[go: up one dir, main page]

CN112508275B - 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 - Google Patents

一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 Download PDF

Info

Publication number
CN112508275B
CN112508275B CN202011414424.4A CN202011414424A CN112508275B CN 112508275 B CN112508275 B CN 112508275B CN 202011414424 A CN202011414424 A CN 202011414424A CN 112508275 B CN112508275 B CN 112508275B
Authority
CN
China
Prior art keywords
load
data
cluster
station area
distribution 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
Application number
CN202011414424.4A
Other languages
English (en)
Other versions
CN112508275A (zh
Inventor
邓威
朱吉然
郭钇秀
唐海国
李勇
张志丹
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd
State Grid Hunan 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hunan Electric Power Co Ltd, State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011414424.4A priority Critical patent/CN112508275B/zh
Publication of CN112508275A publication Critical patent/CN112508275A/zh
Application granted granted Critical
Publication of CN112508275B publication Critical patent/CN112508275B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于聚类和趋势指标的配电网线路负荷预测方法和设备，方法为：获取并清洗配电网中各台区的负荷历史时间序列数据；根据负荷历史数据集，通过聚类将所有台区划分为若干个聚类簇，并求和重构每个聚类簇的负荷历史数据集，并按天获取若干负荷样本；然后获取每个负荷样本对应的节假日信息，计算去年同期的负荷变化趋势指标；使用每个聚类簇的负荷样本、节假日信息和负荷变化趋势指标，训练对应的长短期记忆神经网络负荷预测模型；使用训练好的每类负荷预测模型对相应的负荷数据进行预测，最后将每类负荷的预测结果进行叠加得到配电网线路总负荷的预测结果。本发明可以提高配电网短期负荷预测的精度，以达到指导配电网调度运行的目的。

