CN112418533A - 一种清洁能源电量分解预测方法 - Google Patents
一种清洁能源电量分解预测方法 Download PDFInfo
- Publication number
- CN112418533A CN112418533A CN202011343594.8A CN202011343594A CN112418533A CN 112418533 A CN112418533 A CN 112418533A CN 202011343594 A CN202011343594 A CN 202011343594A CN 112418533 A CN112418533 A CN 112418533A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- clean energy
- historical
- prediction
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 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
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种清洁能源电量分解预测方法。设定多项清洁能源电量参数；将历史的清洁能源电量分为稳定电量和波动电量；采用神经网络算法进行预测，获得类清洁能源电量参数预测数据；将清洁能源电量参数预测数据结合进行精度计算，并将预测精度E作为精度判断标准，不断调整参数使得预测所用的神经网络满足精度要求，并作为预测模型，计算预测结果。本发明综合考虑清洁能源本身的历史规律和非能源因素对请清洁能源波动的影响，将两类因素分开预测，也历史数据本身的特性趋势，将多类的电量参数同时考虑入预测精度，提高精度预测的准确性。
Description
技术领域
本发明涉及了一种清洁能源电量分解预测方法，涉及在预测中的充分考虑清洁能源特性的电量预测方法。
背景技术
电力***的基本作用是尽可能经济地为各类用户提供可靠且合乎标准要求的电能，适应实际负荷需求和变化。由于电能的生产、输送、分配和消费是同时完成的，难以大量储存，这就要求发电***要随时紧跟***负荷变化以达到动态平衡，否则就会影响供用电质量，甚至危及电力***的安全与稳定。因此，科学的电量预测就成为电力***中一项重要工作，同时是电力***自动化领域中一项重要内容。
电力***清洁能源电量预测是以准确的统计数据和调查资料为依据，从用电量的历史和现状出发，在充分考虑一些重要的***运行特性、增容决策，自然条件与社会影响的条件下，研究或利用一套***地处理过去与未来负荷的数学方法。在满足一定精度要求的意义下，确定未来某特定时刻的电量数值。
清洁能源电量预测的目的就是提供负荷的发展状况和水平，为电力生产部门和管理部门制订生产计划和发展规划提供依据，确定各供电地区的供电电量，生产规划等等。
清洁能源电量的结果除了由清洁能源本身的历史规律决定外，还受众多非能源因素的影响，同时和所应用的预测理论、采用的预测方法直接相关。多年来，许多学者对这一课题进行了深入研究，提出了许多方法。
现有技术的缺点：
1.现有技术大多数为综合考虑清洁能源本身的历史规律和非能源因素对请清洁能源波动的影响，没有将两类因素分开考虑。
2.现有技术的预测算法的精确度验证都是通过历史数据的真实值与预测值进行误差对比来验证，而没有充分考虑历史数据本身的特性趋势。
3.有技术的预测算法的精确度验证都是通过已知数据的真实值与预测值进行误差对比来验证，耗时且过程繁琐。
发明内容
为了解决背景技术中存在的问题，本发明提出了一种清洁能源电量分解预测方法。
如图1所示，本发明的技术方案包括如下步骤：
第一步：设定多项清洁能源电量参数；
第二步：根据历史清洁能源电量数据，将历史清洁能源电量分为历史清洁能源稳定电量和历史清洁能源波动电量；
第三步：从电力数据中提取第一历史电量数据和第二历史电量数据，将第一历史电量数据和第二历史电量数据均分为历史清洁能源稳定电量和历史清洁能源波动电量，构建神经网络的预测模型采用神经网络算法进行预测，获得历史清洁能源稳定电量和历史清洁能源波动电量各自的清洁能源电量参数预测数据；
第四步：分别针对历史清洁能源稳定电量和历史清洁能源波动电量，
将第三步预测得到的各类清洁能源电量参数预测数据分别与历史清洁能源稳定电量和历史清洁能源波动电量进行精度计算，
并将预测精度E作为精度判断标准，不断调整预测模型中神经网络内部的参数使得预测精度E大于等于90％，则认为得到的神经网络满足精度要求，神经网络作为最终预测模型；
第五步：用第四步获得的预测模型进行针对待测的当前的清洁能源电量参数输入进行预测，计算获得预测结果。
所述第一步具体包括多项清洁能源电量参数为日最高清洁能源电量、日最低清洁能源电量和日平均清洁能源电量。
所述第二步中具体为：历史清洁能源电量分为历史清洁能源稳定电量和历史清洁能源波动电量。
其中第i年的历史清洁能源稳定电量是指根据前i-1年的历史的清洁能源电网采用时间序列预测方法预测得到的电量数据，作为历史清洁能源稳定电量，这是由清洁能源本身的历史规律决定；
第i年的历史清洁能源波动电量是指第i年的历史清洁能源实际电量减去第i年的历史清洁能源稳定电量，这是由非能源因素而导致的清洁能源波动电量。
所述第三步具体为：
