CN110852522B - 一种短期电力负荷预测方法及*** - Google Patents
一种短期电力负荷预测方法及*** Download PDFInfo
- Publication number
- CN110852522B CN110852522B CN201911134260.7A CN201911134260A CN110852522B CN 110852522 B CN110852522 B CN 110852522B CN 201911134260 A CN201911134260 A CN 201911134260A CN 110852522 B CN110852522 B CN 110852522B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- module
- training
- neural network
- 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 42
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 210000001638 cerebellum Anatomy 0.000 claims abstract description 27
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 6
- 230000008439 repair process Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000003203 everyday effect Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005284 basis set Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization 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
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种短期电力负荷预测方法，包括采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；对训练样本和预测样本中的数据进行降维处理；采用VMD方法对降维后的数据进行分解；用训练样本分解获得的分量进行模糊小脑神经网络训练；将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。同时公开了相应的***。本发明基于负荷数据、气温数据和光辐照强度数据，依次对数据进行降维、分解，训练模糊小脑神经网络，最后模糊小脑神经网络进行预测，大大增强了预测的准确性。
Description
技术领域
本发明涉及一种短期电力负荷预测方法及***，属于电力负荷预测技术领域。
背景技术
电力***的控制和调度离不开短期负荷预测。短期预测为***日常运行管理和机组投入提供必要的信息。现有的短期电力负荷预测方法大多采用神经网络法，这种方法仅采用历史负荷数据进行网络训练，通过训练好的网络进行预测，预测准确性较差。
发明内容
本发明提供了一种短期电力负荷预测方法及***，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种短期电力负荷预测方法，包括，
采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；
对训练样本和预测样本中的数据进行降维处理；
采用VMD方法对降维后的数据进行分解；
用训练样本分解获得的分量进行模糊小脑神经网络训练；
将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。
在进行降维之前，先对数据进行修补；
数据修补的过程为，
响应于修补非连续缺失数据，采用AR模型从垂直和水平两个方向同时修补；
响应于修补连续缺失数据，采用AR模型从垂直方向修补；
响应于修补异常数据，将异常数据作为粗大误差，采用AR模型进行修补。
数据降维处理的过程为，
将每天同一时刻采集的数据分别去平均，求特征协方差矩阵；
计算协方差矩阵的特征向量和特征值；
将特征值降序排列,将特征值最大的一维特征向量作为新的基集，组成特征向量矩阵。
采用如下公式进行模糊小脑神经网络训练，
wl+(i+1)＝wl+i l≠i
其中，w(i+1)，w(i)，wl+i，wl+(i+1)分别为地址i+1、i、l+i和l+(i+1)的局部连接权，为量化级数，l为泛化参数，η为学习率，y为假定输出，yd为期望输出，/>为被激活神经元，xk为输入的第k个分量，n为输入分量的数量。
一种短期电力负荷预测***，包括，
采集模块：采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；
降维模块：对训练样本和预测样本中的数据进行降维处理；
分解模块：采用VMD方法对降维后的数据进行分解；
训练模块：用训练样本分解获得的分量进行模糊小脑神经网络训练；
预测模块：将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。
还包括修补模块；修补模块在进行降维之前对数据进行修补；