Description

一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
技术领域
本发明涉及配电网负荷分析预测技术领域，具体涉及一种基于聚类和趋势指标的长短期记忆神经网络配电网线路负荷预测方法。
背景技术
配电网短期负荷预测是配电网经济高效运行的重要技术，短期负荷预测主要根据配电网历史运行数据、外界气象以及时间等节假日等信息，挖掘配电网负荷变化的规律与影响因素，推断负荷未来短期一段时间内的变化趋势。准确的预测配电网短期负荷，对于降低发电成本，提升配电网精细化运行管理水平具有重要的意义。
由于配电网所包含的负荷类型复杂多样，每类负荷短期波动变化规律各不相同。此外，受到季节更替、气象变化以及节假日等特征因素的影响，每类负荷波动还具有不确定性。随着配电系统负荷种类增加，以及电动汽车等双向灵活性负荷设备的投入并网，配电系统负荷的非线性复杂程度逐渐增强，短期负荷预测的难度也在不断增大。传统短期负荷预测方法主要采用趋势分析法、多元线性回归法和自回归滑动平均法等，此类预测方法对于平稳变化的短期负荷较为有效，但在负荷波动频繁的情况下预测效果不佳。因此，如何综合考虑影响负荷变化的规律特点从而提升预测精度与效果，成为负荷短期预测研究的重点与难点。近年来，随着智能电表的普及应用，配电网海量运行数据的采集存储为负荷预测提供了充足的数据支撑。与此同时，人工智能算法的兴起，随机森林、支持向量机和人工神经网络等主流机器学习方法的应用也为配电网短期负荷预测提供了新的思路和方法。
目前，国内外学者针对配电网短期负荷预测开展了大量的研究，其中已有部分研究成果表明对负荷进行合理分类可以改善预测效果。有学者将负荷按照季节变化的候温进行自适应划分，采用优化的离群鲁棒极限学习机算法对负荷数据进行预测，提升短期负荷预测的效果。还有学者基于用电量数据对台区负荷进行多级聚类，构建基于脉冲神经网络的负荷预测模型，实现负荷的精准分类预测。
然而，目前关于短期负荷预测的研究仍然在以下几个方面存在不足：1)由于不同台区的主要用户会影响台区的负荷特性，专变和公变台区负荷特性差异较大，具有各自的变化规律，因此直接对配电线路进行负荷预测，是直接对负荷混合数据进行预测，无法挖掘不同台区的用电特性规律，导致线路负荷预测精度不足；2)电力负荷在不同季节具有明显的分布趋势特点，此外，节假日和生产、生活计划安排也会在不同程度上影响负荷不同时期的变化规律。通常负荷短期预测主要考虑温度、节假日因素的影响，一般通过特征提取或者仅仅输入最近一段时期的历史数据进行预测，并没有充分利用负荷历史同期数据，在负荷变化趋势上缺乏深入分析，不能充分挖掘负荷在不同时段的变化规律；3)随着智能配电网的不断深入，设备能够采集存储海量配网数据，负荷数据作为一种时间序列数据，普通的机器学习算法在回归预测过程中没有考虑负荷时间序列特性，无法传递时间序列的有效信息，在一定程度上影响模型的负荷预测效果和泛化性能，需要采用适用于负荷时序数据的预测模型进一步提高预测精度。
发明内容
本发明提供一种基于聚类和趋势指标的配电网线路负荷预测方法和设备，提高配电网短期负荷预测的精度，以达到指导配电网调度运行的目的。
为实现上述技术目的，本发明采用如下技术方案：
一种配电网线路负荷预测方法，包括以下步骤：
S10，获取并清洗配电网历史负荷数据，构建每个台区每天的负荷历史时间序列，所有天的负荷历史时间序列构成该台区的负荷历史数据集；
S20，根据台区的负荷历史数据集，通过聚类将N个台区划分为K个台区聚类簇；针对每个台区聚类簇，将所有台区的负荷历史数据集求和，重构得到台区聚类簇的负荷历史数据集；
S30，将台区聚类簇的负荷历史数据集中每天的负荷历史时间序列，均归一化后作为该台区聚类簇的一个负荷样本；
S40，针对每个负荷样本，获取该天的节假日信息，并计算其去年同期的负荷变化趋势指标；
S50，对每个台区聚类簇中所有时间连续的l+1个负荷样本，均以前l个负荷样本、最后1个负荷样本的去年同期的负荷变化趋势指标和节假日信息作为输入，以最后1个负荷样本作为输出，对该台区聚类簇对应构建的长短期记忆神经网络负荷预测模型进行离线训练，确定最优参数；
S60，配电网线路负荷预测
S61，获取所有台区在目标预测天次之前l天的负荷历史时间序列和目标预测天次的节假日信息；
S62，将每个台区聚类簇中所有台区的负荷历史时间序列求和并按天划分，得到每个台区聚类簇l个时间连续的负荷样本，并计算对应台区聚类簇在目标预测天次的去年同期的负荷变化趋势指标；
S63，将本步骤S60得到的每个台区聚类簇的l个时间连续的负荷样本、1个节假日信息和1个去年同期的负荷变化趋势指标，输入至步骤S50得到的对应长短期记忆神经网络负荷预测模型，输出对应台区聚类簇在目标预测天次的负荷预测数据；
