Holt-Winter预测器的误差预测结果;
将Holt-Winter预测器和误差预测器的预测结果进行加权组合获得最终预测结果。
进一步地,所述用户负荷历史数据还包括用于测试组合预测模型的测试集。
一个或多个实施例提供了一种包含误差修正的超短期负荷预测***,包括:
数据获取模块,获取用户负荷历史数据,所述用户负荷历史数据包括训练数据集和指定时段的测试集;
Holt-Winter预测器构建模块,基于训练数据集训练Holt-Winter预测器;
误差预测器构建模块,基于所述Holt-Winter预测器对所述指定时段的用户负荷进行预测,根据所述指定时段的预测值和测试集,得到误差预测训练集;基于误差预测训练集训练基于超限学习机的误差预测器;
负荷预测模块,基于Holt-Winter预测器和误差预测器得到组合预测模型,进行负荷预测。
一个或多个实施例提供了一种电子设备,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,所述处理器执行所述程序时实现所述的包含误差修正的超短期负荷预测方法。
一个或多个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的包含误差修正的超短期负荷预测方法。
以上一个或多个技术方案存在以下有益效果:
本发明提出了一种基于Holt-Winter和ELM的综合能源***负荷超短期预测方法,可以在考虑负荷变化的周期性和季节性的同时,加入预测误差修正,从而进一步提高预测精度。改变了传统单一使用线性回归方法或机器学习方法进行负荷预测的思路,将两种方法的优势相结合,将HW(线性回归方法)作为主预测器,ELM(机器学习方法)作为误差预测器用以修正HW的预测误差;充分发挥了不同方法各自的优势,具有更高的预测精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一个或多个实施例中包含误差修正的超短期负荷预测方法流程图;
图2为一年内每个月15号的负荷变化曲线;
图3为连续三天的负荷变化曲线。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种包含误差修正的超短期负荷预测方法,包括:
步骤1:获取用户负荷历史数据;
采集用户负荷数据历史数据,将其分为三部分:HW训练集,用于获取Holt-Winter预测模型;误差测试集,用于获取误差预测的训练集;组合测试集,用于验证本方法的预测精度。考虑到负荷数据的季节性和周期性,取一年中1-6月数据作为HW训练集,7-9月数据作为误差测试集,10-12月数据作为组合测试集,数据间隔为15min。
步骤2:对负荷历史数据进行预处理;
数据稳定性:利用单位根(augmented Dickey Fuller,ADF)检验数据稳定性,确保Holt-Winter方法适用。
数据清洗:将缺失的数据和异常值(一般小于总数据量的1%)用当月历史数据平均值代替;
数据归一化:对于误差预测训练集,采用统计的极值归一化方法,将数值归算到区间(0,1)内。
步骤3:基于HW训练集训练Holt-Winter预测模型。
由于负荷变化受天气、温度等影响,有明显的季节性(如图2所示,3月至8月的平均日耗电量低于其他六个月。负荷曲线的斜率在每天15:00-24:00之间变小,峰值变小,波峰时间延迟)。另外,用户不同的生活行为习惯也是负荷变化的主要影响因素之一,且用户的生活行为往往呈现以日为周期的变化趋势(如图3所示,相邻周期的负荷均值、峰值不同,但差异不明显,且变化趋势十分类似)。Holt-Winter方法作为一种线性回归方法,对具有周期性和季节性的时序数据有较好的预测效果,因此,基于HW训练集,利用Holt-Winter方法对于处理周期性和季节性时序数据的优势,将其作为主观测器。利用粒子群算法(particleswarm optimization,PSO),以预测结果的均方根误差最小作为目标,优化Holt-Winter预测器的主要参数,获得主预测模型。
基于主预测模型预测后3个月(7-9月)负荷,结合误差测试集,获取误差预测训练集。
步骤4:利用PSO-HW的误差预测训练集训练基于ELM(Exteme learning machine,超限学习机)的误差预测器模型;
虽然负荷变化具有季节性和周期性,但由于用户用能行为的不确定性,负荷依然存在随机性和波动性,不能考虑长时间序列规律的传统方法难以满足预测要求,遂利用ELM对主预测器的误差进行预测。利用误差预测训练集获取ELM误差预测模型。
步骤5:获得用于负荷超短期预测的PSO-HW-ELM组合预测模型,并通过测试集对所获模型予以验证,利用预测结果评价参数实现模型性能评估。
将主预测模型与误差预测模型组合,获得最终组合预测模型,通过组合测试集验证本发明的预测精度,利用均方根误差(RMSE)、均方误差(MSE)和平均绝对误差(MAE)评估预测模型的性能。
步骤6:基于PSO-HW-ELM组合预测模型进行负荷预测。
具体地,通过主预测模型获取预测结果,将主预测模型的预测误差作为误差预测器的输入,预测主预测模型的预测误差,然后将两个预测模型的预测结果加权组合,已获得最终预测结果。
实施例二
本实施例的目的是提供一种包含误差修正的超短期负荷预测***。
为了实现上述目的,本实施例提供了一种包含误差修正的超短期负荷预测***,包括:
数据获取模块,获取用户负荷历史数据,所述用户负荷历史数据包括训练数据集和指定时段的测试集;
Holt-Winter预测器构建模块,基于训练数据集训练Holt-Winter预测器;
误差预测器构建模块,基于所述Holt-Winter预测器对所述指定时段的用户负荷进行预测,根据所述指定时段的预测值和测试集,得到误差预测训练集;基于误差预测训练集训练基于超限学习机的误差预测器;
负荷预测模块,基于Holt-Winter预测器和误差预测器得到组合预测模型,进行负荷预测。
实施例三
本实施例的目的是提供一种电子设备。
一种电子设备,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,所述处理器执行所述程序时实现以下步骤,包括:
获取用户负荷历史数据,所述用户负荷历史数据包括训练数据集和指定时段的测试集;
基于训练数据集训练Holt-Winter预测器,并基于所述Holt-Winter预测器对所述指定时段的用户负荷进行预测;
根据所述指定时段的预测值和测试集,得到误差预测训练集;
基于误差预测训练集训练基于超限学习机的误差预测器;
基于Holt-Winter预测器和误差预测器得到组合预测模型,进行负荷预测。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行以下步骤:
获取用户负荷历史数据,所述用户负荷历史数据包括训练数据集和指定时段的测试集;
基于训练数据集训练Holt-Winter预测器,并基于所述Holt-Winter预测器对所述指定时段的用户负荷进行预测;
根据所述指定时段的预测值和测试集,得到误差预测训练集;
基于误差预测训练集训练基于超限学习机的误差预测器;
基于Holt-Winter预测器和误差预测器得到组合预测模型,进行负荷预测。