从电力数据中提取获得第一历史电量数据和第二历史电量数据，其中，第一历史电量数据分为第一历史清洁能源稳定电量数据和第一历史清洁能源波动电量数据，是指前n年各天的历史清洁能源稳定电量和历史清洁能源波动电量，第二历史电量数据分为第二历史清洁能源稳定电量数据和第二历史清洁能源波动电量数据，是指第n+1年(历史最后一年)各天的历史清洁能源稳定电量和历史清洁能源波动电量；
分别针对历史清洁能源稳定电量和历史清洁能源波动电量进行第n+1年的三类清洁能源电量参数的预测，三类分别是日最高清洁能源电量、日最低清洁能源电量和日平均清洁能源电量，神经网络具体为：
针对历史清洁能源稳定电量的某一清洁能源电量参数的预测，神经网络的输入层为第i-1年的第一历史清洁能源稳定电量数据，输出层为第i年的第一历史清洁能源稳定电量数据；将第1年到第n-1年的数据依次输入，训练神经网络；
利用训练完成的神经网络，输入第n年的第一历史清洁能源稳定电量数据预测第n+1年的第一历史清洁能源稳定电量所对应的清洁能源电量参数预测数据，依次针对三类清洁能源电量参数进行预测，直到得到第n+1年的历史清洁能源稳定电量的三类清洁能源电量参数预测数据；
同理针对历史清洁能源波动电量的某一清洁能源电量参数的预测，神经网络输入层为第i-1年的第一历史清洁能源波动电量数据，输出层为第i年的第一历史清洁能源波动电量数据；将第1年到第n-1年的数据依次输入，训练神经网络。利用训练完成的神经网络，输入第n年的第一历史清洁能源波动电量数据预测第n+1年的第一历史清洁能源波动电量所对应的清洁能源电量参数预测数据，依次针对三类清洁能源电量参数进行预测，直到得到第n+1年的历史清洁能源波动电量的三类清洁能源电量参数预测数据。
依据第四步的公式计算预测精度E，若预测精度E满足要求，则认为神经网络预测精度满足要求，进入下一步。否则，调整网络连接权重，网络连接阈值，重新训练神经网络，直至满足预测精度要求。
所述第四步具体为：
预测各类清洁能源电量参数的预测精度采用以下公式计算：
针对历史清洁能源稳定电量数据，将神经网络模型预测得到的第n+1年的历史清洁能源稳定电量数据所对应的三个清洁能源电量参数预测数据和第二历史清洁能源稳定电量数据代入以下公式，计算第n+1年每一代表天的中间精度D：
其中，D为中间精度，n表示电量参数的个数，即日最高清洁能源电量、日最低清洁能源电量和日平均清洁能源电量，
表示参数i的第二历史数据，
表示参数i的预测数据；
若在第n+1年中满足D小于等于7％的代表天天数占第n+1年代表天总天数的90％以上，即预测精度E大于等于90％，则认为预测满足精度要求，否则调整神经网络相关参数，直到预测满足精度要求；
预测满足精度要求后采用以下公式计算预测精度：
其中，E为预测精度，A表示第n+1年中满足中间精度D小于等于7％的代表天总天数，B表示第n+1年中代表天总天数；
同理针对历史清洁能源波动电量数据，将神经网络模型预测得到的第n+1年的历史清洁能源波动电量数据所对应的三个清洁能源电量参数预测数据和第二历史清洁能源波动电量数据按照上述相同处理计算获得第n+1年每一代表天的预测精度E。
所述第五步具体为：
将待预测时间段前一年的历史清洁能源波动电量数据和历史清洁能源稳定电量数据输入已训练完成的神经网络预测模型，预测得到待预测时间段各天的清洁能源波动电量数据和清洁能源稳定电量数据，清洁能源波动电量数据和清洁能源稳定电量数据为清洁能源电量数据。
本发明所用数据的定义为：某一个地区某一年的数据，以日为基本单位的清洁能源电量数据。
本发明的有益效果是：
相对于现有技术方案，本发明综合考虑清洁能源本身的历史规律和非能源因素对请清洁能源波动的影响，将两类因素分开考虑。
相对于现有技术方案，本发明充分考虑历史数据本身的特性趋势，将多类的电量参数同时考虑入预测精度，提高精度预测的准确性。
附图说明
图1是本发明方法逻辑框图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
按照本发明方法完整实施的实施例及其实施过程如下：
第一步：统计前10年的第一历史电量数据和第二历史电量数据；
第二步：根据历史清洁能源稳定电量和历史清洁能源波动电量，采用神经网络算法进行预测，获得历史清洁能源稳定电量和历史清洁能源波动电量的各类清洁能源电量参数预测数据；
第三步：分别针对历史清洁能源稳定电量和历史清洁能源波动电量，进行电量预测。
预测得到2021年1月1号-1月10号的日最高清洁能源电量为下表所示。。
表1 2021年1月1号-1月10号的日最高清洁能源电量
| 时间 | 日最高清洁能源电量 |
| 0101 | 5212.24 |
| 0102 | 5786.46 |
| 0103 | 6440.54 |
| 0104 | 6828.80 |
| 0105 | 7143.77 |
| 0106 | 7257.46 |
| 0107 | 7289.65 |
| 0108 | 7255.56 |
| 0109 | 7298.15 |
| 0110 | 6953.14 |
预测得到2021年1月1号-1月10号的日平均清洁能源电量为下表所示。
表2 2021年1月1号-1月10号的日平均清洁能源电量
| 时间 | 日平均清洁能源电量 |
| 20170101 | 5027.60 |
| 20170102 | 5579.83 |
| 20170103 | 6248.74 |
| 20170104 | 6543.81 |
| 20170105 | 6936.57 |
| 20170106 | 7045.09 |
| 20170107 | 7139.05 |
| 20170108 | 7112.50 |
| 20170109 | 7086.67 |
