CN112101673A - 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** - Google Patents

一种基于隐马尔可夫模型的电网发展趋势预测方法及*** Download PDF

Info

Publication number
CN112101673A
CN112101673A CN202011000648.0A CN202011000648A CN112101673A CN 112101673 A CN112101673 A CN 112101673A CN 202011000648 A CN202011000648 A CN 202011000648A CN 112101673 A CN112101673 A CN 112101673A
Authority
CN
China
Prior art keywords
power grid
grid development
membership
trend
target index
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
Application number
CN202011000648.0A
Other languages
English (en)
Other versions
CN112101673B (zh
Inventor
艾欣
胡寰宇
王智冬
彭冬
赵朗
薛雅玮
王雪莹
刘宏杨
张天琪
李一铮
刘汇川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
State Grid Economic and Technological Research Institute
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
North China Electric Power University
State Grid Economic and Technological Research Institute
Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, State Grid Economic and Technological Research Institute, Economic and Technological Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN202011000648.0A priority Critical patent/CN112101673B/zh
Publication of CN112101673A publication Critical patent/CN112101673A/zh
Application granted granted Critical
Publication of CN112101673B publication Critical patent/CN112101673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Fuzzy Systems (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种基于隐马尔可夫模型的电网发展趋势预测方法及***。该方法包括：采用主成分分析法计算目标指标类型对应的目标指标值；根据目标指标值确定电网发展动态趋势特征向量；根据电网发展动态趋势特征向量和优化模型求解隶属度函数模型的参数并生成隶属度函数；将电网发展动态趋势特征向量代入隶属度函数生成电网发展动态趋势隶属度向量；根据电网发展动态趋势隶属度向量生成隶属度矩阵，对隶属度矩阵进行聚类；根据聚类后的隶属度矩阵，对隐马尔可夫模型进行训练，根据训练后的隐马尔可夫模型，采用维比特算法预测电网发展趋势等级。采用本发明的方法及***，能够对电网发展趋势进行合理判断，以辅助调整未来电网发展部署各项决策指导。

