CN111311025B - 一种基于气象相似日的负荷预测方法 - Google Patents
一种基于气象相似日的负荷预测方法 Download PDFInfo
- Publication number
- CN111311025B CN111311025B CN202010188568.6A CN202010188568A CN111311025B CN 111311025 B CN111311025 B CN 111311025B CN 202010188568 A CN202010188568 A CN 202010188568A CN 111311025 B CN111311025 B CN 111311025B
- Authority
- CN
- China
- Prior art keywords
- data
- load
- meteorological
- prediction
- support vector
- 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 18
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims abstract description 4
- 230000008030 elimination Effects 0.000 claims abstract description 4
- 238000003379 elimination reaction Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000007619 statistical method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于气象相似日的负荷预测方法,属于电力负荷预测技术领域,包括以下步骤:S10、统计实测负荷数据及对应气象数据;S20、数据预处理,包括缺失数据、异常数据的剔除;对剔除后负荷数据进行数据归一化;S30、聚类,依据气象数据将负荷日分到不同类别中,形成气象相似日;S40、基于气象相似日所属类别中已知负荷的每个时刻,建立支持向量机预测模型;S50、对支持向量机预测模型进行训练;S60、将待预测日的气象数据输入训练完成的支持向量机预测模型,得到待预测日的负荷预测。本发明在聚类分析的基础上,运用支持向量机构建回归预测模型,基于交叉验证的思想,优化了模型的惩罚参数和核函数参数,降低了预测误差,提高了预测精度。
Description
技术领域
本发明属于电力负荷预测技术领域,尤其涉及一种基于气象相似日的负荷预测方法。
背景技术
随着科技的发展,电网中信息流和数据流以指数级爆发增长,这些数据构成了电力大数据。通过这些数据的特征提取及统计分析,实现电力负荷远期、中期、短期甚至超短期预测,对社会、电网及电力用户都具有重要意义。精确的负荷预测数据有助于电网调度控制和安全运行,制定合理的电源建设规划以及提高电力***的经济效益和社会效益。
现代电力***中,构成电力负荷的用电器种类繁多,空调等受气象条件影响的负荷占比持续增高,气象因素等对电力***负荷的影响愈显突出。目前针对电力***负荷预测的方法中,实际负荷中的影响因素如气象条件等并未被纳入预测体系,且统计分析精度低,机器学习计算复杂。
因此,急需一种考虑气象因素,同时实现统计分析与机器学习的功能的预测方法。
发明内容
本发明目的在于提供一种考虑气象因素,同时实现统计分析与机器学习功能的预测方法。本发明的内容如下:
一种基于气象相似日的负荷预测方法,包括以下步骤:
S10、统计电力***实测负荷数据及其对应气象数据;
S20、数据预处理,对所述负荷数据和所述气象数据进行数据预处理;所述数据预处理包括缺失数据、异常数据的剔除,将剔除后气象数据与负荷数据的日期匹配;对剔除后负荷数据进行数据归一化;
S30、聚类,以所述气象数据为条件将所有负荷进行聚类分析,即依据所述气象数据将负荷日分到不同类别中去,使对应负荷处于不同类别,形成气象相似日;
S40、基于所述气象相似日所属类别中已知负荷的每个时刻,建立支持向量机预测模型;对所述支持向量机预测模型进行训练;
S50、所述支持向量机预测模型的模型参数,基于交叉验证思想进行参数寻优,实现负荷模型的最优预测;
S60、将待预测日的气象数据输入训练完成的支持向量机预测模型,得到所述待预测日的负荷预测。
进一步地,步骤S20中所述数据归一化采用以下公式:
y=(ymax-ymin)·(x-xmin)/(xmax-xmin)+ymin
其中,x表示归一化前数据,xmax和xmin分别表示其最大值和最小值,y表示归一化后数据,ymax和ymin分别表示设定的最大值和最小值。