| 20170110 | 6805.47 |
由此实施可见，本发明综合考虑清洁能源本身的历史规律和非能源因素对请清洁能源波动的影响，将两类因素分开预测，也历史数据本身的特性趋势，将多类的电量参数同时考虑入预测精度，提高精度预测的准确性。
Claims (6)
1.一种清洁能源电量分解预测方法，其特征在于：
第一步：设定多项清洁能源电量参数；
第二步：根据历史清洁能源电量数据，将历史清洁能源电量分为历史清洁能源稳定电量和历史清洁能源波动电量；
第三步：从电力数据中提取第一历史电量数据和第二历史电量数据，将第一历史电量数据和第二历史电量数据均分为历史清洁能源稳定电量和历史清洁能源波动电量，构建神经网络的预测模型采用神经网络算法进行预测，获得历史清洁能源稳定电量和历史清洁能源波动电量各自的清洁能源电量参数预测数据；
第四步：分别针对历史清洁能源稳定电量和历史清洁能源波动电量，
将第三步预测得到的各类清洁能源电量参数预测数据分别与历史清洁能源稳定电量和历史清洁能源波动电量进行精度计算，
并将预测精度E作为精度判断标准，不断调整预测模型中神经网络内部的参数使得预测精度E大于等于90％，则认为得到的神经网络满足精度要求，神经网络作为最终预测模型；
第五步：用第四步获得的预测模型进行针对待测的当前的清洁能源电量参数输入进行预测，计算获得预测结果。
2.根据权利要求1所述的一种清洁能源电量分解预测方法，其特征在于：
所述第一步具体包括多项清洁能源电量参数为日最高清洁能源电量、日最低清洁能源电量和日平均清洁能源电量。
3.根据权利要求1所述的一种清洁能源电量分解预测方法，其特征在于：
所述第二步中具体为：其中第i年的历史清洁能源稳定电量是指根据前i-1年的历史的清洁能源电网采用时间序列预测方法预测得到的电量数据，作为历史清洁能源稳定电量；第i年的历史清洁能源波动电量是指第i年的历史清洁能源实际电量减去第i年的历史清洁能源稳定电量。
4.根据权利要求1所述的一种清洁能源电量分解预测方法，其特征在于：
所述第三步具体为：从电力数据中提取获得第一历史电量数据和第二历史电量数据，其中，第一历史电量数据分为第一历史清洁能源稳定电量数据和第一历史清洁能源波动电量数据，是指前n年各天的历史清洁能源稳定电量和历史清洁能源波动电量，第二历史电量数据分为第二历史清洁能源稳定电量数据和第二历史清洁能源波动电量数据，是指第n+1年各天的历史清洁能源稳定电量和历史清洁能源波动电量；分别针对历史清洁能源稳定电量和历史清洁能源波动电量进行第n+1年的三类清洁能源电量参数的预测，神经网络具体为：
针对历史清洁能源稳定电量的某一清洁能源电量参数的预测，神经网络的输入层为第i-1年的第一历史清洁能源稳定电量数据，输出层为第i年的第一历史清洁能源稳定电量数据；将第1年到第n-1年的数据依次输入，训练神经网络；
利用训练完成的神经网络，输入第n年的第一历史清洁能源稳定电量数据预测第n+1年的第一历史清洁能源稳定电量所对应的清洁能源电量参数预测数据，依次针对三类清洁能源电量参数进行预测，直到得到第n+1年的历史清洁能源稳定电量的三类清洁能源电量参数预测数据；
同理针对历史清洁能源波动电量的某一清洁能源电量参数的预测，神经网络输入层为第i-1年的第一历史清洁能源波动电量数据，输出层为第i年的第一历史清洁能源波动电量数据；将第1年到第n-1年的数据依次输入，训练神经网络。利用训练完成的神经网络，输入第n年的第一历史清洁能源波动电量数据预测第n+1年的第一历史清洁能源波动电量所对应的清洁能源电量参数预测数据，依次针对三类清洁能源电量参数进行预测，直到得到第n+1年的历史清洁能源波动电量的三类清洁能源电量参数预测数据。
5.根据权利要求1所述的一种清洁能源电量分解预测方法，其特征在于：
所述第四步具体为：预测各类清洁能源电量参数的预测精度采用以下公式计算：
针对历史清洁能源稳定电量数据，将神经网络模型预测得到的第n+1年的历史清洁能源稳定电量数据所对应的三个清洁能源电量参数预测数据和第二历史清洁能源稳定电量数据代入以下公式，计算第n+1年每一代表天的中间精度D：
其中，D为中间精度，n表示电量参数的个数，即日最高清洁能源电量、日最低清洁能源电量和日平均清洁能源电量，
表示参数i的第二历史数据，
表示参数i的预测数据；
若在第n+1年中满足D小于等于7％的代表天天数占第n+1年代表天总天数的90％以上，即预测精度E大于等于90％，则认为预测满足精度要求，否则调整神经网络相关参数，直到预测满足精度要求；
预测满足精度要求后采用以下公式计算预测精度：
其中，E为预测精度，A表示第n+1年中满足中间精度D小于等于7％的代表天总天数，B表示第n+1年中代表天总天数；
同理针对历史清洁能源波动电量数据，将神经网络模型预测得到的第n+1年的历史清洁能源波动电量数据所对应的三个清洁能源电量参数预测数据和第二历史清洁能源波动电量数据按照上述相同处理计算获得第n+1年每一代表天的预测精度E。
6.根据权利要求1所述的一种清洁能源电量分解预测方法，其特征在于：
所述第五步具体为：
将待预测时间段前一年的历史清洁能源波动电量数据和历史清洁能源稳定电量数据输入已训练完成的神经网络预测模型，预测得到待预测时间段各天的清洁能源波动电量数据和清洁能源稳定电量数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011343594.8A CN112418533A (zh) | 2020-11-25 | 2020-11-25 | 一种清洁能源电量分解预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011343594.8A CN112418533A (zh) | 2020-11-25 | 2020-11-25 | 一种清洁能源电量分解预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418533A true CN112418533A (zh) | 2021-02-26 |