响应于修补非连续缺失数据，修补模块采用AR模型从垂直和水平两个方向同时修补；
响应于修补连续缺失数据，修补模块采用AR模型从垂直方向修补；
响应于修补异常数据，修补模块将异常数据作为粗大误差，采用AR模型进行修补。
降维模块包括，
矩阵求取模块：将每天同一时刻采集的数据分别去平均，求特征协方差矩阵；
向量和特征值求取模块：计算协方差矩阵的特征向量和特征值；
特征向量矩阵构建模块：将特征值降序排列,将特征值最大的一维特征向量作为新的基集，组成特征向量矩阵。
训练模块采用如下公式进行模糊小脑神经网络训练，
wl+(i+1)＝wl+i l≠i
其中，w(i+1)，w(i)，wl+i，wl+(i+1)分别为地址i+1、i、l+i和l+(i+1)的局部连接权，为量化级数，l为泛化参数，η为学习率，y为假定输出，yd为期望输出，/>为被激活神经元，xk为输入的第k个分量，n为输入分量的数量。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行短期电力负荷预测方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行短期电力负荷预测方法的指令。
本发明所达到的有益效果：本发明基于负荷数据、气温数据和光辐照强度数据，依次对数据进行降维、分解，训练模糊小脑神经网络，最后模糊小脑神经网络进行预测，大大增强了预测的准确性。
附图说明
图1为本发明的流程图；
图2为模糊小脑神经网络拓扑结构示意图；
图3为拓扑结构示意图学习逻辑示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种短期电力负荷预测方法，包括以下步骤：
步骤1，采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；其中，近期数据为当日之前若干天的数据，部分负荷数据、气温数据和光辐照强度数据作为训练样本，剩余数据作为预测样本。
步骤2，对训练样本和预测样本中的数据进行修补。
现有的数据修补方法有很多，但是考虑采集数据的特点，这里采用AR(AutoRegression)模型进行数据修补。
AR模型的参数用极大似然法估计获得，具体如下：
定义其中x1,x2,…,xm为m个修补值，a1,a2,…,ap为p个模型参数；
似然函数为：
其中，σε是样本模型的标准差。
对数似然函数为：
求编导，即可得到参数。
有问题的数据主要有以下三种：
A)非连续缺失数据；
对于非连续缺失数据的修补，采用AR模型从垂直(相似日)和水平(时间序列)两个方向同时修补；
对于相似日预测，将连续一段时间的数据按一天进行划分，序列从一个行向量转变为矩阵形式，以一小时的时间间隔为例，其序列可写为，
每一列表示相似日序列，采用AR模型来修正；假设和/>分别表示缺失数据xt在垂直和水平两个方向的修正结果，则最终的修正结果为/>
B)连续缺失数据；
连续缺失数据的修补，由于缺失数据过多，不适合从水平(时间序列)方向修补缺失数据，但是在垂直(相似日)方向，经过了序列的矩阵处理，连续缺失数据将转变为非连续数据，因此可采用AR模型从垂直方向修补。
C)异常数据；
采用基于粗大误差的检测机理对异常数据检测和判断，将异常数据看作是一个测量过程中粗大误差，对于异常数据采用AR模型进行修补。
步骤3，对采集的数据进行降维处理(PCA)。
具体过程如下：
31)将每天同一时刻采集的数据分别去平均，求特征协方差矩阵
其中，x、y′和z分别表示采集的负荷数据、气温数据和光辐照强度数据；
32)计算协方差矩阵的特征向量和特征值；
33)将特征值降序排列,将特征值最大的一维特征向量作为新的基集，组成特征向量矩阵。
步骤4，采用VMD方法对降维后的数据进行分解和噪声抑制，即对特征向量矩阵中的一维特征向量进行分解和噪声抑制。
为了评估经降维后的一维数据信号的带宽，可以采用以下方案：
41)对于每个模态，基于希尔伯特变换，获得信号的单边频谱；
42)对于每个模态，通过结合数调谐到各自的估计中心频率，提升模式的频谱到基带；
43)对解调信号进行高斯平滑，即梯度的平方范数，估计信号的带宽；
其中，f(t)表示输入信号，uk′(t)表示输入信号的模态函数，{uk′}表示模态函数集合，ωk′表示与输入信号的第k′个模态函数对应的中心频率，{ωk′}分解后的模态对应的一组中心频率，δ(t)为Dirac分布，*代表卷积运算，是t的偏导数。
44)引入二次惩罚因子和拉格朗日乘法算子将上一条式子转变为非约束性变分问题；
其中，λ为拉格朗日乘法算子，α为二次惩罚因子；
45)基于ADMM算法可得到子优化问题的解并直接在频域进行优化；
其中，分别为f(ω)、uj(ω)、λ(ω)、的傅里叶变换后的形式，n′为迭代次数。
步骤5，用训练样本分解获得的分量进行模糊小脑神经网络训练。
具体过程如下：
如图2和3，初始化模糊小脑神经网络，选择所有的学习参数，运行目标函数模糊小脑神经网络学习算法，在有人监督的情况下，采用BP算法，根据以下公式进行神经网络训练：
wl+(i+1)＝wl+i l≠i
其中，w(i+1)，w(i)，wl+i，wl+(i+1)分别为地址i+1、i、l+i和l+(i+1)的局部连接权，为量化级数，l为泛化参数，0＜η≤1为学习率，y为假定输出，yd为期望输出，/>为被激活神经元，xk为输入的第k个分量，n为输入分量的数量。
本方法仅输出有权层，而且在这一层的连接权中只有相应于被激活神经元地址i的局部连接权w(i)得到修正。