Description

一种基于隐马尔可夫模型的电网发展趋势预测方法及***
技术领域
本发明涉及电网发展趋势预测技术领域，特别是涉及一种基于隐马尔可夫模型的电网发展趋势预测方法及***。
背景技术
随着人工智能等新兴技术的成熟、各类型新能源渗透率的提高，发展给电网本身带来巨大变化。而无论从国家建设、企业发展、市场建设、电网本身，乃至用户服务各个视角，也离不开电网发展状态的体现。量化电网发展状态是顺利开展电网发展诊断研究的基础工作，对电网发展态势的理解，发展动态的评估，又是实现电网发展趋势预测的基础。
基于电网发展诊断工作，对电网发展趋势预测预警的方法极少。电网处于加速发展的动态过程中，由历史数据评估获得的电网发展结果，对于电网未来发展规划略显迟滞，不能满足电网发展指导的需要。因此，建立有效的预测方法对电网发展趋势进行合理判断，以辅助调整未来电网发展部署各项的决策指导，是十分必要的。
发明内容
本发明的目的是提供一种基于隐马尔可夫模型的电网发展趋势预测方法及***，能够对电网发展趋势进行合理判断，以辅助调整未来电网发展部署各项决策指导。
为实现上述目的，本发明提供了如下方案：
一种电网发展趋势预测方法，包括：
获取电网发展趋势的目标指标集合；所述目标指标集合包括与电网发展趋势相关的多种目标指标类型，每种目标指标类型包括多个基础指标；
对每一个所述基础指标进行标准化处理，得到标准化后的基础指标值；
根据所述标准化后的基础指标值，采用主成分分析法计算每种目标指标类型对应的目标指标值；
根据所述目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量；
获取电网发展趋势预警等级，并根据所述电网发展趋势预警等级确定隶属度函数模型；
根据所述电网发展动态趋势特征向量和优化模型求解所述隶属度函数模型的参数，根据求解得到的参数生成隶属度函数；所述优化模型根据模糊熵构建；
将所述电网发展动态趋势特征向量代入所述隶属度函数生成电网发展动态趋势隶属度向量；
根据所述电网发展动态趋势隶属度向量生成隶属度矩阵，并对所述隶属度矩阵进行聚类，得到聚类后的隶属度矩阵；
根据所述聚类后的隶属度矩阵，对隐马尔可夫模型进行训练，得到训练后的隐马尔可夫模型；
根据所述训练后的隐马尔可夫模型，采用维比特算法预测电网发展趋势等级。
可选的，
所述目标指标类型，具体包括：
发展速度与规模、发展安全与质量、发展效率与效益，以及发展经营与政策；
所述发展速度与规模的基础指标，具体包括：
GDP增速、电源装机增速、负荷增速、变电容载比、线路容载比、户均配电容量、线路长度和互联率；
所述发展安全与质量的基础指标，具体包括：
N-1通过率、安全隐患数、供电可靠性、设备可用系数、电压合格率、设备平均寿命、自动化覆盖率、电缆化率和智能电表覆盖率；
所述发展效率与效益的基础指标，具体包括：
线路最大负载率、平均负载率、变电站最大负载率、线损率、人均营业户数、人均变电容量、人均线路长度、可再生能源接入占比、节能减排量和电网投资比例；
所述发展经营与政策的基础指标，具体包括：
单位电网资产供电负荷、单位电网资产售电量、净利润、资产负债率、收入增长率和购销差价增量比。
可选的，所述对每一个所述基础指标进行标准化处理，得到标准化后的基础指标值，具体包括：
判断所述基础指标为哪种类型的指标，得到第一判断结果；
若所述第一判断结果为极大型指标，则根据如下公式对所述基础指标进行标准化处理：
Figure BDA0002694183290000031
若所述第一判断结果为极小型指标，则根据如下公式对所述基础指标进行标准化处理：
Figure BDA0002694183290000032
若所述第一判断结果为合格型指标，则根据如下公式对所述基础指标进行标准化处理：
Figure BDA0002694183290000033
式中，
Figure BDA0002694183290000034
表示标准化后的基础指标值，
Figure BDA0002694183290000035
表示转化前的基础指标值，ξ表示针对合格型指标的安全阈值，i表示目标指标类型，j表示基础指标。
可选的，所述根据所述标准化后的基础指标值，采用主成分分析法计算每种目标指标类型对应的目标指标值，具体包括：
在全时序长度内，选取同种目标指标类型中的标准化后的基础指标值，生成样本矩阵；所述全时序长度为开始年份至结尾年份之间的长度，所述样本矩阵的行表示年份，所述样本矩阵的列表示基础指标；
计算所述样本矩阵中每一个元素的相关系数，并根据所述相关系数生成相关系数矩阵；
求解所述相关系数矩阵的多个特征值，并将所有特征值按照由大到小的顺序进行排列；
计算每一个特征值的方差贡献率；所述特征值的方差贡献率为选取的特征值与所有特征值之和的比值；
从最大特征值对应的方差贡献率开始，按照方差贡献率由大到小的顺序依次累加一个特征值的方差贡献率，并在方差贡献率的累加值首次超过预设贡献率值时，将进行累加的方差贡献率对应的特征值作为主成分分量；
将主成分分量和与主成分分量对应的方差贡献率的乘积之和作为目标指标值；
其中，
样本矩阵为：
Figure BDA0002694183290000041
式中，X为样本矩阵，t表示年份，xtj表示第t个年份第j个基础指标的标准化后的基础指标值；
目标指标值为：
Ii＝α1λ1+α2λ2+...+αmλm
式中，Ii为第i个目标指标类型的目标指标值，αm表示第m个主成分分量对应的方差贡献率，λm表示第m个主成分分量。
可选的，所述根据所述目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量，具体包括：
根据如下公式计算指标变化率f：
f＝Ii(t+1)-Ii(t)
根据如下公式计算电网发展的动态趋势特征RES：
Figure BDA0002694183290000042
其中，
Figure BDA0002694183290000043
Figure BDA0002694183290000044
式中，Ii(t+1)表示第i个目标指标类型第t+1年份的目标指标值，Ii(t)表示第i个目标指标类型第t年份的目标指标值，Δt表示预测步长，f(x)表示目标指标值在时序上的折线图函数，g(x)表示电网发展平局趋势函数，x表示时间变量；