S64，将所有K个台区聚类簇在目标预测天次的负荷预测数据，分别进行反归一化处理，然后加和计算，得到配电网线路在目标预测天次的负荷预测数据。
进一步地，清洗配电网历史负荷数据包括：采用离群点检测方法剔除异常数据，采用插值改进的随机森林方法填补每个台区的缺失数据。
进一步地，采用离群点检测方法剔除异常数据的方法，计算负荷数据的局部异常因子，若局部异常因子小于预设阈值，则将该负荷数据剔除；
其中，负荷数据的局部异常因子计算公式为：
Figure BDA0002819710830000031
式中，LOFk(O)表示负荷数据点O在第k邻域的局部异常因子，Nk(O)为负荷数据点O在第k邻域的邻域点集合，P为Nk(O)中的负荷数据点；ρk(O)表示负荷数据点O在第k邻域的局部可达密度，表示第k邻域内所有点到O的平均可达距离；ρk(P)表示负荷数据点P在第k邻域的局部可达密度，表示第k邻域内所有点到P的平均可达距离。
进一步地，采用插值改进的随机森林方法填补每个台区的缺失数据的方法为：
(1)以台区每天所有时间点的负荷数据作为矩阵的1行，构建台区的负荷数据矩阵X；
(2)统计配电网负荷数据矩阵X的缺失情况；遍历每日数据，将矩阵X中数据缺失最少的1天作为数据填补日，其他为非数据填补日；
(3)填补前将非数据填补日的缺失数据用线性插值进行处理，得到矩阵Xnew；
(4)将矩阵Xnew中所有不存在数据缺失所在的列构建数据集Train，并将数据集Train划分为两部分：非数据填补日的数据为训练集Xtrain，数据填补日的数据为标签集Ytrain；
(5)将矩阵Xnew中所有存在数据缺失所在的列构建数据集Test，其中非当前数据填补日的数据为验证集Xtest，当前数据填补日的数据为待填补数据；
(6)用训练集Xtrain中的每一列作为训练样本训练随机森林填补模型，训练标签为不含缺失部分的标签集Ytrain组成；
(7)填补模型训练完成后，根据验证集Xtest获取待填补数据，并将待填补数据填补至负荷数据矩阵X；
(8)重复步骤(2)至步骤(7)，直到矩阵X不缺失数据。
进一步地，步骤S20中采用K均值算法进行聚类，其中最佳聚类数K的确定方法为：设置聚类数k的取值范围为[kmin,Kmax]，计算每种聚类数k对应的聚类误差平方和，根据聚类数与聚类误差平方和构成的曲线，采用肘部法则确定负荷最佳聚类数K。
进一步地，负荷变化趋势指标的计算方法为：
Figure BDA0002819710830000041
式中，x(t)表示每个台区聚类簇每天的负荷时间序列，x0表示x(t)所有时间点的负荷算术平均值，Q(t)表示x(t)的负荷变化趋势指标。
进一步地，长短期记忆神经网络最优超参数确定方法如下：首先定义长短期记忆神经网络的隐层数量、每层网络的神经元数量和学习率的取值范围，设定不同的超参数值进行多次负荷预测，对比负荷预测结果，选择其中负荷平均预测误差最小的一组超参数值作为配电网负荷预测模型的最优超参数。
进一步地，长短期记忆神经网络负荷预测模型，通过训练迭代更新的参数包括：输入门权重、输入门偏置、遗忘门权重、遗忘门偏置、输出门的权重、输出门偏置。
进一步地，步骤S10中的配电网历史负荷数据的时间跨度至少为2年以上，能够包含去年同期负荷的历史数据，用于建立去年同期的负荷变化趋势指标。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一技术方案所述的方法。
有益效果
本发明的有益效果为：
1、针对配电网负荷数据进行清洗，通过检测剔除负荷异常值，填补负荷缺失值，综合提升各台区负荷数据，为配电网线路负荷预测提供基础数据。
2、采用K均值聚类方法将配电网台区负荷特性进行聚类，将用电特性相似的负荷数据进行求和重构，不仅能提高不同类别负荷预测模型的训练数据纯净度，保证预测精度，还可以对特性相似台区进行统一集中的负荷预测，相比于对单一台区负荷预测而言，可大幅提高负荷预测计算效率。
3、选用时间跨度包含为包含2年以上的历史实际负荷数据，使得训练样本可以包含去年同期负荷数据，建立去年同期的负荷变化趋势指标，通过在预测模型输入中加入负荷变化趋势指标，可反应短期负荷在长时期尺度上的上下浮动规律，可进一步提升负荷预测效果。
4、基于长短期记忆神经网络建立配电网负荷预测模型，根据其神经元门的结构传递时间序列中有效信息，通过模型自学习能力可以挖掘短期负荷时间序列的特点规律，适用于负荷时序数据预测且预测精度较高。
附图说明
图1为本发明实施例的流程示意图；
图2本发明实施例中随机森林配电网数据填补矩阵图；