模糊化层进行输入隶属度函数的计算，模糊相连层的各个节点实现模糊蕴含运算，以便得到相应的点火强度；模糊后相连层完成点火强度的归一化计算：
其结点个数与模糊相联层相同。最后采用Takagi型模糊推理法，则输出/>
步骤6，将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。
步骤7，采集最新的负荷数据、气温和光伏照强度数据，重复步骤1到步骤5，每天对模糊小脑神经网络进行更新训练。
上述方法基于负荷数据、气温数据和光辐照强度数据，依次对数据进行降维、分解，训练模糊小脑神经网络，最后模糊小脑神经网络进行预测，大大增强了预测的准确性。经上述优选配置，与现有的技术中的其他预测算法的预测结果作比较，结果如下：
通过该结果比较，本发明的预测方法所得结果的均方差误差，明显小于现有的三种预测方法。也就是说，在预测结果的准确度、稳定性上，均明显优于现有的算法。
一种短期电力负荷预测***，包括，
采集模块：采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本。
修补模块；修补模块在进行降维之前对数据进行修补；
响应于修补非连续缺失数据，修补模块采用AR模型从垂直和水平两个方向同时修补；
响应于修补连续缺失数据，修补模块采用AR模型从垂直方向修补；
响应于修补异常数据，修补模块将异常数据作为粗大误差，采用AR模型进行修补。
降维模块：对训练样本和预测样本中的数据进行降维处理；
降维模块包括：
矩阵求取模块：将每天同一时刻采集的数据分别去平均，求特征协方差矩阵；
向量和特征值求取模块：计算协方差矩阵的特征向量和特征值；
特征向量矩阵构建模块：将特征值降序排列,将特征值最大的一维特征向量作为新的基集，组成特征向量矩阵。
分解模块：采用VMD方法对降维后的数据进行分解。
训练模块：用训练样本分解获得的分量进行模糊小脑神经网络训练；
训练模块采用如下公式进行模糊小脑神经网络训练，
wl+(i+1)＝wl+i l≠i
其中，w(i+1)，w(i)，wl+i，wl+(i+1)分别为地址i+1、i、l+i和l+(i+1)的局部连接权，为量化级数，l为泛化参数，η为学习率，y为假定输出，yd为期望输出，/>为被激活神经元，xk为输入的第k个分量，n为输入分量的数量。
预测模块：将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备短期电力负荷预测方法。
一种计算设备，包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行短期电力负荷预测方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (8)
1.一种短期电力负荷预测方法，其特征在于：包括，
采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；
对训练样本和预测样本中的数据进行降维处理；
采用VMD方法对降维后的数据进行分解；
用训练样本分解获得的分量进行模糊小脑神经网络训练，具体采用如下公式进行模糊小脑神经网络训练，
wl+(i+1)＝wl+i l≠i
其中，w(i+1)，w(i)，wl+i，wl+(i+1)分别为地址i+1、i、l+i和l+(i+1)的局部连接权，为量化级数，l为泛化参数，η为学习率，y为假定输出，yd为期望输出，/>为被激活神经元，xk为输入的第k个分量，n为输入分量的数量；
将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。
2.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于：在进行降维之前，先对数据进行修补；
数据修补的过程为，
响应于修补非连续缺失数据，采用AR模型从垂直和水平两个方向同时修补；
响应于修补连续缺失数据，采用AR模型从垂直方向修补；
响应于修补异常数据，将异常数据作为粗大误差，采用AR模型进行修补。
3.根据权利要求1所述的一种短期电力负荷预测方法，其特征在于：数据降维处理的过程为，
将每天同一时刻采集的数据分别去平均，求特征协方差矩阵；
计算协方差矩阵的特征向量和特征值；
将特征值降序排列,将特征值最大的一维特征向量作为新的基集，组成特征向量矩阵。
4.一种短期电力负荷预测***，其特征在于：包括，
采集模块：采集近期负荷数据、气温数据和光辐照强度数据，构建训练样本和预测样本；
降维模块：对训练样本和预测样本中的数据进行降维处理；
分解模块：采用VMD方法对降维后的数据进行分解；
训练模块：用训练样本分解获得的分量进行模糊小脑神经网络训练；
训练模块采用如下公式进行模糊小脑神经网络训练，
wl+(i+1)＝wl+i l≠i
其中，w(i+1)，w(i)，wl+i，wl+(i+1)分别为地址i+1、i、l+i和l+(i+1)的局部连接权，为量化级数，l为泛化参数，η为学习率，y为假定输出，yd为期望输出，/>为被激活神经元，xk为输入的第k个分量，n为输入分量的数量；
预测模块：将预测样本分解获得的分量带入训练好的模糊小脑神经网络，获得预测结果。
5.根据权利要求4所述的一种短期电力负荷预测***，其特征在于：还包括修补模块；修补模块在进行降维之前对数据进行修补；
响应于修补非连续缺失数据，修补模块采用AR模型从垂直和水平两个方向同时修补；