进一步地,其特征在于,步骤S30中所述聚类分析形成气象相似日包括以下步骤:
S31、计算不一致系数,并由不一致系数确定类别个数K,不一致系数计算公式如下:
其中,第i步并类时的并类距离为Di,共涉及ni个数据样本,所述数据样本之间的距离记为则其均值为/>标准差为si;
S32、依据类别数建立相应个数的高斯模型,所述高斯模型的加权和即为混合高斯模型,其定义如下:
其中,K为模型的个数(即类别个数K),πk为第k个高斯的权重,p(x|k)则为第k个高斯的概率密度函数,其均值向量为μk,协方差矩阵为σk;
S33、将各日期的气象数据在各个所述高斯模型上投影得到每组气象数据属于各类的概率,选取概率最大的作为聚类结果,同类日期成为气象相似日。
进一步地,步骤S40中建立和训练所述支持向量机预测模型具体步骤如下:
S41、设置窗口大小并形成训练集的输入与输出;针对所有已知负荷P,设置一个数值w作为窗口大小,每w个同时刻负荷组成一组训练集的输入向量,将该组最后一个负荷的下一个负荷作为训练集的输出向量,形成该时刻的训练集;每个时刻均形成一个输入矩阵X和输出向量Y;
S42、利用训练集的输入输出建立该时刻的支持向量机预测模型模型,其中所述支持向量机预测模型参数初值采用默认值;
S43、基于交叉验证的思想,以预测误差为目标,优化所述支持向量机预测模型的惩罚参数C和核函数参数γ;
S44、运用每个时刻优化的模型对下一日即待预测日的每个时刻都进行对应的预测,即每个时刻都形成一个预测集输入向量X’,将向量输入优化的所述支持向量机预测模型可得该时刻的预测集输出Y’;
S45、检查是否所有时刻都已建模并预测,若尚未全部完成,则返回S43直至所有时刻都完成建模、优化及预测;全部完成则执行S46;
S46、数据反归一化,并整合所有时刻,形成全日预测负荷;其中反归一化采用如下公式:
x=(xmax-xmin)·(y-ymin)/(ymax-ymin)+xmin
式中各物理量与S20中归一化时的物理量一致。
进一步地,步骤S50中参数寻优采用粒子群算法。
进一步地,参数寻优采用的粒子群算法步骤如下:
S51、确定适应度函数,即CV意义下的均方误差;
S52、初始化种群和速度;
S53、计算适应度函数并进行适应度定标;
S54、判断是否满足终止条件,如果满足则执行步骤S55,若不满足,更新速度、位置,确定最优解,执行步骤S55;
S55、输出最优解。
进一步地,所述负荷数据为所有负荷日每日96个时刻采集的负荷大小;所述气象数据为每日最高温度、最低温度、平均温度、相对湿度和降雨量组成的气象特征数据。
进一步地,所述负荷预测为所述训练完成的支持向量机回归预测。
本发明有益效果:
本发明本发明运用统计分析的方法,以气象数据为指标用高斯混合聚类将负荷日分为不同类别;对影响电力负荷的气象因素进行有效分析,以待预测日实际归属类别为参考,剔除其余干扰数据,实现了可用数据的甄别,减小了用于预测的数据规模,降低了预测的计算复杂度,加快了预测速度,缩短了预测时间。在聚类分析的基础上,运用机器学习方法—支持向量机构建回归预测模型,并基于交叉验证的思想,优化了SVM模型的惩罚参数和核函数参数,降低了预测误差,提高了预测精度。
附图说明
图1使用粒子群算法优化参数的支持向量机预测负荷曲线
图2聚类结果
具体实施方式
实施例1
一种基于气象相似日的负荷预测方法,包括以下步骤:
S10、统计电力***实测负荷数据及其对应气象数据;负荷数据为所有负荷日每日96个时刻采集的负荷大小;气象数据为每日最高温度、最低温度、平均温度、相对湿度和降雨量组成的气象特征数据。
S20、数据预处理,对负荷数据和气象数据进行数据预处理;数据预处理包括缺失数据、异常数据的剔除,将剔除后气象数据与负荷数据的日期匹配;对剔除后负荷数据进行数据归一化;数据归一化采用以下公式:
y=(ymax-ymin)·(x-xmin)/(xmax-xmin)+ymin
其中,x表示归一化前数据,xmax和xmin分别表示其最大值和最小值,y表示归一化后数据,ymax和ymin分别表示设定的最大值和最小值。
S30、聚类,以气象数据为条件将所有负荷进行聚类分析,即依据气象数据将负荷日分到不同类别中,使对应负荷处于不同类别中,形成气象相似日;聚类分析形成气象相似日包括以下步骤:
S31、计算不一致系数,并由不一致系数确定类别个数K,不一致系数计算公式如下:
其中,第i步并类时的并类距离为Di,共涉及ni个数据样本,所述数据样本之间的距离记为则其均值为/>标准差为si;
S32、依据类别数建立相应个数的高斯模型,高斯模型的加权和即为混合高斯模型,其定义如下:
其中,K为模型的个数(即类别个数K),πk为第k个高斯的权重,p(x|k)则为第k个高斯的概率密度函数,其均值向量为μk,协方差矩阵为σk;