图3是本发明实施例中聚类肘部曲线图；
图4是本发明实施例中负荷有功功率各去年同期负荷变化趋势变化曲线图；
图5是本发明实施例中长短期记忆神经网络神经元结构示意；
图6是本发明实施例中每类负荷预测结果图；
图7是本发明实施例中不同方法的负荷预测结果对比图；
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
如图1所示，本发明提供一种基于值聚类和趋势指标的长短期记忆神经网络的配电线路负荷预测方法，包括如下步骤：
S10，获取并清洗配电网历史负荷数据，构建每个台区每天的负荷历史时间序列，所有天的负荷历史时间序列构成该台区的负荷历史数据集；
S11，获取配电网线路负荷预测所需的历史量测数据，具体包含以下各特征量的时间序列数据：台区负荷、节假日信息。数据形式为15分钟一个数据点，一天共包含96个数据点。
考虑到历史同期数据对负荷的影响情况，本实施例选用时间跨度为包含2年半的实际配电网运行数据来进行负荷预测，可以增强负荷预测模型在不同环境与不同时期下的适用性。
S12，针对台区负荷有功功率数据进行清洗，采用离群点检测方法检测剔除异常数据，采用随机森林方法填补每个台区的缺失数据，从而得到每个台区完整的历史负荷数据，相应得到每个台区每天的负荷历史时间序列，所有天的负荷历史时间序列构成该台区的负荷历史数据集；
考虑到原始配电网负荷数据具有一些异常值和缺失值现象，本实施例通过采用离群点检测方法首先对负荷数据异常值进行检测，通过数据点的局部异常因子计算实现，具体计算公式如下：
Figure BDA0002819710830000061
式中，LOFk(O)表示负荷数据点O在第k邻域的局部异常因子，Nk(O)为负荷数据点O在第k邻域的邻域点集合，P为Nk(O)中的负荷数据点；ρk(O)表示负荷数据点O在第k邻域的局部可达密度，表示第k邻域内所有点到O的平均可达距离；ρk(P)表示负荷数据点P在第k邻域的局部可达密度，表示第k邻域内所有点到P的平均可达距离。
LOF值可以衡量数据点之间密度，数据点间的距离越远，密度越低，数据点间距离越近，密度越高，LOF值越大，密度越低越可能为异常数据，将该异常数据剔除。
另外，采用插值改进的随机森林算法对配电网负荷缺失数据进行填补，具体过程如下：
(1)以台区每天所有时间点的负荷数据作为矩阵的1行，构建台区的负荷数据矩阵X；
(2)统计配电网负荷数据矩阵X的缺失情况；将矩阵X中数据缺失最少的1天作为数据填补日，其他为非数据填补日；
(3)填补前将非数据填补日的缺失数据用线性插值进行处理，得到矩阵Xnew；
(4)将矩阵Xnew中所有不存在数据缺失所在的列构建数据集Train，并将数据集Train划分为两部分：非数据填补日的数据为训练集Xtrain，数据填补日的数据为标签集Ytrain；
(5)将矩阵Xnew中所有存在数据缺失所在的列构建数据集Test，其中非当前数据填补日的数据为验证集Xtest，当前数据填补日的数据为待填补数据；
(6)用训练集Xtrain中的每一列作为训练样本训练随机森林填补模型，训练标签为不含缺失部分的标签集Ytrain组成；
(7)填补模型训练完成后，根据验证集Xtest获取待填补数据，并将待填补数据填补至负荷数据矩阵X；
(8)重复步骤(2)至步骤(7)，直到矩阵X不缺失数据。
其中，当进行到最后一个日数据时，实际上已经不存在需要用线性插值进行处理的情况，并且随机森立已经填补大量有效的信息，可以用来填补缺失最多的负荷日数据。
最后，遍历完所有数据后，配电网数据负荷矩阵不再含缺失值，数据填补完成。其中，随机森林配电网数据填补矩阵如图2所示。
本发明实施例通过数据清洗，解决配网数据因为测量设备出现故障、“噪音”干扰、数据传输错误或用电异常所导致的采集值异常和缺失现象，为配电网负荷预测模型提供高质量的基础数据。
S20，根据台区的负荷历史数据集，通过聚类将N个台区划分为K个台区聚类簇；针对每个台区聚类簇，将所有台区的负荷历史数据集求和，重构得到台区聚类簇的负荷历史数据集；
S21，输入从步骤S10得到清洗后得到N个台区的负荷历史数据集，采用K均值算法进行聚类，设置聚类数i从2到10变化，计算每种聚类数i下的聚类误差平方和，根据聚类数与聚类误差平方和曲线，采用肘部法则确定负荷最佳聚类数K；
其中，肘部法则的原理是：在聚类数K不断增大的过程中，样本数据被划分的更加精细，每个簇的聚合程度逐渐提高，因此误差平方和逐步减小。当聚类数K小于最佳聚类数时，K增大会增加每个簇的聚合程度，误差平方和SSE的下降幅度大。当聚类数K达到最佳聚类数时，再增加聚类数K时对误差平方和SSE的下降幅度趋于平缓，因此曲线呈现肘部形状。一般取肘部位置对应的K值作为最佳聚类数，此聚类数下，误差下降最快。K均值聚类误差平方和计算公式如下所示：