根据所述指标变化率和所述电网发展的动态趋势特征生成电网发展动态趋势特征向量；
其中，所述电网发展动态趋势特征向量Q如下：
Figure BDA0002694183290000051
式中，RESt表示第t年份的电网发展的动态趋势特征，
Figure BDA0002694183290000052
表示第t年份的指标变化率。
可选的，所述根据所述电网发展趋势预警等级确定隶属度函数模型，具体包括：
根据如下公式确定隶属度函数模型：
Figure BDA0002694183290000053
Figure BDA0002694183290000054
Figure BDA0002694183290000055
式中，电网发展趋势预警等级S＝1,2,3，S＝1时表示预警，S＝2时表示次预警，S＝3时表示健康，r1(fet)表示S＝1时对应的隶属度函数，r2(fet)表示S＝2时对应的隶属度函数，r3(fet)表示S＝3时对应的隶属度函数，Q＝{fet1,fet2,...,fett}，fet表示电网发展动态趋势特征向量Q的列向量，a1表示第一参数，a2表示第二参数。
可选的，所述根据所述电网发展动态趋势特征向量和优化模型求解所述隶属度函数模型的参数，根据求解得到的参数生成隶属度函数，具体包括：
建立优化模型；所述优化模型如下：
Figure BDA0002694183290000061
Figure BDA0002694183290000062
其中，u＝1,2,3，r1＝r1(fet)，r2＝r2(fet)，r3＝r3(fet)，H(r1,r2,r3)表示优化函数，k表示目标指标类型总数，k＝4，s(ru)为中间函数；
将所述电网发展动态趋势特征向量代入所述优化模型后进行优化操作，得到所述隶属度函数模型的参数；
根据所述隶属度函数模型的参数生成隶属度函数。
可选的，所述对所述隶属度矩阵进行聚类，得到聚类后的隶属度矩阵，具体包括：
根据如下公式对所述隶属度矩阵进行聚类：
Figure BDA0002694183290000063
式中，E表示平方和，r表示聚类种类，C表示聚类总个数，m表示被归类于Cr的电网发展动态趋势隶属度向量，Cr表示聚类中心，M表示隶属度矩阵。
本发明还提供一种电网发展趋势预测***，包括：
数据获取模块，用于获取电网发展趋势的目标指标集合；所述目标指标集合包括与电网发展趋势相关的多种目标指标类型，每种目标指标类型包括多个基础指标；
标准化处理模块，用于对每一个所述基础指标进行标准化处理，得到标准化后的基础指标值；
主成分分析模块，用于根据所述标准化后的基础指标值，采用主成分分析法计算每种目标指标类型对应的目标指标值；
特征向量确定模块，用于根据所述目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量；
隶属度函数模型建立模块，用于获取电网发展趋势预警等级，并根据所述电网发展趋势预警等级确定隶属度函数模型；
隶属度函数生成模块，用于根据所述电网发展动态趋势特征向量和优化模型求解所述隶属度函数模型的参数，根据求解得到的参数生成隶属度函数；所述优化模型根据模糊熵构建；
隶属度向量生成模块，用于将所述电网发展动态趋势特征向量代入所述隶属度函数生成电网发展动态趋势隶属度向量；
聚类模块，用于根据所述电网发展动态趋势隶属度向量生成隶属度矩阵，并对所述隶属度矩阵进行聚类，得到聚类后的隶属度矩阵；
隐马尔可夫模型训练模块，用于根据所述聚类后的隶属度矩阵，对隐马尔可夫模型进行训练，得到训练后的隐马尔可夫模型；
电网发展趋势等级预测模块，用于根据所述训练后的隐马尔可夫模型，采用维比特算法预测电网发展趋势等级。
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于隐马尔可夫模型的电网发展趋势预测方法及***，采用主成分分析法计算每种目标指标类型对应的目标指标值；根据目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量；根据电网发展动态趋势特征向量和优化模型求解隶属度函数模型的参数，根据求解得到的参数生成隶属度函数；将电网发展动态趋势特征向量代入隶属度函数生成电网发展动态趋势隶属度向量；根据电网发展动态趋势隶属度向量生成隶属度矩阵，并对隶属度矩阵进行聚类，得到聚类后的隶属度矩阵；根据聚类后的隶属度矩阵，对隐马尔可夫模型进行训练，根据训练后的隐马尔可夫模型，采用维比特算法预测电网发展趋势等级，能够对电网发展趋势进行合理判断，以辅助调整未来电网发展部署各项决策指导。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于隐马尔可夫模型的电网发展趋势预测方法流程图；
图2为本发明实施例中基于隐马尔可夫模型的电网发展趋势预测***结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于隐马尔可夫模型的电网发展趋势预测方法及***，能够对电网发展趋势进行合理判断，以辅助调整未来电网发展部署各项决策指导。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例
图1为本发明实施例中基于隐马尔可夫模型的电网发展趋势预测方法流程图，如图1所示，一种基于隐马尔可夫模型的电网发展趋势预测方法，包括：
步骤101：获取电网发展趋势的目标指标集合；目标指标集合包括与电网发展趋势相关的多种目标指标类型，每种目标指标类型包括多个基础指标。
目标指标类型，具体包括：
发展速度与规模、发展安全与质量、发展效率与效益，以及发展经营与政策；
发展速度与规模的基础指标，具体包括：
GDP增速、电源装机增速、负荷增速、变电容载比、线路容载比、户均配电容量、线路长度和互联率；
发展安全与质量的基础指标，具体包括：
N-1通过率、安全隐患数、供电可靠性、设备可用系数、电压合格率、设备平均寿命、自动化覆盖率、电缆化率和智能电表覆盖率；
发展效率与效益的基础指标，具体包括：
线路最大负载率、平均负载率、变电站最大负载率、线损率、人均营业户数、人均变电容量、人均线路长度、可再生能源接入占比、节能减排量和电网投资比例；