S33、将各日期的气象数据在各个高斯模型上投影得到每组气象数据属于各类的概率,选取概率最大的作为聚类结果,同类日期成为气象相似日。本实施例中待预测日为第一类,具体聚类结果如图2所示。
S40、基于气象相似日所属类别中已知负荷的每个时刻,建立相应的支持向量机预测模型;建立和训练支持向量机预测模型具体步骤如下:
S41、设置窗口大小并形成训练集的输入与输出;针对所有已知负荷P,设置一个数值w作为窗口大小,每w个同时刻负荷组成一组训练集的输入向量,将该组最后一个负荷的下一个负荷作为训练集的输出向量,形成该时刻的训练集;本实施例中窗口值w取7,每个时刻均形成一个输入矩阵X和输出向量Y;
S42、利用训练集的输入输出建立该时刻的支持向量机预测模型模型,其中支持向量机预测模型参数初值采用默认值;
S43、基于交叉验证的思想,以预测误差为目标,优化支持向量机预测模型的惩罚参数C和核函数参数γ;
S44、运用每个时刻优化的模型对下一日即待预测日的每个时刻都进行对应的预测,即每个时刻都形成一个预测集输入向量X’,将向量输入优化的支持向量机预测模型可得该时刻的预测集输出Y’;
S45、检查是否所有时刻都已建模并预测,若尚未全部完成,则返回S43直至所有时刻都完成建模、优化及预测;全部完成则执行S46;
S46、数据反归一化,并整合所有时刻,形成全日预测负荷;其中反归一化采用如下公式:
x=(xmax-xmin)·(y-ymin)/(ymax-ymin)+xmin
式中各物理量与S20中归一化时的物理量一致。
S50、对所述支持向量机预测模型进行训练;支持向量机预测模型的模型参数,基于交叉验证思想进行参数寻优,实现负荷模型的最优预测;其中,参数寻优采用粒子群算法,粒子群算法步骤如下:
S51、确定适应度函数,即CV意义下的均方误差;
S52、初始化种群和速度;
S53、计算适应度函数并进行适应度定标;
S54、判断是否满足终止条件,如果满足则执行步骤S55,若不满足,更新速度、位置,确定最优解,执行步骤S55;
S55、输出最优解。
S60、将待预测日的气象数据输入训练完成的支持向量机预测模型,得到待预测日的负荷预测;负荷预测为训练完成的支持向量机回归预测。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围。
Claims (7)
1.一种基于气象相似日的负荷预测方法,其特征在于,包括以下步骤:
S10、统计电力***实测负荷数据及其对应气象数据;
S20、数据预处理,对所述负荷数据和所述气象数据进行数据预处理;所述数据预处理包括缺失数据、异常数据的剔除,将剔除后气象数据与负荷数据的日期匹配;对剔除后负荷数据进行数据归一化;
S30、聚类,以所述气象数据为条件将所有负荷进行聚类分析,即依据所述气象数据将负荷日分到不同类别中,使对应负荷处于不同类别中,形成气象相似日;
所述聚类分析形成气象相似日包括以下步骤:
S31、计算不一致系数,并由不一致系数确定类别个数K,不一致系数计算公式如下:
其中,第i步并类时的并类距离为Di,共涉及ni个数据样本,所述数据样本之间的距离记为则其均值为/>标准差为si;
S32、依据类别数建立相应个数的高斯模型,所述高斯模型的加权和即为混合高斯模型,其定义如下:
其中,K为模型的个数,πk为第k个高斯的权重,p(x|k)则为第k个高斯的概率密度函数,其均值向量为μk,协方差矩阵为σk;
S33、将各日期的气象数据在各个所述高斯模型上投影得到每组气象数据属于各类的概率,选取概率最大的作为聚类结果,同类日期成为气象相似日;
S40、基于所述气象相似日所属类别中已知负荷的每个时刻,建立支持向量机预测模型;对所述支持向量机预测模型进行训练;
S50、所述支持向量机预测模型的模型参数,基于交叉验证思想进行参数寻优,实现负荷模型的最优预测;
S60、将待预测日的气象数据输入训练完成的支持向量机预测模型,得到所述待预测日的负荷预测。
2.根据权利要求1所述的基于气象相似日的负荷预测方法,其特征在于,步骤S20中所述数据归一化采用以下公式:
y=(ymax-ymin)·(x-xmin)/(xmax-xmin)+ymin
其中,x表示归一化前数据,xmax和xmin分别表示其最大值和最小值,y表示归一化后数据,ymax和ymin分别表示设定的最大值和最小值。
3.根据权利要求2所述的基于气象相似日的负荷预测方法,其特征在于,步骤S40中建立和训练所述支持向量机预测模型具体步骤如下:
S41、设置窗口大小并形成训练集的输入与输出;针对所有已知负荷P,设置一个数值w作为窗口大小,每w个同时刻负荷组成一组训练集的输入向量,将该组最后一个负荷的下一个负荷作为训练集的输出向量,形成该时刻的训练集;每个时刻均形成一个输入矩阵X和输出向量Y;
S42、利用训练集的输入输出建立该时刻的支持向量机预测模型,其中所述支持向量机预测模型参数初值采用默认值;