Figure BDA0002819710830000071
式中，k为聚类数，mi为第ci类样本的聚类中心，xq是属于ci类中的样本。
S22，根据步骤S21得到聚类类别数目K，首先从N个台区的负荷历史数据集中随机选取K个作为初始聚类中心负荷数据，然后计算N个台区负荷数据与初始中心负荷数据的欧式距离，通过计算距离大小对比，将N个台区负荷数据样本分配给最近的聚类中心负荷从而形成K个簇，计算每个簇内所包含的数据样本平均值，将得到的K个平均值替换初始聚类中心负荷数据，作为K个簇的新中心负荷数据，然后不断迭代计算聚类误差平方和，当其小于阈值Z时，表明聚类精度达到要求，聚类算法区域稳定，聚类中心负荷数据基本不再改变，K均值聚类算法完成，N个台区的负荷数据按照曲线形状和聚类特性被聚为K个台区聚类簇。
S23，针对每个台区聚类簇，将所有台区的负荷历史数据集求和，重构得到台区聚类簇的负荷历史数据集。
S30，将台区聚类簇的负荷历史数据集中每天的负荷历史时间序列，均归一化后作为该台区聚类簇的一个负荷样本；归一化公式具体如下：
Figure BDA0002819710830000072
式中，x为负荷历史时间序列中需要处理的负荷数据点，xmax和xmin分别为负荷历史时间序列中的最大值和最小值，x′为负荷数据点在归一化后的数值。
S40，针对每个负荷样本，获取该天的节假日信息，并计算其去年同期的负荷变化趋势指标；其中负荷变化趋势指标的计算具体公式如下：
Figure BDA0002819710830000081
式中，x(t)表示每个台区聚类簇每天的负荷时间序列，x0表示x(t)所有时间点的负荷算术平均值，Q(t)表示x(t)的负荷变化趋势指标。
当趋势指标Q(t)大于1时，负荷为增长趋势，指标越大说明负荷增长趋势越大。当趋势指标Q(t)大于0小于1时，负荷为减小趋势，指标越小说明负荷减小趋势越大。
S50，对每个台区聚类簇中所有时间连续的l+1个负荷样本，均以前l个负荷样本、最后1个负荷样本的去年同期的负荷变化趋势指标和节假日信息作为输入，以最后1个负荷样本作为输出，对该台区聚类簇对应构建的长短期记忆神经网络负荷预测模型进行离线训练，确定最优参数；
假设最后一个负荷样本表示为x'(t)，负荷样本在归一化前表示为x(t)，则最后一个负荷样本的去年同期的负荷变化趋势指标为Q(t-m)，m为今年和去年同期相差的时间点个数。
S50，长短期记忆神经网络负荷预测模型构建，离线训练模型并确定最优参数：
离线训练模型具体步骤如下：
输入门中输入上一时刻状态，上一隐藏层状态单元和当前状态。输入门的输入经过非线性函数的变换后，通过遗忘门进行状态信息筛选，使LSTM神经网络清除上一步对当前没有用的状态信息，根据输入门输入的三种变量共同决定哪一部分的状态信息需要被神经网络遗忘，同时决定有用信息进入新的当前状态。最后，输出门利用新的当前状态，进行运算确定有多少信息输出到当前隐藏层状态单元，当前隐藏层状态单元会进入下一个LSTM神经元进行计算，因此建立了前后时间序列之间的联系。其中，各变量之间的具体计算公式如下：
i(t)＝σ(Wih(t-1)+Uix(t)+bi)
a(t)＝tanh(Wah(t-1)+Uax(t)+ba)
f(t)＝σ(Wfh(t-1)+Ufx(t)+bf)
c(t)＝i(t)⊙a(t)+ft⊙c(t-1)
o(t)＝σ(Uox(t)+Woh(t-1)+bo)
h(t)＝o(t)·tanh(c(t))
其中，输入门输出包括两部分i(t)和a(t)，Wi，Wa为上一时刻隐藏层状态的连接权重，Ui，Ua为输入门的连接权重，bi，ba分别为各自的输入门偏置。遗忘门的输出是f(t)，Wf，Uf，bf分别为遗忘门的循环权重、输入权重和遗忘门偏置。新的当前状态c(t)分别是由输入门，遗忘门的输出和上一时刻状态c(t-1)共同决定的，输出门输出结果为o(t)，Uo，Wo，bo分别为输出门权重、循环权重和输出门偏置。隐藏层状态h(t)由输出门输出和当前状态共同决定，此外公式中的σ为激活函数，一般为tanh或sigmoid函数。
为了比较配电网线路负荷预测模型的预测效果，预测结果评估指标参考预测模型常用指标，采用平均绝对百分误差(Mean Absolute Percentage Error，MAPE)与均方根误差(Root Mean Squared Error，RMSE)两种指标衡量预测值与实际值之间的偏差。具体误差公式如下式所示:
Figure BDA0002819710830000091