发展经营与政策的基础指标，具体包括：
单位电网资产供电负荷、单位电网资产售电量、净利润、资产负债率、收入增长率和购销差价增量比。
步骤102：对每一个基础指标进行标准化处理，得到标准化后的基础指标值。
步骤102，具体包括：
判断基础指标为哪种类型的指标，得到第一判断结果。
{GDP增速，电源装机增速，负荷增速，户均配电容量，线路长度，互联率，N-1通过率，供电可靠性}等属于极大型指标；{安全隐患数，线损率，资产负债率}等属于极小型指标；{变电容载比，线路容载比}等属于合格型指标。
若第一判断结果为极大型指标，则根据如下公式对基础指标进行标准化处理：
Figure BDA0002694183290000091
若第一判断结果为极小型指标，则根据如下公式对基础指标进行标准化处理：
Figure BDA0002694183290000092
若第一判断结果为合格型指标，则根据如下公式对基础指标进行标准化处理：
Figure BDA0002694183290000093
式中，
Figure BDA0002694183290000094
表示标准化后的基础指标值，
Figure BDA0002694183290000095
表示转化前的基础指标值，ξ表示针对合格型指标的安全阈值，i表示目标指标类型，j表示基础指标。
步骤103：根据标准化后的基础指标值，采用主成分分析法计算每种目标指标类型对应的目标指标值。
步骤103，具体包括：
在全时序长度内，选取同种目标指标类型中的标准化后的基础指标值，生成样本矩阵；全时序长度为开始年份至结尾年份之间的长度，样本矩阵的行表示年份，样本矩阵的列表示基础指标；
计算样本矩阵中每一个元素的相关系数，并根据相关系数生成相关系数矩阵；
求解相关系数矩阵的多个特征值，并将所有特征值按照由大到小的顺序进行排列；
计算每一个特征值的方差贡献率；特征值的方差贡献率为选取的特征值与所有特征值之和的比值；
从最大特征值对应的方差贡献率开始，按照方差贡献率由大到小的顺序依次累加一个特征值的方差贡献率，并在方差贡献率的累加值首次超过预设贡献率值时，将进行累加的方差贡献率对应的特征值作为主成分分量；
将主成分分量和与主成分分量对应的方差贡献率的乘积之和作为目标指标值；
其中，
样本矩阵为：
Figure BDA0002694183290000101
式中，X为样本矩阵，t表示年份，xtj表示第t个年份第j个基础指标的标准化后的基础指标值；
目标指标值为：
Ii＝α1λ1+α2λ2+...+αmλm
式中，Ii为第i个目标指标类型的目标指标值，αm表示第m个主成分分量对应的方差贡献率，λm表示第m个主成分分量。
步骤104：根据目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量。
步骤104，具体包括：
根据如下公式计算指标变化率f：
f＝Ii(t+1)-Ii(t)
根据如下公式计算电网发展的动态趋势特征RES：
Figure BDA0002694183290000111
其中，
Figure BDA0002694183290000112
Figure BDA0002694183290000113
式中，Ii(t+1)表示第i个目标指标类型第t+1年份的目标指标值，Ii(t)表示第i个目标指标类型第t年份的目标指标值，Δt表示预测步长，f(x)表示目标指标值在时序上的折线图函数，g(x)表示电网发展平局趋势函数，x表示时间变量。
根据指标变化率和电网发展的动态趋势特征生成电网发展动态趋势特征向量。
其中，电网发展动态趋势特征向量Q如下：
Figure BDA0002694183290000114
式中，RESt表示第t年份的电网发展的动态趋势特征，
Figure BDA0002694183290000115
表示第t年份的指标变化率。
步骤105：获取电网发展趋势预警等级，并根据电网发展趋势预警等级确定隶属度函数模型。
步骤105，具体包括：
根据如下公式确定隶属度函数模型(选择岭型隶属度函数模型)：
Figure BDA0002694183290000116
Figure BDA0002694183290000121
Figure BDA0002694183290000122
式中，电网发展趋势预警等级S＝1,2,3，S＝1时表示预警，S＝2时表示次预警，S＝3时表示健康，r1(fet)表示S＝1时对应的隶属度函数，r2(fet)表示S＝2时对应的隶属度函数，r3(fet)表示S＝3时对应的隶属度函数，XK＝{fet1,fet2,...,fetT}，fet表示电网发展动态趋势特征向量Q的列向量，a1表示第一参数，a2表示第二参数。
步骤106：根据电网发展动态趋势特征向量和优化模型求解隶属度函数模型的参数，根据求解得到的参数生成隶属度函数；优化模型根据模糊熵构建。
步骤106，具体包括：
设论域XK＝{fet1,fet2,...,fetT}，状态域R＝{r1,r2,r3}，则根据模糊熵(FEI)作为模糊度的度量，可以建立优化模型：
建立优化模型；所述优化模型如下：
Figure BDA0002694183290000123
Figure BDA0002694183290000124
其中，u＝1,2,3，r1＝r1(fet)，r2＝r2(fet)，r3＝r3(fet)，H(r1,r2,r3)表示优化函数，k表示目标指标类型总数，k＝4，s(ru)为中间函数；
将电网发展动态趋势特征向量代入优化模型后进行优化操作，得到隶属度函数模型的参数；
根据隶属度函数模型的参数生成隶属度函数。
步骤107：将电网发展动态趋势特征向量代入隶属度函数生成电网发展动态趋势隶属度向量。
步骤108：根据电网发展动态趋势隶属度向量生成隶属度矩阵，并对隶属度矩阵进行聚类，得到聚类后的隶属度矩阵。
步骤108，具体包括：
根据如下公式对隶属度矩阵进行聚类：
Figure BDA0002694183290000131
式中，E表示平方和，r表示聚类种类，C表示聚类总个数，m表示被归类于Cr的电网发展动态趋势隶属度向量，Cr表示聚类中心，M表示隶属度矩阵，M为4*3矩阵，矩阵M的行表示目标指标类型。