Family
ID=74843778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011343594.8A Pending CN112418533A (zh) | 2020-11-25 | 2020-11-25 | 一种清洁能源电量分解预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418533A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204166328U (zh) * | 2014-10-28 | 2015-02-18 | 天津大学 | 办公用能的预测和报警控制*** |
| CN106295915A (zh) * | 2016-10-10 | 2017-01-04 | 西安理工大学 | 具有最大容量准则约束的含清洁能源电网优化调度方法 |
| WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
| CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
| CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
| CN108615091A (zh) * | 2018-04-20 | 2018-10-02 | 浙江大学 | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 |
| JP6570724B1 (ja) * | 2018-12-09 | 2019-09-04 | グリーンパワー株式会社 | 再生可能エネルギー由来電力の取引方法、及び取引システム |
| CN110298475A (zh) * | 2019-05-10 | 2019-10-01 | 华北电力大学 | 一种基于序列成分分解与神经网络的中期电量预测方法 |
| CN110348517A (zh) * | 2019-07-11 | 2019-10-18 | 四川长虹电器股份有限公司 | 一种基于大数据的清洁能源供暖***报警分类预测方法 |
-
2020
- 2020-11-25 CN CN202011343594.8A patent/CN112418533A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204166328U (zh) * | 2014-10-28 | 2015-02-18 | 天津大学 | 办公用能的预测和报警控制*** |
| WO2018059096A1 (zh) * | 2016-09-30 | 2018-04-05 | 国电南瑞科技股份有限公司 | 一种多类电源发电计划组合决策方法及存储介质 |
| CN106295915A (zh) * | 2016-10-10 | 2017-01-04 | 西安理工大学 | 具有最大容量准则约束的含清洁能源电网优化调度方法 |
| CN108090563A (zh) * | 2017-12-15 | 2018-05-29 | 烟台港股份有限公司 | 一种基于bp神经网络的电能量预测方法 |
| CN108596242A (zh) * | 2018-04-20 | 2018-09-28 | 浙江大学 | 基于小波神经网络和支持向量机的电网气象负荷预测方法 |
| CN108615091A (zh) * | 2018-04-20 | 2018-10-02 | 浙江大学 | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 |
| JP6570724B1 (ja) * | 2018-12-09 | 2019-09-04 | グリーンパワー株式会社 | 再生可能エネルギー由来電力の取引方法、及び取引システム |
| CN110298475A (zh) * | 2019-05-10 | 2019-10-01 | 华北电力大学 | 一种基于序列成分分解与神经网络的中期电量预测方法 |
| CN110348517A (zh) * | 2019-07-11 | 2019-10-18 | 四川长虹电器股份有限公司 | 一种基于大数据的清洁能源供暖***报警分类预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| ZHANG, CH: ""Wind Speed Prediction Research Based on Time Series Model with Residual Correction"", 《PROCEEDINGS OF 2017 2ND INTERNATIONAL CONFERENCE ON POWER AND RENEWABLE ENERGY》, 23 September 2017 (2017-09-23), pages 466 - 470, XP033360878, DOI: 10.1109/ICPRE.2017.8390579 * |