以上实施例二、三和四中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上一个或多个实施例具有以下技术效果:
本发明采用Holt-winter模型进行负荷预测,能够将负荷本身的周期性和季节性考虑在内,并且引入粒子群算法对Holt-winter模型的参数进行寻优,保证了预测精度;考虑到用户用能行为的不确定性,负荷预测必然存在误差,还基于超限学习机训练误差预测模型,实现误差预测,二者结合在一起实现负荷的精确预测。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (6)
1.一种包含误差修正的超短期负荷预测方法,其特征在于,包括以下步骤:
获取用户负荷历史数据,所述用户负荷历史数据包括训练数据集和指定时段的测试集;
基于所述训练数据集训练Holt-Winter预测器,并基于所述Holt-Winter预测器对所述指定时段的用户负荷进行预测;基于训练数据集训练Holt-Winter预测器包括:
利用粒子群算法,以预测结果的均方根误差最小作为目标,优化Holt-Winter预测器的参数,获得Holt-Winter预测器;
根据所述指定时段的预测值和测试集,得到误差预测训练集;所述预测值为优化后的Holt-Winter预测器这一主预测模型对指定时段的用户负荷进行预测后得到的预测值;
基于误差预测训练集训练基于超限学习机的误差预测器;
基于Holt-Winter预测器和误差预测器得到组合预测模型,进行负荷预测;基于组合预测模型进行负荷预测包括:
接收负荷预测所需数据,基于Holt-Winter预测器进行负荷预测,并得到预测误差;
将预测误差作为误差预测器的输入,得到Holt-Winter预测器的误差预测结果;
将Holt-Winter预测器和误差预测器的预测结果进行加权组合获得最终预测结果。
2.如权利要求1所述的一种包含误差修正的超短期负荷预测方法,其特征在于,获取用户负荷历史数据后,还对所述用户负荷历史数据进行数据稳定性校验、数据清洗和数据归一化预处理。
3.如权利要求1所述的一种包含误差修正的超短期负荷预测方法,其特征在于,所述用户负荷历史数据还包括用于测试组合预测模型的测试集。
4.一种包含误差修正的超短期负荷预测***,其特征在于,包括:
数据获取模块,获取用户负荷历史数据,所述用户负荷历史数据包括训练数据集和指定时段的测试集;
Holt-Winter预测器构建模块,基于所述训练数据集训练Holt-Winter预测器;基于训练数据集训练Holt-Winter预测器包括:
利用粒子群算法,以预测结果的均方根误差最小作为目标,优化Holt-Winter预测器的参数,获得Holt-Winter预测器;
误差预测器构建模块,基于所述Holt-Winter预测器对所述指定时段的用户负荷进行预测,根据所述指定时段的预测值和测试集,得到误差预测训练集;基于误差预测训练集训练基于超限学习机的误差预测器;所述预测值为优化后的Holt-Winter预测器这一主预测模型对指定时段的用户负荷进行预测后得到的预测值;
负荷预测模块,基于Holt-Winter预测器和误差预测器得到组合预测模型,进行负荷预测;基于组合预测模型进行负荷预测包括:
接收负荷预测所需数据,基于Holt-Winter预测器进行负荷预测,并得到预测误差;
将预测误差作为误差预测器的输入,得到Holt-Winter预测器的误差预测结果;
将Holt-Winter预测器和误差预测器的预测结果进行加权组合获得最终预测结果。
5.一种电子设备,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如权利要求1-3任一项所述的包含误差修正的超短期负荷预测方法。
6.一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如权利要求1-3任一项所述的包含误差修正的超短期负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900793.5A CN110705763B (zh) | 2019-09-23 | 2019-09-23 | 一种包含误差修正的超短期负荷预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900793.5A CN110705763B (zh) | 2019-09-23 | 2019-09-23 | 一种包含误差修正的超短期负荷预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110705763A CN110705763A (zh) | 2020-01-17 |
CN110705763B true CN110705763B (zh) | 2022-06-14 |
Family
ID=69194937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900793.5A Active CN110705763B (zh) | 2019-09-23 | 2019-09-23 | 一种包含误差修正的超短期负荷预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110705763B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310902B (zh) * | 2020-02-24 | 2023-09-29 | 石家庄铁道大学 | 神经网络模型的训练方法、边坡位移预测方法及相关装置 |
CN111832809B (zh) * | 2020-06-19 | 2021-06-01 | 山东大学 | 基于Holt-Winters和极限学习机的建筑用能负荷预测方法及*** |
CN112100711B (zh) * | 2020-08-10 | 2022-11-08 | 南昌大学 | 一种基于arima和pso-elm的混凝土坝变形组合预报模型构建方法 |
CN111967688B (zh) * | 2020-09-02 | 2024-02-23 | 沈阳工程学院 | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 |
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*** |
CN113131476B (zh) * | 2021-04-28 | 2022-06-14 | 南方电网科学研究院有限责任公司 | 一种用电负荷预测方法 |
CN114037130A (zh) * | 2021-10-28 | 2022-02-11 | 重庆川南环保科技有限公司 | 一种家电维修订单预测方法、装置及终端设备 |
CN116245221B (zh) * | 2023-01-09 | 2024-03-08 | 上海玫克生储能科技有限公司 | 一种负荷实时预测方法、装置和电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和*** |
CN107590562A (zh) * | 2017-09-05 | 2018-01-16 | 西安交通大学 | 一种基于变权组合预测法的电力负荷短期预测方法 |
CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10043224B2 (en) * | 2012-08-10 | 2018-08-07 | Itron, Inc. | Unified framework for electrical load forecasting |
-
2019
- 2019-09-23 CN CN201910900793.5A patent/CN110705763B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN104820876A (zh) * | 2015-05-21 | 2015-08-05 | 国家电网公司 | 一种短期负荷预测方法和*** |
CN107590562A (zh) * | 2017-09-05 | 2018-01-16 | 西安交通大学 | 一种基于变权组合预测法的电力负荷短期预测方法 |
CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110705763A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705763B (zh) | 一种包含误差修正的超短期负荷预测方法及*** | |
Asgharian et al. | The importance of the macroeconomic variables in forecasting stock return variance: A GARCH‐MIDAS approach | |
US9207993B2 (en) | Dynamic application placement based on cost and availability of energy in datacenters | |
Zhang | Optimal scheduling of critical peak pricing considering wind commitment | |
Cheng et al. | Heterogeneity-aware workload placement and migration in distributed sustainable datacenters | |
Hargreaves et al. | REFLEX: An adapted production simulation methodology for flexible capacity planning | |
Tang et al. | Efficient scenario generation of multiple renewable power plants considering spatial and temporal correlations | |
Vallée et al. | Non-sequential Monte Carlo simulation tool in order to minimize gaseous pollutants emissions in presence of fluctuating wind power | |
CN103425564A (zh) | 一种智能手机软件使用预测方法 | |
Wang et al. | Optimizing probabilistic spinning reserve by an umbrella contingencies constrained unit commitment | |
Singh et al. | Improving the quality of software by quantifying the code change metric and predicting the bugs | |
Taylor et al. | Univariate Methods for Short‐Term Load Forecasting | |
Li et al. | Stochastic production simulation for generating capacity reliability evaluation in power systems with high renewable penetration | |
Wang et al. | Cloud workload analytics for real-time prediction of user request patterns | |
Chen et al. | Green Databases Through Integration of Renewable Energy. | |
Ahmed et al. | An energy efficient demand-response model for high performance computing systems | |
Luo et al. | Where to fix temporal violations: A novel handling point selection strategy for business cloud workflows | |
CN103246539B (zh) | 基于用户使用习惯的gis***模块加载方法 | |
Ahmed et al. | Enabling demand response for hpc systems through power capping and node scaling | |
Yu et al. | Probabilistic estimation of the potentials of intervention-based demand side energy management | |
Lesaca et al. | Measuring global effectiveness of integrated electric energy systems | |
Brolin et al. | Modeling Swedish real-time balancing power prices using nonlinear time series models | |
Daraghmi et al. | Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE | |
Zeng | A gray model for increasing sequences with nonhomogeneous index trends based on fractional‐order accumulation | |
Tan et al. | Economic analysis of lifetime-constrained battery storage under dynamic pricing |
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 |