步骤109：根据聚类后的隶属度矩阵，对隐马尔可夫模型进行训练，得到训练后的隐马尔可夫模型。
步骤110：根据训练后的隐马尔可夫模型，采用维比特算法预测电网发展趋势等级。
输入待预测序列，利用维比特算法计算电网发展趋势等级序列。
结合趋势等级判别结果及指标值分析电网发展薄弱环节；利用发展趋势参数参与不同意义的电网发展诊断评估工作，辅助实现电网态势感知，电网综合评价工作。
图2为本发明实施例中基于隐马尔可夫模型的电网发展趋势预测***结构图。如图2所示，一种基于隐马尔可夫模型的电网发展趋势预测***，包括：
数据获取模块201，用于获取电网发展趋势的目标指标集合；目标指标集合包括与电网发展趋势相关的多种目标指标类型，每种目标指标类型包括多个基础指标。
标准化处理模块202，用于对每一个基础指标进行标准化处理，得到标准化后的基础指标值。
主成分分析模块203，用于根据标准化后的基础指标值，采用主成分分析法计算每种目标指标类型对应的目标指标值。
特征向量确定模块204，用于根据目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量。
隶属度函数模型建立模块205，用于获取电网发展趋势预警等级，并根据电网发展趋势预警等级确定隶属度函数模型。
隶属度函数生成模块206，用于根据电网发展动态趋势特征向量和优化模型求解隶属度函数模型的参数，根据求解得到的参数生成隶属度函数；优化模型根据模糊熵构建。
隶属度向量生成模块207，用于将电网发展动态趋势特征向量代入隶属度函数生成电网发展动态趋势隶属度向量。
聚类模块208，用于根据电网发展动态趋势隶属度向量生成隶属度矩阵，并对隶属度矩阵进行聚类，得到聚类后的隶属度矩阵。
隐马尔可夫模型训练模块209，用于根据聚类后的隶属度矩阵，对隐马尔可夫模型进行训练，得到训练后的隐马尔可夫模型。
电网发展趋势等级预测模块210，用于根据训练后的隐马尔可夫模型，采用维比特算法预测电网发展趋势等级。
对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本发明提供的一种基于隐马尔可夫模型的电网发展趋势预测方法及***，能够基于当前基础指标、模型，对电网未来发展的趋势进行评估，为电网部门提前展开电网规划，应对薄弱环节提供有效的支撑。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种电网发展趋势预测方法，其特征在于，包括：
获取电网发展趋势的目标指标集合；所述目标指标集合包括与电网发展趋势相关的多种目标指标类型，每种目标指标类型包括多个基础指标；
对每一个所述基础指标进行标准化处理，得到标准化后的基础指标值；
根据所述标准化后的基础指标值，采用主成分分析法计算每种目标指标类型对应的目标指标值；
根据所述目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量；
获取电网发展趋势预警等级，并根据所述电网发展趋势预警等级确定隶属度函数模型；
根据所述电网发展动态趋势特征向量和优化模型求解所述隶属度函数模型的参数，根据求解得到的参数生成隶属度函数；所述优化模型根据模糊熵构建；
将所述电网发展动态趋势特征向量代入所述隶属度函数生成电网发展动态趋势隶属度向量；
根据所述电网发展动态趋势隶属度向量生成隶属度矩阵，并对所述隶属度矩阵进行聚类，得到聚类后的隶属度矩阵；
根据所述聚类后的隶属度矩阵，对隐马尔可夫模型进行训练，得到训练后的隐马尔可夫模型；
根据所述训练后的隐马尔可夫模型，采用维比特算法预测电网发展趋势等级。
2.根据权利要求1所述的电网发展趋势预测方法，其特征在于，
所述目标指标类型，具体包括：
发展速度与规模、发展安全与质量、发展效率与效益，以及发展经营与政策；
所述发展速度与规模的基础指标，具体包括：
GDP增速、电源装机增速、负荷增速、变电容载比、线路容载比、户均配电容量、线路长度和互联率；
所述发展安全与质量的基础指标，具体包括：
N-1通过率、安全隐患数、供电可靠性、设备可用系数、电压合格率、设备平均寿命、自动化覆盖率、电缆化率和智能电表覆盖率；
所述发展效率与效益的基础指标，具体包括：
线路最大负载率、平均负载率、变电站最大负载率、线损率、人均营业户数、人均变电容量、人均线路长度、可再生能源接入占比、节能减排量和电网投资比例；
所述发展经营与政策的基础指标，具体包括：
单位电网资产供电负荷、单位电网资产售电量、净利润、资产负债率、收入增长率和购销差价增量比。
3.根据权利要求1所述的电网发展趋势预测方法，其特征在于，所述对每一个所述基础指标进行标准化处理，得到标准化后的基础指标值，具体包括：
判断所述基础指标为哪种类型的指标，得到第一判断结果；
若所述第一判断结果为极大型指标，则根据如下公式对所述基础指标进行标准化处理：
Figure FDA0002694183280000025
若所述第一判断结果为极小型指标，则根据如下公式对所述基础指标进行标准化处理：
Figure FDA0002694183280000021
若所述第一判断结果为合格型指标，则根据如下公式对所述基础指标进行标准化处理：
Figure FDA0002694183280000022
式中，
Figure FDA0002694183280000023
表示标准化后的基础指标值，
Figure FDA0002694183280000024
表示转化前的基础指标值，ξ表示针对合格型指标的安全阈值，i表示目标指标类型，j表示基础指标。
4.根据权利要求3所述的电网发展趋势预测方法，其特征在于，所述根据所述标准化后的基础指标值，采用主成分分析法计算每种目标指标类型对应的目标指标值，具体包括：
在全时序长度内，选取同种目标指标类型中的标准化后的基础指标值，生成样本矩阵；所述全时序长度为开始年份至结尾年份之间的长度，所述样本矩阵的行表示年份，所述样本矩阵的列表示基础指标；
计算所述样本矩阵中每一个元素的相关系数，并根据所述相关系数生成相关系数矩阵；
求解所述相关系数矩阵的多个特征值，并将所有特征值按照由大到小的顺序进行排列；
计算每一个特征值的方差贡献率；所述特征值的方差贡献率为选取的特征值与所有特征值之和的比值；