S43、基于交叉验证的思想,以预测误差为目标,优化所述支持向量机预测模型的惩罚参数C和核函数参数γ;
S44、运用每个时刻优化的模型对下一日即待预测日的每个时刻都进行对应的预测,即每个时刻都形成一个预测集输入向量X’,将向量输入优化的所述支持向量机预测模型可得该时刻的预测集输出Y’;
S45、检查是否所有时刻都已建模并预测,若尚未全部完成,则返回S43直至所有时刻都完成建模、优化及预测;全部完成则执行S46;
S46、数据反归一化,并整合所有时刻,形成全日预测负荷;其中反归一化采用如下公式:
x=(xmax-xmin)·(y-ymin)/(ymax-ymin)+xmin
式中各物理量与S20中归一化时的物理量一致。
4.根据权利要求1所述的基于气象相似日的负荷预测方法,其特征在于,步骤S50中参数寻优采用粒子群算法。
5.根据权利要求4所述的基于气象相似日的负荷预测方法,其特征在于,参数寻优采用的粒子群算法步骤如下:
S51、确定适应度函数,即CV意义下的均方误差;
S52、初始化种群和速度;
S53、计算适应度函数并进行适应度定标;
S54、判断是否满足终止条件,如果满足则执行步骤S55,若不满足,更新速度、位置,确定最优解,执行步骤S55;
S55、输出最优解。
6.根据权利要求1所述的基于气象相似日的负荷预测方法,其特征在于,所述负荷数据为所有负荷日每日96个时刻采集的负荷大小;所述气象数据为每日最高温度、最低温度、平均温度、相对湿度和降雨量组成的气象特征数据。
7.根据权利要求1所述的基于气象相似日的负荷预测方法,其特征在于,所述负荷预测为所述训练完成的支持向量机回归预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188568.6A CN111311025B (zh) | 2020-03-17 | 2020-03-17 | 一种基于气象相似日的负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010188568.6A CN111311025B (zh) | 2020-03-17 | 2020-03-17 | 一种基于气象相似日的负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311025A CN111311025A (zh) | 2020-06-19 |
CN111311025B true CN111311025B (zh) | 2023-08-08 |
Family
ID=71149708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010188568.6A Active CN111311025B (zh) | 2020-03-17 | 2020-03-17 | 一种基于气象相似日的负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311025B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365280B (zh) * | 2020-10-20 | 2024-04-19 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN116187501A (zh) * | 2022-11-29 | 2023-05-30 | 伊金霍洛旗那仁太能源有限公司 | 基于CatBoost模型的低温预测 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103123665A (zh) * | 2012-07-31 | 2013-05-29 | 上海交通大学 | 基于模糊聚类相似日的短期电力负荷预测方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN107527116A (zh) * | 2017-08-28 | 2017-12-29 | 山东科技大学 | 基于支持向量回归的短期负荷预测方法 |
CN108416366A (zh) * | 2018-02-06 | 2018-08-17 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力***短期负荷预测方法 |
CN110263823A (zh) * | 2019-05-29 | 2019-09-20 | 广东工业大学 | 一种基于模糊聚类的短期负荷预测方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
CN110866633A (zh) * | 2019-10-25 | 2020-03-06 | 上海电气集团股份有限公司 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
-
2020
- 2020-03-17 CN CN202010188568.6A patent/CN111311025B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103123665A (zh) * | 2012-07-31 | 2013-05-29 | 上海交通大学 | 基于模糊聚类相似日的短期电力负荷预测方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
CN107527116A (zh) * | 2017-08-28 | 2017-12-29 | 山东科技大学 | 基于支持向量回归的短期负荷预测方法 |
CN108416366A (zh) * | 2018-02-06 | 2018-08-17 | 武汉大学 | 一种基于气象指数的加权ls-svm的电力***短期负荷预测方法 |
CN110263823A (zh) * | 2019-05-29 | 2019-09-20 | 广东工业大学 | 一种基于模糊聚类的短期负荷预测方法 |
CN110516831A (zh) * | 2019-06-18 | 2019-11-29 | 国网(北京)节能设计研究院有限公司 | 一种基于mwoa算法优化svm的短期负荷预测方法 |
CN110866633A (zh) * | 2019-10-25 | 2020-03-06 | 上海电气集团股份有限公司 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
龚灯才.《基于支持向量机的电力短期负荷预测研究》.硕士学位论文.2006,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111311025A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN109376772B (zh) | 一种基于神经网络模型的电力负荷组合预测方法 | |
CN114021799A (zh) | 风电场日前风电功率预测方法及*** | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN109492748B (zh) | 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 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN111311025B (zh) | 一种基于气象相似日的负荷预测方法 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及*** | |
CN116521764B (zh) | 基于人工智能的环境设计数据处理方法 | |
CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN110648248B (zh) | 一种发电站的控制方法、装置及设备 | |
CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
CN116719714A (zh) | 一种测试用例的筛选模型的训练方法及相应的装置 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN115081515A (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
CN117113045B (zh) | 一种自动驾驶的定位***有效性评估方法 | |
CN113919449B (zh) | 基于精准模糊聚类算法的居民电力数据聚类方法及装置 | |
CN116777049A (zh) | 一种用户用电量预测方法及*** | |
CN117493918A (zh) | 一种基于区间聚类模型的物联网设备告警集成方法 | |
CN117763475A (zh) | 基于预测跟踪控制的电量波动异常识别方法及*** | |
CN115907235A (zh) | 基于模糊样本颗粒的光伏功率超短期非参数概率预测方法 | |
CN116822707A (zh) | 一种基于pca和gru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 |