响应于修补连续缺失数据，修补模块采用AR模型从垂直方向修补；
响应于修补异常数据，修补模块将异常数据作为粗大误差，采用AR模型进行修补。
6.根据权利要求4所述的一种短期电力负荷预测***，其特征在于：降维模块包括，
矩阵求取模块：将每天同一时刻采集的数据分别去平均，求特征协方差矩阵；
向量和特征值求取模块：计算协方差矩阵的特征向量和特征值；
特征向量矩阵构建模块：将特征值降序排列,将特征值最大的一维特征向量作为新的基集，组成特征向量矩阵。
7.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至3所述的方法中的任一方法。
8.一种计算设备，其特征在于：包括，
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至3所述的方法中的任一方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911134260.7A CN110852522B (zh) | 2019-11-19 | 2019-11-19 | 一种短期电力负荷预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911134260.7A CN110852522B (zh) | 2019-11-19 | 2019-11-19 | 一种短期电力负荷预测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110852522A CN110852522A (zh) | 2020-02-28 |
| CN110852522B true CN110852522B (zh) | 2024-03-29 |
Family
ID=69602406
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911134260.7A Active CN110852522B (zh) | 2019-11-19 | 2019-11-19 | 一种短期电力负荷预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110852522B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112163715B (zh) * | 2020-10-14 | 2024-06-14 | 腾讯科技（深圳）有限公司 | 生成式对抗网络的训练方法及装置、电力负荷预测方法 |
| CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
| CN115345202B (zh) * | 2022-08-17 | 2023-05-23 | 国网江苏省电力有限公司电力科学研究院 | 一种第三方负荷聚合平台交互数据异常检测方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
| 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 |
| CN106650921A (zh) * | 2016-09-28 | 2017-05-10 | 厦门理工学院 | 区间值型直觉模糊小脑神经网络模型 |
| CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力***负荷预测方法及装置 |
| CN108416466A (zh) * | 2018-02-02 | 2018-08-17 | 西安电子科技大学 | 复杂特性影响的电力负荷预测方法、计算机信息处理*** |
| CN109344990A (zh) * | 2018-08-02 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于dfs和svm特征选择的短期负荷预测方法及*** |
| CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 |
| CN109886507A (zh) * | 2019-03-15 | 2019-06-14 | 广东工业大学 | 基于主成分分析的电力***短期负荷预测方法 |
-
2019
- 2019-11-19 CN CN201911134260.7A patent/CN110852522B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
| CN106650921A (zh) * | 2016-09-28 | 2017-05-10 | 厦门理工学院 | 区间值型直觉模糊小脑神经网络模型 |
| 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 |
| CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力***负荷预测方法及装置 |
| CN108416466A (zh) * | 2018-02-02 | 2018-08-17 | 西安电子科技大学 | 复杂特性影响的电力负荷预测方法、计算机信息处理*** |