从最大特征值对应的方差贡献率开始，按照方差贡献率由大到小的顺序依次累加一个特征值的方差贡献率，并在方差贡献率的累加值首次超过预设贡献率值时，将进行累加的方差贡献率对应的特征值作为主成分分量；
将主成分分量和与主成分分量对应的方差贡献率的乘积之和作为目标指标值；
其中，
样本矩阵为：
Figure FDA0002694183280000031
式中，X为样本矩阵，t表示年份，xtj表示第t个年份第j个基础指标的标准化后的基础指标值；
目标指标值为：
Ii＝α1λ1+α2λ2+...+αmλm
式中，Ii为第i个目标指标类型的目标指标值，αm表示第m个主成分分量对应的方差贡献率，λm表示第m个主成分分量。
5.根据权利要求4所述的电网发展趋势预测方法，其特征在于，所述根据所述目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量，具体包括：
根据如下公式计算指标变化率f：
f＝Ii(t+1)-Ii(t)
根据如下公式计算电网发展的动态趋势特征RES：
Figure FDA0002694183280000041
其中，
Figure FDA0002694183280000042
Figure FDA0002694183280000043
式中，Ii(t+1)表示第i个目标指标类型第t+1年份的目标指标值，Ii(t)表示第i个目标指标类型第t年份的目标指标值，Δt表示预测步长，f(x)表示目标指标值在时序上的折线图函数，g(x)表示电网发展平局趋势函数，x表示时间变量；
根据所述指标变化率和所述电网发展的动态趋势特征生成电网发展动态趋势特征向量；
其中，所述电网发展动态趋势特征向量Q如下：
Figure FDA0002694183280000044
式中，RESt表示第t年份的电网发展的动态趋势特征，
Figure FDA0002694183280000045
表示第t年份的指标变化率。
6.根据权利要求5所述的电网发展趋势预测方法，其特征在于，所述根据所述电网发展趋势预警等级确定隶属度函数模型，具体包括：
根据如下公式确定隶属度函数模型：
Figure FDA0002694183280000046
Figure FDA0002694183280000047
Figure FDA0002694183280000051
式中，电网发展趋势预警等级S＝1,2,3，S＝1时表示预警，S＝2时表示次预警，S＝3时表示健康，r1(fet)表示S＝1时对应的隶属度函数，r2(fet)表示S＝2时对应的隶属度函数，r3(fet)表示S＝3时对应的隶属度函数，Q＝{fet1,fet2,...,fett}，fet表示电网发展动态趋势特征向量Q的列向量，a1表示第一参数，a2表示第二参数。
7.根据权利要求6所述的电网发展趋势预测方法，其特征在于，所述根据所述电网发展动态趋势特征向量和优化模型求解所述隶属度函数模型的参数，根据求解得到的参数生成隶属度函数，具体包括：
建立优化模型；所述优化模型如下：
Figure FDA0002694183280000052
Figure FDA0002694183280000053
其中，u＝1,2,3，r1＝r1(fet)，r2＝r2(fet)，r3＝r3(fet)，H(r1,r2,r3)表示优化函数，k表示目标指标类型总数，k＝4，s(ru)为中间函数；
将所述电网发展动态趋势特征向量代入所述优化模型后进行优化操作，得到所述隶属度函数模型的参数；
根据所述隶属度函数模型的参数生成隶属度函数。
8.根据权利要求7所述的电网发展趋势预测方法，其特征在于，所述对所述隶属度矩阵进行聚类，得到聚类后的隶属度矩阵，具体包括：
根据如下公式对所述隶属度矩阵进行聚类：
Figure FDA0002694183280000054
式中，E表示平方和，r表示聚类种类，C表示聚类总个数，m表示被归类于Cr的电网发展动态趋势隶属度向量，Cr表示聚类中心，M表示隶属度矩阵。
9.一种电网发展趋势预测***，其特征在于，包括：
数据获取模块，用于获取电网发展趋势的目标指标集合；所述目标指标集合包括与电网发展趋势相关的多种目标指标类型，每种目标指标类型包括多个基础指标；
标准化处理模块，用于对每一个所述基础指标进行标准化处理，得到标准化后的基础指标值；
主成分分析模块，用于根据所述标准化后的基础指标值，采用主成分分析法计算每种目标指标类型对应的目标指标值；
特征向量确定模块，用于根据所述目标指标值，确定每种目标指标类型对应的电网发展动态趋势特征向量；
隶属度函数模型建立模块，用于获取电网发展趋势预警等级，并根据所述电网发展趋势预警等级确定隶属度函数模型；
隶属度函数生成模块，用于根据所述电网发展动态趋势特征向量和优化模型求解所述隶属度函数模型的参数，根据求解得到的参数生成隶属度函数；所述优化模型根据模糊熵构建；
隶属度向量生成模块，用于将所述电网发展动态趋势特征向量代入所述隶属度函数生成电网发展动态趋势隶属度向量；
聚类模块，用于根据所述电网发展动态趋势隶属度向量生成隶属度矩阵，并对所述隶属度矩阵进行聚类，得到聚类后的隶属度矩阵；
隐马尔可夫模型训练模块，用于根据所述聚类后的隶属度矩阵，对隐马尔可夫模型进行训练，得到训练后的隐马尔可夫模型；
电网发展趋势等级预测模块，用于根据所述训练后的隐马尔可夫模型，采用维比特算法预测电网发展趋势等级。
CN202011000648.0A 2020-09-22 2020-09-22 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** Active CN112101673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011000648.0A CN112101673B (zh) 2020-09-22 2020-09-22 一种基于隐马尔可夫模型的电网发展趋势预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011000648.0A CN112101673B (zh) 2020-09-22 2020-09-22 一种基于隐马尔可夫模型的电网发展趋势预测方法及***

Publications (2)

Publication Number Publication Date
CN112101673A true CN112101673A (zh) 2020-12-18
CN112101673B CN112101673B (zh) 2024-01-16

Family

ID=73754825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011000648.0A Active CN112101673B (zh) 2020-09-22 2020-09-22 一种基于隐马尔可夫模型的电网发展趋势预测方法及***

Country Status (1)

Country Link
CN (1) CN112101673B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705874A (zh) * 2021-08-19 2021-11-26 国家电网有限公司 新能源电网演化预测方法、装置、计算机设备和存储介质
CN116757337A (zh) * 2023-08-18 2023-09-15 克拉玛依市鼎泰建设(集团)有限公司 一种基于人工智能的房建施工进度预测***

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103326903A (zh) * 2013-07-05 2013-09-25 华北电力大学 基于隐马尔科夫的Internet网络时延预测方法
WO2013174146A1 (zh) * 2012-05-23 2013-11-28 国家电网公司 以降低网损为目标的多约束条件下风电送出功率优化评估方法
CN105976257A (zh) * 2015-12-17 2016-09-28 国家电网公司 基于隶属度函数的模糊综合评价法的电网脆弱性评估方法
CN106372799A (zh) * 2016-08-31 2017-02-01 全球能源互联网研究院 一种电网安全风险预测方法
US20170068760A1 (en) * 2015-09-04 2017-03-09 Panasonic Intellectual Property Corporation Of America Method for estimating use state of power of electric devices
CN106709821A (zh) * 2017-03-10 2017-05-24 东北电力大学 一种基于主成分分析的中压配电网供电可靠性评估方法
CN107274047A (zh) * 2017-04-24 2017-10-20 国网江西省电力公司赣州供电分公司 一种基于多级可拓评价法的电网项目后评价方法
US20170351288A1 (en) * 2016-06-07 2017-12-07 Shenzhen Zhidian Energy Technology LTD Non-invasive online real-time electric load identification method and identification system
CN108154256A (zh) * 2017-11-27 2018-06-12 国网北京市电力公司 预测风险值的确定方法及装置、存储介质
CN109902265A (zh) * 2019-02-28 2019-06-18 西南石油大学 一种基于隐马尔可夫模型的井下预警方法
CN110336768A (zh) * 2019-01-22 2019-10-15 西北大学 一种基于联合隐马尔可夫模型与遗传算法的态势预测方法
CN111027732A (zh) * 2018-10-09 2020-04-17 中国电力科学研究院有限公司 一种多风电场出力场景的生成方法及***
US20200209841A1 (en) * 2018-12-27 2020-07-02 Utopus Insights, Inc. System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets
CN111582571A (zh) * 2020-04-30 2020-08-25 中国电力科学研究院有限公司 模型驱动和数据驱动融合的电网运行态势感知方法及***