| 丁磊明;杨晓雷;黄金波;姚剑峰;: "基于BP神经网络优化的改进灰色模型在电量预测中的应用", 机电信息, no. 36, 31 December 2019 (2019-12-31), pages 36 - 39 * |
| 卫鹏杰;: "电网统配用电负荷受清洁能源发电出力波动性影响的算法研究", 山西电力, no. 03, 30 June 2020 (2020-06-30), pages 13 - 17 * |
| 方梓涵;张焕明;朱家明;: "基于组合预测的能源优化", 赤峰学院学报(自然科学版), no. 05, 25 May 2018 (2018-05-25), pages 1 - 3 * |
| 杨冬强: ""风力发电短期功率预测研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 02, 15 February 2017 (2017-02-15), pages 042 - 922 * |
| 田波;朴在林;王慧;: "基于时间序列建模在风力发电功率短期预测中的研究", 《电网与清洁能源》, vol. 32, no. 03, 25 March 2016 (2016-03-25), pages 115 - 126 * |
| 薛阳;张宁;吴海东;俞志程;李蕊;: "基于UTCI-MIC与振幅压缩灰色模型的用户侧微电网短期负荷预测方法", 电网技术, vol. 44, no. 02, 29 February 2020 (2020-02-29), pages 556 - 563 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
| CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
| CN105844371A (zh) | 一种用电客户短期负荷需求预测方法及装置 | |
| CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及*** | |
| CN106529704A (zh) | 月最大电力负荷预测方法及装置 | |
| CN102509173B (zh) | 一种基于马尔科夫链的电力***负荷准确预测方法 | |
| CN112183849A (zh) | 一种基于人工神经网络的短期电力电量预测方法 | |
| CN109063892A (zh) | 基于bp-lssvm组合优选模型的工业电量预测方法 | |
| CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
| CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
| CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
| CN113536694B (zh) | 综合能源***鲁棒优化运行方法、***、装置及存储介质 | |
| CN103853939A (zh) | 一种基于社会经济因素影响的电力***月度负荷的组合预测方法 | |
| CN108805331A (zh) | 一种用电量预测方法 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN113065715A (zh) | 一种综合能源***多元负荷超短期预测方法 | |
| CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和*** | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN115600640A (zh) | 基于分解网络的电力负荷预测方法 | |
| CN110837952A (zh) | 一种基于博弈论的电网新技术设备选择方法及*** | |
| Aritonang et al. | An application of backpropagation neural network for sales forecasting rice miling unit | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220316 Address after: No.62 Yunnan Road, Gulou District, Nanjing, Jiangsu 210008 Applicant after: Jiangsu Electric Power Trading Center Co.,Ltd. Applicant after: ZHEJIANG University Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. Address before: No.62 Yunnan Road, Gulou District, Nanjing, Jiangsu 210008 Applicant before: Jiangsu Electric Power Trading Center Co.,Ltd. Applicant before: Zhejiang University |
|
| TA01 | Transfer of patent application right |