Figure BDA0002819710830000092
其中，n为样本数量，y′i表示负荷的预测值，yi表示负荷实际值。为了反映本预测模型在线路负荷预测精度方面的优势，加入了在预测领域获得广泛应用的迟滞向量机预测方法与本文方法进行误差对比。
S51，根据负荷聚类数K搭建相应的K个长短期记忆神经网络负荷预测模型，模型的超参数包括神经网络隐层数、每层网络的神经元数量、学习率；
S52，对每个台区聚类簇中所有时间连续的l+1个负荷样本，均以前l个负荷样本、最后1个负荷样本的去年同期的负荷变化趋势指标和节假日信息作为输入，以最后1个负荷样本作为输出，对该台区聚类簇对应构建的长短期记忆神经网络负荷预测模型进行离线训练，确定最优参数；通过长短期记忆神经网络参数的迭代训练，最终得到每个台区聚类簇的负荷预测模型。
其中，确定长短期记忆神经网络最优超参数方法如下：首先定义长短期记忆神经网络的隐层数量、每层网络的神经元数量和学习率的取值范围，设定不同的超参数值进行多次负荷预测，对比负荷预测结果，选择其中负荷平均预测误差最小的一组超参数值作为配电网负荷预测模型的最优超参数。
S60，配电网线路负荷预测
S61，获取所有台区在目标预测天次之前l天的负荷历史时间序列和目标预测天次的节假日信息；
S62，将每个台区聚类簇中所有台区的负荷历史时间序列求和并按天划分，得到每个台区聚类簇l个时间连续的负荷样本，并计算对应台区聚类簇在目标预测天次的去年同期的负荷变化趋势指标；
S63，将本步骤S60得到的每个台区聚类簇的l个时间连续的负荷样本、1个节假日信息和1个去年同期的负荷变化趋势指标，输入至步骤S50得到的对应长短期记忆神经网络负荷预测模型，输出对应台区聚类簇在目标预测天次的负荷预测数据；
S64，将所有K个台区聚类簇在目标预测天次的负荷预测数据，分别进行反归一化处理，然后加和计算，得到配电网线路在目标预测天次的负荷预测数据。
其中，反归一化的具体公式如下：
Figure BDA0002819710830000101
式中，xmax和xmin分别为每类负荷归一化变量的最大值和最小值，x′为负荷预测模型输出的负荷预测数据。
以下提供具体实施例对本发明技术方案作进一步实施解释说明：
根据某地区10kV线路46个台区2016至2018年7月实际的配电网模型数据，对该配电线路负荷数据进行提前1天(96个数据点)预测分析，预测具体流程如图1所示。
S201、本发明实施例对配电网某线路中46个台区的负荷数据进行聚类，令聚类数i从2到10变化，得到图3为本发明实施例中在聚类数变化下的负荷聚类误差平方和曲线图，根据肘部法则，最佳聚类数应选取肘部位置为4，台区负荷数据被聚为4类；
S301、本发明实施例计算每类负荷的历史同期趋势指标，选取影响短期负荷的历史一周的负荷数据以及节假日信息作为训练输入外，还加入去年同期时刻的趋势指标共同作为负荷预测模型输入进行训练。图4为2018年预测验证集负荷功率数据和其对应的2017年同期负荷趋势指标，从上到下每两张子图为同类负荷，从图4可以看出每类负荷的去年同期的趋势指标基本可以反映今年负荷的上下波动趋势，因此可作为预测模型的输入反映负荷在长时期尺度的上下波动趋势。
S302、本发明实施案例采用配电网某线路长时期负荷数据共943天的数据，将其划分为两部分，其中2016和2017的共731天的数据作为训样本练集，2018年1-7月共212天的数据作为验证样本集。
S401、本发明实施案例采用Python代码编写，基于谷歌学习框架TensorFlow搭建LSTM神经网络，设置LSTM层的激活函数为tanh，损失函数设为均方误差MSE，BATCH_SIZE取96，长短期记忆神经网络的神经元结构图如图5所示。
S50、通过在线应用训练完成的长短期记忆神经网络对每类负荷进行预测，结果如图6所示，并且将四类负荷预测结果相加作为线路总负荷预测结果，为了对比本文方法在预测精度和鲁棒性方面的提升，本文基于各模型的预测能力，选择预测性能较好的支持向量机(Support Vector Machine，SVM)神经网络算法对负荷进行预测，还同时设置了未进行聚类的长短期记忆神经网络预测进行预测，预测结果如图7所示，预测误差如表1所示。通过结果对比分析，可以得到本发明所提线路负荷预测方法的误差最小，预测模型的准确性最佳。
表1
Figure BDA0002819710830000111
本发明提供的基于聚类和趋势指标的长短期记忆神经网络的配电线路负荷预测方法可以提高配电网短期负荷预测的精度，以达到指导指导配电网调度运行的目的。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。

Claims (8)

1.一种基于聚类和趋势指标的配电网线路负荷预测方法，其特征在于，包括以下步骤：
S10，获取并清洗配电网历史负荷数据，构建每个台区每天的负荷历史时间序列，所有天的负荷历史时间序列构成该台区的负荷历史数据集；
S20，根据台区的负荷历史数据集，通过聚类将N个台区划分为K个台区聚类簇；针对每个台区聚类簇，将所有台区的负荷历史数据集求和，重构得到台区聚类簇的负荷历史数据集；
S30，将台区聚类簇的负荷历史数据集中每天的负荷历史时间序列，均归一化后作为该台区聚类簇的一个负荷样本；
S40，针对每个负荷样本，获取该天的节假日信息，并计算其去年同期的负荷变化趋势指标；
负荷变化趋势指标的计算方法为：
Figure FDA0003557886410000011
式中，x(t)表示每个台区聚类簇每天的负荷时间序列，x0表示x(t)所有时间点的负荷算术平均值，Q(t)表示x(t)的负荷变化趋势指标；
S50，对每个台区聚类簇中所有时间连续的l+1个负荷样本，均以前l个负荷样本、最后1个负荷样本的去年同期的负荷变化趋势指标和最后1个负荷样本的节假日信息作为输入，以最后1个负荷样本作为输出，对该台区聚类簇对应构建的长短期记忆神经网络负荷预测模型进行离线训练，确定最优参数；
S60，配电网线路负荷预测
S61，获取所有台区在目标预测天次之前l天的负荷历史时间序列和目标预测天次的节假日信息；
S62，将每个台区聚类簇中所有台区的负荷历史时间序列求和并按天划分，得到每个台区聚类簇l个时间连续的负荷样本，并计算对应台区聚类簇在目标预测天次的去年同期的负荷变化趋势指标；
S63，将本步骤S60得到的每个台区聚类簇的l个时间连续的负荷样本、1个节假日信息和1个去年同期的负荷变化趋势指标，输入至步骤S50得到的对应长短期记忆神经网络负荷预测模型，输出对应台区聚类簇在目标预测天次的负荷预测数据；
S64，将所有K个台区聚类簇在目标预测天次的负荷预测数据，分别进行反归一化处理，然后加和计算，得到配电网线路在目标预测天次的负荷预测数据。
2.根据权利要求1所述的方法，其特征在于，清洗配电网历史负荷数据包括：采用离群点检测方法剔除异常数据，采用插值改进的随机森林方法填补每个台区的缺失数据；
采用插值改进的随机森林方法填补每个台区的缺失数据的方法为：
(1)以台区每天所有时间点的负荷数据作为矩阵的1行，构建台区的负荷数据矩阵X；
(2)统计配电网负荷数据矩阵X的缺失情况；将矩阵X中数据缺失最少的1天作为数据填补日，其他为非数据填补日；
(3)填补前将非数据填补日的缺失数据用线性插值进行处理，得到矩阵Xnew；
(4)将矩阵Xnew中所有不存在数据缺失所在的列构建数据集Train，并将数据集Train划分为两部分：非数据填补日的数据为训练集Xtrain，数据填补日的数据为标签集Ytrain；
(5)将矩阵Xnew中所有存在数据缺失所在的列构建数据集Test，其中非当前数据填补日的数据为验证集Xtest，当前数据填补日的数据为待填补数据；
(6)用训练集Xtrain中的每一列作为训练样本训练随机森林填补模型，训练标签为不含缺失部分的标签集Ytrain组成；
(7)填补模型训练完成后，根据验证集Xtest获取待填补数据，并将待填补数据填补至负荷数据矩阵X；
(8)重复步骤(2)至步骤(7)，直到矩阵X不缺失数据。
3.根据权利要求2所述的方法，其特征在于，采用离群点检测方法剔除异常数据的方法，计算负荷数据的局部异常因子，若局部异常因子小于预设阈值，则将该负荷数据剔除；
其中，负荷数据的局部异常因子计算公式为：
Figure FDA0003557886410000021
式中，LOFk(O)表示负荷数据点O在第k邻域的局部异常因子，Nk(O)为负荷数据点O在第k邻域的邻域点集合，P为Nk(O)中的负荷数据点；ρk(O)表示负荷数据点O在第k邻域的局部可达密度，表示第k邻域内所有点到O的平均可达距离；ρk(P)表示负荷数据点P在第k邻域的局部可达密度，表示第k邻域内所有点到P的平均可达距离。
4.根据权利要求1所述的方法，其特征在于，步骤S20中采用K均值算法进行聚类，其中最佳聚类数K的确定方法为：设置聚类数k的取值范围为[kmin，kmax]，计算每种聚类数k对应的聚类误差平方和，根据聚类数与聚类误差平方和构成的曲线，采用肘部法则确定负荷最佳聚类数K。
5.根据权利要求1所述的方法，其特征在于，长短期记忆神经网络最优超参数确定方法如下：首先定义长短期记忆神经网络的隐层数量、每层网络的神经元数量和学习率的取值范围，设定不同的超参数值进行多次负荷预测，对比负荷预测结果，选择其中负荷平均预测误差最小的一组超参数值作为配电网负荷预测模型的最优超参数。
6.根据权利要求1所述的方法，其特征在于，长短期记忆神经网络负荷预测模型，通过训练迭代更新的参数包括：输入门权重、输入门偏置、遗忘门权重、遗忘门偏置、输出门的权重、输出门偏置。
7.根据权利要求1所述的方法，其特征在于，步骤S10中的配电网历史负荷数据的时间跨度至少为2年以上，能够包含去年同期负荷的历史数据，用于建立去年同期的负荷变化趋势指标。
8.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至7任一项所述的方法。
CN202011414424.4A 2020-12-07 2020-12-07 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 Active CN112508275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011414424.4A CN112508275B (zh) 2020-12-07 2020-12-07 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011414424.4A CN112508275B (zh) 2020-12-07 2020-12-07 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备

Publications (2)

Publication Number Publication Date
CN112508275A CN112508275A (zh) 2021-03-16
CN112508275B true CN112508275B (zh) 2022-05-17

Family

ID=74971872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414424.4A Active CN112508275B (zh) 2020-12-07 2020-12-07 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备

Country Status (1)

Country Link
CN (1) CN112508275B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222216B (zh) * 2021-04-14 2024-07-23 国网江苏省电力有限公司营销服务中心 冷热电负荷预测方法、装置及系统
CN113128781B (zh) * 2021-04-30 2021-12-10 大连理工大学 一种自动构建智能化模型与算法的分布式工业能源运行优化平台
CN113205368B (zh) * 2021-05-25 2022-11-29 合肥供水集团有限公司 一种基于时序用水数据的工商户聚类方法
CN113447879A (zh) * 2021-05-27 2021-09-28 国网山东省电力公司营销服务中心(计量中心) 基于多应力影响的电能表计量误差预测方法、系统及装置
CN113377881B (zh) * 2021-06-04 2024-06-07 国网辽宁省电力有限公司 一种配电网负荷的纵横混合聚类多维度分析方法
CN113361776A (zh) * 2021-06-08 2021-09-07 国网上海市电力公司 一种基于用户用电行为聚类的电力负荷概率预测方法
CN113592528B (zh) * 2021-06-22 2024-09-13 国网河北省电力有限公司营销服务中心 基线负荷估计方法、装置及终端设备
CN113592185B (zh) * 2021-08-05 2022-10-14 四川大学 一种基于Transformer的电力负荷预测方法
CN113657490B (zh) * 2021-08-16 2022-05-31 沭阳县源美装饰材料有限公司 一种基于人工智能的门窗静音检测方法
CN113436733B (zh) * 2021-08-26 2021-11-30 肾泰网健康科技(南京)有限公司 一种基于融合经验的血透方案生成模型的特征构造方法
CN113515468B (zh) * 2021-09-14 2021-11-30 成都时识科技有限公司 数据更新方法和存储空间设置方法及装置、芯片、设备
CN114169568A (zh) * 2021-11-03 2022-03-11 国网浙江省电力有限公司瑞安市供电公司 基于Prophet模型的配电线路电流预测与重过载预警及系统
CN114117852B (zh) * 2021-11-18 2022-10-21 华北电力大学 一种基于有限差分工作域划分的区域热负荷滚动预测方法
CN114091335A (zh) * 2021-11-22 2022-02-25 深圳供电局有限公司 一种台区用电负荷预测方法与系统
CN114118588B (zh) * 2021-11-30 2024-08-02 广东电网有限责任公司广州供电局 聚类欠采样下基于博弈特征提取的迎峰度夏停电预测方法
CN114154737A (zh) * 2021-12-09 2022-03-08 国网河北省电力有限公司经济技术研究院 配变台区的负荷数据修补方法、装置、终端及存储介质
CN114170588B (zh) * 2021-12-13 2023-09-12 西南交通大学 基于眼部特征的铁路调度员不良状态识别方法
CN114282444A (zh) * 2021-12-28 2022-04-05 宁夏隆基宁光仪表股份有限公司 一种基于智能融合终端的分布式负荷预测方法及系统
CN114358185B (zh) * 2022-01-04 2024-07-16 辽宁工程技术大学 一种基于改进K均值聚类CCA-BiLSTM多维度短期电力负荷预测方法
CN114548509B (zh) * 2022-01-18 2024-10-15 湖南大学 一种多能源系统多类型负荷联合预测方法及系统
CN114638440B (zh) * 2022-05-17 2022-08-09 国网湖北省电力有限公司经济技术研究院 一种基于充电桩使用度的充电负荷超短期预测方法
CN115047271B (zh) * 2022-06-10 2024-07-09 福州大学 一种无功补偿设备健康状况的诊断方法
CN116703190B (zh) * 2022-12-02 2024-06-28 北京国电通网络技术有限公司 用电信息处理方法、装置、电子设备和计算机可读介质
CN116632842B (zh) * 2023-07-26 2023-11-10 国网山东省电力公司信息通信公司 基于聚类特性的台区分布式光伏负荷概率预测方法及系统
CN116663871B (zh) * 2023-08-02 2023-10-13 苏州安极能新能源发展有限公司 用电需求量预测方法及系统
CN116701973B (zh) * 2023-08-09 2023-10-03 无锡市明通动力工业有限公司 基于大数据的电机异常振动检测预警方法
CN117436712B (zh) * 2023-12-21 2024-04-12 山东铁鹰建设工程有限公司 一种施工挂篮运行风险实时监测方法及系统
CN117878927B (zh) * 2024-03-11 2024-05-28 国网黑龙江省电力有限公司绥化供电公司 基于时序分析的电力系统负荷趋势分析方法
CN117951555B (zh) * 2024-03-27 2024-06-14 山东德源电力科技股份有限公司 一种用于负控安装测试装置的策略制定方法
CN117977576B (zh) * 2024-03-28 2024-07-16 国网四川省电力公司电力科学研究院 一种基于多尺度历史负荷数据的台区负荷预测方法
CN118536009B (zh) * 2024-07-24 2024-10-11 湖北华中电力科技开发有限责任公司 基于生成式人工智能的电力数据模型构建方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018161722A1 (zh) * 2017-03-08 2018-09-13 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
CN109376896A (zh) * 2018-08-29 2019-02-22 国网重庆市电力公司南岸供电分公司 一种基于多模融合的配电网短期负荷预测方法
CN109919370A (zh) * 2019-02-26 2019-06-21 国网冀北电力有限公司运营监测（控）中心 一种电力负荷预测方法及预测装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109462231B (zh) * 2018-11-15 2020-09-01 合肥工业大学 居民微电网的负荷优化调度方法、系统和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018161722A1 (zh) * 2017-03-08 2018-09-13 深圳市景程信息科技有限公司 基于长短时记忆神经网络的电力负荷预测方法
CN109376896A (zh) * 2018-08-29 2019-02-22 国网重庆市电力公司南岸供电分公司 一种基于多模融合的配电网短期负荷预测方法
CN109919370A (zh) * 2019-02-26 2019-06-21 国网冀北电力有限公司运营监测（控）中心 一种电力负荷预测方法及预测装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于大数据和多因素组合分析的单元制配电网精细化负荷预测;李富鹏等;《智慧电力》;20200120(第01期);全文 *
基于负荷特性聚类的样本自适应神经网络台区短期负荷预测;方芳等;《科技导报》;20171228(第24期);全文 *

Also Published As

Publication number Publication date
CN112508275A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112508275B (zh) 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备
Kim et al. Particle swarm optimization-based CNN-LSTM networks for forecasting energy consumption
CN112488395A (zh) 一种配电网线损预测方法及系统
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN110659779B (zh) 一种基于长短期记忆网络的配电系统网损预测方法
CN110390436A (zh) 一种基于ssa与lstm深度学习的电厂存煤量短期预测方法
CN114219216B (zh) 一种电力系统的运行调度方法、系统、装置及介质
CN115293400A (zh) 一种电力系统负荷预测方法及系统
CN115986728A (zh) 一种计及不确定性因素的电网态势预测方法与终端
CN117060408B (zh) 新能源发电预测方法及系统
CN115759415A (zh) 基于lstm-svr的用电需求预测方法
CN111798037B (zh) 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法
CN116562559A (zh) 一种基于组合模型的短期负荷预测方法和系统
Liu et al. Analysis and prediction of power distribution network loss based on machine learning
CN118917753A (zh) 一种基于集群划分的配电网双层规划方法及系统
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
CN114548350A (zh) 一种基于樽海鞘群和bp神经网络的电力负荷预测方法
CN115526092A (zh) 一种电力负荷预测方法及装置
CN118734257A (zh) 一种超短期电力负荷预测方法及系统
CN118641969A (zh) 一种锂电池剩余寿命预测方法
CN113139698A (zh) 负荷预测方法、装置及设备
CN118174294A (zh) 一种短期电力负荷预测方法
CN115794805B (zh) 一种中低压配网量测数据补齐方法
CN107464015B (zh) 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置

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