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013174146A1 (zh) * 2012-05-23 2013-11-28 国家电网公司 以降低网损为目标的多约束条件下风电送出功率优化评估方法
CN103326903A (zh) * 2013-07-05 2013-09-25 华北电力大学 基于隐马尔科夫的Internet网络时延预测方法
US20170068760A1 (en) * 2015-09-04 2017-03-09 Panasonic Intellectual Property Corporation Of America Method for estimating use state of power of electric devices
CN105976257A (zh) * 2015-12-17 2016-09-28 国家电网公司 基于隶属度函数的模糊综合评价法的电网脆弱性评估方法
US20170351288A1 (en) * 2016-06-07 2017-12-07 Shenzhen Zhidian Energy Technology LTD Non-invasive online real-time electric load identification method and identification system
CN106372799A (zh) * 2016-08-31 2017-02-01 全球能源互联网研究院 一种电网安全风险预测方法
CN106709821A (zh) * 2017-03-10 2017-05-24 东北电力大学 一种基于主成分分析的中压配电网供电可靠性评估方法
CN107274047A (zh) * 2017-04-24 2017-10-20 国网江西省电力公司赣州供电分公司 一种基于多级可拓评价法的电网项目后评价方法
CN108154256A (zh) * 2017-11-27 2018-06-12 国网北京市电力公司 预测风险值的确定方法及装置、存储介质
CN111027732A (zh) * 2018-10-09 2020-04-17 中国电力科学研究院有限公司 一种多风电场出力场景的生成方法及***
US20200209841A1 (en) * 2018-12-27 2020-07-02 Utopus Insights, Inc. System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets
CN110336768A (zh) * 2019-01-22 2019-10-15 西北大学 一种基于联合隐马尔可夫模型与遗传算法的态势预测方法
CN109902265A (zh) * 2019-02-28 2019-06-18 西南石油大学 一种基于隐马尔可夫模型的井下预警方法
CN111582571A (zh) * 2020-04-30 2020-08-25 中国电力科学研究院有限公司 模型驱动和数据驱动融合的电网运行态势感知方法及***

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ALAN CARLIN 等: "Higher Automated Learning through Principal Component Analysis and Markov Models", ARTIFICIAL INTELLIGENCE IN EDUCATION, pages 661 - 665 *
DATAANATOLI PAUL ULMEANU 等: "Hidden Markov Models revealing the household thermal profiling from smart meter data", ENERGY AND BUILDINGS, vol. 154, pages 127 - 140, XP085209274, DOI: 10.1016/j.enbuild.2017.08.036 *
INÊS L. ROÇA 等: "Solving Ill-Conditioned State-Estimation Problems in Distribution Grids With Hidden-Markov Models of Load Dynamics", IEEE TRANSACTIONS ON POWER SYSTEMS, vol. 35, no. 1, pages 1 - 9 *
秦欢 等: "基于隐马尔科夫和主成分分析的电网数据词典构建", 电力大数据, vol. 22, no. 1, pages 16 - 21 *
艾欣 等: "电网发展诊断的改进模糊评价模型与评级", 中国电力, vol. 55, no. 5, pages 66 - 75 *
郑敏嘉;卢洵;程鑫;: "基于HMM模型的电力负荷预测模型研究", 机电工程技术, no. 11, pages 170 - 173 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705874A (zh) * 2021-08-19 2021-11-26 国家电网有限公司 新能源电网演化预测方法、装置、计算机设备和存储介质
CN113705874B (zh) * 2021-08-19 2024-03-15 国家电网有限公司 新能源电网演化预测方法、装置、计算机设备和存储介质
CN116757337A (zh) * 2023-08-18 2023-09-15 克拉玛依市鼎泰建设(集团)有限公司 一种基于人工智能的房建施工进度预测***
CN116757337B (zh) * 2023-08-18 2023-11-21 克拉玛依市鼎泰建设(集团)有限公司 一种基于人工智能的房建施工进度预测***

Also Published As

Publication number Publication date
CN112101673B (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
CN110097297B (zh) 一种多维度窃电态势智能感知方法、***、设备及介质
CN110232203B (zh) 知识蒸馏优化rnn短期停电预测方法、存储介质及设备
CN105117602B (zh) 一种计量装置运行状态预警方法
CN111080072A (zh) 配电变压器健康指数评估方法、装置及***
CN113408869A (zh) 一种配电网建设目标风险评估方法
CN110837915B (zh) 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法
CN104331773A (zh) 一种电网规划方案综合评估方法
CN112308427A (zh) 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及***
CN112101673A (zh) 一种基于隐马尔可夫模型的电网发展趋势预测方法及***
CN114325395A (zh) 一种电池状态的确定方法及装置
CN110298369A (zh) 一种电力***不良数据的辨识方法及***
CN112001644A (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
CN113298318A (zh) 一种新型的配电变压器重过载预测方法
CN115856756A (zh) 一种电能计量箱故障评估方法
CN111932081A (zh) 一种电力信息***运行状态评估方法及***
CN113591322A (zh) 一种基于极端梯度提升决策树的低压台区线损率预测方法
CN107274025B (zh) 一种实现用电模式智能识别与管理的***和方法
CN112508254A (zh) 变电站工程项目投资预测数据的确定方法
Zhang et al. User power interaction behavior clustering analysis that is based on the self-organizing-center K-means algorithm
CN111797924B (zh) 一种基于聚类算法的三维度园区画像方法及***
CN115965119A (zh) 一种分布式储能***功率预测优化的方法
CN115146715A (zh) 用电安全隐患诊断方法、装置、设备及存储介质
CN114118587A (zh) 分布式光伏的电能质量评估方法及***、设备、存储介质
CN113919599A (zh) 一种中长期负荷预测方法
CN114266593A (zh) 一种基于kpca和线性回归的电力消费预测方法

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