| CN109344990A (zh) * | 2018-08-02 | 2019-02-15 | 中国电力科学研究院有限公司 | 一种基于dfs和svm特征选择的短期负荷预测方法及*** |
| CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 |
| CN109886507A (zh) * | 2019-03-15 | 2019-06-14 | 广东工业大学 | 基于主成分分析的电力***短期负荷预测方法 |
Non-Patent Citations (8)
| Title |
|---|
| 《A study of CMAC neural network generalized predictive control for generating unit》;Tao Sun 等;《2013 Fourth International Conference on Intelligent Control and Information Processing (ICICIP)》;第1-4页 * |
| 《基于GIHCMAC神经网络的建筑电负荷预测方法》;吴盼红 等;《计算机***应用》;全文 * |
| 《小脑模型极限学习机应用于电力负荷预测》;张锦亮;《福建电脑》;全文 * |
| 《模糊神经网络在电力***短期负荷预测中的应用》;喻圣 等;《智慧电力》;第1-5页 * |
| 《风电场短期功率预测方法研究》;丁志勇;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20130115;全文 * |
| 万石林.《基于天气数据模糊化处理的神经网络短期负荷预测》.《 2017年江西省电机工程学会年会》.2018,全文. * |
| 吕进 等.《基于不完全递归神经网络的二阶导数多步预测模糊控制及应用》.《 2007年中国智能自动化会议》.2017,全文. * |
| 钟超 等.《人工神经网络在电力***短期负荷预测中的应用》.《2018电力行业信息化年会 》.2018,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110852522A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416695B (zh) | 基于深度学习的电力负荷概率密度预测方法和***、介质 | |
| CN110852522B (zh) | 一种短期电力负荷预测方法及*** | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN111079989B (zh) | 一种基于dwt-pca-lstm的供水公司供水量预测装置 | |
| CN111382906B (zh) | 一种电力负荷预测方法、***、设备和计算机可读存储介质 | |
| CN111832825B (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及*** | |
| CN109767043B (zh) | 一种电力负荷时间序列大数据智能建模与预测方法 | |
| CN110648017A (zh) | 一种基于二层分解技术的短期冲击负荷预测方法 | |
| CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
| CN112289391B (zh) | 一种基于机器学习的阳极铝箔性能预测*** | |
| CN115225516B (zh) | 基于改进abc-vmd的lssvm网络流量预测方法 | |
| CN114548592A (zh) | 一种基于cemd和lstm的非平稳时间序列数据预测方法 | |
| WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练***和预测***及存储介质 | |
| CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
| CN113780664A (zh) | 基于tdt-ssa-bp的时间序列预测方法 | |
| CN113988364A (zh) | 一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法 | |
| CN117633446A (zh) | 基于ceemd-se-ewt双分解和arima组合预测的风速预测方法及*** | |
| CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、***、装置及存储介质 | |
| CN115544890A (zh) | 一种短期电力负荷预测方法及*** | |
| CN116632820A (zh) | 基于序列延拓vmd与风速波动特性的风电功率预测方法 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
| CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
| CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
| CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |